کارخانه پلیمر Pharma ۴.۰؛ تلفیق صنعت نسل چهارم و تولید پلیمرهای دارویی و الزامات ایجاد آن در ایران

چکیده

تحول دیجیتال در صنایع دارویی طی سال های اخیر از مرحله اتوماسیون تجهیزات و ثبت الکترونیکی داده ها عبور کرده و به سمت مفهوم «Pharma 4.0» حرکت کرده است. Pharma 4.0 را می توان کاربرد منسجم اصول Industry 4.0 در زنجیره توسعه، تولید، کنترل کیفیت، نگهداری، زنجیره تامین و تصمیم گیری صنعت دارویی دانست. در این میان، تولید پلیمرهای مورد استفاده در صنایع دارویی، از مواد اولیه پلیمری و گریدهای تخصصی تا مواد مورد استفاده در پوشش، چسب، رهایش کنترل شده دارو، سامانه های دارورسانی، قطعات و بسته بندی های دارویی، جایگاه ویژه ای دارد. پیچیدگی فرایندهای پلیمریزاسیون، اختلاط، اکستروژن، پوشش دهی، خشک کردن و گرانول سازی و همچنین حساسیت ویژگی هایی مانند وزن مولکولی، ویسکوزیته، رطوبت، اندازه ذرات، یکنواختی ترکیب و خواص حرارتی، ضرورت حرکت از کنترل کیفیت پس از تولید به سمت کنترل کیفیت درون فرایندی را افزایش می دهد.

این مقاله مروری با بررسی ادبیات علمی و اسناد جدید آمریکایی و اروپایی، مفهوم پیشنهادی «کارخانه پلیمر Pharma 4.0» را تبیین می کند. دو فناوری محوری این چارچوب، یعنی دوقلوی دیجیتال و ترکیب هوش مصنوعی با فناوری تحلیل فرایند یا PAT، به تفصیل بررسی می شوند. دوقلوی دیجیتال امکان شبیه سازی رفتار خط تولید پیش از اعمال تغییرات واقعی را فراهم می کند و PAT همراه با مدل های هوش مصنوعی می تواند کیفیت مواد را در حین تولید پایش و پیش بینی کند. در ادامه، وضعیت ترکیه و برخی کشورهای منطقه و سپس الزامات فنی، سازمانی و مدیریتی استقرار چنین الگویی در ایران بررسی می شود. استدلال اصلی مقاله آن است که برای ایران، گذار به Pharma 4.0 الزاما به معنای خرید یکباره تجهیزات گران قیمت نیست، بلکه باید از ایجاد زیرساخت داده، اتصال تجهیزات، MES، حسگرهای فرایندی، استانداردسازی داده و اجرای پروژه های پایلوت با بازگشت سرمایه قابل اندازه گیری آغاز شود.

واژگان کلیدی: Industry 4.0، Pharma 4.0، کارخانه هوشمند، پلیمرهای دارویی، دوقلوی دیجیتال، هوش مصنوعی، PAT، کنترل کیفیت، تولید هوشمند، ایران.

1. مقدمه

صنعت داروسازی در حال ورود به مرحله ای است که در آن کیفیت محصول تنها نتیجه آزمایش های انتهای خط تولید نیست، بلکه باید در طول فرایند تولید ایجاد، پایش و در صورت امکان پیش بینی شود. Industry 4.0 با مفاهیمی مانند اینترنت اشیای صنعتی، هوش مصنوعی، یادگیری ماشین، رایانش ابری، تحلیل داده های بزرگ، رباتیک، شبیه سازی و دوقلوهای دیجیتال، ظرفیت جدیدی برای تحقق این هدف ایجاد کرده است. در صنعت دارویی، این تحول با عنوان Pharma 4.0 شناخته می شود و هدف آن ایجاد یک اکوسیستم دیجیتال یکپارچه در تولید، کیفیت، مهندسی، زنجیره تامین و سایر فعالیت های تحت الزامات GxP است [1-4].

در چنین شرایطی، یکی از حوزه هایی که کمتر به طور مستقل مورد توجه قرار گرفته، اتصال صنعت پلیمر به Pharma 4.0 است. این موضوع برای کشورهایی مانند ایران اهمیت خاصی دارد؛ زیرا بخش قابل توجهی از زنجیره دارویی وابسته به مواد و محصولات پلیمری است. پلیمر ممکن است مستقیما در ساخت محصول دارویی یا سامانه دارورسانی حضور داشته باشد یا در قالب پوشش، چسب، فیلم، بسته بندی، قطعه، رزین، گرانول یا مواد مورد استفاده در تجهیزات و فرایندهای دارویی به کار رود.

از این منظر، «کارخانه پلیمر Pharma 4.0» را می توان به صورت یک مفهوم تلفیقی تعریف کرد: کارخانه ای که در آن تجهیزات تولید پلیمر، سیستم های کنترل، آزمایشگاه، سامانه های کیفیت، داده های مواد اولیه، برنامه ریزی تولید، نگهداری و تصمیم گیری مدیریتی در یک معماری دیجیتال یکپارچه قرار گرفته اند و بخشی از تصمیم های تولید از حالت واکنشی به حالت پیش بینانه منتقل شده است.

2. از کارخانه سنتی پلیمر تا کارخانه Pharma 4.0

در کارخانه سنتی، اطلاعات تولید معمولا در چند نقطه جداگانه تولید می شود. اپراتور پارامترهای دستگاه را ثبت می کند، نمونه ای از محصول به آزمایشگاه ارسال می شود، آزمایشگاه نتایج را ارائه می دهد و در صورت مشاهده عدم انطباق، تیم تولید علت را جست وجو می کند. این مدل در بسیاری از فرایندهای صنعتی قابل استفاده است، اما یک ضعف بنیادی دارد: زمان میان وقوع انحراف و شناسایی آن می تواند زیاد باشد.

برای مثال، فرض کنیم در یک خط تولید گرانول پلیمری، دمای یکی از نواحی اکسترودر اندکی از محدوده مطلوب خارج شود. در سیستم سنتی ممکن است محصول تولید شود، نمونه برداری انجام گیرد و چند ساعت بعد مشخص شود که ویژگی مورد نظر از محدوده خارج شده است. در این فاصله، مقدار قابل توجهی محصول تولید شده و ممکن است نیاز به بازکاری یا امحا داشته باشد.

در کارخانه Pharma 4.0، همین فرایند باید به شکل متفاوتی طراحی شود. دما، فشار، گشتاور، سرعت مارپیچ، نرخ خوراک دهی، رطوبت، انرژی مصرفی، زمان ماند و سایر پارامترهای موثر به شکل پیوسته ثبت می شوند. سپس مدل های آماری یا هوش مصنوعی، ارتباط میان متغیرهای فرایندی و ویژگی های کیفی محصول را یاد می گیرند. نتیجه آن است که کارخانه صرفا نمی پرسد «چه چیزی تولید شده است؟» بلکه می پرسد «با توجه به وضعیت فعلی فرایند، احتمالا چه محصولی در حال تولید شدن است؟»

این تفاوت، مبنای اصلی تحول از Quality by Testing به Quality by Design و در سطح پیشرفته تر به Quality by Control است [5].

3. دوقلوی دیجیتال؛ کارخانه واقعی قبل از اجرا در رایانه

یکی از مهم ترین عناصر کارخانه پلیمر Pharma 4.0، دوقلوی دیجیتال یا Digital Twin است.

دوقلوی دیجیتال صرفا یک تصویر سه بعدی از کارخانه نیست. یک مدل دیجیتال پویا از فرایند یا تجهیز است که می تواند با دریافت داده های واقعی از کارخانه، رفتار سیستم فیزیکی را بازنمایی، پیش بینی و در سطوح پیشرفته بهینه کند [6-8].

برای یک کارخانه تولید پلیمر، می توان یک دوقلوی دیجیتال از کل خط یا ابتدا از یک بخش خاص، مانند اکسترودر، میکسر، واحد پوشش دهی یا خشک کن ایجاد کرد.

فرض کنیم کارخانه قصد دارد فرمولاسیون یک پلیمر پزشکی را تغییر دهد. در کارخانه سنتی، تغییر فرمولاسیون مستقیما روی خط واقعی آزمایش می شود. اگر نسبت مواد اولیه، دمای فرایند یا سرعت اختلاط مناسب نباشد، مواد مصرف شده و محصول نامنطبق تولید می شود.

اما در یک کارخانه مجهز به Digital Twin، می توان ابتدا تغییر پیشنهادی را در مدل دیجیتال اعمال کرد. مدل می تواند نشان دهد که تغییر نسبت اجزا چه اثری بر گشتاور اکسترودر، فشار، دمای مذاب، زمان ماند، مصرف انرژی و ویژگی های نهایی محصول خواهد داشت. سپس تنها سناریوهایی که در فضای قابل قبول قرار دارند، برای آزمون واقعی انتخاب می شوند.

این مفهوم در پژوهش های جدید نیز در حال توسعه است. یک مطالعه در حوزه تولید دارویی نشان داده است که مدل های دیجیتال می توانند در کنار داده های واقعی برای طراحی، پایش و کنترل فرایند مورد استفاده قرار گیرند [6]. همچنین در حوزه پلیمر، پژوهشی درباره اکستروژن لوله PVC نشان داده است که دوقلوی دیجیتال می تواند برای شتاب دهی راه اندازی فرایند و کاهش آزمون وخطای فیزیکی مورد استفاده قرار گیرد [9].

بنابراین، در یک کارخانه ایرانی تولید پلیمرهای دارویی، Digital Twin می تواند ابتدا برای سه کاربرد محدود و اقتصادی مورد استفاده قرار گیرد:

نخست، شبیه سازی تغییر فرمولاسیون؛

دوم، شبیه سازی تغییر قالب، شرایط اکستروژن یا سرعت خط؛

سوم، پیش بینی اثر تغییرات مواد اولیه بر رفتار فرایند.

پس از اثبات ارزش اقتصادی، مدل می تواند به تدریج از یک تجهیز به کل خط تولید گسترش یابد.

4. کنترل کیفیت مبتنی بر AI و PAT

دومین ستون اصلی کارخانه پلیمر Pharma 4.0، ترکیب Process Analytical Technology یا PAT با هوش مصنوعی است.

PAT اساسا یک رویکرد برای درک و کنترل فرایند از طریق اندازه گیری های به موقع و مرتبط با ویژگی های بحرانی مواد و محصول است. هدف آن این است که کیفیت تنها در انتهای تولید بررسی نشود، بلکه در خود فرایند ایجاد و کنترل شود [10].

برای مثال، در تولید یک گرانول پلیمری دارویی، برخی ویژگی های مهم ممکن است شامل ترکیب شیمیایی، رطوبت، یکنواختی، اندازه ذرات، ویسکوزیته، رفتار حرارتی یا سایر مشخصات فیزیکی و شیمیایی باشد.

فناوری هایی مانند طیف سنجی نزدیک مادون قرمز یا NIR می توانند در برخی فرایندها اطلاعات سریع و غیرمخرب درباره ترکیب و ویژگی های ماده ارائه کنند. EMA نیز کاربرد NIRS را در کاربردهای کیفی، کمی و PAT در صنعت دارویی مورد توجه قرار داده و در سال 2024 فرایند بازنگری دامنه کاربرد این فناوری را دنبال کرده است [10].

در کارخانه هوشمند، یک سنسور NIR یا سایر ابزارهای PAT می تواند به صورت برخط یا نزدیک به برخط داده تولید کند. سپس این داده به مدل آماری یا هوش مصنوعی منتقل می شود.

اینجاست که AI اهمیت پیدا می کند.

فرض کنیم مدل هوش مصنوعی از هزاران رکورد قبلی یاد گرفته است که ترکیب مشخصی از دمای مذاب، گشتاور، فشار، سرعت مارپیچ، نرخ خوراک دهی و طیف NIR معمولا به گرانولی با کیفیت مطلوب منجر می شود. اگر الگوی فعلی از این وضعیت فاصله بگیرد، سیستم می تواند قبل از آنکه محصول نهایی به آزمایشگاه برسد، احتمال انحراف را اعلام کند.

در سطح پیشرفته تر، AI می تواند تنها هشدار ندهد، بلکه علت احتمالی انحراف را نیز پیشنهاد کند.

برای مثال:

«افزایش گشتاور + افزایش دمای ناحیه دوم + تغییر طیف NIR + افزایش فشار مذاب»

ممکن است به عنوان یک الگوی غیرعادی شناسایی شود. سیستم می تواند به اپراتور هشدار دهد که احتمال تغییر رفتار خوراک یا شرایط اختلاط وجود دارد و بررسی مشخصی انجام شود.

مطالعات اخیر FDA نیز نشان داده اند که ترکیب مدل سازی، PAT و کنترل پیش بینانه مبتنی بر شبکه های عصبی می تواند برای فرایندهای تولید پیوسته دارویی مورد استفاده قرار گیرد [11]. یک مطالعه مروری نیز کاربرد شبکه های عصبی مصنوعی در PAT را برای حرکت به سمت کنترل کیفیت خودکار بررسی کرده است [12].

بنابراین، AI در اینجا جایگزین آزمایشگاه نیست. این نکته بسیار مهم است. در یک محیط دارویی، حذف کامل آزمون های آزمایشگاهی صرفا به دلیل وجود هوش مصنوعی ادعایی غیرعلمی است. نقش AI ابتدا باید پیش بینی، پایش، هشدار و کمک به تصمیم گیری باشد و پس از اعتبارسنجی، در محدوده های تعریف شده به کنترل خودکار فرایند نیز توسعه پیدا کند.

5. یک مثال عملی برای کارخانه پلیمر دارویی

فرض کنیم یک کارخانه ایرانی، گریدی از پلیمر مورد استفاده در پوشش دارویی تولید می کند.

در سیستم سنتی، مواد اولیه توزین و وارد میکسر می شوند، سپس اکستروژن انجام می شود، گرانول تولید می شود و نمونه برای آزمایشگاه ارسال می شود.

در معماری Pharma 4.0، فرآیند به شکل دیگری طراحی می شود.

ابتدا مشخصات مواد اولیه، شماره بچ، تامین کننده، رطوبت، مشخصات فنی و سوابق عملکرد آنها در سیستم داده ثبت می شود. در مرحله تولید، سنسورها پارامترهای اصلی خط را ثبت می کنند. PAT داده های مرتبط با وضعیت ماده را در طول فرایند جمع آوری می کند. مدل هوش مصنوعی وضعیت فرایند را با داده های تاریخی مقایسه می کند. اگر احتمال انحراف افزایش یابد، هشدار صادر می شود.

در همین زمان، Digital Twin وضعیت خط را شبیه سازی می کند و می تواند چند سناریو برای اصلاح شرایط پیشنهاد دهد.

به عنوان نمونه، اگر تغییر ویژگی ماده اولیه موجب افزایش گشتاور اکسترودر شده باشد، مدل می تواند اثر کاهش سرعت خوراک دهی یا تغییر دمای یک ناحیه را شبیه سازی کند. اپراتور یا مهندس فرایند سپس تصمیم نهایی را می گیرد.

در نتیجه، کارخانه از یک سیستم «تولید، آزمایش، کشف خطا» به یک سیستم «اندازه گیری، پیش بینی، اصلاح» حرکت می کند.

6. نگهداری پیش بینانه و کاهش توقف تولید

Pharma 4.0 فقط به کیفیت محصول مربوط نیست.

تجهیزات تولید پلیمر، به ویژه اکسترودرها، میکسرها، پمپ ها، موتورها و سیستم های انتقال، دارایی های سرمایه ای مهم هستند. توقف ناگهانی آنها می تواند هزینه مستقیم و غیرمستقیم ایجاد کند.

در یک کارخانه هوشمند، ارتعاش، دما، جریان برق، فشار، گشتاور و سایر پارامترهای مرتبط با وضعیت تجهیزات ثبت می شوند. الگوریتم های یادگیری ماشین می توانند الگوهایی را که پیش از خرابی اتفاق می افتند شناسایی کنند.

برای مثال، افزایش تدریجی ارتعاش یک موتور ممکن است در کنار افزایش مصرف انرژی و تغییر الگوی دمایی، احتمال خرابی را افزایش دهد. سیستم به جای اینکه منتظر خرابی بماند، زمان مناسب برای تعمیر را پیشنهاد می کند.

این رویکرد می تواند به کاهش توقف اضطراری، افزایش OEE و کاهش هزینه نگهداری کمک کند.

7. MES؛ حلقه اتصال تولید و مدیریت

بدون سیستم مدیریت اجرای تولید یا MES، بسیاری از فناوری های فوق در حد پروژه های جداگانه باقی می مانند.

MES باید اطلاعات سفارش، مواد اولیه، اپراتور، ماشین، پارامترهای تولید، توقف ها، ضایعات، نتایج کنترل کیفیت و وضعیت بچ را به یک جریان اطلاعاتی قابل ردیابی تبدیل کند.

در یک کارخانه Pharma 4.0، ERP به پرسش های مدیریتی مانند «چه چیزی باید تولید شود؟» پاسخ می دهد، MES به پرسش «چگونه و با چه وضعیت واقعی تولید شد؟» پاسخ می دهد و سیستم های کنترل صنعتی و تجهیزات، داده واقعی خط را تولید می کنند.

اتصال این لایه ها به LIMS، سیستم کیفیت و انبار، یک Digital Thread ایجاد می کند که می تواند مسیر مواد اولیه تا محصول نهایی را قابل ردیابی کند.

8. تجربه ترکیه و کشورهای منطقه

ترکیه از این جهت برای ایران مطالعه جالبی است که هم صنعت دارویی نسبتا توسعه یافته ای دارد و هم اکوسیستم تولید صنعتی و فناوری اطلاعات آن در سال های اخیر به سمت Industry 4.0 حرکت کرده است.

یک مقاله مروری منتشرشده در سال 2023 در مجله دانشکده داروسازی دانشگاه آنکارا، Pharma 4.0 را از منظر صنعت دارویی ترکیه بررسی کرده و بر نقش هوش مصنوعی، اینترنت اشیا، یادگیری ماشین و رایانش ابری تاکید دارد [13].

با این حال، باید میان «وجود فناوری Industry 4.0 در ترکیه» و «وجود یک کارخانه کاملا یکپارچه Pharma 4.0 در صنعت پلیمر دارویی» تفاوت گذاشت. شواهد عمومی موجود بیشتر از استقرار تدریجی MES، IoT، تحلیل داده و کارخانه هوشمند حکایت دارند تا وجود یک الگوی کامل و عمومی که بتوان آن را عینا به عنوان نمونه استاندارد معرفی کرد.

در حوزه صنعتی ترکیه، راهکارهای MES و IoT برای جمع آوری داده واقعی ماشین آلات، پایش تولید، تحلیل توقف، کنترل کیفیت و اتصال به ERP توسعه یافته اند. این تجربه نشان می دهد که حتی در محیط های صنعتی نزدیک به ایران، دیجیتال سازی می تواند از سطح اتصال ماشین آلات و جمع آوری داده شروع شود و به سمت کارخانه هوشمند حرکت کند.

در امارات متحده عربی نیز حرکت ساختاری تری مشاهده می شود. وزارت صنعت و فناوری پیشرفته این کشور از سال 2023 «Industrial Technology Transformation Index» را برای ارزیابی بلوغ دیجیتال و پایداری کارخانه ها ایجاد کرده و در سال 2024 برنامه Transform 4.0 را برای حمایت از 100 تولیدکننده و ایجاد مجموعه ای از کارخانه های پیشرو در Industry 4.0 دنبال کرده است [14,15].

عربستان سعودی نیز در سال های اخیر توسعه تولید داخلی دارویی را به عنوان بخشی از امنیت دارویی و برنامه های توسعه صنعتی دنبال کرده است. مطالعات اخیر این کشور بر توسعه ظرفیت تولید، بومی سازی و فناوری های پیشرفته دارویی تاکید کرده اند [16,17].

از این منظر، ایران در رقابت منطقه ای تنها با اروپا و آمریکا مواجه نیست. ترکیه، عربستان و امارات نیز در حال ایجاد ظرفیت های تولیدی و دیجیتال هستند و فاصله فناوری میان کارخانه های منطقه ای می تواند در سال های آینده به یک عامل رقابتی مهم تبدیل شود.

9. آیا ایران می تواند کارخانه پلیمر Pharma 4.0 ایجاد کند؟

پاسخ از نظر فنی مثبت است، اما نه با رویکرد «خرید فناوری».

اشتباه رایج این است که کارخانه هوشمند را مجموعه ای از دوربین، سنسور، نرم افزار و هوش مصنوعی تصور کنیم. چنین رویکردی معمولا به پروژه های نمایشی و پرهزینه منجر می شود.

نقطه شروع باید مسئله تولید باشد.

برای یک کارخانه پلیمر دارویی ایرانی، پنج مسئله می تواند اولویت داشته باشد:

کاهش ضایعات مواد اولیه؛

کاهش زمان تغییر محصول و فرمولاسیون؛

کاهش توقف اضطراری تجهیزات؛

کاهش عدم انطباق محصول؛

افزایش قابلیت ردیابی و سرعت تصمیم گیری.

پس از تعیین این مسائل، باید داده های مورد نیاز شناسایی شوند.

مرحله نخست می تواند دیجیتالی کردن اطلاعات تولید و ایجاد اتصال میان ماشین آلات و MES باشد.

مرحله دوم، ایجاد پایگاه داده تاریخی فرایند و کیفیت است.

مرحله سوم، نصب سنسورها و ابزارهای PAT در نقاطی که بیشترین ارزش اطلاعاتی را دارند.

مرحله چهارم، ایجاد مدل های تحلیلی و هوش مصنوعی برای پیش بینی کیفیت، خرابی و ضایعات است.

مرحله پنجم، ایجاد Digital Twin برای یک خط یا تجهیز بحرانی است.

در نهایت، مرحله ششم می تواند اتصال این سیستم ها به کنترل فرایند و ایجاد حلقه های نیمه خودکار یا خودکار باشد.

این ترتیب مهم است؛ زیرا اگر کارخانه داده باکیفیت نداشته باشد، AI صرفا یک لایه پیچیده روی داده ضعیف خواهد بود.

10. چالش های پیاده سازی در ایران

مهم ترین مانع، فناوری نیست؛ بلکه کیفیت داده و حکمرانی داده است.

در بسیاری از کارخانه ها داده ها در فرم های کاغذی، فایل های Excel، نرم افزارهای مستقل، PLCها و سیستم های آزمایشگاهی پراکنده اند. حتی اگر تجهیزات جدید خریداری شوند، این پراکندگی می تواند ادامه پیدا کند.

چالش دوم، اعتبارسنجی مدل های هوش مصنوعی است. در محیط دارویی نمی توان صرفا به این دلیل که یک الگوریتم دقت بالایی در داده آموزشی دارد، آن را برای تصمیم تولید معتبر دانست. مدل باید از نظر دامنه کاربرد، داده آموزشی، پایداری، تغییر شرایط فرایند و تاثیر آن بر کیفیت محصول ارزیابی و اعتبارسنجی شود [7,18].

چالش سوم، امنیت سایبری است. اتصال تجهیزات تولید به شبکه و سامانه های بیرونی، در کنار مزیت های فراوان، سطح حمله سایبری را افزایش می دهد.

چالش چهارم، نیروی انسانی است. کارخانه Pharma 4.0 به مهندس پلیمر، متخصص کنترل، کارشناس کیفیت، متخصص داده و IT نیاز دارد که بتوانند با یکدیگر کار کنند. بنابراین تحول دیجیتال صرفا پروژه واحد فناوری اطلاعات نیست.

11. مدل پیشنهادی برای ایران

برای ایران می توان یک مدل پنج لایه برای کارخانه پلیمر Pharma 4.0 پیشنهاد کرد.

لایه نخست، اتصال است؛ یعنی اتصال تجهیزات، PLCها، حسگرها و سیستم های اندازه گیری.

لایه دوم، داده است؛ یعنی ایجاد معماری استاندارد برای جمع آوری، ذخیره سازی و یکپارچه سازی داده های تولید و کیفیت.

لایه سوم، هوشمندی است؛ یعنی استفاده از تحلیل داده، AI و یادگیری ماشین برای پیش بینی کیفیت، خرابی و مصرف انرژی.

لایه چهارم، شبیه سازی است؛ یعنی ایجاد Digital Twin برای تحلیل سناریوها و بهینه سازی فرایند.

لایه پنجم، کنترل و تصمیم گیری است؛ یعنی تبدیل پیش بینی ها به اقدام عملیاتی و در مراحل پیشرفته، کنترل تطبیقی و خودکار.

این مدل اجازه می دهد کارخانه بدون تحمل هزینه و ریسک یک تحول یکباره، مرحله به مرحله حرکت کند.

12. نتیجه گیری

Pharma 4.0 را نباید صرفا معادل «هوش مصنوعی در کارخانه دارویی» دانست. مفهوم اصلی آن، ایجاد یک سیستم تولیدی متصل، داده محور، قابل ردیابی، پیش بین و در نهایت تا حدی خودتنظیم است.

در صنایع پلیمر دارویی، اهمیت این تحول حتی بیشتر است؛ زیرا رفتار مواد پلیمری به مجموعه ای از متغیرهای فرایندی و مواد اولیه وابسته است و تغییرات کوچک در شرایط تولید می تواند بر ویژگی های محصول اثر بگذارد.

در این چارچوب، دوقلوی دیجیتال یک ابزار مهم برای انتقال بخشی از آزمون وخطا از محیط فیزیکی به محیط شبیه سازی است. کارخانه می تواند پیش از تغییر واقعی فرمولاسیون، قالب یا پارامترهای فرایند، سناریوی مورد نظر را در مدل دیجیتال بررسی کند. در صورت تایید، آزمایش فیزیکی با ریسک کمتر انجام می شود.

همزمان، PAT و هوش مصنوعی امکان انتقال کنترل کیفیت از انتهای خط به درون فرایند را فراهم می کنند. سنسورها و ابزارهای تحلیلی داده تولید می کنند، مدل های آماری و هوش مصنوعی این داده ها را تفسیر می کنند و سیستم می تواند احتمال انحراف کیفیت را پیش از پایان تولید شناسایی کند.

برای ایران، هدف واقع بینانه نباید ایجاد یک کارخانه «کاملا خودمختار» از روز نخست باشد. مسیر مناسب، ایجاد یک کارخانه «داده محور و قابل توسعه» است. چنین کارخانه ای می تواند ابتدا با MES و اتصال تجهیزات آغاز شود، سپس به PAT و تحلیل داده مجهز شود، بعد مدل های AI و نگهداری پیش بینانه را اضافه کند و در نهایت Digital Twin و کنترل پیشرفته را توسعه دهد.

بنابراین، مفهوم پیشنهادی کارخانه پلیمر Pharma 4.0 را می توان به عنوان یک الگوی توسعه صنعتی برای نسل جدید کارخانه های تولید مواد پلیمری مورد استفاده در زنجیره دارویی ایران در نظر گرفت؛ الگویی که در آن فناوری دیجیتال نه به عنوان یک تزئین تکنولوژیک، بلکه به عنوان زیرساخت کاهش ضایعات، افزایش کیفیت، افزایش قابلیت اطمینان، کاهش هزینه و افزایش تاب آوری تولید به کار گرفته می شود.

در شرایطی که اختلال زنجیره تامین، محدودیت واردات مواد اولیه، نوسان کیفیت مواد و فشار بر هزینه تولید از مسائل مهم صنعت دارویی ایران هستند، ارزش واقعی Pharma 4.0 دقیقا در همین نقطه آشکار می شود: تبدیل کارخانه از سیستمی که پس از وقوع مشکل واکنش نشان می دهد، به سیستمی که قبل از وقوع مشکل آن را تشخیص می دهد و در مرحله پیشرفته تر، از وقوع آن جلوگیری می کند.

منابع

1. Arden NS, Fisher AC, Tyner K, Yu LX, Lee SL, Kopcha M. Industry 4.0 for pharmaceutical manufacturing: Preparing for the smart factories of the future. Int J Pharm. 2021;602:120554. doi:10.1016/j.ijpharm.2021.120554.
2. International Society for Pharmaceutical Engineering. Pharma 4.0: The roadmap to pharmaceutical smart manufacturing. Tampa: ISPE; 2024.
3. Minero T, Kuger L. The 7th ISPE Pharma 4.0 survey: Digital transformation. Pharm Eng. 2024;44(5):1-12.
4. Mastrantonas A, Kokkas P, Chatzopoulos A, Papoutsidakis M, Stergiou C, Vairis A, et al. Identifying the effects of Industry 4.0 in the pharmaceutical sector: achieving the sustainable development goals. Discov Sustain. 2024;5:460. doi:10.1007/s43621-024-00716-2.
5. Destro F, Barolo M. A review on the modernization of pharmaceutical development and manufacturing: Trends, perspectives, and the role of mathematical modeling. Int J Pharm. 2022;620:121715. doi:10.1016/j.ijpharm.2022.121715.
6. Ding C, Yang O, Ierapetritou MG. Towards digital twin for biopharmaceutical processes: Concept and progress. In: Biopharmaceutical Manufacturing. Cham: Springer; 2024. p.179-211.
7. Marra C, et al. An examination of process models and model risk frameworks for pharmaceutical manufacturing. AAPS PharmSciTech. 2024.
8. Katsoulakis E, Wang Q, Wu H, Shahriyari L, Fletcher R, Liu J, et al. Digital twins for health: a scoping review. NPJ Digit Med. 2024;7:77. doi:10.1038/s41746-024-01073-0.
9. Bovo E, Sorgato M, Lucchetta G. Digital twins for the rapid startup of manufacturing processes: a case study in PVC tube extrusion. Int J Adv Manuf Technol. 2023;127:5517-5529. doi:10.1007/s00170-023-11906-z.
10. European Medicines Agency. Guideline on the use of near-infrared spectroscopy by the pharmaceutical industry and the data requirements for new submissions and variations. Amsterdam: EMA; 2024.
11. Zhao J, Das J, Yang W, Koolivand A, Xu X, Tian GM. Development of artificial intelligence based predictive controller for a continuous pharmaceutical manufacturing process. Silver Spring: U.S. Food and Drug Administration; 2023.
12. Bousselmi S, et al. Application of artificial neural networks in the process analytical technology of pharmaceutical manufacturing: A review. Pharmaceutics. 2022;14(6).
13. Bebek G, Akdag Y, Öner L. Farmasötik endüstride Farma 4.0 yaklaşımı. Ankara Ecz Fak Derg. 2023;47(3):1058-1070. doi:10.33483/jfpau.1225743.
14. Ministry of Industry and Advanced Technology, United Arab Emirates. Industrial Technology Transformation Index: driving digitalization and sustainability in industry. Abu Dhabi: MoIAT; 2023.
15. Ministry of Industry and Advanced Technology, United Arab Emirates. Transform 4.0: accelerating Industry 4.0 adoption in manufacturing. Abu Dhabi: MoIAT; 2024.
16. Alshehri S, Alshammari R, Alyamani M, Dabbagh R, Almalki B, Aldosari O, et al. Current and future prospective of pharmaceutical manufacturing in Saudi Arabia. Saudi Pharm J. 2023;31(4):605-616. doi:10.1016/j.jsps.2023.03.001.
17. Halwani AA, Balkhi B, Alamoudi AA, Almozain NH, Alajmi AA, Noorwali A, et al. Current status and vision of local pharmaceutical industries in Saudi Arabia: The focus on nanomedicines. Saudi Pharm J. 2023;31(8):101674. doi:10.1016/j.jsps.2023.06.007.
18. U.S. Food and Drug Administration. CDER's Framework for Regulatory Advanced Manufacturing Evaluation (FRAME) Initiative. Silver Spring: FDA; 2026.
19. U.S. Food and Drug Administration. Using artificial intelligence & machine learning in the development of drug and biological products. Silver Spring: FDA; 2023.