Welcher CPP Ihre Variabilität tatsächlich treibt

Sie haben vier Prozessparameter und ein Kontrollbudget, das vielleicht für einen davon wirklich ausreicht. Eine enge Temperaturkontrolle kostet Mantelkapazität und eine PAT-Sonde; eine enge Katalysatordosierung kostet eine Wägestation und einen zusätzlichen Bedienschritt. Die Frage, die entscheidet, wohin das Geld fließt, lautet nicht „welcher Parameter wichtig ist", sondern „welcher Parameter die Variation erklärt, die Sie tatsächlich beobachten".

Haupteffekt-Diagramme und One-Factor-at-a-Time-Screening beantworten das nicht. Sie bewerten jeden Faktor, während alle anderen auf einem Nominalwert stehen – genau der eine Betriebszustand, den Ihre Anlage nie fährt.

Die drei Methoden, die gemeint sind, wenn von „Sensitivität" die Rede ist

Sie berechnen unterschiedliche Dinge. Wird die falsche Methode gewählt, wird ein Faktor als unkritisch eingestuft und verursacht zwei Jahre später eine Abweichung.

Der wichtigste Unterschied:

• Morris und Sobol betreffen den Prozess. Sie tasten den von Ihnen definierten Faktorraum ab und fragen, wie sich die Antwort bewegt. Morris rankt; Sobol verteilt die Varianz.
• SHAP betrifft das Modell. Es zeigt, worauf das gefittete Modell seine Vorhersagen stützt. Ist das Modell falsch, oder sind zwei Faktoren in Ihren Daten konfundiert, gibt SHAP die Modelllogik getreu wieder – und führt Sie beim Prozess in die Irre.

Eine praktikable Reihenfolge: Morris zum günstigen Screening und Ranking, Sobol für die verbliebenen Faktoren, wenn eine belastbare Varianzaufteilung gebraucht wird, SHAP, wenn das Modell selbst befragt werden soll. Die Sobol-Total-Order-Indizes (ST) sind das, was Sie zitieren, wenn ein Prüfer fragt, wie viel CQA-Varianz ein Parameter für sich beansprucht.

Morris liefert außerdem das Verhältnis von sigma zu mu* quasi kostenlos mit. Hohes mu* bei niedrigem sigma bedeutet, dass der Faktor linear und additiv wirkt. Hohes mu* bei hohem sigma bedeutet, dass der Effekt davon abhängt, wo im Raum Sie sich befinden – ein Hinweis auf eine Interaktion oder Nichtlinearität und ein Signal, genauer hinzuschauen, bevor ein Sollwert festgelegt wird.

Praxisbeispiel: eine Pd-katalysierte Kupplung

Die folgenden Zahlen stammen aus einer CovaOPT-Session auf einem repräsentativen 30-Lauf-Datensatz einer Pd-katalysierten Kupplung (Temperatur, Katalysatorbeladung, Base-Äquivalente, Zeit, gegen Ausbeute und Reinheit). Die Eingangsdaten sind illustrative Prozessdaten, kein konkreter Chargendatensatz eines Kunden. Die Ausgaben sind wortgetreue Tool-Rückgaben, und ein erneuter Lauf der Session reproduziert sie.

Schritt 1: Faktoren ranken

covaopt_robustness führte ein Morris-Screening über die vier Faktoren durch:

Das ist kein knappes Ergebnis. Temperatur trägt etwa das Fünffache des elementaren Effekts des nächsten Faktors. Drei Parameter liegen in einem so engen Band, dass ein Ranking zwischen ihnen bei dieser Stichprobengröße nicht aussagekräftig ist – selbst das ist ein nützlicher Befund: Verwenden Sie kein Kontrollargument darauf, Zeit von Base zu unterscheiden.

Schritt 2: eine zweite Meinung von einer anderen Methode einholen

Ein einzelner Sensitivitätslauf ist die Meinung einer Methode. Die Bayes'sche Parameterwichtigkeit, berechnet aus der Optimierungs-Posterior statt aus elementaren Effekten, wies der Temperatur 0.97 der Gesamtwichtigkeit zu. Wenn zwei Methoden mit unterschiedlicher mathematischer Grundlage beim selben Faktor landen, ist das der Beleg, den Sie brauchen, bevor Sie „Temperatur ist der CPP" in eine Kontrollstrategie schreiben.

Wenn zwei Methoden nicht übereinstimmen, ist auch das aufschlussreich und deutet meist auf eine Modellfehlspezifikation hin oder auf einen Faktor, dessen Bereich in Ihren Daten zu eng ist, um die Antwort zu bewegen.

Schritt 3: die Interaktion finden, die das Ranking verbirgt

Ranking ist eine eindimensionale Sicht. covaopt_explainability berechnete Friedmans H-Statistik und deckte eine Katalysator-x-Base-Interaktion von 0.31 auf. Nach Morris mu* ist keiner der beiden Faktoren für sich wichtig, doch gemeinsam sind sie nicht unabhängig. One-Factor-at-a-Time-Screening kann das konstruktionsbedingt nicht sehen, und eine Haupteffekt-Tabelle hätte Ihnen geraten, beide zu ignorieren.

Praktisch heißt das: Wird der Katalysatorbereich erweitert, ändert sich der akzeptable Base-Bereich. Der nachgewiesene akzeptable Bereich des einen hängt vom anderen ab, und das gehört in die Design-Space-Beschreibung statt in zwei getrennte Bereiche.

Schritt 4: das tatsächlich vorhandene Rauschen fortpflanzen

Ranking zeigt, was wichtig ist. Es zeigt nicht, ob Ihre aktuelle Kontrolle gut genug ist. covaopt_robustness pflanzte die normale Betriebsvariation am empfohlenen Sollwert per Monte-Carlo über 2,000 Ziehungen durch die gefitteten Modelle fort und lieferte eine CQA-Ausfallwahrscheinlichkeit von 0.0.

Lesen Sie das genau. Null Ausfälle wurden in 2,000 Ziehungen beobachtet; das ist nicht dasselbe, als wäre ein Ausfall unmöglich. Die Rule of Three setzt die obere 95-%-Grenze bei etwa 3/2000, also rund 0.15 %. Und das ist bedingt durch die pro Faktor angenommene Rauschverteilung. Ist Ihre reale Temperaturkontrolle schlechter als angenommen, verschiebt sich die Zahl.

Was sich dadurch in der Kontrollstrategie ändert

Das Ergebnis dieses Workflows ist eine belastbare Zuordnung, kein Bericht:

1. Temperatur: als CPP klassifizieren, am engsten kontrollieren. Zwei unabhängige Methoden stimmen überein, mu* dominiert um das 5-Fache. Hier gehören die PAT-Sonde und die verschärfte Mantelkontrolle hin. 2. Katalysator und Base: als Paar kontrollieren. Die H-Statistik-0.31-Interaktion bedeutet, dass ihre Bereiche gekoppelt sind. Definieren Sie sie gemeinsam im Design Space, nicht als unabhängige PARs. 3. Zeit: überwachen, nicht überengineern. mu* 0.39, keine Interaktion festgestellt. Ein breiterer Betriebsbereich ist wahrscheinlich vertretbar, wenn Bestätigungsläufe das stützen.

Für Zwecke nach ICH Q8/Q11 ist das die Evidenz, auf der eine Kritikalitätsbewertung ruhen soll: globale Sensitivität über den gesamten Faktorraum plus quantifizierte Unsicherheit, statt eines Haupteffekt-Diagramms aus einem Screening-Design, abgelesen bei Nominalbedingungen.

Ehrliche Grenzen

• Sensitivität ist durch Ihre Faktorbereiche begrenzt. Morris mu* ist der Effekt *innerhalb des von Ihnen festgelegten Bereichs*. Wird der Temperaturbereich verengt, wirkt Temperatur nicht mehr kritisch. Sie war nie eine Eigenschaft des Parameters allein.
• Darunter liegt ein Surrogatmodell. Morris und Sobol auf einem gefitteten Modell erben dessen Fehler. In dieser Session erreichte das zugrunde liegende Ausbeutemodell ein kreuzvalidiertes Q² = 0.80 (Ridge Poly-2) und das Reinheitsmodell Q² = 0.72 (Random Forest) aus covaopt_train_models. Unterhalb von etwa Q² 0.5 lohnt es sich nicht, auf das Sensitivitäts-Ranking zu handeln.
• Korrelierte Faktoren brechen die Zuordnung. Wurden Temperatur und Zeit in Ihren historischen Daten gemeinsam variiert, kann keine Methode sie sauber trennen. Geplante Experimente können das; historische Chargenaufzeichnungen oft nicht.
• Nicht gemessene Faktoren erscheinen nicht. Rohstoffcharge, Luftfeuchtigkeit, Bediener und Anlagenzug sind unsichtbar, wenn sie keine Spalten im Datensatz sind. Ein Faktor-Ranking sagt nichts darüber, was Sie nicht erfasst haben.
• Eine Ausfallwahrscheinlichkeit von 0.0 ist ein Simulationsergebnis. Es ist kein validierter Fähigkeitsnachweis und kein Ersatz für Bestätigungsläufe an den Rändern des vorgeschlagenen Bereichs.
• Das sind 30 Läufe. Das Ranking zwischen Zeit, Base und Katalysator (0.39 / 0.34 / 0.27) liegt innerhalb des bei diesem n zu erwartenden Rauschens. Behandeln Sie die Spitze der Liste als Befund, nicht die Reihenfolge im Rest der Liste.
• CovaSyn ist Entscheidungsunterstützung und Triage. Es zeigt, wo experimenteller Aufwand sich lohnt. Es ersetzt keine validierte Laborbestätigung und erzeugt keine Einreichung.

Häufige Fragen

Weiterführende Artikel

• ICH Q8 Design Space: NOR und PAR erklärt
• Cpk vs Ppk: unter Kontrolle ist nicht dasselbe wie fähig
• Vergleich von Screening-Designs: Fractional Factorial, Plackett-Burman, DSD
• Definitive Screening Designs erklärt

Führen Sie dieselbe Morris-, Interaktions- und Monte-Carlo-Analyse auf Ihrem eigenen Datensatz in der kostenlosen CovaSyn-Stufe aus und sehen Sie, welcher Parameter vorn liegt.