QbD-Prozessentwicklung: Screening, RSM und ML in einem Durchlauf

Die meisten Prozessentwicklungen laufen als drei getrennte Übungen ab. Jemand screent Faktoren in einer Tabelle, jemand anderes passt Monate später eine Response Surface an, und ein Data Scientist trainiert ein Modell auf den Zeilen, die überlebt haben. Niemand prüft, ob die drei übereinstimmen. Dieser Artikel führt eine Pd-Kreuzkupplung durch alle drei Stufen auf einem einzigen 29-Lauf-Datensatz und zeigt, was die Übereinstimmung zwischen ihnen wert ist.

Der Workflow in einem Satz

Screenen, um herauszufinden, was zählt. Die Überlebenden modellieren, um das Optimum zu finden. Dann den gesamten Datensatz ein zweites Mal mit einer anderen Methode modellieren, um zu sehen, ob die Antwort standhält.

Die drei Stufen sind nicht redundant. Screening ist günstig und beantwortet eine Rangfolge-Frage. Response-Surface-Modellierung ist pro Faktor teuer und beantwortet eine Lage-Frage. Ein kreuzvalidiertes Machine-Learning-Modell beantwortet eine Robustheits-Frage: Übersteht das Optimum eine Methode, die keine der polynomialen Annahmen der RSM trifft?

Gesamter experimenteller Aufwand im folgenden Beispiel: 29 Läufe. Das ist die ganze Geschichte von „wir haben vier Kandidatenfaktoren" bis „hier ist eine Kontrollstrategie mit verschachteltem NOR und PAR".

Stufe 1: screenen, und das Design entscheiden lassen, wann Schluss ist

Vier Kandidatenfaktoren: Temperatur, Katalysatorbeladung, Reaktionszeit, Base-Äquivalente. Ein 11-Lauf-Screening-Design, erstellt mit covadoe_create_design und linear angepasst mit covadoe_fit_rsm.

Die Quadratsummen der Haupteffekte kamen wie folgt zurück:

Base-Äquivalente tragen 0,05 bei gegenüber einem Temperatureffekt von 32,6 - rund drei Größenordnungen weniger. Dieser Faktor treibt die Ausbeute innerhalb der getesteten Bereiche nicht. Streichen Sie ihn, und Sie haben ein Vier-Faktor-Problem auf drei reduziert, bevor Sie auch nur einen Lauf für eine Response Surface investiert haben. Genau daher kommt die tatsächliche Ersparnis beim DoE: nicht aus dem Screening selbst, sondern daraus, was Ihnen das Screening als Nächstes erspart.

Der zweite Output zählt mehr als die Rangfolge. Der Lack-of-Fit-Test schlug an bei p = 0,00027. Das lineare Modell kann diese Daten nicht beschreiben. Die Zentrumspunkte liegen deutlich über der Ebene durch die Eckpunkte - das klassische Signal für Krümmung: Irgendwo zwischen den Eckeinstellungen liegt ein inneres Maximum.

Das ist eine Entscheidung, kein Diagramm. Ein signifikanter Lack-of-Fit in der Screening-Stufe bedeutet: mit dem Screening aufhören. Mehr lineare Läufe helfen nicht weiter. Quadratisch werden.

Stufe 2: Response Surface auf den Überlebenden

Drei Faktoren, ein 18-Lauf-Central-Composite-Design, quadratische Anpassung über covadoe_fit_rsm: R-Quadrat 0,922, alle quadratischen Terme signifikant und negativ.

Negative quadratische Terme bei jedem Faktor sind die Voraussetzung für ein echtes inneres Maximum statt eines Randoptimums. Wäre ein quadratischer Term positiv oder nicht signifikant zurückgekommen, wäre die Fläche ein Grat oder eine Ebene, und das „Optimum" wäre nur die Ecke Ihres Versuchsraums.

covadoe_find_optimum lokalisierte den stationären Punkt:

• 84,7 °C, 1,39 mol% Katalysator, 11,1 h
• Vorhergesagte Ausbeute 93,63 %, 95-%-Konfidenzintervall 92,98 bis 94,28 %

Zitieren Sie dieses Intervall, wenn jemand fragt, wie sicher Sie sich sind. Es sind rund plus/minus 0,65 Prozentpunkte auf die mittlere Antwort - eng genug, um eine Kontrollstrategie darauf aufzubauen, und weit genug, dass Sie nicht über die dritte Nachkommastelle streiten sollten.

covadoe_design_space legte anschließend einen PAR um das Optimum bei einem Akzeptanzkriterium von Ausbeute >= 92 %. Das ist der Bereich, den Sie in eine ICH-Q8-Design-Space-Diskussion mitnehmen würden.

Aufwand bisher: 11 + 18 = 29 Läufe, und Sie haben ein vertretbares Optimum mit einem Intervall darauf.

Stufe 3: eine zweite Meinung von einer anderen Methode

Jetzt fließen alle 29 Läufe, Screening und CCD zusammen, in covaopt_train_models. Das Tool passt mehrere Modellfamilien mit Kreuzvalidierung an und wählt anhand der Out-of-Fold-Performance aus - das ist nicht dieselbe Mathematik wie die RSM, und es setzt keine quadratische Form voraus.

Ergebnisse:

Zwei Dinge sind aus dieser Tabelle mitzunehmen. Erstens: Ausbeute mit Q-Quadrat 0,89 ist ein Modell, gegen das Sie optimieren können. Zweitens: Reinheit mit 0,53 ist es nicht, und das Tool sagt das, statt Ihnen eine Zahl zum Steuern in die Hand zu drücken. In diesem Datensatz liegt die Reinheit nahe ihrer Obergrenze mit sehr wenig Varianz, sodass für ein Modell fast nichts zu lernen bleibt. Eine Antwortgröße nahe der Obergrenze mit geringer Varianz ist ein häufiger und ehrlicher Grund für ein schwaches Modell. Die richtige Konsequenz ist, Reinheit als überwachtes Attribut zu behalten und nicht in die Zielfunktion aufzunehmen.

Drei Prüfungen am Ausbeute-Modell:

1. Die Faktor-Rangfolge reproduziert das Screening. Die ML-Feature-Importance setzte Temperatur auf 0,61, vor Katalysatorbeladung, vor Zeit. Dieselbe Reihenfolge wie die Quadratsummen aus dem Screening, aus einem völlig anderen Schätzer. 2. Das Optimum reproduziert die RSM. Der ML-Sollwert landete bei 85,2 °C, 1,40 mol%, 10,9 h mit einer vorhergesagten Ausbeute von 93,4 %, gegenüber dem RSM-Optimum von 84,7 °C / 1,39 mol% / 11,1 h mit 93,63 %. Ein halbes Grad, 0,01 mol%, 0,2 h Abstand. 3. Die Bereiche verschachteln sich. covaopt_design_space lieferte einen NOR und PAR, die innerhalb des RSM-Design-Space liegen, statt über dessen Rand zu ragen. Eine Kontrollstrategie, bei der das modellbasierte Betriebsband der RSM-Band widerspricht, ist eine Strategie, die Sie zweimal verteidigen müssen.

covaopt_process_capability führte anschließend die SPC-Sicht auf denselben Daten aus: Der Prozess ist statistisch unter Kontrolle mit 0,0 % Out-of-Spec-Punkten. Beachten Sie, was das ist und was nicht: Das ist ein Regelkarten-Beleg, kein Fähigkeitsindex. Dieser Lauf lieferte keinen numerischen Cpk, weil ihm keine Spezifikationsgrenzen übergeben wurden, und wir zitieren keinen, der nicht berechnet wurde.

Warum die Übereinstimmung das eigentliche Ergebnis ist

Drei Methoden, ein Datensatz, eine Antwort:

Hätten das RSM-Optimum und das ML-Optimum um zehn Grad auseinandergelegen, hätten Sie etwas Wichtiges gelernt: entweder ist die quadratische Form falsch, oder das ML-Modell passt sich an Rauschen an, oder es steckt Struktur in den Daten, die einer der beiden übersieht. Uneinigkeit zwischen Methoden ist eine Diagnose. Übereinstimmung ist das Nächste, was Sie an interner Validierung bekommen, ohne weitere Läufe zu investieren.

Was dieser Workflow nicht verrät

• Das ist keine Bestätigung. Alle drei Stufen lesen dieselben 29 Experimente. Übereinstimmung schließt Methodenartefakte aus; sie schließt keinen systematischen Fehler in den Daten selbst aus. Sie fahren trotzdem Bestätigungschargen beim vorgeschlagenen Sollwert.
• Er extrapoliert nicht. Jeder genannte Bereich liegt innerhalb der experimentellen Hülle. Das Modell sagt nichts Vertretbares über 120 °C, wenn Sie nie über 100 °C gefahren sind.
• Reinheit ist hier nicht modelliert. Q-Quadrat 0,53 bedeutet, dass die Reinheitsfläche nicht charakterisiert ist. Ist Reinheit ein CQA, braucht sie eine eigene Studie mit Läufen, die sie tatsächlich bewegen.
• Kein Fähigkeitsindex. 0,0 % Out-of-Spec ist SPC-Evidenz für Kontrolle. Das ist keine Cpk- oder Ppk-Aussage und kein Validierungsergebnis.
• Dieser Datensatz ist repräsentativ. Die Pd-Kupplungs-Eingaben sind illustrativ und keine konkrete Kundenkampagne. Jede oben genannte Kennzahl - Quadratsummen, Lack-of-Fit-p-Wert, R-Quadrat, Q-Quadrat, Optima und Intervalle - ist eine echte Tool-Berechnung auf diesen Daten, keine in eine Folie geschriebene Schätzung.

Häufige Fragen

Weiterführende Artikel

• Design Space, NOR und PAR: ICH Q8 erklärt
• Screening-Design-Vergleich: fraktioniert-faktoriell, Plackett-Burman, DSD
• Central Composite vs. Box-Behnken Designs
• Prozessfähigkeit: Cpk und Ppk in der Pharmaindustrie

Lassen Sie Ihre eigene Kette von Screening bis Design Space in der kostenlosen Stufe laufen und prüfen Sie, ob Ihre drei Methoden übereinstimmen.