یک ترک کوچک روی یک تبلت، یا یک حباب هوا تقریبا نامرئی روی سطح یک کپسول، میتواند کل دسته محصولات را غیرقابل استفاده کند و باعث فراخوانی پرهزینه بازار شود و در بدترین حالت حتی ایمنی بیمار را به خطر بیندازد.
طبق گزارشهای مربوطه FDA، آلودگی و نقایص بینایی به طور مداوم در میان شایعترین علل فراخوانهای دارویی قرار گرفتهاند که بخش قابل توجهی از چنین حوادثی را تشکیل میدهند. همزمان، بازار جهانی سیستمهای بازرسی قرصها و کپسولها همچنان در حال گسترش است، زیرا تعداد فزایندهای از شرکتهای داروسازی ارزش بازرسی 100% درون خطی را تشخیص میدهند.
با این حال، در عمل، بسیاری از تولیدکنندگان دارو هنوز به بازرسی بصری دستی یا سیستمهای بینایی دو بعدی قدیمی متکی هستند. بازرسان انسانی مستعد خستگی هستند و قضاوت آنها ذاتاً ذهنی است. برعکس، تجهیزات سنتی از نرخهای رد{2} کاذب بالا رنج میبرند و تلاش میکنند تا همگام با خواستههای خطوط تولید-سرعت بالا باشند.
این مقاله شما را به بررسی پنج چالش فنی اصلی ذاتی در بازرسی درون خطی تبلت ها و کپسول ها می برد و نشان می دهد که چگونه سیستم های بازرسی بینایی با هوش مصنوعی مدرن{0}}به طور موثر به هر یک از آنها رسیدگی می کنند.
چالش 1: تشخیص ترکهای میکرو-و عیوب سطحی ظریف
عیوب روی تبلتها-مانند درپوش، لایهگذاری، برادهشدن، یا بریدگی لبهها-و مشکلات روی سطوح کپسول مانند حبابها، سوراخهای سوزنی، یا-تغییر شکل پوسته نرم-اغلب کوچکتر از 50 میکرون هستند. در خطوط تولید با سرعت-بالا، این عیوب تقریباً برای چشم انسان نامرئی هستند و سیستمهای بینایی دوبعدی سنتی اغلب آنها را به اشتباه تشخیص میدهند یا نادیده میگیرند.
جالب توجه است، طبق مطالعه ای که در Springer منتشر شده است، نقص ظاهری ظاهری علت اصلی فراخوان های دارویی است که 36.8٪ را شامل می شود. به عبارت دیگر، تقریباً یک مورد از هر سه فراخوان به دلیل "نادرست به نظر رسیدن" محصول است. اگر یک قرص ترک خورده به بیمار برسد، این فقط یک مشکل زیبایی نیست. کارایی ممکن است به خطر بیفتد (به عنوان مثال، از طریق تخریب مواد فعال)، و خطر دوز نادرست به طور قابل توجهی افزایش می یابد.
راه حل
قابل اعتمادترین رویکرد امروزی شامل سیستمهای بازرسی بینایی مبتنی بر هوش مصنوعی است که با وضوح تصویر بالا، 360-درجه و الگوریتمهای یادگیری عمیق همراه هستند. برخلاف بینایی ماشین مبتنی بر قوانین سنتی، شبکههای عصبی را میتوان بر روی هزاران تصویر عیب در دنیای واقعی آموزش داد تا بین «تغییرات فرآیند قابل قبول» و «نقایص ساختاری واقعی» تمایز قائل شوند.
سیستم های پیشرفته تر حتی حسگر عمق سه بعدی را ادغام می کنند و به دقت تشخیص 10 تا 20 میکرون دست می یابند. این سیستم ها به طور مداوم شناسایی می کنند:
- ترکهای میکرو-و شکستگیهای خط مو.
- بی نظمی پوشش (تغییر ضخامت، لکه بینی).
- شکافتن درز کپسول و سوراخ شدن سطح.
- اشیاء خارجی کوچک یا فرورفتگی های تعبیه شده در سطح تبلت.
این برای خط تولید شما چه معنایی دارد؟ این بدان معنی است که این عیوب میکروسکوپی را قبل از رسیدن به مرحله بسته بندی تشخیص دهید. برای محصولات پرخطر مانند قرصهای انتشار پایدار-، این سطح از دقت مستقیماً با ایمنی بیمار مرتبط است.
چالش 2: نرخ رد کاذب بالا که منجر به زیان تولید می شود
بسیاری از سیستم های بینایی سنتی بیش از حد حساس هستند. آنها اغلب قرصها یا کپسولهایی را با دستهای-به-تغییرهای دستهای معمولی-مثل تغییر رنگهای جزئی، بافتهای طبیعی سطح، یا حبابهای هوای ریز-به عنوان نقص علامتگذاری میکنند. نتیجه یک نرخ رد کاذب بالا (FRR) است.
در یک خط تولید با سرعت بالا که 500000 تبلت در ساعت تولید میشود، حتی نرخ رد کاذب 1% به این معنی است که 5000 محصول کاملاً خوب در هر ساعت دور ریخته میشوند. در طی یک عملیات سه شیفتی، هزینه سالانه APIهای هدر رفته (مواد تشکیل دهنده فعال دارویی)، مواد کمکی و مواد بسته بندی سرسام آور است.
راه حل: سیستم های یادگیری عمیق هوشمند
رویکرد مدرن "هوشمندتر" شامل بازرسی مبتنی بر یادگیری عمیق-است. برخلاف روشهای سنتی سفت و سخت، این مدلها ابتدا یاد میگیرند که یک محصول «عادی» چگونه به نظر میرسد. با آموزش هوش مصنوعی بر روی مجموعه داده وسیعی از محصولات منطبق (شامل آنهایی که دارای تغییرات قابل قبول هستند)، این سیستم یک "پوشه تحمل" آماری ایجاد می کند. سپس فقط مواردی را رد میکند که واقعاً خارج از این پاکت قرار دارند-به جای ناهنجاریهای بیضرر.
علاوه بر این، سیستم های امروزی دارای قابلیت های یادگیری تطبیقی هستند. هنگام تغییر به شکل تبلت جدید یا رنگ کپسول متفاوت، تقریباً نیازی به کالیبراسیون مجدد نیست. در مقایسه با ماشین بینایی سنتی، زمان تغییر را می توان تا 70٪ کاهش داد.
دستاوردهای واقعی{0}جهانی
مطالعات موردی در صنعت نشان میدهد که تغییر از بینایی سنتی به بازرسی مبتنی بر هوش مصنوعی میتواند نرخ رد کاذب را از 2 تا 5 درصد به زیر 0.2 درصد کاهش دهد. هنگامی که اثربخشی کلی تجهیزات (OEE) شما بالا می رود و بهای تمام شده کالاهای فروخته شده (COGS) شما کاهش می یابد، شما به دنبال پیشرفت های قابل توجه و ملموس در قیمت نهایی خود هستید.
چالش 3:-یکپارچه سازی خط با سرعت بالا و رد زمان واقعی-
بسیاری از خطوط تولید داروسازی مدرن اکنون با سرعت بیش از 10000 قرص در دقیقه کار می کنند-به عنوان مثال، پرس های چرخشی که مستقیماً به خطوط بسته بندی تاول متصل می شوند. با چنین سرعتی، اگر یک سیستم بازرسی نتواند پردازش تصویر را کامل کند و در یک بازه زمانی میلی ثانیه ای رد را ایجاد کند، به جای کمک، به یک مانع تبدیل می شود.
حتی مشکلسازتر این واقعیت است که بسیاری از تولیدکنندگان همچنان به روش قدیمی "نمونهبرداری پایان-خط-متکی هستند." این معمولاً شامل بازرسی تنها یک بخش کوچک (اغلب کمتر از 1٪) از نمونهها از هر دسته است. در نتیجه، نقصهای متناوب که در فواصل بین نقاط نمونهبرداری رخ میدهند، تقریباً همیشه به طور کامل از دست میروند. در حلقه های تضمین کیفیت، این به طور گسترده به عنوان یک "نقطه کور" قابل توجه شناخته می شود.
پس راه حل چیست؟ رویکرد واقعاً مؤثر یک سیستم بازرسی بصری 100٪ خطی است که مستقیماً در جریان کار تولید یکپارچه شده است. چنین سیستمی معمولاً شامل اجزای کلیدی زیر است:
- دوربینهای شاتر جهانی با سرعت بالا-که قادر به نرخ فریم بیش از 2000 فریم در ثانیه هستند.
- یک موتور بینایی هوش مصنوعی که قادر به استنتاج در چند میلی ثانیه است.
- مکانیزمهای رد مبتنی بر پنوماتیک یا خلاء{0}} که میتوانند محصولات معیوب را بدون توقف خط تولید خارج کنند.
این سیستم در هماهنگی کامل با خط تولید در حال اجرا با سرعت کامل عمل می کند و به جای نمونه برداری صرف، امکان بازرسی 100٪ جامع را فراهم می کند. به محض تشخیص نقص، مکانیسم رد ظرف دهها میلیثانیه فعال میشود تا قرص یا کپسول معیوب را به یک ظرف زباله ایمن و قفل شده خارج کند.
در مورد یکپارچهسازی: یک سیستم قوی باید از پروتکلهایی مانند OPC-UA یا MQTT نیز پشتیبانی کند، که رابط یکپارچه با پلتفرمهای MES، SCADA یا QMS شما را ممکن میسازد. داشبورد-زمان واقعی نرخهای نقص را بر اساس نوع نقص دستهبندی میکند و به اپراتورها امکان میدهد فوراً مکانهایی را که فرآیندهای بالادستی از مشخصات منحرف میشوند شناسایی کرده و اقدامات اصلاحی فوری انجام دهند. این کنترل کیفیت حلقه بسته واقعی است.
چالش 4: انطباق با مقررات و یکپارچگی داده ها
نهادهای نظارتی در حال حاضر استانداردهای یکپارچگی داده ها را با دقت فزاینده اعمال می کنند. مقرراتی مانند FDA's 21 CFR Part 11، EU GMP Annex 1 و USP<1790>صراحتاً اجباری کنید که سوابق بازرسی شما باید قابل اعتماد و اثبات شده باشد-.
با این حال، بسیاری از تولیدکنندگان هنوز به روشهای قدیمی-مانند گزارشهای دستنویس یا صفحات گسترده اکسل{1}}برای ثبت دادهها متکی هستند. صادقانه بگویم، این رویکردها با اصول ALCOA+ بسیار فاصله دارند. ALCOA + چیست؟ تصریح میکند که دادهها باید قابل انتساب، خوانا، همزمان، اصلی و دقیق-بهعلاوه کامل، سازگار، ماندگار و در دسترس باشند. سوابق دستنویس و صفحات گسترده اکسل مملو از آسیبپذیریها در این ابعاد مهم هستند.
این را در نظر بگیرید: هنگامی که FDA برای ممیزی وارد می شود، اگر نتوانید برای هر دسته، سوابق بازرسی دارای مهر زمانی و دستکاری شده را تولید کنید، احتمالاً یک مشاهده فرم 483-یا در موارد شدید، یک هشدار مستقیم دریافت خواهید کرد. این صرفاً ترسناک نیست. این یک واقعیت است.
بنابراین، چگونه این را حل می کنید؟ با انتخاب یک سیستم بازرسی بصری که از ابتدا برای برآوردن الزامات cGMP طراحی شده است. ویژگی های کلیدی باید حداقل شامل موارد زیر باشد:
- امضاهای الکترونیکی و مدیریت نقش کاربر (اطمینان از اینکه مدیران، سرپرستان و اپراتورها هر کدام وظایف خاص خود را انجام می دهند).
- مسیرهای حسابرسی-هر عملیات، خواه شامل تنظیم پارامترها، انجام کالیبراسیون، یا شروع/پایان دادن یک دسته باشد، باید با برچسب زمانی و شناسه کاربر برچسب گذاری شود، تا مشخص شود چه کسی چه کاری و چه زمانی انجام داده است.
- ذخیرهسازی ایمن تصویر{0}}تصاویر همه محصولات رد شده در قالب «یک بار بنویسید، خیلی بخوان» (WORM) ذخیره میشود و اطمینان حاصل میکند که هیچکس نمیتواند آنها را بهطور ماسبق تغییر دهد.
- تولید گزارش دستهای خودکار، با قابلیت صادرات دادهها در قالبهای PDF یا CSV برای ارسال مستقیم به مقامات نظارتی.
یک سیستم سازگار، خط بازرسی شما را به حالت "آماده حسابرسی" تبدیل می کند. هنگامی که یک بازرس میپرسد، "لطفا دادهها را برای دسته #22034 جمعآوری کنید"، میتوانید آنها را در همان لحظه{3}}یک رکورد کامل حاوی تصاویر نقص، مهرهای زمانی رد و معیارهای رد خاص اعمال شده در آن زمان-در محل بازیابی کنید.
علاوه بر این، این فراتر از برآورده کردن الزامات حسابرسی صرف است. این سوابق دیجیتالی همچنین از تأیید فرآیند پیوسته (CPV){1} پشتیبانی میکنند که یک الزام کلیدی در دستورالعملهای ICH Q8 تا Q10 است. با تجزیه و تحلیل روند نقص، میتوانید در اوایل مراحل بالادستی را تشخیص دهید-بهعنوان مثال، اگر پانچ پرس تبلت شروع به نشان دادن علائم فرسودگی کند{6}}به شما امکان میدهد قبل از اینکه مشکل به یک انحراف بزرگ تبدیل شود، اقدام اصلاحی انجام دهید. این ارزش واقعی است.
چالش 5: تشخیص اشیاء خارجی و آلودگی
وجود اجسام خارجی در قرص ها یا کپسول ها سناریویی است که هیچ کس دوست ندارد با آن روبرو شود. ذرات فلز، خردههای شیشه، قطعات درپوش لاستیکی، لکههای سیاه (معمولاً توسط روانکنندههای کربنیزه ایجاد میشوند) و الیاف سرگردان-این عناصر مستقیماً بر ایمنی بیمار تأثیر میگذارند. اگر اجسام خارجی فلزی در اشکال خوراکی جامد جاسازی شوند و متعاقباً بلعیده شوند، می توانند باعث آسیب فیزیکی داخلی شوند. علاوه بر این، ظاهر مکرر لکه های سیاه اغلب نشان دهنده ساییدگی تجهیزات یا مشکلات مربوط به کنترل های محیطی است.
مشکل این است که دوربینهای نور مرئی{0}معمولی محدودیتهای خود را دارند. آنها به طور کامل قادر به شناسایی آلاینده های تعبیه شده در عمق یک قرص یا کپسول نیستند و ممکن است در شناسایی ذرات-کم کنتراست یا اجسام خارجی نیمه شفاف موجود در سطح تلاش کنند.
پس راه حل چیست؟ قابل اعتمادترین رویکرد فعلی شامل ادغام فناوری بینایی چند طیفی{0}}ترکیب چندین تکنیک متمایز است:
-دوربینهای رنگی با وضوح بالا-عمدتاً روی آلایندههای سطحی مانند الیاف، تکههای حشرات یا لکههای تغییر رنگ متمرکز میشوند.
تصویربرداری فراطیفی یا نزدیک-مادون قرمز (NIR)-برای تشخیص آلودگی شیمیایی استفاده میشود، که تمایز بین ماده فعال دارویی (API) و مواد آلی خارجی را ممکن میسازد. طیفسنجی NIR «اثرانگشت طیفی» منحصربهفرد نمونه را میگیرد، که سپس با استفاده از مدلهای شیمیسنجی داخلی-برای دستیابی به تجزیه و تحلیل ترکیبی غیرمخرب و شناسایی جسم خارجی به سرعت تجزیه و تحلیل میشود. برخی از سیستمهای تشخیص NIR حتی میتوانند یک بازرسی داخلی جامع از هر تبلت انجام دهند و به طور موثر خطرات آلودگی متقابل و گنجاندن اشیاء خارجی را کاهش دهند.
-بازرسی اشعه ایکس درون خطی (اختیاری)-بهطور خاص برای شناسایی آلایندههای با چگالی بالا، مانند فلزات، شیشه، و قطعات استخوانی کلسیفیه طراحی شده است. آخرین نسل از تجهیزات بازرسی اشعه ایکس{4}میتواند ذرات فلزی یا شیشهای به قطر 0.1 میلیمتر{6}}اشیایی را که با چشم غیرمسلح کاملاً نامرئی هستند در خط تولید-سرعت بالا شناسایی کند. علاوه بر این، فناوری اشعه X میتواند در طیف گستردهای از مواد{10}از جمله فلزات، شیشه،{11}}پلاستیکهای با چگالی بالا و لاستیک نفوذ کند که قابلیتهای تشخیص جامع را ارائه میدهد.
علاوه بر این، مدلهای هوش مصنوعی میتوانند انواع آلایندهها را در زمان واقعی- طبقهبندی کنند و حتی دلایل ریشهای بالقوه را پیشنهاد کنند. به عنوان مثال، سیستم ممکن است هشداری مانند: "تشخیص قطعات فلزی-منبع احتمالی: سایش غربال در حین دانه بندی." چنین اطلاعات عملی به تیم ها این امکان را می دهد که به سرعت موضوع را مشخص کرده و اقدامات اصلاحی مناسب را اجرا کنند.
حالا بیایید به نتایج عملی نگاه کنیم. مطالعات موردی صنعت نشان میدهد که پس از استقرار یک تولیدکننده عمده داروهای ژنریک اروپایی، یک سیستم بازرسی چندطیفی مبتنی بر هوش مصنوعی-یکپارچه با-تکنولوژی اشعه ایکس-، شکایات مربوط به آلودگی مواد خارجی به میزان قابلتوجهی کاهش یافت. با جلوگیری از فراخوان یک محصول عمده، سیستم سرمایه گذاری اولیه خود را در یک بازه زمانی نسبتاً کوتاه (طبق گزارش صنعت 2024) جبران کرد.
قابل ذکر است، استفاده از این فناوری ها نیز به طور محکم در چارچوب های نظارتی استوار است. دستورالعمل ICH Q3D محدودیتهای خاصی برای قرار گرفتن در معرض مجاز روزانه (PDE) برای ناخالصیهای عنصری (مانند کادمیوم، جیوه و سرب) در فرمهای دوز جامد خوراکی ایجاد میکند و تولیدکنندگان را موظف میکند که ارزیابیهای دقیق خطر را انجام دهند و اقدامات کنترلی مناسب را اجرا کنند. در نتیجه، اتخاذ سیستم های بازرسی چند طیفی نه تنها به عنوان وسیله ای برای اطمینان از کیفیت محصول، بلکه به عنوان یک نیاز ذاتی برای انطباق با مقررات عمل می کند.
آیا برای مقابله با چالش های بازرسی تبلت و کپسول آماده اید؟
هر خط تولید منحصر به فرد است-و در ترکیب محصول، سرعت تولید، انواع نقص و بازارهای نظارتی هدف متفاوت است. به همین دلیل است که ما{2}}خود را سفارشی می کنیمتجهیزات بازرسی بصری قرص و کپسولتا دقیقاً با نیازهای خاص شما مطابقت داشته باشد و به شما در افزایش کیفیت و کارایی کمک کند.
امروز با ما تماس بگیریدبرای یک مشاوره حرفه ای رایگان و باز کردن راه حل های بازرسی هوشمندتر و کارآمدتر.