INTRAL

Interpretable and Interactive Transfer Learning in Process Analytical Technology

Ausgangssituation, Problemstellung und Motivation

Prozess Analytische Technologien (PAT) bilden die Grundlage für die Gewährleistung einer sicheren, effizienten und Ressourcen schonenden Produktion (bio-basierter) pharmazeutischer Erzeugnisse und sind maßgeblicher Bestandteil von Industrie 4.0. Herzstück zur Realisierung von industriellen PAT Lösungen bilden daten-getriebene Modelle, sei es bei der Kalibrierung photonischer Sensoren zur Prozessüberwachung, der Erstellung digitaler Prozessmodelle oder der Etablierung intelligenter Regelungssysteme.

Zum einen ist der Ressourcen Aufwand bei der Erhebung der benötigten Daten für die Erstellung solcher Modelle in der Regel beträchtlich, zum anderen haben diese einen oft sehr kurzen Lebenszyklus. Der Tausch einer Messsonde oder eines Bioreaktors oder die Umstellung auf einen genetisch leicht modifizierten Organismus bei der Prozess Entwicklung erfordert meistens die Erstellung neuer (Prozess-) Modelle. Dies hat zur Folge, dass das volle Potential von PAT in der (bio-) pharmazeutischen und verwandten Industrien bis dato kaum ausgeschöpft wird. Transfer Learning (TL) Ansätze bergen das Potential, den Ressourcen Aufwand bei der Entwicklung, Instandhaltung und Anpassung daten-getriebener Modelle an neue Gegebenheiten dramatisch zu reduzieren, indem (historische) Daten aus ähnlichen Domänen, im Vergleich zu herkömmlichen Modellierungsansätzen, besser nutzbar gemacht werden können. State-of-the-art TL Ansätze basieren jedoch auf nicht interpretierbaren "black-box" Modellen und bieten kaum Möglichkeiten, Experten-Wissen einzubetten, was deren Einsatz in stark regulierten Bereichen wie der (bio-) pharmazeutischen Industrie erschwert.

Ziele und Innovationsgrad

INTRAL verfolgt das Ziel, Transfer Learning Verfahren für PAT Anwendungen im (bio-) pharmazeutischen Bereich zu entwickeln bzw. zu etablieren. Gegenüber dem Stand der Technik werden neuartige, interpretierbare TL Algorithmen für die Modellinstandhaltung entwickelt, die es ermöglichen sollen Experten-Wissen zu integrieren.
Ein Fokus liegt hierbei insbesondere auf der effizienten Nutzung von Daten und der Kombinationen von verschiedenen Modellbildungsverfahren (Hybride Modellierung).

Erwartete Ergebnisse

Das Hauptergebnis des Projekts wird ein Software-Framework sein, das Algorithmen, Workflows und Schnittstellen für die Erstellung, Interpretation und Validierung von TL Modellen für PAT Anwendungen bündelt.

Projektdaten

Projektdauer: 01.05.2021 - 30.04.2024

Budget: 932.151€ Gesamtprojektkosten und 674.504€ Förderungsbetrag

Fördergeber: Produktion der Zukunft, Produktion der Zukunft, 36. AS PdZ - Nationale Projekte 2020 (GP)

Projekt Homepage: https://projekte.ffg.at/projekt/3978628

Projektpartner:

  • Institut für Verfahrenstechnik, Umwelttechnik und technische Biowissenschaften, TU Wien, Forschungsgruppe: Bioprozess Technologie (Projektkoordinator)
  • Software Competence Center Hagenberg (SCCH)
  • Sandoz GmbH (part of Novartis)
  • Baxalta Innovations Gmbh (part of Takeda)

Nikzad-Langerodi Ramin

Senior Researcher Data Science
Telefon: +43 50 343 853