Ce que le dossier économique doit démontrer
Une demande d’analyseur en ligne dans l’industrie agroalimentaire et de l’alimentation animale ou dans la production chimique et pharmaceutique entre en concurrence avec d’autres projets d’investissement et exige des chiffres propres à l’usine. Le guide de la FDA sur la technologie analytique des procédés (PAT) énumère les sources probables de gains — temps de cycle raccourcis grâce à la mesure et au contrôle on-line, in-line ou at-line, moins de rejets, moins de rebuts et de retraitements, libération en temps réel, davantage d’automatisation et moins d’erreurs humaines, meilleure utilisation de l’énergie et des matières, capacité accrue — et précise explicitement que ces gains varient selon le procédé et le produit [1]. Un dossier économique est donc un calcul sur vos propres données, levier par levier. L’origine des coûts de la routine de laboratoire actuelle est examinée dans un article distinct consacré aux coûts cachés du contrôle qualité en laboratoire.
Premier levier : variabilité, fixation de la cible et surdosage
Le levier le plus important est généralement l’écart entre la cible du procédé et sa limite de spécification. Commencez par une étude de capabilité sur les données historiques : les indices Cp, CPU, CPL et Cpk relient la dispersion et le centrage du procédé à ses tolérances et s’utilisent aussi avec des limites unilatérales, comme un minimum de protéine ou un maximum d’humidité [2][3]. Hunter et Kartha ont montré que plus la cible est placée du côté sûr, moins il y a d’unités hors limite, mais plus le coût du surdosage est élevé, la cible la plus rentable dépendant de la variabilité du procédé [4] ; Golhar a proposé une expression linéaire simple de la moyenne optimale lorsque les unités en sous-poids doivent être retraitées [5]. Pour les produits préemballés, la réglementation fixe une partie du problème : la directive 76/211/CEE exige que le contenu moyen ne soit pas inférieur à la quantité nominale et limite la proportion d’emballages situés en dessous de l’erreur négative tolérée, de sorte que la cible qu’un conditionneur doit viser dépend de son écart-type [6].
La méthode en découle directement. Estimez la moyenne et l’écart-type actuels de l’attribut critique à partir de vos propres enregistrements, calculez la cible qu’exige votre dispersion actuelle, puis refaites le calcul avec la dispersion attendue sous une mesure et un contrôle plus serrés ; la valeur est la différence de cible multipliée par le débit et par le coût du constituant ou de l’énergie concernés. Deux corrections garantissent l’honnêteté du calcul. D’abord, la variance observée est la somme de la variance du procédé et de celle du système de mesure (appareil de mesure) ; une étude de capabilité du système de mesure portant sur l’analyseur lui-même fait donc partie du calcul [3]. Ensuite, une mesure plus rapide ne réduit la variabilité que si quelqu’un ou quelque chose agit en conséquence ; la valeur provient de la surveillance et du contrôle du procédé, dont l’analyseur n’est qu’un élément [7].
Les autres leviers, chiffrés de la même manière
Chacun des leviers restants de la liste de la FDA correspond à un enregistrement que l’usine tient déjà [1]. Rejets et retraitements : comptez les lots non conformes sur une période représentative, avec leur coût de traitement, et estimez lesquels un résultat plus précoce aurait permis de corriger. Délai de libération : mesurez combien de temps le produit attend un résultat de laboratoire et ce que coûte cette attente. Charge du laboratoire : listez les échantillons de routine par poste que l’analyseur pourrait prendre en charge, tout en conservant les analyses de référence nécessaires pour construire et vérifier l’étalonnage [8]. Énergie : lorsqu’une étape de séchage ou d’évaporation est conduite vers une cible d’humidité prudente, les modèles de fixation de la cible développés pour les quantités de remplissage [4][5] peuvent être adaptés à la spécification d’humidité. Les usages plus larges des données de procédé, comme le diagnostic de défauts [7], sont plus difficiles à valoriser ; mieux vaut les énumérer que les chiffrer.
Le côté des coûts
Au-delà du prix d’achat, les principaux postes sont l’interface d’échantillonnage et l’installation, l’intégration au système de contrôle-commande et l’étalonnage. Un étalonnage multivarié requiert un jeu d’étalonnage d’échantillons dotés de valeurs de référence et couvrant la variation attendue en service, suivi d’une validation et de contrôles continus des performances [8] ; chacune de ces étapes consomme des analyses de référence et du temps d’analyste. Les étalonnages exigent aussi une maintenance lorsque les matières premières, le procédé ou l’instrument changent, et Workman note qu’obtenir des résultats identiques sur plusieurs instruments avec un seul étalonnage reste hors de portée des technologues ; remplacer ou ajouter une unité constitue donc un projet à part entière [9]. Ces coûts sont récurrents et doivent figurer au dossier sous forme de montants annuels.
Les risques à intégrer au dossier
- La mesure peut ne pas représenter le flux. La théorie de l’échantillonnage traite la sélection de l’échantillon comme une source d’erreur à part entière, et une sonde en ligne ne voit qu’une partie d’un flux en mouvement [10] ; validez l’interface sur des échantillons de référence représentatifs avant de vous fier aux chiffres de variance.
- Les preuves publiées en ligne sont plus minces qu’il n’y paraît. Porep et al. avertissent que de nombreuses études revendiquant une application on-line de la NIR en production alimentaire relevaient en réalité du laboratoire [11] ; les bénéfices doivent être estimés à partir d’essais sur la ligne réelle.
- Ne comptez que la réduction de variance sur laquelle vous agirez. Un déplacement de la cible se justifie par la distribution du procédé mesurée sous le nouveau schéma de contrôle [3][4], et non par la seule présence d’un instrument plus rapide.
L’approche d’USTECH
USTECH étaye ce calcul par des mesures : l’analyseur de procédé FT-NIR ProLine2550 pour une utilisation en ligne dans les mélangeurs, réacteurs et canalisations, les analyseurs NIR en ligne robustes ProLine17EC et ProLine17ECS, ainsi que l’analyseur at-line MasterLine17EC fournissent les données ; les étalonnages sont développés et maintenus dans caliX ; et ProChem relie l’analyseur au PLC/SCADA afin qu’un résultat puisse piloter la régulation des consignes. La dispersion qu’un analyseur atteint sur un produit donné, et donc l’ampleur du déplacement de la cible, s’établit lors d’une étude de faisabilité avec vos propres échantillons et analyses de référence.
Références
- [1] U.S. Food and Drug Administration (2004). Guidance for Industry: PAT — A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance. FDA, Rockville, MD. fda.gov/regulatory-information/search-fda-guidance-documents/pat-framework-innovative-pharmaceutical-development-manufacturing-and-quality-assurance
- [2] Kane, V.E. (1986). Process capability indices. Journal of Quality Technology, 18(1), 41–52. doi:10.1080/00224065.1986.11978984
- [3] Montgomery, D.C. (2019). Introduction to Statistical Quality Control, 8th ed. Wiley, Hoboken, NJ, Chapter 8: Process and Measurement System Capability Analysis. ISBN 978-1-119-39930-8. wiley.com/en-us/Introduction+to+Statistical+Quality+Control,+8th+Edition-p-9781119399308
- [4] Hunter, W.G., Kartha, C.P. (1977). Determining the most profitable target value for a production process. Journal of Quality Technology, 9(4), 176–181. doi:10.1080/00224065.1977.11980794
- [5] Golhar, D.Y. (1987). Determination of the Best Mean Contents for a "Canning Problem". Journal of Quality Technology, 19(2), 82–84. doi:10.1080/00224065.1987.11979042
- [6] Council Directive 76/211/EEC of 20 January 1976 on the approximation of the laws of the Member States relating to the making-up by weight or by volume of certain prepackaged products, Annex I. Official Journal of the European Communities, L 46, 21.2.1976 (as amended). eur-lex.europa.eu/eli/dir/1976/211/oj
- [7] Kourti, T. (2006). Process analytical technology beyond real-time analyzers: the role of multivariate analysis. Critical Reviews in Analytical Chemistry, 36(3–4), 257–278. doi:10.1080/10408340600969957
- [8] ASTM E1655-17(2024). Standard Practices for Infrared Multivariate Quantitative Analysis. ASTM International, West Conshohocken, PA. store.astm.org/e1655-17r24.html
- [9] Workman, J.J. Jr. (2018). A review of calibration transfer practices and instrument differences in spectroscopy. Applied Spectroscopy, 72(3), 340–365. doi:10.1177/0003702817736064
- [10] Petersen, L., Minkkinen, P., Esbensen, K.H. (2005). Representative sampling for reliable data analysis: Theory of Sampling. Chemometrics and Intelligent Laboratory Systems, 77(1–2), 261–277. doi:10.1016/j.chemolab.2004.09.013
- [11] Porep, J.U., Kammerer, D.R., Carle, R. (2015). On-line application of near infrared (NIR) spectroscopy in food production. Trends in Food Science & Technology, 46(2), 211–230. doi:10.1016/j.tifs.2015.10.002

