商业论证必须说明什么
在食品和饲料行业或化工和制药生产中，采购在线分析仪的申请要与其他资本项目竞争，需要来自工厂自身的数据。FDA 的过程分析技术（PAT）指南列出了收益可能的来源 — 通过在线、原位或近线测量与控制缩短周期时间，减少不合格品、废料和返工，实时放行，提高自动化程度并减少人为差错，更好地利用能源和物料，以及提高产能 — 并明确指出这些收益会因工艺和产品而异[1]。因此，商业论证是基于您自己数据、逐项杠杆进行的计算。现有实验室常规检测的成本从何而来，另有一篇关于实验室质量控制隐性成本的文章专门讨论。
杠杆一：变异性、目标值设定与超额给量
最大的杠杆通常是过程目标值与规格限之间的余量。首先基于历史数据开展能力研究：Cp、CPU、CPL 和 Cpk 指数将过程的离散程度和中心位置与公差联系起来，并可用于单侧限，例如蛋白质下限或水分上限[2][3]。Hunter 和 Kartha 表明，目标值设得越偏向安全一侧，超出限值的产品越少，但超额给量成本越高，而最有利可图的目标值取决于过程变异性[4]；Golhar 给出了在欠重产品必须返工时最优过程均值的简单线性表达式[5]。对于定量包装商品，监管机构确定了问题的一部分：76/211/EEC 指令要求平均净含量不得低于标称量，并限制低于允许短缺量的包装所占比例，因此包装商必须采用的目标值取决于其标准偏差[6]。
方法由此直接得出。根据您自己的记录估算关键属性当前的均值和标准偏差，计算当前离散程度所需的目标值，再用更严密的测量和控制下预期的离散程度重复计算；价值等于目标值之差乘以产量，再乘以相关成分或能源的成本。有两项修正可确保计算的可信度。第一，观测到的方差是过程方差与测量系统（量具）方差之和，因此对分析仪本身进行测量系统能力研究应纳入计算[3]。第二，更快的测量只有在有人或有系统据此采取行动时才能降低变异性；价值来自过程监控与控制，而分析仪只是其中一个环节[7]。
其他杠杆，用同样方法量化
FDA 清单中的其余每项杠杆都对应着工厂已有的记录[1]。不合格品与返工：统计具有代表性的时段内不合格批次或批号及其处置成本，并估算其中哪些若能更早获得结果即可得到纠正。放行时间：测量产品等待实验室结果的时长及其等待成本。实验室工作量：列出分析仪可覆盖的每班常规样品，同时保留建立和核查定标所需的参考分析[8]。能源：若干燥或蒸发工序按保守的水分目标值运行，为灌装量开发的目标值设定模型[4][5]可调整用于水分规格。过程数据的更广泛用途，例如故障诊断[7]，难以定价，更适合列出而非计入。
成本方面
除购置价格外，主要项目包括取样接口与安装、与控制系统的集成以及定标。多元定标需要一个具有参考值、能覆盖使用中预期变化的定标样品集，随后还要进行验证和持续的性能核查[8]；每一项都要消耗参考分析和分析人员的时间。当原料、工艺或仪器发生变化时，定标也需要维护；Workman 指出，用同一个定标在多台仪器上获得相同结果仍是技术人员尚未攻克的难题，因此更换或增加一台仪器本身就是一个项目[9]。这些成本会反复发生，应以年度数字列入论证。
应列入论证的风险
- 测量可能无法代表物流。取样理论将样品选取本身视为一个误差来源，而在线探头只能看到流动物流的一部分[10]；在信任方差数据之前，应以具有代表性的参考样品验证取样接口。
- 已发表的在线应用证据比看上去要少。Porep 等提醒，许多声称在食品生产中在线应用 NIR 的研究实际上是实验室工作[11]；效益应根据实际生产线上的试验来估算。
- 只计算您会据以采取行动的方差降低。目标值移动的依据是新控制方案下实测的过程分布[3][4]，而不是有了一台更快的仪器。
USTECH 的做法
USTECH 以测量数据支持这一计算：用于混合机、反应器和管道在线测量的 ProLine2550 过程 FT-NIR 分析仪，坚固型在线 NIR 分析仪 ProLine17EC 和 ProLine17ECS，以及近线分析仪 MasterLine17EC 提供数据；定标在 caliX 中开发和维护；ProChem 将分析仪连接至 PLC/SCADA，使结果能够驱动设定值控制。分析仪在特定产品上能达到的离散程度，以及由此决定的目标值移动幅度，需要用您自己的样品和参考分析开展可行性研究来确定。
参考文献
- [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
