Pakowanie farmaceutyczne – dlaczego to jeden z najbardziej złożonych procesów w zakładzie
Pakowanie w przemyśle farmaceutycznym bardzo często jest traktowane jako końcowy etap produkcji. W praktyce jest to jednak jeden z najbardziej krytycznych procesów w całym zakładzie. To właśnie tutaj produkt otrzymuje finalną postać handlową, oznaczenie, identyfikację, zabezpieczenie i informację dla pacjenta. Błąd na tym etapie nie jest już tylko problemem technicznym. Może oznaczać ryzyko reklamacji, zablokowania partii, uruchomienia działań CAPA,
a w skrajnych przypadkach również wycofania produktu z rynku. Dodatkowo to moment w którym produkt ma największą wartość i wszelkie pomyłki na tym etapie zawsze są kosztowne.

Specyfika farmacji powoduje, że linia pakująca musi spełniać wymagania znacznie szersze niż sama wydajność. Musi pracować zgodnie z GMP, zapewniać integralność danych, identyfikowalność produktu, poprawną serializację, agregację oraz możliwość odtworzenia historii każdej partii.

Oznacza to, że każda operacja – od podania blistra, przez nadruk kodu, kontrolę ulotki, etykietowanie, aż po spakowanie i powiązanie kartonika z opakowaniem zbiorczym (kartonem) i paletą (agregacja) – staje się elementem systemu jakości. Właśnie dlatego pakowanie jest procesem trudnym. Łączy mechanikę, automatykę, systemy inspekcji wizyjnej, drukarki, czytniki kodów, systemy IT, walidację i wymagania regulacyjne. Jeżeli jeden z tych elementów zaczyna pracować niestabilnie, cała linia traci rytm. Problemem nie są wyłącznie duże awarie, które łatwo zauważyć. Znacznie częściej straty powstają przez mikrozatrzymania, błędne przezbrojenia, stopniowy dryf parametrów, gorszą jakość nadruku, nieczytelny kod lub niewłaściwą synchronizację urządzeń pracujących w jednej sekwencji. W praktyce oznacza to, że nowoczesna linia pakująca nie może być oceniana wyłącznie przez pryzmat liczby opakowań na minutę. Równie ważne są: stabilność pracy, liczba odrzuceń – ilość braków, skuteczność odczytu kodów – w rzeczywistości jakość kodów i sygnatur, czas przezbrojenia, poprawność agregacji oraz szybkość reakcji na odchylenia.

Linia automatyczna wykonuje zaprogramowane operacje. Linia adaptacyjna potrafi dostosować wybrane parametry do zmiany formatu lub warunków procesu. Linia autonomiczna idzie krok dalej – obserwuje dane, rozpoznaje nieprawidłowości, wspiera decyzje operatora i ogranicza ryzyko błędu zanim powstanie większa strata. Wartość biznesowa takiego podejścia jest bardzo konkretna. Stabilne pakowanie oznacza mniej odrzuceń, mniej ręcznych poprawek, mniej blokad jakościowych i większą przewidywalność dostaw. W farmacji nie chodzi więc o to, aby linia była tylko szybka. Chodzi o to, aby była szybka, powtarzalna, udokumentowana i bezpieczna dla pacjenta oraz produkowała wyroby najwyższej powtarzalnej jakości a nie braki produktowe.

Architektura nowoczesnej autonomicznej linii pakującej

Nowoczesna linia pakująca w farmacji nie jest już tylko zbiorem połączonych maszyn. To zintegrowany układ mechaniki, automatyki, systemów wizyjnych, oprogramowania i danych. Typowa linia może obejmować podajniki półproduktów, produktów i komponentów, kartoniarki, drukarki kodów, etykieciarki, roboty pick&place, systemy serializacji i agregacji, wagi kontrolne oraz stacje wizyjnej kontroli jakości. Dodatkowo autonomiczne linie w których wymagane jest zachowanie standardu „Clean room” posiadają autonomiczne systemy poboru próbek do testów czy kontroli jakości. Każdy z tych elementów wykonuje pozornie prostą operację, ale w praktyce musi działać w ścisłej synchronizacji z pozostałymi urządzeniami. Właśnie synchronizacja jest jednym z kluczowych warunków stabilności pakowania. Kartoniarka może pracować poprawnie, ale jeśli drukarka kodów nie nadąża z nadrukiem numeru seryjnego, kamera zbyt długo weryfikuje kod 2D lub system agregacji opóźnia potwierdzenie relacji między opakowaniem jednostkowym a zbiorczym, cała linia traci przepustowość.

W pakowaniu farmaceutycznym ograniczenie wydajności bardzo często nie znajduje się w największej maszynie, lecz w najmniejszym elemencie procesu — czytniku, drukarce, podajniku ulotek, źle ustawionym transporterze albo w zbyt wolnej wymianie danych. Dlatego autonomiczna linia pakująca wymaga integracji kilku warstw. Na poziomie maszyn pracują sterowniki PLC, które odpowiadają za ruch, czujniki, napędy, bezpieczeństwo i sekwencje technologiczne. System SCADA umożliwia nadzór, wizualizację, alarmy i rejestrację parametrów. System klasy MES nadaje procesowi kontekst produkcyjny: zlecenie, partię, recepturę pakowania, operatora, wersję przezbrojenia i status jakościowy. ERP zapewnia powiązanie z planowaniem, magazynem i sprzedażą, a LIMS może dostarczać informacje o zwolnieniu jakościowym produktu lub komponentów. Natomiast systemy Track & Trace odpowiadają za serializację, agregację i identyfikowalność produktu w łańcuchu dostaw.

Coraz większe znaczenie ma również edge computing, czyli lokalne przetwarzanie danych bezpośrednio przy linii. Nie wszystkie decyzje powinny czekać na analizę w systemie centralnym. Jeśli kamera wykrywa pogorszenie jakości kodu, a jednocześnie rośnie liczba odrzuceń i zmienia się temperatura głowicy drukującej, system lokalny powinien zareagować natychmiast: zatrzymać linię, obniżyć prędkość, poinformować operatora lub wymusić kontrolę ustawień. Dane czasu rzeczywistego stają się więc fundamentem autonomii. Warto w tym miejscu przytoczyć rzeczywisty przypadek w procesie pakowania. w jednym z typowych scenariuszy dla danej receptury, pakowarka osiągała zakładaną wydajność mechaniczną, ale cała linia pracowała wolniej. Źródłem ograniczenia okazała się drukarka kodów, która przy wyższej prędkości generowała mniej stabilny nadruk. Kamera odrzucała część opakowań jako nieczytelne, a operatorzy obniżali tempo linii, uznając, że „pakowarka nie wyrabia”. Dopiero analiza danych z drukarki, kamery i liczników odrzuceń pokazała rzeczywiste źródło problemu. To dobry przykład, że w autonomicznym pakowaniu wartość daje nie sama automatyzacja, ale zdolność linii do rozumienia własnych ograniczeń.

Robotyzacja pakowania – gdzie robot naprawdę daje wartość

Robotyzacja pakowania w farmacji ma największy sens tam, gdzie występuje powtarzalny ruch, duża liczba operacji manualnych, ryzyko pomyłki lub przeciążenie operatorów. Robot nie powinien być jednak traktowany jako „remedium” na każdy problem linii. Jeżeli proces jest źle zaprojektowany, komponenty są dostarczane nieregularnie, a przezbrojenia nie mają standardu, robot jedynie szybciej pokaże skalę chaosu lub wprowadzi dodatkowe zmienne do tego już trudnego równania.
W praktyce stosuje się dwa główne typy rozwiązań, klasyczne roboty przemysłowe oraz coboty, czyli roboty współpracujące. Roboty przemysłowe sprawdzają się przy większych prędkościach, powtarzalnych operacjach i tam, gdzie wymagana jest wysoka dynamika, np. przy pakowaniu zbiorczym, układaniu kartoników, manipulacji blistrami lub paletyzacji, ale wymagają specjalnych stref bezpieczeństwa. Coboty są wolniejsze, ale bardziej elastyczne i ła-twiejsze do wdrożenia w ograniczonej przestrzeni. Dobrze nadają się do zadań pomocniczych, krótkich serii, kompletacji zestawów promocyjnych, podawania komponentów lub pracy obok opera-tora. Ich ruchy są bezpieczne dla człowieka i nie wymagają – przy zachowaniu właściwej prędkości – „wygrodzeń”.

Najczęstsze zastosowania robotów w pakowaniu farmaceutycznym to procesy pick&place, odkładanie produktów do tacek, kartonów lub opakowań zbiorczych, manipulacja blistrami, podawanie ulotek, kompletacja zestawów oraz paletyzacja końcowa (tu sprawdzają się wyśmienicie). Coraz większą wartość mają również systemy z ada-ptacyjnymi przezbrojeniami. Oznacza to, że robot może pracować z różnymi formatami opakowań, a zmiana produktu nie wymaga długiej przebudowy stanowiska, lecz wyboru właściwej receptury, wymiany chwytaka lub automatycznej korekty trajektorii.

Osobnym zagadnieniem są roboty mobilne. AGV dobrze sprawdzają się na stałych trasach, np. między magazynem komponentów a linią pakującą. AMR są bardziej elastyczne, ponieważ potrafią samodzielnie omijać przeszkody i dostosowywać trasę do sytuacji na hali. IGV to rozwiązania zwykle silniej zintegrowane z systemami zarządzania przepływem materiałów. Ich wartość rośnie wtedy, gdy linia często zatrzymuje się nie z powodu awarii maszyny, lecz z powodu braku kartoników, ulotek, etykiet lub opakowań zbiorczych.

Korzyści biznesowe z zastosowania rozwiązań zrobotyzowanych są konkretne i oznaczają mniejszą liczbę błędów manualnych, lepszą ergonomia pracy, stabilniejszy rytm pakowania, ograni-czenie pracy monotonnej i większą przewidywalność zmiany produkcyjnej. Trzeba jednak pamiętać o warunku podstawowym: robotyzację wdraża się po uporządkowaniu procesu, a nie za-miast tego uporządkowania. Robot nie naprawi złej organizacji pracy, nie zastąpi poprawnych danych i nie usunie problemów wynikających z niestabilnej jakości komponentów. Najlepsze efekty daje tam, gdzie proces jest dobrze opisany, powtarzalny i przygotowany do automatyzacji.

Systemy wizyjne jako cyfrowy inspektor jakości

W farmaceutycznych liniach pakujących klasyczna kontrola manualna coraz częściej przestaje wystarczać. Nie dlatego, że człowiek nie potrafi wykryć błędu, lecz dlatego, że nie jest w stanie robić tego z taką samą powtarzalnością przez wiele godzin i przy oczekiwanej dużej prędkości linii. Zmęczenie, presja czasu, podobieństwo opa-kowań i duża liczba wariantów produktowych zwiększają ryzyko przeoczenia błędu. W farmacji nawet pozornie drobna pomyłka – nieczytelny kod, błędna data ważności, brak ulotki lub niewłaściwa etykieta– może skutkować zablokowaniem partii, reklamacją albo koniecznością szczegółowego dochodzenia jakościowego. W szcze-gólnych przypadkach nawet blokowanie partii / produktu przez GIF, a w takim przypadku błędy wpływają już na wizerunek firmy. System wizyjny jest w takim układzie cyfrowym inspektorem jakości. Jego architektura obejmuje kamery przemysłowe, odpowiednio dobra-ną optykę, stabilne oświetlenie, sterownik lub komputer przemysłowy, a coraz częściej także moduł edge AI pracujący bezpośrednio przy linii. To ważne, ponieważ analiza obrazu musi odbywać się w czasie rzeczywistym. Jeżeli linia wykonuje kilkadziesiąt lub kilkaset operacji na minutę, decyzja o odrzuceniu wadliwego opakowania musi być podjęta natychmiast, a nie po analizie w systemie centralnym.

Zakres kontroli jest szeroki. Kamery sprawdzają obecność i po-łożenie etykiet, poprawność kodów 1D i 2D, datę ważności, numer serii, obecność ulotki, zamknięcia, kompletność blistrów, defor-macje kartoników oraz jakość nadruku. W praktyce bardzo duże znaczenie mają funkcje OCR i OCV. OCR pozwala odczytać tekst, natomiast OCV potwierdza, czy nadruk jest zgodny ze wzorcem. To szczególnie istotne przy kontroli dat ważności, numerów partii i oznaczeń serializacyjnych.

Trzeba jednak pamiętać, że system wizyjny jest tak dobry, jak warunki, w których pracuje. Najczęstsze problemy nie wynikają z „braku inteligencji” algorytmu, lecz z niestabilnego oświetlenia, drgań, zabrudzenia obiektywu, zmiennego położenia produktu lub słabej jakości nadruku. Wtedy pojawiają się fałszywe alarmy, które obniżają wydajność linii i powodują niepotrzebne odrzuty. Dlatego wdrożenie systemu wizyjnego zawsze powinno zaczynać się od stabilnej konstrukcji mocoawania, powtarzalnego prowadzenia opakowań i poprawnego doboru oświetlenia.

Warto też rozróżnić klasyczne systemy wizyjne od AI Vision. Klasyczne algorytmy bardzo dobrze sprawdzają się tam, gdzie cecha jest jednoznaczna, tzn. obecność kodu, pozycja etykiety, wymiar, kontrast, kompletność elementu. AI Vision daje większą wartość przy wadach trudnych do opisania regułą, np. subtelnych deformacjach, zmiennych uszkodzeniach powierzchni lub nietypowych defektach nadruku. Nie zawsze jednak AI jest lepszym wyborem. Jeśli problem można opisać prostym kryterium, klasyczny algorytm będzie łatwiejszy i co najważniejsze szybszy do walidacji, stabilniejszy i bardziej przewidywalny.

Największą wartość systemy wizyjne dają wtedy, gdy nie są tylko „bramką odrzutu”, ale elementem cyfrowej kontroli procesu z mechanizmami archiwizacji danych a także rejestracji wykonanych zdjęć. Mogą wykrywać błędy przezbrojenia, pogorszenie jakości nadruku, wzrost liczby odrzuceń czy dryf ustawienia etykieciarki. W takim podejściu kamera nie tylko sprawdza produkt, ale staje się źródłem danych o stabilności całej linii pakującej.

Serializacja i agregacja – największe wyzwanie współczesnego pakowania farmaceutycznego

Serializacja to nadanie każdemu opakowaniu jednostkowemu unikalnego identyfikatora, najczęściej zapisanego w kodzie 2D Data Matrix. W praktyce oznacza to, że kartonik leku nie jest już tylko opakowaniem, ale nośnikiem danych: numeru seryjnego, numeru partii, daty ważności i kodu produktu. W Unii Europejskiej obowiązek stosowania zabezpieczeń wynika z regulacji FMD i Rozporządzenia Delegowanego Komisji (UE) 2016/161, stosowanego od 9 lutego 2019 r. W USA analogiczną rolę pełni DSCSA, który buduje elektroniczny, interoperacyjny system identyfikacji i śledzenia leków na poziomie pojedynczego i zbiorczego opakowania.

Agregacja jest kolejnym poziomem trudności. Polega na cyfrowym powiązaniu opakowania jednostkowego z opakowaniem zbiorczym (pakietem), kartonem transportowym, a następnie z paletą. Tworzy się relacja strukturalna typu „parent-child”, czyli informacja, które konkretne opakowania znajdują się w danym kartonie, a które kar-tony na danej palecie (agregacja danych od jednostki do pakietu transportowego). Dzięki temu można później śledzić produkt w łań-cuchu dostaw bez konieczności skanowania każdej sztuki osobno. Biznesowo oznacza to szybszą logistykę z możliwością wykorzystania automatyki, łatwiejszą obsługę zwrotów, precyzyjniejsze wycofania i większą ochronę przed fałszerstwami.

Technicznie serializacja i agregacja wymagają ścisłej integracji linii pakującej z systemami ERP, MES, WMS oraz Track & Trace. ERP zwykle odpowiada za dane produktu i zlecenia, MES za kontekst produkcyjny, WMS za przepływ magazynowy, a system serializacyjny za generowanie, nadawanie, weryfikację i raportowanie numerów. Problem pojawia się wtedy, gdy te systemy nie pracują w jednym rytmie. Linia może mechanicznie pakować poprawnie, ale jeśli dane nie są spójne, produkt nie będzie poprawny z punktu widzenia jakości i regulacji.

Typowe problemy to utrata synchronizacji między drukarką, ka-merą i transporterem, błędne przypisanie opakowania do kartonu, odrzucone kody, nieczytelny nadruk, dublowanie numerów lub brak potwierdzenia agregacji. Szczególnie punktem jest czułość systemu na jakość kodu. Zbyt niski kontrast, rozmazany nadruk, zabrudzenie kartonika, drgania transportera albo niestabilna praca głowicy drukującej mogą zwiększyć liczbę odrzuceń i spowolnić całą linię. Wtedy problem jakości danych staje się problemem wydajności produkcji. Należy tutaj przytoczyć konkretny przykład, gdzie podczas pracy linii wystąpiło kilkusekundowe zatrzymanie transportera po stacji kontroli kodu. Mechanicznie sytuacja wydawała się niegroźna, ponie-waż kartoniki ruszyły dalej. System agregacji przypisał jednak część opakowań do niewłaściwego kartonu zbiorczego. Fizyczny produkt był poprawny, ale cyfrowa relacja parentchild została utracona. Efektem końcowym była konieczność zatrzymania partii, ręcznego rozpakowania kartonów, ponownej weryfikacji kodów i odtworzenia całego łańcucha agregacji.

To pokazuje, że w serializacji nie wystarczy „dobrze drukować kody”. Trzeba utrzymać spójność produktu fizycznego, danych i czasu zdarzeń. Ważne są dane kontekstowe, jak numer zlecenia, status przezbrojenia, operator, czas skanu, status kamery, odrzut, rework i ponowne pakowanie. Równie istotne jest cyberbezpieczeństwo, ponieważ dane serializacyjne są częścią ochrony legalnego łańcucha dostaw. Ich utrata, modyfikacja lub nieautoryzowany dostęp mogą mieć konsekwencje jakościowe, regulacyjne i biznesowe.

AI w inspekcji wizualnej – realne możliwości i ograniczenia

Sztuczna inteligencja w inspekcji wizyjnej nie jest „lepszą kamerą”, lecz innym sposobem interpretacji obrazu. Klasyczne systemy wi-zyjne działają najczęściej według reguł, czyli sprawdzają kontrast, krawędź, pozycję, obecność elementu, wymiar lub zgodność nadruku ze wzorcem – generalnie zajmują się procesem oceny atry-butywnej. Są bardzo skuteczne tam, gdzie wada jest jednoznaczna i dobrze opisana. AI, a dokładniej modele uczenia maszynowego lub głębokiego uczenia, ma większą wartość tam, gdzie defekt jest trudny do opisania prostą regułą (np.: delikatna deformacja kartonika, subtelna różnica kolorystyczna, mikrouszkodzenie po-wierzchni, nietypowe rozmazanie nadruku lub niewielka zmiana struktury materiału).

Kluczowe jest jednak to, że model AI musi uczyć się na danych rzeczywistych – wzorce o właściwej jakości jak i te wadliwe. Nie wystarczy pokazać mu kilku idealnych zdjęć i oczekiwać, że będzie poprawnie rozpoznawał wszystkie możliwe błędy. W praktyce po-trzebne są obrazy dobrych produktów, rzeczywistych defektów, różnych warunków pracy linii, zmian oświetlenia, tolerancji położenia oraz typowych odchyleń, które jeszcze nie są wadą. To rozróżnienie jest bardzo ważne, bo system nie może odrzucać produktu tylko dlatego, że wygląda minimalnie inaczej, ale nadal spełnia wymagania jakościowe.

Dużą wartość daje tzw. anomaly detection, czyli wykrywanie obrazów odbiegających od wzorca poprawnego produktu. Jest to szczególnie przydatne tam, gdzie defektów jest mało i trudno ze-brać pełny katalog wad. Model uczy się, jak wygląda stan normalny, a następnie wskazuje przypadki nietypowe. W pakowaniu farma-ceutycznym może to dotyczyć uszkodzeń blistrów, odkształceń kartoników, zabrudzeń, błędów nadruku, przesunięć etykiety lub problemów z jakością kodu.

AI może też pełnić rolę systemu wczesnego ostrzegania. Jeżeli w kolejnych minutach rośnie liczba drobnych odchyleń obrazu, spada kontrast kodu, zmienia się pozycja etykiety albo pojawia się coraz więcej korekt przy odczycie OCR/OCV, system może wskazać dryf procesu zanim pojawi się seria odrzutów. W takim podejściu inspekcja wizualna nie tylko klasyfikuje produkt jako dobry lub zły, ale analizuje trend jakościowy linii.

W praktyce istotne jest również miejsce przetwarzania danych. Edge AI działa lokalnie, przy maszynie, dzięki czemu decyzja może zostać podjęta w czasie rzeczywistym i bez zależności od chmury. Cloud AI może być przydatne do długoterminowej analizy danych, trenowania modeli, porównywania wielu linii i tworzenia raportów jakościowych. W produkcji farmaceutycznej decyzje operacyjne po-winny jednak zapadać możliwie blisko procesu, ponieważ opóźnienie kilku sekund może oznaczać powstanie wielu wadliwych opakowań. Najtrudniejszym elementem nie jest samo uruchomienie AI, lecz jej walidacja. W farmacji model musi być przewidywalny, udokumentowany i możliwy do obrony jakościowej. Dlatego coraz większe znaczenie ma explainable AI, czyli możliwość wyjaśnienia, dlaczego system wskazał dany obraz jako nieprawidłowy. Bez tego AI może stać się „czarną skrzynką”, której decyzje są trudne do zaakceptowania w środowisku GMP.

Ograniczenia są realne. Modele mogą ulec przeuczeniu, czyli do-brze działać na danych testowych, ale słabo na produkcji. Mogą źle reagować na zmianę oświetlenia, zabrudzenie obiektywu, nowego dostawcę kartoników lub niewielką zmianę tła. Problemem jest też mała liczba defektów, bo w dobrze prowadzonym procesie wad jest niewiele, a model potrzebuje danych do nauki.

Dlatego AI nie zastępuje zrozumienia procesu. Jest narzędziem, które może znacząco zwiększyć skuteczność kontroli, ale tylko wtedy, gdy linia jest stabilna, dane są dobre, kryteria jakościowe jasne, a człowiek rozumie, co system naprawdę mierzy.

Integracja pakowania z systemami produkcyjnymi

Autonomiczna linia pakująca nie może działać jako odrębna wyspa technologiczna. Jej realna wartość pojawia się dopiero wtedy, gdy pakowanie jest zintegrowane z jakością, serializacją, magazynem i planowaniem produkcji. W tym układzie MES pełni rolę „kontekstu procesu”. To on łączy dane z maszyn z informacją, co jest produko-wane, na jakim zleceniu, z jakiej partii, według jakiej wersji procedury i przy jakim statusie jakościowym.

Typowy przepływ danych wygląda następująco, PLC steruje maszyną, SCADA wizualizuje proces i rejestruje alarmy, MES nadaje danym znaczenie produkcyjne, a ERP łączy je z planem, stanami magazynowymi i rozliczeniem. Jeżeli do tego dołączymy system Track & Trace, WMS oraz dane jakościowe, powstaje cyfrowy ślad produktu. Obejmuje on nie tylko sam produkt, ale także czas pakowania, parametry linii, operatora, status przezbrojenia, wyniki kontroli wizyjnej, odrzuty, serializację i agregację.

Takie podejście pozwala przejść od raportowania po fakcie do monitorowania produkcji w czasie rzeczywistym. Linia nie tylko po-kazuje, że pracuje wolniej, ale może wskazać dlaczego rośnie liczba odrzuceń, wydłuża się czas cyklu, pojawiają się mikroprzestoje albo spada skuteczność odczytu kodów. Dane te mogą automatycznie zasilać raporty OEE, elektroniczny batch record oraz cyfrową wali-dację procesu pakowania.

Z życia linii produkcyjnej – rzeczywisty przypadek, na jednej z linii obserwowano spadek wydajności bez wyraźnej awarii. Dopiero korelacja danych pokazała, że jednocześnie rosła liczba odrzuceń z systemu wizyjnego i zmieniała się temperatura hali. Okazało się, że materiał opakowaniowy minimalnie zmieniał geometrię, co powodowało gorsze prowadzenie kartoników i niestabilny odczyt kodów. Bez integracji danych problem wyglądał jak „słaba praca operatora” albo „kapryśna kamera”. W rzeczywistości była to zależność procesowa. Integracja systemów nie jest więc dodatkiem IT. Jest warunkiem stabilności, identyfikowalności i przewidywalności pakowania.

Analiza danych z linii pakujących – od raportów do predykcji

W wielu zakładach farmaceutycznych problemem nie jest brak danych, ale brak informacji. Linia pakująca generuje tysiące sygna-łów, jak czasy cyklu, zatrzymania, alarmy, odrzuty, statusy kamer, wyniki odczytu kodów, temperatury, pobór prądu czy liczbę błędów serializacji. Jeżeli dane są tylko zapisywane w raportach, ale nie są analizowane w kontekście procesu, pozostają archiwum zdarzeń, a nie są narzędziem zarządzania.

Pierwszym krokiem jest trending procesowy, czyli obserwacja zmian parametrów w czasie. Nie chodzi wyłącznie o pytanie, czy parametr mieści się w limicie, ale czy zaczyna stopniowo zmierzać w niekorzystnym kierunku. Uzupełnieniem jest SPC, czyli statystyczna kontrola procesu. Pozwala ona odróżnić naturalną zmienność od sygnału, że proces zaczyna tracić stabilność. W pakowaniu może to dotyczyć np. rosnącej liczby odrzuceń kodów, wydłużania czasu cyklu kartoniarki lub coraz częstszych zatrzymań podajnika.

Dużą wartość daje analiza korelacji. Pojedynczy alarm rzadko pokazuje rzeczywistą przyczynę. Dopiero połączenie danych, np. wzrostu drgań napędu, większego poboru prądu i spadku skutecz-ności podawania kartoników, może wskazać zużycie elementu mechanicznego. Podobnie zmiana temperatury hali, pogorszenie jakości nadruku i wzrost reject rate mogą wskazywać problem z materiałem opakowaniowym lub stabilnością drukarki.

Na tym poziomie zaczyna działać predykcyjne utrzymanie ruchu. Analiza drgań, temperatur łożysk, poboru prądu, liczby cykli pracy i czasu reakcji urządzeń pozwala zaplanować serwis wcześniej, zanim dojdzie do awarii lub zatrzymania partii. Wartością nie jest sama predykcja, ale możliwość podjęcia decyzji w dogodnym momencie produkcyjnym. Kolejnym krokiem może być AI Agent, czyli cyfrowy obserwator procesu. Taki system nie zastępuje technologa ani automatyka, ale stale analizuje dane z linii, szuka nietypowych zależności i wskazuje obszary ryzyka. Może sygnalizować, że rośnie liczba mikroprzesto-jów, spada FPY, pogarsza się serialization success rate albo wydłuża się MTTR.

Dla pakowania szczególnie ważne KPI to OEE, FPY, MTBF, MTTR, reject rate i skuteczność serializacji. Ich analiza pokazuje nie tylko wydajność linii, ale także stabilność jakościową i organizacyjną pro-cesu. W takim ujęciu pakowanie przestaje być wyłącznie końcowym etapem produkcji. Staje się źródłem danych strategicznych, które pomagają ograniczać straty, planować inwestycje, poprawiać jakość i zwiększać przewidywalność dostaw.

Case study – wykrywanie błędów etykiet i problemów serializacji

W jednym z zakładów farmaceutycznych problemem były okresowe błędy odczytu kodów 2D Data Matrix nanoszonych na opakowania jednostkowe. Zjawisko nie występowało w sposób ciągły. Przez część zmiany linia pracowała stabilnie, po czym pojawiała się seria odrzuceń generowanych przez system wizyjny. Co istotne, problem nie powo-dował klasycznej awarii maszyny. Pakowarka mechanicznie osiągała założoną wydajność, dlatego początkowo uznano, że problem ma charakter losowy lub wynika z jakości materiału opakowaniowego. Pierwsza analiza opierała się głównie na alarmach z kamer i statystyce odrzuceń. Nie wykazała jednak jednoznacznej przyczyny. Operato-rzy reagowali ręcznie, czyszczono głowice drukujące, regulowano ustawienie kamer, zmniejszano prędkość linii oraz wykonywano dodatkowe kontrole jakości. Działania pomagały jedynie tymczasowo. Problem wracał, szczególnie podczas dłuższej pracy linii oraz przy wyższej wydajności produkcyjnej.

Dopiero integracja danych z kilku źródeł pozwoliła zrozumieć rzeczywistą przyczynę zjawiska. W analizie wykorzystano:

• system wizyjny OCR/OCV,
• dane z drukarki termotransferowej,
• parametry napędu transportera,
• historię odrzuceń,
• analizę trendów procesowych,
• narzędzia AI do klasyfikacji jakości kodów.

Analiza wykazała zależność pomiędzy temperaturą głowicy drukującej, mikrodrganiami transportera oraz pogorszeniem ja-kości nadruku. W określonym zakresie temperatur kontrast kodu stopniowo malał, a niewielkie drgania powodowały dodatkowo mikrorozmycie obrazu podczas nanoszenia kodu na kartonik. Każdy z tych parametrów osobno mieścił się jeszcze w dopuszczalnych granicach. Dopiero ich jednoczesne występowanie prowadziło do wzrostu liczby odrzuceń.

W praktyce problem był trudny do zauważenia przez człowieka, ponieważ pojedyncze kody nadal wyglądały poprawnie wizualnie.

System AI analizujący obrazy kodów zaczął jednak identyfikować pogarszające się trendy jakościowe jeszcze przed przekroczeniem progu odrzutu. Dzięki temu możliwe było wcześniejsze ostrzeganie operatora i automatyczna korekta parametrów procesu, m.in. ob-niżenie temperatury głowicy oraz korekta prędkości transportera. Po wdrożeniu zmian liczba odrzuceń związanych z błędnym odczytem kodów spadła o kilkadziesiąt procent, a skuteczność poprawnego odczytu serializacji wzrosła do poziomu przekracza-jącego 99%. Ograniczono również liczbę ręcznych kontroli jakości oraz interwencji operatorów związanych z czyszczeniem i regulacją układu nadruku. W analizowanym okresie poprawie uległo także OEE linii, głównie dzięki redukcji mikrostopów i mniejszej liczbie zatrzymań związanych z odrzutami.

Najważniejszą korzyścią nie była jednak sama poprawa wydajno-ści. Kluczowe okazało się ograniczenie ryzyka błędnej serializacji i utraty poprawnych relacji danych Track & Trace. Przypadek ten dobrze pokazuje, że w nowoczesnym pakowaniu farmaceutycznym problem jakościowy bardzo rzadko wynika z jednego elementu. Najczęściej jest efektem zależności pomiędzy mechaniką, nadru-kiem, transportem, warunkami środowiskowymi oraz analizą danych procesowych. Właśnie dlatego autonomiczne linie pakujące coraz częściej opierają się nie tylko na automatyce, ale również na korelacji danych i predykcyjnej analizie procesu.

Czy autonomiczne pakowanie to przyszłość farmacji?

Autonomiczne pakowanie jest jednym z najważniejszych kierunków rozwoju farmacji, ale nie należy rozumieć go jako całkowitego wy-eliminowania człowieka z procesu. Pełna autonomia, w której linia sama podejmuje wszystkie decyzje technologiczne, jakościowe i regulacyjne, jest obecnie trudna do uzasadnienia w środowisku GMP. Realny i najbardziej wartościowy kierunek to autonomia kontrolowana, czyli linie zdolne do samodzielnego monitorowa-nia, diagnozowania odchyleń i rekomendowania lub wykonywania ograniczonych korekt w jasno zdefiniowanych granicach.

Człowiek nadal pozostaje kluczowy tam, gdzie wymagana jest interpretacja ryzyka, decyzja jakościowa, ocena nietypowego zdarzenia, zatwierdzenie zmiany lub analiza przyczyn źródłowych. Operator, technolog, automatyk i dział jakości nie znikają z procesu. Ich rola zmienia się jednak z reagowania na awarie na nadzorowanie stabilności procesu i podejmowanie decyzji na podstawie danych. Przyszłość pakowania będą tworzyć self-adjusting lines, czyli linie samokorygujące wybrane parametry pracy, AI Agents analizujące dane z maszyn, kamer i systemów jakościowych, adaptive manufacturing dostosowujące produkcję do krótkich serii i zmiennych formatów, digital twins pozwalające testować scenariusze bez zatrzymywania produkcji oraz autonomous quality control, czyli kontrola jakości działająca w czasie rzeczywistym, a nie dopiero na końcu procesu. Trzeba jednak zachować krytyczne podejście. Im bardziej złożona linia, tym większe ryzyko trudnej diagnostyki, błędnej konfiguracji

i zależności od dostawców technologii. Dochodzą do tego cyber-bezpieczeństwo danych produkcyjnych i serializacyjnych, walidacja modeli AI oraz brak kompetencji łączących automatykę, IT, jakość i farmację. Najważniejszy wniosek jest prosty, autonomia nie oznacza braku człowieka. Oznacza lepsze dane, szybsze wykrywanie problemów, mniejszą liczbę błędów i bardziej świadome decyzje operacyjne. W farmacji przewagę zyskają nie te zakłady, które wdrożą najwięcej technologii, ale te, które potrafią połączyć technologię, proces, jakość i kompetencje ludzi w jeden stabilny system.