武田在 ISPE 波士顿分会演讲中介绍预测性维护实施路径与灭菌柜异常检出案例
Takeda武田预测性维护之路:ISPE 波士顿分会演讲全览
武田全球可靠性工程负责人 Ed Sanderson 在 ISPE 波士顿分会 2025-12-11 的演讲中,介绍了公司自 2022 年起按五个 Wave 推进预测性维护的伙伴选型与逐站部署路径。
2026-10-30 | 制药 AI 现场观察 | 主体材料:Ed Sanderson, P.E.(武田全球可靠性工程负责人)ISPE Boston 分会演讲
2026-10-30 | 制药 AI 现场观察
主体材料:Ed Sanderson, P.E.(武田全球可靠性工程负责人)《Takeda's Journey to Predictive Maintenance》,ISPE Boston 分会,2025-12-11(PDF 由 ispeboston.org 发布)
演讲概要
这是武田全球可靠性工程负责人 Ed Sanderson(注册工程师)在 ISPE 波士顿分会做的专题演讲。演讲按九段议程展开:什么是预测性维护、它如何工作、有什么收益、武田走到哪一步了、部署策略、智能体(Agent)的设计方法、一个灭菌釜实战案例、经验教训、下一步计划。
一、预测性维护像天气预报
Sanderson 用一个类比开场:预测性维护就像天气预报。他的原话:
「设备失效是不可避免的,但知道它可能什么时候发生,就能提前安排维护、避免运营中断。」
他给「设备失效」标了四个属性:不可避免的(inevitable)、随机的(random)、概率性的(有不确定性)、复杂生态系统的组成部分。对应地,预测性维护的输入是三类东西:传感器与仪表的数据、计算机模型、有技能的人与人的监督。
幻灯片:预测性维护如同天气预报(演讲开场类比)
二、什么是 Agent
武田语境下的 Agent 定义:一个利用一个或多个传感器数据作为输入的计算机模型,通过识别模式或检出异常状态来诊断设备问题。
演讲给出四条判断:
大多数失效是随机发生的,日历式维护和例行巡检因此既低效又无效;
Agent 帮我们预测设备处在失效曲线的哪个位置,让维护更有效;
Agent 在识别模式、趋势、连接信息点上远胜人类;
但这个方法内在带有不确定性(概率性),不是确定论。
幻灯片:什么是 Agent,预测性维护中的智能体定义与四条判断
三、战略承诺:转向越来越「预测」的维护
武田承诺逐步把维护策略转向预测性。更偏预测的策略将减少两类东西:被动抢修式的干预(reactive interventions),以及低效浪费的日历式/时间式预防维护与巡检。
幻灯片:战略承诺,维护策略逐步转向预测性
四、收益与业务论证
预测性维护的收益清单,同时也是用来证明成功的 KPI 清单(演讲原话:让业务论证成立的收益,就是用来监测与展示成功的 KPI):
更少的偏差与产品/物料报废(设备原因,改善工艺稳定性)
更少的非计划停机、运营中断与供应链中断
更高的制造工艺稳定性
更少的能源与水浪费
更低的维护总成本、更优化的计划停机
更少的「救火」,带来更安全的工作环境与更高的工作满意度
幻灯片:预测性维护的收益清单与业务论证
五、预测性维护不是免费的
Sanderson 特别强调「不免费」,列出成功预测性维护的关键要素:
传感器、仪表、控制系统的统一数据
健壮的 IT 基础设施与数据管线,实时把数据送给软件
失效检测软件:摄入数据,并在其中开发与部署预测性维护智能体
技能升级的工程师:既懂设备、又会用软件
全体干系人的思维转变,接受数据驱动方法
一个站得住的业务论证
PPT 里画了完整链条:设备装上传感器与仪表 → 数据以数字化方式采集、可用、可及 → 武田 APMS(资产性能管理系统)里的预测性维护智能体分析并检出失效或异常的早期征兆,回答四个问题:什么在失效、什么时候失效、为什么失效、建议什么主动干预。维护部门据此主动计划与排程干预。
幻灯片:成功要素,预测性维护「不是免费的」
六、旅程:2022 年启动,五个 Wave 铺到 2028
时间线(「我们在这里」的位置在 2025-2026):
2022:尽调与技术伙伴选择,子流程依次是市场调研 → 筛选 → URS(用户需求规格)→ RFP#1 → 短名单 → 灯塔 PoC 站点选择 → RFP#2 → 技术伙伴选择与灯塔项目资金审批;
2023 起:Wave 1 站点,之后 Wave 2(2024)→ Wave 3(2025)→ Wave 4(2026)→ Wave 5(2027-2028)逐波推进。
幻灯片:武田预测性维护旅程时间线(2022-2028,五个 Wave)
七、技术伙伴怎么选
评估维度五组:终端用户导向(为工程终端用户设计、强培训体系驱动采纳、灵活可扩展的支持)、交付价值(有竞争力的成本、完整实施计划、敏捷交付)、客户导向(主动吸收客户输入持续改进产品)、技术能力(与武田现有技术与平台协同、健壮的机器学习与 AI 能力)、被验证的成果(自信且可靠的交付、可展示的投资回报)。
幻灯片:技术伙伴选择的五组评估维度
八、灯塔战略与站点部署六步
灯塔(Lighthouse)战略三句话:技术伙伴选定后,先在一个灯塔站点验证方案;早期成功迹象鼓舞团队,公司要求加速推进并争取多年实施路线图的背书;但每个站点的资金都要靠各自的业务论证,不是总部一次性拨款铺满。
每个站点的部署六步:业务论证与资金 → 启动与发现(Kick off & Discovery)→ 软件培训 → 设计工作坊(Design Workshop)→ 构建并部署智能体 → 维持阶段(Sustainment),之后持续改进、向上扩展(Continuously Improve and Scale Up)。
幻灯片:灯塔(Lighthouse)战略
幻灯片:每个站点的部署六步
九、Agent 的类型
两类三种:
1. 规则智能体(Rule Agents):运行在单传感器阈值、特定条件、运行时间或计数器值上;也可利用多传感器输入的工程计算与第一性原理逻辑。
2. 机器学习智能体:
- 异常智能体(Anomaly Agents):检出对正常行为的偏离,在代表正常行为的多变量数据上训练;
- 失效智能体(Failure Agents):检出特定失效模式,在代表已知失效样本的多变量数据上训练。
幻灯片:Agent 的类型,规则智能体与机器学习智能体
十、Agent 与传感器映射:优先做高风险失效模式
一个 Agent 可以在模型里用一个或多个传感器。PPT 给出的传感器谱系:压力、温度、流量、湿度、pH、溶解氧(dO)、转速(RPM)、电流、振动等,另加上下文数据(工艺步骤、阶段)。
两条部署原则:
Agent 数量按需部署,但优先针对每台设备风险最大(最重要)的失效模式;
为了保护资产,同一台设备部署多个 Agent,每个负责检测不同的失效模式或状态。幻灯片配了一张现场仪表照片,上面叠加多个绿色 Agent 图标,其中一个触发红色预警云:「已检出早期预警,在目标区域执行主动维护与巡检」。
幻灯片:一个 Agent 可使用一个或多个传感器的数据
幻灯片:同一台设备部署多个 Agent,分别覆盖不同失效模式
十一、Agent 设计必须扎根领域知识
设计链条七步:运行上下文 → 设备功能 → 失效模式 → Agent 策略 → 传感器/仪表与数据可用性 → 传感器映射 → 在软件中构建 Agent。每一步要回答的问题:
运行上下文:设备如何支撑工艺;设备的运行模式、阶段、步骤
设备功能:设备应该怎么工作;关键工艺参数(CPP)与质量属性(CQA)是什么
失效模式:失效机理、失效历史、现行维护策略
Agent 策略:选哪类 Agent、离线状态怎么处理、描述处方式(prescriptive)行动
传感器/仪表与数据可用性:跟进动作(如数据联通)、建议
传感器映射:资产-传感器模板
做法是召集跨职能团队开设计工作坊(Design Workshop):领域专家把流程与设备知识交出来,与软件专家、以及受过平台培训的可靠性工程师协作,为智能体开发打地基。
幻灯片:Agent 设计七步链,必须扎根领域知识
十二、案例研究:灭菌柜,无菌灌装的单点失效
这是全篇最有信息量的一节,背景、挑战、策略、结果、避免的损失、建议六段齐全。
挑战:
灭菌柜的性能与可动用率对灌装作业至关重要,是瓶颈设备(单点失效);
过去灭菌柜失效的 OT 历史数据没有统一;
配套的真空系统与冷却水系统没有联网仪表。
策略:部署多个异常智能体(AA),在正常灭菌性能数据上训练;一旦检出异常,智能体发出警报并附潜在原因检查清单,供快速排查与主动干预。
结果(时间具体到日):
检出:2024 年 12 月 8 日,其中一个智能体标记出灭菌柜的真空性能异常,而当时灭菌周期仍然合规、仍然成功;
建议动作:智能体给出处方式建议:检查真空泵及其冷却水供应;
根因确认:排查发现,灭菌柜真空泵的外部冷却水供应泵故障。
这次警报避免/阻止的损失(五项):
患者供应:灌装排程延误
返工:重做一次灭菌周期
合规:「湿负载(wet load)」偏差
维护:真空泵损坏、寿命缩短、需要修理或更换
可持续:水与能源损失
建议:给非 GxP 系统加装传感器/仪表并联网,统一数据。
PPT 配图把结构画得很直白:GxP 灭菌柜 ← 真空系统 ← 冷却水系统,前两环有数据,最下环(冷却水)标注 Non-GxP、No data、故障(红色 Malfunction)。故障恰好发生在没有数据的那一环,靠异常智能体从上游真空性能间接检出。
幻灯片:案例研究,灭菌柜,无菌灌装的单点失效
十三、经验教训(七条)
1. 建立有说服力的业务论证;
2. 争取站点层面坚定的承诺、赞助与领导力;
3. 统一碎片化的数据源,实施时间表的协同还要加强;
4. 做以人为本的变革管理与技能升级,把交接(Handover)当作渐进过渡来管理,保持全球层面的监督;
5. 拥抱敏捷原则;
6. 「调教」Agent、把新工作流嵌入日常例行动作、建立对技术的信任,都需要时间;
7. 非 GxP 设备对 GxP 资产的性能至关重要,却经常被忽视,这条与灭菌釜案例直接呼应。
十四、下一步(七项)
1. 按既定路线图继续推进各站点上线;
2. 把覆盖扩展到更多设备类型与更多工厂;
3. 向相关方清晰展示价值捕获;
4. 优化预防维护与巡检计划,消除低效与非增值活动;
5. 深化与配套系统的集成,包括 CMMS(计算机化维护管理系统);
6. 形成传感器与仪表要求建议及最佳实践,写入新设备的 URS(含非 GxP 设备),把这次的教训制度化;
7. 与供应商合作,向产品开发反馈以持续改进。
全篇小结
这份 PPT 的完整价值在于把「药企怎么做 AI 预测性维护」从口号拆成了可复制的工序:选型走 URS→RFP 两轮、资金按站点业务论证逐个审批、站点部署固定六步、智能体分三类按失效模式分层布置、设计靠跨职能工作坊把领域知识交出来、教训里最具体的一条是别忘了给非 GxP 公用工程装仪表,因为故障恰好就藏在那一环。对国内正在上预测性维护的药企与设备管理者,这份 21 页的演讲几乎是一份实施清单。
资料来源:
原文:Takeda's Journey to Predictive Maintenance,ISPE Boston 分会演讲 PDF,ispeboston.org/wp-content/uploads/2026/07/2025-12-11-Takeda-Journey-to-Predictive-Maintenance.pdf
来源:小南AI实验室 · mp.weixin.qq.com