Teollisuusentsyymejä valmistetaan tavallisesti homeiden tai bakteerien panossyöttökasvatusten avulla. Panossyöttökasvatusprosessiin vaikuttavat monet tekijät, kuten ympäristö, tuotantolaitteet, operaattorit ja raaka-aineet, joista jokainen muodostaa prosessiin vaihtelua. Yksinkertaisimmillaan prosessia voidaan valvoa tilastollisen prosessinohjauksen menetelmien avulla seuraamalla, että prosessin kannalta tärkeimmät muuttujat saavat arvoja tavoitearvojen lähellä niin, että vaihtelu ei kasva liian suureksi. Prosessin luonnollinen vaihtelu ja poikkeava erityisvaihtelu voidaan tunnistaa valvontakuvaajien avulla.

Tämän diplomityön tarkoituksena oli selvittää, miten tilastollista prosessinohjausta voitiin soveltaa Roal Oy:n panossyöttökasvatusprosesseihin. Työn kirjallisuusosassa käsiteltiin panossyöttöprosessin ja tilastollisen prosessinohjauksen periaatteita. Tarkastelun kohteena oli myös prosessin tilastollinen monimuuttujaohjaus, jonka menetelmät sopivat kasvatusprosessien valvontaan. Monimuuttujamenetelmät hyödyntävät projisointitekniikoita, kuten pääkomponenttianalyysiä ja PLS-regressiota.

Työn soveltavassa osassa kuvattiin Roal Oy:n entsyymituotantoprosessi fytaasia tuottavan Trichoderma reesei -homekasvatusten osalta. Homekasvatusten prosessi- ja laadunvalvontamittausten aineistosta muodostettiin PLS-regressiomallit, joita voitiin käyttää prosessin valvontakuvaajien muodostamiseen. Uusien tuotantoerien valvonnassa monimuuttujamallin valvontakuvaajiin voidaan soveltaa tilastollisen prosessinohjauksen periaatteita. Kasvatusten prosessi- ja laadunvalvontamittausten aineistoa käytettiin sekä havaintotason PLS-regressiomallin muodostamiseen, jossa vasteena käytettiin kasvatuksen kypsyyttä, että erätason PLS-regressiomallin muodostamiseen, jossa kasvatuksen syöttövaiheen mittausaineistolla pyrittiin ennustamaan loppunäytteen entsyymiaktiivisuutta.

Mallien muodostamiseen käytettiin 10 kasvatuserän aineistoa. Mallien validointiin käytettiin 15 kasvatusta vuosien 2014 ja 2015 ajalta. PLS-regressioanalyysin avulla syöttövaiheen aineisto voitiin tiivistää kuudelle latentille muuttujalle, kun alkuperäisiä valvottavia muuttujia oli 12. Validointierissä olevia prosessipoikkeamia voitiin havaita latenttien muuttujien valvontakuvaajia tarkastelemalla. Havaintotason mallien avulla ei kuitenkaan löydetty kasvatusaineistosta sellaisia muuttujien yhteisvaikutuksesta johtuvia tekijöitä, jotka selittäisivät kasvatuksen loppuaktiivisuuden vaihtelun.

Erätason PLS-regressiomallin avulla homekasvatuksen syöttövaiheen 12 muuttujan aineisto voitiin tiivistää kolmelle latentille muuttujalle. Erätason PLS-regressiomallin avulla validointierille lasketut entsyymiaktiivisuuden ennusteet poikkesivat keskimäärin 6,7 % todellisista aktiivisuuden arvoista. Mallin ennustuskyvyn arvioiminen vaatii kuitenkin jatkotutkimuksia ja uusien tuotantoerien käyttöä mallin validoimista varten.