JP2020533403A - 漢方薬生産プロセス知識システム - Google Patents

漢方薬生産プロセス知識システム Download PDF

Info

Publication number
JP2020533403A
JP2020533403A JP2020533333A JP2020533333A JP2020533403A JP 2020533403 A JP2020533403 A JP 2020533403A JP 2020533333 A JP2020533333 A JP 2020533333A JP 2020533333 A JP2020533333 A JP 2020533333A JP 2020533403 A JP2020533403 A JP 2020533403A
Authority
JP
Japan
Prior art keywords
parameters
data
parameter
unit
design space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020533333A
Other languages
English (en)
Other versions
JP6979527B2 (ja
Inventor
ウェイ シャオ
ウェイ シャオ
シュエソン リォウ
シュエソン リォウ
ヤ リン
ヤ リン
ヨン チェン
ヨン チェン
ジェンジョン ワン
ジェンジョン ワン
シャオホン ジャン
シャオホン ジャン
イエルェイ リ
イエルェイ リ
ロウェイ バオ
ロウェイ バオ
チェンフォン ジャン
チェンフォン ジャン
レイ ワン
レイ ワン
ヨンジエ チェン
ヨンジエ チェン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Kanion Pharmaceutical Co Ltd
Zhejiang University ZJU
Original Assignee
Jiangsu Kanion Pharmaceutical Co Ltd
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Kanion Pharmaceutical Co Ltd, Zhejiang University ZJU filed Critical Jiangsu Kanion Pharmaceutical Co Ltd
Publication of JP2020533403A publication Critical patent/JP2020533403A/ja
Application granted granted Critical
Publication of JP6979527B2 publication Critical patent/JP6979527B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本発明は漢方薬生産プロセス知識システムを開示しており、前記システムは、品質データと工程データを含む生産中のプロセスパラメータデータを収集する生産データ収集ユニットと収集された前記プロセスパラメータデータを記憶する記憶ユニットとを含むデータベースモジュールと、前記品質データに基づいてシステムプロセス能力を評価し、プロセス能力評価結果を得る能力評価モジュールと、プロセス能力評価結果の十分さに応答して、全過程監視モードに入る監視フィードバックモジュールと、プロセス能力評価結果の不十分さに応答して、前記工程データに基づいて設計空間探索モードに入る設計空間探索モジュールと、を含む。本発明は、まずプロセス能力評価によりリリースパラメータを決定し、または設計空間を探すことで、生産プロセス知識システムを漢方薬生産プロセスの知能調整と知能フィードバックを実現するプロセス知識システムに逐次回帰させる。【選択図】図８

Description

本発明はプロセス知識システムの分野に関し、特に漢方薬生産プロセス知識システムに関する。
プロセス知識システム（Ｐｒｏｃｅｓｓ Ｋｎｏｗｌｅｄｇｅ Ｓｙｓｔｅｍ、ＰＫＳと略称）の生産制御の下で、従来の生産ライン技術と比べて、改善点は主に下記のいくつかがあり、１）新しいワークフローは全体的なシステムであり、従来の古い生産ラインは、各作業現場が互いに独立し、それぞれ作業しており、関連性が弱く、集中度が高くない一方、新しい生産フローは全体的なシステムであり、各ステップが互いに関連して影響し合い、全体的に生産プロセスの最適化を実現している。２）ＰＫＳ生産プロセスはより情報化、自動化されており、従来の古い生産ラインの中で、独立した作業ごとに専門的なスタッフの監視、専門職人の記録情報などが必要であり、仕事の効率は人間の状態と密接に関係しており、人為的なミスによる誤りが発生しやすいが、新しいワークフローは完全に自動化と知能化され、すべてのフローが情報化のシステムによって操作され、データ収集、記憶、抽出がすべて情報化され、パラメータの設定が自動化され、品質の検査が知能化されているので、これは大幅に効率を高め、人為的なミスによる誤りを減らした。３）ＰＫＳ技術はリアルタイムで生産制御パラメータをフィードバックして調整することができ、さらに製品の品質を安定的に制御することができる。
しかし、現在のＰＫＳシステム機能は簡単で、知識マイニングにおいて、まだたくさんの欠点があり、知能化生産管理水準からはまだ大きな距離があり、工程パラメータの制御精度も向上する必要がある。
先行技術の課題を解決するために、本発明は漢方薬生産プロセス知識システムを提供しており、上記発明は下記の通りである。
本発明は、漢方薬生産プロセス制御方法であって、
品質データと工程データを含む生産中のプロセスパラメータデータを収集することと、
前記品質データに基づいてシステムプロセス能力を評価し、プロセス能力評価結果を得ることと、
前記プロセス能力評価結果が十分であれば、全過程監視モードに入ることと、
前記プロセス能力評価結果が不十分であれば、前記工程データに基づいて、設計空間探索モードに入ることと、を含む。
さらに、前記設計空間探索モードに入ることは、
前の製造段階の中間体の品質パラメータを含む工程データを取得することと、
製造段階の生産状況に基づいて、重要品質特性のタイプを選択することと、
前記重要品質特性に関連する工程データをスクリーニングし、重要プロセスパラメータとすることと、
前記重要プロセスパラメータと重要品質特性との間の関係モデルを構築することと、
前記関係モデルに基づき、重要品質特性に対応する特定の区間範囲である設計空間を取得することと、を含む。
さらに、前記設計空間探索モードに入った後、
取得された設計空間に基づいてパラメータをリリースすることと、
システムプロセス能力を再評価し、プロセス能力の再評価結果を得ることと、
前記プロセス能力の再評価結果が十分であれば、全過程監視モードに入ることと、
前記プロセス能力の再評価結果が不十分であれば、設計空間のポテンシャルパラメータをマイニングすることと、をさらに含む。
さらに、前記設計空間のポテンシャルパラメータをマイニングすることは、
設計空間に対応する製造段階の条件に関する情報を含む設計空間のポテンシャルパラメータマイニング要求を受信することと、
前記製造段階の条件に関する情報に基づいて、工程に対応する重要品質特性を取得し、およびポテンシャルパラメータセットを定式化することと、
定式化されたポテンシャルパラメータをテストし、検証の対象になるポテンシャルパラメータを得ることと、
検証の対象になるポテンシャルパラメータを検証し、設計空間ポテンシャルパラメータを得ることと、を含む。
さらに、全過程監視モードに入ることは、多次元パラメータを識別することを含み、
複数のトレーニングサンプルを収集し、トレーニングサンプルセットを構成することと、各トレーニングサンプルは多種のプロセスパラメータを含み、各種のプロセスパラメータはそれぞれの属性パラメータとカテゴリを有し、ここで、前記属性パラメータとカテゴリの組み合わせは複数あり、
前記トレーニングサンプルセットにおけるカテゴリに基づいて、前記トレーニングサンプルセットの分散配信情報値を取得することと、
前記分散配信情報値に基づいて、各種のプロセスパラメータの情報利得を取得することと、
情報利得の最大のプロセスパラメータを分割ノードとして選択し、決定木を作ることと、
決定木に基づいて、新しいデータをカテゴリ別に識別することと、を含む。
さらに、前記全過程監視モードに入ることは、プロセスパラメータに基づいて結果フィードバックを行うことを含み、
中間体結果のタイプを含む結果フィードバックの要求を受信することと、
前記フィードバック要求に対応する、プロセスパラメータセットを構成する多次元パラメータであるプロセスパラメータを取得することと、
前記プロセスパラメータセットをプロセスパラメータサンプルによってトレーニングされた結果フィードバックニューラルネットワークモデルに入力することと、
前記結果フィードバックニューラルネットワークモデルの出力結果を取得することと、を含む。
さらに、前記結果フィードバックニューラルネットワークモデルがプロセスパラメータサンプルによってトレーニングされることは、
トレーニングの対象になる複数のプロセスパラメータセットおよび対応する既知のターゲット値を含むプロセスパラメータサンプルデータを取得することと、
入力層、非表示層、出力層、初期重み、および初期オフセットを含む初期ネットワークモデルを構築することと、
誤差逆伝播法を用いて、重みの収束を実現し、結果フィードバックニューラルネットワークモデルを得るまで、前記初期重みと初期オフセットを更新することと、を含む。
また、本発明は漢方薬生産プロセス知識システムであって、
品質データと工程データを含む生産中のプロセスパラメータデータを収集する生産データ収集ユニットと収集されたプロセスパラメータデータを記憶する記憶ユニットとを含むデータベースモジュールと、
前記品質データに基づいてシステムプロセス能力を評価し、プロセス能力評価結果を得る能力評価モジュールと、
前記プロセス能力評価結果の十分さに応答して、全過程監視モードに入る監視フィードバックモジュールと、
前記プロセス能力評価結果の不十分さに応答して、前記工程データに基づいて、設計空間探索モードに入る設計空間探索モジュールとを含む。
さらに、前記設計空間探索モジュールは、
前の製造段階の中間体の品質パラメータを含む工程データを取得する工程データユニットと、
製造段階の生産状況に基づいて、重要品質特性のタイプを選択するＣＱＡユニットと、
前記重要品質特性に関連する工程データをスクリーニングし、重要プロセスパラメータとするＣＰＰユニットと、
前記重要プロセスパラメータと重要品質特性との間の関係モデルを構築する設計空間モデルユニットと、
前記関係モデルにより、重要品質特性に対応する特定の区間範囲である設計空間を取得する空間ユニットとを含む。
さらに、本発明に係る漢方薬生産プロセス知識システムであって、マイニングモジュールをさらに含み、
設計空間に対応する製造段階の条件情報を含む設計空間のポテンシャルパラメータマイニング要求を受信するマイニング要求ユニットと、
前記製造段階の条件情報に基づいて、製造段階に対応する重要品質特性を取得し、およびポテンシャルパラメータセットを定式化する定式化ユニットと、
定式化されたポテンシャルパラメータをテストし、検証の対象になるポテンシャルパラメータを得るマイニング実行ユニットと、
検証の対象になるポテンシャルパラメータを検証し、設計空間ポテンシャルパラメータを得る検証ユニットとを含む。
さらに、前記監視フィードバックモジュールは、多次元パラメータを識別し、前記監視フィードバックモジュールは、
複数のトレーニングサンプルを収集し、トレーニングサンプルセットを構成するトレーニングサンプル収集ユニットと、各トレーニングサンプルは多種のプロセスパラメータを含み、各種のプロセスパラメータはそれぞれの属性パラメータとカテゴリを有し、前記属性パラメータとカテゴリの組み合わせは複数あり、
前記トレーニングサンプルセットにおけるカテゴリに基づいて、前記トレーニングサンプルセットの分散配信情報値を取得する分散配信ユニットと、
前記分散配信情報値に基づいて、各種のプロセスパラメータの情報利得を取得する利得ユニットと、
情報利得の最大のプロセスパラメータを分割ノードとして選択し、決定木を作る決定木ユニットと、
決定木に基づいて、新しいデータをカテゴリ別に識別するデータ識別ユニットとを含む。
さらに、前記監視フィードバックモジュールは、プロセスパラメータに基づいて結果フィードバックを行い、前記監視フィードバックモジュールは、
中間体結果タイプを含む結果フィードバック要求を受信する結果フィードバック要求ユニットと、
前記フィードバック要求に対応する、プロセスパラメータセットを構成する多次元パラメータであるプロセスパラメータを取得するパラメータユニットと、
前記プロセスパラメータセットをプロセスパラメータサンプルによってトレーニングされた結果フィードバックニューラルネットワークモデルに入力する結果フィードバックニューラルネットワークモデル入力ユニットと、
前記結果フィードバックニューラルネットワークモデルの出力結果を取得する結果フィードバックニューラルネットワークモデル出力ユニットとを含む。
さらに、前記監視フィードバックモジュールは、結果フィードバックニューラルネットワークモデルトレーニングユニットをさらに含み、
トレーニング対象になる複数のプロセスパラメータセットおよび対応する既知のターゲット値を含むプロセスパラメータサンプルデータを取得するトレーニングサンプル取得ユニットと、
入力層、非表示層、出力層、初期重み、および初期オフセットを含む初期ネットワークモデルを構築する初期モデルユニットと、
誤差逆伝播法を用いて、重みの収束を実現し、結果フィードバックニューラルネットワークモデルを得るまで、前記初期重みと初期オフセットを更新する重み更新ユニットとを含む。
本発明による有益な効果は下記の通りである。
１）製造プロセス能力をデジタル化と等級化し、一目で分かりやすく、プロセス制御のために指導根拠を提供する。
２）ＲＳＤ分析と相関分析によって，重要品質特性に関連する重要プロセスパラメータをスクリーニングし、モデルの構築に信頼できるパラメータ素材を提供し、逐次回帰法によって重要プロセスパラメータと重要品質特性との間の関係モデルを構築し、多重共線性の影響を回避し、モデルの信頼性が高い。
３）ポテンシャルパラメータに対して単一因子テストを行い、複数のプロセスパラメータを得て、ポテンシャルパラメータのマイニングに基礎を提供し、ポテンシャルパラメータを直交テストして、分散分析を通して、重要品質特性に関連する検証の対象になるポテンシャルパラメータをスクリーニングして、設計空間の再構築に信頼できるパラメータ素材を提供する。
４）情報利得を決定木分割ノードの選択基準とし、決定木の精度を高め、決定木モデルを作り、多次元データの精確な分類を実現する。
５）誤差逆伝播法を利用して、ニューラルネットワークモデルの重みとオフセットを更新し、モデルの分類精度を絶えず向上させ、結果フィードバックニューラルネットワークモデルを利用して、ＰＫＳ製造プロセス中の入力パラメータを分類し、反応体が合格するかどうかを見て、知能フィードバックを実現する。
本発明の実施形態に係る発明をより明確に説明するために、下記では、実施形態の説明において必要とされる図面を簡単に紹介するが、下記の説明における図面は本発明の一部の実施形態にすぎず、当業者にとっては、創造的な労働を行わない前提として、これらの図面から他の図面を得ることもできる。
図１は、本発明の実施形態に係る漢方薬生産プロセス制御方法のフローチャートである。 図２は、本発明の実施形態に係る生産制御全過程方法の簡易図である。 図３は、本発明の実施形態に係る生産制御全過程方法のフローチャートである。 図４は、本発明の実施形態に係る結果フィードバックニューラルネットワークモデルのトレーニング方法のフローチャートである。 図５は、本発明の実施形態に係る設計空間探索方法のフローチャートである。 図６は、本発明の実施形態に係る設計空間ポテンシャルパラメータマイニング方法のフローチャートである。 図７は、本発明の実施形態に係るシステムプロセス能力評価方法のフローチャートである。 図８は、本発明の実施形態に係る漢方薬生産プロセス知識システムのモジュールブロック図である。 図９は、本発明の実施形態に係る決定木の構成図である。 図１０は、本発明の実施形態に係る多層フィードフォワードニューラルトポロジ構造の概略図である。 図１１は、本発明の実施形態に係る単一ニューラルネットワークユニットの入出力構造の概略図である。
本発明の方案を当業者によりよく理解されるために、下記では、本発明の実施形態における図面を参照して、本発明の実施形態に係る技術方案を明確に、完全に説明し、明らかに、記載された実施形態は、本発明の一部の実施形態であって、全ての実施形態ではない。本発明の実施形態に基づいて、当業者は、創造的な労働がなされていない前提で得られた他の実施形態のすべては、本発明の保護範囲に属するべきである。
［実施形態１］
本発明の一実施形態では、漢方薬生産プロセス制御方法であって、図１を参照して、前記方法は下記のフローを含む。
Ｓ１で、品質データと工程データを含む生産中のプロセスパラメータデータを収集する。
具体的には、図２を参照して、前記品質データは、システムプロセス能力評価のためのデータ基礎として使用され、前記工程データは、設計空間を探すための補助的なデータ基礎として使用される。
前記品質データは製造プロセス中の中間体性能パラメータであり、タイプは中間体の指標成分の含有量、遷移率、純度などを含む。
Ｓ２で、前記品質データに基づいてシステムプロセス能力を評価し、プロセス能力評価結果を取得し、前記プロセス能力評価結果が十分であれば、Ｓ３に進み、そうでなければ、Ｓ４に進む。
具体的には、品質データサンプルを処理すると、品質評価結果が得られ、具体的な処理方法は下記実施形態５において詳しく述べる。
Ｓ３で、全過程監視モードに入る。
プロセス能力評価結果は、製造段階の生産能力が生産の要求に達することを示し、現在の製造段階プロセスパラメータの条件で、中間体の品質安定性とバッチ間の一致性が高く、製造段階の生産能力が良好であるため、現在のプロセスパラメータが正規分布している２σまたは３σをプロセスパラメータのリリース基準として選択し、ＭＳＰＣ方法を用いて制御図を構築し、生産の全過程と終点を監視し、ＰＫＳのリアルタイムトレンド表示モジュールを埋め込むことで、生産全過程のリアルタイム監視とオンライン警報を実現することができる。
ＰＫＳプラットフォームは固定周期ごとに周期内のバッチデータを自動的に収集し、プロセス能力評価を行い、各製造段階の生産プロセス能力の変化を絶えず把握し、各製造段階のパラメータのリリース範囲を絶えず更新し、リアルタイムトレンド表示モジュールにリリース範囲を更新し、全過程監視とオンライン警報を実現することができる。
Ｓ４で、前記工程データに基づいて、設計空間探索モードに入る。
プロセス能力が不十分であると、現在の生産パラメータは製品生産の要求に満足できないことを説明し、現在のパラメータを調整する必要があり、つまり、現在の能力が足りない生産システムに最適化のリリース条件を探すように、設計空間を探す必要がある。
［実施形態２］
本発明の一実施形態では、漢方薬生産プロセスの完全な生産制御方法を提供し、図２及び図３を参照して、前記方法は下記フローを含む。
Ｓ２１で、品質データとプロセスデータを含む生産中のプロセスパラメータデータを収集する。
Ｓ２２で、前記品質データに基づいてシステムプロセス能力を評価し、プロセス能力評価結果を取得し、前記プロセス能力評価結果が十分であれば、Ｓ２３に進み、そうでなければ、Ｓ２４に進み、上記の実施形態１と同様である。
Ｓ２３で、全過程監視モードに入る。
一方、実施形態１で説明したように、全過程監視モードに入ると、リアルタイム監視が可能となり、下記フローを含む。
Ａ１で、複数のトレーニングサンプルを収集し、トレーニングサンプルセットを構成し、
Ａ２で、トレーニングサンプルセットにおけるカテゴリに基づいて、前記トレーニングサンプルセットの分散配信情報値を取得し、
Ａ３で、前記分散配信情報値に基づいて、各種のプロセスパラメータの情報利得を取得し、
Ａ４で、情報利得が最も大きいプロセスパラメータを分割ノードとして選択し、決定木を作り、
Ａ５で、決定木に基づいて、新しいデータをカテゴリ別に識別する。
下記表１を例とする。
本発明の実施形態では、情報利得を分割ノード選択の根拠として、決定木モデルを構築することは、二次元（多次元）データを正確に識別と分類を行うことに有利であり、パラメータ知能フィードバックに信頼できる根拠を提供する。前記二次元（多次元）データは、下記のシーンに適用でき、同じトレーニングサンプルにおけるプロセスパラメータは、重要品質特性に基づいてスクリーニングされた重要プロセスパラメータであり、前記重要品質特性は、プロセス知識システムの製造段階に従って選択された属性パラメータであり、同じ重要品質特性に対して、２つ以上の重要プロセスパラメータを有する場合、本発明の実施形態に係る方法を用いてパラメータタイプを識別することができる。
情報利得が最も大きいプロセスパラメータ温度Ｔをルートノードとして、その対応する属性パラメータを第１の枝ノードとして、各属性パラメータに対応するカテゴリが一致しているかどうかを判断し、一致している場合、このカテゴリをリーフノードとして、一致していない場合、情報利得並べ替えで２番目大きいプロセスパラメータを第２の枝ノードとして、リーフノードとしてカテゴリが得られるまで上記のステップを繰り返す。
図９に示す決定木により、新しいデータをカテゴリ別判定でき、例えば、新しいデータはＴ（Ｌ）Ｐ（Ｈ）ＰＨ（Ｌ）であり、この新しいデータは表１には現れていないが、図９に示す決定木により、このパラメータのカテゴリが優であることが識別でき、また、例えば、新しいデータがＴ（Ｎ）Ｐ（Ｈ）ＰＨ（Ｈ）であれば、このパラメータのカテゴリが不良であると判定し、ユーザーにタイムリーにフィードバックするか、または注意と警告を与える。
ルートノード、各枝ノードが同じで、リーフノードが異なる場合、トレーニングサンプルセットにおける前記ルートノード、各枝ノードの下のリーフノードの数を統計し、統計数が一致していると、任意のリーフノードをランダムに破棄し、そうでなければ、数の低いリーフノードを破棄する。具体的には、例えば、表１に番号が１０であるトレーニングサンプルを追加し、Ｔ（Ｎ）Ｐ（Ｈ）ＰＨ（Ｈ）であり、カテゴリが良であり、明らかに、これは表１の番号が８であるサンプルのカテゴリ結論とは異なり、この場合、両者のサンプルの数を統計し、サンプルの数が多いのを基準とし、数が同じなら、任意のカテゴリをランダムに選択する。
一方、実施形態１に記載されたように、全過程監視モードに入ると、予めオンライン警告も実現でき、下記フローを含む。
Ｂ１で、中間体結果タイプを含む結果フィードバック要求を受信し、
Ｂ２で、前記フィードバック要求に対応する、プロセスパラメータセットを構成する多次元パラメータであるプロセスパラメータを取得し、
Ｂ３で、前記プロセスパラメータセットを結果フィードバックニューラルネットワークモデルに入力し、
前記結果フィードバックニューラルネットワークモデルがプロセスパラメータサンプルによってトレーニングされ、図４を参照して、下記フローを含む。
Ｂ３１で、トレーニングの対象になる複数のプロセスパラメータセットおよび対応する既知のターゲット値を含むプロセスパラメータサンプルデータを取得し、
Ｂ３２で、入力層、非表示層、出力層、初期重み、および初期オフセットを含む初期ネットワークモデルを構築し、
Ｂ３３で、誤差逆伝播法を用いて、重み収束が達成され、結果フィードバックニューラルネットワークモデルを得るまで、前記初期重みと初期オフセットを更新する。
Ｂ４で、前記結果フィードバックニューラルネットワークモデルの出力結果を取得する。
誤差逆伝播過程は、誤差を各層の全ユニットに割り当てることにより、各層ユニットの誤差信号を得て、各ユニットの重みを修正し、すなわち、重み調整過程である。
本発明の他の実施形態では、ニューラルネットワークモデルにおける非表示層数は複数層であり、図示していないが、そのモデルの構築方法および重み、オフセット更新方法は、一層の非表示層のニューラルネットワークモデルと同じであり、下記では、単非表示層のニューラルネットワークモデルを例にして説明する。
ニューラルネットワークの重みは小さな乱数に初期化され、各ニューラルネットワークユニット（略称：ニューロン）は、同様に小さな乱数に初期化される関連するオフセットを有する。図１１を参照して、非表示層における単一のニューロンｊを例にして説明する。
誤差逆伝播を計算する過程は、初期重みと初期オフセットの誤差訂正を行い、重みとオフセットの更新を実現することを含む。
サンプルを処理するごとに重みとオフセットを更新する場合、ケース更新（ｃａｓｅ ｕｐｄａｔｅ）と呼ばれ、トレーニングセットのすべてのタプルを処理した後に重みとオフセットを更新する場合、エポック更新（ｅｐｏｃｈ ｕｐｄａｔｅ）と呼ばれる。理論的には，誤差逆伝播アルゴリズムのデータ導出はエポック更新を用いているが，実際には，ケース更新は，より正確な結果をもたらすことが多い。
上記のアルゴリズムトレーニング学習によって結果フィードバックニューラルネットワークモデルを構築し、各プロセスパラメータの入力に対して、モデルは中間体結果が合格かどうかのフィードバック結果を提供し、すなわちモデルは結果を出力した後、設定の合格基準と比較して、合格か不合格か（または優／良／中／不良）の結果をフィードバックする。
さらに、全過程監視モードにおいて、システムプラットフォームは一定の周期ごとにステップＳ２１を自動サイクル的に実行することによって、全過程監視の制御図を更新する。図２を参照する。
Ｓ２４で、前記工程データに基づいて、設計空間探索モードに入る。
Ｓ２４１で、取得された設計空間に基づいてパラメータをリリースし、
Ｓ２４２で、システムプロセス能力を再評価し、プロセス能力再評価結果を得て、再評価結果が十分であれば、Ｓ２４３に進み、そうでなければ、Ｓ２４４に進み、
Ｓ２４３で、全過程監視モードに入り、
同様に、全過程監視モードにおいて、ように、システムプラットフォームは一定周期ごとにステップＳ２１を自動サイクル的に実行することによって、全過程監視の制御図を更新する。
Ｓ２４４で、設計空間のポテンシャルパラメータをマイニングし、
Ｓ２４５で、プロセス能力再評価結果が十分になるまで、マイニングされたポテンシャルパラメータをリリースパラメータセットに加え、設計空間を最適化する。
具体的な設計空間ポテンシャルパラメータマイニング方法は、下記実施形態４で詳しく述べる。
［実施形態３］
本発明の一実施形態では、設計空間探索方法であって、図５を参照して、前記方法は下記フローを含む。
Ｓ３１で、前の製造段階の中間体の品質パラメータを含む工程データを取得し、
Ｓ３２で、製造段階の生産状況に基づいて、重要品質特性のタイプを選択し、
Ｓ３３で、前記重要品質特性に関連する工程データをスクリーニングし、重要プロセスパラメータとして、
Ｓ３４で、前記重要プロセスパラメータと重要品質特性との間の関係モデルを構築し、
Ｓ３５で、前記関係モデルにより、重要品質特性に対応する特定の区間範囲である設計空間を取得する。
ここで、重要プロセスパラメータをスクリーニングするフローは下記のとおりである。
実際の生産では、すべてのプロセスパラメータに分析価値があるわけではない。これは、実際の生産工程において、いくつかのプロセスパラメータはすでに固定されていたり、或いは、ごく小さい範囲内だけで変化したりするからである。、これらのパラメータは変化が甚だしく小さいため、定数と見なされることができ、分析に組み込まれない。そのため、プロセスパラメータ相対標準偏差分析を行えば、偏差閾値に適合するプロセスパラメータが得られる。
ここでは、相対標準偏差（ｒｅｌａｔｉｖｅ ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ，ＲＳＤ）分析の目的は、変動の大きいプロセスパラメータを初歩的にスクリーニングして得ることであり、偏差閾値に適合するプロセスパラメータを得ることである。
一般的に、ＲＳＤが大きい（≧３％）パラメータを選択して相関分析を行い、ＲＳＤの閾値を３％に設定することができるが、参考にするだけで、実際の閾値の確定は複数の分析を必要とする。
次に、前記偏差閾値に適合するプロセスパラメータを相関分析し、プロセスパラメータと重要品質特性との間の相関係数を得る。
実際の生産では、異なるプロセスパラメータが中間体の品質に対する影響の度合いが異なり、最終製品の品質に決定的な役割を果たすパラメータがあり、中間体や最終製品の品質に対する影響が比較的に小さいパラメータもあり、相関分析を行う目的は製品に影響を与える重要プロセスパラメータおよびその貢献度を直感的に見抜き、生産プロセスの内在規則を探し出して、生産プロセスに対する理解を深めて、生産中の各パラメータに対して目的のある制御をよりよく行う。
再び、前記相関係数に基づいて、前記プロセスパラメータと重要品質特性との間の有意係数を取得する。
ここで、ＲＳＤ（相対標準偏差）分析と相関分析の併用で、実際の生産において製品の品質に影響を与える重要工程パラメータをスクリーニングし、データ処理は全部ＰＫＳシステムのＲＳＤ分析モジュールと相関モジュールで行う。ＳＰＳＳ、Ｍｉｎｉｔａｂなどのソフトを組み合わせるともっと便利である。ＳＰＳＳ、Ｍｉｎｉｔａｂを推薦する。
Ｍｉｎｉｔａｂを例にしてピルソン係数を計算し、分析する項目をＭｉｎｉｔａｂソフトウェアで選択し、ピルソン係数法を選択して、Ｐ値を表示し、即ち、偏差閾値に適合するプロセスパラメータと重要品質特性との間の有意係数である。
最後に、前記有意係数に基づいて、重要プロセスパラメータをスクリーニングして得る。
相関分析では、有意係数Ｐ値が０．０５未満（または実際の状況に応じて分析と選択を行う）のパラメータをＣＰＰとして選択する。上記の２ステップを通じて、当該製造段階の異なるＣＱＡのＣＰＰが得られる。
本実施形態においてＣＰＰをスクリーニングする方法により、生産プロセスにおけるＣＱＡとＣＰＰの初期法則を見出し、生産プロセスに対する理解を初歩的に深め、次のような数学モデルの構築に良好なサンプル基礎を提供する。
ここで、関係モデルを構築する方法は、下記フローを含む。
第１に、重要プロセスパラメータと重要品質特性に対してデータの標準化操作を行う。
標準化の方式は多くて、標準偏差標準化、極値標準化などがあり、研究では多くの試みをして、結果の違いを比較することができる。
第２に、逐次回帰法を利用して、標準化された重要プロセスパラメータと重要品質特性に対してフィッティング操作を行い、関係モデルを得る。
回帰の方法もたくさんあり，線形と非線形を含む。ここで、逐次回帰法（多重共線性の影響を避ける）が使用され、試し得る方法はＳＶＭ、ＭＬＲ、ＢＰなども含む。本発明の実施形態では、Ｍｉｎｉｔａｂを用いて逐次回帰を行い、具体的には、ｍｉｎｉｔａｂにおいて、「統計」(R)「回帰」(R)「フィッティングモデル」を選択し、応答変数と引数を選択して、「逐次」オプションで、選択用a、削除用aおよび逐次タイプを設定し、回帰が終わったら、数学モデル、すなわち回帰方程式が得られる。
一般的に、実験室のデータと比較して、小型テスト研究では、ＣＱＡが多い場合、総合評価の方法を用いて、偏回帰係数法、多指数総合評価法によりＣＰＰをスクリーニングするが、実際の生産には実験設計がないため、小型テスト研究ではＲ２の高い偏向回帰方程式を得るのが難しいので、この方法は実際の生産データには適用しない。生産工程は比較的成熟しているので、変数要素は一定のいくつかの要素になりがちで、したがって、原理の比較的簡単なＲＳＤと相関分析の併用で、実際の生産データでＣＰＰをスクリーニングする効果がより良いであるが、多指標を総合的に評価してスクリーニングする重要プロセスパラメータが欠けているので、一つ一つのＣＱＡで設計空間を探すと、設計空間が交差していない場合があり、つまり、実験室データと比べて、製造プロセスでの決定係数Ｒ２はやや小さくなる欠点もあり、したがって、実際に生産に適合するＣＰＰのスクリーニング方法を探す必要がある。（現在は各ＣＱＡに対応するＣＰＰｓを総合して全体的な評価指標のＣＰＰｓとして使用しようと試み、Ｒ２が０．８５より大きくなるまで、逐次回帰する時は選択用aを拡大する。）
［実施形態４］
本発明の一実施形態では、設計空間のポテンシャルパラメータマイニングする方法であって、図６を参照して、前記方法は下記フローを含む。
Ｓ４１で、設計空間に対応する製造段階の条件情報を含む設計空間のポテンシャルパラメータマイニング要求を受信し、
Ｓ４２で、前記製造段階の条件情報に基づいて、製造段階に対応する重要品質特性を取得し、およびポテンシャルパラメータセットを定式化し、
Ｓ４３で、定式化されたポテンシャルパラメータをテストし、検証の対象になるポテンシャルパラメータを取得し、
好ましくは、具体的なテストプロセスは下記の方法を採用し、定式化されたポテンシャルパラメータに対して単一因子テストを行い、複数のプロセスパラメータを取得し、前記プロセスパラメータを直交テストして、検証の対象になるポテンシャルパラメータを得る。
ここで、検証の対象になるポテンシャルパラメータを取得する方法のフローは、下記フローを含む。
第１に、直交テストを設計し、グループ間試験データとグループ内試験データを得る。
具体的には、前記グループ間試験データは、異なるグループ間（異なるプロセスパラメータに対する）の試験データであり、前記グループ内試験データは、同一のグループ（同一のプロセスパラメータに対する）の試験データである。
第２に、グループ間試験データとグループ内試験データを分散分析し、二乗平均偏差と比率を得る。
前記分散分析のプロセスは下記の通りであり、設計された直交テストに基づいて、グループ間の自由度とグループ内の自由度を決定し、グループ間の試験データとグループ内の試験データに基づいて、グループ間の二乗偏差の和とグループ内の二乗偏差の和を計算し、そしてグループ間の二乗偏差の和とグループ間の自由度に基づいて、グループ間の平均二乗を計算し、グループ内の二乗偏差の和とグループ内の自由度に基づいて、グループ内の平均二乗を計算し、グループ間の平均二乗とグループ内の平均二乗に基づいて、平均二乗の偏差平方和の比率（Ｆ値）が得られる。
第３に、前記平均二乗の偏差平方和の比率に基づいて、対応する有意係数をマッチングする。
ルックアップテーブルは、前記Ｆ値にマッチングする有意係数Ｐ値を決定することができる。
第４に、前記有意係数に基づいて、検証の対象になるポテンシャルパラメータをスクリーニングする。
有意係数閾値を決定し、前記有意係数閾値よりも小さい有意係数に対応するプロセスパラメータを検証の対象になるポテンシャルパラメータとする。すなわち、有意係数Ｐ値が０．０５未満（または実際の状況に応じて分析と選択を行う）のパラメータを検証の対象になるポテンシャルパラメータとして選択する。
上記の好ましい方法以外に、下記マイニング方法を採用してもよい。定式化されたポテンシャルプロセスパラメータに対してＰｌａｃｋｅｔ−Ｂｕｍａｎテストを行い、スクリーニング規則に従ってプロセスパラメータをスクリーニングし、本実施形態では、スクリーニング規則はＰｌａｃｋｅｔｔ−Ｂｕｍａｎテストで得られた有意係数が０．０５以下の定式化パラメータをスクリーニングで得られたプロセスパラメータとする。
次に、下記の方法をさらに実行して、検証の対象になるポテンシャルパラメータを得る。
プロセスパラメータに対して相対標準偏差分析を行い、偏差閾値に適合するプロセスパラメータを取得し、前記偏差閾値に適合するプロセスパラメータを相関分析し、プロセスパラメータと重要品質特性との間の相関係数を取得し、前記相関係数に基づいて、前記プロセスパラメータと重要品質特性との間の有意係数を取得し、有意係数閾値よりも小さい有意係数に対応するプロセスパラメータを検証の対象になるポテンシャルプロセスパラメータとする。
Ｓ４４で、検証の対象になるポテンシャルパラメータを検証し、設計空間ポテンシャルパラメータを得る。
ここで、検証の対象になるポテンシャルパラメータを検証する方法は、下記のフローを含む。
まず、検証の対象になるポテンシャルパラメータを設計空間の重要プロセスパラメータライブラリに加入し、重要プロセスパラメータセットを更新する。
実施形態１で説明したように、ポテンシャルパラメータ範囲は、前記リリースパラメータ（すなわちＣＰＰ）以外の範囲で定式化され、検証の対象になるポテンシャルパラメータが前記ポテンシャルパラメータ範囲からスクリーニングされたものであり、本実施形態では、検証の対象になるポテンシャルパラメータを検証する過程はすなわち設計空間最適化の過程であり、すなわち、検証の対象になるポテンシャルパラメータとリリースパラメータを利用して新しいＣＰＰを構成し、新しい設計空間を探す。
具体的には、更新された設計空間を検証し、マイニングされたポテンシャルパラメータがＰＫＳシステムの生産能力と性能に有益な影響を与えるかどうかを確認するようにしてよい。検証方式は、最適化前後のシステムプロセス能力を計算するもので、プロセス能力が向上すれば、マイニングされたポテンシャルパラメータの成功を示し、逆にプロセス能力が低下すれば、最適化前の設計空間に復帰する。
［実施形態５］
本発明の実施形態では、システムプロセス能力評価方法であって、図７を参照して、前記方法は下記のフローを含む。
Ｓ５１で、製造中の中間体の性能パラメータである品質データを収集し、品質サンプルを取得し、
Ｓ５２で、前記品質サンプルに基づいて、プロセス平均値とプロセス標準偏差を取得し、
Ｓ５３で、前記品質サンプルに対してデータスクリーニングを行い、品質制御標準サンプルを取得し、
例えば、品質サンプルには１００個の品質データがあり、番号は０−９９で、この品質サンプルを１００回（９９回または１０１回または他の回数でもよい。）ランダムにサンプリングし、毎回ランダムに番号０−９９の中からある番号の品質データを抽出して、配列メンバーとして、１００回のランダムにサンプリングして、１００個の数字の配列を得て、更にこの配列を小さいから大きいまでの順に並べ替える。スクリーニング規則（例えば、並べ替えたサンプルの中間の８０％のデータを製造段階の品質評価データとする）に従って、小さいから大きいまでの順に並べ替えた配列について、１１番目の数字を取って第１の品質制御標準サンプルに入れ、９０番目の数字を取って第２の品質制御標準サンプルに入れる。
上記のステップを繰り返し、例えば、１００００回繰り返すと、第１の品質制御標準サンプルには１００００個の品質制御標準下限があり、第２の品質制御標準サンプルには１００００個の品質制御標準上限がある。
Ｓ５４で、前記品質制御標準サンプルに基づいて、品質制御標準の上限および／または下限を得取得し、
具体的には、第１の品質制御標準サンプルに対してサンプル平均を求め、すなわち、前記第１の品質制御標準サンプルの１００００個の品質制御標準下限の平均値を取って、品質制御標準下限を取得し、第２の品質制御標準サンプルに対してサンプル平均を求め、すなわち、前記第２の品質制御標準サンプルの１００００個の品質制御標準上限の平均値を取って、品質制御標準上限を取得する。
Ｓ５７で、前記品質評価結果に基づいて、プロセス能力評価結果を得る。
具体的には、品質評価結果と対応するプロセス能力評価結果が設定された対応能力評価マップを予め確立する。例えば、品質評価結果が２．００以上であれば、プロセス能力評価結果はＡ＋＋級であり、品質評価結果は１．６７以上で、２未満であれば、プロセス能力評価結果はＡ＋級であり、品質評価結果は１．３３以上で、１．６７未満であれば、プロセス能力評価結果はＡ級であり、品質評価結果は１．００以上であり、１．３３未満であれば、プロセス能力評価結果はＢ級であり、品質評価結果は０．６７以上で、１．００未満であれば、プロセス能力評価結果はＣ級であり、品質評価結果は０．６７未満であれば、プロセス能力評価結果はＤ級である。
前記プロセス能力評価結果の意味は、この結果に基づいて、製造過程の制御を指導することであり、例えば、プロセス能力評価結果はＡ＋＋級であると、生産能力がオーバーフローになり、コスト削減を考慮する必要があるということであり、プロセス能力評価結果はＡ＋級であると、このレベルを維持し続けることができるということであり、プロセス能力評価結果はＡ級であると、プロセス能力が良好であり、適切に向上することができるということであり、プロセス能力評価結果はＢ級であると、プロセス能力が一般的であり、肝心な製造段階であれば適切に向上することができ、もし非肝心な製造段階であれば改善しなくてもよいということであり、プロセス能力評価結果はＣ級であると、プロセス能力の向上が必要であるということであり、プロセス能力評価結果はＤ級であると、プロセス能力が深刻な不足であり、生産を停止して検査を行うよう提案する。
複数の品質評価結果が存在する場合、能力評価規則に基づいて、プロセス能力評価結果を確定し、例えば、複数の品質評価結果の中で最低のものを選択し、その最低品質評価結果とマッピング関係があるプロセス能力評価結果を複数の品質評価結果の能力評価結果としてマッチングさせる。本発明は、能力評価規則が最低規則であることを限定することなく、実際の生産状況に応じた能力評価規則を制定することができる。
［実施形態６］
本発明の一実施形態では、漢方薬生産プロセス知識システムであって、図８を参照して、前記システムは、
品質データと工程データを含む生産中のプロセスパラメータデータを収集する生産データ収集ユニット６１１と収集されたプロセスパラメータデータを記憶する記憶ユニット６１２とを含むデータベースモジュール６１０と、
前記品質データに基づいてシステムのプロセス能力を評価し、プロセス能力評価結果を得る能力評価モジュール６２０と、
前記プロセス能力評価結果の十分さに応答して、全過程監視モードに入る監視フィードバックモジュール６３０と、
前記プロセス能力評価結果の不十分さに応答して、前記プロセスデータに基づいて、設計空間探索モードに入る設計空間探索モジュール６４０と、を含む。
ｐｋｓシステムで使用される大量の品質データおよびプロセスパラメータデータは、データベースモジュール６１０に記憶され、指標成分含有量、密度、ｐＨなどの単一変数属性や指紋スペクトル、近赤外線スペクトル、紫外スペクトルなどの全体的な属性を反映するスペクトル行列などのデータを含み、非関係型データベースを採用し、その特徴は、非関係型、分散式、オープンソース、水平拡張可能なものである。
具体的にはＲｅｄｉｓデータベースでデータを格納し、パーティション技術を採用しており、その利点は下記の通りである。１、複数のコンピュータのメモリの和値を利用することで、より大きなデータベースを構築することができる。２、マルチコアと複数のコンピュータを通じて、計算能力を拡張することができ、複数のコンピュータとネットワークアダプタを通じて、ネットワーク帯域幅を拡大することができる。
ｐｋｓシステムでは、Ｒｅｄｉｓデータベースを採用しながら、ハッシュ・パーティション技術を採用し、具体的な実現ステップは下記の通りである。
第１のステップ：ハッシュテーブルを作成し、データ中のキーワードをインデックスとして選択する。
第２のステップ：適切なハッシュ関数を選択し、整数に対してモジュールを取ると、それを０−３の間の数字に変換し、この整数を４つのＲｅｄｉｓのインスタンスのうちの１つにマッピングすることができる。例えば、９３０２４９２２％は４＝２となり、Ｒ２のインスタンスに保存されるべきである。
第３のステップ：ｍとｎをそれぞれ表長と表に記入された接合点を表示すると、α＝ｎ／ｍをハッシュリストの負荷率（Ｌｏａｄ Ｆａｃｔｏｒ）と定義する。αが大きければ大きいほど表がいっぱいになり、衝突の機会も大きい。通常はα≦１を取る。負荷率が０．７５より大きい場合は、ハッシュ・テーブルを再ハッシュし、大量のデータの迅速な記憶を保証し、データのリアルタイム読み取りに基礎を提供する。
データベースモジュール６１０からリアルタイムデータ読み取りを行うには、主に次のような技術が用いられる。
１）記憶複製技術
コアスキームは、アレイ自体を記憶するディスクアレイを用いてディスクアレイのデータブロックを複製する技術で、品質データとプロセスパラメータデータのリモートコピーを実現し、データを災害から保護することを実現する。メインデータセンターで災害が発生した場合、災害準備センターのデータを利用して、災害準備センターで運営サポート環境を構築し、生産継続運営をサポートする。同時に、災害準備センターのデータを利用してメインデータセンターの業務システムを回復することにより、生産運営を災害が発生する前の正常な運営状態に迅速に回復させることもできる。
２）ＥＴＬ抽出技術
ＥＴＬとは、データ抽出（Ｅｘｔｒａｃｔ）、変換（Ｔｒａｎｓｆｏｒｍ）、ロード（Ｌｏａｄ）の過程である。ソースからターゲットシステムにデータを変換する方法を提供する。具体的な機能は異なる品質データとプロセスパラメータデータに対して異なるデータ抽出、変換、ローディング処理を行い、データ統合の大部の仕事を完成する。
ここで、主に使用される機能技術は、データクリーニング変換機能であり、すなわち、フィールドマッピング、マッピングの自動マッチング、フィールドの分割、多フィールドの混合演算、異種データベースにまたがる関連、カスタム関数、多データタイプへのサポート、複雑な条件フィルタリング、汚れ読みへのサポート、データの一括ロード、時間タイプの変換、様々なコードテーブルへのサポート、環境変数の動的変更、繰り返し記録削除、ブレークポイント抽出、記録間のマージまたは計算、記録分割、抽出されたフィールドが動的に変更されるかどうか、行／列変換、並べ替え、統計、度量衡などのよく使われる変換関数、プロキシキーの生成、デバッグ機能、リモートデータの抽出、増分抽出の処理方法、サンプルデータの製造、変換過程でデータ比較の機能をサポートするかどうか、データプレビュー、性能モニタ、データクリーニングおよび標準化、行／列別のパケット集約など。
ｐｋｓシステムでは、上記の技術を採用して、大量のデータが迅速且つ同時にリアルタイムで読み取れることを保証し、次のステップのデータ分析フィードバックのために準備を整える。
具体的には、前記設計空間探索モジュール６４０は、
前の製造段階の中間体の品質パラメータを含む工程データを取得するプロセスデータユニット６４１と、
工程の生産状況に基づいて、重要品質特性のタイプを選択するＣＱＡユニット６４２と、
前記重要品質特性に関連する工程データをスクリーニングし、重要プロセスパラメータとするＣＰＰユニット６４３と、
前記重要プロセスパラメータと重要品質特性との間の関係モデルを構築する設計空間モデルユニット６４４と、
前記関係モデルにより、重要品質特性に対応する特定の区間範囲である設計空間を取得する空間ユニット６４５と、を含む。
本発明の実施形態に係る漢方薬生産プロセス知識システムは、マイニングモジュール６５０をさらに含み、前記マイニングモジュール６５０は、
設計空間に対応する製造段階の条件情報を含む設計空間のポテンシャルパラメータマイニング要求を受信するマイニング要求ユニット６５１と、
前記製造段階の条件情報に基づいて、製造段階に対応する重要品質特性を取得し、およびポテンシャルパラメータセットを定式化する定式化ユニット６５２と、
定式化されたポテンシャルパラメータをテストし、検証の対象になるポテンシャルパラメータを得るマイニング実行ユニット６５３と、
検証の対象になるポテンシャルパラメータを検証し、設計空間ポテンシャルパラメータを得る検証ユニット６５４と、を含む。
本発明の実施形態では、前記監視フィードバックモジュール６３０は、多次元パラメータを識別し、前記監視フィードバックモジュール６３０は、
複数のトレーニングサンプルを収集し、トレーニングサンプルセットを構成するトレーニングサンプル収集ユニット６３１ａと、各トレーニングサンプルは多種のプロセスパラメータを含み、各種のプロセスパラメータはそれぞれの属性パラメータとカテゴリを有し、前記属性パラメータとカテゴリの組み合わせは多種あり、
前記トレーニングサンプルセットにおけるカテゴリに基づいて、前記トレーニングサンプルセットの分散配信情報値を取得する分散配信ユニット６３２ａと、
前記分散配信情報値に基づいて、各種のプロセスパラメータの情報利得を取得する利得ユニット６３３ａと、
情報利得の最大のプロセスパラメータを分割ノードとして選択し、決定木を作る決定木ユニット６３４ａと、
決定木に基づいて、新しいデータをカテゴリ別に識別するデータ識別ユニット６３５ａとを含む。
また、本発明の別の実施形態では、前記監視フィードバックモジュール６３０は、プロセスパラメータに基づいて結果フィードバックを行い、前記監視フィードバックモジュール６３０は、
中間体結果タイプを含む結果フィードバック要求を受信する結果フィードバック要求ユニット６３１ｂと、
前記フィードバック要求に対応する、プロセスパラメータセットを構成する多次元パラメータであるプロセスパラメータを取得するパラメータユニット６３２ｂと、
前記プロセスパラメータセットをプロセスパラメータサンプルによってトレーニングされた結果フィードバックニューラルネットワークモデルに入力する結果フィードバックニューラルネットワークモデル入力ユニット６３３ｂと、
前記結果フィードバックニューラルネットワークモデルの出力結果を取得する結果フィードバックニューラルネットワークモデル出力ユニット６３４ｂとを含む。
なお、前記監視フィードバックモジュール６３０は、結果フィードバックニューラルネットワークモデルトレーニングユニット６３５ｂをさらに含み、
トレーニングの対象になる複数のプロセスパラメータセットおよび対応する既知のターゲット値を含むプロセスパラメータサンプルデータを取得するトレーニングサンプル取得ユニット６３５１と、
入力層、非表示層、出力層、初期重み、および初期オフセットを含む初期ネットワークモデルを構築する初期モデルユニット６３５２と、
誤差逆伝播法を用いて、重みの収束を実現し、結果フィードバックニューラルネットワークモデルを得るまで、前記初期重みと初期オフセットを更新する重み更新ユニット６３５３とを含む。
なお、上記実施形態に係る漢方薬生産プロセス知識システムは、生産プロセス制御を行う際に、上述の各機能モジュールの区分のみを例にして説明しているが、実際の応用では、必要に応じて上記機能を異なる機能モジュールに割り当てて完成させてもよく、すなわち、漢方薬生産プロセス知識システムの内部構造を異なる機能モジュールに分割して、上記説明の全部または一部の機能を果たすことができる。また、本実施形態に係る漢方薬生産プロセス知識システムの実施形態は、上記実施形態に係る漢方薬生産プロセス制御方法と同一の構想に属し、その具体的な実現過程は、方法の実施形態に詳しく記載されており、ここでは重複に説明しない。
以上の説明は本発明の好ましい実施形態だけであって、本発明を限定することはなく、本発明の精神及び原則に基づいて行ったいかなる修正、均等置換、改善等は、すべて本発明の保護範囲に含まれるべきである。

Claims (15)

  1. 漢方薬生産プロセス制御方法であって、
    品質データと工程データを含む生産中のプロセスパラメータデータを収集することと、
    前記品質データに基づいてシステムプロセス能力を評価し、プロセス能力評価結果を得ることと、
    前記プロセス能力評価結果が十分であれば、全過程監視モードに入ることと、
    前記プロセス能力評価結果が不十分であれば、前記工程データに基づいて、設計空間探索モードに入ることと、を含むことを特徴とする漢方薬生産プロセス制御方法。
  2. 前記設計空間探索モードに入ることは、
    前の製造段階の中間体の品質パラメータを含む工程データを取得することと、
    製造段階の生産状況に基づいて、重要品質特性のタイプを選択することと、
    前記重要品質特性に関連する工程データをスクリーニングし、重要プロセスパラメータとすることと、
    前記重要プロセスパラメータと重要品質特性との間の関係モデルを構築することと、
    前記関係モデルに基づき、重要品質特性に対応する特定の区間範囲である設計空間を取得することと、を含むことを特徴とする請求項１に記載の方法。
  3. 前記設計空間探索モードに入った後、
    取得された設計空間に基づいてパラメータをリリースすることと、
    システムプロセス能力を再評価し、プロセス能力の再評価結果を得ることと、
    前記プロセス能力の再評価結果が十分であれば、全過程監視モードに入ることと、
    前記プロセス能力の再評価結果が不十分であれば、設計空間のポテンシャルパラメータをマイニングすることと、をさらに含むことを特徴とする請求項１に記載の方法。
  4. 前記設計空間のポテンシャルパラメータをマイニングすることは、
    設計空間に対応する製造段階の条件情報を含む設計空間のポテンシャルパラメータマイニングの要求を受信することと、
    前記製造段階の条件情報に基づいて、工程に対応する重要品質特性を取得し、およびポテンシャルパラメータセットを定式化することと、
    定式化されたポテンシャルパラメータをテストし、検証の対象になるポテンシャルパラメータを得ることと、
    検証の対象になるポテンシャルパラメータを検証し、設計空間のポテンシャルパラメータを得ることと、を含むことを特徴とする請求項３に記載の方法。
  6. 前記全過程監視モードに入ることは、多次元パラメータを識別することを含み、
    複数のトレーニングサンプルを収集し、トレーニングサンプルセットを構成することと、各トレーニングサンプルは多種のプロセスパラメータを含み、各種のプロセスパラメータはそれぞれの属性パラメータとカテゴリを有し、ここで前記属性パラメータとカテゴリの組み合わせは複数あり、
    前記トレーニングサンプルセットにおけるカテゴリに基づいて、前記トレーニングサンプルセットの分散配信情報値を取得することと、
    前記分散配信情報値に基づいて、各種のプロセスパラメータの情報利得を取得することと、
    情報利得の最大のプロセスパラメータを分割ノードとして選択し、決定木を作ることと、
    決定木に基づいて、新しいデータをカテゴリ別に識別することと、を含むことを特徴とする請求項１に記載の方法。
  7. 前記全過程監視モードに入ることは、プロセスパラメータに基づいて結果フィードバックを行うことを含み、
    中間体結果タイプを含む結果フィードバック要求を受信することと、
    前記フィードバック要求に対応する、プロセスパラメータセットを構成する多次元パラメータであるプロセスパラメータを取得することと、
    前記プロセスパラメータセットをプロセスパラメータサンプルによってトレーニングされた結果フィードバックニューラルネットワークモデルに入力することと、
    前記結果フィードバックニューラルネットワークモデルの出力結果を取得することと、を含むことを特徴とする請求項１に記載の方法。
  8. 前記結果フィードバックニューラルネットワークモデルがプロセスパラメータサンプルによってトレーニングされることは、
    トレーニング対象の複数のプロセスパラメータセットおよび対応する既知のターゲット値を含むプロセスパラメータサンプルデータを取得することと、
    入力層、非表示層、出力層、初期重み、および初期オフセットを含む初期ネットワークモデルを構築することと、
    誤差逆伝播法を用いて、重み収束が達成され、結果フィードバックニューラルネットワークモデルを得るまで、前記初期重みと初期オフセットを更新することと、を含むことを特徴とする請求項７に記載の方法。
  9. 漢方薬生産プロセス知識システムであって、
    品質データとプロセスデータを含む生産中のプロセスパラメータデータを収集する生産データ収集ユニットと収集されたプロセスパラメータデータを記憶する記憶ユニットとを含むデータベースモジュールと、
    前記品質データに基づいてシステムプロセス能力を評価し、プロセス能力評価結果を得る能力評価モジュールと、
    前記プロセス能力評価結果の十分さに応答して、全過程監視モードに入る監視フィードバックモジュールと、
    前記プロセス能力評価結果の不十分さに応答して、前記プロセスデータに基づいて、設計空間探索モードに入る設計空間探索モジュールと、を含むことを特徴とする漢方薬生産プロセス知識システム。
  10. 前記設計空間探索モジュールは、
    前の製造段階の中間体の品質パラメータを含む工程データを取得する工程データユニットと、
    製造段階の生産状況に基づいて、重要品質特性のタイプを選択するＣＱＡユニットと、
    前記重要品質特性に関連する工程データをスクリーニングし、重要プロセスパラメータとするＣＰＰユニットと、
    前記重要プロセスパラメータと重要品質特性との間の関係モデルを構築する設計空間モデルユニットと、
    前記関係モデルにより、重要品質特性に対応する特定の区間範囲である設計空間を取得する空間ユニットと、を含むことを特徴とする請求項９に記載のシステム。
  11. マイニングモジュールをさらに含み、
    設計空間に対応する製造段階の条件情報を含む設計空間のポテンシャルパラメータマイニング要求を受信するマイニング要求ユニットと、
    前記製造段階の条件情報に基づいて、製造段階に対応する重要品質特性を取得し、およびポテンシャルパラメータセットを定式化する定式化ユニットと、
    定式化されたポテンシャルパラメータをテストし、検証の対象になるポテンシャルパラメータを得るマイニング実行ユニットと、
    検証の対象になるポテンシャルパラメータを検証し、設計空間ポテンシャルパラメータを得る検証ユニットとを含むことを特徴とする請求項９に記載のシステム。
  13. 前記監視フィードバックモジュールは、多次元パラメータを識別し、前記監視フィードバックモジュールは、
    複数のトレーニングサンプルを収集し、トレーニングサンプルセットを構成するトレーニングサンプル収集ユニットと、各トレーニングサンプルは多種のプロセスパラメータを含み、各種のプロセスパラメータはそれぞれの属性パラメータとカテゴリを有し、前記属性パラメータとカテゴリの組み合わせは複数あり、
    前記トレーニングサンプルセットにおけるカテゴリに基づいて、前記トレーニングサンプルセットの分散配信情報値を取得する分散配信ユニットと、
    前記分散配信情報値に基づいて、各種のプロセスパラメータの情報利得を取得する利得ユニットと、
    情報利得の最大のプロセスパラメータを分割ノードとして選択し、決定木を作る決定木ユニットと、
    決定木に基づいて、新しいデータをカテゴリ別に識別するデータ識別ユニットとを含むことを特徴とする請求項９に記載のシステム。
  14. 前記監視フィードバックモジュールは、プロセスパラメータに基づいて結果フィードバックを行い、前記監視フィードバックモジュールは、
    中間体結果タイプを含む結果フィードバック要求を受信する結果フィードバック要求ユニットと、
    前記フィードバック要求に対応する、プロセスパラメータセットを構成する多次元パラメータであるプロセスパラメータを取得するパラメータユニットと、
    前記プロセスパラメータセットをプロセスパラメータサンプルによってトレーニングされた結果フィードバックニューラルネットワークモデルに入力する結果フィードバックニューラルネットワークモデル入力ユニットと、
    前記結果フィードバックニューラルネットワークモデルの出力結果を取得する結果フィードバックニューラルネットワークモデル出力ユニットとを含むことを特徴とする請求項９に記載のシステム。
  15. 前記監視フィードバックモジュールは、結果フィードバックニューラルネットワークモデルトレーニングユニットをさらに含み、
    トレーニングの対象になる複数のプロセスパラメータセットおよび対応する既知のターゲット値を含むプロセスパラメータサンプルデータを取得するトレーニングサンプル取得ユニットと、
    入力層、非表示層、出力層、初期重み、および初期オフセットを含む初期ネットワークモデルを確立する初期モデルユニットと、
    誤差逆伝播法を用いて、重みが収束を実現し、結果フィードバックニューラルネットワークモデルを得るまで、前記初期重みと初期オフセットを更新する重み更新ユニットとを含むことを特徴とする請求項１４に記載のシステム。
JP2020533333A 2017-08-31 2018-08-08 漢方薬生産プロセス知識システム Active JP6979527B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201710770922.4 2017-08-31
CN201710770922.4A CN107578104B (zh) 2017-08-31 2017-08-31 一种中药生产过程知识系统
PCT/CN2018/099310 WO2019042099A1 (zh) 2017-08-31 2018-08-08 一种中药生产过程知识系统

Publications (2)

Publication Number Publication Date
JP2020533403A true JP2020533403A (ja) 2020-11-19
JP6979527B2 JP6979527B2 (ja) 2021-12-15

Family

ID=61029919

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020533333A Active JP6979527B2 (ja) 2017-08-31 2018-08-08 漢方薬生産プロセス知識システム

Country Status (6)

Country Link
US (1) US20200350058A1 (ja)
EP (1) EP3678065A4 (ja)
JP (1) JP6979527B2 (ja)
KR (1) KR102361343B1 (ja)
CN (1) CN107578104B (ja)
WO (1) WO2019042099A1 (ja)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578104B (zh) * 2017-08-31 2018-11-06 江苏康缘药业股份有限公司 一种中药生产过程知识系统
CN108346058A (zh) * 2018-01-16 2018-07-31 湖南省中医药研究院 一种中药饮片生产多维动态质量监控系统及方法
CN109033438B (zh) * 2018-08-15 2022-06-21 邢鲁华 一种记录用户学习内容的方法及装置
CN110390422A (zh) * 2019-06-13 2019-10-29 江苏康缘药业股份有限公司 一种数据驱动的热毒宁注射液绿原酸转移率预测方法
CN112734598A (zh) * 2019-10-29 2021-04-30 北京国双科技有限公司 建立外包平台模型的方法、外包方查找方法及装置
CN111080150A (zh) * 2019-12-23 2020-04-28 杭州雷数科技有限公司 生产数据分析方法、装置、设备及介质
CN111695595B (zh) * 2020-04-30 2023-09-15 首钢京唐钢铁联合有限责任公司 一种轨道衡的异常数据识别方法及装置
TWI721879B (zh) * 2020-05-04 2021-03-11 和碩聯合科技股份有限公司 決定產能參數的方法及產能參數產生系統
CN111402989B (zh) * 2020-06-08 2020-11-06 江西汇仁药业股份有限公司 一种中药综合品质评价方法
CN111398538B (zh) * 2020-06-08 2020-10-09 江西汇仁药业股份有限公司 中药综合品质评价方法
CN112036569B (zh) * 2020-07-30 2021-07-23 第四范式（北京）技术有限公司 知识内容的标注方法、装置、计算机装置和可读存储介质
CN111950784B (zh) * 2020-08-04 2023-06-09 广东工业大学 一种融合注意力机制的产能预测方法
CN112090097B (zh) * 2020-08-06 2021-10-19 浙江大学 一种中药浓缩器的性能分析方法及其应用
CN112649324B (zh) * 2020-12-30 2023-03-24 上海电缆研究所有限公司 一种评价核电站电缆用非金属材料一致性的分析方法
CN114791477B (zh) * 2021-01-25 2023-12-05 北京中医药大学 一种大蜜丸质构感官属性检测方法在质量控制中的应用
CN113345593A (zh) * 2021-03-17 2021-09-03 天津大学 一种在生物关联网络中进行疾病关联关系预测的方法
CN113140053B (zh) * 2021-04-29 2022-11-08 四川虹美智能科技有限公司 基于环形动态线的自动化扫码测试系统及方法
CN113627755B (zh) * 2021-07-27 2023-06-30 深圳市三七智远科技有限公司 智能终端工厂的测试方法、装置、设备及存储介质
CN113656456A (zh) * 2021-08-13 2021-11-16 上海铸世自动化科技有限公司 压铸生产中工艺参数大数据的实时采集控制方法
CN116047507B (zh) * 2023-03-29 2023-06-23 扬州宇安电子科技有限公司 一种基于神经网络的靶机告警方法
CN117631627A (zh) * 2023-12-01 2024-03-01 邵东智能制造技术研究院有限公司 一种基于工业互联网的数字化改造方法
CN117726187A (zh) * 2024-02-18 2024-03-19 浙江省药品信息宣传和发展服务中心(浙江省药品监督管理局行政受理中心) 一种医药中间体的监管方法、系统和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07302101A (ja) * 1994-05-02 1995-11-14 Toshiba Corp Ｈ無限大ノルム測定装置および制御系の安定性監視装置
JP2002073626A (ja) * 2000-08-28 2002-03-12 Sumitomo Pharmaceut Co Ltd 決定木によるファーマコフォア解析方法
JP2014013581A (ja) * 2008-03-08 2014-01-23 Tokyo Electron Ltd 生物学に基づく自律学習ツール
JP2016045801A (ja) * 2014-08-25 2016-04-04 ケーディーアイコンズ株式会社 情報処理装置及びプログラム
CN105867129A (zh) * 2016-04-18 2016-08-17 浙江大学苏州工业技术研究院 基于数据挖掘技术的中药提取工艺优化方法
CN106154209A (zh) * 2016-07-29 2016-11-23 国电南瑞科技股份有限公司 基于决策树算法的电能表故障预测方法
US20170003677A1 (en) * 2015-07-03 2017-01-05 Yuan Ze University Real Time Monitoring System and Method Thereof of Optical Film Manufacturing Process
WO2019042099A1 (zh) * 2017-08-31 2019-03-07 江苏康缘药业股份有限公司 一种中药生产过程知识系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6728695B1 (en) * 2000-05-26 2004-04-27 Burning Glass Technologies, Llc Method and apparatus for making predictions about entities represented in documents
US7117050B2 (en) * 2002-11-08 2006-10-03 Toshiba Kikai Kabushiki Kaisha Management supporting apparatus, management supporting system, management supporting method, management supporting program, and a recording medium with the program recorded therein
US8209156B2 (en) * 2005-04-08 2012-06-26 Caterpillar Inc. Asymmetric random scatter process for probabilistic modeling system for product design
US20120253869A1 (en) * 2009-12-14 2012-10-04 Rebecca Ansley System and Method for Process Improvement and Associated Products and Services
CN101916334B (zh) * 2010-08-16 2015-08-12 清华大学 一种皮肤状况预测方法及其预测系统
US8666922B2 (en) * 2011-03-18 2014-03-04 Battelle Memorial Institute Information processing systems, reasoning modules, and reasoning system design methods
CN103186125A (zh) * 2011-12-31 2013-07-03 上海金皮宝制药有限公司 采用专家系统的中药生产在线控制系统
KR101530848B1 (ko) * 2012-09-20 2015-06-24 국립대학법인 울산과학기술대학교 산학협력단 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법
US8897560B2 (en) * 2012-09-24 2014-11-25 Eastman Kodak Company Determining the estimated clutter of digital images
US9864366B2 (en) * 2013-03-15 2018-01-09 Etegent Technologies Ltd. Manufacture modeling and monitoring
CN103268329B (zh) * 2013-05-04 2015-12-23 四川虹欧显示器件有限公司 等离子显示屏制造过程数据挖掘系统
CN104050612A (zh) * 2014-03-13 2014-09-17 无锡香象生物科技有限公司 一种基于云计算的药品比值比失衡安全监测方法
US20160004983A1 (en) * 2014-07-07 2016-01-07 GM Global Technology Operations LLC Method and apparatus for quantifying dimensional variations and process capability independently of datum points
US10135856B2 (en) * 2014-12-18 2018-11-20 International Business Machines Corporation Auto-tuning program analysis tools using machine learning
CN104833651B (zh) * 2015-04-15 2017-06-30 浙江大学 金银花浓缩过程在线实时放行检测方法
CN104865322A (zh) * 2015-04-15 2015-08-26 浙江大学 一种栀子萃取液浓缩过程快速检测方法
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US11507064B2 (en) * 2016-05-09 2022-11-22 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection in downstream oil and gas environment
CN106022477A (zh) * 2016-05-18 2016-10-12 国网信通亿力科技有限责任公司 智能分析决策系统及方法
US20200334921A1 (en) * 2016-05-27 2020-10-22 Apotex Inc. Methods for process validation
US10310852B2 (en) * 2016-09-29 2019-06-04 Entit Software Llc Timing estimations for application lifecycle management work items determined through machine learning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07302101A (ja) * 1994-05-02 1995-11-14 Toshiba Corp Ｈ無限大ノルム測定装置および制御系の安定性監視装置
JP2002073626A (ja) * 2000-08-28 2002-03-12 Sumitomo Pharmaceut Co Ltd 決定木によるファーマコフォア解析方法
JP2014013581A (ja) * 2008-03-08 2014-01-23 Tokyo Electron Ltd 生物学に基づく自律学習ツール
JP2016045801A (ja) * 2014-08-25 2016-04-04 ケーディーアイコンズ株式会社 情報処理装置及びプログラム
US20170003677A1 (en) * 2015-07-03 2017-01-05 Yuan Ze University Real Time Monitoring System and Method Thereof of Optical Film Manufacturing Process
CN105867129A (zh) * 2016-04-18 2016-08-17 浙江大学苏州工业技术研究院 基于数据挖掘技术的中药提取工艺优化方法
CN106154209A (zh) * 2016-07-29 2016-11-23 国电南瑞科技股份有限公司 基于决策树算法的电能表故障预测方法
WO2019042099A1 (zh) * 2017-08-31 2019-03-07 江苏康缘药业股份有限公司 一种中药生产过程知识系统

Also Published As

Publication number Publication date
JP6979527B2 (ja) 2021-12-15
EP3678065A1 (en) 2020-07-08
WO2019042099A1 (zh) 2019-03-07
CN107578104A (zh) 2018-01-12
KR20200074087A (ko) 2020-06-24
KR102361343B1 (ko) 2022-02-14
EP3678065A4 (en) 2021-06-09
CN107578104B (zh) 2018-11-06
US20200350058A1 (en) 2020-11-05

Similar Documents

Publication Publication Date Title
JP6979527B2 (ja) 漢方薬生産プロセス知識システム
US10606862B2 (en) Method and apparatus for data processing in data modeling
Chien et al. Analysing semiconductor manufacturing big data for root cause detection of excursion for yield enhancement
CN108170769A (zh) 一种基于决策树算法的装配制造质量数据处理方法
CN106022477A (zh) 智能分析决策系统及方法
CN108255712A (zh) 数据系统的测试系统和测试方法
CN105373894A (zh) 基于稽查数据的电力营销业务诊断模型的建立方法及系统
CN109871479A (zh) 一种基于用户项目类及评分可靠性的协同过滤方法
CN110690701A (zh) 一种异常线损影响因素的分析方法
CN108280234A (zh) 数据查询方法及装置
CN111126865B (zh) 一种基于科技大数据的技术成熟度判断方法和系统
US20220004565A1 (en) Review and curation of record clustering changes at large scale
CN115442242A (zh) 一种基于重要性排序的工作流编排系统及其方法
CN114219096A (zh) 一种机器学习算法模型的训练方法、装置及存储介质
CN116091206B (zh) 信用评价方法、装置、电子设备及存储介质
CN116127695A (zh) 一种基于综合性能评价的生产线构建方法及系统
CN110457360A (zh) 一种基于数据挖掘的建模方法及系统
CN115719182A (zh) 一种电力数据指数快速生成方法及系统
CN112907058A (zh) 一种基于直觉模糊网络层次分析的决策评估方法
CN113505850A (zh) 基于深度学习的锅炉故障预测方法
CN112184037A (zh) 一种基于加权svdd的多模态过程故障检测方法
Poolwan et al. An Architecture for Simplified and AutomatedMachine Learning.
CN114968744B (zh) 一种基于金融行业容量管理预测分析ai算法的实现方法及系统
Jafarian-Namin An Integrated Improved DEA Model and Data Mining Technique in the Case of Educational System
Zheng Dataset Outlier Detection Method Based on Random Forest Algorithm

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200302

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210413

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210707

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20211026

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211115

R150 Certificate of patent or registration of utility model

Ref document number: 6979527

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150