JP7237124B2 - 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出 - Google Patents

近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出 Download PDF

Info

Publication number
JP7237124B2
JP7237124B2 JP2021175662A JP2021175662A JP7237124B2 JP 7237124 B2 JP7237124 B2 JP 7237124B2 JP 2021175662 A JP2021175662 A JP 2021175662A JP 2021175662 A JP2021175662 A JP 2021175662A JP 7237124 B2 JP7237124 B2 JP 7237124B2
Authority
JP
Japan
Prior art keywords
manufacturing process
steady state
spectral data
classification model
time
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.)
Active
Application number
JP2021175662A
Other languages
English (en)
Other versions
JP2022017405A (ja
Inventor
ション チャンメン
ゾー ペン
スン ラン
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.)
Viavi Solutions Inc
Original Assignee
Viavi Solutions Inc
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 Viavi Solutions Inc filed Critical Viavi Solutions Inc
Publication of JP2022017405A publication Critical patent/JP2022017405A/ja
Application granted granted Critical
Publication of JP7237124B2 publication Critical patent/JP7237124B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Computational Linguistics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • General Factory Administration (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Description

製造工程（例えば、連続製造工程、バッチ製造工程）を実現することの一部として、工
程分析技術（ＰＡＴ：process analytical technology）システムを利用して、製造工程
の監視及び制御を可能にするリアルタイム・データまたは準リアルタイム・データ（例え
ば、スペクトルデータ）を生成することができる。連続製造工程は、原材料をシステム内
に投入して、最終製品（例えば医薬品）をシステムから連続様式で送り出すことができる
。換言すれば、連続製造工程では、製造工程の個別ステップが、（例えば、バッチ製造工
程のような一連の離散的ステップではなく）単一の統合された製造工程に変換される。
一部の可能な実現によれば、装置が１つ以上のプロセッサを含んで：非定常状態から定
常状態に遷移する製造工程に関連する学習スペクトルデータを受信し；学習スペクトルデ
ータに基づいて、サポートベクターマシン（ＳＶＭ：support vector machine）分類モデ
ルの複数回の反復を生成し；ＳＶＭ分類モデルの複数回の反復に基づいて、製造工程に関
連する複数の予測遷移時刻を決定し；これらの予測遷移時刻のうち１つの遷移時刻は、製
造工程中に、ＳＶＭ分類モデルの対応する反復回が、製造工程が非定常状態から定常状態
に遷移したことを予測する時刻を識別することができ；複数の予測した遷移時刻に基づい
て、製造工程が定常状態に達したか否かを判定することに関連する最終的な分類モデルを
生成する。
一部の可能な実現によれば、非一時的コンピュータ可読媒体が１つ以上の命令を記憶す
ることができ、これらの命令は、１つ以上のプロセッサによって実行されると、これらの
１つ以上のプロセッサに：非定常状態から定常状態に遷移する製造工程の第１実行部分に
関連する学習スペクトルデータを受信させ；この学習スペクトルデータに基づいて、製造
工程の他の実行部分が非定常状態から定常状態に遷移したか否かを判定することに関連す
るＳＶＭ分類モデルを反復的に生成させ；製造工程の第２実行部分に関連する追加的スペ
クトルデータを受信させ；ＳＶＭ分類モデル及び追加的スペクトルデータに基づいて、製
造工程の第２実行部分が非定常状態から定常状態に遷移したか否かを判定させる。
一部の可能な実現によれば、方法が：装置によって、非定常状態から定常状態に遷移す
る製造工程の第１実行部分に関連する第１スペクトルデータを受信するステップと；この
装置によって、第１スペクトルデータに基づいて、ＳＶＭ分類モデルの複数回の反復を生
成するステップと；上記装置によって、ＳＶＭ分類モデルの複数回の反復に基づいて、製
造工程の第１実行部分に関連する複数の予測遷移時刻を決定するステップと；上記装置に
よって、複数の予測遷移時刻に基づいて、製造工程の他の実行部分が定常状態に達したか
否かを判定することに関連する最終的なＳＶＭ分類モデルを生成するステップと；上記装
置によって、製造工程の第２実行部分に関連する第２スペクトルデータを受信するステッ
プと；上記装置によって、製造工程の第２実行部分が定常状態に達したか否かを、最終的
なＳＶＭ分類モデル及び第２スペクトルデータに基づいて判定するステップとを含むこと
ができる。
本明細書中に説明する実現例の概要を示す図である。 本明細書中に説明する実現例の概要を示す図である。 本明細書中に説明する実現例の概要を示す図である。 本明細書中に説明するシステム及び／または方法を実現することができる環境の例を示す図である。 図２の１つ以上の装置の構成要素の例を示す図である。 製造工程が定常状態に達した時点を検出するためのＳＶＭ分類モデルを生成するためのプロセスの例のフローチャートである。 製造工程に関連するＳＶＭ分類モデルの反復によって予測した遷移時刻に基づいて、製造工程の遷移時刻を決定することに関連するグラフ表現の例を示す図である。 製造工程に関連するＳＶＭ分類モデルの反復によって予測した遷移時刻に基づいて、製造工程の遷移時刻を決定することに関連するグラフ表現の例を示す図である。 スペクトルデータに基づいて、ＳＶＭ分類モデルを用いて、製造工程が定常状態に達したか否かを判定するためのプロセスの例のフローチャートである。 ＳＶＭ分類モデルに関連する簡略化した決定境界を例示するグラフ表現の例である。 ＳＶＭ分類モデルに関連する簡略化した決定境界を例示するグラフ表現の例である。 図７Ａ及び７Ｂの決定境界に基づいて決定される判定値の例のグラフ表現である。
詳細な説明
以下の実現例の詳細な説明は、添付した図面を参照する。異なる図面中では、同じ参照
番号が同一または同様の要素を識別することがある。
製造工程（例えば、医薬品を製造するための連続製造工程またはバッチ製造工程）が、
非定常状態（例えば、材料及び／または化合物の性質が時間と共に変化する状態）から定
常状態（例えば、材料及び／または化合物の性質が経時的にほぼ一定のままである状態）
への遷移のような１つ以上の状態遷移を含むことができる。例えば、医薬品を製造する製
造工程に含まれる混合工程が、化合物のスペクトル特性が（例えば、混合工程の開始時に
おける）非定常状態から（例えば、混合工程が完了していることを示す）定常状態に遷移
する遷移を含むことができる。
従って、効率を改善し、及び／または製造工程を最適化するためには、製造工程を監視
して、製造工程が定常状態に達した時点を（例えば、リアルタイムまたは準リアルタイム
で）特定するべきである。製造工程の状態を検出するための可能な技術は、全スペクトル
強度のような製造工程に関連する単一変数に基づいて製造工程の状態を検出する単変量技
術を用いるモデルである。製造工程の状態を検出するための他の可能な技術は、主成分分
析（ＰＣＡ：principle component analysis）技術を用いて一組の変数（即ち、主成分）
を識別し、これら一組の変数を監視することに基づいて、製造工程の状態を検出し、製造
工程が定常状態に達した時点を検出するモデルである。しかし、一部の場合には、製造工
程中に測定されるデータが多変量データ（例えば、何百もの変数に関連するデータを含む
ＮＩＲ（near infrared：近赤外）スペクトル）となり得る。従って、単変量技術または
ＰＣＡ技術によれば、比較的少数の変数に焦点を当てることに起因して、これらの技術が
不正確な状態検出をもたらすことがあり、及び／または正確な状態検出を保証するために
はロバスト（頑健）性が不十分なことがある。
本明細書中に説明する実現は、製造工程（例えば、連続製造工程、バッチ製造工程、等
）が定常状態に達したか否かを判定するためのサポートベクターマシン（ＳＶＭ）分類モ
デルを生成し、このＳＶＭ分類モデルを用いて、製造工程に関連する多変量スペクトルデ
ータに基づいて、製造工程が定常状態に達したか否かを判定することができる検出装置を
提供する。一部の実現では、ＳＶＭ分類モデルが、多数の変数（例えば、８０変数、１２
０変数、１５０変数、等）を考慮に入れ、これにより、ＳＶＭモデルの精度及び／または
ロバスト性を（例えば、上述した技術に比べて）向上させることができる。
図１Ａ～１Ｃは、本明細書中に説明する実現例１００の概要の図である。図１Ａに参照
番号１０２で示すように、検出装置が製造工程に関連する学習スペクトルデータを受信す
ることができる。学習スペクトルデータ（時として第１スペクトルデータと称される）は
、製造工程に関連するスペクトルデータを含むことができ、これらのデータに基づいて、
製造工程が定常状態に達したか否かを検出することに関連する、サポートベクターマシン
（ＳＶＭ）分類モデルの反復を生成することができる。例えば、学習スペクトルデータは
、製造工程の実行中に分光計（スペクトロメーター）によって測定したスペクトル（例え
ば、ＮＩＲスペクトルのような多変量時系列データ）を含むことができる。製造工程にお
いて学習スペクトルデータを収集する期間中の実行部分は、製造工程の第１実行部分と称
することができる。
図に示すように、学習スペクトルデータは、製造工程の開始時（時刻ｔ0）に測定した
スペクトルデータ、製造工程が非定常状態であることを知った時点（時刻ｔus0）に測定
したスペクトルデータ、製造工程が定常状態であることを知った時点（時刻ｔss0）に測
定したスペクトルデータ、製造工程の終了時（時刻ｔe）に測定したスペクトルデータ、
及び時刻ｔ0と時刻ｔeとの間の製造工程の状態が未知である時点に測定したスペクトルデ
ータを含むことができる。
参照番号１０４～１１６で示すように、検出装置は、学習スペクトルデータに基づいて
ＳＶＭ分類モデルの反復を生成することができる。例えば、参照番号１０４で示すように
、ＳＶＭ分類モデルの初期反復（反復０）を生成するために、検出装置は、学習スペクト
ルデータに基づいて非定常状態データの初期集合（例えば、時刻ｔ0から時刻ｔus0までに
測定したスペクトルデータを含む）及び定常状態データの初期集合（例えば、時刻ｔss0
から時刻ｔeまでに測定したスペクトルデータを含む）を作成することができる。
参照番号１０６で示すように、検出装置は、非定常状態データの初期集合及び定常状態
データの初期集合に基づいて、ＳＶＭ分類モデルの初期反復を生成することができる。図
に示すように、学習スペクトルデータをＳＶＭ分類モデルの初期反復への入力として提供
することに基づいて、検出装置は、ＳＶＭ分類モデルの初期反復に関連する初期予測遷移
時刻（ｔtrans0）（例えば、ＳＶＭ分類モデルの初期反復が、製造工程が非定常状態から
定常状態に遷移したことを予測する時刻）を決定することができる。
参照番号１０８で示すように、ＳＶＭ分類モデルの１回目の反復（反復１）を生成する
ために、検出装置は、学習スペクトルデータに基づいて、非定常状態データの第１集合（
例えば、時刻ｔ0から時刻ｔtrans0までに測定したスペクトルデータを含む）及び定常状
態データの第１集合（例えば、時刻ｔss0-dt*1から時刻ｔeまでに測定したスペクトルデ
ータを含む）を作成することができる。特に、非定常状態データの第１集合は、ＳＶＭ分
類モデルの初期反復によって予測した遷移時刻までに測定したスペクトルデータを含むの
に対し、定常状態データの第１集合は、定常状態データの初期集合に含まれるデータ、並
びに時刻ｔss0より１タイムステップ前に測定したスペクトルデータを含む。
参照番号１１０で示すように、検出装置装置は、非定常状態データの第１集合及び定常
状態データの第１集合に基づいて、ＳＶＭ分類モデルの１回目の反復を生成することがで
きる。図に示すように、学習スペクトルデータをＳＶＭ分類モデルの１回目の反復への入
力として提供することに基づいて、検出装置は、ＳＶＭ分類モデルの１回目の反復に関連
する第１予測遷移時刻（ｔtrans1）（例えば、ＳＶＭ分類モデルの１回目の反復が、製造
工程が非定常状態から定常状態に遷移したことを予測した時刻）を決定することができる
。
一部の実現では、製造工程が非定常状態であることを知った時刻から、ＳＶＭ分類モデ
ルのｎ回目の反復を生成するために使用する定常状態データに関連する最も早い時刻が時
間のしきい値量（例えば１タイムステップ）になるまで（例えば、定常状態データの集合
が、ｔss0-dt*n＝ｔus0+dtから時刻ｔeまでに測定したスペクトルデータを含むまで）、
検出装置は、この方法で、ＳＶＭ分類モデルのｎ（ｎ＞１）回の反復を生成して予測遷移
時刻を決定することができる。
例えば、図１Ａに参照番号１１２で示すように、ＳＶＭ分類モデルのｎ回目の反復（反
復ｎ）を生成するために、検出装置は、学習スペクトルデータに基づいて、非定常状態デ
ータのｎ番目の集合（例えば、時刻ｔ0から時刻ｔtrans(n-1)までに測定したスペクトル
データを含む）及び定常状態データのｎ番目の集合（例えば、時刻ｔss0-dt*n＝ｔus0+dt
から時刻ｔeまでに測定したスペクトルデータを含む）を作成することができる。特に、
非定常状態データのｎ番目の集合は、ＳＶＭ分類モデルの(ｎ－１)回目の（即ち、前回の
）反復によって予測した遷移時刻までに測定したスペクトルデータを含むのに対し、定常
状態データのｎ番目の集合は、定常状態データの(ｎ－１)番目の集合に含まれるスペクト
ルデータ、並びに時刻ｔss0-dt*(n-1)より１タイムステップ前に測定したスペクトルデー
タを含む。
参照番号１１４で示すように、検出装置は、非定常状態データのｎ番目の集合及び定常
状態データのｎ番目の集合に基づいて、ＳＶＭ分類モデルのｎ回目の反復を生成すること
ができる。図に示すように、学習スペクトルデータをＳＶＭ分類モデルのｎ回目の反復へ
の入力として提供することに基づいて、検出装置は、ＳＶＭ分類モデルのｎ回目の反復に
関連するｎ番目の予測遷移時刻（ｔtrans(n)）（例えば、ＳＶＭ分類モデルのｎ回目の反
復が、製造工程が非定常状態から定常状態に遷移したことを予測した時刻）を決定するこ
とができる。
参照番号１１６で示すように、検出装置は、ＳＶＭ分類モデルのｎ回の反復によって予
測したｎ個の遷移時刻に基づいて、製造工程に関連する主要（例えば、最も予測される）
遷移時刻を決定することができる。参照番号１１８で示すように、検出装置は、製造工程
に関連する遷移時刻に基づいて、最終的なＳＶＭ分類モデルを生成することができる。例
えば、検出装置は、決定した主要遷移時刻より前に測定したスペクトルデータを含む非定
常状態データの最終集合、及び決定した主要遷移時刻以後に測定した学習スペクトルデー
タを含む定常状態データの最終集合を作成することができる。従って、図に示すように、
検出装置は、非定常状態データの最終集合及び定常状態データの最終集合に基づいて、最
終的なＳＶＭ分類モデルを生成することができる。
図１Ｂに参照番号１２０で示すように、検出装置は（その後に）、（例えば、上述した
ように生成した最終的なＳＶＭ分類モデルを記憶することに基づいて）製造工程のある実
行部分が定常状態に達したか否かを検出するに当たり使用するＳＶＭ分類モデルを識別す
ることができる。例えば、検出装置は、製造工程が開始されているか開始されたことの指
標を受信したことに基づいて、ＳＶＭ分類モデルを識別することができる。
参照番号１２２で示すように、検出装置は、製造工程の第２実行部分中に、製造工程に
関連するスペクトルデータ（時として第２スペクトルデータまたは追加的スペクトルデー
タと称される）を受信することができる。例えば、図に示すように、分光計は、製造工程
のこの実行部分中の所定時刻（例えば、時刻ｔA）にスペクトルデータを測定することが
でき、そして、このスペクトルデータを検出装置に提供することができる。当該実行部分
中にＳＶＭ分類モデルへの入力用にスペクトルデータを収集する製造工程の実行部分は、
製造工程の第２実行部分と称することができる。
さらに図示するように、検出装置は、スペクトルデータ及びＳＶＭ分類モデルに基づい
て、製造工程が時刻ｔAに定常状態であるか否かを判定することができる。例えば、参照
番号１２４で示すように、検出装置は、時刻ｔAに測定したスペクトルデータを、ＳＶＭ
分類モデルへの入力として提供することができる。参照番号１２６で示すように、検出装
置は、ＳＶＭ分類モデルの出力に基づいて、製造工程が時刻ｔAに定常状態でないものと
判定することができる。一部の実現では、以下に説明するように、検出装置が、製造工程
が定常状態であるか否かを、ＳＶＭ分類モデルに関連する決定境界に基づいて判定するこ
とができる。
図１Ｃに参照番号１２８で示すように、検出装置は、製造工程のその後の実行部分中（時刻ｔB）に、製造工程に関連するスペクトルデータを受信することができる。例えば、図に示すように、分光計は時刻ｔBにスペクトルデータを測定することができ、そしてこのスペクトルデータを検出装置に提供することができる。
さらに図示するように、検出装置は、スペクトルデータ及びＳＶＭ分類モデルに基づい
て、製造工程が時刻ｔBに定常状態であるか否かを判定することができる。例えば、参照
番号１３０で示すように、検出装置は、時刻ｔBに測定したスペクトルデータを、ＳＶＭ
分類モデルの入力として提供することができる。参照番号１３２で示すように、検出装置
は、ＳＶＭ分類モデルの出力に基づいて、製造工程が時刻ｔBに定常状態であるものと判
定することができる。
参照番号１３４で示すように、一部の実現では、検出装置が（随意的に）製造工程が定
常状態に達しているものと判定したことに基づいて、定常状態に関連する定量的測定基準
を定めることができる。この定量的測定基準は、定常状態における化合物の成分の濃度、
定常状態における粒径、等のような、定常状態に関連する定量的特性を示す測定基準を含
むことができる。例えば、検出装置は、当該スペクトルデータに基づいて定常状態を検出
したスペクトルデータを入力として受け取る回帰モデル（例えば、部分最小二乗（ＰＬＳ
：partial least square）回帰モデル、サポートベクター回帰（ＳＶＲ：support vector
regression）モデル）を記憶するか、こうした回帰モデルにアクセスして、定常状態に
関連する定量的測定基準を出力として提供することができる。
参照番号１３６で示すように、製造工程が定常状態に達したものと判定したことに基づ
いて、検出装置は、製造工程が定常状態に達したことの指標を（例えば、製造工程を監視
することに関連するユーザ装置に）提供することができる。さらに図示するように、検出
装置は、定量的測定基準に関連する情報も提供することができる。
このようにして、検出装置は、製造工程が定常状態に達したか否かを判定するためのＳ
ＶＭ分類モデルを生成し、このＳＶＭ分類モデルを用いて、製造工程に関連する多変量ス
ペクトルデータに基づいて、製造工程が定常状態に達したか否かを判定することができる
。
以上に示したように、図１Ａ～１Ｃは例として提供するに過ぎない。他の例が可能であ
り、図１Ａ～１Ｃに関して説明したものと異なることができる。
図２は、本明細書中に説明するシステム及び／または方法を実現することができる環境
２００の例を示す。図２に示すように、環境２００は、１つ以上の分光計２１０－１～２
１０－Ｘ（Ｘ≧１）（ここでは集合的に分光計２１０で参照し、個別に２１０で参照する
）、検出装置２２０、ユーザ装置２３０、及びネットワーク２４０を含むことができる。
環境２００内の装置は、有線接続、無線接続、あるいは有線接続と無線接続との組合せに
より相互接続することができる。
分光計２１０は、試料（例えば、製造工程に関連する試料）に対する分光計測を実行す
ることができる装置を含む。例えば、分光計２１０は、分光法（例えば、近赤外（ＮＩＲ
）分光法、中赤外（ｍｉｄ－ＩＲ）分光法、ラマン分光法、等のような振動分光法）を実
行するデスクトップ（即ち、非ハンドヘルド）型分光装置を含むことができる。一部の実
現では、分光計２１０が、分光計２１０によって取得したスペクトルデータを検出装置２
２０のような他の装置による分析用に提供することを可能にすることができる。
装置２２０は、製造工程が定常状態に達したか否かを、製造工程に関連する分類モデル
、及び製造工程に関連するスペクトルデータに基づいて検出することができる１つ以上の
装置を含む。例えば、検出装置２２０は、サーバー、コンピュータ、クラウドコンピュー
タ装置、等のグループを含むことができる。一部の実現では、装置２２０が、製造工程に
関連する学習スペクトルデータに基づいて分類モデルを生成することを可能にすることが
できる。一部の実現では、検出装置２２０が、環境２００内の分光計２１０等のような他
の装置から情報を受信し、及び／または他の装置に情報を送信することができる。
ユーザ装置２３０は、製造工程が定常状態に達したか否かに関連する情報を受信し、処
理し、及び／または提供することができる１つ以上の装置を含む。例えば、ユーザ装置２
３０は、デスクトップ・コンピュータ、携帯電話（例えば、スマートホン、無線電話機、
等）、ラップトップ・コンピュータ、タブレット・コンピュータ、ハンドヘルド・コンピ
ュータ、ウェアラブル（装着型）通信装置（例えば、スマートウォッチ（腕時計）、スマ
ートグラス（メガネ）、等）、または同種の装置のような通信兼コンピュータ装置を含む
ことができる。
ネットワーク２４０は、１つ以上の有線及び／または無線ネットワークを含む。例えば
、ネットワーク２４０は、セルラ・ネットワーク（例えば、ロングターム・エボリューシ
ョン（ＬＴＥ：long-term evolution）ネットワーク、３Ｇ（第３世代）ネットワーク、
符号分割多元接続（ＣＤＭＡ：code division multiple access）ネットワーク、等）、
公衆陸上移動ネットワーク（ＰＬＭＮ：public land mobile network）、ワイドエリア・
ネットワーク（ＷＡＮ：wide area network）、メトロポリタン・エリア（都市規模）ネ
ットワーク（ＭＡＮ：metropolitan area network）、電話網（例えば、公衆交換電話網
（ＰＳＴＮ：public switched telephone network））、プライベート（私設）ネットワ
ーク、アドホック・ネットワーク、イントラネット、インターネット、光ファイバー系ネ
ットワーク、クラウドコンピュータ・ネットワーク、等、及び／または、これらもしくは
他の種類のネットワークの組合せを含むことができる。
図２に示す装置の数及び配置は例として提供する。実際に、図２に示すものに追加した
装置及び／またはネットワーク、図２に示すものよりも少数の装置及び／またはネットワ
ーク、図２に示すものとは異なる装置及び／またはネットワーク、あるいは図２に示すも
のとは異なるように配置された装置及び／またはネットワークが存在し得る。さらに、図
２に示す２つ以上の装置を単一の装置内に実現することができ、あるいは、図２に示す単
一の装置を複数の分散型装置として実現することができる。それに加えて、あるいはその
代わりに、環境２００内の装置の集合（例えば、１つ以上の装置）が、環境２００内の装
置の他の集合によって実行されるものとして説明した１つ以上の機能を実行することがで
きる。
図３は、装置３００の構成要素の例の図である。装置３００は、分光計２１０、検出装
置２２０、及び／またはユーザ装置２３０に相当し得る。一部の実現では、分光計２１０
、検出装置２２０、及び／またはユーザ装置２３０が、１つ以上の装置３００及び／また
は装置３００の１つ以上の構成要素を含むことができる。図３に示すように、装置３００
は、バス３１０、プロセッサ３２０、メモリ３３０、記憶構成要素３４０、入力構成要素
３５０、出力構成要素３６０、及び通信インタフェース３７０を含むことができる。
バス３１０は、装置３００の構成要素間の通信を可能にする構成要素を含む。プロセッ
サ３２０は、ハードウェア、ファームウェア、あるいはハードウェアとソフトウェアの組
合せで実現することができる。プロセッサ３２０は、中央演算装置（ＣＰＵ：central pr
ocessing unit）、グラフィック処理装置（ＧＰＵ：graphical processing unit）、アク
セラレーテッド・プロセッシング・ユニット（ＡＰＵ：accelerated processing unit：
加速処理装置）、マイクロプロセッサ、マイクロコントローラ、デジタルシグナルプロセ
ッサ、フィールド・プログラマブル・ゲートアレイ（ＦＰＧＡ：field programmable gat
e array）、特定用途向け集積回路（ＡＳＩＣ：application specific integrated circu
it）、または他の種類の処理構成要素を含む。一部の実現では、プロセッサ３２０が、あ
る機能を実行するようにプログラムすることができる１つ以上のプロセッサを含む。メモ
リ３３０は、ランダムアクセスメモリ（ＲＡＭ：random access memory）、読出し専用メ
モリ（ＲＯＭ：read only memory）、及び／または、プロセッサ３２０が利用する情報及
び／または命令を記憶する動的または静的な記憶装置（例えば、フラッシュメモリ、磁気
メモリ、及び／または光メモリ）を含む。
記憶構成要素３４０は、装置３００の動作及び利用に関係する情報及び／またはソフト
ウェアを記憶する。例えば、記憶構成要素３４０は、ハードディスク（例えば、磁気ディ
スク、光ディスク、光磁気ディスク、及び／または半導体ディスク）、コンパクトディス
ク（ＣＤ：compact disc）、デジタル多用途ディスク（ＤＶＤ：digital versatile disc
）、フロッピー（登録商標）ディスク、カートリッジ、磁気テープ、及び／または他の種
類の非一時的コンピュータ可読媒体を、対応するドライブ（駆動装置）と共に含むことが
できる。
入力構成要素３５０は、装置３００が例えばユーザ入力装置（例えば、タッチスクリー
ン・ディスプレイ、キーボード、キーパッド、マウス、ボタン、スイッチ、及び／または
マイクロホン）を介して情報を受信することを可能にする構成要素を含む。それに加えて
、あるいはその代わりに、入力装置３５０は、情報を感知するためのセンサ（例えば、全
地球測位システム（ＧＰＳ：global positioning system）構成要素、加速度計、ジャイ
ロスコープ、及び／またはアクチュエータを含むことができる。出力構成要素３６０は、
装置３００からの情報を提供する構成要素（例えば、ディスプレイ、スピーカ、及び／ま
たは１つ以上の発光ダイオード（ＬＥＤ：light emitting diode）を含む。
通信インタフェース３７０は、装置３００が、例えば有線接続、無線接続、あるいは有
線接続と無線接続との組合せにより他の装置と通信することを可能にするトランシーバ型
構成要素（例えば、トランシーバ及び／または別個の受信機及び送信機）を含む。通信イ
ンタフェース３７０は、装置３００が他の装置から情報を受信すること、及び／または他
の装置に情報を提供することを可能にすることができる。例えば、通信インタフェース３
７０は、イーサネット（登録商標）インタフェース、光インタフェース、同軸ケーブル・
インタフェース、赤外線インタフェース、無線周波数（ＲＦ：radio frequency）インタ
フェース、ユニバーサル・シリアルバス（ＵＳＢ：universal serial bus）インタフェー
ス、Ｗｉ－Ｆｉインタフェース、セルラ・ネットワーク・インタフェース、等を含むこと
ができる。
装置３００は、本明細書中に説明する１つ以上のプロセスを実行することができる。装
置３００は、メモリ３３０及び／または記憶構成要素３４０のような非一時的コンピュー
タ可読媒体が記憶しているソフトウェア命令をプロセッサ３２０が実行することに応答し
て、これらのプロセスを実行することができる。本明細書では、コンピュータ可読媒体を
非一時的なメモリ装置として定義する。メモリ装置は、単一の物理的記憶装置内のメモリ
空間、あるいは複数の物理的記憶装置に分散したメモリ空間を含む。
ソフトウェア命令は、他のコンピュータ可読媒体から、あるいは他の装置から通信イン
タフェース３７０を介して、メモリ３３０及び／または記憶構成要素３４０内に読み込む
ことができる。実行時に、メモリ３３０及び／または記憶構成要素３４０内に記憶された
ソフトウェア命令は、本明細書中に説明する１つ以上の工程をプロセッサ３２０に実行さ
せることができる。それに加えて、あるいはその代わりに、ハードウェア回路をソフトウ
ェア命令の代わりに、あるいはソフトウェア命令と組み合わせて用いて、本明細書中に説
明する１つ以上の工程を実行することができる。従って、本明細書中に説明する実現は、
ハードウェア回路とソフトウェアとのいずれの特定の組合せにも限定されない。
図３に示す構成要素の数及び配置は例として提供する。実際に、装置３００は、図３に
示すものに加えた構成要素、図３に示すものよりも少数の構成要素、図３に示すものとは
異なる構成要素、あるいは図３に示すものとは異なるように配置された構成要素を含むこ
とができる。それに加えて、あるいはその代わりに、装置３００の構成要素の集合（例え
ば、１つ以上の構成要素）が、装置３００の構成要素の他の集合によって実行されるもの
として説明した１つ以上の機能を実行することができる。
図４は、製造工程が定常状態に達した時点を検出するための分類モデルを生成するため
のプロセス４００の例のフローチャートである。一部の実現では、図４の１つ以上のプロ
セス・ブロックを検出装置２２０によって実行することができる。一部の実現では、図４
の１つ以上のプロセス・ブロックを、分光計２１０及び／またはユーザ装置２３０のよう
な、検出装置２２０とは別個の、あるいは検出装置２２０を含む他の装置または装置グル
ープによって実行することができる。
図４に示すように、プロセス４００は、製造工程に関連する学習スペクトルデータを受
信するステップを含むことができる（ブロック４１０）。例えば、検出装置２２０が、製
造工程に関連する学習スペクトルデータを受信する。
学習スペクトルデータは、製造工程に関連するスペクトルデータを含むことができ、こ
のスペクトルデータに基づいて、ＳＶＭ分類モデルの反復を生成することができる。例え
ば、学習スペクトルデータは、製造工程のある実行部分中に分光計２１０によって測定し
たスペクトル（例えば、ＮＩＲスペクトルのような多変量時系列データ）を含むことがで
きる。一部の実現では、製造工程を連続製造工程またはバッチ製造工程とすることができ
る。一部の実現では、以下に説明するように、検出装置２２０が、学習スペクトルデータ
に基づいてＳＶＭ分類モデルを生成することができる。
一部の実現では、学習スペクトルデータが、製造工程の以前の実行部分中の異なる時刻
に（例えば、一連のタイムステップにおいて周期的に）測定した履歴スペクトルを含むこ
とができる。例えば、学習スペクトルデータは、製造工程の以前の実行部分の開始時（本
明細書では時刻ｔ0と称する）に測定したスペクトル、及び製造工程の以前の実行部分の
終了時（本明細書では時刻ｔeと称する）に測定したスペクトルを含むことができる。
他の例として、学習スペクトルデータは、製造工程の以前の実行部分が非定常状態にな
っていることを知った時点（本明細書では時刻ｔus0と称する）に測定したスペクトルを
含むことができる。一部の実現では、（例えば、製造工程の開始時に製造工程が非定常状
態であるので）時刻ｔus0を時刻ｔ0と同じ時刻にすることができる。その代わりに、時刻
ｔus0を、時刻ｔ0の１タイムステップ後、時刻ｔ0の５タイムステップ後、時刻ｔ0の４０
タイムステップ後のような、時刻ｔ0より後の時刻にすることができる。一部の実現では
、時刻ｔus0を、時刻ｔ0より後の、製造工程の以前の実行部分が非定常状態になっている
ものと想定される時刻にすることができる。
追加的な例として、学習スペクトルデータは、製造工程の以前の実行部分が定常状態に
なっていることを知った時点（本明細書では時刻ｔss0と称する）に測定したスペクトル
を含むことができる。一部の実現では、（例えば、製造工程の終了時に製造工程が定常状
態であるので）時刻ｔss0を時刻ｔeと同じ時刻にすることができる。その代わりに、時刻
ｔss0を、時刻ｔeの１タイムステップ前、時刻ｔeの５タイムステップ前、時刻ｔeの４０
タイムステップ前のような、時刻ｔeより前の時刻とすることができる。一部の実現では
、時刻ｔss0を、時刻ｔeより前の、製造工程の以前の実行部分が定常状態になっているも
のと想定される時刻にすることができる。
さらに他の例として、学習スペクトルデータは、時刻ｔ0と時刻ｔeとの間の、製造工程
の以前の実行部分の状態が未知である時点に測定したスペクトルを含むことができる。
一部の実現では、検出装置２２０が１つ以上の他の装置から学習スペクトルデータを受
信することができ、これらの他の装置は、例えば、製造工程の以前の実行部分中に学習ス
ペクトルデータを取得する１つ以上の分光計２１０、あるいは製造工程の以前の実行部分
中に１つ以上の分光計２１０によって測定した学習スペクトルデータを記憶するサーバー
装置である。
一部の実現では、学習スペクトルデータが、製造工程の以前の複数の実行部分に関連す
ることができ、開始条件（例えば、全重量、粒径、分布、湿度レベル、等）は製造工程の
これら複数の実行部分間で変動する。こうした場合には、製造工程の複数の実行部分に関
連する学習スペクトルデータの複数の集合を平均化し、及び／または他の方法で組み合わ
せて、学習スペクトルデータを形成することができる。一部の実現では、変動する開始条
件で学習スペクトルデータを測定することが、これらの学習スペクトルデータに基づいて
生成されるＳＶＭ分類モデルの精度及び／またはロバスト性の（例えば、開始条件の単一
集合を有する製造工程の１つの実行部分に基づいて生成されるＳＶＭ分類モデルに比べた
）増加を生じさせる。
一部の実現では、検出装置２２０が、学習スペクトルデータに対して次元縮小を実行す
ることができる。次元縮小は、多変量学習スペクトルデータの変数の数を低減することを
含むことができ、この多変量学習スペクトルデータに基づいてＳＶＭ分類モデルを生成す
ることができる。一部の実現では、主成分分析（ＰＣＡ）技術を用いて次元縮小を実行す
ることができ、これにより、ＳＶＭ分類モデルを生成するに当たり使用する主成分（即ち
、複数の変数の部分集合）を識別する。それに加えて、あるいはその代わりに、変数選択
技術を用いて次元縮小を実行することができ、これにより、これら複数の変数のうち、例
えば製造工程に関連する化合物に特徴的な変数を選択する。こうした変数選択技術の例は
、選択比（ＳＲ：selectivity ratio）技術、射影における変数重要度（ＶＩＰ：variabl
e importance in projection）技術、等を含む。一部の実現では、次元縮小を実行するこ
とが、例えば、これら複数の変数間の干渉を除去すること及び／またはノイズを低減する
ことによって、（例えば、学習スペクトルデータの全体集合に基づいて生成したＳＶＭ分
類モデルに比べて）ＳＶＭ分類モデルの相互運用性の改善、及び／またはＳＶＭ分類モデ
ルの生成の改善を生じさせることができる。
図４にさらに示すように、プロセス４００は、学習スペクトルデータに基づいて、非定
常状態データの集合及び定常状態データの集合を作成するステップを含むことができる（
ブロック４２０）。例えば、検出装置２２０が、学習スペクトルデータに基づいて、非定
常状態データの集合及び定常状態データの集合を作成することができる。
この非定常状態データの集合は、ＳＶＭ分類モデルの反復を生成する目的で、学習スペ
クトルデータに含まれるスペクトルデータを含むことができ、このスペクトルデータは、
製造工程が非定常状態であるものと想定される時刻に対応する。例えば、ＳＶＭ分類モデ
ルの初期反復を生成することに関連する非定常状態データの初期集合は、時刻ｔ0から時
刻ｔus0までの複数の時刻に測定したスペクトルデータを含むことができる。この例を継
続して、ＳＶＭモデルの次回の反復を生成することに関連する非定常状態データの他の集
合は、時刻ｔ0から時刻ｔtrans0までの（１つ以上の）時刻に測定したスペクトルデータ
を含むことができ、ここに、ｔtrans0はＳＶＭ分類モデルの初期反復によって予測した遷
移時刻（例えば、非定常状態から定常状態への遷移の時刻）である。一般に、ＳＶＭモデ
ルのｎ回目の反復を生成することに関連する非定常状態データのｎ番目の集合は、時刻ｔ
0から時刻ｔtrans(n-1)までの（１つ以上の）時刻に測定したスペクトルデータを含むこ
とができ、ここに、時刻ｔtrans(n-1)はＳＶＭ分類モデルの(ｎ－１)回目の（即ち、前回
の）反復によって決定された遷移時刻である。ＳＶＭ分類モデルの反復を生成することに
関する追加的な詳細は以下に説明する。
一部の実現では、例えば、学習スペクトルデータに含まれる追加的スペクトルデータを
、ＳＶＭモデルの前回の反復を生成することに関連する非定常状態データの集合に追加す
ることによって、非定常状態データの集合を更新し、修正し、及び／または再作成して、
ＳＶＭモデルの各回の反復を生成することができる。例えば、ＳＶＭ分類モデルのｎ回目
の反復を生成するための非定常状態データのｎ番目の集合は、ＳＶＭ分類モデルの(ｎ－
１)回目の反復を生成するために使用した非定常状態データの(ｎ－１)番目の集合、並び
に非定常状態データの(ｎ－１)番目の集合における最終時刻からＳＶＭ分類モデルの(ｎ
－１)回目の反復を用いて予測した遷移時刻までの（１つ以上の）時刻に測定したスペク
トルデータを含むことができる。特定例として、ＳＶＭ分類モデルの４回目の反復を生成
するための定常状態データの集合は、時刻ｔ0から時刻ｔtrans3までに（例えば、開始時
刻からモデルの３回目の反復を用いて決定した遷移時刻までに）測定したスペクトルデー
タを含むことができるのに対し、ＳＶＭ分類モデルの５回目の（即ち、次回の）反復を生
成するための定常状態データの集合は、時刻ｔ0から時刻ｔtrans4までに（例えば、開示
時刻からＳＶＭ分類モデルの４回目の反復を用いて決定した遷移時刻までに）測定したス
ペクトルデータを含むことができる。
定常状態データの集合は、ＳＶＭ分類モデルの反復を生成する目的で、学習スペクトル
データに含まれるスペクトルデータを含むことができ、このスペクトルデータは、製造工
程の以前の実行部分が定常状態であるものと想定される時刻に対応する。例えば、ＳＶＭ
分類モデルの初期反復を生成することに関連する定常状態データの初期集合は、時刻ｔss
0から時刻ｔeまでの（１つ以上の）時刻に測定したスペクトルデータを含むことができる
。この例を継続して、ＳＶＭモデルの次回の反復を生成することに関連する定常状態デー
タの他の集合は、時刻ｔss0-dt*1から時刻ｔeまでの（１つ以上の）時刻に測定したスペ
クトルデータを含むことができ、ここに、時刻ｔss0-dt*1はｔss0より１タイムステップ
前の時刻である。換言すれば、検出装置２２０は、ＳＶＭ分類モデルの各回の反復を生成
する際に、時刻ｔss0より前のタイムステップに関連するスペクトルデータを、定常状態
データの各集合に追加する。一般に、ＳＶＭモデルのｎ回目の反復を生成することに関連
する定常状態データのｎ番目の集合は、時刻ｔss0-dt*nから時刻ｔeまでに測定したスペ
クトルデータを含むことができ、ここに、時刻ｔss0-dt*nは時刻ｔss0よりｎタイムステ
ップ前の時刻である。
一部の実現では、例えば、追加的スペクトルデータを、ＳＶＭモデルの前回の反復を生
成することに関連する定常状態データの集合に追加することによって、定常状態データの
集合を更新し、修正し、及び／または再作成して、ＳＶＭモデルの各回の反復を生成する
ことができる。例えば、ＳＶＭ分類モデルの所定回の反復を生成するための定常状態デー
タの集合は、ＳＶＭ分類モデルの前回の反復を生成するために使用した定常状態データの
集合に含まれるスペクトルデータ、並びにＳＶＭ分類モデルの前回の反復を生成するため
のスペクトルデータの集合に関連する最も早期のタイムステップの直前のタイムステップ
に測定したスペクトルデータを含むことができる。特定例として、ＳＶＭ分類モデルの４
回目の反復を生成するための定常状態データの集合は、時刻ｔss0-dt*4から時刻ｔeまで
に測定したスペクトルデータを含むことができるのに対し、ＳＶＭ分類モデルの５回目の
（即ち、次回の）反復を生成するための定常状態データの集合は、時刻ｔss0-dt*5から時
刻ｔeまでに測定したスペクトルデータ（即ち、ｔss0-dt*4よりも１タイムステップ早い
スペクトルデータ）を含むことができる。
図４にさらに示すように、プロセス４００は、非定常状態データの集合及び定常状態デ
ータの集合に基づいて、製造工程が定常状態に達したか否かを検出することに関連するＳ
ＶＭ分類モデルの反復を生成するステップを含むことができる（ブロック４３０）。例え
ば、検出装置２２０が、非定常状態データの集合及び定常状態データの集合に基づいて、
製造工程が定常状態に達した時点を検出することに関連するＳＶＭ分類モデルの反復を生
成することができる。
一部の実現では、検出装置２２０が、非定常状態データの集合及び定常状態データの集
合にＳＶＭ技術を適用することに基づいて、ＳＶＭ分類モデルの反復を生成することがで
きる。例えば、検出装置２２０は、非定常状態データの集合が、例えば超平面の集合によ
って定常状態データの集合から分離されるように、非定常状態データの集合及び定常状態
データの集合を空間内の点としてマッピングすることによって、ＳＶＭモデルを生成する
ことができる。
一部の実現では、検出装置２２０が、学習スペクトルデータ及びＳＶＭ分類モデルの反
復に基づいて、ＳＶＭ分類モデルの反復に関連する（即ち、ＳＶＭ分類モデルの反復によ
って予測される）予測遷移時刻を決定することができる。例えば、検出装置２２０は、非
定常状態データの集合及び定常状態データの集合に基づいて、ＳＶＭ分類モデルの反復を
生成することができる。ここで、検出装置２２０は、（例えば、時刻ｔ0から時刻ｔeまで
の各タイムステップに関連する）学習スペクトルデータを同じ空間内にマッピングするこ
とができ、この空間に基づいてＳＶＭ分類モデルを生成する。この例では、学習スペクト
ルデータのアイテムを（例えば、超平面の集合に対して）マッピングする場所に基づいて
、ＳＶＭ分類モデルが、ＳＶＭ分類モデルの初期反復によって予測した、製造工程に関連
する遷移時刻（ｔtrans(n)）を識別することができる。一部の実現では、以下に説明する
ように、検出装置２２０が、ＳＶＭ分類モデルの各回の反復毎に予測遷移時刻を決定する
ことができる。一部の実現では、検出装置２２０が、ＳＶＭ分類モデルの反復に関連する
予測遷移時刻を識別する情報を記憶して、検出装置２２０が製造工程に関連する遷移時刻
を決定することを可能にすることができる。
図４にさらに示すように、プロセス４００は、ＳＶＭ分類モデルの他回の反復を生成す
るか否かを決定するステップを含むことができる（ブロック４４０）。例えば、検出装置
２２０が、ＳＶＭ分類モデルの他回の反復を生成するか否かを決定することができる。
一部の実現では、検出装置２２０が、ＳＶＭ分類モデルの他回の反復を生成するか否か
を、定常状態データの集合に関連する時刻に基づいて決定することができる。例えば、検
出装置２２０は、ＳＶＭ分類モデルの反復を生成することを、定常状態データの集合に関
連する時刻のうち最も早い時刻が、製造工程が非定常状態であることを知った時刻（時刻
ｔus0）に関連するしきい値時刻を満足するまで継続するように構成することができる。
特定例として、検出装置２２０は、定常状態データの集合に関連する最も早い時刻が、時
刻ｔus0としきい値量だけ異なるまで（例えば、ｔss0-dt*nがｔus0から１タイムステップ
になる（ｔss0-dt*n＝ｔus0+dtになる）まで）、ＳＶＭ分類モデルの反復を生成すること
（及び予測遷移時刻を決定すること）を継続するように構成することができる。
それに加えて、あるいはその代わりに、検出装置２２０は、ＳＶＭ分類モデルの他回の
反復を生成するか否かを、反復しきい値に基づいて決定することができる。例えば、検出
装置２２０は、ＳＶＭ分類モデルの反復をしきい値量の時間分だけ生成することを、しき
い値回数の反復が生成されるまで継続する、等のように構成することができる。ここで、
検出装置２２０は、ＳＶＭ分類モデルの他回の反復を生成するか否かを、しきい値を満足
したか否か（例えば、しきい値量の時間が経過したか否か、しきい値回数の反復が生成さ
れたか否か、等）に基づいて決定することができる。
図４にさらに示すように、ＳＶＭ分類モデルの他回の反復を生成する場合（ブロック４
４０の「はい」）、プロセス４００は、学習スペクトルデータに基づいて、定常状態デー
タの他の集合及び非定常状態データの他の集合を作成することを含むことができる（ブロ
ック４２０）。例えば、検出装置２２０は、（例えば、Ｔss0-dt*n＞ｔus0+dtである際に
、反復しきい値を満足しない際に、等）ＳＶＭ分類モデルの他回の反復を生成することを
決定することができ、検出装置２２０は、学習スペクトルデータに基づいて、定常状態デ
ータの他の集合及び非定常状態データの他の集合を作成することができる。
一部の実現では、検出装置２２０は、非定常状態データの他の集合、及び定常状態デー
タの他の集合を、ブロック４２０に関して上述した方法で作成することができる。一部の
実現では、非定常状態データの他の集合及び定常状態データの他の集合を作成する際に、
検出装置２２０は、ブロック４３０に関して上述したように、ＳＶＭ分類モデルの他回の
反復を生成して、ＳＶＭ分類モデルの他回の反復によって予測される遷移時刻を決定する
ことができる。
上述した反復プロセスの例として、検出装置２２０は、非定常状態データの初期集合（
例えば、時刻ｔ0から時刻ｔus0までの（１つ以上の）時刻に測定した学習スペクトルデー
タを含む）及び定常状態データの初期集合（例えば、時刻ｔss0から時刻ｔeまでの（１つ
以上の）時刻に測定した学習スペクトルデータを含む）を作成することができる。この例
では、検出装置２２０は、ＳＶＭ技術を定常状態データの初期集合及び非定常状態データ
の初期集合に適用して、ＳＶＭ分類モデルの初期反復を生成することができる。次に、検
出装置２２０は、学習スペクトルデータを、ＳＶＭ分類モデルの初期反復への入力として
提供し、その出力として、ＳＶＭ分類モデルの初期反復に関連する初期予測遷移時刻（ｔ
trans0）を決定することができる。
この例を継続して、検出装置２２０は、ｔss0＞ｔus0+dtであるものと判定することが
でき、従って、検出装置２２０はＳＶＭ分類モデルの他回の反復を生成することができる
。次に、検出装置２２０は、学習スペクトルデータ及び初期予測遷移時刻に基づいて、定
常状態データの第１集合（例えば、時刻ｔss0-dt*1から時刻ｔeまでに測定した学習スペ
クトルデータを含む）及び非定常状態データの初期集合（例えば、時刻ｔ0から時刻ｔtra
ns0までに測定した学習スペクトルデータを含む）を作成することができる。次に、検出
装置２２０は、ＳＶＭ技術を定常状態データの第１集合及び非定常状態データの第１集合
に適用して、ＳＶＭ分類モデルの１回目の反復を生成することができる。次に、検出装置
２２０は、学習スペクトルデータをＳＶＭ分類モデルの１回目の反復への入力として提供
し、その出力として、ＳＶＭ分類モデルの１回目の反復に関連する第１予測遷移時刻（ｔ
trans1）を決定することができる。検出装置２２０は、この方法でＳＶＭ分類モデルの反
復を生成する（そして予測遷移時刻を決定する）ことを、検出装置２２０が追加的反復を
生成しないことを決定するまで継続することができる。
図４にさらに示すように、ＳＶＭ分類モデルの他回の反復を生成しない場合には（ブロ
ック４４０の「いいえ」）、プロセス４００は、ＳＶＭ分類モデルの反復によって予測し
た遷移時刻に基づいて、製造工程に関連する遷移時刻を決定するステップを含むことがで
きる（ブロック４５０）。例えば、検出装置２２０が、ＳＶＭ分類モデルの他回の反復を
生成しないことを決定することができ、そして検出装置２２０は、製造工程に関連する遷
移時刻を、ＳＶＭ分類モデルの反復によって予測した遷移時刻に基づいて決定することが
できる。
一部の実現では、検出装置２２０が、製造工程に関連する遷移時刻を、ＳＶＭ分類モデ
ルの反復に関連する予測遷移時刻に基づいて決定することができる。例えば、検出装置２
２０は、上述した方法で、ＳＶＭ分類モデルのｎ回の反復のそれぞれによって予測される
ｎ個の遷移時刻を決定することができる。ここで、検出装置２２０は、製造工程に関連す
る遷移時刻を、ＳＶＭ分類モデルのｎ回の反復によって予測したうちの主要遷移時刻（例
えば、最大の発生回数を有する予測遷移時刻）として決定することができる。
図５Ａ及び５Ｂは、製造工程に関連するＳＶＭ分類モデルの反復によって予測した遷移時刻に基づいて製造工程の遷移時刻を決定することに関連するグラフ表現５００及び５５０の例である。図５Ａ及び５Ｂの目的で、検出装置２２０はＳＶＭ分類モデルのｎ回の反復に対応するｎ個の遷移時刻を決定しているものと仮定する。
図５Ａでは、各点が、ＳＶＭ分類モデルの反復によって予測した遷移時刻を表し、ＳＶ
Ｍ分類モデルの反復に関連する時刻ｔss0-dt*n（即ち、ＳＶＭ分類モデルの反復を生成す
ることに関連する定常状態の集合に関連する時刻ｔss0-d*n）に対してプロットしている
。図５Ａに示すように、ｎ個の遷移時刻の集合のうちの主要遷移時刻は、時刻１３０であ
る（例えば、時刻１３０は他の遷移時刻よりも多数回の反復によって予測されている）。
この例では、検出装置２２０が、製造工程に関連する遷移時刻を時刻１３０として決定す
ることができる。
代わりのグラフ表現を図５Ｂに示す。図５Ｂには、各遷移時刻の合計発生回数をプロッ
トしている。ここでも、図５Ｂに示すように、ｎ個の遷移時刻の集合のうちの主要遷移時
刻は時刻１３０である。こうして、検出装置２２０は、製造工程に関連する遷移時刻を時
刻１３０として決定することができる。
以上に示したように、図５Ａ及び５Ｂは例として提供するに過ぎない。他の例が可能で
あり、図５Ａ及び５Ｂに関して説明したものと異なることができる。
図４を参照すれば、プロセス４００が、製造工程に関連する遷移時刻に基づいて最終的
なＳＶＭ分類モデルを生成するステップを含むことができる（ブロック４６０）。例えば
、検出装置２２０が、製造工程に関連する遷移時刻に基づいて、最終的なＳＶＭ分類モデ
ルを生成することができる。
この最終的なＳＶＭ分類モデルは、ＳＶＭ分類モデルの反復に基づいて決定した、製造
工程に関連する遷移時刻に基づいて生成したＳＶＭ分類モデルを含むことができる。
一部の実現では、検出装置２２０が、製造工程に関連する遷移時刻に基づいて最終的な
分類モデルを生成することができる。例えば、検出装置２２０は、上述したように、製造
工程に関連する遷移時刻を決定することができる。ここでは、検出装置２２０が非定常状
態データの最終的な集合及び定常状態データの最終的な集合を作成することができ、非定
常状態データの最終的な集合は、遷移時刻より前の（１つ以上の）時刻に関連する学習ス
ペクトルデータを含み、定常状態データの最終的な集合は、遷移時刻以後の（１つ以上の
）時刻に関連する学習スペクトルデータを含む。この例では、検出装置２２０が、非定常
状態データの最終的な集合及び定常状態データの最終的な集合にＳＶＭ技術を適用するこ
とができ、そして最終決定されたＳＶＭ分類モデルを、上述した方法と同様な方法で生成
することができる。
一部の実現では、上述したように、ＳＶＭ分類モデルが決定境界（例えば、超平面）を
含むことができ、この決定境界は、製造工程のその後の実行部分が定常状態に達したか否
かを判定する根拠として機能することができる。決定境界に関する追加的な詳細は、図６
に関して以下に説明する。
一部の実現では、検出装置２２０が最終的なＳＶＭ分類モデルを記憶することができ、
これにより、上述したように、検出装置２２０はこの最終的なＳＶＭ分類モデルを用いて
、製造工程のその後の実行部分が非定常状態であるか定常状態であるかを判定することが
できる。このようにして、検出装置２２０はＳＶＭ分類モデルを生成することができ、こ
のＳＶＭ分類モデルは、製造工程に関連するスペクトルデータを入力として受信して、製
造工程が非定常状態であるか定常状態であるかの指標を出力として提供することができる
。
一部の実現では、製造工程が複数回の状態遷移を含むことがあり、検出装置２２０は、
定常状態毎にプロセス４００を反復して、製造工程に関連する複数のＳＶＭ分類モデルを
決定することができる。例えば、製造工程は、１回目の非定常状態から１回目の定常状態
に遷移し、１回目の定常状態から２回目の非定常状態に遷移し、そして２回目の非定常状
態から２回目の定常状態に遷移することができる。この例では、検出装置２２０が（例え
ば、製造工程に関連して測定した学習スペクトルに基づいて）プロセス４００を実行して
、２回目の定常状態への遷移に関連するＳＶＭ分類モデルを生成することができる。次に
、検出装置２２０は、（例えば、２回目の定常状態に関連する学習スペクトルデータを含
まない学習スペクトルデータの部分集合に基づいて）プロセス４００を実行して、１回目
の定常状態への遷移に関連するＳＶＭ分類モデルを生成することができる。
図４はプロセス４００のブロックの例を示しているが、一部の実現では、プロセス４０
０が、図４に示すものに加えた構成要素、図４に示すものよりも少数のブロック、図４に
示すものとは異なるブロック、あるいは図４に示すものとは異なるように配置されたブロ
ックを含むことができる。それに加えて、あるいはその代わりに、プロセス４００のブロ
ックのうちの２つ以上を並行して実行することができる。
図６は、スペクトルデータに基づいて、ＳＶＭ分類モデルを用いて、製造工程が定常状
態に達したか否かを判定するためのプロセス６００の例のフローチャートである。一部の
実現では、図６の１つ以上のプロセス・ブロックを検出装置２２０によって実行すること
ができる。一部の実現では、図６の１つ以上のプロセス・ブロックを、分光計２１０及び
／またはユーザ装置２３０のような検出装置２２０とは別個の、あるいは検出装置２２０
を含めた他の装置または装置グループによって実行することができる。
図６に示すように、プロセス６００は、製造工程が定常状態に達したか否かを検出する
ためのＳＶＭ分類モデルを識別するステップを含むことができる（ブロック６１０）。例
えば、検出装置２２０は、製造工程が定常状態に達したか否かを検出するためのＳＶＭ分
類モデルを識別することができる。
一部の実現では、検出装置２２０が、検出装置２２０が記憶している情報または検出装
置２２０によってアクセス可能な情報に基づいてＳＶＭ分類モデルを識別することができ
る。例えば、検出装置２２０は、プロセス４４０に関して上述したように、検出装置２２
０によって生成した最終的なＳＶＭ分類モデルを記憶することに基づいて、ＳＶＭ分類モ
デルを識別することができる。
一部の実現では、検出装置２２０が製造工程を監視するべきことの指標を、検出装置２２０が（例えば、分光計２１０から、ユーザ装置２３０から、ユーザ入力に基づいて、等で）受信すると、検出装置２２０はＳＶＭ分類モデルを識別して、製造工程が定常状態に達した時点を特定することができる。例えば、検出装置２２０は、分光計２１０及び／またはユーザ装置２３０から、特定の製造工程を開始するべきこと、あるいは特定の製造工程が開始されたことの指標を受信することができ、例えば、検出装置２２０が製造工程を自動的に監視するように構成されている際に、この指標を受信したことに基づいてＳＶＭ分類モデルを（自動的に）識別して、製造工程が定常状態に達した時点を検出することができる。
図６にさらに示すように、プロセス６００は、製造工程に関連するスペクトルデータを
受信するステップを含むことができる（ブロック６２０）。例えば、検出装置２２０が、
製造工程に関連するスペクトルデータを受信することができる。
一部の実現では、このスペクトルデータが、製造工程の実行中に１つ以上の分光計２１
０によって測定したスペクトルを含むことができる。一部の実現では、検出装置２２０が
、製造工程中にスペクトルデータをリアルタイムまたは準リアルタイムで受信することが
できる。例えば、検出装置２２０は、製造工程の実行部分中に分光計２１０によって測定
したスペクトルデータを、分光計２１０がスペクトルデータを取得することに対してリア
ルタイムまたは準リアルタイムで受信することができる。一部の実現では、以下に説明す
るように、検出装置２２０が、スペクトルデータ及びＳＶＭ分類モデルに基づいて、製造
工程が定常状態に達したか否かを判定することができる。
図６にさらに示すように、プロセス６００は、スペクトルデータ及びＳＶＭ分類モデル
に基づいて、製造工程が定常状態に達したか否かを判定するステップを含むことができる
（ブロック６３０）。例えば、検出装置２２０が、スペクトルデータ及びＳＶＭ分類モデ
ルに基づいて、製造工程が定常状態に達したか否かを判定することができる。
一部の実現では、検出装置２２０が、製造工程が定常状態に達したか否かを、ＳＶＭ分
類モデルに関連する決定境界に基づいて判定することができる。例えば、（上述したよう
に）学習スペクトルデータを用いて製造工程の遷移時刻を識別することに基づいて、検出
装置２２０は、分光空間内の超平面によって表される決定境界を含むＳＶＭ分類モデルを
生成することができる。ここで、決定境界の内側にある分光空間内の点は、製造工程が定
常状態である分光条件を表すのに対し、決定境界の外側にある点は、製造工程が非定常状
態である分光条件を表す。一部の実現では、上述したように、製造工程に関連する遷移時
刻を特定した後に、ＳＶＭ分類モデル技術を学習スペクトルデータに適用することに基づ
いて、決定境界データを生成することができる。
図７Ａ及び７Ｂは、ＳＶＭ分類モデルに関連する簡略化した決定境界を例示するグラフ
表現７００の例である。例示目的で、図７Ａ及び７Ｂに示す決定境界は、第１主成分（Ｐ
Ｃ１：principal component 1）及び第２主成分（ＰＣ２）に関連するものとして示して
いる。実際には、決定境界は異なる数の構成要素（例えば、８０変数、１２０変数、等）
に関連することができる。
図７Ａ及び７Ｂでは、グレー色の点及び線が、製造工程が非定常状態である（１つ以上
の）時刻に（例えば、ｔ0からＳＶＭ分類モデルに関連する遷移時刻までに）測定した学
習スペクトルデータを表すのに対し、黒色の点及び線は、製造工程が定常状態である（１
つ以上の）時刻に（例えば、ＳＶＭ分類モデルに関連する遷移時刻から時刻ｔeまでに）
測定した学習スペクトルデータを表す。ライトグレー（薄灰）色の円は、製造工程が非定
常状態であった最後の点及び製造工程が定常状態であった最初の点を表す。図７Ａは、製
造工程に関連する全部の（例えば、時刻ｔ0から時刻ｔeまでの）学習スペクトルデータの
グラフ表現であるのに対し、図７Ｂは、図７Ａ中に破線の四角形で示す空間内の点の拡大
図である。図７Ｂでは、決定境界は定常状態に関連する点（並びに非定常状態に関連する
点の部分集合）を囲む太線で表される。以上に示すように、図７Ａ及び７Ｂは簡略化した
図示の例として提供するに過ぎない。他の例が可能であり、図７Ａ及び７Ｂに関して説明
したものと異なることができる。
一部の実現では、検出装置２２０が、製造工程が定常状態に達したか否かを、決定境界
（例えば、図７Ｂに示すような決定境界）に基づいて判定することができる。例えば、検
出装置２２０は、製造工程に関連するスペクトルデータを受信することができ、そしてこ
のスペクトルデータを、決定境界に関連する空間内の点としてマッピングすることができ
る。ここで、スペクトルデータに関連する点が決定境界上または決定境界内にある場合、
検出装置２２０は、製造工程が定常状態に達したものと判定することができる。その代わ
りに、スペクトルデータに関連する点が決定境界の外側にある場合、検出装置２２０は、
製造工程が定常状態に達していない（即ち、非定常状態である）ものと判定することがで
きる。
一部の実現では、検出装置２２０が、製造工程が定常状態に達したか否かの判定に関連
する信頼性測定基準（本明細書では決定値と称する）を生成することができる。例えば、
検出装置２２０は、決定境界、及びスペクトルデータを表す点に基づいて、決定境界から
スペクトルデータを表す点までの距離（例えば、決定境界上の最も近い点までの距離）を
測定することができる。ここで、決定境界の内側の点は、正（または負）の決定値に割り
当てることができるのに対し、決定境界の外側の点は、負（または正）の決定値に割り当
てることができる。この例では、より大きい絶対値を有する決定値（例えば、４．０．２
．５、－２．５、－４．０、等）が、より小さい絶対値を有する決定値（例えば。０．５
、０．２、－０．２、－０．５、等）よりも、製造工程の状態の判定におけるより高い信
頼性を表す。
以上に示すように、図７Ａ及び７Ｂは例示として提供するに過ぎない。他の例が可能で
あり、図７Ａ及び７Ｂに関して説明したものと異なることができる。
図８は、図７Ａ及び７Ｂの決定境界に基づいて特定した決定値の例のグラフ表現８００
である。図８では、負の決定値が、製造工程中に測定した、決定境界の外側にある点によ
るスペクトルデータに対応するのに対し、正の決定値は、製造工程中に、決定境界の内側
に入る点によるスペクトルデータに対応する。図８中に縦線で示すように、検出装置２２
０は、およそタイムステップ６５で第１の正の決定値を特定している。
一部の実現では、検出装置２２０が、製造工程が定常状態に達したか否かを、決定値の
しきい値に基づいて判定することができる。例えば、検出装置２２０は、決定境界の内側
にある点に関連する決定値がしきい値を満足する際に、製造工程が定常状態に達したもの
と判定することができる。図８を特定例として用いれば、検出装置２２０が、２．０以上
である正の決定値を特定した際に製造工程が定常状態に達したものと判定するように構成
されている場合に、検出装置２２０はこうした判定をおよそタイムステップ７５において
行うことができる。
他の例として、検出装置２２０は、連続する複数のタイムステップに関連する連続する
複数の決定値がしきい値を満足する際に、製造工程が定常状態に達したものと判定するこ
とができる。図８を特定例として用いれば、検出装置２２０が、連続する５つの正の決定
値を特定した際に製造工程が定常状態に達したものと判定するように構成されている場合
に、検出装置２２０は、こうした判定をおよそタイムステップ６９で行うことができる。
他の例として、検出装置２２０は、連続するしきい値個数の決定値がしきい値を満足す
る際に、製造工程が定常状態に達したものと判定することができる。図８を特定例として
用いれば、検出装置２２０が、１．０以上である、連続する３つの正の決定値を特定した
際に製造工程が定常状態に達したものと判定するように構成されている場合に、検出装置
２２０は、こうした判定をおよそタイムステップ６８で行うことができる。
他の例として、検出装置２２０は、複数の決定値（例えば、連続する一連の正の決定値
）の平均値または加重平均値がしきい値を満足する際に、製造工程が定常状態に達したも
のと判定することができる。一部の実現では、検出値のしきい値を用いることにより、（
例えば、製造工程が本質的に確率的であり得るので）製造工程が定常状態に達したものと
誤判定することを防ぐことができる。
以上に示すように、図８は例示として提供するに過ぎない。他の例が可能であり、図８
に関して説明したものと異なることができる。
図６に戻れば、製造工程が定常状態に達していない場合（ブロック６３０の「いいえ」
）プロセス６００は、製造工程に関連する追加的スペクトルデータを含むことができる。
例えば、検出装置２２０は、製造工程が定常状態に達していないものと（例えば、製造工
程がまだ非定常状態であるものと）判定することができ、そして（例えば、製造工程中の
次のタイムステップで収集される）追加的スペクトルデータを待つことができる。
一部の実現では、この追加的スペクトルデータに基づいて、上述した方法で、製造工程
が定常状態に達しているか否かを判定することができる。一部の実現では、検出装置２２
０は、スペクトルデータを受信して製造工程が定常状態に達したか否かを判定することを
、製造工程が定常状態に達したものと検出装置２２０が判定するまで継続することができ
る。
図６にさらに示すように、製造工程が定常状態に達した場合（ブロック６３０の「はい
」）、プロセス６００は、定常状態に関連する定量的測定基準を定めるステップを含むこ
とができる（ブロック６４０）。例えば、検出装置２２０は、製造工程が定常状態に達し
たものと判定することができ、そして定常状態に関連する定量的測定基準を定めることが
できる。
この定量的測定基準は、定常状態における化合物の成分の濃度、定常状態における粒径
、等のような定常状態に関連する定量的特性を示す測定基準を含むことができる。一部の
実現では、検出装置２２０がスペクトルデータに基づいて検出した定常状態が、粒径のよ
うな特定の物理特性を有する成分化合物の特定組成に対応することができる。従って、上
記定量的測定基準は、定常状態に関連するスペクトルデータに基づいて予測することがで
きる。
例えば、一部の実現では、検出装置２２０が、当該スペクトルデータに基づいて定常状
態を検出したスペクトルデータを入力として受信し、定常状態に関連する定量的測定基準
を出力として提供する回帰モデル（例えば、ＰＬＳ回帰モデル、ＳＶＲモデル）を記憶す
るか、こうした回帰モデルにアクセスすることができる。この例では、回帰モデルからの
出力を、例えば、化合物の各成分の濃度、化合物の特定サイズ、等とすることができる。
一部の実現では、検出装置２２０が、上記回帰モデルを記憶するか、こうした回帰モデ
ルにアクセスすることができる。それに加えて、あるいはその代わりに、検出装置２２０
は、学習スペクトルデータ及び定量的学習データ（例えば、学習スペクトルデータに対応
する定量的測定基準を識別する情報）に基づいて、上記回帰モデルを生成することができ
る。一部の実現では、定量的測定基準の決定が随意的である。
図６にさらに示すように、プロセス６００は、製造工程が定常状態に達したことの指標
、及び上記定量的測定基準に関連する情報を提供するステップを含むことができる（ブロ
ック６５０）。例えば、検出装置２２０は、製造工程が定常状態に達したことの指標、及
び上記定量的測定基準に関連する情報を提供することができる。
一部の実現では、検出装置２２０が、製造工程が定常状態に達したことの指標、及び／
または、ユーザ装置２３０のような他の装置向けの定量的測定基準に関連する情報を提供
することができる（これにより、ユーザは、製造工程が定常状態に達したことを知ること
、及び／または定量的測定基準に関連する情報を見ることができる）。
それに加えて、あるいはその代わりに、検出装置２２０は、製造工程が定常状態に達し
たことの指標を提供して、ある動作を自動的に実行させることができる。例えば、検出装
置２２０は、製造工程を実行することに関連する装置にこの指標を提供して、製造工程を
停止させて（例えば、定常状態に関連する混合工程を停止させて）、製造工程中の次のス
テップを開始させて、製造工程を再開する（例えば、新たな原材料に対して混合工程を再
開する）ことができる。
図６は、プロセス６００のブロックの例を示しているが、一部の実現では、プロセス６
００が、図６に示すものに追加したブロック、図６に示すものよりも少数のブロック、図
６に示すものとは異なるブロック、あるいは図６に示すものとは異なるように配置された
ブロックを含むことができる。それに加えて、あるいはその代わりに、プロセス６００の
ブロックのうち２つ以上を並行して実行することができる。
本明細書中に説明した実現は、製造工程（例えば、連続製造工程、バッチ製造工程、等
）が定常状態に達したか否かを判定するためのＳＶＭ分類モデルを生成すること、及びＳ
ＶＭ分類モデルを用いて、かつ製造工程に関連する多変量スペクトルデータに基づいて、
製造工程が定常状態に達したか否かを判定することができる検出装置を提供する。一部の
実現では、ＳＶＭ分類モデルが、多数の変数（例えば、８０変数、１２０変数、１５０変
数、等）を考慮に入れ、これにより、ＳＶＭ分類モデルの精度及び／またはロバスト性を
（例えば、単変量技術またはＰＣＡ技術に比べて）向上させることができる。
以上の開示は、図示及び説明を提供するが、網羅的であること、あるいは実現を開示し
た明確な形態に限定することは意図していない。以上の開示を考慮した変更及び変形が可
能であり、あるいは実現の実施より変更及び変形を獲得することができる。
本明細書中に用いる構成要素とは、ハードウェア、ファームウェア、及び／またはハー
ドウェアとソフトウェアの組合せとして広義に解釈されることを意図している。
一部の実現は、しきい値に関連して本明細書中に説明している。本明細書中に用いる、
しきい値を満足するとは、しきい値よりも大きい値、しきい値よりも多い値、しきい値よ
りも高い値、しきい値以上である値、しきい値よりも小さい値、しきい値よりも少ない値
、しきい値よりも低い値、しきい値以下である値、しきい値に等しい値、等を参照する。
本明細書中に説明したシステム及び／または方法は、ハードウェア、ファームウェア、
あるいはハードウェアとソフトウェアの組合せの異なる形態で実現することができること
は明らかである。これらのシステム及び／または方法を実現するために使用される実際の
特化したハードウェアまたはソフトウェア・コードは、実現を限定するものではない。従
って、本明細書中では、システム及び／または方法の動作及び挙動を特定のソフトウェア
・コードを参照せずに説明したが、ソフトウェア及びハードウェアは、本明細書中の説明
に基づくシステム及び／または方法を実現するように設計することができることは明らか
である。
特徴の特定の組合せを、特許請求の範囲に記載し、及び／または明細書中に開示してい
るが、これらの組合せは可能な実現の開示を限定することは意図していない。実際に、こ
れらの特徴の多数は、特許請求の範囲に具体的に記載していない方法、及び／または明細
書中に開示していない方法で組み合わせることができる。以下に挙げる各従属請求項は１
つの請求項のみに従属することがあるが、可能な実現の開示は、特許請求の範囲中の各従
属請求項を他のあらゆる請求項と組み合わせたものを含む。
本明細書中に用いるどの要素も動作も命令も、特に断りのない限り、決定的または不可
欠なものとして解釈するべきでない。また、本明細書中に用いる「ある...」は、１つ以
上のアイテムを含むことを意図しており、「１つ以上の」と互換的に用いることができる
。さらに、本明細書中に用いる「集合」とは、１つ以上のアイテム（例えば、関係するア
イテム、無関係なアイテム、関係するアイテムと無関係なアイテムとの組合せ、等）を含
むことを意図している。１つだけのアイテムを意図している場合、「１つの」または類似
の文言を用いている。また、本明細書中に用いる「有する」、「有している」等は、上限
がない用語を意図している。さらに、「基づく」は、特に断りのない限り「少なくとも部
分的に基づく」ことを意味することを意図している。

Claims (18)

  1. 装置によって、サポートベクターマシン（ＳＶＭ）分類モデルを識別するステップと、
    前記装置によって、１つ以上の分光計から、製造工程の実行中に測定した多変量スペクトルデータを受信するステップと、
    前記装置によって、前記多変量スペクトルデータに基づいて、前記ＳＶＭ分類モデルを用いて、前記製造工程が特定時刻に定常状態であるか否かを判定するステップと、
    前記装置によって、前記製造工程が前記特定時刻に前記定常状態であるか否かを判定した後に、前記製造工程が前記定常状態に達したことの指標を提供するステップと
    を含み、
    前記製造工程が前記特定時刻に前記定常状態であるか否かを判定するステップが、
    前記製造工程が前記定常状態に達したものと判定するステップを含み、
    前記方法が、
    前記製造工程が前記定常状態に達したものと判定したことに基づいて、前記定常状態に関連する定量的測定基準を定めるステップと、
    前記定量的測定基準に関連する情報を提供するステップと
    をさらに含む方法。
  2. 前記製造工程に関連する主要遷移時刻に基づいて、前記ＳＶＭ分類モデルを生成するステップをさらに含む、請求項１に記載の方法。
  3. 前記ＳＶＭ分類モデルが８０個以上の変数を有する、請求項１に記載の方法。
  4. 前記製造工程が前記特定時刻に前記定常状態であるか否かを判定するステップが、
    前記多変量スペクトルデータを前記ＳＶＭ分類モデルへの入力として提供するステップと、
    前記ＳＶＭ分類モデルの出力に基づいて、前記製造工程が前記特定時刻に前記定常状態でないものと判定するステップと
    を含む、請求項１に記載の方法。
  5. 前記特定時刻が、前記多変量スペクトルデータを測定した時刻である、請求項１に記載の方法。
  6. 前記定量的測定基準が、
    前記定常状態における化合物の成分の濃度、
    前記定常状態における粒径
    のうちの１つ以上を含む、請求項１に記載の方法。
  7. 前記定量的測定基準を定めるステップが、
    前記製造工程が前記定常状態に達したものと判定したことに基づいて、前記多変量スペクトルデータを回帰モデルへの入力として提供するステップと、
    前記定量的測定基準を、前記回帰モデルからの出力として受信するステップと
    を含む、請求項１に記載の方法。
  8. 前記多変量スペクトルデータが近赤外（ＮＩＲ）スペクトルデータを含み、該ＮＩＲスペクトルデータは、１００個以上の変数の値を含むデータを含む、請求項１に記載の方法。
  9. １つ以上のメモリと、
    前記１つ以上のメモリに結合された１つ以上のプロセッサとを具えた装置であって、
    前記１つ以上のプロセッサは、
    分類モデルを識別し、
    １つ以上の分光計から、製造工程の実行中に測定したスペクトルデータを受信し、
    前記スペクトルデータに基づいて、前記分類モデルを用いて、前記製造工程が特定時刻に定常状態であるか否かを判定し、
    前記製造工程が前記特定時刻に前記定常状態であるか否かを判定した後に、前記製造工程が前記定常状態に達したことの指標を提供する
    ように構成され、
    前記１つ以上のプロセッサが、前記製造工程が前記特定時刻に前記定常状態であるか否かを判定する際に、前記製造工程が前記定常状態に達したものと判定するように構成され、
    前記１つ以上のプロセッサが、
    前記製造工程が前記定常状態に達したものと判定したことに基づいて、前記定常状態に関連する定量的測定基準を定め、
    前記定量的測定基準に関連する情報を提供する
    ようにさらに構成されている装置。
  10. 前記１つ以上のプロセッサが、前記製造工程に関連する主要遷移時刻に基づいて前記分類モデルを生成するようにさらに構成されている、請求項９に記載の装置。
  11. 前記分類モデルがサポートベクターマシン（ＳＶＭ）分類モデルである、請求項９に記載の装置。
  12. 前記分類モデルが８０個以上の変数を有する、請求項９に記載の装置。
  13. 前記特定時刻が、前記スペクトルデータを測定した時刻である、請求項９に記載の装置。
  14. 前記スペクトルデータが多変量スペクトルデータを含む、請求項９に記載の装置。
  15. 一組の命令を記憶する非一時的コンピュータ可読媒体であって、前記一組の命令が１つ以上の命令を含み、該１つ以上の命令は、
    装置の１つ以上のプロセッサによって実行されると、前記装置に、
    １つ以上の分光計から、製造工程の実行中に測定した多変量スペクトルデータを受信させ、
    前記多変量スペクトルデータに基づいて、前記製造工程が特定時刻に定常状態であるか否かを判定させ、
    前記製造工程が前記特定時刻に前記定常状態であるか否かを判定した後に、前記製造工程が前記定常状態に達したことの指標を提供させ、
    前記製造工程が前記特定時刻に前記定常状態であるか否かを判定する際に、前記製造工程が前記定常状態に達したものと判定させ、
    前記製造工程が前記定常状態に達したものと判定したことに基づいて、前記定常状態に関連する定量的測定基準を定めさせ、
    前記定量的測定基準に関連する情報を提供させる、非一時的コンピュータ可読媒体。
  16. 前記製造工程が前記特定時刻に前記定常状態であるか否かが、サポートベクターマシン（ＳＶＭ）分類モデルを用いて判定される、請求項１５に記載の非一時的コンピュータ可読媒体。
  17. 前記特定時刻が、前記多変量スペクトルデータが測定された時刻である、請求項１５に記載の非一時的コンピュータ可読媒体。
  18. 前記多変量スペクトルデータが近赤外（ＮＩＲ）スペクトルデータを含み、該ＮＩＲスペクトルデータは、１００個以上の変数の値を含むデータを含む、請求項１５に記載の非一時的コンピュータ可読媒体。
JP2021175662A 2017-05-04 2021-10-27 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出 Active JP7237124B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/586,678 US10984334B2 (en) 2017-05-04 2017-05-04 Endpoint detection in manufacturing process by near infrared spectroscopy and machine learning techniques
US15/586,678 2017-05-04
JP2018078847A JP6968745B2 (ja) 2017-05-04 2018-04-17 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2018078847A Division JP6968745B2 (ja) 2017-05-04 2018-04-17 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出

Publications (2)

Publication Number Publication Date
JP2022017405A JP2022017405A (ja) 2022-01-25
JP7237124B2 true JP7237124B2 (ja) 2023-03-10

Family

ID=62196310

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2018078847A Active JP6968745B2 (ja) 2017-05-04 2018-04-17 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出
JP2021175662A Active JP7237124B2 (ja) 2017-05-04 2021-10-27 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2018078847A Active JP6968745B2 (ja) 2017-05-04 2018-04-17 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出

Country Status (8)

Country Link
US (2) US10984334B2 (ja)
EP (1) EP3399472A1 (ja)
JP (2) JP6968745B2 (ja)
KR (2) KR102305566B1 (ja)
CN (2) CN117290780A (ja)
CA (1) CA3002340A1 (ja)
HK (2) HK1257428A1 (ja)
TW (3) TWI744518B (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109668859A (zh) * 2019-03-03 2019-04-23 西南大学 基于svm算法的花椒产地和品种的近红外光谱识别方法
CN111650129B (zh) * 2020-03-05 2022-07-01 广东省科学院广州地理研究所 一种荔枝叶片钙含量预测方法及预测装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005528585A (ja) 2001-12-12 2005-09-22 ザ プロクター アンド ギャンブル カンパニー 汚れた物品の洗浄方法
JP2006048429A (ja) 2004-08-05 2006-02-16 Nec Corp 解析エンジン交換型システム及びデータ解析プログラム
JP2009003638A (ja) 2007-06-20 2009-01-08 Nippon Telegr & Teleph Corp <Ntt> 逐次更新型非定常検出装置、逐次更新型非定常検出方法、逐次更新型非定常検出プログラムおよびそのプログラムを記録した記録媒体
JP2010128947A (ja) 2008-11-28 2010-06-10 Nippon Telegr & Teleph Corp <Ntt> 非定常度推定装置、非定常度推定方法、非定常度推定プログラム
US20140080172A1 (en) 2012-09-14 2014-03-20 Halliburton Energy Services, Inc. Systems and Methods for Monitoring Chemical Processes
JP2016075692A (ja) 2009-05-07 2016-05-12 ソラム インコーポレイテッド 吸収分光に基づく土壌中の硝酸性窒素濃度の測定
JP2017049246A (ja) 2015-08-26 2017-03-09 ヴァイアヴィ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． 分光法を用いる識別

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU779635B2 (en) * 1999-10-27 2005-02-03 Health Discovery Corporation Methods and devices for identifying patterns in biological systems and methods for uses thereof
US8463718B2 (en) * 2000-08-07 2013-06-11 Health Discovery Corporation Support vector machine-based method for analysis of spectral data
TW201303618A (zh) * 2003-11-18 2013-01-16 Aureon Biosciences Corp 產生預估事件發生的時間之模型的方法與電腦程式產品、決定事件發生時間之預估資訊的設備、決定病患的預估診斷的方法與電腦程式產品
WO2005099875A1 (fr) * 2004-04-16 2005-10-27 Tsinghua University Procede de prevision du flux de permeation d'un module de membrane
US7451004B2 (en) * 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
US7840287B2 (en) * 2006-04-13 2010-11-23 Fisher-Rosemount Systems, Inc. Robust process model identification in model based control techniques
US7599897B2 (en) * 2006-05-05 2009-10-06 Rockwell Automation Technologies, Inc. Training a support vector machine with process constraints
EP1992939A1 (en) * 2007-05-16 2008-11-19 National University of Ireland, Galway A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data.
US20090327172A1 (en) * 2008-06-27 2009-12-31 Motorola, Inc. Adaptive knowledge-based reasoning in autonomic computing systems
JP5558468B2 (ja) * 2009-06-30 2014-07-23 株式会社東芝 チェックアウト装置、および作業状況計測装置
US8577820B2 (en) * 2011-03-04 2013-11-05 Tokyo Electron Limited Accurate and fast neural network training for library-based critical dimension (CD) metrology
US8489632B1 (en) * 2011-06-28 2013-07-16 Google Inc. Predictive model training management
US8874610B2 (en) * 2011-12-06 2014-10-28 International Business Machines Corporation Pattern-based stability analysis of complex data sets
CN104508671B (zh) * 2012-06-21 2018-10-19 菲利普莫里斯生产公司 通过偏差校正和分类预测生成生物标记签名的系统和方法
CN103748871A (zh) * 2012-08-17 2014-04-23 弗莱克斯电子有限责任公司 互动频道浏览与切换
US9891108B2 (en) * 2012-10-03 2018-02-13 The Research Foundation For The State University Of New York Spectroscopic method for Alzheimer's disease diagnosis
CN103439933B (zh) * 2013-08-13 2015-09-30 清华大学 一种应用ocsvm的生产过程自适应监控系统及方法
CN103971015B (zh) * 2014-05-22 2017-02-15 重庆大学 一种石膏浆料搅拌时间的分析方法
CN104376325A (zh) 2014-10-30 2015-02-25 中国科学院半导体研究所 一种近红外定性分析模型的建立方法
CN105866056A (zh) * 2015-03-25 2016-08-17 山东翰能高科科技有限公司 一种基于近红外光谱的杂交种纯度鉴别方法
CN105809203B (zh) * 2016-03-15 2019-01-18 浙江大学 一种基于层次聚类的系统稳态检测算法
CN106404748B (zh) * 2016-09-05 2019-03-05 华中科技大学 一种多谱线组合激光诱导击穿光谱谷类作物产地识别方法
US10262910B2 (en) * 2016-12-23 2019-04-16 Lam Research Corporation Method of feature exaction from time-series of spectra to control endpoint of process

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005528585A (ja) 2001-12-12 2005-09-22 ザ プロクター アンド ギャンブル カンパニー 汚れた物品の洗浄方法
JP2006048429A (ja) 2004-08-05 2006-02-16 Nec Corp 解析エンジン交換型システム及びデータ解析プログラム
JP2009003638A (ja) 2007-06-20 2009-01-08 Nippon Telegr & Teleph Corp <Ntt> 逐次更新型非定常検出装置、逐次更新型非定常検出方法、逐次更新型非定常検出プログラムおよびそのプログラムを記録した記録媒体
JP2010128947A (ja) 2008-11-28 2010-06-10 Nippon Telegr & Teleph Corp <Ntt> 非定常度推定装置、非定常度推定方法、非定常度推定プログラム
JP2016075692A (ja) 2009-05-07 2016-05-12 ソラム インコーポレイテッド 吸収分光に基づく土壌中の硝酸性窒素濃度の測定
US20140080172A1 (en) 2012-09-14 2014-03-20 Halliburton Energy Services, Inc. Systems and Methods for Monitoring Chemical Processes
JP2017049246A (ja) 2015-08-26 2017-03-09 ヴァイアヴィ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． 分光法を用いる識別

Also Published As

Publication number Publication date
EP3399472A1 (en) 2018-11-07
TW201843600A (zh) 2018-12-16
TW202318276A (zh) 2023-05-01
JP2018189638A (ja) 2018-11-29
KR102576834B1 (ko) 2023-09-08
KR20210118029A (ko) 2021-09-29
JP6968745B2 (ja) 2021-11-17
CN108805168B (zh) 2023-10-13
TWI744518B (zh) 2021-11-01
TW202203098A (zh) 2022-01-16
US20210224672A1 (en) 2021-07-22
JP2022017405A (ja) 2022-01-25
TWI825490B (zh) 2023-12-11
US10984334B2 (en) 2021-04-20
KR20180122955A (ko) 2018-11-14
CA3002340A1 (en) 2018-11-04
US20180322399A1 (en) 2018-11-08
KR102305566B1 (ko) 2021-10-07
HK1257428A1 (zh) 2019-10-18
HK1257430A1 (zh) 2019-10-18
CN117290780A (zh) 2023-12-26
CN108805168A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
US10496515B2 (en) Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium
JP7237124B2 (ja) 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出
WO2019129060A1 (zh) 自动生成机器学习样本的特征的方法及系统
JP7387832B2 (ja) 分光モデルのクロスバリデーションベース較正
US10228994B2 (en) Information processing system, information processing method, and program
US10073908B2 (en) Functional space-time trajectory clustering
US9208209B1 (en) Techniques for monitoring transformation techniques using control charts
TWI759577B (zh) 用於在光譜量化期間避免誤報識別的設備和方法以及相關的非暫時性電腦可讀取媒體
US8874409B2 (en) Multi-step time series prediction in complex instrumented domains
US20220188665A1 (en) Gas-oil separation plant virtual water cut predictor based on supervised learning framework on time series data
US20230273121A1 (en) Outlier detection for spectroscopic classification
CN109492775B (zh) 一种地质构造解释的检测方法，检测装置及可读存储介质
JP2018059900A (ja) スパース転送セットを使用する較正モデルの転送
US20170371936A1 (en) Sample size estimator
CN107664655B (zh) 用于表征分析物的方法以及装置
US20230243699A1 (en) Rolling principal component analysis for dynamic process monitoring and end point detection
CN111989662A (zh) 自主混合分析建模平台
US11860035B2 (en) Blending process end point detection
US20230237367A1 (en) Generating a configuration portfolio including a set of model configurations
CN117520737A (zh) 时序数据检测方法、装置、电子设备及存储介质
CN112882822A (zh) 生成负载预测模型的方法、装置、设备和存储介质

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211124

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211124

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221026

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221108

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230125

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: 20230131

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230228

R150 Certificate of patent or registration of utility model

Ref document number: 7237124

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150