JP7471583B2 - 荷電粒子照射装置、システム、方法及びプログラム - Google Patents

荷電粒子照射装置、システム、方法及びプログラム Download PDF

Info

Publication number
JP7471583B2
JP7471583B2 JP2019222358A JP2019222358A JP7471583B2 JP 7471583 B2 JP7471583 B2 JP 7471583B2 JP 2019222358 A JP2019222358 A JP 2019222358A JP 2019222358 A JP2019222358 A JP 2019222358A JP 7471583 B2 JP7471583 B2 JP 7471583B2
Authority
JP
Japan
Prior art keywords
irradiation
charged
state
unit
irradiation 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
JP2019222358A
Other languages
English (en)
Other versions
JP2021093268A (ja
Inventor
克幸 高橋
天海 金
浩一 高木
勝也 久保
優希 金田
晋一 山口
功 日吉
隆一 竹内
秀海 永田
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.)
Iwate University
Shishido Electrostatic Ltd
Original Assignee
Iwate University
Shishido Electrostatic Ltd
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 Iwate University, Shishido Electrostatic Ltd filed Critical Iwate University
Priority to JP2019222358A priority Critical patent/JP7471583B2/ja
Priority to PCT/JP2020/045660 priority patent/WO2021117718A1/ja
Priority to EP20899062.2A priority patent/EP4075924A4/en
Priority to KR1020227017937A priority patent/KR20220113684A/ko
Priority to CN202080085067.3A priority patent/CN114830831A/zh
Publication of JP2021093268A publication Critical patent/JP2021093268A/ja
Priority to US17/835,345 priority patent/US20220301820A1/en
Application granted granted Critical
Publication of JP7471583B2 publication Critical patent/JP7471583B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
    • H01J37/32321—Discharge generated by other radiation
    • H01J37/3233—Discharge generated by other radiation using charged particles
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05F—STATIC ELECTRICITY; NATURALLY-OCCURRING ELECTRICITY
    • H05F3/00—Carrying-off electrostatic charges
    • H05F3/04—Carrying-off electrostatic charges by means of spark gaps or other discharge devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01T—SPARK GAPS; OVERVOLTAGE ARRESTERS USING SPARK GAPS; SPARKING PLUGS; CORONA DEVICES; GENERATING IONS TO BE INTRODUCED INTO NON-ENCLOSED GASES
    • H01T19/00—Devices providing for corona discharge
    • H01T19/04—Devices providing for corona discharge having pointed electrodes
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01T—SPARK GAPS; OVERVOLTAGE ARRESTERS USING SPARK GAPS; SPARKING PLUGS; CORONA DEVICES; GENERATING IONS TO BE INTRODUCED INTO NON-ENCLOSED GASES
    • H01T23/00—Apparatus for generating ions to be introduced into non-enclosed gases, e.g. into the atmosphere
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/04—Means for controlling the discharge
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/06—Sources
    • H01J2237/063—Electron sources
    • H01J2237/06375—Arrangement of electrodes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Plasma & Fusion (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Elimination Of Static Electricity (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)

Description

この発明は、例えば、イオン等の荷電粒子を照射する装置等に関する。
近年、様々な分野において、イオン等の荷電粒子を照射する技術が普及している。一例として、静電気の除電装置がある。除電装置とは、コロナ放電等により正又は負に帯電したイオンを帯電物に対して照射することで、帯電電荷を中和する装置である（例えば、特許文献１）。除電装置は、電子デバイス、液晶又は半導体等を始めとする様々な製品の製造工程において利用されており、対象製品の歩留まり向上等に寄与している。また、荷電粒子を照射する技術は、除電装置以外でも、半導体プロセスや薄膜プロセス等様々な場面において利用されている。
特開２００９－２０５８１５号公報
しかしながら、従前、荷電粒子を照射する技術を利用したこの種の装置においては、荷電粒子の照射時間等のパラメータは装置稼働中において固定されていた。そのため、例えば、稼働中において、対象物の帯電状態や環境に変化が生じた場合であっても対応することが出来ず、その結果、対象物を目標とする帯電状態へと適切に遷移させることが出来ないおそれがあった。これにより、例えば、歩留まりの低下等が生じてしまうおそれがあった。
本発明は、上述の技術的課題を解決するためになされたものであり、その目的とするところは、装置稼働中においても帯電物や環境等の変化に素早く適応し、適応的に荷電粒子を照射することができる荷電粒子照射装置を提供することにある。
上述の技術的課題は、以下の構成を有する荷電粒子照射装置等により解決することができる。
すなわち、本発明に係る荷電粒子照射装置は、帯電物に対して荷電粒子を所定の照射時間だけ照射する荷電粒子照射装置であって、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成部と、前記照射時間生成部にて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射部と、前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成部にて生成された前記照射時間の対応関係を学習させる、機械学習部と、前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、及び前記学習部を繰り返し動作させる、終了判定部と、を備えている。
このような構成によれば、逐次的に学習を行いつつ機械学習に十分な回数だけ荷電粒子を照射することで、照射時間を推定する学習済モデルを迅速かつ適応的に生成することができる。すなわち、帯電物や環境等の変化に素早く適応し、適応的に荷電粒子を照射することができる荷電粒子照射装置を提供することができる。これにより、例えば、荷電粒子の照射作業に関し、効率や歩留まりの向上を見込むことができる。
前記荷電粒子照射装置は、さらに、前記照射前帯電状態、目標とする照射後帯電状態、及び前記学習部にて学習された前記機械学習モデルに基づいて、荷電粒子の推定照射時間を生成する、推定部と、前記推定照射時間に基づいて帯電物に対して荷電粒子を照射する、推定照射部と、前記終了判定部において前記学習終了条件が満たされた場合は、前記照射部に代えて前記推定照射部を用いて帯電物に対して荷電粒子を照射する、切替部と、を備えてもよい。
前記照射時間生成部において、前記帯電物への荷電粒子の照射時間は、過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて近似処理を行うことにより算出される、ものであってもよい。
前記近似処理は、目標とする帯電状態へと一次近似又は直線近似することにより行われる、ものであってもよい。
前記近似処理は、前記照射時間に関する近似処理結果にばらつきをもたせた値を用いて行われる、ものであってもよい。
前記学習終了条件は、前記機械学習モデルの出力となる照射時間と、前照射後帯電状態が目標状態又はその近傍状態となったときの前記照射時間との誤差が所定値又は所定割合以下となることであってもよい。
前記荷電粒子照射装置は、さらに、前記帯電物又は環境の変化を検出する、変化検出部と、前記変化検出部において所定の変化が検出された場合に、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、前記学習部及び前記終了判定部を動作させる、動作開始判定部と、を備える、ものであってもよい。
前記帯電物の前記帯電状態は、前記帯電物の電位であってもよい。
前記荷電粒子照射装置は、前記照射後帯電状態が前記照射前帯電状態に対して所定割合以上であると判定された場合に所定のエラー処理を行う、ものであってもよい。
前記エラー処理は、前記照射後帯電状態が前記照射前帯電状態に対して所定割合以上であると判定された場合に、その割合に応じてポイントを加算し、前記ポイントが所定値以上となった場合に、前記荷電粒子照射装置を停止させる、装置停止処理を含む、ものであってもよい。
前記エラー処理は、前記照射後帯電状態が前記照射前帯電状態に対して所定割合以上であると判定された場合に、判定された各前記帯電状態を、前記機械学習部における機械学習の対象から外す処理を含む、ものであってもよい。
前記機械学習モデルは、木構造を利用した学習モデルであってもよい。
本発明は除電装置として観念することができる。すなわち、本発明に係る除電装置は、帯電物に対して荷電粒子を所定の照射時間だけ照射する除電装置であって、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成部と、前記照射時間生成部にて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射部と、前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成部にて生成された前記照射時間の対応関係を学習させる、機械学習部と、前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、及び前記学習部を繰り返し動作させる、終了判定部と、を備えている。
本発明は荷電粒子照射システムとして観念することができる。すなわち、本発明に係る荷電粒子照射システムは、帯電物に対して荷電粒子を所定の照射時間だけ照射する荷電粒子照射システムであって、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成部と、前記照射時間生成部にて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射部と、前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成部にて生成された前記照射時間の対応関係を学習させる、機械学習部と、前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、及び前記学習部を繰り返し動作させる、終了判定部と、を備えている。
本発明は荷電粒子照射方法としても観念することができる。すなわち、本発明に係る荷電粒子照射方法は、帯電物に対して荷電粒子を所定の照射時間だけ照射する荷電粒子照射方法であって、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出ステップと、過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成ステップと、前記照射時間生成ステップにて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射ステップと、前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出ステップと、所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成ステップにて生成された前記照射時間の対応関係を学習させる、機械学習ステップと、前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出ステップ、前記照射時間生成ステップ、前記照射ステップ、前記照射後状態検出ステップ、及び前記学習ステップを繰り返し動作させる、終了判定ステップと、を備えている。
本発明はコンピュータプログラムとして観念することができる。すなわち、本発明に係るコンピュータプログラムは、コンピュータを、帯電物に対して荷電粒子を所定の照射時間だけ照射する荷電粒子照射装置であって、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成部と、前記照射時間生成部にて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射部と、前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成部にて生成された前記照射時間の対応関係を学習させる、機械学習部と、前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、及び前記学習部を繰り返し動作させる、終了判定部と、を備えた荷電粒子照射装置、として機能させるものである。
本発明によれば、装置稼働中においても帯電物や環境等の変化に素早く適応し、適応的に荷電粒子を照射することができる荷電粒子照射装置を提供することができる。
図１は、除電装置のブロック図である。 図２は、除電装置の動作に関するゼネラルフローチャートである。 図３は、適応学習の詳細フローチャートである。 図４は、学習処理に関する詳細フローチャートである。 図５は、近似計算について説明する概念図である。 図６は、誤差率演算処理の詳細フローチャートである。 図７は、適応学習処理の過程の一例について示す説明図である。 図８は、学習済モデルに基づく除電処理のフローチャートである。 図９は、学習収束までのデータ数について示す説明図である。 図１０は、最初に学習させる入力データと学習収束までのデータ数との関係性について示した説明図である。 図１１は、初期電位の切替と誤差率の遷移との関係性について示す説明図である。
以下、本発明の好適な実施の一形態について添付の図１～図１１を参照しつつ詳細に説明する。
（１．第１の実施形態）
本実施形態においては、荷電粒子照射装置の一例として、対象物の静電気等を除電する除電装置１００を例に説明する。
（１．１ 除電装置の構成）
図１を参照しつつ、本実施形態に係る除電装置１００の構成について説明する。図１は除電装置１００のブロック図である。同図から明らかな通り、除電装置１００は、コロナ放電電極（針電極）６にて発生した正又は負の荷電粒子、すなわちイオンを除電対象物９に対して圧縮空気ノズル５からの圧縮空気により吹き付けて照射することにより、除電対象物９を電気的に中和し除電する。なお、除電対象物はベルトコンベア等により一定速度又は間欠的に搬送され順に除電処理が施される。
除電装置１００は、制御部１、電源制御ユニット２、高電圧電源３、異常出力物４、圧縮空気ノズル５、コロナ放電電極６、初期電位計測用の表面電位計７、及び除電処理後の残留電位計測用の表面電位計８から構成される。
制御部１は、ＣＰＵ等から成り、後述の動作を実現するプログラムの実行を行う。制御部１は、表面電位計７、８からのセンサ出力を元に、電源制御ユニット２へと提供する印加電圧に関する情報、例えば、電圧のデューティ比等を生成する。また、制御部１は、表面電位計７、８の出力から所定の異常を検出した場合には、異常出力部４へと出力を行う。
電源制御ユニット２は、制御部１からの指令に応じて高電圧電源３を制御する。高電圧電源３は、制御部１において生成された印加電圧に応じて、コロナ放電電極６へと電圧印加を行う。コロナ放電電極６の近傍には、圧縮空気ノズル５が設けられており、この圧縮空気ノズル６からの圧縮空気が除電対象物９に吹き付けられることにより、コロナ放電電極（針電極）６にて発生した正又は負の荷電粒子が除電対象物９へと提供される。
なお、除電装置１００の構成は、本実施形態に記載されたものに限定されない。従って、例えば、各構成をネットワークを介して接続したり、複数の構成を所定の装置等に分離又は統合してもよい。また、制御部１で行われる動作の一部、例えば、機械学習処理等を他の装置等で実行してもよい。
（１．２ 除電装置の動作）
次に、図２～図８を参照しつつ、除電装置１００の動作について説明する。
図２は、除電装置１００の動作に関するゼネラルフローチャートである。同図から明らかな通り、処理が開始すると、除電装置１００は、除電対象物９が除電装置１００の荷電粒子照射領域において適切に検出されるまで待機する処理を行う（Ｓ１ＮＯ）。この状態において、荷電粒子照射領域において除電対象物９が検出されると（Ｓ１ＹＥＳ）、適応学習の要否判定処理が行われる（Ｓ２）。
適応学習の要否判定処理（Ｓ２）は、除電対象物９や環境に変化があったか否かを判定する処理であり、本実施形態においては、除電対象物９の電位を計測し、当該初期電位が既に学習済の初期電位又はその近傍値か否かを判定する処理である。
適応学習の要否判定処理の結果、適応学習が必要でないと判定される場合（Ｓ３ＮＯ）、既存の学習済モデルに基づく荷電粒子の照射処理が行われる（Ｓ７）。一方、適応学習が必要と判定される場合（Ｓ３ＹＥＳ）、後述の適応学習を行った後（Ｓ５）、獲得された学習済モデルに基づく荷電粒子の照射処理を行う（Ｓ７）。これらの処理の後、再び、一連の処理が繰り返される（Ｓ１～Ｓ７）。
（１．２．１ 適応学習処理）
図３～図７を参照しつつ、適応学習（Ｓ５）の詳細について説明する。
図３は、適応学習の詳細フローチャートである。同図から明らかな通り、処理が開始すると、除電装置１００は、除電対象物９が除電装置１００の荷電粒子照射領域において適切に検出されるまで待機する処理を行う（Ｓ５１ＮＯ）。この状態において、荷電粒子照射領域において除電対象物９が検出されると（Ｓ５１ＹＥＳ）、表面電位計７を用いて除電対象物９の初期電位を検出する処理が行われる（Ｓ５２）。
この初期電位を検出した後、初回については所定の適当な照射時間だけ、その後については近似計算（Ｓ６８）に基づいて算出された照射時間だけ、除電対象物９へと荷電粒子を照射する処理が行われる（Ｓ５３）。この照射処理の後、表面電位計８を用いて残留電位を検出する処理が行われる（Ｓ５５）。
残留電位の検出処理の後、残留電位が正常値であるか否かが判定される（Ｓ５７）。より詳細には、残留電位が初期電位の２０％以上である場合（Ｓ５７ＮＯ）、正常値でないと判定する。
残留電位が正常値でない場合（Ｓ５７ＮＯ）、機械的異常等の異常の可能性を示唆する注意ポイントの加算処理が行われる（Ｓ６４）。より詳細には、残留電位が初期電位の２０％以上３５％未満である場合、注意ポイントを１だけ加算する。残留電位が初期電位の３５％以上５０％未満である場合、注意ポイントを２だけ加算する。残留電位が初期電位の５０％以上である場合、注意ポイントを３だけ加算する。
その後、注意ポイントが所定値以上、例えば、５ポイント以上であるか否かが判定される（Ｓ６５）。注意ポイントが所定値以上でない場合（Ｓ６５ＮＯ）、学習処理等は行わず、再び開始状態（Ｓ５１）へと戻り一連の処理が行われる。一方、注意ポイントが所定値以上である場合（Ｓ６５ＹＥＳ）、異常状態であるとして除電装置１００の制御を停止する処理を行い、また、異常出力部４へとエラー信号を送信し、異常出力部４は、異常である旨を例えば表示装置や音声出力装置等の図示しない接続機器へと出力する（Ｓ６６）。
一方、残留電位が正常値である場合（Ｓ５７ＹＥＳ）、初期電位及び残留電位を入力として荷電粒子の推定照射時間を出力する学習済モデルを得るための学習処理を行う（Ｓ５９）。
図４を参照しつつ、除電装置１００において行われる学習処理の詳細について説明する。
図４は、制御部１において行われる学習処理（Ｓ５９）に関する詳細フローチャートである。同図から明らかな通り、学習処理が開始すると、制御部１の記憶部から学習モデルのパラメータを読み出す処理が行われる（Ｓ５９１）。ここで、本実施形態においては、機械学習アルゴリズムとして、学習木（例として、特開２０１６－１７３６８６を参照）が採用される。
学習木を用いて学習処理を行う際には、入力されるデータが、分岐条件に応じて階層的に分割された各状態空間に対応付けられ、蓄積されていくこととなる。推定出力は、学習後に各状態空間に内包される各データに対応する出力値又は出力ベクトルの相加平均をとることにより算出される。このような構成により、学習木は、逐次的な学習（オンライン学習）に好適である。
階層数、次元又は分割数等の学習モデルのパラメータを読み出す処理が終了すると、学習モデルへと初期電位と残留電位を入力する処理が行われる（Ｓ５９２）。これらの入力が行われると、初期電位と残留電位に基づいて、始端ノードから末端ノードまで対応するノードを特定して経路を特定し、当該経路上の各ノードに対して入出力のデータセットを関連付けて記憶させる処理が行われる（ＳＳ５９３）。その後、学習処理は終了する。
図３に戻り、学習処理（Ｓ５９）が完了すると、残留電位が目標電位（０［Ｖ］）となっているか又は十分に近接しているか否かが判定される（Ｓ６０）。残留電位が目標電位となっていないか又は十分に近接していないと判定された場合（Ｓ６０ＮＯ）、次の時間ステップで用いる照射時間を所定の近似計算により算出する処理がなされる（Ｓ６８）。
図５は、近似計算について説明する概念図である。同図から明らかな通り、除電装置１００は、処理の開始時には、適当に定められた照射時間ｔ＿１だけ荷電粒子の照射を行う（Ｓ５３）。この照射の結果、所定の電位Ｖｒｅｓｉｄ＿１が残留電位として計測されたとすると（Ｓ５５）、この残留電位Ｖｒｅｓｉｄ＿１から目標電位である０［Ｖ］となる近似照射時間ｔａｐｐ＿１が一次近似により算出される。
制御部１は、この近似照射時間ｔａｐｐ＿１に±２０％程度のばらつきを加算したｔ＿２を次の時間ステップにおける照射時間として算出する（Ｓ６８）。このような処理（Ｓ５１～Ｓ６０、Ｓ６８）を繰り返すことにより、後述するように、少ない学習対象データ数で迅速に学習を収束させることができる。
以上の学習処理（Ｓ５９）と近似計算処理（Ｓ６８）を含む一連の処理を繰り返した末（Ｓ６０ＮＯ）、残留電位が目標値と一致するか目標値に十分に近接する状態に至った場合（Ｓ６０ＹＥＳ）、続いて誤差率演算処理が行われる（Ｓ６２）。
図６は、誤差率演算処理（Ｓ６２）の詳細フローチャートである。同図から明らかな通り、処理が開始すると、最新の学習済モデルを読み出す処理が行われる（Ｓ６２１）。読み出し処理の後、学習済モデルに対して初期電位と目標（残留）電位を入力する処理を行い（Ｓ６２２）、当該初期電位と目標電位に対応する一連のノードから成る経路の特定処理が行われる（Ｓ６２４）。
その後、制御部１は、経路上の一連のノードから出力に利用する出力ノードを特定する処理を行い（Ｓ６２５）、照射時間の推定処理を行う（Ｓ６２７）。この推定照射時間と、残留電位が目標値となる場合の正解照射時間に基づいて、誤差率［％］が算出される。すなわち、誤差率は、（推定照射時間－正解照射時間）／正解照射時間×１００により算出される。誤差率の算出の後、処理は終了する。
図３に戻り、誤差率が所定値以上、例えば、１０％より大きい場合（Ｓ６３ＮＯ）、再び、学習処理（Ｓ５９）と近似計算処理（Ｓ６８）を含む一連の処理を繰り返す処理を行う。一方、誤差率が所定値以下（Ｓ６３ＹＥＳ）、例えば、１０％以下となった場合、処理は終了する。
図７は、以上述べた一連の適応学習処理の過程の一例について示す説明図である。同図の例にあっては、初期電位が２０［Ｖ］の除電対象物９を目標電位である０［Ｖ］へと遷移させることを目的としている。
まず、時間ステップ１において、除電装置１００は、適当な照射時間（＝０．２７４［ｓ］）にて除電対象物９に対して照射を行う。このときの残留電位が０．８［Ｖ］であるので、当該残留電位に基づいて最小二乗法による一次近似を行い、近似照射時間（＝０．３［ｓ］）が算出される。このときの初期電位、残留電位、照射時間の値を用いて学習モデルについて機械学習を行い、その後、学習済モデルに対して初期電位を２０［Ｖ］、目標（残留）電位を０［Ｖ］として推定処理を行わせると、推定照射時間は０．２７４として算出される。
次に、時間ステップ２において、除電装置１００は、ステップ１の近似照射時間（＝０．３）に±２０％程度のばらつき値、すなわち、同例にあっては２０％の値（＝０．０６）を加算した新たな照射時間（＝０．３６［ｓ］）にて除電対象物９に対して照射を行う。このときの残留電位が－０．５［Ｖ］であるので、当該残留電位に基づいて最小二乗法による一次近似を行い、近似照射時間（＝０．２８［ｓ］）が算出される。このときの初期電位、残留電位、照射時間の値を用いて学習モデルについて機械学習を行い、その後、学習済モデルに対して初期電位を２０［Ｖ］、目標電位を０［Ｖ］として推定処理を行わせると、推定照射時間は０．３３７として算出される。
さらに、時間ステップ３において、除電装置１００は、ステップ２の近似照射時間（＝０．２８）に－１４％程度の値（＝－０．０４）を加算した新たな照射時間（＝０．２４［ｓ］）にて除電対象物９に対して照射を行う。このときの残留電位が０［Ｖ］であるので、目標電位へと到達しものと判定される。このときの初期電位、残留電位、照射時間の値を用いて学習モデルについて機械学習を行い、その後、学習済モデルに対して初期電位を２０［Ｖ］、目標電位を０［Ｖ］として推定処理を行わせると、推定照射時間は０．２５として算出される。このときの誤差率は（０．２５－０．２４）／０．２４×１００より、４．２％と算出され、すなわち、時間ステップ３において学習は収束する。
上述の構成によれば、近似計算結果を利用して学習データを収集するので探索効率を向上させることができ、これにより、迅速な学習の収束を期待することができる。
また、上述の構成によれば、近似処理の過程に所定のばらつきを持たせて取得されたデータに基づいて学習を進めるので、探索効率をさらに向上させ、それにより、さらに迅速な学習の収束を期待することができる。
（１．２．２ 学習済モデルに基づく除電処理）
図８を参照しつつ、学習済モデルに基づく荷電粒子の照射処理（Ｓ７）について説明する。図８は、学習済モデルに基づく除電処理のフローチャートである。
処理が開始すると、学習済モデルの読出処理が行われる（Ｓ７１）。この読出処理の後、除電対象物９の初期電位の計測処理が行われる（Ｓ７２）。計測処理の後、計測した初期電位と目標電位を学習済モデルへと入力する処理が行われる（Ｓ７３）。これにより、対応する一連のノードから成る経路が特定される（Ｓ７４）。
この経路を成す一連のノードから出力を生成する出力ノードを特定する処理を行い（Ｓ７５）、当該出力ノードから照射時間の推定処理が行われる（Ｓ７７）。その後、この推定照射時間に基づく荷電粒子の照射処理を行い（Ｓ７９）、処理は終了する。
上述の構成によれば、装置稼働中においても帯電物や環境等の変化に素早く適応し、適応的に荷電粒子を照射することができる荷電粒子照射装置を提供することができる。
（１．３ 実験結果）
次に、図９～図１１を参照しつつ、本実施形態に係る除電装置１００を用いた各種の実験結果について説明する。
図９は、学習収束までのデータ数について示す説明図である。図９には、通常の線形近似のみを利用した場合の学習モデルにおける学習収束までのデータ数と、線形近似結果に±２０％のばらつきを持たせた場合の学習モデルにおける学習収束までのデータ数が、初期電位を複数変化させて学習させる場合と、初期電位を２０［Ｖ］に固定して学習させる場合とに分けて示されている。
同図から明らかな通り、初期電位を複数変化させる場合、線形近似のみを用いた場合には学習収束までに９９個のデータを要したのに対し、線形近似結果に±２０％のばらつきを持たせた場合には４２個のデータしか要しなかった。同様に、初期電位を２０［Ｖ］のみとする場合も、線形近似のみを用いた場合には学習収束までに４３個のデータを要したのに対し、線形近似結果に±２０％のばらつきを持たせた場合には１４個のデータしか要しなかった。
すなわち、いずれの場合であっても、通常の線形近似のみを行う場合よりも、線形近似結果に±２０％のばらつきを持たせた場合の方が、少ないデータ数で学習が収束することが確認される。
なお、ばらつきの値は±２０％に限定される訳ではなく、±１０％、±５％程度と調整することができる。
図１０は、目標電位を０［Ｖ］としたときの、最初に学習させる入力データと、学習収束までのデータ数との関係性について示した説明図である。同図から明らかな通り、初期電位を２０［Ｖ］としたとき、学習処理の当初に残留電位が１５［Ｖ］となるデータを学習させた場合の収束までのデータ数は２６個、学習処理の当初に残留電位が１０［Ｖ］となるデータを学習させた場合の収束までのデータ数は１４個、学習処理の当初に残留電位が５［Ｖ］となるデータを学習させた場合の収束までのデータ数は１２個、学習処理の当初に残留電位が１［Ｖ］となるデータを学習させた場合の収束までのデータ数は３個であった。
すなわち、この結果より、学習当初から目標電位と近い残留電位のデータを学習させた方が学習収束までのデータ数が少なくなること、すなわち、迅速に学習が収束していることが確認される。
図１１は、初期電位の切替と誤差率の遷移との関係性について示す説明図である。同図から明らかな通り、当初、初期電位２０［Ｖ］を目標電位０［Ｖ］とするよう学習を行うと、学習の進行に伴い誤差率が低下する。次に、時間ステップ２８近傍において、初期電位を１０［Ｖ］へと切り替えると、一旦誤差率は４０％程度まで大きくなるものの、再び、学習の進行に伴い誤差率が低下する。さらに、時間ステップ６５近傍において、初期電位を５［Ｖ］へと切り替えると、一旦誤差率は６５％程度まで大きくなるものの、学習の進行に伴い急激に誤差率が低下する。
すなわち、この結果より、除電装置１００の動作中に除電対象物９の電位に変化が生じた場合であっても、速やかに誤差率を小さくするような学習がなされることが確認される。また、一旦学習を行うことで後の追加学習時に迅速な学習を期待することもできる。
（２．変形例）
上述の実施形態においては、機械学習モデルとして学習木を利用したが、本発明はこのような構成に限定されない。従って、例えば、ニューラルネットワークやサポートベクターマシーン（ＳＶＭ）等の他の学習モデルを利用してもよい。
上述の実施形態においては、近似処理の例として一次近似を利用したが、本発明はこのような構成に限定されない。従って、例えば、指数関数等を利用して近似を行ってもよい。
本発明は、少なくとも荷電粒子照射装置等を製造する産業において利用可能である。
１ 制御部
２ 電源制御ユニット
３ 高電力電源
４ 異常出力部
５ 圧縮空気ノズル
６ コロナ放電電極
７ 表面電位計
８ 表面電位計
９ 除電対象物
１００ 除電装置

Claims (15)

  1. 帯電物に対して荷電粒子を所定の照射時間だけ照射する荷電粒子照射装置であって、
    荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、
    過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成部と、
    前記照射時間生成部にて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射部と、
    前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、
    所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成部にて生成された前記照射時間の対応関係を学習させる、機械学習部と、
    前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、及び前記機械学習部を繰り返し動作させる、終了判定部と、を備え、
    前記学習終了条件は、前記機械学習モデルの出力となる照射時間と、前記照射後帯電状態が目標状態又はその近傍状態となったときの前記照射時間との誤差が所定値又は所定割合以下となることである、荷電粒子照射装置。
  2. 前記荷電粒子照射装置は、さらに、
    前記照射前帯電状態、目標とする照射後帯電状態、及び前記機械学習部にて学習された前記機械学習モデルに基づいて、荷電粒子の推定照射時間を生成する、推定部と、
    前記推定照射時間に基づいて帯電物に対して荷電粒子を照射する、推定照射部と、
    前記終了判定部において前記学習終了条件が満たされた場合は、前記照射部に代えて前記推定照射部を用いて帯電物に対して荷電粒子を照射する、切替部と、を備えた請求項１に記載の荷電粒子照射装置。
  3. 前記照射時間生成部において、
    前記帯電物への荷電粒子の照射時間は、過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて近似処理を行うことにより算出される、請求項１に記載の荷電粒子照射装置。
  4. 前記近似処理は、目標とする帯電状態へと一次近似又は直線近似することにより行われる、請求項３に記載の荷電粒子照射装置。
  5. 前記近似処理は、前記照射時間に関する近似処理結果にばらつきをもたせた値を用いて行われる、請求項３に記載の荷電粒子照射装置。
  6. 前記荷電粒子照射装置は、さらに、
    前記帯電物又は環境の変化を検出する、変化検出部と、
    前記変化検出部において所定の変化が検出された場合に、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、前記機械学習部及び前記終了判定部を動作させる、動作開始判定部と、を備える、請求項１に記載の荷電粒子照射装置。
  7. 前記帯電物の前記帯電状態は、前記帯電物の電位である、請求項１に記載の荷電粒子照射装置。
  8. 前記荷電粒子照射装置は、
    前記照射後帯電状態が前記照射前帯電状態に対して所定割合以上であると判定された場合に所定のエラー処理を行う、請求項１に記載の荷電粒子照射装置。
  9. 前記エラー処理は、
    前記照射後帯電状態が前記照射前帯電状態に対して所定割合以上であると判定された場合に、その割合に応じてポイントを加算し、前記ポイントが所定値以上となった場合に、前記荷電粒子照射装置を停止させる、装置停止処理を含む、請求項８に記載の荷電粒子照射装置。
  10. 前記エラー処理は、
    前記照射後帯電状態が前記照射前帯電状態に対して所定割合以上であると判定された場合に、判定された各前記帯電状態を、前記機械学習部における機械学習の対象から外す処理を含む、請求項８に記載の荷電粒子照射装置。
  11. 前記機械学習モデルは、木構造を利用した学習モデルである、請求項１に記載の荷電粒子照射装置。
  12. 帯電物に対して荷電粒子を所定の照射時間だけ照射する除電装置であって、
    荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、
    過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成部と、
    前記照射時間生成部にて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射部と、
    前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、
    所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成部にて生成された前記照射時間の対応関係を学習させる、機械学習部と、
    前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、及び前記機械学習部を繰り返し動作させる、終了判定部と、を備え、
    前記学習終了条件は、前記機械学習モデルの出力となる照射時間と、前記照射後帯電状態が目標状態又はその近傍状態となったときの前記照射時間との誤差が所定値又は所定割合以下となることである、除電装置。
  13. 帯電物に対して荷電粒子を所定の照射時間だけ照射する荷電粒子照射システムであって、
    荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、
    過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成部と、
    前記照射時間生成部にて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射部と、
    前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、
    所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成部にて生成された前記照射時間の対応関係を学習させる、機械学習部と、
    前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、及び前記機械学習部を繰り返し動作させる、終了判定部と、を備え、
    前記学習終了条件は、前記機械学習モデルの出力となる照射時間と、前記照射後帯電状態が目標状態又はその近傍状態となったときの前記照射時間との誤差が所定値又は所定割合以下となることである、荷電粒子照射システム。
  14. 帯電物に対して荷電粒子を所定の照射時間だけ照射する荷電粒子照射方法であって、
    荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出ステップと、
    過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成ステップと、
    前記照射時間生成ステップにて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射ステップと、
    前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出ステップと、
    所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成ステップにて生成された前記照射時間の対応関係を学習させる、機械学習ステップと、
    前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出ステップ、前記照射時間生成ステップ、前記照射ステップ、前記照射後状態検出ステップ、及び前記学習ステップを繰り返し行う、終了判定ステップと、を備え、
    前記学習終了条件は、前記機械学習モデルの出力となる照射時間と、前記照射後帯電状態が目標状態又はその近傍状態となったときの前記照射時間との誤差が所定値又は所定割合以下となることである、荷電粒子照射方法。
  15. コンピュータを、
    帯電物に対して荷電粒子を所定の照射時間だけ照射する荷電粒子照射装置であって、
    荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、
    過去の荷電粒子の照射時間とその照射後の帯電物の帯電状態に基づいて、前記帯電物への荷電粒子の照射時間を生成する、照射時間生成部と、
    前記照射時間生成部にて生成された前記照射時間に基づいて、前記照射前帯電状態にある前記帯電物に対して荷電粒子を照射する、照射部と、
    前記荷電粒子が照射された後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、
    所定の機械学習モデルに対して、前記照射前帯電状態、前記照射後帯電状態、及び前記照射時間生成部にて生成された前記照射時間の対応関係を学習させる、機械学習部と、
    前記機械学習モデルが所定の学習終了条件を満たすまで、前記照射前状態検出部、前記照射時間生成部、前記照射部、前記照射後状態検出部、及び前記機械学習部を繰り返し動作させる、終了判定部と、を備え、
    前記学習終了条件は、前記機械学習モデルの出力となる照射時間と、前記照射後帯電状態が目標状態又はその近傍状態となったときの前記照射時間との誤差が所定値又は所定割合以下となることである、荷電粒子照射装置、として機能させるためのコンピュータプログラム。
JP2019222358A 2019-12-09 2019-12-09 荷電粒子照射装置、システム、方法及びプログラム Active JP7471583B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2019222358A JP7471583B2 (ja) 2019-12-09 2019-12-09 荷電粒子照射装置、システム、方法及びプログラム
PCT/JP2020/045660 WO2021117718A1 (ja) 2019-12-09 2020-12-08 荷電粒子照射装置、システム、方法及びプログラム
EP20899062.2A EP4075924A4 (en) 2019-12-09 2020-12-08 CHARGED PARTICLE RADIATION APPARATUS, SYSTEM, METHOD AND PROGRAM
KR1020227017937A KR20220113684A (ko) 2019-12-09 2020-12-08 하전 입자 조사 장치, 시스템, 방법 및 프로그램
CN202080085067.3A CN114830831A (zh) 2019-12-09 2020-12-08 带电粒子照射装置、系统、方法以及程序
US17/835,345 US20220301820A1 (en) 2019-12-09 2022-06-08 Charged particle irradiating device, system, method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019222358A JP7471583B2 (ja) 2019-12-09 2019-12-09 荷電粒子照射装置、システム、方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2021093268A JP2021093268A (ja) 2021-06-17
JP7471583B2 true JP7471583B2 (ja) 2024-04-22

Family

ID=76312665

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019222358A Active JP7471583B2 (ja) 2019-12-09 2019-12-09 荷電粒子照射装置、システム、方法及びプログラム

Country Status (6)

Country Link
US (1) US20220301820A1 (ja)
EP (1) EP4075924A4 (ja)
JP (1) JP7471583B2 (ja)
KR (1) KR20220113684A (ja)
CN (1) CN114830831A (ja)
WO (1) WO2021117718A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006086338A (ja) 2004-09-16 2006-03-30 Juki Corp 電子部品実装装置
JP2013247069A (ja) 2012-05-29 2013-12-09 Sharp Corp 基板除電システム
JP2016173686A (ja) 2015-03-16 2016-09-29 国立大学法人岩手大学 情報処理装置
WO2016199282A1 (ja) 2015-06-11 2016-12-15 富士機械製造株式会社 部品実装ライン
JP2018500723A (ja) 2014-11-10 2018-01-11 イリノイ トゥール ワークス インコーポレイティド 変動圧力環境におけるバランスのとれたバリア放電中和

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6985346B2 (en) * 2003-01-29 2006-01-10 Credence Technologies, Inc. Method and device for controlling ionization
JP2009205815A (ja) 2008-02-26 2009-09-10 Keyence Corp 除電装置
US10251251B2 (en) * 2016-02-03 2019-04-02 Yi Jing Technology Co., Ltd Electrostatic dissipation device with static sensing and method thereof

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006086338A (ja) 2004-09-16 2006-03-30 Juki Corp 電子部品実装装置
JP2013247069A (ja) 2012-05-29 2013-12-09 Sharp Corp 基板除電システム
JP2018500723A (ja) 2014-11-10 2018-01-11 イリノイ トゥール ワークス インコーポレイティド 変動圧力環境におけるバランスのとれたバリア放電中和
JP2016173686A (ja) 2015-03-16 2016-09-29 国立大学法人岩手大学 情報処理装置
WO2016199282A1 (ja) 2015-06-11 2016-12-15 富士機械製造株式会社 部品実装ライン

Also Published As

Publication number Publication date
KR20220113684A (ko) 2022-08-16
CN114830831A (zh) 2022-07-29
EP4075924A1 (en) 2022-10-19
WO2021117718A1 (ja) 2021-06-17
JP2021093268A (ja) 2021-06-17
EP4075924A4 (en) 2024-01-10
US20220301820A1 (en) 2022-09-22

Similar Documents

Publication Publication Date Title
Guo et al. A multi-scale parameter adaptive method for state of charge and parameter estimation of lithium-ion batteries using dual Kalman filters
Zhang et al. Artificial neural network based identification of multi-operating-point impedance model
CN109861206B (zh) 一种基于支持向量机的暂态功角稳定故障筛选系统及方法
JP5366166B2 (ja) 二次電池の状態量演算方式
JP7471583B2 (ja) 荷電粒子照射装置、システム、方法及びプログラム
Ali et al. A Hybrid Data‐Driven Approach for Multistep Ahead Prediction of State of Health and Remaining Useful Life of Lithium‐Ion Batteries
CN114266284A (zh) 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品
Xiao et al. Combined training of recurrent neural networks with particle swarm optimization and backpropagation algorithms for impedance identification
Hemavathi Modeling and estimation of lithium-ion battery state of charge using intelligent techniques
Tang et al. Application of SA-SVM incremental algorithm in GIS PD pattern recognition
Chaoui et al. State-of-charge and state-of-health prediction of lead-acid batteries with genetic algorithms
Puig et al. A new algorithm for adaptive threshold generation in robust fault detection based on a sliding window and global optimization
Benidris et al. A fast transient stability screening and ranking tool
Chan et al. Modeling of epoxy dispensing process using a hybrid fuzzy regression approach
JP7471584B2 (ja) 荷電粒子照射装置、システム、方法及びプログラム
US11747774B2 (en) Search device, search program, and plasma processing apparatus
Alkhalaf Modeling the automatic voltage regulator (AVR) using artificial neural network
CN112667957A (zh) 一种基于深度神经网络的智能电能表失效率预测方法
KR20230150332A (ko) 데이터 수집 시스템, 데이터 수집 장치, 데이터 수집 방법 및 데이터 수집 프로그램
Liu et al. Prediction of remaining useful life of battery cell using logistic regression based on strong tracking particle filter
CN112542621B (zh) 一种电池温度向量生成方法及其相关设备
Michelena et al. Novel adaptive approach for anomaly detection in nonlinear and time-varying industrial systems
US20230314527A1 (en) Method for sorting a set of batteries based on a machine classification model
Gesner et al. Robust Data-Driven Error Compensation for a Battery Model
Stul et al. Development of a SVM prediction model to optimize the energy consumption of industrial installations by detecting and classifying errors at an early stage

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20191211

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221201

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230906

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20231102

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231227

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: 20240306

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240402

R150 Certificate of patent or registration of utility model

Ref document number: 7471583

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150