KR102361343B1 - 중약 생산 과정 지식 시스템 및 중약 생산 과정 제어 방법 - Google Patents
중약 생산 과정 지식 시스템 및 중약 생산 과정 제어 방법 Download PDFInfo
- Publication number
- KR102361343B1 KR102361343B1 KR1020207007189A KR20207007189A KR102361343B1 KR 102361343 B1 KR102361343 B1 KR 102361343B1 KR 1020207007189 A KR1020207007189 A KR 1020207007189A KR 20207007189 A KR20207007189 A KR 20207007189A KR 102361343 B1 KR102361343 B1 KR 102361343B1
- Authority
- KR
- South Korea
- Prior art keywords
- parameter
- data
- quality
- unit
- sample
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 458
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 104
- 239000003814 drug Substances 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 374
- 238000013461 design Methods 0.000 claims abstract description 77
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 230000026676 system process Effects 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 61
- 238000003062 neural network model Methods 0.000 claims description 43
- 238000003908 quality control method Methods 0.000 claims description 39
- 238000013441 quality evaluation Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 25
- 238000003066 decision tree Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 16
- 238000009412 basement excavation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 238000011867 re-evaluation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims 2
- 239000000543 intermediate Substances 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 16
- 239000000047 product Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013075 data extraction Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- TYAQXZHDAGZOEO-KXQOOQHDSA-N 1-myristoyl-2-stearoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCCCC(=O)O[C@@H](COP([O-])(=O)OCC[N+](C)(C)C)COC(=O)CCCCCCCCCCCCC TYAQXZHDAGZOEO-KXQOOQHDSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 208000014446 corneal intraepithelial dyskeratosis-palmoplantar hyperkeratosis-laryngeal dyskeratosis syndrome Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000000195 production control method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
Images
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
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G06K9/62—
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Public Health (AREA)
Abstract
본 발명에서는 중약 생산 과정 지식 시스템을 제공하는 바, 해당 시스템에는, 생산 데이터 채집 유닛과 저장 유닛이 포함되고, 상기 생산 데이터 채집 유닛은 생산 중의 과정 파라미터 데이터를 채집하고, 상기 과정 파라미터에는 품질 데이터와 공정 데이터가 포함되며, 상기 저장 유닛은 채집된 상기 과정 파라미터 데이터를 저장하는 데이터베이스 모듈; 상기 품질 데이터에 의하여 시스템 과정 능력에 대하여 평가를 진행하여, 과정 능력 평가 결과를 취득하는 능력 평가 모듈; 과정 능력 평가 결과가 충분한 것에 응답하여, 전 과정 모니터링 모드로 진입하는 모니터링 피드백 모듈; 과정 능력 평가 결과가 부족한 것에 응답하여, 상기 공정 데이터에 의하여 설계 공간 검색 모드로 진입하는 설계 공간 검색 모듈이 포함된다. 본 발명은 우선 과정 능력 평가를 통하여 해제 파라미터를 결정하거나 또는 설계 공간을 검색하여, 생산 과정 지식 시스템으로 하여금 점진적으로 중약 생산 과정 스마트 조정 및 스마트 피드백을 구현하는 과정 지식 시스템으로 회귀하도록 한다.
Description
본 발명은 과정 지식 시스템 분야에 관한 것으로서, 특히 중약(Chinese medicine) 생산 과정 지식 시스템에 관한 것이다.
과정 지식 시스템(Process Knowledge System, PKS)의 생산 제어 하에서, 전통적인 생산라인 기술에 비하여, 개선된 점은 주요하게는 하기 몇 가지 방면인 바, 즉 1) 새로운 작업 흐름은 하나의 통합적인 시스템이고, 종래의 지난 생산라인 상에서, 각 작업 사이트는 모두 상대적으로 독립적이고, 각 사이트는 각각 작업하며, 관련성이 강하지 못하고, 집중도가 높지 못하며; 하지만 새로운 생산 절차는 하나의 통합적인 시스템이고, 각 단계는 모두 서로 관련되고 서로 영향을 주며, 통합적으로 생산 절차에 대한 최적화를 구현하였다. 2) PKS 생산 절차가 더욱 정보화, 자동화를 구현하였는 바, 종래의 지난 생산라인에서, 각 독립적인 단계는 모두 전문적인 작업 인원을 배정하여 모니터링을 진행하고, 전문 인원이 정보를 기록하여야 하는 등이며, 작업 효율은 사람의 상태와 밀접하게 연관이 되고 또한 인위적인 부주의로 인한 에러가 발생하기 쉬우며; 하지만 새로운 작업 흐름은 완전한 자동화와 스마트화로서, 모든 절차는 모두 정보화의 시스템이 조작하고, 데이터의 채집, 저장, 추출은 모두 정보화를 구현하였으며, 파라미터의 설정은 자동화이고, 품질의 탐지는 스마트화이며, 이는 크게 효율을 향상시키고, 인위적인 부주의로 인한 에러를 감소시켰다. 3) PKS 기술은 실시간으로 생산 제어 파라미터를 피드백 및 조정하여, 나아가 더욱 안정적으로 제품의 품질을 제어한다.
하지만 현재의 PKS 시스템은 기능이 간단하고, 지식의 발굴 방면에서 여전히 많은 결함이 존재하여, 스마트화 생산 관리 수준에 비하여 여전히 아주 큰 차이가 존재하고, 공정 파라미터의 제어 정확도도 향상시키는 것이 시급하다.
종래의 기술적 과제를 해결하기 위하여, 본 발명에서는 중약 생산 과정 지식 시스템을 제공하는 바, 상기 기술방안은 하기와 같다.
일 방면으로, 본 발명에서는 중약 생산 과정 제어 방법을 제공하는 바,
생산 중의 과정 파라미터 데이터를 채집하고, 상기 과정 파라미터에는 품질 데이터와 공정 데이터가 포함되며;
상기 품질 데이터에 의하여 시스템 과정 능력에 대하여 평가를 진행하여, 과정 능력 평가 결과를 취득하며;
만일 상기 과정 능력 평가 결과가 충분하다면, 전 과정 모니터링 모드로 진입하며;
만일 상기 과정 능력 평가 결과가 부족하다면, 상기 공정 데이터에 의하여 설계 공간 검색 모드로 진입하는 것이 포함된다.
나아가, 상기 설계 공간 검색 모드로 진입하는 것에는,
공정 데이터를 취득하는 바, 상기 공정 데이터에는 위 작업 부문의 중간체의 품질 파라미터가 포함되며;
작업 부문 생산 상황에 의하여, 관건 품질 속성의 유형을 선택하며;
상기 관건 품질 속성과 관련되는 공정 데이터를 선별하여 관건 과정 파라미터로 하며;
상기 관건 과정 파라미터와 관건 품질 속성 간의 관계 모델을 구성하며;
상기 관계 모델에 의하여 설계 공간을 취득하는 바, 상기 설계 공간은 상기 관건 품질 속성에 대응되는 특정 구간 범위인 것이 포함된다.
나아가, 상기 설계 공간 검색 모드로 진입한 후 또한,
취득한 설계 공간에 의하여 파라미터에 대하여 해제를 진행하며;
시스템 과정 능력에 대하여 재평가를 진행하여, 과정 능력 재평가 결과를 취득하며;
만일 상기 과정 능력 재평가 결과가 충분하다면, 전 과정 모니터링 모드로 진입하며;
만일 상기 과정 능력 재평가 결과가 부족하다면, 설계 공간 잠재 파라미터를 발굴하는 것이 포함된다.
나아가, 상기 설계 공간 잠재 파라미터를 발굴하는 것에는,
설계 공간 잠재 파라미터 발굴 요청을 수신하는 바, 상기 요청에는 설계 공간에 대응되는 작업 부문 조건 정보가 포함되며;
상기 작업 부문 조건 정보에 의하여, 작업 부문과 대응되는 관건 품질 속성을 취득하고 또한 잠재 파라미터 집합을 결정하며;
결정된 잠재 파라미터에 대하여 테스트를 진행하여, 검증이 필요한 잠재 파라미터를 취득하며;
검증이 필요한 잠재 파라미터에 대하여 검증을 진행하여, 설계 공간 잠재 파라미터를 취득하는 것이 포함된다.
나아가, 상기 시스템 과정 능력에 대하여 평가를 진행하여, 과정 능력 평가 결과를 취득하는 것에는,
품질 데이터를 채집하여 품질 샘플을 취득하는 바, 상기 품질 데이터는 제조 과정 중의 중간체 성능 파라미터이며;
상기 품질 샘플에 의하여, 과정 평균치와 과정 표준차를 취득하며;
상기 품질 샘플에 대하여 데이터 스크리닝을 진행하여, 품질 제어 표준 샘플을 취득하며;
상기 품질 제어 표준 샘플에 의하여, 품질 제어 표준 상한 및/또는 하한을 취득하며;
상기 품질 제어 표준 상한과 하한에 의하여, 표준 중간치와 과정 분산치를 취득하는 바, 그 중에서, 표준 중간치=(상한+하한)/2이고, 과정 분산치=(상한-하한)/2이며;
표준 중간치, 과정 분산치, 과정 평균치 및 과정 표준차에 의하여, 하기 계산 공식을 통하여 상기 품질 평가치를 취득하는 바, 즉
품질 평가치=(과정 분산치-|과정 평균치-표준 중간치|)/(3*과정 표준차)이고, 그 중에서, 과정 평균치는 품질 샘플 중의 품질 데이터의 평균치이고, 과정 평균차는 상기 품질 데이터의 표준차이며;
상기 품질 평가 결과에 의하여, 과정 능력 평가 결과를 취득하는 것이 포함된다.
나아가, 상기 전 과정 모니터링 모드로 진입하는 것에는 다차원 파라미터에 대하여 식별을 진행하는 것이 포함되며, 여기에는,
다수의 훈련 샘플을 채집하여 훈련 샘플 집합을 구성하는 바, 각 훈련 샘플에는 여러 가지 과정 파라미터가 포함되고, 각 종류의 과정 파라미터는 상응한 속성 파라미터와 카테고리를 가지며, 그 중에서, 상기 속성 파라미터와 카테고리의 조합은 여러 가지가 있으며;
상기 훈련 샘플 집합 중의 카테고리에 의하여, 상기 훈련 샘플 집합의 분포 전달 정보값을 취득하며;
상기 분포 전달 정보값에 의하여, 각 종류 과정 파라미터의 정보 이득을 취득하며;
정보 이득이 가장 큰 과정 파라미터를 선택하여 분열 노드로 하여, 판단 트리를 구성하며;
판단 트리에 의하여, 새 데이터에 대하여 카테고리 식별을 진행하는 것이 포함된다.
나아가, 상기 전 과정 모니터링 모드로 진입하는 것에는 과정 파라미터를 바탕으로 결과 피드백을 진행하는 것이 포함되며, 여기에는,
결과 피드백 요청을 수신하는 바, 상기 피드백 요청에는 중간체 결과 유형이 포함되며;
상기 피드백 요청과 대응되는 과정 파라미터를 취득하는 바, 상기 과정 파라미터는 다차원 파라미터이고, 과정 파라미터 집합을 구성하며;
상기 과정 파라미터 집합을 결과 피드백 신경망 모델로 입력하는 바, 상기 결과 피드백 신경망 모델은 과정 파라미터 샘플이 훈련하여 취득한 것이며;
상기 결과 피드백 신경망 모델의 출력 결과를 취득하는 것이 포함된다.
나아가, 상기 결과 피드백 신경망 모델을 과정 파라미터 샘플이 훈련하는 것에는,
훈련하고자 하는 과정 파라미터 샘플 데이터를 취득하는 바, 상기 과정 파라미터 샘플에는 다수의 과정 파라미터 집합 및 대응되는 기지의 목표치가 포함되며;
초기 네트워크 모델을 구성하는 바, 상기 초기 네트워크 모델에는 입력층, 은폐층, 출력층, 초기 가중치와 초기 오프셋이 포함되며;
역전파 방법을 이용하여, 가중치 수렴을 구현할 때까지 상기 초기 가중치와 초기 오프셋에 대하여 업데이트를 진행하여, 결과 피드백 신경망 모델을 취득하는 것이 포함된다.
다른 일 방면으로, 본 발명에서는 중약 생산 과정 지식 시스템을 제공하는 바,
생산 데이터 채집 유닛과 저장 유닛이 포함되고, 상기 생산 데이터 채집 유닛은 생산 중의 과정 파라미터 데이터를 채집하고, 상기 과정 파라미터에는 품질 데이터와 공정 데이터가 포함되며, 상기 저장 유닛은 채집된 상기 과정 파라미터 데이터를 저장하는 데이터베이스 모듈;
상기 품질 데이터에 의하여 시스템 과정 능력에 대하여 평가를 진행하여, 과정 능력 평가 결과를 취득하는 능력 평가 모듈;
과정 능력 평가 결과가 충분한 것에 응답하여, 전 과정 모니터링 모드로 진입하는 모니터링 피드백 모듈;
과정 능력 평가 결과가 부족한 것에 응답하여, 상기 공정 데이터에 의하여 설계 공간 검색 모드로 진입하는 설계 공간 검색 모듈이다.
나아가, 상기 설계 공간 검색 모듈에는,
공정 데이터를 취득하는 바, 상기 공정 데이터에는 위 작업 부문의 중간체의 품질 파라미터가 포함되는 공정 데이터 유닛;
작업 부문 생산 상황에 의하여, 관건 품질 속성의 유형을 선택하는 CQA 유닛;
상기 관건 품질 속성과 관련되는 공정 데이터를 선별하여 관건 과정 파라미터로 하는 CPP 유닛;
상기 관건 과정 파라미터와 관건 품질 속성 간의 관계 모델을 구성하는 설계 공간 모델 유닛;
상기 관계 모델에 의하여 설계 공간을 취득하는 바, 상기 설계 공간은 상기 관건 품질 속성에 대응되는 특정 구간 범위인 공간 유닛이 포함된다.
나아가, 본 발명에서 제공하는 중약 생산 과정 지식 시스템에는 또한 발굴 모듈이 포함되고, 여기에는,
설계 공간 잠재 파라미터 발굴 요청을 수신하는 바, 상기 요청에는 설계 공간에 대응되는 작업 부문 조건 정보가 포함되는 발굴 요청 유닛;
상기 작업 부문 조건 정보에 의하여, 작업 부문과 대응되는 관건 품질 속성을 취득하고 또한 잠재 파라미터 집합을 결정하는 결정 유닛;
결정된 잠재 파라미터에 대하여 테스트를 진행하여, 검증이 필요한 잠재 파라미터를 취득하는 발굴 실행 유닛;
검증이 필요한 잠재 파라미터에 대하여 검증을 진행하여, 설계 공간 잠재 파라미터를 취득하는 검증 유닛이 포함된다..
나아가, 상기 능력 평가 모듈에는,
품질 데이터를 채집하여 품질 샘플을 취득하는 바, 상기 품질 데이터는 제조 과정 중의 중간체 성능 파라미터인 데이터 취득 유닛;
상기 품질 샘플에 의하여, 과정 평균치와 과정 표준차를 취득하는 과정 처리 유닛;
상기 품질 샘플에 대하여 데이터 스크리닝을 진행하여, 품질 제어 표준 샘플을 취득하는 스크리닝 유닛;
상기 품질 제어 표준 샘플에 의하여, 품질 제어 표준 상한 및/또는 하한을 취득하는 표준 구간 유닛;
상기 품질 제어 표준 상한과 하한에 의하여, 표준 중간치와 과정 분산치를 취득하는 바, 그 중에서, 표준 중간치=(상한+하한)/2이고, 과정 분산치=(상한-하한)/2이며,
또한 표준 중간치, 과정 분산치, 과정 평균치 및 과정 표준차에 의하여, 하기 계산 공식을 통하여 상기 품질 평가치를 취득하는 바, 즉
품질 평가치=(과정 분산치-|과정 평균치-표준 중간치|)/(3*과정 표준차)이고, 그 중에서, 과정 평균치는 품질 샘플 중의 품질 데이터의 평균치이고, 과정 평균차는 상기 품질 데이터의 표준차인 평가치 유닛;
상기 품질 평가 결과에 의하여, 과정 능력 평가 결과를 취득하는 맵핑 유닛이 포함된다.
나아가, 상기 모니터링 피드백 모듈은 다차원 파라미터에 대하여 식별을 진행하는 바, 상기 모니터링 피드백 모듈에는,
다수의 훈련 샘플을 채집하여 훈련 샘플 집합을 구성하는 바, 각 훈련 샘플에는 여러 가지 과정 파라미터가 포함되고, 각 종류의 과정 파라미터는 상응한 속성 파라미터와 카테고리를 가지며, 그 중에서, 상기 속성 파라미터와 카테고리의 조합은 여러 가지가 있는 훈련 샘플 채집 유닛;
상기 훈련 샘플 집합 중의 카테고리에 의하여, 상기 훈련 샘플 집합의 분포 전달 정보값을 취득하는 분포 전달 유닛;
상기 분포 전달 정보값에 의하여, 각 종류 과정 파라미터의 정보 이득을 취득하는 이득 유닛;
정보 이득이 가장 큰 과정 파라미터를 선택하여 분열 노드로 하여, 판단 트리를 구성하는 판단 트리 유닛;
판단 트리에 의하여, 새 데이터에 대하여 카테고리 식별을 진행하는 데이터 식별 유닛이 포함된다.
나아가, 상기 모니터링 피드백 모듈은 과정 파라미터를 바탕으로 결과 피드백을 진행하는 바, 상기 모니터링 피드백 모듈에는,
결과 피드백 요청을 수신하는 바, 상기 피드백 요청에는 중간체 결과 유형이 포함되는 결과 피드백 요청 유닛;
상기 피드백 요청과 대응되는 과정 파라미터를 취득하는 바, 상기 과정 파라미터는 다차원 파라미터이고, 과정 파라미터 집합을 구성하는 파라미터 유닛;
상기 과정 파라미터 집합을 결과 피드백 신경망 모델로 입력하는 바, 상기 결과 피드백 신경망 모델은 과정 파라미터 샘플이 훈련하여 취득한 것인 결과 피드백 신경망 모델 입력 유닛;
상기 결과 피드백 신경망 모델의 출력 결과를 취득하는 결과 피드백 신경망 모델 출력 유닛이 포함된다.
나아가, 상기 모니터링 피드백 모듈에는 또한 결과 피드백 신경망 모델 훈련 유닛이 포함되고, 여기에는,
훈련하고자 하는 과정 파라미터 샘플 데이터를 취득하는 바, 상기 과정 파라미터 샘플에는 다수의 과정 파라미터 집합 및 대응되는 기지의 목표치가 포함되는 훈련 샘플 취득 유닛;
초기 네트워크 모델을 구성하는 바, 상기 초기 네트워크 모델에는 입력층, 은폐층, 출력층, 초기 가중치와 초기 오프셋이 포함되는 초기 모델 유닛;
역전파 방법을 이용하여, 가중치 수렴을 구현할 때까지 상기 초기 가중치와 초기 오프셋에 대하여 업데이트를 진행하여, 결과 피드백 신경망 모델을 취득하는 가중치 업데이트 유닛이 포함된다.
본 발명의 실시예에서 제공하는 기술방안은 하기 유익한 효과를 갖는다.
1)제조 과정 능력을 디지털화 및 등급화시켜 일목요연하고, 과정 제어를 위하여 지도 근거를 제공하며;
2)RSD 분석과 관련성 분석을 통하여, 관건 품질 속성과 관련되는 관건 과정 파라미터를 선별하여, 모델의 구성을 위하여 신뢰성 있는 파라미터 소재를 제공하며; 점진 회귀 방법을 통하여 관건 과정 파라미터와 관건 품질 속성 간의 관계 모델을 구성하여, 다중 공직선성의 영향을 방지하고, 모델 신뢰성이 높으며;
3)잠재 파라미터에 대하여 단일 요소 테스트를 진행하여, 다수의 과정 파라미터를 취득하여, 잠재 파라미터 발굴을 위하여 기초를 제공하며; 잠재 파라미터에 대하여 직교 테스트를 진행하고, 분산 분석을 통하여 관건 품질 속성과 관련되는 검증이 필요한 잠재 파라미터를 선별하여, 설계 공간의 재구성을 위하여 신뢰성 있는 파라미터 소재를 제공하며;
4)정보 이득을 판단 트리 분열 노드의 선택 표준으로 하여, 판단 트리의 정확도를 향상시키고, 판단 트리 모델을 구성하여, 다차원 데이터에 대한 정확한 분류를 구현하였으며;
역전파 방법을 이용하여, 신경망 모델의 가중치와 오프셋에 대하여 업데이트를 진행하여, 부단히 모델의 분류 정확도를 향상시키고, 결과 피드백 신경망 모델을 이용하여 PKS 제조 과정 중의 입력 파라미터에 대하여 분류를 진행하고, 반응물이 합격되는지 여부를 판단하여, 스마트 피드백을 구현하였다.
본 발명의 실시예 중의 기술방안에 대하여 더욱 명확한 설명을 진행하기 위하여, 아래 실시예의 설명에 사용될 도면에 대하여 간략한 설명을 진행하는 바, 하기 설명 중의 도면은 단지 본 발명의 일부 실시예에 불과하며, 당업계의 기술자로 말하면 창조성적인 노력이 필요없이 이러한 도면에 의하여 기타 도면을 취득할 수 있다.
도1는 본 발명의 실시예에서 제공하는 중약 생산 과정 제어 방법 흐름도.
도2는 본 발명의 실시예에서 제공하는 생산 제어 전 과정 방법의 간략 도면.
도3은 본 발명의 실시예에서 제공하는 생산 제어 전 과정 방법 흐름도.
도4는 본 발명의 실시예에서 제공하는 결과 피드백 신경망 모델의 훈련 방법 흐름도.
도5는 본 발명의 실시예에서 제공하는 설계 공간 검색 방법 흐름도.
도6은 본 발명의 실시예에서 제공하는 설계 공간 잠재 파라미터 발굴 방법 흐름도.
도7은 본 발명의 실시예에서 제공하는 시스템 과정 능력 평가 방법 흐름도.
도8은 본 발명의 실시예에서 제공하는 중약 생산 과정 지식 시스템의 모듈 블럭도.
도9는 본 발명의 실시예에서 제공하는 판단 트리의 구조도.
도10은 본 발명의 실시예에서 제공하는 다층 순방향 신경 토폴로지 구조도.
도11은 본 출원의 실시예에서 제공하는 단일 신경망 유닛의 입출력 구조도.
도1는 본 발명의 실시예에서 제공하는 중약 생산 과정 제어 방법 흐름도.
도2는 본 발명의 실시예에서 제공하는 생산 제어 전 과정 방법의 간략 도면.
도3은 본 발명의 실시예에서 제공하는 생산 제어 전 과정 방법 흐름도.
도4는 본 발명의 실시예에서 제공하는 결과 피드백 신경망 모델의 훈련 방법 흐름도.
도5는 본 발명의 실시예에서 제공하는 설계 공간 검색 방법 흐름도.
도6은 본 발명의 실시예에서 제공하는 설계 공간 잠재 파라미터 발굴 방법 흐름도.
도7은 본 발명의 실시예에서 제공하는 시스템 과정 능력 평가 방법 흐름도.
도8은 본 발명의 실시예에서 제공하는 중약 생산 과정 지식 시스템의 모듈 블럭도.
도9는 본 발명의 실시예에서 제공하는 판단 트리의 구조도.
도10은 본 발명의 실시예에서 제공하는 다층 순방향 신경 토폴로지 구조도.
도11은 본 출원의 실시예에서 제공하는 단일 신경망 유닛의 입출력 구조도.
당업계의 기술자들이 본 발명을 더욱 잘 이해하도록 하기 위하여, 아래 본 발명의 실시예 중의 도면을 참조하여 본 발명의 실시예 중의 기술방안에 대하여 명확하고 완전한 설명을 진행하는 바, 기재되는 실시예는 단지 본 발명의 일부 실시예이고 전부가 아님은 물론이다. 본 발명의 실시예에 의하여, 당업계의 기술자들이 창조성적인 노력을 필요로 하지 않고 취득한 모든 기타 실시예는 본 발명의 범위에 속한다 하여야 할 것이다.
설명하여야 할 바로는, 본 발명의 명세서와 특허청구범위 및 상기 도면 중의 용어 “제1”, 제2” 등은 유사한 대상을 구분하기 위한 것일 뿐, 특정 순서 또는 선후 순서를 설명하기 위한 것이 아니다. 이렇게 사용되는 데이터는 적당한 상황 하에서 호환이 가능하여, 여기에서 설명한 본 발명의 실시예가 여기에 도시되거나 또는 설명된 것과 다른 순서로 실시될 수 있는 것을 이해할 것이다. 그리고, 용어 “포함되다”와 “구비되다” 및 이들의 임의의 형식은, 이를 제외하지는 않게 포함되는 상황을 커버하기 위한 것으로서, 예를 들면 일련의 단계 또는 유닛이 포함되는 과정, 방법, 장치, 제품 또는 설비는 반드시 명확하게 이러한 단계와 유닛을 나열할 필요가 없고, 명확하게 나열되지 않거나 또는 이러한 과정, 방법, 제품 또는 설비의 고유한 기타 단계 또는 유닛을 포함할 수 있다.
실시예1
본 발명의 일 실시예에서, 중약 생산 과정 제어 방법을 제공하는 바, 도1에 도시된 바와 같이, 상기 방법에는 하기 절차가 포함된다.
S1: 생산 중의 과정 파라미터 데이터를 채집하고, 상기 과정 파라미터에는 품질 데이터와 공정 데이터가 포함된다.
구체적으로 말하면, 품질 데이터는 시스템 과정 능력 평가의 데이터 기초로 사용되고, 상기 공정 데이터는 설계 공간을 보조 검색하는 데이터 기초로 사용되는 바, 도2에 도시된 바와 같다.
그 중에서, 상기 품질 데이터는 제조 과정 중의 중간체 성능 파라미터로서, 유형에는 중간체의 지시 성분의 함량, 전환율, 순도 등이 포함된다.
S2: 상기 품질 데이터에 의하여 시스템 과정 능력에 대하여 평가를 진행하여, 과정 능력 평가 결과를 취득하며, 만일 상기 과정 능력 평가 결과가 충분하면, S3을 실행하고, 그렇지 않으면 S4를 실행한다.
구체적으로 말하면, 품질 데이터 샘플에 대하여 처리를 진행하여, 품질 평가 결과를 취득할 수 있으며, 구체적인 처리 방법은 하기 실시예5에서 상세하게 설명하도록 한다.
S3: 전 과정 모니터링 모드로 진입한다.
과정 능력 평가 결과가 작업 부문의 생산 능력이 생산의 요구에 도달하였음을 표시하면, 현재 작업 부문 과정 파라미터 조건 하에서, 중간체의 품질 안정성과 배치간 일치성이 비교적 높고, 작업 부문 생산 능력이 비교적 양호하기 때문에, 현재 과정 파라미터 정규 분포된 2σ 또는 3σ를 선택하여 과정 파라미터 해제의 표준으로 할 수 있다는 것을 설명하며, MSPC 방법을 사용하여 제어도를 구성하여 생산의 전 과정과 종점에 대하여 모니터링을 진행하고, PKS의 실시간 추세 디스플레이 모듈을 삽입하면, 생산 전 과정의 실시간 모니터링과 온라인 조기 경보를 구현할 수 있다.
PKS 플랫폼이 고정 주기마다 자동으로 주기 내 배치 데이터를 수집하여 자동으로 과정 능력 평가를 진행하여, 부단히 각 작업 부문의 생산 과정 능력 변화를 파악하고 부단히 각 작업 부문 파라미터 해제의 범위를 업데이트하며, 또한 실시간 추세 디스플레이 모듈에서 해제 범위를 업데이트시켜, 전 과정 모니터링과 온라인 조기 경보를 구현할 수 있다.
S4: 상기 공정 데이터에 의하여, 설계 공간 검색 모드로 진입한다.
과정 능력이 부족하면, 현재의 생산 파라미터가 제품 생산의 요구를 만족시킬 수 없고, 현재 파라미터에 대하여 조정을 진행할 것이 필요한 바, 즉 설계 공간을 검색하여야 한다는 것을 설명하며, 현재 능력이 부족한 생산 시스템에 대하여 최적화 해제 조건을 검색하는 것을 구현한다.
실시예2
본 발명의 일 실시예에서, 중약 생산 과정의 완전한 생산 제어 방법을 제공하는 바, 도2와 도3에 도시된 바와 같이, 상기 방법에는 하기 절차가 포함된다.
S21: 생산 중의 과정 파라미터 데이터를 채집하고, 상기 과정 파라미터에는 품질 데이터와 공정 데이터가 포함된다.
S22: 상기 품질 데이터에 의하여 시스템 과정 능력에 대하여 평가를 진행하여, 과정 능력 평가 결과를 취득하며, 만일 상기 과정 능력 평가 결과가 충분하면, S23을 실행하고, 그렇지 않으면 S24를 실행하며, 상기 실시예1과 같다.
S23: 전 과정 모니터링 모드로 진입한다.
일 방면으로, 실시예1에 기재된 바와 같이, 전 과정 모니터링 모드로 진입한 후, 실시간 모니터링을 구현할 수 있고, 하기 절차가 포함된다.
A1: 다수의 훈련 샘플을 채집하여 훈련 샘플 집합을 구성한다.
A2: 훈련 샘플 집합 중의 카테고리에 의하여, 상기 훈련 샘플 집합의 분포 전달 정보값을 취득한다.
A3: 상기 분포 전달 정보값에 의하여, 각 종류 과정 파라미터의 정보 이득을 취득한다.
A4: 정보 이득이 가장 큰 과정 파라미터를 선택하여 분열 노드로 하여, 판단 트리를 구성한다.
A5: 판단 트리에 의하여, 새 데이터에 대하여 카테고리 식별을 진행한다.
그 중에서, 하기 계산 공식을 통하여 상기 분포 전달 정보값을 취득하는 바, 즉 이고, 그 중에서, info(S)는 훈련 샘플 집합의 분포 전달 정보값이고, 는 는 훈련 샘플이 제i번째 카테고리에 속하는 확률이다.
하기 표 1을 예로 들어 설명을 진행하도록 한다.
훈련 샘플 집합 중에는 9개 훈련 샘플이 포함되는 바, 그 중에서 카테고리가 우수인 것이 3개 샘플(일련번호가 3, 6, 7)이고, 카테고리가 양호인 것이 4개이며, 카테고리가 불량인 것이 2개이다.
하기 계산 공식을 통하여 상기 정보 이득을 취득하는 바, 즉
이며, 그 중에서, info(S)는 훈련 샘플 집합의 분포 전달 정보값이고, info(Sv)는 어느 한 속성 파라미터의 분포 전달 정보값이며, 는 상기 어느 한 속성 파라미터의 어느 한 카테고리에서의 확률이고, 는 는 속성 파라미터의 집합이다.
본 발명의 실시예에서, 정보 이득을 분열 노드를 선택하는 근거로 하여 판단 트리 모델의 구성을 진행하여, 2차원(다차원) 데이터에 대하여 정확한 식별 분류를 진행하기에 유리하고, 파라미터 스마트 피드백을 위하여 신뢰성 있는 근거를 제공한다. 상기 2차원(다차원) 데이터는 하기 상황에 적용될 수 있는 바, 즉 동일한 훈련 샘플 중의 과정 파라미터는 관건 품질 속성에 의하여 선별하여 취득한 관건 과정 파라미터이고, 상기 관건 품질 속성은 과정 지식 시스템 중의 작업 부문에 의하여 선택한 속성 파라미터이며, 동일한 관건 품질 속성에 대하여 두 개 또는 다수 개 관건 과정 파라미터를 갖고 있는 상황에 있어서, 본 발명의 실시예 중의 방법을 사용하여 파라미터 카테고리에 대하여 식별을 진행할 수 있다.
정보 이득이 가장 큰 과장 파라미터 온도 T를 루트 노드로 하고, 이에 대응되는 속성 파라미터를 제1 브랜치 노드로 하여, 각 속성 파라미터에 대응되는 카테고리가 일치한지 여부를 판단하여, 만일 일치하다면 해당 카테고리를 리프 노드로 하고, 그렇지 않다면 정보 이득 랭킹에서 두번째로 큰 과정 파라미터를 제2 브랜치 노드로 하여, 상기 과정을 반복하며, 취득한 카테고리가 리프 노드일 때까지 진행한다.
도9에 도시된 판단 트리에 의하여, 새 데이터에 대하여 유형 판단을 진행할 수 있는 바, 예를 들면, 새 데이터가 T(L) P(H) PH(L)라면, 해당 새 데이터가 표1에 나타난 적이 없지만, 도9에 도시된 판단 트리에 의하여, 해당 파라미터의 유형이 우수인 것을 식별할 수 있으며; 또 예를 들면, 새 데이터가 T(N) P(H) PH(H)라면, 해당 파라미터 유형을 불량으로 판단하고, 적시적으로 사용자에게 피드백하거나 또는 알림 경고를 보낸다.
만일 루트 노드, 각 브랜치 노드가 같고, 또한 리프 노드가 다르다면, 훈련 샘플 집합 중의 상기 루트 노드, 각 브랜치 노드 하의 리프 노드 수량을 통계하여, 만일 통계 수량이 일치하다면, 무작위로 그 중의 어느 한 리프 노드를 버리고, 그렇지 않다면 수량이 비교적 적은 리프 노드를 버린다. 구체적으로 예를 들면, 예를 들면 표1 중에 일련번호가 10인 훈련 샘플을 증가하는 바, T(N) P(H) PH(H)이고, 유형이 양호이며, 분명한 것은 이는 표1 중의 일련번호가 8인 샘플의 유형 결론과 차이가 존재하며, 이러한 상황 하에서, 양자의 샘플 개수를 통계하고, 샘플 개수가 많은 것을 기준으로 하며, 만일 수량이 같다면, 무작위로 어느 하나의 유형을 선택한다.
다른 일 방면으로, 실시예1에 기재된 바와 같이, 전 과정 모니터링 모드로 진입한 후, 또한 온라인 조기 경보를 구현할 수 있고, 하기 절차가 포함된다.
B1: 결과 피드백 요청을 수신하는 바, 상기 피드백 요청에는 중간체 결과 유형이 포함된다.
B2: 상기 피드백 요청과 대응되는 과정 파라미터를 취득하는 바, 상기 과정 파라미터는 다차원 파라미터이고, 과정 파라미터 집합을 구성한다.
B3: 상기 과정 파라미터 집합을 결과 피드백 신경망 모델로 입력한다.
상기 결과 피드백 신경망 모델을 과정 파라미터 샘플이 훈련하여 취득하고, 도4에 도시된 바와 같으며, 하기 절차가 포함된다.
B31: 훈련하고자 하는 과정 파라미터 샘플 데이터를 취득하는 바, 상기 과정 파라미터 샘플에는 다수의 과정 파라미터 집합 및 대응되는 기지의 목표치가 포함된다.
B32: 초기 네트워크 모델을 구성하는 바, 상기 초기 네트워크 모델에는 입력층, 은폐층, 출력층, 초기 가중치와 초기 오프셋이 포함된다.
B33: 역전파 방법을 이용하여, 가중치 수렴을 구현할 때까지 상기 초기 가중치와 초기 오프셋에 대하여 업데이트를 진행하여, 결과 피드백 신경망 모델을 취득한다.
B4: 상기 결과 피드백 신경망 모델의 출력 결과를 취득한다.
오차 역전파의 과정은 오차를 각 층의 모든 유닛에 배분시켜, 각 층 유닛의 오차 신호를 취득하고, 나아가 각 유닛의 가중치를 수정하는 것으로서, 즉 가중치 조정의 과정이다.
도10은 다층 순방향 신경 토폴로지 구조도로서, 일 입력층, 일 은폐층과 일 출력층이 포함되며, 상기 입력층에는 다수의 유닛 i가 포함되고, 상기 은폐층에는 다수의 유닛 j가 포함되며, 상기 출력층에는 다수의 유닛 k가 포함된다. 도시된 바와 같이, 입력층의 유닛 i와 은폐층의 유닛 j의 연결의 가중치는 이고, 은폐층의 유닛 j과 출력층의 유닛 k의 연결의 가중치는 이다.
본 발명의 다른 일 실시예에서, 신경망 모델 중의 은폐층 수량이 한 층 이상이고, 도시되지 않았으며, 그 모델 구성 방법 및 가중치, 오프셋 업데이트 방법은 한 층의 은폐층의 신경망 모델과 같으며, 아래 단일 은폐층의 신경망 모델을 예로 들어 설명을 진행하도록 한다.
신경망의 가중치는 작은 난수로 초기화되고, 각 신경망 유닛(“뉴런”으로 약칭)은 모두 하나의 관련된 오프셋이 존재하며, 상기 오프셋도 마찬가지로 작은 난수로 초기화된다. 은폐층 중의 단일 뉴런 j를 예로 들며, 도11을 참조하도록 한다.
유닛 j의 순수 입력 계산 공식은 하기와 같다.
이고, 그 중에서, 본 층 유닛 j에는 n1개 이전 층 연결 유닛이 구비되고, 는 이전 층 유닛 i의 출력값이며, 는 이전 층 유닛 i와 본 층 유닛 j의 연결의 가중치이고, 는 본 층 유닛 j의 오프셋이며, 상기 오프셋은 역치를 충당하여 뉴런의 활성을 개변시킨다.
유닛 j의 출력 계산 공식은 하기와 같다.
역전파 오차를 계산하는 과정에는 초기 가중치와 초기 오프셋에 대하여 오차 정정을 진행하여, 가중치와 오프셋의 업데이트를 구현하는 것이 포함된다.
본 발명의 일 실시예에서, 상기 가중치 오차 계수는 하기 공식을 통하여 취득한다.
본 발명의 다른 일 실시예에서, 상기 가중치 오차 계수는 처하는 출력층 또는 은폐층에 의하여 다르며, 본 실시예에서, 각각 출력층 가중치 오차 계수와 은폐층 가중치 오차 계수로 정의되고, 출력층의 유닛 j에 있어서, 가중치 오차 계수(즉 출력층 가중치 오차 계수)는 하기 공식을 통하여 취득한다.
은폐층의 유닛 j에 있어서, 가중치 오차 계수(즉 은폐층 가중치 오차 계수)는 하기 공식을 통하여 취득한다.
이고, 그 중에서, 본 층 유닛 j에는 n2개 다음 층 연결 유닛이 구비되고, 는 다음 층 유닛 k의 가중치 오차 계수이며, 는 본 층 유닛 j와 다음 층 유닛 k의 연결의 가중치이고, 는 본 층 유닛 j의 실제 출력이며, 는 논리 로지스틱 함수의 도함수이다.
이를 바탕으로, 상기 초기 가중치에 대하여 업데이트를 진행하는 것에는,
가중치 개변량에 의하여, 가중치 를 업데이트시키는 바, 그 중에서, 는 이전 층 유닛 i와 본 층 유닛 j의 연결의 가중치이고, 이전 층 유닛 i와 본 층 유닛 j의 연결의 가중치 개변량이며, 는 유닛 j의 가중치 오차 계수이고, 는 이전 층의 유닛 i의 출력이며, 은 학습률이고, 상기 학습률은 통상적으로 (0.0,1.0) 구간 내의 상수값을 취하는 것이 포함된다.
다른 일 방면으로, 상기 초기 오프셋에 대하여 업데이트를 진행하는 것에는,
오프셋 개변량에 의하여, 오프셋 를 업데이트시키는 바, 그 중에서, 는 본 층 유닛 j의 오프셋이고, 는 오프셋 개변량이며, 는 유닛 j의 가중치 오차 계수이고, 은 학습률이며, 상기 학습률은 통상적으로 (0.0,1.0) 구간의 상수값을 취하고, 가중치 업데이트 중의 학습률과 오프셋 업데이트 중의 학습률은 단독으로 설정할 수도 있고(다른 값으로 설정함), 또한 통일적으로 동일한 값으로 설정할 수도 있으며, 바람직한 값은 0.3인 것이 포함된다.
만일 하나의 샘플을 처리할 때마다 가중치와 오프셋을 업데이트시켜야 한다면, 케이스 업데이트(case update)라 칭하며; 만일 훈련 집합 중의 모든 튜플을 처리한 후 다시 가중치와 오프셋을 업데이트시킨다면, 주기 업데이트(epoch update)라 칭한다. 이론 상에서, 역전파 알고리즘의 데이터 유도는 주기 업데이트를 사용하지만, 실천 중에서, 케이스 업데이트가 통상적으로 더욱 정확한 결과를 생성한다.
나아가, 상기 가중치 수렴에는 하기 어느 한 조건을 만족시키는 바, 즉
결과 피드백 신경망 모델의 오분류 튜플 백분율이 사전 설정된 제2 역치보다 작은 바, 예를 들면 구성된 모델을 이용하여 어느 한 샘플에 대하여 분류를 진행할 때, 대응되는 기지의 목표값을 참조하면, 해당 모델의 오분류 비례값은 5% 이하이며;
가중치 업데이트 횟수가 사전 설정된 제3 역치에 도달하는 바, 예를 들면 주기 업데이트가 10만 회에 달하며,
만일 상기 조건 중의 하나를 만족시키면, 훈련을 정지할 수 있는 것이 포함된다. 실천 중에서, 가중치 수렴은 수십만 개 주기를 필요로 할 수 있고, 신경망의 훈련은 많은 경험과 스킬이 있는 바, 우선 시뮬레이티드 어닐링 기술을 사용하여 신경망이 전역 최적화로 수렴되도록 한다.
상기 알고리즘을 통하여 훈련하고 학습하여 결과 피드백 신경망 모델을 구성하고, 각 과정 파라미터의 입력에 대하여, 모델이 중간체 결과가 합격되는지 여부의 피드백 결과를 주는 바, 즉 모델은 결과를 출력한 후, 사전 설정된 합격 표준과 비교하여, 합격 또는 불합격(또는 우수/양호/불량)의 결과를 피드백한다.
또 다른 일 방면으로, 전 과정 모니터링 모드 하에서, 시스템 플랫폼이 고정된 주기마다 자동으로 S21 단계를 순환 실행하여, 전 과정 모니터링의 제어도를 업데이트 시키는 바, 도2에 도시된 바와 같다.
S24: 상기 공정 데이터에 의하여, 설계 공간 검색 모드로 진입한다.
S241: 취득한 설계 공간에 의하여 파라미터에 대하여 해제를 진행한다.
S242: 시스템 과정 능력에 대하여 재평가를 진행하여, 과정 능력 재평가 결과를 취득하며, 만일 재평가 결과가 충분하면, S243을 실행하고, 그렇지 않으면 S244를 실행한다.
S243: 전 과정 모니터링 모드로 진입한다.
마찬가지로, 전 과정 모니터링 모드 하에서, 시스템 플랫폼이 고정된 주기마다 자동으로 S21 단계를 순환 실행하여, 전 과정 모니터링의 제어도를 업데이트 시킨다.
S244: 설계 공간 잠재 파라미터를 발굴한다.
S245: 발굴된 잠재 파라미터를 해제 파라미터 집합에 추가하고, 설계 공간을 최적화하는 바, 과정 능력 재평가 결과가 충분할 때까지 진행한다.
구체적인 설계 공간 잠재 파라미터 발굴 방법은 하기 실시예4에서 상세하게 설명하도록 한다.
실시예3
본 발명의 일 실시예에서, 설계 공간 검색 방법을 제공하는 바, 도5에 도시된 바와 같이, 상기 방법에는 하기 절차가 포함된다.
S31: 공정 데이터를 취득하는 바, 상기 공정 데이터에는 위 작업 부문의 중간체의 품질 파라미터가 포함된다.
S32: 작업 부문 생산 상황에 의하여, 관건 품질 속성의 유형을 선택한다.
S33: 상기 관건 품질 속성과 관련되는 공정 데이터를 선별하여 관건 과정 파라미터로 한다.
S34: 상기 관건 과정 파라미터와 관건 품질 속성 간의 관계 모델을 구성한다.
S35: 상기 관계 모델에 의하여 설계 공간을 취득하는 바, 상기 설계 공간은 상기 관건 품질 속성에 대응되는 특정 구간 범위이다.
그 중에서, 관건 과정 파라미터를 선별하는 절차는 하기와 같다.
실제 생산 중에서, 모든 과정 파라미터가 모두 분석 가치가 있는 것이 아닌바, 왜냐하면 실제 생산의 공정 중에서, 일부 과정 파라미터는 이미 고정되거나 또는 단지 미세한 범위 내에서 변화하기 때문에, 이러한 파라미터는 변화가 아주 작기 때문에 상수로 간주하고 분석을 진행하지 않을 수 있으므로, 과정 파라미터에 대하여 상대 표준 편차 분석을 진행하여 편차 역치에 부합되는 과정 파라미터를 취득한다.
여기에서, 상대 표준 편차(relative standard deviation, RSD) 분석을 사용하는 목적은 초보적으로 선별하여 파동이 비교적 큰 과정 파라미터를 취득하는 것으로서, 즉 편차 역치에 부합되는 과정 파라미터를 취득하는 것이다.
일반적으로 RSD가 비교적 큰(≥3%) 파라미터를 선택하여 관련성 분석을 진행하는 바, RSD의 역치는 3%로 설정할 수 있지만 단지 참조적인 것이고, 실제 역치는 또한 여러 차례의 분석을 통하여 결정하여야 한다.
다음으로, 상기 편차 역치에 부합되는 과정 파라미터에 대하여 관련성 분석을 진행하여, 과정 파라미터와 관건 품질 속성 간의 관련 계수를 취득한다.
실제 생산 중에서, 다른 과정 파라미터는 중간체의 품질에 대한 영향 정도는 다른 바, 어떤 파라미터는 최종 제품의 품질에 대하여 결정적인 작용을 일으키고, 일부 파라미터는 중간체 또는 최종 제품 품질에 대한 영향이 비교적 작으며, 관련성 분석을 진행하는 목적은 직관적으로 제품에 영향을 미치는 관건 과정 파라미터 및 그 공헌도를 살피고, 생산 과정의 내재적 룰을 찾아내어, 생산 과정에 대한 이해를 깊이하고, 생산 중의 각 파라미터에 대하여 더욱 목적성 있는 제어를 진행하기 위한 것이다.
본 발명의 실시예에서, 통계학 중의 피어슨 계수를 사용하여 CQA와 CPP(또는 CPPs) 간의 관련성을 측정하는 바, 그 값은 -1 내지 1 사이에 있다. 두 변수 간의 관련 계수의 수학적 정의는,
이고, 그 중에서, 는 X 속성의 표준차이고, X 속성은 과정 파라미터 관련 특징으로서, 예를 들면 압력 평균치, 온도 평균치, 분산 및 시간 특징이며; 는 Y 속성의 표준차이고, Y는 CQA인 바, 예를 들면 지표 성분 전환율, 총 산 전환율과 고체 함량 등이다. cov(X,Y)는 X와 Y의 공분산으로서, 이의 정의는 cov(X,Y)=E[(X-μx)(Y-μy)]이고, 그 중에서, μx, μy는 각각 속성 X와 Y의 평균치이다.
그 다음으로, 상기 관련 계수에 의하여, 상기 과정 파라미터와 관건 품질 속성 간의 중요 계수를 취득한다.
여기에서 RSD(상대 표준 편차) 분석과 관련성 분석을 연합 사용하는 것을 통하여 실제 생산 중에서 제품 품질에 영향을 미치는 관건 공정 파라미터를 선별하는 바, 데이터 처리는 모두 PKS 시스템의 RSD 분석 모듈과 관련성 모듈 중에서 진행된다. SPSS, Minitab 등 소프트웨어를 결합하여 사용하면 더욱 간편하다. SPSS, Minitab을 사용할 것을 권장한다.
Minitab을 예로 들어 피어슨 계수를 계산한다면, Minitab 소프트웨어 중에서 분석이 필요한 항목을 선택하고 또한 피어슨 계수를 선택하면, P 값을 디스플레이하는 바, 바로 편차 역치에 부합되는 과정 파라미터와 관건 품질 속성 간의 중요 계수이다.
마지막으로, 상기 중요 계수에 의하여 선별하여 관건 과정 파라미터를 취득한다.
관련성 분석 중에서, 중요 계수 P 값이 0.05보다 작은 파라미터를 선택(또는 실제 상황에 의하여 분석하여 선택)하여 CPP로 한다. 상기 두 단계를 거쳐, 해당 작업 부문의 다른 CQA의 CPP를 취득할 수 있다.
본 실시예 중의 CPP를 선별하는 방법을 통하여, 생산 과정 중의 CQA와 CPP 초보 룰을 찾아내고, 초보적으로 생산 과정에 대하여 이해를 깊게 하여, 아래 수학 모델을 구성하는 것을 위하여 양호한 샘플 기초를 제공한다.
그 중에서, 관계 모델을 구성하는 방법에는 하기 절차가 포함된다.
첫째, 관건 과정 파라미터와 관건 품질 속성에 대하여 데이터 표준화 조작을 진행한다.
표준화의 방식은 아주 많은 바, 표준차 표준화, 극차 표준화 등이 있고, 연구 과정에서 여러 가지로 시도하고, 결과의 다른 점을 비교할 수 있다.
둘째, 점진 회귀 방법을 이용하여, 표준화된 관건 과정 파라미터와 관건 품질 속성에 대하여 피팅 조작을 진행하여, 관계 모델을 취득한다.
회귀의 방법도 아주 많은 바, 선형과 비선형이 포함된다. 여기에서 사용되는 것은 점진 회귀의 방법(다중 공직선성의 영향을 방지)으로서, 시도할 수 있는 방법에는 SVM, MLR, BP 등이 포함된다. 본 발명의 실시예에서, Minitab을 사용하여 점진 회귀를 진행하는 바, 구체적으로, minitab 중에서 ‘통계’®‘회귀’®‘피팅 모델’에서 선택하고, 선택은 변수와 자체 변수에 영향을 미치고, ‘점진’ 옵션 중에서, 선택용 a과 삭제용 a과 점진 유형을 선택하고, 회귀가 종료된 후, 수학 모델을 취득하는 바, 즉 회귀 방정식이다.
일반적으로 말하면, 실험실 데이터에 비하여, 실험 조사 중에서, CQA가 비교적 많을 때, 종합 평가의 방법, 예를 들면 편회귀 계수 방법, 다중 지표 종합 평가 방법을 사용하여 CPP를 선별하지만, 실제 생산은 실험 설계가 없기 때문에, 실험 조사 중 R2가 비교적 높은 편회귀 방정식을 취득하기 어렵기 때문에, 해당 방법은 실제 생산 데이터에 적용되지 않는다. 하지만 생산 공정은 상대적으로 성숙되었기 때문에, 변수 요소는 일반적으로 고정된 몇 개 요소이므로, 원리가 비교적 간단한 RSD와 관련성 분석을 연합 사용하여, 실제 생산 데이터에서 CPP를 선별하는 효과가 비교적 훌륭하지만, 폐단도 존재하는 바, 여전히 다중 지표의 관건 과정 파라미터를 종합 평가 선별하는 것이 결핍하기 때문에, 만일 하나하나의 CQA를 사용하여 설계 공간을 검색한다면, 설계 공간에 교집합이 없는 상황이 나타날 수 있는 바, 즉 실험실 데이터에 비하여, 제조 과정 중의 결정 계수 R2가 작은 편이므로, 여전히 실제 생산에 적합한 CPP를 선별하는 방법이 필요하다. (현재 각 CQA의 대응되는 CPPs를 종합하여 전체 평가 지표의 CPPs로 하고, 점진 회귀 시 선택용 a를 확대하여, R2가 0.85보다 클 때까지 진행하는 것을 사용하는 것을 시도하고 있다).
실시예4
본 발명의 일 실시예에서, 설계 공간 잠재 파라미터 발굴 방법을 제공하는 바, 도6에 도시된 바와 같이, 상기 방법에는 하기 절차가 포함된다.
S41: 설계 공간 잠재 파라미터 발굴 요청을 수신하는 바, 상기 요청에는 설계 공간에 대응되는 작업 부문 조건 정보가 포함된다.
S42: 상기 작업 부문 조건 정보에 의하여, 작업 부문과 대응되는 관건 품질 속성을 취득하고 또한 잠재 파라미터 집합을 결정한다.
S43: 결정된 잠재 파라미터에 대하여 테스트를 진행하여, 검증이 필요한 잠재 파라미터를 취득한다.
구체적인 테스트 과정에서 우선 하기 방식을 사용하는 바, 결정된 잠재 파라미터에 대하여 단일 요소 테스트를 진행하여, 다수의 과정 파라미터를 취득하며; 상기 과정 파라미터에 대하여 직교 테스트를 진행하여, 검증이 필요한 잠재 파라미터를 취득한다.
그 중에서, 검증이 필요한 파라미터의 취득 방법에는 하기 절차가 포함된다.
첫째, 직교 테스트를 설계하여, 그룹 간 테스트 데이터와 그룹 내 테스트 데이터를 취득한다.
구체적으로 말하면, 상기 그룹 간 테스트 데이터는 바로 다른 그룹 간(다른 과정 파라미터에 대하여)의 테스트 데이터이고, 상기 그룹 내 테스트 데이터는 바로 동일 그룹(같은 과정 파라미터에 대하여)의 테스트 데이터이다.
둘째, 그룹 간 테스트 데이터와 그룹 내 테스트 데이터에 대하여 분산 분석을 진행하여, 평균 제곱 편차 곱과 비례값을 취득한다.
상기 분산 분석의 과정은 하기와 같은 바, 설계된 직교 테스트에 의하여, 그룹 간 자유도와 그룹 내 자유도를 결정하고, 또한 그룹 간 테스트 데이터와 그룹 내 테스트 데이터에 의하여, 그룹 간 편차 곱의 합과 그룹 내 편차 곱의 합을 계산하며; 그 후 그룹 간 편차 곱의 합과 그룹 간 자유도에 의하여, 그룹 간 평균 제곱을 산출하고, 그룹 내 편차 곱의 합과 그룹 내 자유도에 의하여, 그룹 내 평균 제곱을 산출하며; 그룹 간 평균 제곱과 그룹 내 평균 제곱에 의하여, 평균 제곱 편차 곱과 비례값(F 값)을 취득한다.
셋째, 상기 평균 제곱 편차 곱과 비례값에 의하여 상응한 중요 계수를 매칭시킨다.
테이블을 검색하여 상기 F 값과 매칭 대응되는 중요 계수 P 값을 결정할 수 있다.
넷째, 상기 중요 계수에 의하여 선별하여 검증이 필요한 잠재 파라미터를 취득한다.
중요 계수 역치를 결정하고, 상기 중요 계수 역치보다 작은 중요 계수에 대응되는 과정 파라미터를 검증이 필요한 잠재 파라미터로 한다. 즉 중요 계수 P 값이 0.05보다 작은 파라미터를 선택(또는 실제 상황에 의하여 분석하여 선택)하여 검증이 필요한 잠재 파라미터로 한다.
상기 바람직한 방식 외, 또한 하기 발굴 방법을 사용할 수 있는 바, 결정된 잠재 과정 파라미터에 대하여 Plackett-Burman 테스트를 진행하고, 선별 룰에 따라 과정 파라미터를 선별하여 취득하며, 본 실시예에서, 선별 룰은 Plackett-Burman 테스트에서 취득한 중계 계수가 0.05보다 작거나 같은 결정 파라미터를 선별된 과정 파라미터로 하는 것이다.
그 후 진일보로 하기 방법을 실행하여 검증이 필요한 잠재 파라미터를 취득한다.
과정 파라미터에 대하여 상대 표준 편차 분석을 진행하여, 편차 역치에 부합되는 과정 파라미터를 취득하며; 상기 편차 역치에 부합되는 과정 파라미터에 대하여 관련성 분석을 진행하여, 과정 파라미터와 관건 품질 속성 간의 관련 계수를 취득하며; 상기 관련 계수에 의하여, 상기 과정 파라미터와 관건 품질 속성 간의 중요 계수를 취득하며; 중요 계수 역치보다 작은 중요 계수에 대응되는 과정 파라미터를 검증이 필요한 잠재 파라미터로 한다.
S44: 검증이 필요한 잠재 파라미터에 대하여 검증을 진행하여, 설계 공간 잠재 파라미터를 취득한다.
그 중에서, 검증이 필요한 잠재 파라미터에 대하여 검증을 진행하는 방법에는 하기 절차가 포함된다.
우선, 검증이 필요한 잠재 파라미터를 설계 공간의 관건 과정 파라미터 라이브러리로 추가하고, 관건 과정 파라미터 집합을 업데이트시킨다.
실시예1에 기술된 바와 같이, 잠재 파라미터 범위는 상기 해제 파라미터(즉 CPP) 외의 범위 내에서 결정된 것이고, 검증이 필요한 파라미터는 또한 상기 잠재 파라미터 범위 중에서 선별된 것이며, 본 실시예에서, 검증이 필요한 잠재 파라미터에 대하여 검증을 진행하는 과정은 바로 설계 공간 최적화의 과정으로서, 즉 검증이 필요한 잠재 파라미터와 해제 파라미터를 이용하여 새로운 CPP를 구성하고, 새로운 설계 공간을 검색한다.
구체적으로 말하면, 또한 업데이트된 후의 설계 공간에 대하여 검증을 진행하여, 발굴된 잠재 파라미터가 PKS 시스템의 생산 능력과 성능에 대하여 유익한 영향을 일으키는지 여부를 확인한다. 검증 방식은 최적화 전후의 시스템 과정 능력을 계산하는 것을 통하여, 만일 과정 능력이 향상되었다면, 발굴된 잠재 파라미터가 성공하였다는 설명하고, 만일 과정 능력이 오히려 낮아졌다면, 최적화 전의 설계 공간으로 회복시킨다.
실시예5
본 발명의 실시예에서, 시스템 과정 능력 평가 방법을 제공하는 바, 도7에 도시된 바와 같이, 상기 방법에는 하기 절차가 포함된다.
S51: 품질 데이터를 채집하여 품질 샘플을 취득하는 바, 상기 품질 데이터는 제조 과정 중의 중간체 성능 파라미터이다.
S52: 상기 품질 샘플에 의하여, 과정 평균치와 과정 표준차를 취득한다.
S53: 상기 품질 샘플에 대하여 데이터 스크리닝을 진행하여, 품질 제어 표준 샘플을 취득한다.
예를 들면, 품질 샘플 중에 100개 품질 데이터가 존재하고, 번호는 0-99이고, 해당 품질 샘플에 대하여 100회(또는 99회 또는 101회 또는 기타 회수일 수 있음)의 무작위 샘플링을 진행하고, 매 회 무작위로 번호 0-99 중에서 그 중 어느 한 번호의 품질 데이터를 취하여 하나의 어레이 요소로 하며, 100회의 무작위 샘플링을 통하여 100개 숫자가 있는 어레이를 취득하고, 다시 해당 어레이에 대하여 작은데로부터 큰데로의 랭킹을 진행한다. 선별 룰에 따라(예를 들면 랭킹 샘플 중간의 80% 데이터를 작업 부문 품질 평가 데이터로 함), 작은데로부터 큰데로 랭킹한 후의 어레이에서 제11번째 숫자를 취하여 제1 품질 제어 표준 샘플에 추가하고, 제90번째 숫자를 취하여 제2 품질 제어 표준 샘플에 추가한다.
상기 단계를 반복하는 바, 예를 들면 10000회 반복하면, 제1 품질 제어 표준 샘플에는 10000개 품질 제어 표준 하한이 존재하고, 제2 품질 제어 표준 샘플에는 10000개의 품질 제어 표준 상한이 존재한다.
S54: 상기 품질 제어 표준 샘플에 의하여, 품질 제어 표준 상한 및/또는 하한을 취득한다.
구체적으로 말하면, 제1 품질 제어 표준 샘플에 대하여 샘플 평균을 진행하는 바, 즉 상기 제1 품질 제어 표준 샘플 중의 10000개 품질 제어 표준 하한에 대하여 평균치를 취하여, 품질 제어 표준 하한을 취득하며; 제2 품질 제어 표준 샘플에 대하여 샘플 평균을 진행하는 바, 즉 상기 제2 품질 제어 표준 샘플 중의 10000개 품질 제어 표준 상한에 대하여 평균치를 취하여, 품질 제어 표준 상한을 취득한다.
S55: 상기 품질 제어 표준 상한과 하한에 의하여, 표준 중간치와 과정 분산치를 취득하는 바, 그 중에서, 표준 중간치=(상한+하한)/2이고, 과정 분산치=(상한-하한)/2이며;
S56: 표준 중간치, 과정 분산치, 과정 평균치 및 과정 표준차에 의하여, 하기 계산 공식을 통하여 상기 품질 평가치를 취득하는 바, 즉
품질 평가치=(과정 분산치-|과정 평균치-표준 중간치|)/(3*과정 표준차)이고, 그 중에서, 과정 평균치는 품질 샘플 중의 품질 데이터의 평균치이고, 과정 표준차는 상기 품질 데이터의 표준차이며;
품질 제어 표준에 단지 상한 또는 하한이 존재할 때, 상기 품질 평가 결과의 계산 방법에는 하기 절차가 포함된다.
하기 계산 공식을 통하여 상기 품질 평가치를 취득하는 바, 즉
품질 평가치=min(상한-과정 평균치, 과정 평균치-하한)/(3*과정 표준차)이고, 그 중에서, 과정 평균치는 품질 샘플 중의 품질 데이터의 평균치이고, 과정 표준차는 상기 품질 데이터의 표준차이다.
S57: 상기 품질 평가 결과에 의하여, 과정 능력 평가 결과를 취득한다.
구체적으로 말하면, 사전에 대응되는 능력 평가 맵핑 테이블을 작성하는 바, 상기 능력 평가 사전 설정 테이블 상에는 품질 평가 결과와 대응되는 과정 능력 평가의 결과가 있다. 예를 들면, 품질 평가 결과가 2.00보다 크거나 같으면, 과정 능력 평가 결과는 A++급이며; 품질 평가 결과 가 1.67보다 크거나 같고 또한 2보다 작으면, 과정 능력 평가 결과는 A+급이며; 품질 평가 결과가 1.33보다 크거나 같고 또한 1.67보다 작으면, 과정 능력 평가 결과는 A급이며; 품질 평가 결과 가 1.00보다 크거나 같고 또한 1.33보다 작으면, 과정 능력 평가 결과는 B급이며; 품질 평가 결과 가 0.67보다 크거나 같고 또한 1.00보다 작으면, 과정 능력 평가 결과는 C급이며; 품질 평가 결과 가 0.67보다 작으면, 과정 능력 평가 결과는 D급이다.
상기 과정 능력 평가 결과의 의의로는, 해당 결과에 의하여 제조 과정에 대한 제어를 지도하는 바, 예를 들면, 과정 능력 평가 결과가 A++급이면, 생산 능력이 넘쳐났기 때문에, 원가를 낮추는 것을 고려하여야 함을 표시하; 과정 능력 평가 결과가 A+급이라면, 계속하여 해당 수준을 유지할 수 있다는 것을 표시하며; 과정 능력 평가 결과 A급이라면, 과정 능력이 양호하고, 적당하게 향상시킬 수 있다는 것을 표시하며; 과정 능력 평가 결과가 B급이라면, 과정 능력이 보통이고, 만일 관건 작업 부문에 처하여 있다면 적당하게 향상시킬 수 있고, 만일 비 관건 작업 부문에 처하여 있다면 향상시키지 않을 수 있다는 것을 표시하며; 과정 능력 평가 결과가 C급이라면, 과정 능력을 향상시켜야 한다는 것을 설명하며; 과정 능력 평가 결과가 D급이라면, 과정 능력이 심각하게 부족하기 때문에, 생산을 정지하고 점검을 진행하여야 한다는 것을 설명한다.
다수의 품질 평가 결과가 존재하는 것에 대해서는 능력 평가 룰에 의하여 과정 능력 평가 결과를 결정하여야 하는 바, 예를 들면, 다수의 품질 평가 결과 중에서 가장 낮은 것을 선택하고, 또한 해당 가장 낮은 품질 평가 결과와 맵핑 관계가 존재하는 과정 능력 평가 결과를 매칭시켜 다수의 품질 평가 결과의 능력 평가 결과로 한다. 본 발명은 능력 평가 룰이 최저 룰인 것으로 한정하지 않으며, 실제 생산 상황에 의하여 상응한 능력 평가 룰을 제정할 수 있다.
실시예6
본 발명의 일 실시예에서, 중약 생산 과정 지식 시스템을 제공하는 바, 도8에 도시된 바와 같이, 상기 시스템에는,
생산 데이터 채집 유닛(611)과 저장 유닛(612)이 포함되고, 상기 생산 데이터 채집 유닛은 생산 중의 과정 파라미터 데이터를 채집하고, 상기 과정 파라미터에는 품질 데이터와 공정 데이터가 포함되며, 상기 저장 유닛은 채집된 상기 과정 파라미터 데이터를 저장하는 데이터베이스 모듈(610);
상기 품질 데이터에 의하여 시스템 과정 능력에 대하여 평가를 진행하여, 과정 능력 평가 결과를 취득하는 능력 평가 모듈(620);
과정 능력 평가 결과가 충분한 것에 응답하여, 전 과정 모니터링 모드로 진입하는 모니터링 피드백 모듈(630);
과정 능력 평가 결과가 부족한 것에 응답하여, 상기 공정 데이터에 의하여 설계 공간 검색 모드로 진입하는 설계 공간 검색 모듈(640)이 포함된다.
pks 시스템에서 사용되는 대량의 품질 데이터와 과정 파라미터 데이터에 대하여, 상기 데이터베이스 모듈(610) 중에 저장하는 바, 지표 성분 함량, 밀도, pH 등 단일 변수 속성 및 지문 스펙트럼, 근적외선 스펙트럼, 자외선 스펙트럼 등 전체 속성을 반영하는 스펠트럼 매트릭스 등 데이터가 포함되고, 비 관계형 데이터베이스를 사용하는 바, 이의 특징으로는 비 관계형, 배포식, 오픈 소스, 수준 확장형이다.
구체적으로는 Redis 데이터베이스를 사용하여 데이터를 저장하고, 또한 파티션 기술을 사용하며, 이의 장점은 하기와 같다. 1. 여러 컴퓨터 메모리의 합의 값을 사용하는 것을 통하여, 더욱 큰 데이터베이스를 구성하도록 한다. 2. 멀티 코어와 여러 대의 컴퓨터를 통하여, 계산 능력을 확장하도록 하며; 여러 대의 컴퓨터와 네트워크 어댑터를 통하여 네트워크 대역폭을 확장하도록 한다.
pks 시스템에서, Redis 데이터베이스를 사용함과 아울러 해시 파티션 기술을 사용하는 바, 구체적인 구현 단계는 하기와 같다.
제1 단계: 해시 테이블을 구성하고, 데이터 중의 키워드를 선택하여 인덱스로 한다.
제2 단계: 적당한 해시 함수를 선택하는 바, 만일 정수에 대하여 모듈로를 진행한다면, 이를 0-3 사이의 숫자로 전환시키면, 이 정수를 4개의 Redis 케이스 중의 하나에 맵핑시킬 수 있다. 예를 들면, 93024922 % 4 = 2이며, 이는 R2 케이스에 저장되어야 하는 것이다.
제3 단계: m과 n이 각각 테이블 길이와 테이블에 기입된 절점 수를 표시한다고 설정하면, α=n/m을 해시 테이블의 로드 인자(Load Factor)로 정의한다. Α가 클 수록 테이블이 차고, 충돌의 기회도 더욱 크다. 통상적으로 α≤1을 취한다. 로드 인자가 0.75보다 클 때 해시 테이블에 대하여 재차 해시 처리를 진행하여, 대량 데이터의 빠른 저장을 확보하고, 데이트 실시간 읽기/쓰기를 위하여 기초를 제공한다.
데이터베이스 모듈(610)에서 실시간 데이터 읽기/쓰기를 진행할 때 주요하게 하기 기술을 사용한다.
1) 저장 복제 기술
핵심 방안은 저장 어레이 자체의 디스크 어레이 대 디스크 어레이의 데이터 블럭 복제 기술을 이용하여 품질 데이터와 과정 파라미터 데이터에 대한 원격 복사를 구현하여, 데이터의 방재 대책을 구현한다. 메인 데이터 센터에 재난이 발생하였을 때, 재난 백업 센터의 데이터를 이용하여 재난 백업 센터에서 운영 지원 환경을 구성할 수 있으며, 생산의 계속 운영을 위하여 지원을 제공한다. 아울러, 또한 재난 백업 센터의 데이터를 이용하여 메인 데이터 센터의 서비스 시스템을 회복시켜, 생산 운영이 빠르게 재난 발생 전의 정상 운영 상태로 회복되게 할 수 있다.
2) ETL 추출 기술
ETL은 바로 데이터 추출(Extract), 전환(Transform), 로드(Load)의 과정이다. 이는 소스로부터 목표 시스템으로 데이터를 전환하는 방법을 제공한다. 구체적인 기능은 다른 품질 데이터와 과정 파라미터 데이터에 대하여 다른 데이터 추출, 전환과 로드 프로그램 처리를 코딩하는 바, 이는 데이터 집적의 대부분 작업을 완성한다.
그 중에서, 주요하게 사용하는 기능 기술은 데이터의 명확한 전환 기능으로서, 즉 필드 맵핑, 맵핑의 자동 매칭, 필드의 분할, 다중 필드의 혼합 연산, 크로스 헤테로지니어스 데이터베이스의 관련, 자체 정의 함수, 다중 데이터 유형 지원, 복잡 조건 필터링, 더티 리드 지원, 데이터의 벌크 로딩, 시간 유형의 전환, 여러 가지 코드 테이블에 대한 지원, 환경 변수 동적 수정, 중복 제거 기록, 중단점 추출, 기록 간 합병 또는 계산, 기록 분할, 추출된 필드의 동적 수정 여부, 행/열 변환, 랭킹, 통계 등 일반적인 전환 함수, 프라이머리 키의 생성, 디버깅 기능, 원격 데이터 추출, 증가 추출의 처리 방식, 샘플 데이터 제조, 전환 과정에 데이터 비교를 지원하는지 여부, 데이터 미리보기, 성능 모니터링, 데이터 세척 및 표준화, 행/열에 따른 그룹핑 집적 등이다.
pks 시스템에서, 상기 기술을 사용하여 대량 데이터가 빠르게 병렬로 실시간으로 읽기/쓰기를 진행하도록 확보하여, 다음 단계의 데이터 분석 피드백을 위하여 기반을 제공하였다.
구체적으로 말하면, 상기 설계 공간 검색 모듈(640)에는,
공정 데이터를 취득하는 바, 상기 공정 데이터에는 위 작업 부문의 중간체의 품질 파라미터가 포함되는 공정 데이터 유닛(641);
작업 부문 생산 상황에 의하여, 관건 품질 속성의 유형을 선택하는 CQA 유닛(642);
상기 관건 품질 속성과 관련되는 공정 데이터를 선별하여 관건 과정 파라미터로 하는 CPP 유닛(643);
상기 관건 과정 파라미터와 관건 품질 속성 간의 관계 모델을 구성하는 설계 공간 모델 유닛(644);
상기 관계 모델에 의하여 설계 공간을 취득하는 바, 상기 설계 공간은 상기 관건 품질 속성에 대응되는 특정 구간 범위인 공간 유닛(645)이 포함된다.
본 발명의 실시예에서 제공하는 중약 생산 과정 지식 시스템에는 또한 발굴 모듈(650)이 포함되고, 상기 발굴 모듈(650)에는,
설계 공간 잠재 파라미터 발굴 요청을 수신하는 바, 상기 요청에는 설계 공간에 대응되는 작업 부문 조건 정보가 포함되는 발굴 요청 유닛(651);
상기 작업 부문 조건 정보에 의하여, 작업 부문과 대응되는 관건 품질 속성을 취득하고 또한 잠재 파라미터 집합을 결정하는 결정 유닛(652);
결정된 잠재 파라미터에 대하여 테스트를 진행하여, 검증이 필요한 잠재 파라미터를 취득하는 발굴 실행 유닛(653);
검증이 필요한 잠재 파라미터에 대하여 검증을 진행하여, 설계 공간 잠재 파라미터를 취득하는 검증 유닛(654)이 포함된다.
바람직하게는, 상기 능력 평가 모듈(620)에는,
데이터베이스 모듈(610)으로부터 품질 데이터를 채집하여 품질 샘플을 취득하는 바, 상기 품질 데이터는 제조 과정 중의 중간체 성능 파라미터인 데이터 취득 유닛(621);
상기 품질 샘플에 의하여, 과정 평균치와 과정 표준차를 취득하는 과정 처리 유닛(622);
상기 품질 샘플에 대하여 데이터 스크리닝을 진행하여, 품질 제어 표준 샘플을 취득하는 스크리닝 유닛(623);
상기 품질 제어 표준 샘플에 의하여, 품질 제어 표준 상한 및/또는 하한을 취득하는 표준 구간 유닛(624);
상기 품질 제어 표준 상한과 하한에 의하여, 표준 중간치와 과정 분산치를 취득하는 바, 그 중에서, 표준 중간치=(상한+하한)/2이고, 과정 분산치=(상한-하한)/2이며,
또한 표준 중간치, 과정 분산치, 과정 평균치 및 과정 표준차에 의하여, 하기 계산 공식을 통하여 상기 품질 평가치를 취득하는 바, 즉
품질 평가치=(과정 분산치-|과정 평균치-표준 중간치|)/(3*과정 표준차)이고, 그 중에서, 과정 평균치는 품질 샘플 중의 품질 데이터의 평균치이고, 과정 평균차는 상기 품질 데이터의 표준차인 평가치 유닛(625);
상기 품질 평가 결과에 의하여, 과정 능력 평가 결과를 취득하는 맵핑 유닛(626)이 포함된다.
본 발명의 일 실시예에서, 상기 모니터링 피드백 모듈(630)은 다차원 파라미터에 대하여 식별을 진행하는 바, 상기 모니터링 피드백 모듈(630)에는,
다수의 훈련 샘플을 채집하여 훈련 샘플 집합을 구성하는 바, 각 훈련 샘플에는 여러 가지 과정 파라미터가 포함되고, 각 종류의 과정 파라미터는 상응한 속성 파라미터와 카테고리를 가지며, 그 중에서, 상기 속성 파라미터와 카테고리의 조합은 여러 가지가 있는 훈련 샘플 채집 유닛(631a);
상기 훈련 샘플 집합 중의 카테고리에 의하여, 상기 훈련 샘플 집합의 분포 전달 정보값을 취득하는 분포 전달 유닛(632a);
상기 분포 전달 정보값에 의하여, 각 종류 과정 파라미터의 정보 이득을 취득하는 이득 유닛(633a);
정보 이득이 가장 큰 과정 파라미터를 선택하여 분열 노드로 하여, 판단 트리를 구성하는 판단 트리 유닛(634a);
판단 트리에 의하여, 새 데이터에 대하여 카테고리 식별을 진행하는 데이터 식별 유닛(635a)이 포함된다.
본 발명의 다른 일 실시예에서, 상기 모니터링 피드백 모듈(630)은 과정 파라미터를 바탕으로 결과 피드백을 진행하는 바, 상기 모니터링 피드백 모듈(630)에는,
결과 피드백 요청을 수신하는 바, 상기 피드백 요청에는 중간체 결과 유형이 포함되는 결과 피드백 요청 유닛(631b);
상기 피드백 요청과 대응되는 과정 파라미터를 취득하는 바, 상기 과정 파라미터는 다차원 파라미터이고, 과정 파라미터 집합을 구성하는 파라미터 유닛(632b);
상기 과정 파라미터 집합을 결과 피드백 신경망 모델로 입력하는 바, 상기 결과 피드백 신경망 모델은 과정 파라미터 샘플이 훈련하여 취득한 것인 결과 피드백 신경망 모델 입력 유닛(633b);
상기 결과 피드백 신경망 모델의 출력 결과를 취득하는 결과 피드백 신경망 모델 출력 유닛(634b)이 포함된다.
그 중에서, 상기 모니터링 피드백 모듈(630)에는 또한 결과 피드백 신경망 모델 훈련 유닛(635b)이 포함되고, 여기에는,
훈련하고자 하는 과정 파라미터 샘플 데이터를 취득하는 바, 상기 과정 파라미터 샘플에는 다수의 과정 파라미터 집합 및 대응되는 기지의 목표치가 포함되는 훈련 샘플 취득 유닛(6351);
초기 네트워크 모델을 구성하는 바, 상기 초기 네트워크 모델에는 입력층, 은폐층, 출력층, 초기 가중치와 초기 오프셋이 포함되는 초기 모델 유닛(6352);
역전파 방법을 이용하여, 가중치 수렴을 구현할 때까지 상기 초기 가중치와 초기 오프셋에 대하여 업데이트를 진행하여, 결과 피드백 신경망 모델을 취득하는 가중치 업데이트 유닛(6353)이 포함된다.
설명하여야 할 바로는, 상기 실시예에서 제공하는 중약 생산 과정 지식 시스템이 생산 과정 제어를 진행할 때, 단지 상기 각 기능 모듈의 구분으로 예시적 설명을 진행하였지만, 실제 응용에서, 수요에 의하여 상기 기능을 다른 기능 모듈이 완성하도록 할 수 있는 바, 즉 중약 생산 과정 지식 시스템의 내부 구조를 다른 기능 모듈로 구분하여 상기 설명한 전부 또는 일부 기능을 완성하게 할 수 있다. 그리고, 본 실시예에서 제공하는 중약 생산 과정 지식 시스템 실시예와 상기 실시예에서 제공하는 중약 생산 과정 제어 방법은 동일한 구상에 속하며, 이의 구체적인 구현 과정은 방법 실시예를 참조할 수 있으며, 여기에서는 상세한 설명을 생략하도록 한다.
이상에서는 본 발명을 특정의 실시예에 대해서 도시하고 설명하였지만, 본 발명은 상술한 실시예에만 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 속하는 기술분야에서 통상의 지식을 가진 자라면 이하의 청구범위에 기재된 본 발명의 기술적 사상의 요지를 벗어나지 않는 범위에서 얼마든지 다양하게 변경하여 실시할 수 있을 것이다.
Claims (15)
- 중약 생산 과정 지식 시스템에 의해 구현되는 중약 생산 과정 제어 방법에 있어서,
생산 중의 과정 파라미터 데이터를 채집하고, 상기 과정 파라미터 데이터에는 품질 데이터와 공정 데이터가 포함되며;
상기 품질 데이터에 의하여 시스템 과정 능력에 대하여 평가를 진행하여, 과정 능력 평가 결과를 취득하며;
만일 상기 과정 능력 평가 결과가 충분하다면, 전 과정 모니터링 모드로 진입하며;
만일 상기 과정 능력 평가 결과가 부족하다면, 상기 공정 데이터에 의하여 설계 공간 검색 모드로 진입하는 것을 포함하며,
상기 설계 공간 검색 모드로 진입하는 것은,
상기 공정 데이터를 취득하고;
작업 부문 생산 상황에 의하여, 관건 품질 속성의 유형을 선택하며;
상기 관건 품질 속성과 관련되는 공정 데이터를 선별하여 관건 과정 파라미터로 하며;
상기 관건 과정 파라미터와 관건 품질 속성 간의 관계 모델을 구성하며;
상기 관계 모델에 의하여 설계 공간을 취득하는 바, 상기 설계 공간은 상기 관건 품질 속성에 대응되는 특정 구간 범위이며,
상기 전 과정 모니터링 모드로 진입하는 것에는 다차원 파라미터에 대하여 식별을 진행하는 것이 포함되며, 여기에는,
다수의 훈련 샘플을 채집하여 훈련 샘플 집합을 구성하는 바, 각 훈련 샘플에는 여러 가지 과정 파라미터가 포함되고, 각 종류의 과정 파라미터는 상응한 속성 파라미터와 카테고리를 가지며, 그 중에서, 상기 속성 파라미터와 카테고리의 조합은 여러 가지가 있으며;
상기 훈련 샘플 집합 중의 카테고리에 의하여, 상기 훈련 샘플 집합의 분포 전달 정보값을 취득하며;
상기 분포 전달 정보값에 의하여, 각 종류 과정 파라미터의 정보 이득을 취득하며;
정보 이득이 가장 큰 과정 파라미터를 선택하여 분열 노드로 하여, 판단 트리를 구성하며;
판단 트리에 의하여, 새 데이터에 대하여 카테고리 식별을 진행하는 것이 포함되는 것을 특징으로 하는 중약 생산 과정 제어 방법. - 제1항에 있어서,
상기 설계 공간 검색 모드로 진입한 후 또한,
취득한 설계 공간에 의하여 파라미터에 대하여 해제를 진행하며;
시스템 과정 능력에 대하여 재평가를 진행하여, 과정 능력 재평가 결과를 취득하며;
만일 상기 과정 능력 재평가 결과가 충분하다면, 전 과정 모니터링 모드로 진입하며;
만일 상기 과정 능력 재평가 결과가 부족하다면, 설계 공간 잠재 파라미터를 발굴하는 것이 포함되는 것을 특징으로 하는 중약 생산 과정 제어 방법. - 제2항에 있어서,
상기 설계 공간 잠재 파라미터를 발굴하는 것에는,
설계 공간 잠재 파라미터 발굴 요청을 수신하는 바, 상기 발굴 요청에는 설계 공간에 대응되는 작업 부문 조건 정보가 포함되며;
상기 작업 부문 조건 정보에 의하여, 작업 부문과 대응되는 관건 품질 속성을 취득하고 또한 잠재 파라미터 집합을 결정하며;
결정된 잠재 파라미터에 대하여 테스트를 진행하여, 검증이 필요한 잠재 파라미터를 취득하며;
검증이 필요한 잠재 파라미터에 대하여 검증을 진행하여, 설계 공간 잠재 파라미터를 취득하는 것이 포함되는 것을 특징으로 하는 중약 생산 과정 제어 방법. - 제1항에 있어서,
상기 시스템 과정 능력에 대하여 재평가를 진행하여, 과정 능력 평가 결과를 취득하는 것에는,
품질 데이터를 채집하여 품질 샘플을 취득하는 바, 상기 품질 데이터는 제조 과정 중의 중간체 성능 파라미터이며;
상기 품질 샘플에 의하여, 과정 평균치와 과정 표준차를 취득하며;
상기 품질 샘플에 대하여 데이터 스크리닝을 진행하여, 품질 제어 표준 샘플을 취득하며;
상기 품질 제어 표준 샘플에 의하여, 품질 제어 표준 상한 및 하한 중 적어도 하나를 취득하며;
상기 품질 제어 표준 상한과 하한에 의하여, 표준 중간치와 과정 분산치를 취득하는 바, 그 중에서, 표준 중간치=(상한+하한)/2이고, 과정 분산치=(상한-하한)/2이며;
표준 중간치, 과정 분산치, 과정 평균치 및 과정 표준차에 의하여, 하기 계산 공식을 통하여 품질 평가치를 취득하는 바, 즉
품질 평가치=(과정 분산치-|과정 평균치-표준 중간치|)/(3*과정 표준차)이고, 그 중에서, 과정 평균치는 품질 샘플 중의 품질 데이터의 평균치이고, 과정 표준차는 상기 품질 데이터의 표준차이며;
상기 품질 평가 결과에 의하여, 과정 능력 평가 결과를 취득하는 것이 포함되는 것을 특징으로 하는 중약 생산 과정 제어 방법. - 제1항에 있어서,
상기 전 과정 모니터링 모드로 진입하는 것에는 과정 파라미터를 바탕으로 결과 피드백을 진행하는 것이 포함되며, 여기에는,
결과 피드백 요청을 수신하는 바, 상기 피드백 요청에는 중간체 결과 유형이 포함되며;
상기 피드백 요청과 대응되는 과정 파라미터를 취득하는 바, 상기 과정 파라미터는 다차원 파라미터이고, 과정 파라미터 집합을 구성하며;
상기 과정 파라미터 집합을 결과 피드백 신경망 모델로 입력하는 바, 상기 결과 피드백 신경망 모델은 과정 파라미터 샘플이 훈련하여 취득한 것이며;
상기 결과 피드백 신경망 모델의 출력 결과를 취득하는 것이 포함되는 것을 특징으로 하는 중약 생산 과정 제어 방법. - 제5항에 있어서,
상기 결과 피드백 신경망 모델을 과정 파라미터 샘플이 훈련하는 것에는,
훈련하고자 하는 과정 파라미터 샘플 데이터를 취득하는 바, 상기 과정 파라미터 샘플에는 다수의 과정 파라미터 집합 및 대응되는 기지의 목표치가 포함되며;
초기 네트워크 모델을 구성하는 바, 상기 초기 네트워크 모델에는 입력층, 은폐층, 출력층, 초기 가중치와 초기 오프셋이 포함되며;
역전파 방법을 이용하여, 가중치 수렴을 구현할 때까지 상기 초기 가중치와 초기 오프셋에 대하여 업데이트를 진행하여, 결과 피드백 신경망 모델을 취득하는 것이 포함되는 것을 특징으로 하는 중약 생산 과정 제어 방법. - 중약 생산 과정 지식 시스템에 있어서,
생산 데이터 채집 유닛과 저장 유닛이 포함되고, 상기 생산 데이터 채집 유닛은 생산 중의 과정 파라미터 데이터를 채집하고, 상기 과정 파라미터 데이터에는 품질 데이터와 공정 데이터가 포함되며, 상기 저장 유닛은 채집된 상기 과정 파라미터 데이터를 저장하는 데이터베이스 모듈;
상기 품질 데이터에 의하여 시스템 과정 능력에 대하여 평가를 진행하여, 과정 능력 평가 결과를 취득하는 능력 평가 모듈;
상기 과정 능력 평가 결과가 충분한 것에 응답하여, 전 과정 모니터링 모드로 진입하는 모니터링 피드백 모듈;
상기 과정 능력 평가 결과가 부족한 것에 응답하여, 상기 공정 데이터에 의하여 설계 공간 검색 모드로 진입하는 설계 공간 검색 모듈;을 포함하며,
상기 설계 공간 검색 모듈은,
상기 공정 데이터를 취득하는 공정 데이터 유닛;
작업 부문 생산 상황에 의하여, 관건 품질 속성의 유형을 선택하는 CQA 유닛;
상기 관건 품질 속성과 관련되는 공정 데이터를 선별하여 관건 과정 파라미터로 하는 CPP 유닛;
상기 관건 과정 파라미터와 상기 관건 품질 속성 간의 관계 모델을 구성하는 설계 공간 모델 유닛;
상기 관계 모델에 의하여 설계 공간을 취득하는 바, 상기 설계 공간은 상기 관건 품질 속성에 대응되는 특정 구간 범위인 공간 유닛을 포함하며,
상기 모니터링 피드백 모듈은 다차원 파라미터에 대하여 식별을 진행하는 바, 상기 모니터링 피드백 모듈에는,
다수의 훈련 샘플을 채집하여 훈련 샘플 집합을 구성하는 바, 각 훈련 샘플에는 여러 가지 과정 파라미터가 포함되고, 각 종류의 과정 파라미터는 상응한 속성 파라미터와 카테고리를 가지며, 그 중에서, 상기 속성 파라미터와 카테고리의 조합은 여러 가지가 있는 훈련 샘플 채집 유닛;
상기 훈련 샘플 집합 중의 카테고리에 의하여, 상기 훈련 샘플 집합의 분포 전달 정보값을 취득하는 분포 전달 유닛;
상기 분포 전달 정보값에 의하여, 각 종류 과정 파라미터의 정보 이득을 취득하는 이득 유닛;
정보 이득이 가장 큰 과정 파라미터를 선택하여 분열 노드로 하여, 판단 트리를 구성하는 판단 트리 유닛;
판단 트리에 의하여, 새 데이터에 대하여 카테고리 식별을 진행하는 데이터 식별 유닛이 포함되는 것을 특징으로 하는 중약 생산 과정 지식 시스템. - 제7항에 있어서,
또한 발굴 모듈이 포함되는 바, 여기에는,
설계 공간 잠재 파라미터 발굴 요청을 수신하는 바, 상기 발굴 요청에는 설계 공간에 대응되는 작업 부문 조건 정보가 포함되는 발굴 요청 유닛;
상기 작업 부문 조건 정보에 의하여, 작업 부문과 대응되는 관건 품질 속성을 취득하고 또한 잠재 파라미터 집합을 결정하는 결정 유닛;
결정된 잠재 파라미터에 대하여 테스트를 진행하여, 검증이 필요한 잠재 파라미터를 취득하는 발굴 실행 유닛;
검증이 필요한 잠재 파라미터에 대하여 검증을 진행하여, 설계 공간 잠재 파라미터를 취득하는 검증 유닛이 포함되는 것을 특징으로 하는 중약 생산 과정 지식 시스템. - 제7항에 있어서,
상기 능력 평가 모듈에는,
품질 데이터를 채집하여 품질 샘플을 취득하는 바, 상기 품질 데이터는 제조 과정 중의 중간체 성능 파라미터인 데이터 취득 유닛;
상기 품질 샘플에 의하여, 과정 평균치와 과정 표준차를 취득하는 과정 처리 유닛;
상기 품질 샘플에 대하여 데이터 스크리닝을 진행하여, 품질 제어 표준 샘플을 취득하는 스크리닝 유닛;
상기 품질 제어 표준 샘플에 의하여, 품질 제어 표준 상한 및 하한 중 적어도 하나를 취득하는 표준 구간 유닛;
상기 품질 제어 표준 상한과 하한에 의하여, 표준 중간치와 과정 분산치를 취득하는 바, 그 중에서, 표준 중간치=(상한+하한)/2이고, 과정 분산치=(상한-하한)/2이며,
또한 표준 중간치, 과정 분산치, 과정 평균치 및 과정 표준차에 의하여, 하기 계산 공식을 통하여 품질 평가치를 취득하는 바, 즉
품질 평가치=(과정 분산치-|과정 평균치-표준 중간치|)/(3*과정 표준차)이고, 그 중에서, 과정 평균치는 품질 샘플 중의 품질 데이터의 평균치이고, 과정 표준차는 상기 품질 데이터의 표준차인 평가치 유닛;
상기 품질 평가 결과에 의하여, 과정 능력 평가 결과를 취득하는 맵핑 유닛이 포함되는 것을 특징으로 하는 중약 생산 과정 지식 시스템. - 제7항에 있어서,
상기 모니터링 피드백 모듈은 과정 파라미터를 바탕으로 결과 피드백을 진행하는 바, 상기 모니터링 피드백 모듈에는,
결과 피드백 요청을 수신하는 바, 상기 피드백 요청에는 중간체 결과 유형이 포함되는 결과 피드백 요청 유닛;
상기 피드백 요청과 대응되는 과정 파라미터를 취득하는 바, 상기 과정 파라미터는 다차원 파라미터이고, 과정 파라미터 집합을 구성하는 파라미터 유닛;
상기 과정 파라미터 집합을 결과 피드백 신경망 모델로 입력하는 바, 상기 결과 피드백 신경망 모델은 과정 파라미터 샘플이 훈련하여 취득한 것인 결과 피드백 신경망 모델 입력 유닛;
상기 결과 피드백 신경망 모델의 출력 결과를 취득하는 결과 피드백 신경망 모델 출력 유닛이 포함되는 것을 특징으로 하는 중약 생산 과정 지식 시스템. - 제10항에 있어서,
상기 모니터링 피드백 모듈에는 또한 결과 피드백 신경망 모델 훈련 유닛이 포함되고, 여기에는,
훈련하고자 하는 과정 파라미터 샘플 데이터를 취득하는 바, 상기 과정 파라미터 샘플에는 다수의 과정 파라미터 집합 및 대응되는 기지의 목표치가 포함되는 훈련 샘플 취득 유닛;
초기 네트워크 모델을 구성하는 바, 상기 초기 네트워크 모델에는 입력층, 은폐층, 출력층, 초기 가중치와 초기 오프셋이 포함되는 초기 모델 유닛;
역전파 방법을 이용하여, 가중치 수렴을 구현할 때까지 상기 초기 가중치와 초기 오프셋에 대하여 업데이트를 진행하여, 결과 피드백 신경망 모델을 취득하는 가중치 업데이트 유닛이 포함되는 것을 특징으로 하는 중약 생산 과정 지식 시스템. - 삭제
- 삭제
- 삭제
- 삭제
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710770922.4A CN107578104B (zh) | 2017-08-31 | 2017-08-31 | 一种中药生产过程知识系统 |
CN201710770922.4 | 2017-08-31 | ||
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 |
---|---|
KR20200074087A KR20200074087A (ko) | 2020-06-24 |
KR102361343B1 true KR102361343B1 (ko) | 2022-02-14 |
Family
ID=61029919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020207007189A KR102361343B1 (ko) | 2017-08-31 | 2018-08-08 | 중약 생산 과정 지식 시스템 및 중약 생산 과정 제어 방법 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20200350058A1 (ko) |
EP (1) | EP3678065A4 (ko) |
JP (1) | JP6979527B2 (ko) |
KR (1) | KR102361343B1 (ko) |
CN (1) | CN107578104B (ko) |
WO (1) | WO2019042099A1 (ko) |
Families Citing this family (21)
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 |
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 |
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 |
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 |
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 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3342948B2 (ja) * | 1994-05-02 | 2002-11-11 | 株式会社東芝 | 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 |
US6728695B1 (en) * | 2000-05-26 | 2004-04-27 | Burning Glass Technologies, Llc | Method and apparatus for making predictions about entities represented in documents |
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 |
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 |
US8190543B2 (en) * | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
WO2011075444A1 (en) * | 2009-12-14 | 2011-06-23 | 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 |
JP6345036B2 (ja) * | 2014-08-25 | 2018-06-20 | 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 |
US10135856B2 (en) * | 2014-12-18 | 2018-11-20 | International Business Machines Corporation | Auto-tuning program analysis tools using machine learning |
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 |
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 |
TWI587110B (zh) * | 2015-07-03 | 2017-06-11 | 元智大學 | 光學薄膜製程即時監測系統及其方法 |
US11580375B2 (en) * | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
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 |
US20180284755A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for data storage in an industrial internet of things data collection environment with large data sets |
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 |
CN106154209B (zh) * | 2016-07-29 | 2018-11-30 | 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 |
US10310852B2 (en) * | 2016-09-29 | 2019-06-04 | Entit Software Llc | Timing estimations for application lifecycle management work items determined through machine learning |
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 |
-
2017
- 2017-08-31 CN CN201710770922.4A patent/CN107578104B/zh active Active
-
2018
- 2018-08-08 JP JP2020533333A patent/JP6979527B2/ja active Active
- 2018-08-08 KR KR1020207007189A patent/KR102361343B1/ko active IP Right Grant
- 2018-08-08 US US16/643,084 patent/US20200350058A1/en active Pending
- 2018-08-08 WO PCT/CN2018/099310 patent/WO2019042099A1/zh unknown
- 2018-08-08 EP EP18851869.0A patent/EP3678065A4/en active Pending
Non-Patent Citations (2)
Title |
---|
Glassey, Jarka 외 6인, Process analytical technology (PAT) for biopharmaceuticals(2011) 1부.* |
Kayode S. Adekeye, Process Capability Indices Based on Median Absolute Deviation(2013.4.) 1부.* |
Also Published As
Publication number | Publication date |
---|---|
EP3678065A1 (en) | 2020-07-08 |
KR20200074087A (ko) | 2020-06-24 |
JP2020533403A (ja) | 2020-11-19 |
CN107578104A (zh) | 2018-01-12 |
EP3678065A4 (en) | 2021-06-09 |
CN107578104B (zh) | 2018-11-06 |
WO2019042099A1 (zh) | 2019-03-07 |
US20200350058A1 (en) | 2020-11-05 |
JP6979527B2 (ja) | 2021-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102361343B1 (ko) | 중약 생산 과정 지식 시스템 및 중약 생산 과정 제어 방법 | |
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 | |
CN110196814B (zh) | 一种软件质量评价方法 | |
CN106022477A (zh) | 智能分析决策系统及方法 | |
CN109523316A (zh) | 商业服务模型的自动化建模方法 | |
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 | |
CN111950585A (zh) | 一种基于XGBoost的地下综合管廊安全状况评估方法 | |
CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
CN102750367A (zh) | 在云端平台的大数据检核系统及其方法 | |
Radlinski et al. | On predicting software development effort using machine learning techniques and local data | |
CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
CN117235524A (zh) | 自动估值模型的学习训练平台 | |
CN114219096A (zh) | 一种机器学习算法模型的训练方法、装置及存储介质 | |
CN112527572A (zh) | 磁盘故障预测方法、装置、计算机可读存储介质及服务器 | |
CN117828539A (zh) | 数据智能融合分析系统及方法 | |
CN116091206B (zh) | 信用评价方法、装置、电子设备及存储介质 | |
CN116843101A (zh) | 效能评估方法、装置、电子设备和存储介质 | |
CN115860141A (zh) | 一种自动化机器学习交互式黑箱可视建模方法及系统 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
Kanellopoulos et al. | Interpretation of source code clusters in terms of the ISO/IEC-9126 maintainability characteristics | |
CN113936804A (zh) | 一种肺癌切除术后持续漏气风险预测模型构建系统 | |
JP2021170244A (ja) | 学習モデル構築システムおよびその方法 | |
CN116701912B (zh) | 基于一维卷积神经网络的轴承故障诊断方法及系统 | |
CN117076454B (zh) | 一种工程质量验收表单数据结构化存储方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |