KR102576834B1 - 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출 - Google Patents

근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출 Download PDF

Info

Publication number
KR102576834B1
KR102576834B1 KR1020210124183A KR20210124183A KR102576834B1 KR 102576834 B1 KR102576834 B1 KR 102576834B1 KR 1020210124183 A KR1020210124183 A KR 1020210124183A KR 20210124183 A KR20210124183 A KR 20210124183A KR 102576834 B1 KR102576834 B1 KR 102576834B1
Authority
KR
South Korea
Prior art keywords
manufacturing process
time
steady state
spectral data
classification model
Prior art date
Application number
KR1020210124183A
Other languages
English (en)
Other versions
KR20210118029A (ko
Inventor
챵멩 슝
펑 조우
란 쑨
Original Assignee
비아비 솔루션즈 아이엔씨.
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 비아비 솔루션즈 아이엔씨. filed Critical 비아비 솔루션즈 아이엔씨.
Publication of KR20210118029A publication Critical patent/KR20210118029A/ko
Application granted granted Critical
Publication of KR102576834B1 publication Critical patent/KR102576834B1/ko

Links

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

Abstract

디바이스는 비정상 상태로부터 정상 상태로 전이하는 제조 프로세스와 관련되는 트레이닝 스펙트럼 데이터를 수신할 수도 있다. 디바이스는, 트레이닝 스펙트럼 데이터에 기초하여, 서포트 벡터 머신(SVM) 분류 모델의 복수의 반복을 생성할 수도 있다. 디바이스는, SVM 분류 모델의 복수의 반복에 기초하여, 제조 프로세스와 관련되는 복수의 예측된 전이 시간을 결정할 수도 있다. 복수의 예측된 전이 시간 중의 예측된 전이 시간은, 제조 프로세스 동안, 제조 프로세스가 비정상 상태로부터 정상 상태로 전이되었다는 것을 SVM 분류 모델의 대응하는 반복이 예측하는 시간을 식별할 수도 있다. 디바이스는, 복수의 예측된 전이 시간에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정하는 것과 관련되는 최종 SVM 분류 모델을 생성할 수도 있다.

Description

근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출{ENDPOINT DETECTION IN MANUFACTURING PROCESS BY NEAR INFRARED SPECTROSCOPY AND MACHINE LEARNING TECHNIQUES}
제조 프로세스(예를 들면, 연속적인 제조 프로세스, 회분식(batch) 제조 프로세스)를 구현하는 일부로서, 프로세스 분석 기술(Process Analytical Technology: PAT) 시스템이 활용되어, 제조 프로세스의 모니터링 및 제어를 허용하는 실시간 또는 거의 실시간 데이터(예를 들면, 스펙트럼 데이터)를 생성할 수도 있다. 연속적인 제조 프로세스는, 원료가 시스템 안으로 투입되는 것 및 완성된 제품(예를 들면, 의약품)이 시스템으로부터 연속적인 양식으로 배출되는 것을 허용한다. 다시 말하면, 연속적인 제조 프로세스에서, 제조 프로세스의 개개의 단계는 (예를 들면, 회분식 제조 프로세스와 같이 일련의 별개의 단계가 아닌) 단일의 통합된 제조 프로세스로 변환된다.
몇몇 가능한 구현예에 따르면, 방법은, 디바이스에 의해, 서포트 벡터 머신(support vector machine: SVM) 분류 모델을 식별하는 단계; 상기 디바이스에 의해 그리고 하나 이상의 분광계로부터, 제조 프로세스의 수행 동안 측정된 다변량 스펙트럼 데이터(multivariate spectral data)를 수신하는 단계; 상기 디바이스에 의해, 상기 다변량 스펙트럼 데이터에 기초하여, 그리고 상기 SVM 분류 모델을 이용해서, 상기 제조 프로세스가 특정 시간에 정상 상태(steady state)에 있는지의 여부를 결정하는 단계; 및 상기 디바이스에 의해 그리고 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정한 후에, 상기 제조 프로세스가 상기 정상 상태에 도달하였다는 표시를 제공하는 단계를 포함한다.
몇몇 가능한 구현예에 따르면, 디바이스는, 하나 이상의 메모리; 및 상기 하나 이상의 메모리에 결합된 하나 이상의 프로세서를 포함하되, 상기 하나 이상의 프로세서는, 분류 모델을 식별하고; 하나 이상의 분광계로부터, 제조 프로세스의 수행 동안 측정된 스펙트럼 데이터를 수신하고; 상기 스펙트럼 데이터에 기초하여 그리고 상기 분류 모델을 이용해서, 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정하고; 그리고 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정한 후에, 상기 제조 프로세스가 상기 정상 상태에 도달하였다는 표시를 제공하도록 구성된다.
몇몇 가능한 구현예에 따르면, 명령어의 세트를 저장하는 비일시적 컴퓨터 판독가능 매체에 있어서, 상기 명령어의 세트는, 디바이스의 하나 이상의 프로세서에 의해 실행될 때, 상기 디바이스로 하여금, 하나 이상의 분광계로부터, 제조 프로세스의 수행 동안 측정된 다변량 스펙트럼 데이터를 수신하게 하고; 상기 다변량 스펙트럼 데이터에 기초하여, 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정하게 하고; 그리고 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정한 후에, 상기 제조 프로세스가 상기 정상 상태에 도달하였다는 표시를 제공하게 하는, 하나 이상의 명령어를 포함한다.
도 1a 내지 도 1c는 본 명세서에서 설명되는 예시적인 구현예의 개략도;
도 2는 본 명세서에서 설명되는 시스템 및/또는 방법이 구현될 수도 있는 예시적인 환경의 도면;
도 3은 도 2의 하나 이상의 디바이스의 예시적인 컴포넌트의 도면;
도 4는 제조 프로세스가 정상 상태에 도달한 때를 검출하기 위한 SVM 분류 모델을 생성하기 위한 예시적인 프로세스의 플로우차트;
도 5a 및 도 5b는 제조 프로세스와 관련되는 SVM 분류 모델의 반복에 의해 예측되는 전이 시간에 기초하여 제조 프로세스의 전이 시간을 결정하는 것과 관련되는 예시적인 그래픽 표현;
도 6은, 스펙트럼 데이터에 기초하여 그리고 SVM 분류 모델을 사용하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정하기 위한 예시적인 프로세스의 플로우차트;
도 7a 및 도 7b는 SVM 분류 모델과 관련되는 단순화된 결정 경계를 예시하는 예시적인 그래픽 표현; 및
도 8은 도 7a 및 도 7b의 결정 경계에 기초하여 결정되는 예시적인 결정값의 그래픽 표현.
예시적인 구현예의 다음의 상세한 설명은 첨부 도면을 참조한다. 상이한 도면에서의 동일한 참조 번호는 동일한 또는 유사한 엘리먼트를 식별할 수도 있다.
제조 프로세스(예를 들면, 연속적인 제조 프로세스 또는 의약품 제조를 위한 회분식 제조 프로세스)는, 비정상 상태(예를 들면, 재료 및/또는 화합물의 특성이 시간에 따라 변하는 상태)로부터 정상 상태(예를 들면, 재료 및/또는 화합물의 특성이 시간에 따라 실질적으로 일정하게 유지되는 상태)로의 전이와 같은, 상태에서의 하나 이상의 전이를 수반할 수도 있다. 예를 들면, 의약품을 제조하기 위한 제조 프로세스에 포함되는 혼합 프로세스는, 화합물의 스펙트럼 특성이 (예를 들면, 혼합 프로세스의 시작에서의) 비정상 상태로부터 정상 상태(예를 들면, 혼합 프로세스가 완료되었다는 것을 나타냄)로 전이하는 전이를 수반할 수도 있다.
따라서, 효율성을 향상시키고 제조 프로세스를 최적화하기 위해서는, 제조 프로세스가 정상 상태에 도달한 때를 (예를 들면, 실시간으로 또는 거의 실시간으로) 결정하도록 제조 프로세스가 모니터링되어야 한다. 제조 프로세스의 상태를 검출하기 위한 가능한 기술은, 총 스펙트럼 강도와 같은, 제조 프로세스와 관련되는 단일의 변수에 기초하여 제조 프로세스의 상태를 검출하는 단변량 기술(univariate technique)을 사용하는 모델이다. 제조 프로세스의 상태를 검출하기 위한 다른 가능한 기술은, 제조 프로세스의 상태를 검출하기 위한 변수의 세트(즉, 주성분)를 식별하고, 변수의 세트를 모니터링하는 것에 기초하여 제조 프로세스가 정상 상태에 도달한 때를 검출하는 주성분 분석(principal component analysis: PCA) 기술을 사용하는 모델이다. 그러나, 몇몇 경우에, 제조 프로세스 동안 측정되는 데이터가 다변량 데이터(multivariate data)(예를 들면, 수백 개의 변수와 관련되는 데이터를 포함한 NIR 스펙트럼)일 수도 있다. 따라서, 단변량 기술 또는 PCA 기술에 따른 상대적으로 적은 변수에 대한 집중으로 인해, 이들 기술은 부정확한 상태 검출로 이어질 수도 있고 및/또는 정확한 상태 검출을 보장하도록 충분히 강건하지 않을 수도 있다.
본 명세서에서 설명되는 구현예는, 제조 프로세스(예를 들면, 연속적인 제조 프로세스, 회분식 제조 프로세스, 및/또는 등)가 정상 상태에 도달하였는지의 여부를 결정하기 위한 서포트 벡터 머신(SVM) 분류 모델을 생성할 수 있고, SVM 분류 모델을 사용하여 그리고 제조 프로세스와 관련되는 다변량 스펙트럼 데이터에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정할 수 있는 검출 디바이스를 제공한다. 몇몇 구현예에서, SVM 분류 모델은 다수의 변수(예를 들면, 80개의 변수, 120개의 변수, 150개의 변수, 및/또는 등)를 고려할 수도 있고, 그에 의해, (예를 들면, 상기에서 설명되는 기술과 비교하여) SVM 분류 모델의 정확도 및/또는 강건성을 증가시키게 된다.
도 1a 내지 도 1c는 본 명세서에서 설명되는 예시적인 구현예(100)의 개략도이다. 도 1a에서, 그리고 참조 번호 102에 의해 도시되는 바와 같이, 검출 디바이스는 제조 프로세스와 관련되는 트레이닝 스펙트럼 데이터를 수신할 수도 있다. 트레이닝 스펙트럼 데이터(종종 제1 스펙트럼 데이터로 칭해짐)는, 제조 프로세스와 관련되는 스펙트럼 데이터를 포함할 수도 있는데, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 검출하는 것과 관련되는 서포트 벡터 머신(SVM) 분류 모델의 반복은, 상기 스펙트럼 데이터에 기초하여, 생성될 수도 있다. 예를 들면, 트레이닝 스펙트럼 데이터는 제조 프로세스의 수행 동안 분광계에 의해 측정되는 스펙트럼(예를 들면, NIR 스펙트럼과 같은 다변량 시계열 데이터)을 포함할 수도 있다. 트레이닝 스펙트럼 데이터가 수집되는 제조 프로세스의 수행은 제조 프로세스의 제1 수행으로 칭해질 수도 있다.
도시되는 바와 같이, 트레이닝 스펙트럼 데이터는, 제조 프로세스의 시작 시간(시간 t0)에 측정되는 스펙트럼 데이터, 제조 프로세스가 비정상 상태에 있는 것으로 알려지는 시간(시간 tus0)에 측정되는 스펙트럼 데이터, 스펙트럼 제조 프로세스가 정상 상태에 있는 것으로 알려지는 시간(시간 tss0)에 측정되는 스펙트럼 데이터, 제조 프로세스의 종료 시간(시간 te)에 측정되는 스펙트럼 데이터, 및 제조 프로세스의 상태를 알지 못하는 시간 t0과 시간 te 사이에 측정되는 스펙트럼 데이터를 포함할 수도 있다.
참조 번호 104 내지 116에 의해 도시되는 바와 같이, 검출 디바이스는 트레이닝 스펙트럼 데이터에 기초하여 SVM 분류 모델의 반복을 생성할 수도 있다. 예를 들면, 참조 번호 104에 의해 나타내어지는 바와 같이, SVM 분류 모델의 초기 반복(반복 0)을 생성하기 위해, 검출 디바이스는, 트레이닝 스펙트럼 데이터에 기초하여, 비정상 상태 데이터의 초기 세트(예를 들면, 시간 t0에서부터 시간 tus0까지 측정되는 스펙트럼 데이터를 포함함) 및 정상 상태 데이터의 초기 세트(예를 들면, 시간 tss0에서부터 시간 te까지 측정되는 스펙트럼 데이터를 포함함)를 생성할 수도 있다.
참조 번호 106에 의해 도시되는 바와 같이, 검출 디바이스는, 비정상 상태 데이터의 초기 세트 및 정상 상태 데이터의 초기 세트에 기초하여, SVM 분류 모델의 초기 반복을 생성할 수도 있다. 도시되는 바와 같이, SVM 분류 모델의 초기 반복에 대한 입력으로서 트레이닝 스펙트럼 데이터를 제공하는 것에 기초하여, 검출 디바이스는 SVM 분류 모델의 초기 반복과 관련되는 초기의 예측된 전이 시간(ttrans0)(예를 들면, 제조 프로세스가 비정상 상태로부터 정상 상태로 전이되었다는 것을 SVM 분류 모델의 초기 반복이 예측하는 시간)을 결정할 수도 있다.
참조 번호 108에 의해 도시되는 바와 같이, SVM 분류 모델의 첫 번째 반복(반복 1)을 생성하기 위해, 검출 디바이스는, 트레이닝 스펙트럼 데이터에 기초하여, 비정상 상태 데이터의 제1 세트(예를 들면, 시간 t0에서부터 시간 ttrans0까지 측정되는 스펙트럼 데이터를 포함함) 및 정상 상태 데이터의 제1 세트(예를 들면, 시간 tss0-dt*1로부터 시간 te까지 측정되는 스펙트럼 데이터를 포함함)를 생성할 수도 있다. 특히, 비정상 상태 데이터의 제1 세트는 SVM 분류 모델의 초기 반복에 의해 예측되는 전이 시간까지 측정되는 스펙트럼 데이터를 포함하고, 반면 정상 상태 데이터의 제1 세트는 정상 상태 데이터의 초기 세트에 포함되는 스펙트럼 데이터뿐만 아니라 시간 tss0보다 하나의 시간 단계 이전에 측정되는 스펙트럼 데이터를 포함한다.
참조 번호 110에 의해 도시되는 바와 같이, 검출 디바이스는, 비정상 상태 데이터의 제1 세트 및 정상 상태 데이터의 제1 세트에 기초하여, SVM 분류 모델의 첫 번째 반복을 생성할 수도 있다. 도시되는 바와 같이, SVM 분류 모델의 첫 번째 반복에 대한 입력으로서 트레이닝 스펙트럼 데이터를 제공하는 것에 기초하여, 검출 디바이스는 SVM 분류 모델의 첫 번째 반복과 관련되는 제1 예측된 전이 시간(ttrans1)(예를 들면, 제조 프로세스가 비정상 상태로부터 정상 상태로 전이되었다는 것을 SVM 분류 모델의 첫 번째 반복이 예측한 시간)을 결정할 수도 있다.
몇몇 구현예에서, 검출 디바이스는 SVM 분류 모델의 n(n > 1)개의 반복을 생성할 수도 있고, SVM 분류 모델의 n 번째 반복을 생성하기 위해 사용되는 정상 상태 데이터의 세트와 관련되는 가장 빠른 시간이, 제조 프로세스가 비정상 상태에 있는 것으로 알려지는 시간으로부터 임계량의 시간(예를 들면, 하나의 시간 단계) 떨어질 때까지(예를 들면, 정상 상태의 세트가 tss0-dt*n = tus0+dt로부터 시간 te까지 측정되는 스펙트럼 데이터를 포함할 때까지) 예측된 전이 시간을 이 방식으로 결정할 수도 있다.
예를 들면, 도 1a에서 참조 번호 112에 의해 도시되는 바와 같이, SVM 분류 모델의 n 번째 반복(반복 n)을 생성하기 위해, 검출 디바이스는, 트레이닝 스펙트럼 데이터에 기초하여, 비정상 상태 데이터의 n 번째 세트(예를 들면, 시간 t0에서부터 시간 ttrans(n-1)까지 측정되는 스펙트럼 데이터를 포함함) 및 정상 상태 데이터의 n 번째 세트(예를 들면, 시간 tss0-dt*n = tus0+dt로부터 시간 te까지 측정되는 스펙트럼 데이터를 포함함)를 생성할 수도 있다. 특히, 비정상 상태 데이터의 n 번째 세트는, SVM 분류 모델의 (n-1) 번째(즉, 이전) 반복에 의해 예측되는 전이 시간까지 측정되는 스펙트럼 데이터를 포함하고, 한편 정상 상태 데이터의 n 번째 세트는 정상 상태 데이터의 (n-1) 번째 세트에 포함되는 스펙트럼 데이터뿐만 아니라, 시간 tss0-dt*(n-1)보다 하나의 시간 단계 이전에 측정되는 스펙트럼 데이터를 포함한다.
참조 번호 114에 의해 도시되는 바와 같이, 검출 디바이스는, 비정상 상태 데이터의 n 번째 세트 및 정상 상태 데이터의 n 번째 세트에 기초하여, SVM 분류 모델의 n 번째 반복을 생성할 수도 있다. 도시되는 바와 같이, SVM 분류 모델의 n 번째 반복에 대한 입력으로서 트레이닝 스펙트럼 데이터를 제공하는 것에 기초하여, 검출 디바이스는 SVM 분류 모델의 n 번째 반복과 관련되는 n 번째 예측된 전이 시간(ttrans(n))(예를 들면, 제조 프로세스가 비정상 상태로부터 정상 상태로 전이되었다는 것을 SVM 분류 모델의 n 번째 반복이 예측한 시간)을 결정할 수도 있다.
참조 번호 116에 의해 도시되는 바와 같이, 검출 디바이스는, SVM 분류 모델의 n회의 반복에 의해 예측되는 n개의 전이 시간에 기초하여, 제조 프로세스와 관련되는 지배적인(dominant)(예를 들면, 가장 많이 예측된) 전이 시간(transition time)을 결정할 수도 있다. 참조 번호 118에 의해 도시되는 바와 같이, 검출 디바이스는 제조 프로세스와 관련되는 전이 시간에 기초하여 최종 SVM 분류 모델을 생성할 수도 있다. 예를 들면, 검출 디바이스는, 결정된 지배적인 전이 시간 이전에 측정되는 스펙트럼 데이터를 포함하는 비정상 상태 데이터의 최종 세트 및 결정된 지배적인 전이 시간에 또는 그 이후에 측정되는 트레이닝 스펙트럼 데이터를 포함하는 정상 상태 데이터의 최종 세트를 생성할 수도 있다. 도시되는 바와 같이, 검출 디바이스는, 비정상 상태 데이터의 최종 세트 및 정상 상태 데이터의 최종 세트에 기초하여 최종 SVM 분류 모델을 생성할 수도 있다.
도 1b에서 그리고 참조 번호 120에 의해 도시되는 바와 같이, 검출 디바이스는, 제조 프로세스의 수행이 정상 상태에 도달하였는지의 여부를 검출함에 있어서 사용하기 위한 SVM 분류 모델을 (예를 들면, 설명되는 바와 같이 생성되는 최종 SVM 분류 모델을 저장하는 것에 기초하여) (나중의 시간에) 식별할 수도 있다. 예를 들면, 검출 디바이스는, 제조 프로세스가 시작되고 있다는 또는 시작되었다는 표시를 수신하는 것에 기초하여 SVM 분류 모델을 식별할 수도 있다.
참조 번호 122에 의해 도시되는 바와 같이, 검출 디바이스는, 제조 프로세스의 제2 수행 동안, 제조 프로세스와 관련되는 스펙트럼 데이터(종종 제2 스펙트럼 데이터 또는 추가적인 스펙트럼 데이터로 칭해짐)를 수신할 수도 있다. 예를 들면, 도시되는 바와 같이, 분광계는 제조 프로세스의 수행 동안 주어진 시간(예를 들면, 시간 tA)에 스펙트럼 데이터를 측정할 수도 있고, 스펙트럼 데이터를 검출 디바이스로 제공할 수도 있다. SVM 분류 모델에 대한 입력을 위해 스펙트럼 데이터가 수집되는 제조 프로세스의 수행은 제조 프로세스의 제2 수행으로 칭해질 수도 있다.
추가로 도시되는 바와 같이, 검출 디바이스는, 스펙트럼 데이터 및 SVM 분류 모델에 기초하여, 제조 프로세스가 시간 tA에서 정상 상태에 있는지의 여부를 결정할 수도 있다. 예를 들면, 참조 번호 124에 의해 도시되는 바와 같이, 검출 디바이스는 시간 tA에서 측정되는 스펙트럼 데이터를, SVM 분류 모델에 대한 입력으로서 제공할 수도 있다. 참조 번호 126에 의해 도시되는 바와 같이, 검출 디바이스는, SVM 분류 모델의 출력에 기초하여, 제조 프로세스가 시간 tA에서 정상 상태에 있지 않다는 것을 결정할 수도 있다. 몇몇 구현예에서, 검출 디바이스는, 하기에서 설명되는 바와 같이, SVM 분류 모델과 관련되는 결정 경계에 기초하여 제조 프로세스가 정상 상태에 있는지의 여부를 결정할 수도 있다.
도 1c에서, 그리고 참조 번호 128에 의해 도시되는 바와 같이, 검출 디바이스는, 제조 프로세스의 수행 동안 나중의 시간(시간 tB)에, 제조 프로세스와 관련되는 스펙트럼 데이터를 수신할 수도 있다. 예를 들면, 도시되는 바와 같이, 분광계는 시간 tB에서 스펙트럼 데이터를 측정할 수도 있고, 스펙트럼 데이터를 검출 디바이스로 제공할 수도 있다.
추가로 도시되는 바와 같이, 검출 디바이스는, 스펙트럼 데이터 및 SVM 분류 모델에 기초하여, 제조 프로세스가 시간 tB에서 정상 상태에 있는지의 여부를 결정할 수도 있다. 예를 들면, 참조 번호 130에 의해 도시되는 바와 같이, 검출 디바이스는, 시간 tB에서 측정되는 스펙트럼 데이터를, SVM 분류 모델에 대한 입력으로서 제공할 수도 있다. 참조 번호 132에 의해 도시되는 바와 같이, 검출 디바이스는, SVM 분류 모델의 출력에 기초하여, 제조 프로세스가 시간 tB에서 정상 상태에 있다는 것을 결정할 수도 있다.
참조 번호 134에 의해 도시되는 바와 같이, 몇몇 구현예에서, 검출 디바이스는, 제조 프로세스가 정상 상태에 도달하였다는 것을 결정하는 것에 기초하여, 정상 상태와 관련되는 정량적 메트릭(quantitative metric)을 (옵션적으로) 결정할 수도 있다. 정량적 메트릭은, 정상 상태에서의 화합물의 구성 부분의 농도, 정상 상태에서의 입자 사이즈, 및/또는 등과 같은, 정상 상태와 관련되는 정량적 특성을 나타내는 메트릭을 포함할 수도 있다. 예를 들면, 검출 디바이스는, 입력으로서, 정상 상태가 기초하여 검출되었던 스펙트럼 데이터를 수신하고, 정상 상태와 관련되는 정량적 메트릭을 출력으로서 제공하는 회귀 모델(예를 들면, 부분 최소 자승법(partial least square: PLS) 회귀 모델, 서포트 벡터 회귀(support vector regression: SVR) 모델)을 저장할 수도 있거나 또는 상기 회귀 모델에 액세스할 수도 있다.
참조 번호 136에 의해 도시되는 바와 같이, 제조 프로세스가 정상 상태에 도달하였다는 것을 결정하는 것에 기초하여, 검출 디바이스는, 제조 프로세스가 정상 상태에 도달하였다는 표시를 (예를 들면, 제조 프로세스를 모니터링하는 것과 관련되는 사용자 디바이스로) 제공할 수도 있다. 추가로 도시되는 바와 같이, 검출 디바이스는 또한 정량적 메트릭과 관련되는 정보를 제공할 수도 있다.
이러한 방식에서, 검출 디바이스는, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정하기 위한 SVM 분류 모델을 생성할 수도 있고, SVM 분류 모델을 사용하여 그리고 제조 프로세스와 관련되는 다변량 스펙트럼 데이터에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정할 수도 있다.
상기에서 나타내어지는 바와 같이, 도 1a 내지 도 1c는 예로서 제공되는 것에 불과하다. 다른 예도 가능하며 도 1a 내지 1c와 관련하여 설명되었던 것과는 상이할 수도 있다.
도 2는, 본 명세서에서 설명되는 시스템 및/또는 방법이 구현될 수도 있는 예시적인 환경(200)의 도면이다. 도 2에서 도시되는 바와 같이, 환경(200)은 하나 이상의 분광계(210-1 내지 210-X)(X≥1)(본 명세서에서 일괄적으로 분광계(210)로 지칭되며 개별적으로 분광계(210)로 지칭됨), 검출 디바이스(220), 사용자 디바이스(230), 및 네트워크(240)를 포함할 수도 있다. 환경(200)의 디바이스는, 유선 연결, 무선 연결, 또는 유선 및 무선 연결의 조합을 통해 상호 연결될 수도 있다.
분광계(210)는 샘플(예를 들면, 제조 프로세스와 관련되는 샘플)에 대해 분광 측정을 수행할 수 있는 디바이스를 포함한다. 예를 들면, 분광계(210)는, 분광법(예를 들면, 근적외선(NIR) 분광법, 중간 적외선 분광법(중간 IR 분광법), 라만(Raman) 분광법, 및/또는 등과 같은 진동 분광법)을 수행하는 데스크탑(즉, 비휴대형) 분광계 디바이스를 포함할 수도 있다. 몇몇 구현예에서, 분광계(210)는, 검출 디바이스(220)와 같은 다른 디바이스에 의한 분석을 위해, 분광계(210)에 의해 획득되는 스펙트럼 데이터를 제공할 수 있을 수도 있다.
검출 디바이스(220)는, 제조 프로세스와 관련되는 분류 모델, 및 제조 프로세스와 관련되는 스펙트럼 데이터에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 검출할 수 있는 하나 이상의 디바이스를 포함한다. 예를 들면, 검출 디바이스(220)는, 서버, 서버의 그룹, 컴퓨터, 클라우드 컴퓨팅 디바이스, 및/또는 등을 포함할 수도 있다. 몇몇 구현예에서, 검출 디바이스(220)는, 제조 프로세스와 관련되는 트레이닝 스펙트럼 데이터에 기초하여, 분류 모델을 생성할 수 있을 수도 있다. 몇몇 구현예에서, 검출 디바이스(220)는 분광계(210) 및/또는 사용자 디바이스(230)와 같은, 환경(200) 내의 다른 디바이스로부터 정보를 수신할 수도 있고 및/또는 다른 디바이스로 정보를 송신할 수도 있다.
사용자 디바이스(230)는, 제조 프로세스가 정상 상태에 도달하였는지의 여부와 관련되는 정보를 수신, 프로세싱, 및/또는 제공할 수 있는 하나 이상의 디바이스를 포함한다. 예를 들면, 사용자 디바이스(230)는, 데스크탑 컴퓨터, 이동 전화(예를 들면, 스마트폰, 무선 전화 등), 랩탑 컴퓨터, 태블릿 컴퓨터, 핸드헬드 컴퓨터, 웨어러블 통신 디바이스(예를 들면, 스마트 손목 시계, 스마트 안경 등), 또는 이와 유사한 타입의 디바이스와 같은 통신 및 컴퓨팅 디바이스를 포함할 수도 있다.
네트워크(240)는 하나 이상의 유선 및/또는 무선 네트워크를 포함한다. 예를 들면, 네트워크(240)는, 셀룰러 네트워크(예를 들면, 롱 텀 에볼루션(long-term evolution: LTE) 네트워크, 3G 네트워크, 코드 분할 다중 액세스(code division multiple access: CDMA) 네트워크 등), 공용 지상 모바일 네트워크(public land mobile network: PLMN), 근거리 통신망(local area network: LAN), 광역 통신망wide area network: WAN), 도시권 통신망(metropolitan area network: MAN), 전화망(예를 들면, 공중 교환식 전화망(Public Switched Telephone Network: PSTN)), 사설망, 애드혹(ad hoc) 네트워크, 인트라넷, 인터넷, 광섬유 기반 네트워크, 클라우드 컴퓨팅 네트워크, 및/또는 등, 및/또는 이들 또는 다른 타입의 네트워크의 조합을 포함할 수도 있다.
도 2에서 도시되는 디바이스 및 네트워크의 수 및 배열은 예로서 제공된다. 실제로, 도 2에서 도시되는 것과 비교하여, 추가적인 디바이스 및/또는 네트워크, 더 적은 디바이스 및/또는 네트워크, 상이한 디바이스 및/또는 네트워크, 또는 상이하게 배열된 디바이스 및/또는 네트워크가 있을 수도 있다. 또한, 도 2에서 도시되는 둘 이상의 디바이스는 단일의 디바이스 내에 구현될 수도 있거나, 또는 도 2에서 도시되는 단일의 디바이스는 다수의 분산 디바이스로서 구현될 수도 있다. 추가적으로 또는 대안적으로, 환경(200)의 디바이스 세트(예를 들면, 하나 이상의 디바이스)는, 환경(200)의 다른 디바이스 세트에 의해 수행되고 있는 것으로 설명되는 하나 이상의 기능을 수행할 수도 있다.
도 3은 디바이스(300)의 예시적인 컴포넌트의 도면이다. 디바이스(300)는 분광계(210), 검출 디바이스(220) 및/또는 사용자 디바이스(230)에 대응할 수도 있다. 몇몇 구현예에서, 분광계(210), 검출 디바이스(220), 및/또는 사용자 디바이스(230)는 하나 이상의 디바이스(300) 및/또는 디바이스(300)의 하나 이상의 컴포넌트를 포함할 수도 있다. 도 3에서 도시되는 바와 같이, 디바이스(300)는 버스(310), 프로세서(320), 메모리(330), 저장 컴포넌트(340), 입력 컴포넌트(350), 출력 컴포넌트(360), 및 통신 인터페이스(370)를 포함할 수도 있다.
버스(310)는, 디바이스(300)의 컴포넌트 사이의 통신을 허용하는 컴포넌트를 포함한다. 프로세서(320)는 하드웨어, 펌웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현된다. 프로세서(320)는, 중앙 프로세싱 유닛(central processing unit: CPU), 그래픽 프로세싱 유닛(graphics processing unit: GPU), 가속 프로세싱 유닛(accelerated processing unit: APU), 마이크로 프로세서, 마이크로 컨트롤러, 디지털 신호 프로세서, 필드 프로그래머블 게이트 어레이(field-programmable gate array: FPGA), 주문형 반도체(application-specific integrated circuit: ASIC), 또는 다른 타입의 프로세싱 컴포넌트를 포함한다. 몇몇 구현예에서, 프로세서(320)는 기능을 수행하도록 프로그래밍될 수 있는 하나 이상의 프로세서를 포함한다. 메모리(330)는, 랜덤 액세스 메모리(random access memory: RAM), 판독 전용 메모리(read only memory: ROM), 및/또는 프로세서(320)에 의한 사용을 위한 정보 및/또는 명령어를 저장하는 다른 타입의 동적 또는 정적 저장 디바이스(예를 들면, 플래시 메모리, 자기 메모리, 및/또는 광학 메모리)를 포함한다.
저장 컴포넌트(340)는 디바이스(300)의 동작 및 사용과 관련되는 정보 및/또는 소프트웨어를 저장한다. 예를 들면, 저장 컴포넌트(340)는, 하드 디스크(예를 들면, 자기 디스크, 광학 디스크, 광자기 디스크, 및/또는 솔리드 스테이트 디스크), 콤팩트 디스크(compact disc: CD), 디지털 다기능 디스크(digital versatile disc: DVD), 플로피 디스크, 카트리지, 자기 테이프, 및/또는 대응하는 드라이브와 함께, 다른 타입의 비일시적 컴퓨터 판독 가능 매체를 포함할 수도 있다.
입력 컴포넌트(350)는, 디바이스(300)가, 예컨대 사용자 입력(예를 들면, 터치 스크린 디스플레이, 키보드, 키패드, 마우스, 버튼, 스위치, 및/또는 마이크)을 통해, 정보를 수신하는 것을 허용하는 컴포넌트를 포함한다. 추가적으로 또는 대안적으로, 입력 컴포넌트(350)는 정보를 감지하기 위한 센서(예를 들면, 전지구 위치 결정 시스템(global positioning system: GPS) 컴포넌트, 가속도계, 자이로스코프, 및/또는 액추에이터)를 포함할 수도 있다. 출력 컴포넌트(360)는 디바이스(300)(예를 들면, 디스플레이, 스피커, 및/또는 하나 이상의 발광 다이오드(light-emitting diode: LED))로부터 출력 정보를 제공하는 컴포넌트를 포함한다.
통신 인터페이스(370)는, 디바이스(300)가, 예컨대 유선 연결, 무선 연결, 또는 유선 및 무선 연결의 조합을 통해, 다른 디바이스와 통신하는 것을 가능하게 하는 트랜스시버형 컴포넌트(예를 들면, 트랜스시버 및/또는 별개의 수신기 및 송신기)를 포함한다. 통신 인터페이스(370)는, 디바이스(300)가 다른 디바이스로부터 정보를 수신하는 것 및/또는 정보를 다른 디바이스로 제공하는 것을 허용할 수도 있다. 예를 들면, 통신 인터페이스(370)는, 이더넷 인터페이스, 광학 인터페이스, 동축 인터페이스, 적외선 인터페이스, 무선 주파수(radio frequency: RF) 인터페이스, 범용 직렬 버스(universal serial bus: USB) 인터페이스, Wi-Fi 인터페이스, 셀룰러 네트워크 인터페이스, 및/또는 등을 포함할 수도 있다.
디바이스(300)는 본 명세서에서 설명되는 하나 이상의 프로세스를 수행할 수도 있다. 디바이스(300)는, 메모리(330) 및/또는 저장 컴포넌트(340)와 같은 비일시적 컴퓨터 판독 가능 매체에 의해 저장되는 소프트웨어 명령어를 프로세서(320)가 실행하는 것에 응답하여, 이들 프로세스를 수행할 수도 있다. 컴퓨터 판독 가능 매체는 본 명세서에서 비일시적 메모리 디바이스로서 정의된다. 메모리 디바이스는, 단일의 물리적 저장 디바이스 내의 메모리 공간 또는 다수의 물리적 저장 디바이스에 걸쳐 퍼져 있는 메모리 공간을 포함한다.
소프트웨어 명령어는, 다른 컴퓨터 판독 가능 매체로부터 또는 통신 인터페이스(370)를 통해 다른 디바이스로부터 메모리(330) 및/또는 저장 컴포넌트(340) 안으로 판독될 수도 있다. 실행될 때, 메모리(330) 및/또는 저장 컴포넌트(340)에 저장되어 있는 소프트웨어 명령어는 프로세서(320)로 하여금 본 명세서에서 설명되는 하나 이상의 프로세스를 수행하게 할 수도 있다. 추가적으로 또는 대안적으로, 본 명세서에서 설명되는 하나 이상의 프로세스를 수행하기 위해, 하드웨어에 내장되는 회로부(hardwired circuitry)가 소프트웨어 명령어 대신에 또는 소프트웨어 명령어와 함께 사용될 수도 있다. 따라서, 본 명세서에서 설명되는 구현예는 하드웨어 회로부 및 소프트웨어의 임의의 특정한 조합으로 제한되지 않는다.
도 3에서 도시되는 컴포넌트의 수 및 배열은 예로서 제공된다. 실제로, 디바이스(300)는, 도 3에서 도시되는 컴포넌트와 비교하여, 추가적인 컴포넌트, 더 적은 컴포넌트, 상이한 컴포넌트, 또는 상이하게 배열된 컴포넌트를 포함할 수도 있다. 추가적으로 또는 대안적으로, 디바이스(300)의 컴포넌트 세트(예를 들면, 하나 이상의 컴포넌트)는 디바이스(300)의 다른 컴포넌트 세트에 의해 수행되고 있는 것으로 설명되는 하나 이상의 기능을 수행할 수도 있다.
도 4는, 제조 프로세스가 정상 상태에 도달했을 때를 검출하기 위한 분류 모델을 생성하기 위한 예시적인 프로세스(400)의 플로우차트이다. 몇몇 구현예에서, 도 4의 하나 이상의 프로세스 블록은 검출 디바이스(220)에 의해 수행될 수도 있다. 몇몇 구현예에서, 도 4의 하나 이상의 프로세스 블록은, 분광계(210) 및/또는 사용자 디바이스(230)와 같은 검출 디바이스(220)와는 별개인 또는 상기 검출 디바이스를 포함하는 다른 디바이스 또는 디바이스의 그룹에 의해 수행될 수도 있다.
도 4에서 도시되는 바와 같이, 프로세스(400)는 제조 프로세스와 관련되는 트레이닝 스펙트럼 데이터를 수신하는 것을 포함할 수도 있다(블록 410). 예를 들면, 검출 디바이스(220)는 제조 프로세스와 관련되는 트레이닝 스펙트럼 데이터를 수신할 수도 있다.
트레이닝 스펙트럼 데이터는, 제조 프로세스와 관련되는 스펙트럼 데이터를 포함할 수도 있는데, SVM 분류 모델의 반복은 스펙트럼 데이터에 기초하여 생성될 수도 있다. 예를 들면, 트레이닝 스펙트럼 데이터는, 제조 프로세스의 수행 동안 분광계(210)에 의해 측정되는 스펙트럼(예를 들면, NIR 스펙트럼과 같은 다변량 시계열 데이터)을 포함할 수도 있다. 몇몇 구현예에서, 제조 프로세스는 연속적인 제조 프로세스 또는 회분식 제조 프로세스일 수도 있다. 몇몇 구현예에서, 검출 디바이스(220)는, 하기에서 설명되는 바와 같이, 트레이닝 스펙트럼 데이터에 기초하여 SVM 분류 모델의 반복을 생성할 수도 있다.
몇몇 구현예에서, 트레이닝 스펙트럼 데이터는, 제조 프로세스의 초기 수행 동안 상이한 시간에서(예를 들면, 일련의 시간 단계에서 주기적으로) 측정되는 과거 스펙트럼을 포함할 수도 있다. 예를 들면, 트레이닝 스펙트럼 데이터는, 제조 프로세스의 초기 수행의 시작 시간(본 명세서에서 시간 t0으로 칭해짐)에 측정되는 스펙트럼 및 제조 프로세스의 초기 수행의 종료 시간(본 명세서에서 시간 te로 칭해짐)에 측정되는 스펙트럼을 포함할 수도 있다.
다른 예로서, 트레이닝 스펙트럼 데이터는, 제조 프로세스의 초기 수행이 비정상 상태에 있었던 것으로 알려지는 시간(본 명세서에서는 시간 tus0으로 지칭됨)에 측정되는 스펙트럼을 포함할 수도 있다. 몇몇 구현예에서, (예를 들면, 제조 프로세스가 제조 프로세스의 시작에서 비정상 상태에 있기 때문에) 시간 tus0은 시간 t0과 동일한 시간일 수도 있다. 대안적으로, 시간 tus0은 시간 t0 이후의 어떤 시간, 예컨대 시간 t0보다 하나의 시간 단계 이후의 시간, 시간 t0보다 다섯 시간 단계 이후의 시간, 시간 t0보다 40 시간 단계 이후의 시간, 및/또는 등의 시간일 수도 있다. 몇몇 구현예에서, 시간 tus0은, 제조 프로세스의 초기 수행이 비정상 상태에 있었던 것으로 가정되는, 시간 t0 이후의 어떤 시간일 수도 있다.
추가적인 예로서, 트레이닝 스펙트럼 데이터는, 제조 프로세스의 초기 수행이 정상 상태이 있었던 것으로 알려지는 시간(본 명세서에서 시간 tss0으로 지칭됨)에 측정되는 스펙트럼을 포함할 수도 있다. 몇몇 구현예에서, (예를 들면, 제조 프로세스가 제조 프로세스의 끝에서 정상 상태에 있기 때문에) 시간 tss0은 시간 te와 동일한 시간일 수도 있다. 대안적으로, 시간 tss0은 시간 te 이전의 어떤 시간, 예컨대 시간 te보다 하나의 시간 단계 이전의 시간, 시간 te보다 다섯 시간 단계 이전의 시간, 시간 te보다 40 시간 단계 이전의 시간, 및/또는 등의 시간일 수도 있다. 몇몇 구현예에서, 시간 tss0은, 제조 프로세스의 초기 수행이 정상 상태에 있었던 것으로 가정되는, 시간 te 이전의 어떤 시간일 수도 있다.
또 다른 예로서, 트레이닝 스펙트럼 데이터는, 제조 프로세스의 초기 수행의 상태가 알려 지지 않은 시간 t0과 시간 te 사이의 시간에 측정되는 스펙트럼을 포함할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는, 제조 프로세스의 초기 수행 동안 트레이닝 스펙트럼 데이터를 획득하는 하나 이상의 분광계(210) 또는 제조 프로세스의 초기 수행 동안 하나 이상의 분광계(210)에 의해 측정되는 트레이닝 스펙트럼 데이터를 저장하는 서버 디바이스와 같은 하나 이상의 다른 디바이스로부터 트레이닝 스펙트럼 데이터를 수신할 수도 있다.
몇몇 구현예에서, 트레이닝 스펙트럼 데이터는, 제조 프로세스의 다수의 수행 사이에서 시작 조건(예를 들면, 총 중량, 입자 사이즈, 분포, 수분 레벨 등)이 변하는, 제조 프로세스의 다수의 초기 수행과 관련될 수도 있다. 이러한 경우, 제조 프로세스의 다수의 수행과 관련되는 다수의 세트의 트레이닝 스펙트럼 데이터는, 트레이닝 스펙트럼 데이터를 형성하기 위해, 평균될 수도 있고 및/또는 다르게는 결합될 수도 있다. 몇몇 구현예에서, 변화하는 시작 조건으로 트레이닝 스펙트럼 데이터를 측정하는 것은, (예를 들면, 단일의 세트의 시작 조건을 가지고 제조 프로세스의 수행에 기초하여 생성되는 SVM 분류 모델과 비교하여) 트레이닝 스펙트럼 데이터에 기초하여 생성되는 SVM 분류 모델의 증가된 정확도 및/또는 강건성으로 나타난다.
몇몇 구현예에서, 검출 디바이스(220)는 트레이닝 스펙트럼 데이터에 대한 차원 감소를 수행할 수도 있다. 차원 감소는, SVM 분류 모델이 기초하여 생성될 수도 있는 다변량 트레이닝 스펙트럼 데이터의 변수의 수를 감소시키는 것을 포함할 수도 있다. 몇몇 구현예에서, 차원 감소는 주성분 분석(PCA) 기술을 사용하여 수행될 수도 있는데, SVM 분류 모델을 생성함에 있어서의 사용을 위한 주성분(즉, 다수의 변수의 서브세트)은 주성분 분석(PCA) 기술에 의해 식별된다. 추가적으로 또는 대안적으로, 변수 선택 기술을 사용하여 차원 감소가 수행될 수도 있는데, 다수의 변수 중, 예를 들면, 제조 프로세스와 관련되는 화합물을 구별하는 변수는, 변수 선택 기술에 의해 선택된다. 그러한 변수 선택 기술의 예는, 선택 비(selective ratio: SR) 기술, 투영에서의 변수 중요도(variable importance in projection: VIP) 기술, 및/또는 등 포함한다. 몇몇 구현예에서, 차원 감소를 수행하는 것은, 예를 들면, 다수의 변수 사이에서 간섭을 제거하고 및/또는 노이즈를 감소시키는 것에 의해, (예를 들면, 트레이닝 스펙트럼 데이터의 전체 세트에 대해 생성되는 SVM 분류 모델과 비교하여) SVM 분류 모델의 향상된 해석 가능성 및/또는 SVM 분류 모델의 향상된 생성으로 나타날 수도 있다.
도 4에서 추가로 도시되는 바와 같이, 프로세스(400)는 트레이닝 스펙트럼 데이터에 기초하여, 비정상 상태 데이터의 세트 및 정상 상태 데이터의 세트를 생성하는 것을 포함할 수도 있다(블록 420). 예를 들면, 검출 디바이스(220)는 트레이닝 스펙트럼 데이터에 기초하여, 비정상 상태 데이터의 세트 및 정상 상태 데이터의 세트를 생성할 수도 있다.
비정상 상태 데이터의 세트는, SVM 분류 모델의 반복을 생성하는 목적을 위해 제조 프로세스가 비정상 상태에 있는 것으로 가정되는 시간에 대응하는, 트레이닝 스펙트럼 데이터에 포함되는 스펙트럼 데이터를 포함할 수도 있다. 예를 들면, SVM 분류 모델의 초기 반복을 생성하는 것과 관련되는 비정상 상태 데이터의 초기 세트는, 시간 t0에서부터 시간 tus0까지의 시간에 측정되는 스펙트럼 데이터를 포함할 수도 있다. 이 예에서 계속하면, SVM 모델의 다음 번 반복을 생성하는 것과 관련되는 비정상 상태 데이터 다른 세트는, 시간 t0에서부터 시간 ttrans0까지의 시간에 측정되는 스펙트럼 데이터를 포함할 수도 있는데, 여기서 시간 ttrans0은, SVM 분류 모델의 초기 반복에 의해 예측되는 바와 같은 전이 시간(예를 들면, 비정상 상태에서부터 정상 상태로의 전이의 시간)이다. 일반적으로, SVM 모델의 n 번째 반복을 생성하는 것과 관련되는 비정상 상태 데이터의 n 번째 세트는, 시간 t0에서부터 시간 ttrans(n-1)까지의 시간에 측정되는 스펙트럼 데이터를 포함할 수도 있는데, 여기서 시간 ttrans(n-1)은 SVM 분류 모델의 (n-1) 번째(즉, 이전) 반복에 의해 결정되는 바와 같은 전이 시간이다. SVM 분류 모델의 반복을 생성하는 것에 관한 추가 세부 사항은 하기에 설명된다.
몇몇 구현예에서, 비정상 상태 데이터의 세트는, 예를 들면, 트레이닝 스펙트럼 데이터에 포함되는 추가적인 스펙트럼 데이터를, SVM 모델의 이전 반복을 생성하는 것과 관련되는 비정상 상태 데이터의 세트에 추가하는 것에 의해, SVM 모델의 각각의 반복을 생성하도록 업데이트, 수정, 및/또는 재생성될 수도 있다. 예를 들면, SVM 분류 모델의 n 번째 반복을 생성하기 위한 비정상 상태 데이터의 n 번째 세트는, SVM 분류 모델의 (n-1) 번째 반복을 생성하기 위해 사용되는, 비정상 상태 데이터의 (n-1) 번째 세트에 포함되는 스펙트럼 데이터뿐만 아니라, 비정상 상태 데이터의 (n-1) 번째 세트에서의 마지막 시간에서부터, SVM 분류 모델의 (n-1) 번째 반복을 사용하여 예측되는 전이 시간까지의 시간에 예측되는 스펙트럼 데이터를 포함할 수도 있다. 특정한 예로서, SVM 분류 모델의 네 번째 반복을 생성하기 위한 정상 상태 데이터의 세트는 시간 t0에서부터 시간 ttrans3까지(예를 들면, 시작 시간으로부터 모델의 세 번째 반복을 사용하여 결정되는 전이 시간까지) 측정되는 스펙트럼 데이터를 포함할 수도 있고, 반면 SVM 분류 모델의 다섯 번째(즉, 다음 번) 반복을 생성하기 위한 정상 상태 데이터의 세트는, 시간 t0에서부터 시간 ttrans4까지(예를 들면, 시작 시간으로부터 SVM 분류 모델의 네 번째 반복을 사용하여 결정되는 바와 같은 전이 시간까지) 측정되는 스펙트럼 데이터를 포함할 수도 있다.
정상 상태 데이터의 세트는, SVM 분류 모델의 반복을 생성하는 목적을 위해 제조 프로세스의 초기 수행이 정상 상태에 있는 것으로 가정되는 시간에 대응하는, 트레이닝 스펙트럼 데이터에 포함되는 스펙트럼 데이터를 포함할 수도 있다. 예를 들면, SVM 분류 모델의 초기 반복을 생성하는 것과 관련되는 정상 상태 데이터의 초기 세트는, 시간 tss0에서부터 시간 te까지의 시간에 측정되는 스펙트럼 데이터를 포함할 수도 있다. 이 예에서 계속하면, SVM 모델의 다음 번 반복을 생성하는 것과 관련되는 정상 상태 데이터의 다른 세트는 시간 tss0-dt*1에서부터 시간 te까지의 시간에 측정되는 스펙트럼 데이터를 포함할 수도 있는데, 여기서 시간 tss0-dt*1은 시간 tss0보다 하나의 시간 단계 이전의 시간이다. 다시 말하면, 검출 디바이스(220)는, SVM 분류 모델의 각각의 반복을 생성할 때, 시간 tss0 이전의 시간 단계와 관련되는 스펙트럼 데이터를, 정상 상태 데이터의 각각의 세트에 반복적으로 추가할 수도 있다. 일반적으로, SVM 모델의 n 번째 반복을 생성하는 것과 관련되는 정상 상태 데이터의 n 번째 세트는 시간 tss0-dt*n에서부터 시간 te까지의 시간에 측정되는 스펙트럼 데이터를 포함할 수도 있는데, 여기서 시간 tss0 -dt*n은 시간 tss0보다 n개의 시간 단계 이전의 시간이다.
몇몇 구현예에서, 정상 상태 데이터의 세트는, 예를 들면, 추가적인 스펙트럼 데이터를, SVM 모델의 이전 반복을 생성하는 것과 관련되는 정상 상태 데이터의 세트에 추가하는 것에 의해, SVM 모델의 각각의 반복을 생성하도록 업데이트, 수정, 및/또는 재생성될 수도 있다. 예를 들면, SVM 분류 모델의 주어진 반복을 생성하기 위한 정상 상태 데이터의 세트는, SVM 분류 모델의 이전 반복을 생성하기 위해 사용되는 정상 상태 데이터의 세트에 포함되는 스펙트럼 데이터뿐만 아니라, SVM 분류 모델의 이전 반복을 생성하기 위한 스펙트럼 데이터 세트와 관련되는 가장 이른 시간 단계 바로 직전의 시간 단계에서 측정되는 스펙트럼 데이터를 포함할 수도 있다. 특정한 예로서, SVM 분류 모델의 네 번째 반복을 생성하기 위한 정상 상태 데이터의 세트는 시간 tss0-dt*4에서부터 시간 te까지 측정되는 스펙트럼 데이터를 포함할 수도 있고, 반면 SVM 분류 모델의 다섯 번째(즉, 다음 번) 반복을 생성하기 위한 정상 상태 데이터의 세트는 시간 tss0-dt*5에서부터 시간 te까지 측정되는 스펙트럼 데이터(즉, tss0-dt*4보다 더 이전의 하나의 시간 단계 동안의 스펙트럼 데이터)를 포함할 수도 있다.
도 4에서 추가로 도시되는 바와 같이, 프로세스(400)는, 비정상 상태 데이터의 세트 및 정상 상태 데이터의 세트에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 검출하는 것과 관련되는 SVM 분류 모델의 반복을 생성하는 것을 포함할 수도 있다(블록 430). 예를 들면, 검출 디바이스(220)는, 비정상 상태 데이터의 세트 및 정상 상태 데이터의 세트에 기초하여, 제조 프로세스가 정상 상태에 도달한 때를 검출하는 것과 관련되는 SVM 분류 모델의 반복을 생성할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는, 비정상 상태 데이터의 세트 및 정상 상태 데이터의 세트에 SVM 기술을 적용하는 것에 기초하여 SVM 분류 모델의 반복을 생성할 수도 있다. 예를 들면, 검출 디바이스(220)는, 비정상 상태 데이터의 세트가, 예를 들면, 초평면(hyperplane)의 세트에 의해 정상 상태 데이터의 세트로부터 분리되도록, 비정상 상태 데이터의 세트 및 정상 상태 데이터의 세트를 공간 내의 포인트로서 매핑하는 것에 의해 SVM 분류 모델을 생성할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는, 트레이닝 스펙트럼 데이터 및 SVM 분류 모델의 반복에 기초하여, SVM 분류 모델의 반복과 관련되는(즉, SVM 분류 모델의 반복에 의해 예측되는) 예측된 전이 시간을 결정할 수도 있다. 예를 들면, 검출 디바이스(220)는, 정상 상태 데이터의 세트 및 비정상 상태 데이터의 세트에 기초하여, SVM 분류 모델의 반복을 생성할 수도 있다. 여기서, 검출 디바이스(220)는, (예를 들면, 시간 t0에서부터 시간 te까지의 각각의 시간 단계와 관련되는) 트레이닝 스펙트럼 데이터를, SVM 분류 모델의 반복이 기초하여 생성되었던 동일한 공간으로 매핑할 수도 있다. 이 예에서, (예를 들면, 초평면의 세트와 관련하여) 트레이닝 스펙트럼 데이터의 항목이 매핑되는 곳에 기초하여, SVM 분류 모델은, SVM 분류 모델의 초기 반복에 의해 예측되는, 제조 프로세스와 관련되는 전이 시간(ttrans(n))을 식별할 수도 있다. 몇몇 구현예에서, 검출 디바이스(220)는 SVM 분류 모델의 각각의 반복에 대한 예측된 전이 시간을 결정할 수도 있다. 몇몇 구현예에서, 검출 디바이스(220)는, 하기에서 설명되는 바와 같이, 제조 프로세스와 관련되는 전이 시간을 검출 디바이스(220)가 결정하는 것을 허용하기 위해 SVM 분류 모델의 반복과 관련되는 예측된 전이 시간을 식별하는 정보를 저장할 수도 있다.
도 4에서 추가로 도시되는 바와 같이, 프로세스(400)는 SVM 분류 모델의 다른 반복을 생성할지의 여부를 결정하는 것을 포함할 수도 있다(블록 440). 예를 들면, 검출 디바이스(220)는, SVM 분류 모델의 다른 반복을 생성할지의 여부를 결정할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는, 정상 상태 데이터의 세트와 관련되는 시간에 기초하여 SVM 분류 모델의 다른 반복을 생성할지의 여부를 결정할 수도 있다. 예를 들면, 검출 디바이스(220)는, 정상 상태 데이터의 세트와 관련되는 시간 중 가장 이른 시간이, 제조 프로세스가 비정상 상태에 있는 것으로 알려지는 시간(시간 tus0)과 관련되는 임계 시간을 충족할 때까지, SVM 분류 모델의 반복을 계속 생성하도록 구성될 수도 있다. 특정한 예로서, 검출 디바이스(220)는, 정상 상태 데이터의 세트와 관련되는 가장 이른 시간이 시간 tus0와 임계량만큼 상이할 때까지(예를 들면, tss0-dt*n이 tus0로부터 하나의 시간 단계 떨어질 때까지(tss0-dt*n = tus0+dt)), SVM 분류 모델의 반복을 계속 생성하도록(그리고 예측된 전이 시간을 결정하도록) 구성될 수도 있다.
추가적으로 또는 대안적으로, 검출 디바이스(220)는 반복 임계치에 기초하여 SVM 분류 모델의 다른 반복을 생성할지의 여부를 결정할 수도 있다. 예를 들면, 검출 디바이스(220)는, 임계 횟수의 반복이 생성될 때까지, 및 또는 등까지, 임계량의 시간 동안 SVM 분류 모델의 반복을 계속 생성하도록 구성될 수도 있다. 여기서, 검출 디바이스(220)는, 임계치가 충족되는지의 여부(예를 들면, 임계량의 시간이 경과했는지의 여부, 임계 횟수의 반복이 생성되었는지의 여부, 및/또는 등)에 기초하여 SVM 분류 모델의 다른 반복을 생성할지의 여부를 결정할 수도 있다.
도 4에서 추가로 도시되는 바와 같이, SVM 분류 모델의 다른 반복이 생성되어야 한다면(블록 440 - 예), 그러면, 프로세스(400)는, 트레이닝 스펙트럼 데이터에 기초하여, 정상 상태 데이터의 다른 세트 및 비정상 상태 데이터의 다른 세트를 생성하는 것을 포함할 수도 있다(블록 420). 예를 들면, 검출 디바이스(220)는, (예를 들면, tss0-dt*n > tus0+dt인 경우, 반복 임계치가 충족되지 않는 경우, 및/또는 등) SVM 분류 모델의 다른 반복이 생성되어야 한다는 것을 결정할 수도 있고, 검출 디바이스(220)는, 트레이닝 스펙트럼 데이터에 기초하여, 정상 상태 데이터의 다른 세트 및 비정상 상태 데이터의 다른 세트를 생성할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는 비정상 상태 데이터의 다른 세트 및 정상 상태 데이터의 다른 세트를, 블록 420과 관련하여 상기에서 설명되는 방식으로 생성할 수도 있다. 몇몇 구현예에서, 정상 상태 데이터의 다른 세트 및 비정상 상태 데이터의 다른 세트를 생성할 때, 검출 디바이스(220)는, 블록 430에 관해 상기에서 설명되는 바와 같이, SVM 분류 모델의 다른 반복을 생성할 수도 있고 SVM 분류의 다른 반복에 의해 예측되는 전이 시간을 결정할 수도 있다.
상기에서 설명된 반복 프로세스의 예로서, 검출 디바이스(220)는 (예를 들면, 시간 t0에서부터 시간 tus0까지의 시간에 측정되는 트레이닝 스펙트럼 데이터를 포함하는) 비정상 상태 데이터의 초기 세트 및 (예를 들면, 시간 tss0에서부터 시간 te까지의 시간에 측정되는 트레이닝 스펙트럼 데이터를 포함하는) 정상 상태 데이터의 초기 세트를 생성할 수도 있다. 이 예에서, 검출 디바이스(220)는, SVM 분류 모델의 초기 반복을 생성하기 위해, SVM 기술을 정상 상태 데이터의 초기 세트 및 비정상 상태 데이터의 초기 세트에 적용할 수도 있다. 다음으로, 검출 디바이스(220)는 SVM 분류 모델의 초기 반복에 대한 입력으로서 트레이닝 스펙트럼 데이터를 제공할 수도 있고, SVM 분류 모델의 초기 반복과 관련되는 초기의 예측된 전이 시간(ttrans0)을 출력으로서 결정할 수도 있다.
이 예에서 계속하면, 검출 디바이스(220)는, tss0 > tus0+dt이다는 것, 및 따라서, 검출 디바이스(220)는 SVM 분류 모델의 다른 반복을 생성할 수도 있다는 것을 결정할 수도 있다. 그 다음, 검출 디바이스(220)는, 트레이닝 스펙트럼 데이터 및 초기의 예측된 전이 시간에 기초하여, (예를 들면, 시간 tss0-dt*1로부터 시간 te까지 측정되는 트레이닝 스펙트럼 데이터를 포함하는) 정상 상태 데이터의 제1 세트 및 (예를 들면, 시간 t0에서부터 시간 ttrans0까지의 시간에 측정되는 트레이닝 스펙트럼 데이터를 포함하는) 비정상 상태 데이터의 제1 세트를 생성할 수도 있다. 그 다음, 검출 디바이스(220)는, SVM 분류 모델의 첫 번째 반복을 생성하기 위해, 정상 상태 데이터의 제1 세트 및 비정상 상태 데이터의 제1 세트에 SVM 기술을 적용할 수도 있다. 다음으로, 검출 디바이스(220)는 SVM 분류 모델의 첫 번째 반복에 대한 입력으로서 트레이닝 스펙트럼 데이터를 제공할 수도 있고, SVM 분류 모델의 첫 번째 반복과 관련되는 제1 예측된 전이 시간(ttrans1)을 출력으로서 결정할 수도 있다. 검출 디바이스(220)는, 어떠한 추가적인 반복도 생성되지 않을 것이라는 것을 검출 디바이스(220)가 결정할 때까지, SVM 분류 모델의 반복을 이러한 방식으로 계속 생성할 수도 있다(그리고 예측된 전이 시간을 결정할 수도 있다).
도 4에서 추가로 도시되는 바와 같이, SVM 분류 모델의 다른 반복이 생성되지 않을 것이면(블록 440 - 아니오), 그러면, 프로세스(400)는, SVM 분류 모델의 반복에 의해 예측되는 전이 시간에 기초하여, 제조 프로세스와 관련되는 전이 시간을 결정하는 것을 포함할 수도 있다(블록 450). 예를 들면, 검출 디바이스(220)는, SVM 분류 모델의 다른 반복이 생성되지 않는다는 것을 결정할 수도 있고, 검출 디바이스(220)는, SVM 분류 모델의 반복에 의해 예측되는 전이 시간에 기초하여, 제조 프로세스와 관련되는 전이 시간을 결정할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는, SVM 분류 모델의 반복과 관련되는 예측된 전이 시간에 기초하여, 제조 프로세스와 관련되는 전이 시간을 결정할 수도 있다. 예를 들면, 검출 디바이스(220)는, 상기에서 설명되는 방식으로, SVM 분류 모델의 n회의 반복에 의해 예측되는 n개의 전이 시간을 각각 결정할 수도 있다. 여기서, 검출 디바이스(220)는 제조 프로세스와 관련되는 전이 시간을, SVM 분류 모델의 n회의 반복에 의해 예측되는 것들 중 지배적인 전이 시간(예를 들면, 대부분의 발생을 갖는 예측된 전이 시간)으로서 결정할 수도 있다.
도 5a 및 도 5b는 제조 프로세스와 관련되는 SVM 분류 모델의 반복에 의해 예측되는 전이 시간에 기초하여 제조 프로세스의 전이 시간을 결정하는 것과 관련되는 예시적인 그래픽 표현(500 및 550)이다. 도 5a 및 도 5b의 목적을 위해, 검출 디바이스(220)가 SVM 분류 모델의 n회 반복에 대응하는 n개의 전이 시간을 결정했다는 것을 가정한다.
도 5a에서, 각각의 포인트는, SVM 분류 모델의 반복과 관련되는 시간 tss0-dt*n(즉, SVM 분류 모델의 반복을 생성하는 것과 관련되는 정상 상태의 세트와 관련되는 시간 tss0-dt*n)에 대해 플롯되는, SVM 분류 모델의 반복에 의해 예측되는 전이 시간을 나타낸다. 도 5a에서 도시되는 바와 같이, n개의 전이 시간의 세트 중 지배적인 전이 시간은 시간(130)에 있다(예를 들면, 시간(130)은 임의의 다른 전이 시간보다 더 많은 반복에 의해 예측되었다). 이 예에서, 검출 디바이스(220)는 제조 프로세스와 관련되는 전이 시간을 시간(130)으로서 결정할 수도 있다.
대안적인 그래픽 표현이 도 5b에서 도시된다. 도 5b에서, 각각의 전이 시간의 총 발생 횟수가 플롯된다. 다시, 도 5b에서 도시되는 바와 같이, n개의 전이 시간의 세트 중 지배적인 전이 시간은 시간(130)에 있다. 따라서, 검출 디바이스(220)는 제조 프로세스와 관련되는 전이 시간을 시간(130)으로서 결정할 수도 있다.
상기에서 나타내어지는 바와 같이, 도 5a 및 도 5b는 예로서 제공되는 것에 불과하다. 다른 예도 가능하며 도 5a 및 5b와 관련하여 설명되었던 것과는 상이할 수도 있다.
도 4로 돌아가서, 프로세스(400)는 제조 프로세스와 관련되는 전이 시간에 기초하여 최종 SVM 분류 모델을 생성하는 것을 포함할 수도 있다(블록 460). 예를 들면, 검출 디바이스(220)는 제조 프로세스와 관련되는 전이 시간에 기초하여 최종 SVM 분류 모델을 생성할 수도 있다.
최종 SVM 분류 모델은, SVM 분류 모델의 반복에 기초하여 결정되는, 제조 프로세스와 관련되는 전이 시간에 기초하여 생성되는 SVM 분류 모델을 포함할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는 제조 프로세스와 관련되는 전이 시간에 기초하여 최종 분류 모델을 생성할 수도 있다. 예를 들면, 검출 디바이스(220)는, 상기에서 설명되는 바와 같이, 제조 프로세스와 관련되는 전이 시간을 결정할 수도 있다. 여기서, 검출 디바이스(220)는, 전이 시간 이전의 시간과 관련되는 트레이닝 스펙트럼 데이터를 포함하는 비정상 상태 데이터의 최종 세트, 및 전이 시간 또는 그 이후의 시간과 관련되는 트레이닝 스펙트럼 데이터를 포함하는 최종 정상 상태 데이터의 세트를 생성할 수도 있다. 이 예에서, 검출 디바이스(220)는 비정상 상태 데이터의 최종 세트 및 정상 상태 데이터의 최종 세트에 SVM 기술을 적용할 수도 있고, 상기에서 설명되는 것과 유사한 방식으로 최종화된 SVM 분류 모델을 생성할 수도 있다.
몇몇 구현예에서, 상기에서 설명되는 바와 같이, SVM 분류 모델은, 제조 프로세스의 추후 수행이 정상 상태에 도달하였는지의 여부를 결정하기 위한 기초로서 기능할 수도 있는 결정 경계(예를 들면, 초평면)를 포함할 수도 있다. 결정 경계에 관한 추가적인 세부 사항은 도 6과 관련하여 하기에서 설명된다.
몇몇 구현예에서, 검출 디바이스(220)는, 하기에서 설명되는 바와 같이, 제조 프로세스의 추후의 수행이 비정상 상태에 있는지 또는 정상 상태에 있는지의 여부를 결정하기 위해 검출 디바이스(220)가 최종 SVM 분류 모델을 사용할 수도 있도록, 최종 SVM 분류 모델을 저장할 수도 있다. 이러한 방식에서, 검출 디바이스(220)는, 제조 프로세스와 관련되는 스펙트럼 데이터를 입력으로서 수신할 수 있는 그리고 SVM 제조 프로세스가 비정상 상태에 있는지 또는 정상 상태에 있는지의 여부의 표시를 출력으로서 제공할 수 있는 SVM 분류 모델을 생성할 수도 있다.
몇몇 구현예에서, 제조 프로세스는 다수의 상태 전이를 포함할 수도 있고, 검출 디바이스(220)는 제조 프로세스와 관련되는 다수의 SVM 분류 모델을 결정하기 위해 각각의 정상 상태에 대해 프로세스(400)를 반복할 수도 있다. 예를 들면, 제조 프로세스는, 제1 비정상 상태로부터 제1 정상 상태로, 제1 정상 상태로부터 제2 비정상 상태로, 그리고 제2 비정상 상태로부터 제2 정상 상태로 전이할 수도 있다. 이 예에서, 검출 디바이스(220)는, 제2 정상 상태로의 전이 시간과 관련되는 SVM 분류 모델을 생성하기 위해 (예를 들면, 제조 프로세스와 관련하여 측정되는 트레이닝 스펙트럼 데이터에 기초하여) 프로세스(400)를 수행할 수도 있다. 다음으로, 검출 디바이스(220)는, 제1 정상 상태로의 전이 시간과 관련되는 SVM 분류 모델을 생성하기 위해 (예를 들면, 제2 정상 상태와 관련되는 트레이닝 스펙트럼 데이터를 포함하지 않는 트레이닝 스펙트럼 데이터의 서브세트에 기초하여) 프로세스(400)를 수행할 수도 있다.
비록 도 4가 프로세스(400)의 예시적인 블록을 도시하지만, 몇몇 구현예에서, 프로세스(400)는 도 4에서 묘사되는 것과 비교하여, 추가적인 블록, 더 적은 블록, 상이한 블록, 또는 상이하게 배열된 블록을 포함할 수도 있다. 추가적으로 또는 대안적으로, 프로세스(400)의 블록 중 둘 이상은 병렬로 수행될 수도 있다.
도 6은, 스펙트럼 데이터에 기초하여 그리고 SVM 분류 모델을 사용하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정하기 위한 예시적인 프로세스(600)의 플로우차트이다. 몇몇 구현예에서, 도 6의 하나 이상의 프로세스 블록은 검출 디바이스(220)에 의해 수행될 수도 있다. 몇몇 구현예에서, 도 6의 하나 이상의 프로세스 블록은, 분광계(210) 및/또는 사용자 디바이스(230)와 같은 검출 디바이스(220)와는 별개의 또는 상기 검출 디바이스를 포함하는 다른 디바이스 또는 디바이스의 그룹에 의해 수행될 수도 있다.
도 6에서 도시되는 바와 같이, 프로세스(600)는, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 검출하기 위한 SVM 분류 모델을 식별하는 것을 포함할 수도 있다(블록 610). 예를 들면, 검출 디바이스(220)는 제조 프로세스가 정상 상태에 도달하였는지의 여부를 검출하기 위한 SVM 분류 모델을 식별할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는 검출 디바이스(220)에 의해 저장되는 또는 액세스 가능한 정보에 기초하여 SVM 분류 모델을 식별할 수도 있다. 예를 들면, 검출 디바이스(220)는, 프로세스(400)와 관련하여 상기에서 설명되는 바와 같이, 검출 디바이스(220)에 의해 생성되는 최종 SVM 분류 모델을 저장하는 것에 기초하여 SVM 분류 모델을 식별할 수도 있다.
몇몇 구현예에서, 제조 프로세스가 정상 상태에 도달한 때를 결정하기 위해 검출 디바이스(220)가 제조 프로세스를 모니터링할 것이라는 표시를 검출 디바이스(220)가 (예를 들면, 분광계(210)로부터, 사용자 입력에 기초하여 사용자 디바이스(230)로부터, 및/또는 등으로부터) 수신하는 경우, 검출 디바이스(220)는 SVM 분류 모델을 식별할 수도 있다. 예를 들면, 검출 디바이스(220)는, 분광계(210) 및/또는 사용자 디바이스(230)로부터, 특정 제조 프로세스가 시작될 것이라는 또는 시작되었다는 표시를 수신할 수도 있고, 예를 들면, 제조 프로세스가 정상 상태에 도달한 때를 검출하기 위해 검출 디바이스(220)가 제조 프로세스를 자동적으로 모니터링하도록 구성되는 경우 그 표시를 수신하는 것에 기초하여 SVM 분류 모델을 (예를 들면, 자동적으로) 식별할 수도 있다.
도 6에서 추가로 도시되는 바와 같이, 프로세스(600)는 제조 프로세스와 관련되는 스펙트럼 데이터를 수신하는 것을 포함할 수도 있다(블록 620). 예를 들면, 검출 디바이스(220)는 제조 프로세스와 관련되는 스펙트럼 데이터를 수신할 수도 있다.
몇몇 구현예에서, 스펙트럼 데이터는 제조 프로세스의 수행 동안 하나 이상의 분광계(210)에 의해 측정되는 스펙트럼을 포함할 수도 있다. 몇몇 구현예에서, 검출 디바이스(220)는 제조 프로세스 동안 실시간으로 또는 거의 실시간으로 스펙트럼 데이터를 수신할 수도 있다. 예를 들면, 검출 디바이스(220)는, 분광계(210)가 스펙트럼 데이터를 획득하는 것과 관련하여 실시간으로 또는 거의 실시간으로, 제조 프로세스의 수행 동안 분광계(210)에 의해 측정되는 스펙트럼 데이터를 수신할 수도 있다. 몇몇 구현예에서, 검출 디바이스(220)는, 하기에서 설명되는 바와 같이, 스펙트럼 데이터 및 SVM 분류 모델에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정할 수도 있다.
도 6에서 추가로 도시되는 바와 같이, 프로세스(600)는, 스펙트럼 데이터 및 SVM 분류 모델에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정하는 것을 포함할 수도 있다(블록 630). 예를 들면, 검출 디바이스(220)는, 스펙트럼 데이터 및 SVM 분류 모델에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는, SVM 분류 모델과 관련되는 결정 경계에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정할 수도 있다. 예를 들면, (상기에서 설명되는 바와 같이) 트레이닝 스펙트럼 데이터를 사용하여 제조 프로세스의 전이 시간을 식별하는 것에 기초하여, 검출 디바이스(220)는 분광 공간에서 초평면에 의해 표현되는 결정 경계를 포함하는 SVM 분류 모델을 생성할 수도 있다. 여기서, 결정 경계 내부에 있는 분광 공간에서의 포인트는 제조 프로세스가 정상 상태에 있는 분광 조건을 나타내며, 한편 결정 경계 외부의 포인트는 제조 프로세스가 비정상 상태에 있는 분광 조건을 나타낸다. 몇몇 구현예에서, 결정 경계는, 상기에서 설명되는 바와 같이, 제조 프로세스와 관련되는 전이 시간을 결정한 이후 SVM 분류 모델 기술을 트레이닝 스펙트럼 데이터에 적용하는 것에 기초하여 생성될 수도 있다.
도 7a 및 도 7b는 SVM 분류 모델과 관련되는 단순화된 결정 경계를 예시하는 예시적인 그래픽 표현(700)이다. 예시의 목적을 위해, 도 7a 및 도 7b에서 도시되는 결정 경계는 제1 주성분(PC1) 및 제2 주성분(PC2)에만 관련되는 것으로 도시된다. 실제로, 결정 경계는 상이한 수의 성분(예를 들면, 80개 변수, 120개 변수, 및/또는 등)와 관련될 수도 있다.
도 7a 및 도 7b에서, 회색 포인트 및 라인은, 제조 프로세스가 비정상 상태에 있는 시간에(즉, t0에서부터 SVM 분류 모델과 관련되는 전이 시간까지) 측정되는 트레이닝 스펙트럼 데이터를 나타내고, 한편, 흑색 포인트 및 라인은, 제조 프로세스가 정상 상태에 있는 시간에(즉, SVM 분류 모델과 관련되는 전이 시간으로부터 시간 te까지) 측정되는 트레이닝 스펙트럼 데이터를 나타낸다. 밝은 회색 원은, 제조 프로세스가 비정상 상태에 있었던 마지막 포인트 및 제조 프로세스가 정상 상태에 있었던 최초 포인트를 나타낸다. 도 7a는 (예를 들면, 시간 t0에서부터 시간 te까지의) 제조 프로세스와 관련되는 모든 트레이닝 스펙트럼 데이터의 그래픽 표현이고, 한편 도 7b는 도 7a의 점선 사각형에 의해 나타내어지는 공간 내의 포인트의 확대도이다. 도 7b에서, 결정 경계는 정상 상태(뿐만 아니라 비정상 상태와 관련되는 포인트의 서브세트)와 관련되는 포인트를 둘러싸고 있는 두꺼운 라인에 의해 표현된다. 상기에서 나타내어지는 바와 같이, 도 7a 및 도 7b는 단순화된 예시적인 예로서 제공되는 것에 불과하다. 다른 예도 가능하며 도 7a 및 도 7b와 관련하여 설명되었던 것과는 상이할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는, 결정 경계(예를 들면, 도 7b에서 도시되는 것과 같은 결정 경계)에 기초하여 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정할 수도 있다. 예를 들면, 검출 디바이스(220)는 제조 프로세스와 관련되는 스펙트럼 데이터를 수신할 수도 있고, 스펙트럼 데이터를, 결정 경계와 관련되는 공간 내의 포인트로서 매핑할 수도 있다. 여기서, 스펙트럼 데이터와 관련되는 포인트가 결정 경계 상에 또는 내에 있으면, 그러면, 검출 디바이스(220)는 제조 프로세스가 정상 상태에 도달하였다는 것을 결정할 수도 있다. 대안적으로, 스펙트럼 데이터와 관련되는 포인트가 결정 경계 외부에 있다면, 그러면, 검출 디바이스(220)는, 제조 프로세스가 정상 상태에 도달하지 않았다는 것(즉, 비정상 상태에 있다는 것)을 결정할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는 제조 프로세스가 정상 상태에 도달하였는지의 여부의 결정과 관련되는 신뢰 메트릭(본 명세서에서 결정값으로 지칭됨)을 생성할 수도 있다. 예를 들면, 검출 디바이스(220)는, 결정 경계 및 스펙트럼 데이터를 나타내는 포인트에 기초하여, 결정 경계로부터 스펙트럼 데이터를 나타내는 포인트까지의 거리(예를 들면, 결정 경계 상의 가장 가까운 포인트까지의 거리)를 결정할 수도 있다. 여기서, 결정 경계 내부의 포인트는 정의(positive)(또는 부의(negative)) 결정값을 할당 받을 수도 있고, 결정 경계 외부의 포인트는 부의(또는 정의) 결정값을 할당 받을 수도 있다. 이 예에서, 더 큰 절대 값을 갖는 결정값(예를 들면, 4.0, 2.5, -2.5, -4.0, 및/또는 등)은, 더 낮은 절대 값을 갖는 것(예를 들면, 0.5, 0.2, -0.2, -0.5, 및/또는 등)보다 제조 프로세스 상태 결정에서 더 높은 신뢰도를 나타낸다.
상기에서 나타내어지는 바와 같이, 도 7a 및 도 7b는 예로서 제공되는 것에 불과하다. 다른 예도 가능하며 도 7a 및 도 7b와 관련하여 설명되었던 것과는 상이할 수도 있다.
도 8은, 도 7a 및 7b의 결정 경계에 기초하여 결정되는 예시적인 결정값의 그래픽 표현(800)이다. 도 8에서, 부의 결정값은, 결정 경계의 외부에 속하는 포인트를 갖는, 제조 프로세스 동안 측정되는 스펙트럼 데이터에 대응하고, 한편, 정의 결정값은, 결정 경계의 내부에 속하는 포인트를 갖는, 제조 프로세스 동안 측정되는 스펙트럼 데이터에 대응한다. 도 8의 수직 라인에 의해 도시되는 바와 같이, 검출 디바이스(220)는 대략적으로 시간 단계(65)에서 제1 정의 결정값을 결정한다.
몇몇 구현예에서, 검출 디바이스(220)는, 결정값 임계치에 기초하여 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정할 수도 있다. 예를 들면, 검출 디바이스(220)는, 결정 경계 내부의 포인트와 관련되는 결정값이 임계치를 충족하는 경우 제조 프로세스가 정상 상태에 도달하였다는 것을 결정할 수도 있다. 도 8을 특정한 예로서 사용하여, 검출 디바이스(220)가 2.0보다 더 크거나 같은 정의 결정값을 결정하는 경우 제조 프로세스가 정상 상태에 도달하였다는 것을 결정하도록 검출 디바이스(220)가 구성되면, 그러면, 검출 디바이스(220)는 대략적으로 시간 단계(75)에서 그러한 결정을 행할 수도 있다.
다른 예로서, 검출 디바이스(220)는, 다수의 연속적인 시간 단계와 관련되는 스펙트럼 데이터를 나타내는 다수의 연속적인 결정값이 임계치를 충족하는 경우, 제조 프로세스가 정상 상태에 도달하였다는 것을 결정할 수도 있다. 도 8을 특정한 예로서 사용하여, 검출 디바이스(220)가 다섯 개의 연속적인 정의 결정값을 결정하는 경우 제조 프로세스가 정상 상태에 도달하였다는 것을 결정하도록 검출 디바이스(220)가 구성되면, 그러면, 검출 디바이스(220)는 대략적으로 시간 단계(69)에서 그러한 결정을 행할 수도 있다.
다른 예로서, 검출 디바이스(220)는, 임계 개수의 연속적인 결정값이 임계치를 충족하는 경우 제조 프로세스가 정상 상태에 도달하였다는 것을 결정할 수도 있다. 도 8을 특정한 예로서 사용하여, 검출 디바이스(220)가 1.0보다 더 크거나 같은 세 개의 연속적인 정의 결정값을 결정하는 경우 제조 프로세스가 정상 상태에 도달하였다는 것을 결정하도록 검출 디바이스(220)가 구성되면, 그러면, 검출 디바이스(220)는 대략적으로 시간 단계(68)에서 그러한 결정을 행할 수도 있다.
다른 예로서, 검출 디바이스(220)는, 다수의 결정값(예를 들면, 일련의 연속적인 정의 결정값)의 평균 또는 가중된 평균이 임계치를 충족하는 경우 제조 프로세스가 정상 상태에 도달하였다는 것을 결정할 수도 있다. 몇몇 구현예에서, 결정값 임계치의 사용은, (예를 들면, 제조 프로세스가 본질적으로 확률론적일 수도 있기 때문에) 제조 프로세스가 정상 상태에 도달하였다는 잘못된 결정을 방지할 수도 있다.
상기에서 나타내어지는 바와 같이, 도 8은 예로서 제공되는 것에 불과하다. 다른 예도 가능하며 도 8과 관련하여 설명되었던 것과는 상이할 수도 있다.
도 6으로 돌아가서, 제조 프로세스가 정상 상태에 도달하지 않았다면(블록 630 - 아니오), 그러면, 프로세스(600)는 제조 프로세스와 관련되는 추가적인 스펙트럼 데이터를 수신하는 것을 포함할 수도 있다(블록 620). 예를 들면, 검출 디바이스(220)는, 제조 프로세스가 정상 상태에 도달하지 않았다는 것(예를 들면, 제조 프로세스가 여전히 비정상 상태에 있다는 것)을 결정할 수도 있고, (예를 들면, 제조 프로세스 동안 다음 시간 단계에서 수집되는) 추가적인 스펙트럼 데이터를 수신하기 위해 대기할 수도 있다.
몇몇 구현예에서, 추가적인 스펙트럼 데이터에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를, 상기에서 설명되는 방식으로 결정할 수도 있다. 몇몇 구현예에서, 검출 디바이스(220)는 스펙트럼 데이터를 계속 수신할 수도 있고 그리고 제조 프로세스가 정상 상태에 도달하였다는 것을 검출 디바이스(220)가 결정할 때까지, 프로세스가 정상 상태에 도달하였는지의 여부를 계속 결정할 수도 있다.
도 6에서 추가로 도시되는 바와 같이, 제조 프로세스가 정상 상태에 도달하면(블록 630 - 예), 그러면, 프로세스(600)는 정상 상태와 관련되는 정량적 메트릭을 결정하는 것을 포함할 수도 있다(블록 640). 예를 들면, 검출 디바이스(220)는 제조 프로세스가 정상 상태에 도달하였다는 것을 결정할 수도 있고, 정상 상태와 관련되는 정량적 메트릭을 결정할 수도 있다.
정량적 메트릭은, 정상 상태에서의 화합물의 구성 부분의 농도, 정상 상태에서의 입자 사이즈, 및/또는 등과 같은, 정상 상태와 관련되는 정량적 특성을 나타내는 메트릭을 포함할 수도 있다. 몇몇 구현예에서, 스펙트럼 데이터에 기초하여 검출 디바이스(220)에 의해 검출되는 정상 상태는, 입자 사이즈와 같은 특정한 물리적 특성을 갖는 구성 화합물의 특정한 조성에 대응할 수도 있다. 따라서, 정량적 메트릭은 정상 상태와 관련되는 스펙트럼 데이터에 기초하여 예측될 수도 있다.
예를 들면, 몇몇 구현예에서, 검출 디바이스(220)는 정상 상태가 기초하여 검출되었던 스펙트럼 데이터를 입력으로서 수신하고 정상 상태와 관련되는 정량적 메트릭을 출력으로서 제공하는 회귀 모델(예를 들면, PLS 회귀 모델, SVR 모델)을 저장할 수도 있거나 또는 회귀 모델에 액세스할 수도 있다. 이 예에서, 회귀 모델로부터의 출력은, 예를 들면, 화합물의 각각의 구성 부분의 농도, 화합물의 특정한 사이즈, 및/또는 등일 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는 회귀 모델을 저장할 수도 있거나 또는 회귀 모델에 액세스할 수도 있다. 추가적으로 또는 대안적으로, 검출 디바이스(220)는 트레이닝 스펙트럼 데이터 및 트레이닝 정량적 데이터(예를 들면, 트레이닝 스펙트럼 데이터에 대응하는 정량적 메트릭을 식별하는 정보)에 기초하여 (더 이른 시간에) 회귀 모델을 생성할 수도 있다. 몇몇 구현예에서, 정량적 메트릭의 결정은 옵션 사항이다(optional).
도 6에서 추가로 도시되는 바와 같이, 프로세스(600)는, 제조 프로세스가 정상 상태에 도달하였다는 표시 및 정량적 메트릭과 관련되는 정보를 제공하는 것을 포함할 수도 있다(블록 650). 예를 들면, 검출 디바이스(220)는 제조 프로세스가 정상 상태에 도달하였다는 표시 및 정량적 메트릭과 관련되는 정보를 제공할 수도 있다.
몇몇 구현예에서, 검출 디바이스(220)는, (예를 들면, 사용자가, 제조 프로세스가 정상 상태에 도달하였다는 것을 통지 받을 수 있도록 및/또는 정량적 메트릭과 관련되는 정보를 볼 수 있도록), 제조 프로세스가 정상 상태에 도달하였다는 표시 및/또는 정량적 메트릭과 관련되는 정보를 사용자 디바이스(230)와 같은 다른 디바이스로 제공할 수도 있다.
추가적으로 또는 대안적으로, 검출 디바이스(220)는, 액션으로 하여금 자동적으로 수행되게 하기 위해, 제조 프로세스가 정상 상태에 도달하였다는 표시를 제공할 수도 있다. 예를 들면, 검출 디바이스(220)는, 제조 프로세스로 하여금 제조 프로세스를 중지하게 하기 위해(예를 들면, 정상 상태와 관련되는 혼합 프로세스를 중지하게 하기 위해), 제조 프로세스의 다음 단계를 개시하게 하기 위해, 제조 프로세스로 하여금 재개하게 하기 위해(예를 들면, 신규의 원료에 대한 혼합 프로세스를 재개하기 위해), 및/또는 등을 위해, 제조 프로세스를 수행하는 것과 관련되는 디바이스에 표시를 제공할 수도 있다.
비록 도 6이 프로세스(600)의 예시적인 블록을 도시하지만, 몇몇 구현예에서, 프로세스(600)는 도 6에서 묘사되는 것과 비교하여, 추가적인 블록, 더 적은 블록, 상이한 블록 또는 상이하게 배열된 블록을 포함할 수도 있다. 추가적으로 또는 대안적으로, 프로세스(600)의 블록 중 둘 이상은 병렬로 수행될 수도 있다.
본 명세서에서 설명되는 구현예는, 제조 프로세스(예를 들면, 연속적인 제조 프로세스, 회분식 제조 프로세스, 및/또는 등)가 정상 상태에 도달하였는지의 여부를 결정하기 위한 SVM 분류 모델을 생성할 수 있는, 그리고, SVM 분류 모델을 사용하여 그리고 제조 프로세스와 관련되는 다변량 스펙트럼 데이터에 기초하여, 제조 프로세스가 정상 상태에 도달하였는지의 여부를 결정할 수 있는 검출 디바이스를 제공한다. 몇몇 구현예에서, SVM 분류 모델은 다수의 변수(예를 들면, 80개의 변수, 120개의 변수, 150개의 변수, 및/또는 등)를 고려할 수도 있고, 따라서, (예를 들면, 단변량 기술 또는 PCA 기술과 비교하여) SVM 분류 모델의 정확도 및/또는 강건성을 증가시키게 된다.
전술한 개시는 예시 및 설명을 제공하지만, 그러나 총망라하도록 또는 구현예를 개시되는 정확한 형태로 제한하도록 의도되지는 않는다. 수정예 및 변형예가 상기 개시를 고려하여 가능하거나 또는 구현예의 실시로부터 획득될 수도 있다.
본 명세서에서 사용되는 바와 같이, 용어 컴포넌트는, 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합으로서 광의적으로 해석되도록 의도된다.
몇몇 구현예가 임계치와 연계하여 본 명세서에서 설명된다. 본 명세서에서 사용되는 바와 같이, 임계치를 충족하는 것은, 임계치보다 더 큰, 임계치보다 더 많은, 임계치보다 더 높은, 임계치보다 더 크거나 같은, 임계치보다 더 적은(less), 임계치보다 더 적은(fewer), 임계치보다 더 낮은, 임계치보다 더 적거나 같은, 임계치와 동일한 등을 가리킬 수도 있다.
본 명세서에서 설명되는 시스템 및/또는 방법은, 상이한 형태의 하드웨어, 펌웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수도 있다는 것이 명백할 것이다. 이들 시스템 및/또는 방법을 구현하기 위해 사용되는 실제 특수 제어 하드웨어 또는 소프트웨어 코드는 구현예를 제한하지는 않는다. 따라서, 시스템 및/또는 방법의 동작 및 거동은, 특정한 소프트웨어 코드를 참조하지 않고 본 명세서에서 설명되었다 - 소프트웨어 및 하드웨어는 본 명세서의 설명에 기초하여 시스템 및/또는 방법을 구현하도록 설계될 수 있다는 것이 이해된다.
비록 피처의 특정한 조합이 청구범위에서 기재되거나 또는 본 명세서에 개시되더라도, 이들 조합은 가능한 구현예의 개시를 제한하도록 의도되지는 않는다. 사실, 이들 피처 중 많은 것은 청구범위에서 구체적으로 기재되지 않는 및/또는 명세서에 구체적으로 개시되지 않는 방식으로 결합될 수도 있다. 비록 하기에서 열거되는 각각의 종속 청구항이 단지 하나의 청구항에만 직접적으로 의존할 수도 있지만, 가능한 구현예의 개시는, 청구항 세트의 모든 다른 청구항과 연계하여 각각의 종속 청구항을 포함한다.
본 명세서에서 사용되는 어떠한 엘리먼트, 액트, 또는 명령어도, 크리티컬한 것으로 또는 필수적인 것으로 명시적으로 설명되지 않는 한, 그와 같이 해석되지 않아야 한다. 또한, 본 명세서에서 사용될 때, 단수 표현은, 하나 또는 그 초과의 아이템을 포함하도록 의도되며, "하나 이상"과 상호 교환적으로 사용될 수도 있다. 또한, 본 명세서에서 사용될 때, 용어 "세트"는 하나 이상의 아이템(예를 들면, 관련된 아이템, 관련되지 않는 아이템, 관련 아이템, 및 관련되지 않는 아이템의 조합 등)을 포함하도록 의도되며, "하나 이상"과 상호 교환적으로 사용될 수도 있다. 단지 하나의 아이템이 의도되는 경우, 용어 "하나(one)" 또는 유사한 언어가 사용된다. 또한, 본 명세서에서 사용될 때, 용어 "구비한다(has)", "구비한다(have)", "구비하는(having)", 및/또는 등은 확장 가능한(open-ended) 용어인 것으로 의도된다. 또한, 어구 "~에 기초하여"는, 명시적으로 달리 언급되지 않는 한, "~에 적어도 부분적으로 기초하여"를 의미하도록 의도된다.

Claims (20)

  1. 방법으로서,
    디바이스에 의해, 제조 프로세스와 관련된 전이 시간(transition time)에 기초하여 서포트 벡터 머신(support vector machine: SVM) 분류 모델을 생성하는 단계로서, 상기 전이 시간은 비정상 상태(unsteady state)로부터 정상 상태(steady state)로의 전이의 시간을 나타내는, SVM 분류 모델을 생성하는 단계;
    상기 디바이스에 의해 그리고 하나 이상의 분광계로부터, 상기 제조 프로세스의 수행 동안 측정된 다변량 스펙트럼 데이터(multivariate spectral data)를 수신하는 단계;
    상기 디바이스에 의해, 상기 다변량 스펙트럼 데이터에 기초하여, 그리고 상기 SVM 분류 모델을 이용해서, 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정하는 단계; 및
    상기 디바이스에 의해 그리고 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정한 후에, 상기 제조 프로세스가 상기 정상 상태에 도달하였다는 표시를 제공하는 단계
    를 포함하는, 방법.
  2. 삭제
  3. 제1항에 있어서, 상기 SVM 분류 모델은 80개 이상의 변수를 고려하는, 방법.
  4. 제1항에 있어서, 상기 제조 프로세스가 특정 시간에 정상 상태인지의 여부를 결정하는 단계는,
    상기 다변량 스펙트럼 데이터를 상기 SVM 분류 모델에 입력으로서 제공하는 것; 및
    상기 SVM 분류 모델의 출력에 기초하여, 상기 제조 프로세스가 상기 특정 시간에 정상 상태에 있지 않다는 것을 결정하는 것
    을 포함하는, 방법.
  5. 제1항에 있어서, 상기 특정 시간은 상기 다변량 스펙트럼 데이터가 측정된 시간인, 방법.
  6. 제1항에 있어서,
    상기 제조 프로세스가 특정 시간에 정상 상태인지의 여부를 결정하는 단계는,
    상기 제조 프로세스가 상기 정상 상태에 도달하였다는 것을 결정하는 것을 것을 포함하고,
    상기 방법은,
    상기 제조 프로세스가 상기 정상 상태에 도달하였다는 결정에 기초하여, 상기 정상 상태와 관련된 정량적 메트릭(quantitative metric)을 결정하는 단계; 및
    상기 정량적 메트릭과 연관된 정보를 제공하는 단계
    를 더 포함하는, 방법.
  7. 제6항에 있어서, 상기 정량적 메트릭은,
    상기 정상 상태에서의 화합물의 구성 부분의 농도; 또는
    상기 정상 상태에서의 입자 사이즈
    중 하나 이상을 포함하는, 방법.
  8. 제6항에 있어서, 상기 정량적 메트릭을 결정하는 단계는,
    상기 제조 프로세스가 상기 정상 상태에 도달하였다는 결정에 기초하여, 상기 다변량 스펙트럼 데이터를 회귀 모델에 입력으로서 제공하는 것; 및
    상기 정량적 메트릭을 상기 회귀 모델로부터의 출력으로서 수신하는 것
    을 포함하는, 방법.
  9. 제1항에 있어서, 상기 다변량 스펙트럼 데이터는 백개 초과의 변수와 관련된 데이터를 포함하는 근적외선(NIR) 스펙트럼 데이터를 포함하는, 방법.
  10. 디바이스로서,
    하나 이상의 메모리; 및
    상기 하나 이상의 메모리에 결합된 하나 이상의 프로세서로서,
    분류 모델을 식별하고;
    하나 이상의 분광계로부터, 제조 프로세스의 수행 동안 측정된 스펙트럼 데이터를 수신하고;
    상기 스펙트럼 데이터에 기초하여 그리고 상기 분류 모델을 이용해서, 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정하고; 그리고
    상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정한 후에, 상기 제조 프로세스가 상기 정상 상태에 도달하였다는 표시를 제공하도록 구성된, 상기 하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는, 상기 제조 프로세스와 관련된 전이 시간에 기초하여 상기 분류 모델을 생성하도록 더 구성되고, 상기 전이 시간은 비정상 상태로부터 정상 상태로의 전이의 시간을 나타내는, 디바이스.
  11. 삭제
  12. 제10항에 있어서, 상기 분류 모델은 서포트 벡터 머신(SVM) 분류 모델인, 디바이스.
  13. 제10항에 있어서, 상기 분류 모델은 80개 이상의 변수를 고려하는, 디바이스.
  14. 제10항에 있어서, 상기 특정 시간은 상기 스펙트럼 데이터가 측정된 시간인, 디바이스.
  15. 제10항에 있어서,
    상기 하나 이상의 프로세서는, 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정할 때,
    상기 제조 프로세스가 상기 정상 상태에 도달하였다고 결정하도록 구성되고,
    상기 하나 이상의 프로세서는,
    상기 제조 프로세스가 상기 정상 상태에 도달하였다는 결정에 기초하여, 상기 정상 상태와 관련된 정량적 메트릭을 결정하고; 그리고
    상기 정량적 메트릭과 관련된 정보를 제공하도록 구성되는, 디바이스.
  16. 제10항에 있어서, 상기 스펙트럼 데이터는 다변량 스펙트럼 데이터를 포함하는, 디바이스.
  17. 명령어의 세트를 저장하는 비일시적 컴퓨터 판독가능 매체로서, 상기 명령어의 세트는,
    디바이스의 하나 이상의 프로세서에 의해 실행될 때, 상기 디바이스로 하여금,
    하나 이상의 분광계로부터, 제조 프로세스의 수행 동안 측정된 다변량 스펙트럼 데이터를 수신하게 하고;
    상기 다변량 스펙트럼 데이터에 기초하여, 상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정하게 하고; 그리고
    상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부를 결정한 후에, 상기 제조 프로세스가 상기 정상 상태에 도달하였다는 표시를 제공하게 하는 하나 이상의 명령어를 포함하고,
    상기 제조 프로세스가 특정 시간에 정상 상태에 있는지의 여부는, 서포트 벡터 머신(SVM) 분류 모델을 이용해서 결정되고, 상기 SVM 분류 모델은 상기 제조 프로세스와 관련된 전이 시간에 기초하여 생성되고, 상기 전이 시간은 비정상 상태로부터 정상 상태로의 전이의 시간을 나타내는, 비일시적 컴퓨터 판독가능 매체.
  18. 삭제
  19. 제17항에 있어서, 상기 특정 시간은 상기 다변량 스펙트럼 데이터가 측정된 시간인, 비일시적 컴퓨터 판독가능 매체.
  20. 제17항에 있어서, 상기 다변량 스펙트럼 데이터는 백개 초과의 변수와 관련된 데이터를 포함하는 근적외선(NIR) 스펙트럼 데이터를 포함하는, 비일시적 컴퓨터 판독가능 매체.
KR1020210124183A 2017-05-04 2021-09-16 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출 KR102576834B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/586,678 2017-05-04
US15/586,678 US10984334B2 (en) 2017-05-04 2017-05-04 Endpoint detection in manufacturing process by near infrared spectroscopy and machine learning techniques
KR1020180051243A KR102305566B1 (ko) 2017-05-04 2018-05-03 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020180051243A Division KR102305566B1 (ko) 2017-05-04 2018-05-03 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출

Publications (2)

Publication Number Publication Date
KR20210118029A KR20210118029A (ko) 2021-09-29
KR102576834B1 true KR102576834B1 (ko) 2023-09-08

Family

ID=62196310

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020180051243A KR102305566B1 (ko) 2017-05-04 2018-05-03 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출
KR1020210124183A KR102576834B1 (ko) 2017-05-04 2021-09-16 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020180051243A KR102305566B1 (ko) 2017-05-04 2018-05-03 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출

Country Status (8)

Country Link
US (2) US10984334B2 (ko)
EP (1) EP3399472A1 (ko)
JP (2) JP6968745B2 (ko)
KR (2) KR102305566B1 (ko)
CN (2) CN117290780A (ko)
CA (1) CA3002340A1 (ko)
HK (2) HK1257430A1 (ko)
TW (3) TW202318276A (ko)

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 (3)

* 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
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

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7444308B2 (en) * 2001-06-15 2008-10-28 Health Discovery Corporation Data mining platform for bioinformatics and other knowledge discovery
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
US20040034612A1 (en) * 2002-03-22 2004-02-19 Nick Mathewson Support vector machines for prediction and classification in supply chain management and other applications
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
JP4421971B2 (ja) * 2004-08-05 2010-02-24 日本電気株式会社 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
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.
JP4573857B2 (ja) * 2007-06-20 2010-11-04 日本電信電話株式会社 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
US20090327172A1 (en) * 2008-06-27 2009-12-31 Motorola, Inc. Adaptive knowledge-based reasoning in autonomic computing systems
WO2011001516A1 (ja) * 2009-06-30 2011-01-06 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
WO2014028069A1 (en) * 2012-08-17 2014-02-20 Flextronics Ap, Llc Epg aggregation from multiple sources
US10339464B2 (en) * 2012-06-21 2019-07-02 Philip Morris Products S.A. Systems and methods for generating biomarker signatures with integrated bias correction and class prediction
US9086383B2 (en) 2012-09-14 2015-07-21 Halliburton Energy Services, Inc. Systems and methods for monitoring chemical processes
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
EP3822977A1 (en) * 2015-08-26 2021-05-19 Viavi Solutions Inc. Identification using spectroscopy
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 (3)

* 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
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

Also Published As

Publication number Publication date
EP3399472A1 (en) 2018-11-07
JP6968745B2 (ja) 2021-11-17
CN108805168B (zh) 2023-10-13
CN108805168A (zh) 2018-11-13
HK1257430A1 (zh) 2019-10-18
TW202318276A (zh) 2023-05-01
KR20180122955A (ko) 2018-11-14
US20210224672A1 (en) 2021-07-22
TWI825490B (zh) 2023-12-11
US10984334B2 (en) 2021-04-20
KR102305566B1 (ko) 2021-10-07
TW201843600A (zh) 2018-12-16
CA3002340A1 (en) 2018-11-04
KR20210118029A (ko) 2021-09-29
TW202203098A (zh) 2022-01-16
JP7237124B2 (ja) 2023-03-10
HK1257428A1 (zh) 2019-10-18
CN117290780A (zh) 2023-12-26
JP2022017405A (ja) 2022-01-25
TWI744518B (zh) 2021-11-01
JP2018189638A (ja) 2018-11-29
US20180322399A1 (en) 2018-11-08

Similar Documents

Publication Publication Date Title
US10496515B2 (en) Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium
KR102576834B1 (ko) 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출
KR102039394B1 (ko) 탐색 장치 및 탐색 방법
JP7032408B2 (ja) 現場検知
KR102376824B1 (ko) 제조 공정들을 학습하고 제조 공정들을 최적화하기 위한 시스템 및 방법
KR101713007B1 (ko) 일반화된 그리고 견고한 예측 모델들의 생성을 위한 증가된 신호 대 잡음비
CN107852771B (zh) 基于自适应滤波的网络异常检测
JP6615889B2 (ja) 物理システムの品質を管理する方法、品質管理エンジン及びコンピュータで読み取り可能な記録媒体
JP2018059900A (ja) スパース転送セットを使用する較正モデルの転送
CN105678409A (zh) 一种自适应且分布无关的时间序列异常点检测方法
US10296628B2 (en) Sample size estimator
US20220172086A1 (en) System and method for providing unsupervised model health monitoring
WO2013087711A2 (en) Method and system for sensor classification
JP6052043B2 (ja) 消費電力予測プログラム、消費電力予測方法及び消費電力予測装置
US11920980B2 (en) Rolling principal component analysis for dynamic process monitoring and end point detection
US11860035B2 (en) Blending process end point detection
US20230204502A1 (en) Dynamic process end point detection
JP2016192024A (ja) 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant