TW202203098A - 用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體 - Google Patents

用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體 Download PDF

Info

Publication number
TW202203098A
TW202203098A TW110136910A TW110136910A TW202203098A TW 202203098 A TW202203098 A TW 202203098A TW 110136910 A TW110136910 A TW 110136910A TW 110136910 A TW110136910 A TW 110136910A TW 202203098 A TW202203098 A TW 202203098A
Authority
TW
Taiwan
Prior art keywords
manufacturing process
steady state
spectral data
classification model
time
Prior art date
Application number
TW110136910A
Other languages
English (en)
Other versions
TWI825490B (zh
Inventor
章民 熊
鵬 鄒
孫嵐
Original Assignee
美商菲爾薇解析公司
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 美商菲爾薇解析公司 filed Critical 美商菲爾薇解析公司
Publication of TW202203098A publication Critical patent/TW202203098A/zh
Application granted granted Critical
Publication of TWI825490B publication Critical patent/TWI825490B/zh

Links

Images

Classifications

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

設備可以接收與從非穩定狀態轉換到穩定狀態的製造過程相關聯的訓練光譜數據。該設備可以基於訓練光譜數據生成支援向量機（SVM）分類模型的多次疊代。該設備可以基於SVM分類模型的多次疊代確定與製造過程相關聯的多個預測的轉換時間。多個預測的轉換時間中的預測的轉換時間可以識別在製造過程期間SVM分類模型的對應疊代預測製造過程從非穩定狀態轉換到穩定狀態的時間。該設備可以基於多個預測的轉換時間生成與確定製造過程是否已經達到穩定狀態相關聯的最終的SVM分類模型。

Description

用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體
本發明係有關於通過近紅外光譜學和機器學習技術的製造過程中的端點檢測。
作為實施製造過程（例如，連續製造過程、批量製造過程）的一部分，可以利用過程分析技術（PAT）系統來產生用於監控和控制製造過程的即時或接近即時的數據（例如，光譜數據）。連續製造過程允許以連續的方式將原材料輸入到系統中並將成品（例如，藥物產品）從系統中卸下（discharge）。換句話說，在連續製造過程中，製造過程的各個步驟被轉換成單個的、整合的製造過程（例如，而不是像批量製造過程那樣的一系列離散步驟）。
根據一些可能的實施方式，設備可以包括一個或多個處理器以：接收與從非穩定狀態轉換到穩定狀態的製造過程相關聯的訓練光譜數據；基於訓練光譜數據生成支援向量機（SVM）分類模型的多次疊代；基於SVM分類模型的多次疊代確定與製造過程相關聯的多個預測的轉換時間，其中，多個預測的轉換時間中的預測的轉換時間可以標識在製造過程期間，SVM分類模型的相應疊代預測到製造過程從非穩定狀態轉換到穩定狀態的時間；並且基於多個預測的轉換時間，生成與確定製造過程是否已經達到穩定狀態相關聯的最終的SVM分類模型。
根據一些可能的實施方式，非暫態電腦可讀取媒體可以存儲一個或多個指令，在由一個或多個處理器運行時，所述一個或多個指令使所述一個或多個處理器：接收與從非穩定狀態轉換到穩定狀態的製造過程的第一執行相關聯的訓練光譜數據；基於訓練光譜數據疊代地生成與確定製造過程的另一執行是否已經從非穩定狀態轉換到穩定狀態相關聯的SVM分類模型；接收與製造過程的第二執行相關聯的附加光譜數據；並且基於SVM分類模型和附加光譜數據，確定製造過程的第二執行是否已經從非穩定狀態轉換到穩定狀態。
根據一些可能的實施方式，一種方法可以包括：由設備接收與從非穩定狀態轉換到穩定狀態的製造過程的第一執行相關聯的第一光譜數據；由所述設備並且基於第一光譜數據生成SVM分類模型的多次疊代；由所述設備並且基於SVM分類模型的多次疊代來確定與製造過程的第一執行相關聯的多個預測的轉換時間；由所述設備並且基於多個預測的轉換時間生成與確定製造過程的另一執行是否已經達到穩定狀態相關聯的最終的SVM分類模型；由所述設備接收與製造過程的第二執行相關聯的第二光譜數據；以及由所述設備基於最終的SVM分類模型和第二光譜數據確定製造過程的第二執行是否已經達到穩定狀態。
示例實施方式的以下詳細描述參考附圖。不同附圖中的相同附圖標記可以標識相同或相似的元件。
製造過程（例如，用於製造藥物產品的連續製造過程或批量製造過程）可以涉及一個或多個狀態轉換，諸如從非穩定狀態（例如，材料和/或化合物的特性隨時間變化的狀態）到穩定狀態（例如，材料和/或化合物的特性隨時間基本保持恒定的狀態）的轉換。例如，包括在用於製造藥物產品的製造過程中的混合過程可以涉及化合物的光譜特性從非穩定狀態（例如，在混合過程開始時）到穩定狀態（例如，表示混合過程完成）的轉換。
因此，為了提高效率和/或優化製造過程，應該監控製造過程以便（例如，即時或接近即時地）確定製造過程何時已達到穩定狀態。用於檢測製造過程的狀態的可能技術是使用單變數技術的模型，該單變數技術基於與製造過程相關聯的單個變數（諸如總的光譜強度（spectral intensity））來檢測製造過程的狀態。用於檢測製造過程的狀態的另一可能的技術是使用主分量分析（PCA）技術來識別用於檢測製造過程的狀態的變數集合（即，主分量），並且基於監測該變數集合檢測製造過程何時達到穩定狀態。然而，在一些情況下，在製造過程期間測量的數據可以是多變數（multivariate）數據（例如，包括與數百個變數相關聯的數據的NIR光譜）。因此，由於根據單變數技術或PCA技術專注於相對較少的變數，所以這些技術可能導致不準確的狀態檢測和/或可能不夠穩健以確保準確的狀態檢測。
本文描述的實施方式提供了能夠生成用於確定製造過程（例如，連續製造過程、批量製造過程等）是否已經到達穩定狀態的支援向量機（SVM）分類模型、以及使用SVM分類模型並且基於與製造過程相關聯的多變數光譜數據來確定製造過程是否已經達到穩定狀態的檢測設備。在一些實施方式中，SVM分類模型可以考慮多個變數（例如，80個變數、120個變數、150個變數等），從而增加SVM分類模型的準確性和/或穩健性（例如，相比較於上述技術）。
圖1A-圖1C是本文描述的示例實施方式100的概述的圖。如圖1A所示，並且由附圖標記102所示，檢測設備可以接收與製造過程相關聯的訓練光譜數據。基於可能會生成哪些與檢測製造過程是否已經達到穩定狀態相關聯的支援向量機（SVM）分類模型的疊代，訓練光譜數據（有時稱為第一光譜數據）可以包括與製造過程相關聯的光譜數據。例如，訓練光譜數據可以包括在製造過程的執行期間由光譜儀測量的光譜（例如，諸如NIR光譜的多變數時間序列數據）。收集訓練光譜數據的期間的製造過程的執行（performance）可以被稱為製造過程的第一執行。
如所示的，訓練光譜數據可以包括在製造過程的開始時（時間t0 ）測量的光譜數據、在已知製造過程處於非穩定狀態時（時間tus0 ）測量的光譜數據）、在已知製造過程處於穩定狀態時（時間tss0 ）測量的光譜數據、在製造過程結束時（時間te ）測量的光譜數據以及不知道製造過程的狀態的時間t0 和時間te 之間測量的光譜數據。
如附圖標記104至116所示，檢測設備可以基於訓練光譜數據生成SVM分類模型的疊代。例如，如附圖標記104所示，為了生成SVM分類模型的初始疊代（疊代0），檢測設備可以基於訓練光譜數據創建初始集非穩定狀態數據（例如，包括從時間t0 到時間tus0 測量的光譜數據）和初始集穩定狀態數據（例如，包括從時間tss0 到時間te 測量的光譜數據）。
如附圖標記106所示，檢測設備可以基於初始集非穩定狀態數據和初始集穩定狀態數據生成SVM分類模型的初始疊代。如所示的，基於提供訓練光譜數據作為SVM分類模型的初始疊代的輸入，檢測設備可以確定與SVM分類模型的初始疊代相關聯的初始預測轉換時間（ttrans0 ）（例如，SVM分類模型的初始疊代預測製造過程從非穩定狀態轉換到穩定狀態的時間）。
如附圖標記108所示，為了生成SVM分類模型的第一次疊代（疊代1），檢測設備可以基於訓練光譜數據創建第一集非穩定狀態數據（例如，包括從時間t0 到時間ttrans0 測量的光譜數據）和第一集穩定狀態數據（例如，包括從時間tss0-dt * 1 到時間te 測量的光譜數據）。值得注意的是，第一集非穩定狀態數據包括直到通過SVM分類模型的初始疊代預測的轉換時間為止測量的光譜數據，而第一集穩定狀態數據包括初始集穩定狀態數據中所包括的光譜數據、以及在時間tss0 之前的一個時步（time step）測量的光譜數據。
如附圖標記110所示，檢測設備可以基於第一集非穩定狀態數據和第一集穩定狀態數據生成SVM分類模型的第一次疊代。如所示的，基於提供訓練光譜數據作為SVM分類模型的第一次疊代的輸入，檢測設備可以確定與SVM分類模型的第一次疊代相關聯的第一預測的轉換時間（ttrans1 ）（例如，SVM分類模型的第一次疊代預測製造過程從非穩定狀態轉換到穩定狀態的時間）。
在一些實施方式中，檢測設備可以以這種方式生成SVM分類模型的n（n＞ 1）次疊代並確定預測的轉換時間，直到與用於生成SVM分類模型的第n次疊代的穩態數據集相關聯的最早時間是距已知製造過程處於非穩定狀態的時間的時間閾值量（例如，一個時步）為止（例如，直到該穩定狀態集包括從tss0-dt * n = tus0 + dt 到時間te 測量的光譜數據為止）。
例如，如圖1A中由附圖標記112所示，為了生成SVM分類模型的第n次疊代（疊代n），檢測設備可以基於訓練光譜數據創建第n集非穩定狀態數據（例如，包括從時間t0 到時間ttrans （ n-1 ） 測量的光譜數據）和第n集穩定狀態數據（例如，包括從時間tss0-dt * n = tus0 + dt 到時間te 測量的光譜數據）。值得注意的是，第n集非穩定狀態數據包括直到通過SVM分類模型的第（n-1）次（即，先前的）疊代預測的轉換時間的時間為止測量的光譜數據，而第n集穩定狀態數據包括第（n-1）集穩定狀態數據中所包括的光譜數據、以及在時間tss0-dt * （ n-1 ） 之前的一個時步測量的光譜數據。
如附圖標記114所示，檢測設備可以基於第n集非穩定狀態數據和第n集穩定狀態數據生成SVM分類模型的第n次疊代。如所示的，基於提供訓練光譜數據作為SVM分類模型的第n次疊代的輸入，檢測設備可以確定與SVM分類模型的第n次疊代相關聯的第n個預測的轉換時間（ttrans （ n ） ）（例如，SVM分類模型的第n次疊代預測製造過程從非穩定狀態轉換到穩定狀態的時間）。
如附圖標記116所示，檢測設備可以基於通過SVM分類模型的n次疊代所預測的n個轉換時間來確定與製造過程相關聯的主要（例如，最多預測的）轉換時間。如附圖標記118所示，檢測設備可以基於與製造過程相關聯的轉換時間生成最終的SVM分類模型。例如，檢測設備可以創建包括在所確定的優勢轉換時間之前測量的光譜數據的最終集非穩定狀態數據，以及包括在所確定的優勢轉換時間處或在其之後測量的訓練光譜數據的最終集穩定狀態數據。如所示的，相應地，檢測設備可以基於最終集非穩態數據和最終集穩定狀態數據來生成最終的SVM分類模型。
如圖1B所示，並且通過附圖標記120，檢測設備可以（在稍後的時間）識別SVM分類模型（例如，基於存儲如所描述的生成的最終的SVM分類模型）以用於檢測製造過程的執行是否達到了穩定狀態。例如，檢測設備可以基於接收到製造過程正在開始或已經開始的指示來識別SVM分類模型。
如附圖標記122所示，檢測設備可以在製造過程的第二執行期間接收與製造過程相關聯的光譜數據（有時稱為第二光譜數據或附加光譜數據）。例如，如所示的，光譜儀可以在製造過程的執行期間的給定時間（例如，時間tA ）處測量光譜數據，並且可以將光譜數據提供給檢測設備。在收集光譜數據用於SVM分類模型的輸入期間的製造過程的執行可以被稱為製造過程的第二執行。
如進一步所示的，檢測設備可以基於光譜數據和SVM分類模型確定製造過程在時間tA 處是否處於穩定狀態。例如，如附圖標記124所示，檢測設備可以提供在時間tA 處測量的光譜數據作為SVM分類模型的輸入。如附圖標記126所示，檢測設備可以基於SVM分類模型的輸出來確定製造過程在時間tA 處未處於穩定狀態。在一些實施方式中，檢測設備可以基於與SVM分類模型相關聯的決策邊界來確定製造過程是否處於穩定狀態，如下所述。
如圖1C所示，並且通過附圖標記128，檢測設備可以在製造過程的執行期間的稍後時間（時間tB ）接收與製造過程相關聯的光譜數據。例如，如所示的，光譜儀可以在時間tB 處測量光譜數據，並且可以將光譜數據提供給檢測設備。
如進一步所示的，檢測設備可以基於光譜數據和SVM分類模型來確定製造過程在時間tB 處是否處於穩定狀態。例如，如附圖標記130所示，檢測設備可以提供在時間tB 處測量的光譜數據作為SVM分類模型的輸入。如附圖標記132所示，檢測設備可以基於SVM分類模型的輸出來確定製造過程在時間tB 處於穩定狀態。
如附圖標記134所示，在一些實施方式中，檢測設備可以（可選地）基於確定製造過程已經達到穩定狀態來確定與穩定狀態相關聯的定量度量。定量度量可以包括指示與穩定狀態相關聯的定量屬性的度量，例如，化合物在穩定狀態下的組成部分的濃度、穩定狀態下的粒子大小等。例如，檢測設備可以存儲或存取回歸模型（例如，偏最小二乘（PLS）回歸模型、支援向量回歸（SVR）模型），該回歸模型接收基於其檢測到穩定狀態的光譜數據作為輸入，並且提供與該穩定狀態相關聯的定量度量作為輸出。
如附圖標記136所示，基於確定製造過程已經達到穩定狀態，檢測設備可以（例如，向與監測製造過程相關聯的使用者設備）提供製造過程已經達到穩定狀態的指示。如進一步所示的，檢測設備還可以提供與定量度量相關聯的資訊。
以這種方式，檢測設備可以生成用於確定製造過程是否已經達到穩定狀態的SVM分類模型，以及使用該SVM分類模型並基於與製造過程相關聯的多變數光譜數據來確定製造過程是否已達到穩定狀態。
如上所述，圖1A-圖1C僅作為示例被提供。其他的示例也是可能的並且可以不同於關於圖1A-圖1C所描述的示例。
圖2是可以實現本文所描述的系統和/或方法的示例環境200的圖。如圖2所示，環境200可以包括一個或多個光譜儀210-1至210-X（X≥1）（此處統一地稱為光譜儀210，並且單獨地稱為光譜儀210）、檢測設備220、使用者設備230和網路240。環境200的設備可以經由有線連接、無線連接或有線和無線連接的組合來互連。
光譜儀210包括能夠對樣品（例如，與製造過程相關聯的樣品）執行光譜測量的設備。例如，光譜儀210可以包括執行光譜學（例如，振動光譜學，諸如近紅外（NIR）光譜學、中紅外光譜學（mid-IR）、拉曼光譜學等）的桌面型（即，非掌上型）光譜儀設備。在一些實施方式中，光譜儀210可以能夠提供由光譜儀210獲得的光譜數據，用於由另一設備（諸如檢測設備220）進行分析。
檢測設備220包括能夠基於與製造過程相關聯的分類模型和與製造過程相關聯的光譜數據來檢測製造過程是否已經達到穩定狀態的一個或多個設備。例如，檢測設備220可以包括伺服器、一組伺服器、電腦、雲計算設備等。在一些實施方式中，檢測設備220可以能夠基於與製造過程相關聯的訓練光譜數據來生成分類模型。在一些實施方式中，檢測設備220可以從環境200中的另一設備（諸如光譜儀210和/或使用者設備230）接收資訊和/或將資訊發送給該另一設備。
使用者設備230包括能夠接收、處理和/或提供與製造過程是否已經達到穩定狀態相關聯的資訊的一個或多個設備。例如，使用者設備230可以包括通信和計算設備，諸如桌面型電腦、行動電話（例如，智慧型手機、無線電話等）、筆記型電腦、平板電腦、掌上型電腦、可穿戴通信設備（例如，智慧腕表、一副智慧眼鏡等）或類似類型的設備。
網路240包括一個或多個有線和/或無線網路。例如，網路240可以包括行動網路（例如，長期演進（LTE）網路、3G網路、碼分多址（CDMA）網路等）、公共陸地移動網（PLMN）、區域網路（LAN）、廣域網路（WAN）、都會區網路（MAN）、電話網絡（例如，公共交換電話網絡（PSTN））、私人網路、特殊網路（ad hoc network）、內部網路、互聯網、基於光纖的網路、雲計算網路等、和/或這些或其他類型的網路的組合。
作為示例提供圖2中所示的設備和網路的數量和佈置。實際上，可能存在與圖2中所示的那些相比有附加的設備和/或網路、更少的設備和/或網路、不同的設備和/或網路、或者不同佈置的設備和/或網路。此外，圖2中示出的兩個或更多個設備可以在單一個設備內實現，或者，圖2中示出的單一個設備可以實現為多個、分散式的設備。另外或可選地，環境200的一組設備（例如，一個或多個設備）可以執行被描述為由環境200的另一組設備執行的一個或多個功能。
圖3是設備300的示例元件的圖。設備300可以對應於光譜儀210、檢測設備220和/或使用者設備230。在一些實施方式中，光譜儀210、檢測設備220和/或使用者設備230可以包括一個或多個設備300和/或設備300的一個或多個元件。如圖3所示，設備300可以包括匯流排310、處理器320、記憶體330、存儲元件340、輸入元件350、輸出元件360和通信介面370。
匯流排310包括允許在設備300的元件之間進行通信的元件。處理器320以硬體、韌體或硬體和軟體的組合來實現。處理器320包括中央處理單元（CPU）、圖形處理單元（GPU）、加速處理單元（APU）、微處理器、微控制器、數位訊號處理器、現場可程式化閘陣列（FPGA）、特殊應用積體電路（ASIC）或另一類型的處理元件。在一些實施方式中，處理器320包括能夠被程式化為執行功能的一個或多個處理器。記憶體330包括存儲由處理器320使用的資訊和/或指令的隨機存取記憶體（RAM）、唯讀記憶體（ROM）和/或另一類型的動態或靜態存儲裝置（例如，快閃記憶體、磁記憶體和/或光記憶體）。
存儲元件340存儲與設備300的操作和使用有關的資訊和/或軟體。例如，存儲元件340可以包括硬碟（例如，磁片、光碟、磁光碟和/或固態盤）、光碟片（CD）、數位多功能光碟（DVD）、軟碟片、卡匣、磁帶和/或另一類型的非暫態電腦可讀取媒體以及相應的驅動器。
輸入元件350包括允許設備300諸如經由使用者輸入（例如，觸控式螢幕顯示器、鍵盤、鍵區（keypad）、滑鼠、按鈕、開關和/或麥克風）接收資訊的元件。另外或可選地，輸入元件350可以包括用於感測資訊的感測器（例如，全球定位系統（GPS）元件、加速度計、陀螺儀和/或致動器）。輸出元件360包括提供來自設備300的輸出資訊的元件（例如，顯示器、揚聲器和/或一個或多個發光二極體（LED））。
通信介面370包括使得設備300能夠諸如經由有線連接、無線連接或有線連接和無線連接的組合來與其他設備通信的、類似收發器的元件（例如，收發器和/或單獨的接收器和發送器）。通信介面370可以允許設備300從另一個設備接收資訊和/或向另一設備提供資訊。例如，通信介面370可以包括乙太網介面、光學介面、同軸介面、紅外線介面、射頻（RF）介面、通用序列匯流排（USB）介面、Wi-Fi介面、行動網路介面等。
設備300可以執行本文所描述的一個或多個過程。設備300可以回應於處理器320運行由非暫態電腦可讀取媒體（諸如記憶體330和/或存儲元件340）存儲的軟體指令來執行這些過程。電腦可讀取媒體在本文被定義為非暫態記憶體設備。記憶體設備包括單個物理存儲裝置內的記憶體空間或分佈在多個物理存儲裝置上的記憶體空間。
軟體指令可以經由通信介面370從另一電腦可讀取媒體或者從另一設備被讀取到記憶體330和/或存儲元件340中。當被運行時，存儲在記憶體330和/或存儲元件340中的軟體指令可以使處理器320執行本文所描述的一個或多個過程。另外地，或可選地，可以使用固線式電路來代替軟體指令或與軟體指令結合來執行本文所描述的一個或多個過程。因此，本文所描述的實施方式不限於硬體電路和軟體的任何特定組合。
作為示例提供圖3中所示的元件的數量和佈置。在實踐中，設備300可以包括與圖3中所示的那些相比附加的元件、更少的元件、不同的元件或者不同佈置的元件。另外地，或者可選地，設備300的一組元件（例如，一個或多個元件）可以執行被描述為由設備300的另一組元件執行的一個或多個功能。
圖4是用於生成用於檢測製造過程何時達到穩定狀態的分類模型的示例過程400的流程圖。在一些實施方式中，圖4中的一個或多個過程區塊可以由檢測設備220執行。在一些實施方式中，圖4中的一個或多個過程區塊可以由與檢測設備220分離或包括檢測設備220的另一設備或設備組（諸如光譜儀210和/或使用者設備230）執行。
如圖4所示，過程400可以包括接收與製造過程相關聯的訓練光譜數據（區塊410）。例如，檢測設備220可以接收與製造過程相關聯的訓練光譜數據。
基於可以生成SVM分類模型的哪些疊代，訓練光譜數據可以包括與製造過程相關聯的光譜數據。例如，訓練光譜數據可以包括在製造過程的執行期間由光譜儀210測量的光譜（例如，諸如NIR光譜的多變數時間序列數據）。在一些實施方式中，製造過程可以是連續製造過程或批量製造過程。在一些實施方式中，檢測設備220可以基於訓練光譜數據生成SVM分類模型的疊代，如下所述。
在一些實施方式中，訓練光譜數據可以包括在製造過程的較早執行期間在不同時間（例如，週期性地在一系列時步處）測量的歷史光譜。例如，訓練光譜數據可以包括在製造過程的較早執行的開始時間（本文稱為時間t0 ）處測量的光譜和在製造過程的較早執行的結束時間（本文稱為作為時間te ）處測量的光譜。
作為另一示例，訓練光譜數據可以包括在已知製造過程的較早執行已經處於非穩定狀態的時間（本文稱為時間tus0 ）處測量的光譜。在一些實施方式中，時間tus0 可以與時間t0 相同（例如，由於製造過程在製造過程開始時處於非穩定狀態）。或者，時間tus0 可以是在時間t0 之後的時間，諸如時間t0 之後的一個時步的時間、時間t0 之後的5個時步的時間、時間t0 之後的40個時步的時間等。在一些實施方式中，時間tus0 可以是在時間t0 之後的時間，假定在該時間處製造過程的較早執行已經處於非穩定狀態。
作為額外的示例，訓練光譜數據可以包括在已知製造過程的較早執行已經處於穩定狀態（此處稱為時間tss0 ）的時間處測量的光譜。在一些實施方式中，時間tss0 可以是與時間te 相同的時間（例如，由於製造過程在製造過程結束時處於穩定狀態）。或者，時間tss0 可以是時間te 之前的時間，諸如，時間te 之前的一個時步的時間、時間te 之前的5個時步的時間、時間te 之前的40個時步的時間等。在一些實施方式中，時間tss0 可以是時間te 之前的時間，假定在該時間處製造過程的較早執行已經處於穩定狀態。
作為另一示例，訓練光譜數據可以包括在時間t0 和時間te 之間的時間處測量的光譜，在該時間期間製造過程的較早執行的狀態未知。
在一些實施方式中，檢測設備220可以從一個或多個其他設備（諸如，在製造過程的較早執行期間獲得訓練光譜數據的一個或多個光譜儀210或者存儲由一個或多個光譜儀210在製造過程的較早執行期間測量的訓練光譜數據的伺服器設備）接收訓練光譜數據。
在一些實施方式中，訓練光譜數據可以與製造過程的多個較早執行相關聯，其中起始條件（例如，總重量、粒子大小、分佈、濕度水準等）在製造過程的多個執行中變化。在這種情況下，可以對與製造過程的多個執行相關聯的訓練光譜數據的多個集合進行平均和/或另外組合，以形成訓練光譜數據。在一些實施方式中，通過變化起始條件來測量訓練光譜數據導致基於訓練光譜數據生成的SVM分類模型的準確度和/或穩健性增加（例如，相比於基於具有單集起始條件的製造過程生成的SVM分類模型）。
在一些實施方式中，檢測設備220可以對訓練光譜數據執行降維。降維可以包括減少可基於其生成SVM分類模型的多變數訓練光譜數據的許多變數。在一些實施方式中，可以使用主成分分析（PCA）技術來執行降維，由此，主成分（即，多變數的子集）被識別以用於生成SVM分類模型。另外，或可選地，可以使用變數選擇技術來執行降維，由此，選擇多變數中的變數，該變數與例如與製造過程相關聯的化合物區分（discriminative）。這種變數選擇技術的示例包括選擇性比率（SR）技術、投影中的變數重要性（VIP）技術等。在一些實施方式中，執行降維可以通過例如在多變數之間移除干擾和/或減少雜訊而致使SVM分類模型的可解釋性提升和/或SVM分類模型的生成改進（例如，相比於在訓練光譜數據的整個集合上生成的SVM分類模型）。
如圖4進一步所示，過程400可以包括基於訓練光譜數據創建非穩定狀態數據集和穩定狀態數據集（區塊420）。例如，檢測設備220可以基於訓練光譜數據創建非穩定狀態數據集和穩定狀態數據集。
為了生成SVM分類模型的疊代，非穩定狀態數據集可以包括訓練光譜數據中包括的、對應於製造過程被假定為處於非穩定狀態的時間的光譜數據。例如，與生成SVM分類模型的初始疊代相關聯的初始集非穩定狀態數據可以包括在從時間t0 到時間tus0 的時間處測量的光譜數據。繼續該示例，與生成SVM模型的下一次疊代相關聯的另一集非穩定狀態數據可以包括在從時間t0 到時間ttrans0 的時間處測量的光譜數據，其中，時間ttrans0 是如SVM分類模型的初始疊代所預測的轉換時間（例如，從非穩定狀態到穩定狀態的轉換的時間）。通常，與生成SVM模型的第n次疊代相關聯的第n集非穩定狀態數據可以包括在從時間t0 到時間ttrans （ n-1 ） 的時間處測量的光譜數據，其中，時間ttrans （ n-1 ） 是由SVM分類模型的第（n-1）次（即，先前的）疊代確定的轉換時間。以下描述關於生成SVM分類模型的疊代的附加細節。
在一些實施方式中，可以通過例如將訓練光譜數據中所包括的附加光譜數據添加到與生成SVM模型的先前疊代相關聯的非穩定狀態數據集中，來更新、修改和/或重新創建非穩定狀態數據集以生成SVM模型的每次疊代。例如，用於生成SVM分類模型的第n次疊代的第n集非穩定狀態數據可以包括用於生成SVM分類模型的第（n-1）次疊代的第（n-1）集非穩定狀態數據中包括的光譜數據、以及在從第（n-1）集非穩定狀態數據中的最後時間到使用SVM分類模型的第（n-1）次疊代預測的轉換時間的時間處測量的光譜數據。作為特定的示例，用於生成SVM分類模型的第4次疊代的穩定狀態數據集可以包括從時間t0 到時間ttrans3 （例如，從開始時間到使用模型的第3次疊代確定的轉換時間）測量的光譜數據，而用於生成SVM分類模型的第5次（即，下一次）疊代的穩定狀態數據集可以包括從時間t0 到時間ttrans4 （例如，從開始時間到使用SVM分類模型的第4次疊代確定的轉換時間）測量的光譜數據。
為了生成SVM分類模型的疊代，穩定狀態數據集可以包括訓練光譜數據中所包括的、對應於製造過程的較早執行被假定為處於穩定狀態的時間的光譜數據。例如，與生成SVM分類模型的初始疊代相關聯的初始集穩定狀態數據可以包括在從時間tss0 到時間te 的時間處測量的光譜數據。繼續該示例，與生成SVM模型的下一次疊代相關聯的另一集穩定狀態數據可以包括在從時間tss0-dt * 1 到時間te 的時間處測量的光譜數據，其中，時間tss0-dt * 1 是時間tss0 之前的一個時步的時間。換句話說，在生成SVM分類模型的每次疊代時，檢測設備220可以將與時間tss0 之前的時步相關聯的光譜數據疊代地添加到每一集穩定狀態數據中。通常，與生成SVM模型的第n次疊代相關聯的第n集穩定狀態數據可以包括在從時間tss0-dt * n 到時間te 的時間處測量的光譜數據，其中，時間tss0-dt * n 是時間tss0 之前的n個時步的時間。
在一些實施方式中，可以通過例如將附加光譜數據添加到與生成SVM模型的先前疊代相關聯的穩定狀態數據集中，來更新、修改和/或重新創建穩定狀態數據集以生成SVM模型的每次疊代。例如，用於生成SVM分類模型的給定疊代的穩定狀態數據集可以包括用於生成SVM分類模型的先前疊代的穩定狀態數據集中所包括的光譜數據、以及在與用於生成SVM分類模型的先前疊代的光譜數據集相關聯的最早時步之前緊接的時步處測量的光譜數據。作為特定的示例，用於生成SVM分類模型的第4次疊代的穩定狀態數據集可以包括從時間tss0-dt * 4 到時間te 測量的光譜數據，而用於生成SVM分類模型的第5次（即，下一次）疊代的穩定狀態數據集可以包括從時間tss0-dt * 5 到時間te 測量的光譜數據（即，tss0-dt * 4 之前的一個時步的光譜數據）。
如圖4中進一步示出的，過程400可以包括基於非穩定狀態數據集和穩定狀態數據集生成與檢測製造過程是否已經達到穩定狀態相關聯的SVM分類模型的疊代（區塊430）。例如，檢測設備220可以基於非穩定狀態數據集和穩定狀態數據集生成與檢測製造過程何時已經達到穩定狀態相關聯的SVM分類模型的疊代。
在一些實施方式中，檢測設備220可以基於將SVM技術應用於非穩定狀態數據集和穩定狀態數據集來生成SVM分類模型的疊代。例如，檢測設備220可以通過將非穩定狀態數據集和穩定狀態數據集映射為空間中的點，使得非穩定狀態數據集與穩定狀態數據集通過例如超平面相分離，來生成SVM分類模型。
在一些實施方式中，檢測設備220可以基於訓練光譜數據和SVM分類模型的疊代來確定與SVM分類模型的疊代相關聯（即，通過其預測）的預測的轉換時間。例如，檢測設備220可以基於穩定狀態數據集和非穩定狀態數據集生成SVM分類模型的疊代。這裡，檢測設備220可以將訓練光譜數據（例如，與從時間t0 到時間te 的每個時步相關聯）映射到相同空間中，基於相同空間生成SVM分類模型的疊代。在該示例中，基於訓練光譜數據項目被映射的位置（例如，相對於超平面集），SVM分類模型可以識別與製造過程相關聯、通過SVM分類模型的初始疊代預測的轉換時間（ttrans （ n ） ）。在一些實施方式中，檢測設備220可以確定用於SVM分類模型的每次疊代的預測的轉換時間。在一些實施方式中，檢測設備220可以存儲標識與SVM分類模型的疊代相關聯的預測的轉換時間的資訊，以便允許檢測設備220確定與製造過程相關聯的轉換時間，如下所述。
如圖4進一步所示，過程400可以包括確定是否生成SVM分類模型的另一次疊代（區塊440）。例如，檢測設備220可以確定是否生成SVM分類模型的另一次疊代。
在一些實施方式中，檢測設備220可以基於與穩定狀態數據集相關聯的時間來確定是否生成SVM分類模型的另一次疊代。例如，檢測設備220可以被配置為繼續生成SVM分類模型的疊代，直到與穩定狀態數據集相關聯的時間的最早時間滿足與已知製造過程處於非穩定狀態的時間（時間tus0 ）相關聯的閾值時間為止。作為特定的示例，檢測設備220可以被配置為繼續生成SVM分類模型的疊代（並確定預測的轉換時間），直到與穩定狀態數據集相關聯的最早時間與時間tus0 相差閾值量為止（例如，直到tss0-dt * n 距tus0 一個時步（tss0-dt * n = tus0 + dt ）為止）。
另外，或替代地，檢測設備220可以基於疊代閾值來確定是否生成SVM分類模型的另一次疊代。例如，檢測設備220可以被配置為在閾值時間量內繼續生成SVM分類模型的疊代，直到已經生成了閾值次數的疊代等。這裡，檢測裝置220可以基於是否滿足閾值（例如，閾值時間量是否已經過去、是否已經生成了閾值次數的疊代等）來確定是否生成SVM分類模型的另一次疊代。
如圖4進一步所示，如果要生成SVM分類模型的另一次疊代（區塊440-是），則過程400可以包括基於訓練光譜數據創建另一集穩定狀態數據和另一集非穩定狀態數據（區塊420）。例如，檢測設備220可以確定要生成SVM分類模型的另一次疊代（例如，當tss0-dt * n ＞ tus0 + dt 時、當疊代閾值未被滿足時等），並且，檢測設備220可以基於訓練光譜數據來創建另一集穩定狀態數據和另一集非穩定狀態數據。
在一些實施方式中，檢測設備220可以以上述關於區塊420所描述的方式創建另一集非穩定狀態數據和另一集穩定狀態數據。在一些實施方式中，在創建另一集穩定狀態數據和另一集非穩定狀態數據時，檢測設備220可以生成SVM分類模型的另一次疊代並且確定通過SVM分類模型的另一次疊代預測的轉換時間，如上面關於區塊430所描述的。
作為上述疊代過程的示例，檢測設備220可以創建初始集非穩定狀態數據（例如，包括在從時間t0 到時間tus0 的時間處測量的訓練光譜數據）和初始集穩定狀態數據（例如，包括在從時間tss0 到時間te 的時間處測量的訓練光譜數據）。在該示例中，檢測設備220可以將SVM技術應用於初始集穩定狀態數據和初始集非穩定狀態數據，以便生成SVM分類模型的初始疊代。接下來，檢測設備220可以將訓練光譜數據作為輸入提供給SVM分類模型的初始疊代，並且確定與SVM分類模型的初始疊代相關聯的初始預測的轉換時間（ttrans0 ）作為輸出。
繼續該示例，檢測設備220可以確定tss0 ＞ tus0 + dt ，並且因此，檢測設備220可以生成SVM分類模型的另一次疊代。然後，檢測設備220可以基於訓練光譜數據和初始預測的轉換時間創建第一集穩定狀態數據（例如，包括從時間tss0-dt * 1 到時間te 測量的訓練光譜數據）和第一集非穩定狀態數據（例如，包括在從時間t0 到時間ttrans0 的時間處測量的訓練光譜數據）。然後，檢測設備220可以將SVM技術應用於第一集穩定狀態數據和第一集非穩定狀態數據，以生成SVM分類模型的第一次疊代。接下來，檢測設備220可以將訓練光譜數據作為輸入提供給SVM分類模型的第一次疊代，並且確定與SVM分類模型的第一次疊代相關聯的第一預測的轉換時間（ttrans1 ）作為輸出。檢測設備220可以以這種方式繼續生成SVM分類模型的疊代（並且確定預測的轉換時間），直到檢測設備220確定將不生成附加的疊代。
如圖4進一步所示，如果將不生成SVM分類模型的另一次疊代（區塊440-否），則過程400可以包括基於通過SVM分類模型的疊代預測的轉換時間來確定與製造過程相關聯的轉換時間（區塊450）。例如，檢測設備220可以確定將不生成SVM分類模型的另一次疊代，並且檢測設備220可以基於通過SVM分類模型的疊代預測的轉換時間來確定與製造過程相關聯的轉換時間。
在一些實施方式中，檢測設備220可以基於與SVM分類模型的疊代相關聯的預測的轉換時間來確定與製造過程相關聯的轉換時間。例如，檢測設備220可以以上述方式分別確定通過SVM分類模型的n次疊代預測的n個轉換時間。這裡，檢測設備220可以將與製造過程相關聯的轉換時間確定為通過SVM分類模型的n次疊代預測的轉換時間的優勢轉換時間（例如，具有最常出現的預測的轉換時間）。
圖5A和圖5B是與基於通過與製造過程相關聯的SVM分類模型的疊代預測的轉換時間來確定製造過程的轉換時間相關聯的示例圖形表示500和550。為了圖5A和圖5B，假定檢測設備220已經確定了與SVM分類模型的n次疊代相對應的n個轉換時間。
在圖5A中，每個點表示通過SVM分類模型的疊代預測的轉換時間，其相對於與SVM分類模型的疊代相關聯的時間tss0-dt * n 繪製（即，時間tss0- dt * n 與關聯於生成SVM分類模型的疊代的穩定狀態集相關聯）。如圖5A所示，n個轉換時間的集中的優勢轉換時間位於時間130處（例如，時間130通過比任何其他轉換時間被預測了更多的疊代）。在該示例中，檢測設備220可以將與製造過程相關聯的轉換時間確定為時間130。
圖5B中示出了另一圖形表示。在圖5B中，繪製了每個轉換時間的出現的總次數。再次，如圖5B所示，n個轉換時間的集中的優勢轉換時間位於時間130。因此，檢測設備220可以將與製造過程相關聯的轉換時間確定為時間130。
如上所述，圖5A和圖5B僅作為示例提供。其他的示例也是可能的並且可以不同於關於圖5A和圖5B所描述的示例。
返回到圖4，過程400可以包括基於與製造過程相關聯的轉換時間生成最終的SVM分類模型（區塊460）。例如，檢測設備220可以基於與製造過程相關聯的轉換時間生成最終的SVM分類模型。
最終的SVM分類模型可以包括基於與製造過程相關聯的轉換時間生成的SVM分類模型，該轉換時間是基於SVM分類模型的疊代而確定的。
在一些實施方式中，檢測設備220可以基於與製造過程相關聯的轉換時間生成最終的分類模型。例如，如上所述，檢測設備220可以確定與製造過程相關聯的轉換時間。這裡，檢測設備220可以創建包括與轉換時間之前的時間相關聯的訓練光譜數據的最終集非穩定狀態數據，以及包括與轉換時間處或其之後的時間相關聯的訓練光譜數據的最終集穩定狀態數據。在該示例中，檢測設備220可以將SVM技術應用於最終集非穩定狀態數據和最終集穩定狀態數據，並且可以以與上述類似的方式生成最終的SVM分類模型。
在一些實施方式中，如上所述，SVM分類模型可以包括決策邊界（例如，超平面），其可以充當用於確定製造過程的稍後執行是否已經達到穩定狀態的基礎。下面參照圖6描述關於決策邊界的附加細節。
在一些實施方式中，檢測設備220可以存儲最終的SVM分類模型，使得檢測設備220可以使用最終的SVM分類模型以確定製造過程的稍後執行是處於非穩定狀態還是處於穩定狀態，如下所述。以這種方式，檢測設備220可以生成SVM分類模型，該SVM分類模型可以接收與製造過程相關聯的光譜數據作為輸入並且提供製造過程處於非穩定狀態還是處於穩定狀態的指示作為輸出。
在一些實施方式中，製造過程可以包括多個狀態轉換，並且檢測設備220可以針對每個穩定狀態重複過程400以確定與製造過程相關聯的多個SVM分類模型。例如，製造過程可以從第一非穩定狀態轉換到第一穩定狀態、從第一穩定狀態轉換到第二非穩定狀態、並且從第二非穩定狀態轉換到第二穩定狀態。在該示例中，檢測設備220可以執行過程400（例如，基於與製造過程相關聯測量的訓練光譜數據）以生成與到第二穩定狀態的轉換時間相關聯的SVM分類模型。接下來，檢測設備220可以執行過程400（例如，基於不包括與第二穩定狀態相關聯的訓練光譜數據的訓練光譜數據的子集），以生成與到第一穩定狀態的轉換時間相關聯的SVM分類模型。
儘管圖4示出了過程400的示例區塊，但是，在一些實施方式中，過程400可以包括與圖4中所描繪的那些相比附加的區塊、較少的區塊、不同的區塊或不同佈置的區塊。另外地，或可選地，過程400中的兩個或更多區塊可以並存執行。
圖6是用於基於光譜數據並使用SVM分類模型來確定製造過程是否已經達到穩定狀態的示例過程600的流程圖。在一些實施方式中，圖6中的一個或多個過程區塊可以由檢測設備220執行。在一些實施方式中，圖6中的一個或多個過程區塊可以由與檢測設備220分離的另一設備或包括檢測設備220的設備組（諸如光譜儀210和/或使用者設備230）執行。
如圖6所示，過程600可以包括識別用於檢測製造過程是否已經達到穩定狀態的SVM分類模型（區塊610）。例如，檢測設備220可以識別用於檢測製造過程是否已經達到穩定狀態的SVM分類模型。
在一些實施方式中，檢測設備220可以基於檢測設備220存儲或可存取的資訊來識別SVM分類模型。例如，檢測設備220可以基於存儲由檢測設備220生成的最終的SVM分類模型來識別SVM分類模型，如以上關於過程400所描述的。
在一些實施方式中，檢測設備220可以在檢測設備220接收到（例如，從光譜儀210、使用者設備230、基於使用者輸入等）檢測設備220要監測製造過程以確定製造過程何時達到穩定狀態的指示時識別SVM分類模型。例如，檢測設備220可以從光譜儀210和/或使用者設備230接收特定的製造過程將要開始或已經開始的指示，並且可以（例如，自動地）基於接收到的例如當檢測設備220被配置為自動監測製造過程以檢測製造過程何時達到穩定狀態時的指示來識別SVM分類模型。
如圖6進一步所示，過程600可以包括接收與製造過程相關聯的光譜數據（區塊620）。例如，檢測設備220可以接收與製造過程相關聯的光譜數據。
在一些實施方式中，光譜數據可以包括在製造過程的執行期間由一個或多個光譜儀210測量的光譜。在一些實施方式中，檢測設備220可以在製造過程期間即時地或接近即時地接收光譜數據。例如，檢測設備220可以相對於光譜儀210獲得光譜數據即時或接近即時地接收在製造過程的執行期間由光譜儀210測量的光譜數據。在一些實施方式中，檢測設備220可以基於光譜數據和SVM分類模型確定製造過程是否已經達到穩定狀態，如下所述。
如圖6進一步所示，過程600可以包括基於光譜數據和SVM分類模型確定製造過程是否已經達到穩定狀態（區塊630）。例如，檢測設備220可以基於光譜數據和SVM分類模型確定製造過程是否已經達到穩定狀態。
在一些實施方式中，檢測設備220可以基於與SVM分類模型相關聯的決策邊界來確定製造過程是否已達到穩態。例如，基於使用訓練光譜數據來識別製造過程的轉換時間（如上所述），檢測設備220可以生成包括由光譜空間中的超平面表示的決策邊界的SVM分類模型。這裡，決策邊界內的光譜空間中的點表示製造過程處於穩定狀態的光譜條件，而決策邊界外的點表示製造過程處於非穩定狀態的光譜條件。在一些實施方式中，可以在確定與製造過程相關聯的轉換時間之後基於將SVM分類模型技術應用於訓練光譜數據來生成決策邊界，如上所述。
圖7A和圖7B是示出與SVM分類模型相關聯的簡化決策邊界的示例圖形表示700。為了說明的目的，圖7A和圖7B所示的決策邊界被示出為僅與第一主要分量（PC1）和第二主要分量（PC2）相關聯。在實踐中，決策邊界可以與不同數量的分量（例如，80個變數、120個變數等）相關聯。
在圖7A和圖7B中，灰色的點和線表示在製造過程處於非穩定狀態的時間（即，從t0 到與SVM分類模型相關聯的轉換時間）處測量的訓練光譜數據，而黑色的點和線表示在製造過程處於穩定狀態的時間（即，從與SVM分類模型相關聯的轉換時間到時間te ）處測量的訓練光譜數據。淺灰色的圓圈表示製造過程處於非穩定狀態時的最後一點，以及製造過程處於穩定狀態時的第一點。圖7A是與製造過程相關聯的所有訓練光譜數據（例如，從時間t0 到時間te ）的圖形表示，而圖7B是由圖7A中的虛線矩形指示的空間內的點的特寫視圖。在圖7B中，決策邊界由與穩定狀態相關聯的點（以及與非穩定狀態相關聯的點的子集）周圍的粗線表示。如上所述，圖7A和圖7B僅作為簡化的說明性示例被提供。其他的示例也是可能的並且可以不同於關於圖7A和圖7B所描述的示例。
在一些實施方式中，檢測設備220可以基於決策邊界（例如，如圖7B中所示的決策邊界）確定製造過程是否已達到穩定狀態。例如，檢測設備220可以接收與製造過程相關聯的光譜數據，並且可以將光譜數據映射為與決策邊界相關聯的空間中的點。這裡，如果與光譜數據相關聯的點位於決策邊界之上或之內，則檢測設備220可以確定製造過程已經達到穩定狀態。或者，如果與光譜數據相關聯的點位於決策邊界之外，則檢測設備220可以確定製造過程尚未達到穩定狀態（即，處於非穩定狀態）。
在一些實施方式中，檢測設備220可以生成與確定製造過程是否已經達到穩定狀態相關聯的置信度度量（本文稱為決策值）。例如，檢測設備220可以基於決策邊界和表示光譜數據的點來確定從決策邊界到表示光譜數據的點的距離（例如，到決策邊界上的最近點的距離）。這裡，決策邊界內的點可以被分配正（或負）決策值，而決策邊界外的點可以被分配負（或正）決策值。在該示例中，具有較高絕對值的決策值（例如，4.0、2.5、-2.5、-4.0等）表示確定製造過程的狀態的置信度高於具有較低絕對值的決策值（例如，0.5、0.2、-0.2、-0.5等）的置信度。
如上所述，圖7A和圖7B僅作為說明性示例提供。其他的示例也是可能的並且可以不同於關於圖7A和圖7B所描述的示例。
圖8是基於圖7A和圖7B的決策邊界確定的示例決策值的圖形表示800。在圖8中，負決策值對應於在製造過程期間測量的具有落在決策邊界之外的點的光譜數據，而正決策值對應於在製造過程期間測量的具有落在決策邊界之內的點的光譜數據。如由圖8中的垂直線所示，檢測設備220在大致時步65處確定第一正決策值。
在一些實施方式中，檢測設備220可以基於決策值閾值來確定製造過程是否已達到穩定狀態。例如，當與決策邊界內的點相關聯的決策值滿足閾值時，檢測設備220可以確定製造過程已經達到穩定狀態。使用圖8作為特定的示例，如果檢測設備220被配置為當檢測設備220確定大於或等於2.0的正決策值時確定製造過程已經達到穩定狀態，則檢測設備220可以在大致時步75處做出這樣的確定。
作為另一實例，當表示與連續時步的數量相關聯的光譜數據的連續決策值的數量滿足閾值時，檢測設備220可以確定製造過程已經達到穩定狀態。使用圖8作為特定的示例，如果檢測設備220被配置為當檢測設備220確定5個連續的正決策值時確定製造過程已經達到穩定狀態，則檢測設備220可以在大致時步69處做出這樣的確定。
作為另一示例，當連續決策值的閾值數量滿足閾值時，檢測設備220可以確定製造過程已經達到穩定狀態。使用圖8作為特定的示例，如果檢測設備220被配置為當檢測設備220確定大於或等於1.0的3個連續正決策值時確定製造過程已經達到穩定狀態，則檢測設備220可以在大致時步68處做出這樣的確定。
作為另一示例，當多個決策值（例如，一系列連續正決策值）的平均值或加權平均值滿足閾值時，檢測設備220可以確定製造過程已經達到穩定狀態。在一些實施方式中，使用決策值閾值可以防止製造過程已經達到穩定狀態的錯誤確定（例如，由於製造過程本質上可以是隨機的）。
如上所述，圖8僅作為說明性的示例提供。其他的示例也是可能的並且可以不同於關於圖8所描述的示例。
返回至圖6，如果製造過程尚未達到穩定狀態（區塊630-否），則過程600可以包括接收與製造過程相關聯的附加光譜數據（區塊620）。例如，檢測設備220可以確定製造過程還沒有達到穩定狀態（例如，製造過程仍處於非穩定狀態），並且可以等待接收附加光譜數據（例如，製造過程期間，在下一個時步處收集的）。
在一些實施方式中，可以以上述方式基於附加光譜數據確定製造過程是否已經達到穩定狀態。在一些實施方式中，檢測設備220可以繼續接收光譜數據並且確定製造過程是否已經達到穩定狀態，直到檢測設備220確定製造過程已經達到穩定狀態為止。
如圖6進一步所示，如果製造過程已經達到穩定狀態（區塊630-是），則過程600可以包括確定與穩定狀態相關聯的定量度量（定量度量）（區塊640）。例如，檢測設備220可以確定製造過程已經達到穩定狀態，並且可以確定與穩定狀態相關聯的定量度量。
定量度量可以包括指示與穩定狀態相關聯的定量屬性（諸如化合物在穩定狀態下的組分的濃度、穩定狀態下的粒子大小等）的度量。在一些實施方式中，由檢測設備220基於光譜數據檢測到的穩定狀態可以對應於具有特定物理屬性（例如粒子大小）的組分化合物的特定組成。因此，可以基於與穩定狀態相關聯的光譜數據來預測定量度量。
例如，在一些實施方式中，檢測設備220可以存儲或存取回歸模型（例如，PLS回歸模型、SVR模型），該回歸模型接收基於其檢測穩定狀態的光譜數據作為輸入，並且提供與穩定狀態相關聯的定量度量作為輸出。在該示例中，回歸模型的輸出可以是例如化合物的每個組分的濃度、化合物的特定大小等。
在一些實施方式中，檢測設備220可以存儲或存取回歸模型。另外地或可選地，檢測設備220可以基於訓練光譜數據和訓練定量數據（例如，標識與訓練光譜數據對應的定量度量的資訊）來生成回歸模型（在較早的時間）。在一些實施方式中，定量度量的確定是可選的。
如圖6進一步所示，過程600可以包括提供製造過程已經達到穩定狀態的指示、以及與定量度量相關聯的資訊（區塊650）。例如，檢測設備220可以提供製造過程已經達到穩定狀態的指示、以及與定量度量相關聯的資訊。
在一些實施方式中，檢測設備220可以將製造過程已經達到穩定狀態的指示和/或與定量度量相關聯的資訊提供給另一設備，例如，使用者設備230（例如，使得使用者可以被通知製造過程已經達到穩定狀態和/或查看與定量度量相關聯的資訊）。
另外地，或可選地，檢測設備220可以提供製造過程已經達到穩定狀態的指示，以使動作自動地執行。例如，檢測設備220可以將該指示提供給與執行製造過程相關聯的設備，以使製造過程停止製造過程（例如，停止與穩定狀態相關聯的混合過程）、啟動製造過程的下一個步驟、使得製造過程重新開始（例如，重新開始對新的原料的混合過程）等。
儘管圖6示出過程600的示例區塊，但是在一些實施方式中，過程600可以包含與圖6中所描繪的那些相比較附加的區塊、較少的區塊、不同的區塊或不同佈置的區塊。另外地或可選地，過程600中的兩個或更多的區塊可以並存執行。
本文所描述的實施方式提供了能夠執行以下操作的檢測設備：生成用於確定製造過程（例如，連續製造過程、批量製造過程等）是否已經達到穩定狀態的SVM分類模型，以及使用SVM分類模型並基於與製造過程相關聯的多變數光譜數據確定製造過程是否已經達到穩定狀態。在一些實施方式中，SVM分類模型可以考慮多個變數（例如，80個變數、120個變數、150個變數等），從而增加SVM分類模型的準確性和/或穩健性（例如，相比於單變數技術或PCA技術）。
前述公開內容提供了說明和描述，但並非旨在窮舉或將實施方式限於所公開的精確形式。按照上述公開內容，修改和變化是可能的，或者可以從實施方式的實踐中獲得修改和變化。
如本文所使用的，術語元件旨在被廣義地解釋為硬體、固件和/或硬體和軟體的組合。
本文中結合閾值描述了一些實施方式。如本文所使用的，滿足閾值可以是指大於閾值、多於閾值、高於閾值、大於或等於閾值、小於閾值、少於閾值、低於閾值、小於或等於閾值、等於閾值等的值。
顯而易見的是，本文所描述的系統和/或方法可以以不同形式的硬體、固件或者硬體和軟體的組合來實現。用於實施這些系統和/或方法的實際專用控制硬體或軟體代碼不限於實施方式。因此，此處描述了系統和/或方法的操作和行為而沒有參考具體的軟體代碼-應當理解，軟體和硬體可以被設計為基於本文的描述來實現系統和/或方法。
儘管特徵的特定組合在請求項中被列舉和/或在說明書中被公開，但這些組合不意圖限制可能的實施方式的公開。實際上，這些特徵中的許多特徵可以以未在請求項中具體列舉和/或在說明書中公開的方式組合。儘管下面列出的每個從屬請求項可以直接依賴於僅一項請求項，但是可能的實施方式的公開包括每個從屬請求項與請求項集合中的每個其他請求項的組合。
除非明確地如此描述，否則這裡的任何元件、動作或指令都不應被解釋為關鍵或必要的。而且，如這裡所使用的，冠詞“一”和“一個”旨在包括一個或多個專案，並且可以與“一個或多個”互換使用。此外，如這裡所使用的，術語“集”旨在包括一個或多個項（例如，相關項、不相關項、相關項和不相關項的組合等），並且可以與“一個或多個”互換使用。當意圖表示只有一項時，使用術語“一個”或類似的語言。而且，如本文所使用的，術語“有”、“具有”等旨在是開放式術語。此外，除非另有明確說明，短語“基於”旨在表示“至少部分基於”。
100:實施方式 102~136:實施方式100的附圖標記 200:環境 210-1~210-X:光譜儀 220:檢測設備 230:使用者設備 240:網路 300:設備 310:匯流排 320:處理器 330:記憶體 340:存儲元件 350:輸入元件 360:輸出元件 370:通信介面 400:支援向量機（SVM）分類模型的示例過程的流程圖 410~460:流程圖的區塊 500:圖形表示 550:圖形表示 600:過程 610~650:區塊 700:圖形表示 800:圖形表示
[圖1A-圖1C]是本文描述的示例實施方式的概述的圖；
[圖2]是可以實施本文所描述的系統和/或方法的示例環境的圖；
[圖3]是圖2的一個或多個設備的示例元件的圖；
[圖4]是用於生成用於檢測製造過程何時已經達到穩定狀態的SVM分類模型的示例過程的流程圖；
[圖5A和圖5B]是與基於通過與製造過程相關聯的SVM分類模型的疊代預測的轉換時間確定製造過程的轉換時間相關聯的示例圖形表示；
[圖6]是用於基於光譜數據並且使用SVM分類模型來確定製造過程是否已經達到穩定狀態的示例過程的流程圖；
[圖7A和圖7B]是圖示出與SVM分類模型相關聯的簡化決策邊界的示例圖形表示；以及
[圖8]是基於圖7A和圖7B的決策邊界確定的示例決策值的圖形表示。
400:支援向量機(SVM)分類模型的示例過程的流程圖
410~460:流程圖的區塊

Claims (20)

  1. 一種方法，包括： 由裝置識別支援向量機（SVM）分類模型； 由所述裝置且自一個或多個光譜儀接收在製造過程之執行期間所測量之多變數光譜數據； 由所述裝置基於所述多變數光譜數據且使用所述SVM分類模型來確定所述製造過程在特定時間下是否處於穩定狀態；以及 由所述裝置且在確定所述製造過程在所述特定時間下是否處於所述穩定狀態之後，提供所述製造過程已經達到所述穩定狀態之指示。
  2. 根據請求項1所述的方法，其更包括： 基於與所述製造過程相關聯之優勢轉換時間來產生所述SVM分類模型。
  3. 根據請求項1所述的方法，其中所述SVM分類模型將80個或更多變數列入計算。
  4. 根據請求項1所述的方法，其中確定所述製造過程在所述特定時間下是否處於所述穩定狀態包括： 提供所述多變數光譜數據作為到所述SVM分類模型之輸入；以及 基於所述SVM分類模型之輸出來確定所述製造過程在所述特定時間下並非處於所述穩定狀態。
  5. 根據請求項1所述的方法，其中所述特定時間是發生所述多變數光譜數據被測量之時間。
  6. 根據請求項1所述的方法，其中確定所述製造過程在所述特定時間下是否處於所述穩定狀態包括： 確定所述製造過程已經達到所述穩定狀態，且 其中所述方法更包括： 基於確定所述製造過程已經達到所述穩定狀態來確定與所述穩定狀態相關聯之定量度量；以及 提供與所述定量度量相關聯之資訊。
  7. 根據請求項6所述的方法，其中所述定量度量包含下述一個或多個： 化合物處於所述穩定狀態之組成部分之濃度，或 處於所述穩定狀態之粒子大小。
  8. 根據請求項6所述的方法，其中確定所述定量度量包括： 基於確定所述製造過程已經達到所述穩定狀態來提供所述多變數光譜數據作為到回歸模型之輸入；以及 接收所述定量度量作為來自所述回歸模型之輸出。
  9. 根據請求項1所述的方法，其中所述多變數光譜數據包括近紅外（NIR）光譜數據，其包含與超過100個變數相關聯之數據。
  10. 一種裝置，包括： 一個或多個記憶體；以及 一個或多個處理器，其耦合到所述一個或多個記憶體，所述一個或多個處理器被配置為： 識別分類模型； 自一個或多個光譜儀接收在製造過程之執行期間所測量之光譜數據； 基於所述光譜數據且使用所述分類模型來確定所述製造過程在特定時間下是否處於穩定狀態；且 在確定所述製造過程在所述特定時間下是否處於所述穩定狀態之後，提供所述製造過程已經達到所述穩定狀態之指示。
  11. 根據請求項10所述的裝置，其中所述一個或多個處理器更被配置為： 基於與所述製造過程相關聯之優勢轉換時間來產生所述分類模型。
  12. 根據請求項10所述的裝置，其中所述分類模型是支援向量機（SVM）分類模型。
  13. 根據請求項10所述的裝置，其中所述分類模型將80個或更多變數列入計算。
  14. 根據請求項10所述的裝置，其中所述特定時間是發生所述多變數光譜數據被測量之時間。
  15. 根據請求項10所述的裝置，其中當確定所述製造過程在所述特定時間下是否處於所述穩定狀態時，所述一個或多個處理器被配置為： 確定所述製造過程已經達到所述穩定狀態，且 其中所述一個或多個處理器更被配置為： 基於確定所述製造過程已經達到所述穩定狀態來確定與所述穩定狀態相關聯之定量度量；及 提供與所述定量度量相關聯之資訊。
  16. 根據請求項10所述的裝置，其中所述光譜數據包括多變數光譜數據。
  17. 一種存儲一組指令的非暫態電腦可讀取媒體，所述一組指令包括： 一個或多個指令，當所述一個或多個指令由裝置之一個或多個處理器運行時使得所述裝置： 自一個或多個光譜儀接收在製造過程之執行期間所測量之多變數光譜數據； 基於所述多變數光譜數據來確定所述製造過程在特定時間下是否處於穩定狀態；以及 在確定所述製造過程在所述特定時間下是否處於所述穩定狀態之後，提供所述製造過程已經達到所述穩定狀態之指示。
  18. 根據請求項17所述的非暫態電腦可讀取媒體，其中使用支援向量機（SVM）分類模型來確定所述製造過程在所述特定時間下是否處於所述穩定狀態。
  19. 根據請求項17所述的非暫態電腦可讀取媒體，其中所述特定時間是發生所述多變數光譜數據被測量之時間。
  20. 根據請求項17所述的非暫態電腦可讀取媒體，其中所述多變數光譜數據包括近紅外（NIR）光譜數據，其包含與超過100個變數相關聯之數據。
TW110136910A 2017-05-04 2018-04-17 用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體 TWI825490B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/586,678 US10984334B2 (en) 2017-05-04 2017-05-04 Endpoint detection in manufacturing process by near infrared spectroscopy and machine learning techniques
US15/586,678 2017-05-04

Publications (2)

Publication Number Publication Date
TW202203098A true TW202203098A (zh) 2022-01-16
TWI825490B TWI825490B (zh) 2023-12-11

Family

ID=62196310

Family Applications (3)

Application Number Title Priority Date Filing Date
TW107113053A TWI744518B (zh) 2017-05-04 2018-04-17 用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體
TW110136910A TWI825490B (zh) 2017-05-04 2018-04-17 用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體
TW111150433A TW202318276A (zh) 2017-05-04 2018-04-17 用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW107113053A TWI744518B (zh) 2017-05-04 2018-04-17 用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW111150433A TW202318276A (zh) 2017-05-04 2018-04-17 用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體

Country Status (8)

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

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

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU779635B2 (en) * 1999-10-27 2005-02-03 Health Discovery Corporation Methods and devices for identifying patterns in biological systems and methods for uses thereof
US8463718B2 (en) * 2000-08-07 2013-06-11 Health Discovery Corporation Support vector machine-based method for analysis of spectral data
GB0129668D0 (en) * 2001-12-12 2002-01-30 Procter & Gamble Method for cleaning a soiled article
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
JP5002575B2 (ja) * 2008-11-28 2012-08-15 日本電信電話株式会社 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
US8144319B2 (en) * 2009-05-07 2012-03-27 Solum, Inc. Automated soil measurement device
JP5558468B2 (ja) * 2009-06-30 2014-07-23 株式会社東芝 チェックアウト装置、および作業状況計測装置
US8577820B2 (en) * 2011-03-04 2013-11-05 Tokyo Electron Limited Accurate and fast neural network training for library-based critical dimension (CD) metrology
US8489632B1 (en) * 2011-06-28 2013-07-16 Google Inc. Predictive model training management
US8874610B2 (en) * 2011-12-06 2014-10-28 International Business Machines Corporation Pattern-based stability analysis of complex data sets
CN104508671B (zh) * 2012-06-21 2018-10-19 菲利普莫里斯生产公司 通过偏差校正和分类预测生成生物标记签名的系统和方法
CN103748871A (zh) * 2012-08-17 2014-04-23 弗莱克斯电子有限责任公司 互动频道浏览与切换
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
JP6605415B2 (ja) * 2015-08-26 2019-11-13 ヴァイアヴィ・ソリューションズ・インコーポレイテッド 分光法を用いる識別
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

Also Published As

Publication number Publication date
EP3399472A1 (en) 2018-11-07
TW201843600A (zh) 2018-12-16
TW202318276A (zh) 2023-05-01
JP2018189638A (ja) 2018-11-29
KR102576834B1 (ko) 2023-09-08
KR20210118029A (ko) 2021-09-29
JP6968745B2 (ja) 2021-11-17
CN108805168B (zh) 2023-10-13
TWI744518B (zh) 2021-11-01
US20210224672A1 (en) 2021-07-22
JP2022017405A (ja) 2022-01-25
TWI825490B (zh) 2023-12-11
US10984334B2 (en) 2021-04-20
KR20180122955A (ko) 2018-11-14
CA3002340A1 (en) 2018-11-04
US20180322399A1 (en) 2018-11-08
KR102305566B1 (ko) 2021-10-07
JP7237124B2 (ja) 2023-03-10
HK1257428A1 (zh) 2019-10-18
HK1257430A1 (zh) 2019-10-18
CN117290780A (zh) 2023-12-26
CN108805168A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
US10496515B2 (en) Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium
KR102376824B1 (ko) 제조 공정들을 학습하고 제조 공정들을 최적화하기 위한 시스템 및 방법
US10228994B2 (en) Information processing system, information processing method, and program
JP7237124B2 (ja) 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出
US10139840B2 (en) System, device, and method for fluid dispensing control
EP2745110A1 (en) Extrapolation of interpolated sensor data to increase sample throughput
JP2020027342A (ja) 情報処理装置、監視装置、及び情報処理方法
US8793106B2 (en) Continuous prediction of expected chip performance throughout the production lifecycle
US11920980B2 (en) Rolling principal component analysis for dynamic process monitoring and end point detection
JP2020035081A (ja) 異常検出装置、異常検出方法、異常検出プログラム及び異常検出システム
US11860035B2 (en) Blending process end point detection
EP4379618A1 (en) Computer implemented method for determining a quality result for input data of a data model
TW202226080A (zh) 工件品質分析方法及工件品質分析系統
CN116559091A (zh) 用于动态过程监测和终点检测的滚动主成分分析
CN115438586A (zh) 虚拟量测方法、虚拟量测系统以及计算机存储介质