WO2022201341A1 - 状態推定装置、状態推定方法およびプログラム記録媒体 - Google Patents

状態推定装置、状態推定方法およびプログラム記録媒体 Download PDF

Info

Publication number
WO2022201341A1
WO2022201341A1 PCT/JP2021/012139 JP2021012139W WO2022201341A1 WO 2022201341 A1 WO2022201341 A1 WO 2022201341A1 JP 2021012139 W JP2021012139 W JP 2021012139W WO 2022201341 A1 WO2022201341 A1 WO 2022201341A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
state
series data
chemical substance
target chemical
Prior art date
Application number
PCT/JP2021/012139
Other languages
English (en)
French (fr)
Inventor
貴史 小梨
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2023508241A priority Critical patent/JPWO2022201341A5/ja
Priority to PCT/JP2021/012139 priority patent/WO2022201341A1/ja
Priority to US18/267,423 priority patent/US20240044764A1/en
Publication of WO2022201341A1 publication Critical patent/WO2022201341A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
    • G01N15/1459—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals the analysis being performed on a sample stream
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/012—Red blood cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/016—White blood cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/018—Platelets
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1027—Determining speed or velocity of a particle
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1486—Counting the particles

Definitions

  • the present invention relates to technology for estimating the state of a chemical substance during its production process.
  • Patent document 1 and patent document 2 are disclosed as a state determination technique of an object.
  • Patent Document 1 relates to an anomaly detection method for detecting plant anomalies.
  • measurement data measured in a plant is used as input data, and abnormality is detected using a machine-learned learning model.
  • Patent Literature 2 discloses an example of a data processing method for detecting anomalies using similarities in time-series data.
  • Patent Documents 1 and 2 it is difficult to estimate the state of the product during its production process.
  • An object of the present invention is to provide a state estimation system and the like that solves the above problems.
  • the state estimation device of the present invention includes an acquisition unit, an extraction unit, an estimation unit, and an output unit.
  • the acquisition unit acquires first time-series data relating to the production environment of the target chemical substance.
  • the extraction unit extracts the feature amount of the first time-series data.
  • the estimating unit uses an estimation model that machine-learns the relationship between the state of the target chemical substance in the production process and the feature value of the second time-series data related to the production environment based on the feature value of the first time-series data. , to estimate the state of the target chemical substance.
  • the output unit outputs the state estimated by the estimation unit.
  • the state estimation method of the present invention acquires first time-series data regarding the production environment of the target chemical substance.
  • a state estimation method of the present invention extracts a feature amount of first time-series data.
  • the method of estimating the state of the present invention performs machine-learning estimation of the relationship between the state of the target chemical substance in the production process and the feature quantity of the second time-series data relating to the production environment, based on the feature quantity of the first time-series data.
  • the model is used to estimate the state of the target chemical substance.
  • the state estimation method of the present invention outputs an estimated state.
  • the program recording medium of the present invention records a state estimation program.
  • the state estimation program causes the computer to execute a process of acquiring first time-series data relating to the production environment of the target chemical substance.
  • the state estimation program causes the computer to execute a process of extracting the feature quantity of the first time-series data.
  • the state estimation program uses an estimation model that performs machine learning of the relationship between the state of the target chemical substance in the production process and the feature value of the second time-series data related to the production environment based on the feature value of the first time-series data. Then, the computer executes the process of estimating the state of the target chemical substance.
  • the state estimation program outputs the estimated state.
  • FIG. 1 is a diagram showing an overview of the configuration of a first embodiment of the present invention
  • FIG. It is a figure which shows the example of a structure of the state estimation apparatus of the 1st Embodiment of this invention. It is a figure which shows the example of the operation
  • FIG. 4 is a diagram showing another configuration example of the embodiment of the present invention.
  • FIG. 1 is a diagram showing an overview of the configuration of the state estimation system of this embodiment.
  • the state estimation system of this embodiment includes a state estimation device 10 , a sensor 20 and a terminal device 30 .
  • a plurality of sensors 20 are provided.
  • the state estimation device 10 and each sensor 20 are connected via a network.
  • the state estimation device 10 and the terminal device 30 are connected via a network.
  • the state estimation system of this embodiment is a system that estimates the characteristic values of the product using the measurement data of the sensor 20 in the chemical substance production process.
  • the state estimation system of the present embodiment acquires time-series measurement data for a predetermined period of time from the sensor 20 attached inside or outside the production device in the production process of the product, and uses the acquired measurement data Estimation of characteristic values in the production process of products. Further, hereinafter, a product whose state is to be estimated in the production process is also referred to as a target chemical substance.
  • the state estimation system of the present embodiment preliminarily prepares reference data using the time-series data of the measurement results of the sensor 20 when the product was generated in the past and the characteristic value of the product at the stage when the product was completed. are generating.
  • the state estimation system estimates the characteristic value of the product by using the similarity between the time-series data measured in the production process of the product and the reference data.
  • a product is, for example, a granular object (hereinafter referred to as "particulate matter").
  • the characteristic value is, for example, the particle size.
  • Particulates are, for example, oxygen scavengers, desiccants, abrasives, resins, pharmaceuticals or powdered foods.
  • the product may be a body of other nature, such as a liquid.
  • the characteristic value may be viscosity, light transmittance, chromaticity, or the like.
  • the characteristic value may indicate the distribution of the physical quantity that indicates the characteristic.
  • the measurement results of the sensor 20 are used to estimate the particle diameter of particulate matter.
  • the items of the generation environment data measured by the sensor 20 are set using physical quantities that change according to the state and characteristics of the particulate matter during the particulate matter generation process.
  • the data items of the generation environment measured by the sensor 20 are, for example, one or more of vibration, pressure, temperature, load of the stirrer, light transmittance inside the generator, and sound inside the device.
  • a plurality of physical quantities are selected and set. Items of data measured by the sensor 20 may be set using physical quantities other than those described above.
  • the sensors 20 that measure the same physical quantity may be installed at a plurality of locations.
  • FIG. 2 is a diagram showing an example of the configuration of the state estimation device 10.
  • the state estimation device 10 includes an acquisition unit 11, an extraction unit 12, an estimation unit 13, a data management unit 14, a model generation unit 15, a storage unit 16, an input unit 17, and an output unit 18. .
  • the acquisition unit 11 acquires the time-series data of the measurement results measured by the plurality of sensors 20 when the granular material was generated in the past, and the particle size data at the final stage. That is, the acquisition unit 11 acquires multidimensional time series data. Further, the final stage refers to a predetermined period of time including the time when the grain size of the granular material reaches the design value, ie, the grain size reaches the target value and the production ends. The predetermined time is set in advance as a length in which the time-series data of the measurement result of the sensor 20 reflects the characteristic feature.
  • the acquiring unit 11 associates the time-series data of the acquired measurement results with the particle size data at the final stage, and stores them in the storage unit 16 . In addition, the acquisition unit 11 acquires time-series data of measurement results of the plurality of sensors 20 in the generation process. The acquisition unit 11 stores the acquired time-series data of the measurement results in the storage unit 16 .
  • the extraction unit 12 When generating the reference data, the extraction unit 12 extracts the feature amount of the time-series data from the time-series data of a predetermined time in the initial stage and the final stage.
  • the initial stage means, for example, the period from the start of generation until a predetermined time has passed.
  • the predetermined time is set in advance as a length suitable for detecting variations in the characteristic values of the granular material, or is arbitrarily set by the operator.
  • the extraction unit 12 extracts the data from the point in time when the generation was started until a predetermined time is reached from the time-series data of the measurement results at the time of past manufacturing as the time-series data in the initial stage. If the measurement data fluctuates significantly immediately after the start, the start time of the initial stage may be set at the time when a preset time has elapsed from the start of generation. In addition, the extraction unit 12 extracts the last data of the time-series data of the measurement results at the time of past generation, that is, the data at the point of time before the predetermined time from the data when the generation was completed, to the last data. Extract as time-series data at the final stage up to .
  • the extracting unit 12 selects the time-series data stored in the storage unit 16 from the data a predetermined time before the last acquired data to the last acquired data as the particle size estimation target. Extract as time-series data. Also, the extraction unit 12 extracts the feature amount of the time-series data extracted in the generation process.
  • the estimating unit 13 converts the extracted time-series data of the measurement result for the predetermined time into a feature vector that indicates the characteristics of the time-series data for the predetermined time using an estimation model generated by machine learning.
  • the estimation unit 13 uses time-series data for a predetermined time as input data, converts it into a real vector using an estimation model generated in advance by machine learning, and further converts the real vector into a binary vector. Time-series data for a given time is converted into a feature vector. The estimation unit 13 converts the time-series data of a predetermined time into a feature vector using an estimation model, thereby extracting the feature amount of the time-series data of the predetermined time. Generation of the estimation model will be explained later.
  • a real vector is a vector in which the value of each dimension is a real number.
  • a binary vector representing a feature vector is a vector in which each dimension takes one of two values such as 1 and -1 or 0 and 1, for example.
  • the estimation model used by the estimating unit 13 for data conversion is an n-dimensional binary feature of S ⁇ T numerical data. Configured to convert to a vector.
  • the number of points in time is the number of points in time at which the time-series data is measured and the data is used for conversion by the estimation model within a predetermined period of time.
  • the extraction unit 12 extracts the data for the number of time points set in the estimation model from the measurement data, conversion by .
  • the estimating unit 13 uses the feature vector of the reference data read from the storage unit 16 and the feature vector obtained by converting the time-series data of the measurement result of the generation process to measure the time-series data at the present time, that is, in the generation process. Estimate the particle size at the time point.
  • the estimating unit 13 uses the similarity between the feature vector of the initial stage of the reference data and the current measurement result and the similarity of the feature vector of the final stage of the current measurement result and the reference data to estimate the current particle size. .
  • the estimating unit 13 calculates, for example, the Euclidean distance between the initial stage and current feature vectors of the reference data, the Euclidean distance between the current and final stage feature vectors of the reference data, and the final stage particle size of the reference data, the current Calculate the particle size of
  • the estimation unit 13 may calculate the distance between feature vectors by a method other than the Euclidean distance as long as the distance between feature vectors in the feature amount space can be calculated.
  • the estimation unit 13 may calculate the distance between the feature vectors using, for example, Hamming distance.
  • the data management unit 14 associates the initial-stage feature vector data, the final-stage feature vector data, and the final-stage particle size data with each other and stores them in the storage unit 16 .
  • the time-series data before conversion may be stored in association with the initial-stage feature vector data and the final-stage feature vector data.
  • the reference data is generated, for example, for each set value of manufacturing conditions and particle size.
  • the reference data is generated using time-series data measured at the time of production and particle size at the final stage for each production condition and particle size setting value.
  • the reference data may be set for each manufacturing condition.
  • the data management unit 14 When estimating the particle size in the generation process, the data management unit 14 stores the initial-stage feature vector data, the final-stage feature vector data, and the final-stage particle size data, which are used for estimating the particle size, from the storage unit 16. read out.
  • the data management unit 14 identifies reference data that meets the conditions input via the terminal device 30 by the operator's operation, and reads the data from the storage unit 16 . Further, the data management unit 14 may read from the storage unit 16 reference data in which the time-series data measured in the generation process is similar to the data in the initial stage.
  • the model generation unit 15 uses machine learning to generate an estimation model used when the estimation unit 13 converts time-series data of a predetermined time into feature vectors.
  • the model generation unit 15 generates an estimation model by machine learning using a recursive neural network, for example.
  • the model generation unit 15 generates an estimation model by, for example, the method disclosed in WO2020/049666.
  • the model generating unit 15 performs machine learning using time-series measurement data of a plurality of predetermined times as learning data, and generates a data estimation model, which is a trained model.
  • the model generating unit 15 performs machine learning so that a plurality of learning data are converted into a plurality of real vectors that maintain relative similarity between the plurality of learning data. That is, the model generation unit 15 performs machine learning such that mutually similar learning data are converted into mutually similar real number vectors, and mutually dissimilar learning data are converted into mutually dissimilar real number vectors.
  • the model generating unit 15 saves the data of the generated estimation model in the storage unit 16 .
  • the estimation model is generated, for example, for each generation device, and the reference data is generated for each generation condition and particle diameter set value.
  • the estimation model can be used even if the set values of the production conditions and particle sizes are different. Therefore, an estimation model is generated in advance for each type of generation device and installation form of the sensor 20, and reference data is generated for each product to be generated, thereby estimating the particle diameter of the particulate matter in the generation process. be possible.
  • the storage unit 16 stores the machine-learned estimation model data generated by the model generation unit 15 .
  • the storage unit 16 stores time-series data of measurement results of the sensor 20 acquired by the acquisition unit 11 .
  • the storage unit 16 associates the feature vector converted from the time-series data of the measurement results at the initial stage, the feature vector converted from the time-series data of the measurement results at the final stage, and the particle size at the final stage as a reference. saved as data.
  • the reference data is associated with the information of the production conditions and the target value of the particle size.
  • the input unit 17 acquires from the terminal device 30 input data that is input to the terminal device 30 by the operator's operation.
  • the input unit 17 may acquire input data input by an operator's operation from an input device connected to the state estimation device 10 .
  • the output unit 18 outputs the particle size estimation result to the terminal device 30 .
  • the output unit 18 may output the particle size estimation result to a display device (not shown) connected to the state estimation device 10 .
  • a CPU Central Processing Unit
  • the processing in the acquisition unit 11, the extraction unit 12, the estimation unit 13, the data management unit 14, the model generation unit 15, the input unit 17, and the output unit 18 is performed in another information processing device connected via a network. may be broken.
  • the storage unit 16 is configured using, for example, a hard disk drive.
  • the storage unit 16 may be configured by a combination of other types of storage devices such as non-volatile semiconductor storage devices or a plurality of types of storage devices.
  • the storage unit 16 may be provided on a storage device connected to the state estimation device 10 . Further, the storage unit 16 may be provided on a storage device controlled by an information processing device connected via a network.
  • a type of sensor corresponding to the physical quantity to be measured is used as the sensor 20 .
  • the sensor 20 measures the corresponding physical quantity inside or outside the generating device and sends the measurement result to the state estimating device 10 .
  • the sensor 20 is installed to measure the physical quantity of the production environment, for example, inside the production chamber of the production device or the flow path of the product.
  • the production environment is, for example, the atmosphere in the production chamber.
  • the physical quantity of the production environment is, for example, the temperature inside the production chamber.
  • the physical quantity of the production environment may include the physical quantity of the product.
  • the physical quantity of the production environment may be, for example, an item whose value changes as the chemical reaction of the product progresses, such as the torque of a stirring device or the flow rate in a pipe.
  • the terminal device 30 displays the display data of the particle size estimation result acquired from the state estimation device 10 on a display device (not shown). In addition, the terminal device 30 sends the production conditions and the target value of the particle diameter input by the operator's operation to the state estimation device 10 as input data.
  • FIG. 3 and 4 are diagrams showing an example of the operation flow of the state estimation device 10.
  • FIG. 3 and 4 are diagrams showing an example of the operation flow of the state estimation device 10.
  • the acquisition unit 11 of the state estimation device 10 acquires the time-series data of the measurement data of the sensor 20 when the granular material was manufactured in the past and the particle size data at the final stage (step S11). In addition, the obtaining unit 11 obtains the generation conditions when the granular material is generated.
  • the acquisition unit 11 acquires, for example, the time-series data of the measurement data of the sensor 20 when the granular material was produced in the past, stored in a production control server (not shown), the particle size data at the final stage, and the production conditions via the network. to get.
  • the time-series data of the measurement data of the sensor 20 when the granular material was generated in the past, the data of the particle size at the final stage, and the generation conditions are input to the terminal device 30 by the operator's operation, and are acquired from the terminal device 30. good too.
  • the acquiring unit 11 stores the acquired time-series data of the measurement data of the sensor 20 when the granular material was generated in the past, the particle size data at the final stage, and the generation conditions in the storage unit 16 .
  • the extraction unit 12 extracts the time-series data of the measurement results at the initial stage and the final stage from the stored data. is extracted (step S12).
  • the extraction unit 12 extracts feature amounts from the time-series data of a predetermined time.
  • the extraction unit 12 extracts, as a feature amount, data for a preset number of points in time for preset items from the measurement data obtained by measuring the production environment.
  • the extraction unit 12 extracts data for the preset number of time points. For example, the extraction unit 12 extracts data for a preset number of time points from the time-series data of a predetermined time so that the time intervals of the extracted data are uniform.
  • FIG. 5 is a diagram schematically showing an example of time-series data measured by four sensors.
  • FIG. 5 shows time-series data of measurement results of Sensor A, Sensor B, Sensor C, and Sensor D, respectively.
  • the extraction unit 12 extracts the data within the dotted lines indicated by the start stage and end stage in FIG. 5 as time-series data of a predetermined time.
  • the horizontal axis of FIG. 5 indicates time, and the vertical axis schematically indicates changes in measured values.
  • the estimation unit 13 uses the estimation model to convert the time-series data of the initial stage and final stage measurement results into a real number vector, and further converts the real number vector into a binary vector. By transforming, it is transformed into a feature vector (step S13). After conversion into feature vectors, the estimating unit 13 associates the initial-stage feature vector data, the final-stage feature vector data, the final-stage particle size data, and the generation conditions, and stores them in the storage unit 16 as reference data (step S14).
  • the final-stage particle size data is also used as information about the target particle size when selecting reference data when estimating the particle size.
  • the information of the target value of the particle size in the reference data is the target setting value when the measurement data that is the basis of the reference data is measured, or the value input via the terminal device 30 by the operator's operation. may be used.
  • step S15 When the feature vector data and the final-stage particle size data are stored in the storage unit 16, and there is unconverted time-series data of measurement results (Yes in step S15), the state estimation device 10 performs step S12. , the unconverted time-series data of the measurement results are converted into feature vectors. When the conversion process has been completed for all of the acquired measurement data (No in step S15), the state estimation device 10 ends the operation of generating the reference data.
  • the input unit 17 When starting the production of granular material, the input unit 17 outputs the input data of the selection result of the reference data according to the production conditions and the target value of the particle size input to the terminal device 30 by the operator's operation. Get from When the input data of the reference data selection result is acquired, the data management unit 14 reads out the corresponding reference data from the storage unit 16 .
  • the acquisition unit 11 acquires time-series data of measurement results from the sensor 20 in the process of generating particulate matter (step S21).
  • the extraction unit 12 extracts the feature amount from the time-series data for a predetermined time period from the data of the past time to the last data acquired and the time-series data of the current time-series data. Extract.
  • the estimating unit 13 uses the current time series data of a predetermined time as input data, converts the time series data into a real number vector using an estimation model, and further converts the time series data into a binary vector. is converted into a feature vector (step S22).
  • the estimating unit 13 uses the feature vector converted from the current time-series data and the initial-stage and final-stage feature vectors to obtain the current and initial The distances in the feature amount space between the stage, the current stage and the final stage are calculated (step S23). After calculating the distances in the feature amount space, the estimating unit 13 estimates the current particle size using each calculated distance and the final-stage particle size data included in the reference data (step S24).
  • the estimating unit 13 calculates the ratio of the distance between the initial stage and the current stage, and the current stage and the end stage, and uses the particle size of the final stage to calculate the particle size of the current stage by using the particle size of the final stage. Estimate the diameter. For example, the estimating unit 13 calculates the current particle size as ( Calculated by the formula A/(A+B)) ⁇ R.
  • the grain size at the initial stage is R I
  • the grain size at the final stage is R F
  • R the particle size at the initial stage
  • the particle size at the final stage is R F
  • the particle size decreases as the process progresses, R R I ⁇ R F R I.
  • the estimating unit 13 After estimating the particle size, the estimating unit 13 identifies whether the particle size has reached the reference value. The estimating unit 13 specifies that the particle size has reached the final stage when the current particle size is, for example, equal to or greater than the standard, and specifies that the particle size is in the middle stage when the particle size is less than the standard. When the particulate matter is a product generated by breaking up a large lump, the estimating unit 13 identifies that the current particle diameter has reached the final stage when it is equal to or less than the standard, and the distance is Identify an intermediate stage when it is greater than the standard.
  • the estimation unit 13 calculates the distance between the feature vector converted from the current time-series data and the feature vector at the final stage, and specifies that the final stage has been reached when the distance is within the reference, An intermediate step may be identified when the distance is greater than a criterion.
  • the output unit 18 When estimating the particle size in step S24, if the particle size does not reach the standard and is identified as being in the middle stage (No in step S25), the output unit 18 outputs the data of the particle size estimation result. Output to the terminal device 30 (step S27). Upon receiving the particle size estimation result, the terminal device 30 displays the particle size estimation result on a display device (not shown). When the data of the particle size estimation result is output, the state estimation device 10 executes again from the acquisition of the current time-series data in step S21, and continues the particle size estimation in the generation process.
  • FIG. 6 is a diagram schematically showing an example of a display screen for the estimation result of particle size.
  • the target value of the particle size is shown as the set particle size
  • the estimated value of the particle size is shown as the current value.
  • the right side of FIG. 6 shows an example in which the current measured values of sensor A, sensor B, sensor C and sensor D are displayed.
  • the state estimating device 10 outputs the sensor measurement value by adding it to the estimation result.
  • the measured values of the sensor may be displayed as time-series data of the measurement results used when estimating the particle size.
  • the difference from the current measurement data can be visually recognized. can be
  • FIG. 7 is a diagram schematically showing an example of a display screen further displaying a particle size estimation result in the display screen of FIG.
  • the upper left part of FIG. 7 shows, as the current estimated state, the estimated state of particulate matter generated using the current particle size estimation result.
  • the lower left part of FIG. 7 shows the states of the initial stage and the final stage, and also shows where the current estimated state is between the initial stage and the final stage so that it can be visually recognized.
  • step S25 of FIG. 4 when the particle size reaches the standard and is specified as the final stage (Yes in step S25), the output unit 18 outputs information indicating that the final stage has been reached, and the estimated The particle size is sent to the terminal device 30 as data of the estimation result (step S26).
  • the terminal device 30 Upon receiving the estimation result data including the information indicating that the final stage has been reached, the terminal device 30 displays the final stage information and the particle size estimation result on a display device (not shown). The operator can complete the production of the granular product by confirming the information indicating that the final stage has been reached. Further, information indicating that the final stage has been reached may be output to the control device of the device, and the control device may terminate the process of producing particulates. In step S26, after outputting the information indicating that the final stage has been reached and the data of the estimated particle size and the result of estimation, the state estimation device 10 ends the operation related to the process of estimating the particle size.
  • the data management unit 14 reads the reference data corresponding to the input result from the storage unit 16, but reads from the storage unit 16 the reference data with similar time-series data at the beginning of the generation process.
  • the acquisition unit 11 acquires initial stage time-series data
  • the extraction unit 12 converts it into a binary feature vector.
  • the estimating unit 13 calculates the distance between the feature vector obtained by converting the time-series data at the initial stage in the generation process and the feature vector at the initial stage stored as the reference data, and identifies the reference data whose initial stage is similar. do.
  • the estimating unit 13 estimates the current particle size using the specified reference data and the feature vector converted from the measurement data acquired during the generation process.
  • the model generation unit 15 may use the product generation conditions as input data when generating an estimation model by machine learning.
  • the estimation unit 13 can combine the generation condition with the time of the generation process without acquiring the selection result of the generation condition input by the operator's operation in the generation process.
  • the grain size can be estimated from the feature amount of the series data.
  • the conditions for producing the product include, for example, one or more of the pressure inside the production device, the temperature inside the production device, the input amount of the raw material, the input speed of the raw material, the input pressure of the raw material, the stirring speed, and the stirring torque. is used.
  • the product production conditions may be items other than those described above.
  • the grain size at the present time is estimated based on the feature vector converted from the time-series data of the two sections of the initial stage and the final stage at the time of past generation.
  • a further reference step may be set in the middle.
  • the extraction unit 12 extracts time-series data for a predetermined period of time between the initial stage and the final stage, and converts it into a feature vector.
  • the data management unit 14 stores the converted feature vector as an intermediate-stage feature vector in the storage unit 16 as reference data in association with the initial-stage and final-stage feature vectors.
  • the data management unit 14 further associates and stores the particle size data of the particulate matter measured by sampling the product when the intermediate stage time-series data is measured.
  • the estimation unit 13 uses the feature vector converted from the measurement data and the feature vector of each stage of the reference data to calculate the distance between each stage, and the current time is between the initial stage and the intermediate stage. , between the intermediate and final stages.
  • the estimator 13 estimates the current particle size using the ratio of the particle size and the distance in the intermediate stage.
  • the estimating unit 13 estimates the current particle size using the ratio of the distance and the difference between the particle size at the intermediate stage and the particle size at the final stage. .
  • the time-series measurement data at the final stage is the second time-series data
  • the time-series measurement data at the initial stage is the third time-series data
  • the time-series measurement data at the intermediate stage is the fourth time-series data.
  • the current time-series measurement data is the first time-series data.
  • the extraction unit 12 converts the second time-series data into a second feature vector
  • the third time-series data into a third feature vector
  • the first time-series data into a
  • series data is transformed into a first feature vector.
  • the estimating unit 13 determines the current first feature vector, the initial stage third feature vector, the final stage second feature vector, and the intermediate stage fourth feature vector of the reference data. Calculate each distance.
  • the estimation unit 13 calculates the distance between the first feature vector and the second feature vector, the distance between the first feature vector and the third feature vector, and the distance between the first feature vector and the third feature vector. Using the particle size at the time of measurement of the time-series data in 2, the particle size at the present time, that is, when the first time-series data is acquired, is estimated.
  • the estimation unit 13 calculates the distance between the first feature vector and the second feature vector, the distance between the first feature vector and the third feature vector, and the third feature vector. Compute the distance between the first feature vector and the fourth feature vector.
  • the distance between the first feature vector and the third feature vector, the distance between the first feature vector and the fourth feature vector, and The particle size at the time of measurement of the fourth time-series data is used to estimate the particle size at the present time, that is, when the first time-series data is obtained.
  • the particle size at the present time that is, when the first time-series data was acquired.
  • the reference data is associated with the particle size data at the initial stage, and the estimating unit 13 estimates the particle size at the present time using the particle size at the initial stage as well.
  • the measurement time points of the two reference data become closer to the current time, so the accuracy of particle size estimation by the state estimating device 10 is improved.
  • the output unit 18 may use the estimation result of the estimation unit 13 to output information on the progress of the generation process and advice to the worker to the terminal device 30 .
  • the estimating unit 13 compares, for example, the speed of increase in particle size with actual data. When comparing, for example, when the grain size increases rapidly, the estimating unit 13 estimates that quality deterioration may occur.
  • the estimating unit 13 identifies the speed of progress using, for example, the ratio of the time from the initial stage to the final stage to the elapsed time to the present, and the ratio of the current particle size to the final stage particle size.
  • the estimation unit 13 uses the time until reaching each stage stored in association with the feature vector at each stage in the storage unit 16 to start generation. The time to reach each stage and the particle size at each stage may be used to determine the rate of particle size expansion.
  • the output unit 18 outputs progress status such as "manufacturing speed is fast” and advice such as "The grain size is increasing rapidly and quality deterioration is likely to occur, so please lower the temperature.”
  • the text is output to the terminal device 30.
  • the output unit 18 outputs “manufacturing speed is slow” as the progress status and advises “the grain size expansion is slow and quality deterioration is likely to occur.” Therefore, please add catalyst A.” is output to the terminal device 30.
  • the correspondence between the estimation result of the estimation unit 13 and the output sentence is stored in the storage unit 16 in advance.
  • the state estimation device 10 of the present embodiment extracts the time-series data of the initial stage and the final stage at a predetermined time from the multi-dimensional time-series data measured by the plurality of sensors 20 when the granular material is generated, and estimates Using the model, it is converted into a feature vector and saved as reference data.
  • the state estimating device 10 extracts data for a predetermined period of time from the time-series measurement data of the plurality of sensors 20 in the process of generating particulate matter, and converts it into a feature vector using an estimation model.
  • the state estimating device 10 estimates the current particle size by calculating the distance between the feature vector converted from the current time-series data in the granular material generation process and the feature vector of reference data generated in advance. .
  • the state estimation device 10 generates the reference data in advance, and in the generation process, converts the current measurement data into feature vectors and estimates the particle size using the distance between the feature vectors. Even if the state of the product cannot be confirmed, the state of the product can be estimated.
  • the state estimation device 10 of the present embodiment generates reference data in advance, and in the generation process, converts the current measurement data into feature vectors and uses the distance between the feature vectors.
  • the amount of data to be processed can be suppressed by performing only the process of estimating the particle size. By suppressing the required amount of data to be processed, the state estimating device 10 can suppress the time required for estimating the particle size in the production process and estimate the state of the product in real time. As a result, the state estimation system of this embodiment can estimate the state of the chemical substance during the generation process even during the generation process.
  • FIG. 8 is a diagram showing an example of the configuration of the state estimation device 100 of this embodiment.
  • State estimation device 100 includes acquisition section 101 , extraction section 102 , estimation section 103 , and output section 104 .
  • the acquisition unit 101 acquires first time-series data relating to the generation environment of the target chemical substance.
  • a target chemical substance is a target product for which the state of the production process by a chemical reaction is estimated.
  • the extraction unit 102 extracts the feature amount of the first time-series data.
  • the extraction unit 102 extracts the feature amount of the first time-series data.
  • the estimation unit 103 uses an estimation model that performs machine learning of the relationship between the state of the target chemical substance in the production process and the feature quantity of the second time-series data related to the production environment based on the feature quantity of the first time-series data. to estimate the state of the target chemical substance.
  • the output unit outputs the state estimated by the estimation unit.
  • the output unit 104 outputs the state estimated by the estimation unit 103 .
  • the acquisition unit 11 of the first embodiment is an example of the acquisition unit 101 .
  • the acquiring unit 101 is one aspect of an acquiring unit.
  • the extractor 12 is an example of the extractor 102 .
  • the extraction unit 102 is one aspect of extraction means.
  • the estimation unit 13 and the data management unit 14 are examples of the estimation unit 103 .
  • the estimating unit 103 is one aspect of an estimating unit.
  • the output unit 18 is an example of the output unit 104 .
  • the output unit 104 is one aspect of output means.
  • FIG. 9 is a diagram illustrating an example of an operation flow of state estimation device 100.
  • Acquisition unit 101 acquires first time-series data relating to the generation environment of the target chemical substance.
  • the extraction unit 102 extracts the feature amount of the first time-series data (step S102).
  • the estimation unit 103 uses an estimation model that performs machine learning of the relationship between the state of the target chemical substance in the production process and the feature quantity of the second time-series data related to the production environment based on the feature quantity of the first time-series data.
  • the state of the target chemical substance is estimated (step S103).
  • the output unit 104 outputs the estimated state (step S104).
  • the acquisition unit 101 acquires the time-series data of the target chemical substance, and the extraction unit 102 extracts the feature amount of the time-series data.
  • the estimation unit 103 uses the second time-series data of the generation environment when the target chemical substance was generated and the estimation model generated from the state of the target chemical substance to obtain the feature value of the first time-series data.
  • the state of the target chemical substance is estimated from the By estimating the state in this manner, the state estimating device 10 of the present embodiment can estimate the state of the chemical substance in the process of being generated even during the generation process.
  • FIG. 10 shows an example of the configuration of a computer 200 that executes a computer program that performs each process in the state estimation device 10 of the first embodiment and the state estimation device 100 of the second embodiment.
  • the computer 200 includes a CPU 201 , a memory 202 , a storage device 203 , an input/output I/F (Interface) 204 and a communication I/F 205 .
  • the CPU 201 reads a computer program for each process from the storage device 203 and executes it.
  • the CPU 201 may be configured by a combination of a CPU and a GPU (Graphics Processing Unit).
  • the memory 202 is composed of a DRAM (Dynamic Random Access Memory) or the like, and temporarily stores computer programs executed by the CPU 201 and data being processed.
  • the storage device 203 stores computer programs executed by the CPU 201 .
  • the memory device 203 is configured by, for example, a nonvolatile semiconductor memory device. Other storage devices such as a hard disk drive may be used as the storage device 203 .
  • the input/output I/F 204 is an interface that receives input from the operator and outputs display data and the like.
  • the communication I/F 205 is an interface that transmits and receives data between the sensor 20 and the terminal device 30 . Further, the terminal device 30 can also have a similar configuration.
  • the computer program used to execute each process can also be stored in a recording medium and distributed.
  • a recording medium for example, a magnetic tape for data recording or a magnetic disk such as a hard disk can be used.
  • an optical disc such as a CD-ROM (Compact Disc Read Only Memory) can be used.
  • a nonvolatile semiconductor memory device may be used as a recording medium.
  • the state of the target chemical substance estimated by the estimating means is at least one of the size of the target chemical substance in the generation process, the progress of the generation process, and whether the state of the target chemical substance is normal.
  • the state estimation device according to appendix 1.
  • the state estimation device according to appendix 1 or 2, wherein the output means outputs a diagram or image relating to the state of the target chemical substance estimated by the estimation means.
  • the first time-series data includes time-series data of temperature in the process of generating the target chemical substance, time-series data of sound emitted by a generator for generating the target chemical substance, and time-series data of vibration of the generator. 4.
  • the state estimation device according to any one of Appendices 1 to 3, which is at least one of data.
  • the estimating means estimates the time until completion of generation of the target chemical substance, 5.
  • the state estimation device according to any one of appendices 1 to 4, wherein the output means outputs the time estimated by the estimation means.
  • the estimating means estimates the progress of the generation process and advice based on the estimated state and the generation time from the start of generation of the target chemical until reaching the state, 7.
  • the state estimation device according to any one of appendices 1 to 6, wherein the output means outputs the progress and advice.
  • Appendix 8 The state estimation device according to any one of appendices 1 to 7, wherein the estimation model is generated by further machine-learning the generation conditions of the target chemical substance.
  • [Appendix 10] Acquiring the first time-series data on the generation environment of the target chemical substance, Extracting the feature quantity of the first time-series data, Using an estimation model that machine-learned the relationship between the state of the target chemical substance in the production process and the feature quantity of the second time-series data related to the production environment based on the feature quantity of the first time-series data, estimating the state of the target chemical substance;
  • a state estimation method comprising outputting an estimated state.
  • the estimated state of the target chemical substance is at least one of the size of the target chemical substance in the generation process, the progress of the generation process, and whether the state of the target chemical substance is normal. 11. The state estimation method according to 10.
  • the first time-series data includes time-series data of temperature in the process of generating the target chemical substance, time-series data of sound emitted by a generator for generating the target chemical substance, and time-series data of vibration of the generator. 13.
  • Appendix 14 Estimate the time until completion of generation of the target chemical substance, 14. The state estimation method according to any one of appendices 10 to 13, wherein the estimated time is output.
  • Appendix 15 When the characteristic value indicating the estimated state of the target chemical substance satisfies a predetermined condition standard, 15. The state estimation method according to any one of appendices 10 to 14, wherein information indicating completion of generation is output.
  • Appendix 16 estimating the progress of the generation process and advice based on the estimated state and the generation time from the start of generation of the target chemical until reaching the state; 16. The state estimation method according to any one of appendices 10 to 15, wherein the progress and advice are output.
  • [Appendix 18] a process of acquiring first time-series data relating to the generation environment of the target chemical substance; A process of extracting the feature amount of the first time-series data; Using an estimation model that machine-learned the relationship between the state of the target chemical substance in the production process and the feature quantity of the second time-series data related to the production environment based on the feature quantity of the first time-series data, a process of estimating the state of the target chemical substance; A program recording medium recording a state estimation program for causing a computer to execute a process of outputting an estimated state.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

生成途中において、化学物質の生成過程における状態を推定するため、状態推定装置（１００）を、取得部（１０１）と、抽出部（１０２）と、推定部（１０３）と、出力部（１０４）を備える構成とする。取得部（１０１）は、対象化学物質の生成環境に関する第１の時系列データを取得する。対象化学物質は、化学反応による生成過程の状態を推定する対象となる生成物のことである。抽出部（１０２）は、第１の時系列データの特徴量を抽出する。抽出部（１０２）は、第１の時系列データの特徴量を抽出する。推定部（１０３）は、第１の時系列データの特徴量に基づいて、生成過程における対象化学物質の状態と生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、対象化学物質の状態を推定する。出力部は、推定部により推定される状態を出力する。出力部（１０４）は、推定部（１０３）により推定される状態を出力する。

Description

状態推定装置、状態推定方法およびプログラム記録媒体
　本発明は、化学物質の生成過程における状態を推定する技術に関するものである。
　化学工場の生成装置で正常な処理が行われていること、あるいは、規格に沿った生成物が生成されていることの確認は、重要である。しかし、生成過程において、生成装置の内部の状態を直接、確認することは困難であることが多い、また、例えば、化学反応を用いて生成物を生成する場合においては、生成の対象となる対象化学物質の状態の確認のために生成過程の途中で停止すると、その後、再開しても十分な特性を得られないことも多い。対象物の状態判定技術として、特許文献１および特許文献２が開示されている。
　特許文献１は、プラントの異常を検出する異常検知方法に関するものである。特許文献１の監視方法では、プラントにおいて計測された計測データを入力データとし、機械学習済みの学習モデルを用いて異常の検出を行っている。また、特許文献２には、時系列データの類似性を用いて異常を検出するデータ処理方法の例が開示されている。
国際公開第２０１１／０８６８０５号 国際公開第２０２０／０４９６６６号
　しかしながら、特許文献１および特許文献２では、生成物の生成過程における状態を推定することは難しい。
　本発明の目的は、上述した課題を解決する状態推定システム等を提供することである。
　上記の課題を解決するため、本発明の状態推定装置は、取得部と、抽出部と、推定部と、出力部を備えている。取得部は、対象化学物質の生成環境に関する第１の時系列データを取得する。抽出部は、第１の時系列データの特徴量を抽出する。推定部は、第１の時系列データの特徴量に基づいて、生成過程における対象化学物質の状態と生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、対象化学物質の状態を推定する。出力部は、推定部により推定される状態を出力する。
　本発明の状態推定方法は、対象化学物質の生成環境に関する第１の時系列データを取得する。本発明の状態推定方法は、第１の時系列データの特徴量を抽出する。本発明の状態推定方法は、第１の時系列データの特徴量に基づいて、生成過程における対象化学物質の状態と生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、対象化学物質の状態を推定する。本発明の状態推定方法は、推定される状態を出力する。
　本発明のプログラム記録媒体は、状態推定プログラムを記録している。状態推定プログラムは、対象化学物質の生成環境に関する第１の時系列データを取得する処理をコンピュータに実行させる。状態推定プログラムは、第１の時系列データの特徴量を抽出する処理をコンピュータに実行させる。状態推定プログラムは、第１の時系列データの特徴量に基づいて、生成過程における対象化学物質の状態と生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、対象化学物質の状態を推定する処理をコンピュータに実行させる。状態推定プログラムは、推定される状態を出力する。
　本発明によると、生成途中であっても、化学物質の生成過程における状態を推定することができる。
本発明の第１の実施形態の構成の概要を示す図である。 本発明の第１の実施形態の状態推定装置の構成の例を示す図である。 本発明の第１の実施形態の状態推定装置の動作フローの例を示す図である。 本発明の第１の実施形態の状態推定装置の動作フローの例を示す図である。 本発明の第１の実施形態における計測結果の時系列データの例を模式的に示した図である。 本発明の第１の実施形態における表示画面の例を示す図である。 本発明の第１の実施形態における表示画面の例を示す図である。 本発明の第２の実施形態の状態推定装置の構成の例を示す図である。 本発明の第２の実施形態の状態推定装置の動作フローの例を示す図である。 本発明の実施形態の他の構成の例を示す図である。
　本発明の第１の実施形態について図を参照して詳細に説明する。図１は、本実施形態の状態推定システムの構成の概要を示す図である。本実施形態の状態推定システムは、状態推定装置１０と、センサ２０と、端末装置３０を備えている。センサ２０は、複数、備えられている。状態推定装置１０と、各センサ２０は、ネットワークを介して接続されている。また、状態推定装置１０と、端末装置３０は、ネットワークを介して接続されている。
　本実施形態の状態推定システムは、化学物質の生成過程において、センサ２０の計測データを用いて、生成物の特性値を推定するシステムである。本実施形態の状態推定システムは、生成物の生成過程において、生成装置の内部または外部に取り付けられたセンサ２０の所定の時間分の時系列の計測データを取得し、取得した計測データを用いて生成物の生成過程における特性値の推定を行う。また、以下では、生成過程において状態を推定する対象となる生成物のことを対象化学物質ともいう。
　本実施形態の状態推定システムは、過去に生成物を生成した際にセンサ２０による計測結果の時系列データと、生成物の生成が完了した段階における生成物の特性値を用いてあらかじめ基準データを生成している。状態推定システムは、生成物の生成過程において計測される時系列データと基準データの類似性を用いて、生成物の特性値を推定する。
　生成物は、例えば、粒状の物体（以下、「粒状物」という）である。また、粒状物である場合、特性値は、例えば、粒径である。粒状物は、例えば、脱酸素剤、乾燥剤、研磨剤、レジン、医薬品または粉末状の食品である。生成物は、液体など他の性状の物体であってもよい。また、特性値は、粘度、光の透過率または色度などであってもよい。また、特性値は、特性を示す物理量の分布を示すものであってもよい。以下の説明は、センサ２０の計測結果を用いて、粒状物の粒径を推定する場合を例に行う。
　センサ２０が計測する生成環境のデータの項目は、粒状物の生成過程において粒状物の状態および特性に応じて変化する物理量を用いて設定される。センサ２０が計測する生成環境のデータの項目は、例えば、振動と、圧力と、温度と、攪拌装置の負荷と、生成装置の内部の光の透過率と、装置内部の音のうち１つまたは複数の物理量が選択されて設定される。センサ２０が計測するデータの項目は、上記以外の物理量を用いて設定されてもよい。また、同一の物理量を計測するセンサ２０が複数の箇所に設置されていてもよい。
　状態推定装置１０の構成について説明する。図２は、状態推定装置１０の構成の例を示した図である。状態推定装置１０は、取得部１１と、抽出部１２と、推定部１３と、データ管理部１４と、モデル生成部１５と、記憶部１６と、入力部１７と、出力部１８を備えている。
　取得部１１は、基準データの生成時に、過去に粒状物を生成した際に複数のセンサ２０が計測した計測結果の時系列データと、最終段階における粒径のデータを取得する。すなわち、取得部１１は、多次元時系列データを取得する。また、最終段階とは、粒状物の粒径が設計値、すなわち、粒径が目標値となり生成を終了する時点を含む所定の時間の時間帯のことをいう。所定の時間は、センサ２０の計測結果の時系列データが特性の特徴を反映する長さとしてあらかじめ設定されている。取得部１１は、取得した計測結果の時系列データと、最終段階の粒径のデータを関連付けて記憶部１６に保存する。また、取得部１１は、生成過程において、複数のセンサ２０の計測結果の時系列データを取得する。取得部１１は、取得した計測結果の時系列データを記憶部１６に保存する。
　抽出部１２は、基準データの生成時は、初期段階と、最終段階の所定の時間の時系列データから時系列データの特徴量を抽出する。ここで初期段階とは、例えば、生成の開始時点から所定の時間が経過するまでのことをいう。所定の時間は、粒状物の特性値の変動を検出するために適した長さとしてあらかじめ設定されているか、または、作業者により任意に設定されるものとする。
　抽出部１２は、過去の製造時の計測結果の時系列データのうち、生成を開始した時点データから所定の時間に達するまでのデータを初期段階の時系列データとして抽出する。開始直後に計測データの変動が大きい場合には、初期段階の開始時点は、生成開始からあらかじめ設定された時間が経過した時点に設定されてもよい。また、抽出部１２は、過去の生成時の計測結果の時系列データのうち、最後のデータ、すなわし、生成を完了したときのデータから所定の時間分前の時点のデータから最後のデータまでの最終段階の時系列データとして抽出する。
　抽出部１２は、生成過程において、記憶部１６に保存された時系列データのうち最後に取得されたデータから所定の時間分前のデータから、最後に取得されたデータまでを粒径の推定対象時点の時系列データとして抽出する。また、抽出部１２は、生成過程において抽出した時系列データの特徴量を抽出する。
　推定部１３は、抽出した所定の時間の計測結果の時系列データを、機械学習によって生成された推定モデルを用いて所定の時間の時系列データの特徴を示す特徴ベクトルに変換する。
　推定部１３は、所定の時間分の時系列データを入力データとし、あらかじめ機械学習によって生成された推定モデルを用いて実数ベクトルに変換し、さらにその実数ベクトルを２値ベクトルに変換することで、所定の時間の時系列データを特徴ベクトルに変換する。推定部１３は、所定の時間の時系列データを推定モデルを用いて特徴ベクトルに変換することで、所定の時間の時系列データの特徴量を抽出する。推定モデルの生成については、後で説明する。
　実数ベクトルとは、各次元の値が実数をとるベクトルである。特徴ベクトルを示す２値ベクトルは、各次元の値が、例えば、１と－１、または、０と１のように２つの値のいずれか一方の値をとるベクトルである。
　推定部１３がデータの変換に用いる推定モデルは、センサの数がＳ、時点数がＴ、２値ベクトルの次元数がｎとすると、Ｓ×Ｔ個の数値データをｎ次元の２値の特徴ベクトルに変換するように構成されている。時点数は、所定の時間内において、時系列データが計測された時刻のうち、データが推定モデルによる変換に用いられる時刻の数である。推定モデルで設定されている時点数よりも、所定の時間内におけるデータ数が多いとき、抽出部１２は、推定モデルで設定されている時点数分のデータを計測データから抽出した後、推定モデルによる変換を行う。
　推定部１３は、記憶部１６から読み出された基準データの特徴ベクトルと、生成過程の計測結果の時系列データを変換した特徴ベクトルを用いて、現時点、すなわち、生成過程において時系列データが計測された時点における粒径を推定する。
　推定部１３は、基準データの初期段階と現時点の計測結果の特徴ベクトルの類似度と、現時点の計測結果と基準データの最終段階の特徴ベクトルの類似度を用いて、現時点の粒径を推定する。推定部１３は、例えば、基準データの初期段階と現時点の特徴ベクトル間のユークリッド距離と、現時点と基準データの最終段階の特徴ベクトル間のユークリッド距離と、基準データにおける最終段階の粒径から、現時点の粒径を算出する。推定部１３は、特徴量空間における特徴ベクトル間の距離を算出できるものであればユークリッド距離以外の方法で特徴ベクトル間の距離を算出してもより。推定部１３は、例えば、ハミング距離を用いて特徴ベクトル間の距離を算出してもよい。
　データ管理部１４は、基準データの生成時に、初期段階の特徴ベクトルのデータと、最終段階の特徴ベクトルのデータと、最終段階の粒径のデータを互いに関連付けて記憶部１６に保存する。初期段階の特徴ベクトルのデータと、最終段階の特徴ベクトルのデータに変換前の時系列のデータをさらに関連付けて保存してもよい。基準データは、例えば、製造条件および粒径の設定値ごとに生成される。基準データは、製造条件および粒径の設定値ごとに、製造時に計測された時系列データを最終段階の粒径を用いて基準データが生成される。基準データは、製造条件ごとに設定されたものであってもよい。
　データ管理部１４は、生成過程における粒径の推定時に、記憶部１６から粒径の推定に用いる、初期段階の特徴ベクトルのデータ、最終段階の特徴ベクトルのデータおよび最終段階の粒径のデータを読み出す。データ管理部１４は、例えば、作業者の操作によって端末装置３０を介して入力された条件に合う基準データを特定し、記憶部１６から読み出す。また、データ管理部１４は、生成過程において計測された時系列データと初期段階のデータが類似している基準データを記憶部１６から読み出してもよい。
　モデル生成部１５は、推定部１３が所定の時間の時系列データを特徴ベクトルに変換する際に用いる推定モデルを機械学習によって生成する。モデル生成部１５は、例えば、再帰型ニューラルネットワークを用いた機械学習によって推定モデルを生成する。モデル生成部１５は、例えば、国際公開第２０２０／０４９６６６号に開示された方法によって推定モデルを生成する。
　モデル生成部１５は、複数の所定の時間の時系列の計測データを学習データとして用いて機械学習を行い、学習済みモデルであるデータ推定モデルを生成する。モデル生成部１５は、複数の学習データが、それら複数の学習データ間の相対的な類似性を維持する複数の実数ベクトルに変換されるように、機械学習を行う。すなわち、モデル生成部１５は、互いに類似する学習データは互いに類似する実数ベクトルに変換され、互いに類似しない学習データは互いに類似しない実数ベクトルに変換されるように、機械学習を行う。モデル生成部１５は、生成した推定モデルのデータを記憶部１６に保存する。
　推定モデルは、例えば、生成装置ごとに生成され、基準データは、生成条件および粒径の設定値ごとに生成される。推定モデルは、センサ２０の数および計測する項目と、時系列データから抽出する時点数が同一であれば、生成条件および粒径の設定値が異なっても利用することが可能である。そのため、推定モデルを生成装置の種類およびセンサ２０の設置形態ごとにあらかじめ生成しておき、生成の対象となる生成物ごとに基準データを生成することで生成過程における粒状物の粒径の推定が可能になる。
　記憶部１６は、モデル生成部１５が生成した機械学習済みの推定モデルのデータを保存している。記憶部１６は、取得部１１が取得したセンサ２０の計測結果の時系列データを保存している。また、記憶部１６は、初期段階の計測結果の時系列データから変換された特徴ベクトルと、最終段階の計測結果の時系列データから変換された特徴ベクトルと、最終段階における粒径を関連付けて基準データとして保存している。また、基準データには、生成条件および粒径の目標値の情報が関連付けられている。
　入力部１７は、作業者の操作によって端末装置３０に入力される入力データを、端末装置３０から取得する。入力部１７は、状態推定装置１０に接続された入力装置から作業者の操作によって入力される入力データを取得してもよい。
　出力部１８は、粒径の推定結果を端末装置３０に出力する。出力部１８は、状態推定装置１０に接続されている図示しない表示装置に粒径の推定結果を出力してもよい。
　取得部１１、抽出部１２、推定部１３、データ管理部１４、モデル生成部１５、入力部１７および出力部１８における各処理は、例えば、ＣＰＵ（Central Processing Unit）上でコンピュータプログラムを実行することで行うことができる。また、取得部１１、抽出部１２、推定部１３、データ管理部１４、モデル生成部１５、入力部１７および出力部１８における処理は、ネットワークを介して接続されている他の情報処理装置において行われてもよい。
　記憶部１６は、例えば、ハードディスクドライブを用いて構成されている。記憶部１６は、不揮発性の半導体記憶装置などの他の種類の記憶装置または複数の種類の記憶装置の組み合わせによって構成されていてもよい。記憶部１６は、状態推定装置１０と接続されている記憶装置上に備えられていてもよい。また、記憶部１６は、ネットワークを介して接続されている情報処理装置が制御する記憶装置上に備えられていてもよい。
　センサ２０は、計測する物理量に応じた種類のセンサが用いられる。センサ２０は、生成装置の内部または外部において、対応する物理量を計測し、計測結果を状態推定装置１０に送る。センサ２０は、例えば、生成装置の生成室または生成物の流路の内部において、生成環境の物理量を計測するように設置されている。生成環境とは、例えば、生成室内の雰囲気のことである。また、生成環境の物理量とは、例えば、生成室内の温度のことである。生成環境の物理量は、生成物の物理量を含むものであってもよい。生成環境の物理量には、例えば、攪拌装置のトルクまたは配管内の流量など生成物の化学反応が進むつれて値が変化する項目であってもよい。
　端末装置３０は、状態推定装置１０から取得する粒径の推定結果の表示データを図示しない表示装置に表示する。また、端末装置３０は、作業者の操作によって入力される製造条件および粒径の目標値を入力データとして状態推定装置１０に送る。
　本実施形態の状態推定システムの動作について説明する。図３および図４は、状態推定装置１０の動作フローの例を示す図である。
　図３において、状態推定装置１０の取得部１１は、過去に粒状物を製造した際のセンサ２０の計測データの時系列データおよび最終段階の粒径のデータを取得する（ステップＳ１１）。また、取得部１１は、粒状物が生成された際の生成条件を取得する。
　取得部１１は、例えば、図示しない生産管理サーバに保存されている過去に粒状物を生成した際のセンサ２０の計測データの時系列データ、最終段階の粒径のデータおよび生成条件をネットワークを介して取得する。過去に粒状物を生成した際のセンサ２０の計測データの時系列データ、最終段階の粒径のデータおよび生成条件は、作業者の操作によって端末装置３０に入力され、端末装置３０から取得されてもよい。取得部１１は、取得した過去に粒状物を生成した際のセンサ２０の計測データの時系列データ、最終段階の粒径のデータおよび生成条件を記憶部１６に保存する。
　計測データの時系列データおよび最終段階の粒径のデータが記憶部１６に保存されると、抽出部１２は、保存されたデータから初期段階と最終段階の所定の時間の計測結果の時系列データを抽出する（ステップＳ１２）。抽出部１２は、所定の時間の時系列データから、特徴量を抽出する。抽出部１２は、生成環境を計測した計測データのうちあらかじめ設定されいる項目について、あらかじめ設定されている時点数のデータを特徴量として抽出する。あらかじめ設定されている時点数よりもデータ数が多いときには、抽出部１２は、あらかじめ設定されている時点数分のデータを抽出する。抽出部１２は、例えば、所定の時間の時系列データから、抽出されたデータの時間間隔が均一になるようにあらかじめ設定されている時点数分データを抽出する。
　図５は、４個のセンサが計測した時系列データの例を模式的に示した図である。図５は、センサＡ、センサＢ、センサＣおよびセンサＤの計測結果の時系列データをそれぞれ示している。抽出部１２は、所定の時間の時系列データとして、図５で開始段階と終了段階と表記した点線内のデータを抽出する。図５の横軸は時刻を示し、縦軸は、計測値の変化を模式的に示している。
　図３において、特徴量が抽出されると、推定部１３は、推定モデルを用いて、初期段階と最終段階の計測結果の時系列データを実数ベクトルに変換し、実数ベクトルをさらに２値ベクトルに変換することで特徴ベクトルに変換する（ステップＳ１３）。特徴ベクトルに変換すると、推定部１３は、初期段階の特徴ベクトルおよび最終段階の特徴ベクトルのデータと、最終段階の粒径のデータと、生成条件を関連付けて基準データとして記憶部１６に保存する（ステップＳ１４）。最終段階の粒径のデータは、粒径の推定が行われるとき、基準データを選択する際の粒径の目標値の情報としても用いられる。基準データにおける粒径の目標値の情報は、基準データの元になる計測データが計測された際に目標とした設定値、または、作業者の操作によって端末装置３０を介して入力された値が用いられてもよい。
　特徴ベクトルのデータと最終段階の粒径のデータが記憶部１６に保存された際に、未変換の計測結果の時系列データがあるとき（ステップＳ１５でＹｅｓ）、状態推定装置１０は、ステップＳ１２に戻り、未変換の計測結果の時系列データについて特徴ベクトルへの変換の処理を行う。取得された計測データについてすべて変換処理が終わっているとき（ステップＳ１５でＮｏ）、状態推定装置１０は、基準データの生成の動作を終了する。
　次に、状態推定装置１０が粒状物の生成過程で、粒径を推定する場合の動作について説明する。
　粒状物の生成を開始する際に、入力部１７は、作業者の操作によって端末装置３０に入力された生成条件および粒径の目標値に応じた基準データの選択結果の入力データを端末装置３０から取得する。基準データの選択結果の入力データが取得されると、データ管理部１４は、対応する基準データを記憶部１６から読み出す。
　図４において、取得部１１は、粒状物の生成過程において計測結果の時系列データをセンサ２０から取得する（ステップＳ２１）。時系列データが取得されると、抽出部１２は、所定の時間分、過去の時刻のデータから最後に取得されたデータまでの時系列データと現時点の所定の時間の時系列データから特徴量を抽出する。特徴量が抽出されると、推定部１３は、現時点の所定の時間の時系列データを入力データとし、推定モデルを用いて、時系列データを実数ベクトルに変換し、さらに２値ベクトルに変換することで特徴ベクトルに変換する（ステップＳ２２）。
　現時点の時系列データの特徴量が特徴ベクトルに変換されると、推定部１３は、現時点の時系列データから変換された特徴ベクトルと、初期段階および最終段階の特徴ベクトルを用いて、現時点と初期段階と、現時点と最終段階の特徴量空間における距離を算出する（ステップＳ２３）。特徴量空間における距離を算出すると、推定部１３は、算出した各距離と、基準データに含まれる最終段階の粒径のデータを用いて、現時点の粒径を推定する（ステップＳ２４）。
　推定部１３は、例えば、初期段階と現時点、現時点と終了段階の距離の比を算出し、粒状物の生成の進行の度合いとすることで、最終段階の粒径を用いて、現段階の粒径を推定する。推定部１３は、例えば、初期段階と現時点の距離がA、現時点と終了段階の距離がB、初期段階の粒径が０、最終段階の粒径がRとしたとき、現時点の粒径を（A／（A＋B））×Rの式によって算出する。初期段階の粒径がRI、最終段階の粒径がRFで、進行とともに粒径が大きくなるときは、R=RF－RIとなる。また、初期段階の粒径がRI、最終段階の粒径がRFで、進行とともに粒径が小さくなるときは、R=RI－RFRIとなる。
　粒径を推定すると、推定部１３は、粒径が基準値に達しているかを特定する。推定部１３は、現時点の粒径が、例えば、基準以上であったときに最終段階に達していると特定し、粒径が基準未満であるときに途中段階であると特定する。粒状物が大きな塊を細かくすることで生成される生成物であるときは、推定部１３は、現時点の粒径が、基準以下であったときに最終段階に達していると特定し、距離が基準より大きいときに途中段階であると特定する。また、推定部１３は、現時点の時系列データから変換された特徴ベクトルと、最終段階の特徴ベクトルの距離を算出し、距離が基準以内であったときに最終段階に達していると特定し、距離が基準より大きいときに途中段階であると特定してもよい。
　ステップＳ２４において粒径を推定した際に、粒径が基準に達しておらず、途中段階であると特定されると（ステップＳ２５でＮｏ）、出力部１８は、粒径の推定結果のデータを端末装置３０に出力する（ステップＳ２７）。粒径の推定結果の受け取ると、端末装置３０は、粒径の推定結果を図示しない表示装置に表示する。粒径の推定結果のデータが出力されると、状態推定装置１０は、ステップＳ２１の現時点の時系列データの取得の処理から再度、実行し、生成過程における粒径の推定を継続する。
　図６は、粒径の推定結果の表示画面の例を模式的に示した図である。図６の例では、粒径の目標値が設定粒径として示され、粒径の推定値が現在値として示されている。図６の右側では、現在のセンサA、センサB、センサCおよびセンサDの現在の計測値が表示されている例を示している。センサの計測値は、例えば、状態推定装置１０が推定結果に付加して出力する。また、センサの計測値は、粒径を推定した際に用いられた計測結果の時系列データとして表示されてもよい。また、センサの計測値を時系列データとして表示する際に、基準データの生成に用いられている最終段階の時系列データを合わせて表示することで、現時点の計測データとの差を視認できるようにしてもよい。
　図７は、図６の表示画面において、粒径の推定結果の図がさらに表示されている表示画面の例を模式的に示した図である。図７の左上には、現在の推定状態として、現在の粒径の推定結果を用いて生成した粒状物の推定状態が示されている。また、図７の左下には、初期段階と、最終段階の状態が示され、さらに現時点の推定状態が初期段階と最終段階の間のどの位置にあるのかが視認できるように示されている。このように、現在の推定状態を表示することで、生成工程を管理する作業者は、現在の状態をより認識しやすくなる。
　図４のステップＳ２５において、粒径が基準に達していて最終段階であると特定されると（ステップＳ２５でＹｅｓ）、出力部１８は、最終段階に達したことを示す情報と、推定された粒径を推定結果のデータとして端末装置３０に送る（ステップＳ２６）。
　最終段階に達したことを示す情報を含む推定結果のデータを受け取ると、端末装置３０は、最終段階に達した情報と、粒径の推定結果を図示しない表示装置に表示する。作業者は、最終段階に達したことを示す情報を確認することで粒状の生成物の製造を終了することができる。また、最終段階に達したことを示す情報は、装置の制御装置に出力されて、制御装置が、粒状物の生成工程を終了させてもよい。ステップＳ２６において、最終段階に達したことを示す情報と、推定された粒径を推定結果のデータを出力すると、状態推定装置１０は、粒径の推定の処理に関する動作を終了する。
　上記の説明では、データ管理部１４は、入力結果に応じた基準データを記憶部１６から読み出しているが、生成過程の初期のおける時系列データが類似している基準データを記憶部１６から読み出してもよい。そのような構成とする場合、生成過程において、初期段階の時系列データが取得部１１によって、取得され、抽出部１２によって、２値の特徴ベクトルに変換される。推定部１３は、生成過程における初期段階の時系列データを変換した特徴ベクトルと、基準データとして保存されている初期段階の特徴ベクトルの距離を算出し、初期段階が類似している基準データを特定する。推定部１３は、特定した基準データと、生成過程に取得された計測データから変換される特徴ベクトルを用いて、現時点における粒径を推定する。
　モデル生成部１５は、機械学習によって推定モデルを生成する際に、生成物の生成条件が入力データとして用いてもよい。推定モデルの生成の際に生成条件を用いる場合には、推定部１３は、生成過程において作業者の操作によって入力される生成条件の選択結果を取得しなくても、生成条件と生成過程の時系列データの特徴量から粒径を推定することができる。生成物の生成条件としては、例えば、生成装置内の圧力、生成装置内の温度、原料の投入量、原料の投入速度、原料の投入圧力、攪拌速度、攪拌トルクのうち１つまたは複数の項目が用いられる。生成物の生成条件は、上記以外の項目であってもよい。
　上記の説明では、過去の生成時における初期段階と最終段階の２つの区間の時系列データから変換された特徴ベクトルを基準として、現時点の粒径を推定しているが、初期段階と最終段階の中間に基準となる段階をさらに設定してもよい。そのような構成とする場合には、抽出部１２は、初期段階と最終段階の間における所定の時間の時系列データを抽出し、特徴ベクトルに変換する。データ管理部１４は、変換された特徴ベクトルを中間段階の特徴ベクトルとして初期段階および最終段階の特徴ベクトルに関連付けて基準データとして記憶部１６に保存する。また、データ管理部１４は、中間段階の時系列データが計測された際に、生成物の抜き取り等によって測定された粒状物の粒径のデータをさらに関連付けて保存する。
　生成過程において、推定部１３は、計測データから変換された特徴ベクトルと、基準データの各段階の特徴ベクトルを用いて、各段階の間の距離を算出し、現時点が初期段階と中間段階の間、中間段階と最終段階の間のいずれにあるかを特定する。現時点が初期段階と中間段階の間にあるとき、推定部１３は、中間段階における粒径と距離の比を用いて、現時点での粒径を推定する。また、現時点が中間段階と最終段階の間にあるとき、推定部１３は、中間段階における粒径と最終段階の粒径との差と距離の比を用いて、現時点での粒径を推定する。
　ここで、最終段階の時系列の計測データが第２の時系列データ、初期段階の時系列の計測データが第３の時系列データ、中間段階の時系列の計測データが第４の時系列データ、現時点の時系列の計測データが第１の時系列データであるとする。また、抽出部１２は、第２の時系列データを第２の特徴ベクトル、第３の時系列データを第３の特徴ベクトル、第４の時系列データを第４の特徴ベクトル、第１の時系列データを第１の特徴ベクトルに変換するとする。このとき、推定部１３は、現時点の第１の特徴ベクトルと、基準データの初期段階の第３の特徴ベクトル、最終段階の第２の特徴ベクトルおよび中間段階の第４の特徴ベクトルとの間の距離をそれぞれ算出する。
　中間段階の基準データが無い場合には、推定部１３は、第１の特徴ベクトルと第２の特徴ベクトルの間の距離、第１の特徴ベクトルと第３の特徴ベクトルの間の距離、および第２の時系列データの計測時の粒径を用いて、現時点、すなわち、第１の時系列データが取得された際の粒径を推定する。
　中間段階の基準データがある場合には、推定部１３は、第１の特徴ベクトルと第２の特徴ベクトルの間の距離、第１の特徴ベクトルと第３の特徴ベクトルの間の距離、および第１の特徴ベクトルと第４の特徴ベクトルの間の距離を算出する。現時点の第１の時系列データが中間段階よりも前のとき、第１の特徴ベクトルと第３の特徴ベクトルの間の距離、第１の特徴ベクトルと第４の特徴ベクトルの間の距離、および第４の時系列データの計測時の粒径を用いて、現時点、すなわち、第１の時系列データが取得された際の粒径を推定する。現時点の計測データが中間段階よりも後のとき、第１の特徴ベクトルと第４の特徴ベクトルの間の距離、第１の特徴ベクトルと第２の特徴ベクトルの間の距離、第４の時系列データの計測時の粒径、および第２の時系列データの計測時の粒径を用いて、現時点、すなわち、第１の時系列データが取得された際の粒径を推定する。また、初期段階の粒径が０以外のとき、基準データには、初期段階の粒径データが関連付けられ、推定部１３は、初期段階の粒径も用いて現時点の粒径の推定を行う。このように基準を増やすことで、現時点と、２つの基準データの計測時点が近くなるため状態推定装置１０による粒径の推定の精度が向上する。また、中間段階は、複数、あってもよい。また、推定部１３は、現時点と、最終段階の特徴ベクトル間の距離と、初期段階と最終段階の特徴ベクトル間の距離を用いて、現時点の粒径の推定を行ってもよい。
　出力部１８は、推定部１３の推定結果を用いて生成過程の進捗状況および作業者に対するアドバイスの情報を端末装置３０に出力してもよい。推定部１３は、例えば、粒径の拡大の速さを実績データと比較する。比較した際に、例えば、粒径の拡大が速いとき、推定部１３は、品質の劣化が生じるおそれがあると推定する。推定部１３は、例えば、初期段階から最終段階までの時間と現在までの経過時間の比と、現在の粒径と最終段階の粒径の比を用いて進捗の速さを特定する。また、中間段階の基準データがある場合には、推定部１３は、記憶部１６に各段階の特徴ベクトルと関連付けられて保存されている各段階に到達するまでの時間を用いて、生成が開始されてから各段階に到達するまで時間と各段階の粒径を用いて粒径の拡大の速さを特定してもよい。
　出力部１８は、推定部１３の推定に応じて、進捗状況として「製造速度が速い」、アドバイスとして「粒径の拡大が速く品質劣化が生じそうなため、温度を下げてください」のような文章を端末装置３０に出力する。また、例えば、推定部１３の推定が粒径の拡大が遅いと推定したとき、出力部１８は、進捗状況として「製造速度が遅い」、アドバイスとして「粒径の拡大が遅く品質劣化が生じそうなため、触媒Ａを追加してください」のような文章を端末装置３０に出力する。推定部１３の推定結果と出力される文章の対応関係は、記憶部１６にあらかじめ保存されている。
　本実施形態の状態推定装置１０は、粒状物を生成した際に複数のセンサ２０によって計測された多次元の時系列データから初期段階と最終段階の所定の時間の時系列データを抽出し、推定モデルを用いて特徴ベクトルに変換し基準データとして保存している。また、状態推定装置１０は、粒状物の生成過程において、複数のセンサ２０の時系列の計測データから所定の時間分のデータを抽出し、推定モデルを用いて特徴ベクトルに変換している。状態推定装置１０は、粒状物の生成過程において現時点の時系列データから変換した特徴ベクトルと、あらかじめ生成されている基準データの特徴ベクトルの距離を算出することで現在の粒径を推定している。このように、状態推定装置１０は、あらかじめ基準データを生成し、生成過程において、現時点の計測データの特徴ベクトルへの変換と、特徴ベクトル間の距離を用いて粒径を推定することで、内部の状態を確認できない場合においても、生成物の状態を推定することができる。また、本実施形態の状態推定装置１０は、状態推定装置１０は、あらかじめ基準データを生成し、生成過程においては、現時点の計測データの特徴ベクトルへの変換と、特徴ベクトル間の距離を用いて粒径を推定する処理のみを行うことでデータの処理量を抑制することができる。必要なデータの処理量を抑制することで、状態推定装置１０は、生成過程における粒径の推定に要する時間を抑制し、リアルタイムに生成物の状態を推定することができる。その結果、本実施形態の状態推定システムは、生成途中であっても、化学物質の生成過程における状態を推定することができる。
　（第２の実施形態）
　本発明の第２の実施形態について図を参照して詳細に説明する。図８は、本実施形態の状態推定装置１００の構成の例を示す図である。状態推定装置１００は、取得部１０１と、抽出部１０２と、推定部１０３と、出力部１０４を備えている。
　取得部１０１は、対象化学物質の生成環境に関する第１の時系列データを取得する。対象化学物質は、化学反応による生成過程の状態を推定する対象となる生成物のことである。抽出部１０２は、第１の時系列データの特徴量を抽出する。抽出部１０２は、第１の時系列データの特徴量を抽出する。推定部１０３は、第１の時系列データの特徴量に基づいて、生成過程における対象化学物質の状態と生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、対象化学物質の状態を推定する。出力部は、推定部により推定される状態を出力する。出力部１０４は、推定部１０３により推定される状態を出力する。ここで、第１の実施形態の取得部１１は、取得部１０１の一例である。また、取得部１０１は、取得手段の一態様である。抽出部１２は、抽出部１０２の一例である。また、抽出部１０２は、抽出手段の一態様である。推定部１３およびデータ管理部１４は、推定部１０３の一例である。また、推定部１０３は、推定手段の一態様である。出力部１８は、出力部１０４の一例である。また、出力部１０４は、出力手段の一態様である。
　本実施形態の状態推定装置１００の動作について説明する。図９は、状態推定装置１００の動作フローの例を示す図である。取得部１０１は、対象化学物質の生成環境に関する第１の時系列データを取得する。（ステップＳ１０１）。抽出部１０２は、第１の時系列データの特徴量を抽出する（ステップＳ１０２）。推定部１０３は、第１の時系列データの特徴量に基づいて、生成過程における対象化学物質の状態と生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、対象化学物質の状態を推定する（ステップＳ１０３）。出力部１０４は、推定される状態を出力する（ステップＳ１０４）。
　本実施形態の状態推定装置１００は、取得部１０１が対象化学物質の時系列データを取得し、抽出部１０２が時系列データの特徴量を抽出している。また、推定部１０３は、対象化学物質を生成した際の生成環境の第２の時系列データと、対象化学物質の状態から生成された推定モデルを用いて、第１の時系列データの特徴量から対象化学物質の状態を推定している。このように、状態を推定することで、本実施形態の状態推定装置１０は、生成途中であっても、化学物質の生成過程における状態を推定することができる。
　第１の実施形態の状態推定装置１０および第２の実施形態の状態推定装置１００における各処理は、コンピュータプログラムをコンピュータで実行することによって行うことができる。図１０は、第１の実施形態の状態推定装置１０および第２の実施形態の状態推定装置１００における各処理を行うコンピュータプログラムを実行するコンピュータ２００の構成の例を示したものである。コンピュータ２００は、ＣＰＵ２０１と、メモリ２０２と、記憶装置２０３と、入出力Ｉ／Ｆ（Interface）２０４と、通信Ｉ／Ｆ２０５を備えている。
　ＣＰＵ２０１は、記憶装置２０３から各処理を行うコンピュータプログラムを読み出して実行する。ＣＰＵ２０１は、ＣＰＵとＧＰＵ（Graphics Processing Unit）の組み合わせによって構成されていてもよい。メモリ２０２は、ＤＲＡＭ（Dynamic Random Access Memory）等によって構成され、ＣＰＵ２０１が実行するコンピュータプログラムや処理中のデータが一時記憶される。記憶装置２０３は、ＣＰＵ２０１が実行するコンピュータプログラムを記憶している。記憶装置２０３は、例えば、不揮発性の半導体記憶装置によって構成されている。記憶装置２０３には、ハードディスクドライブ等の他の記憶装置が用いられてもよい。入出力Ｉ／Ｆ２０４は、作業者からの入力の受付および表示データ等の出力を行うインタフェースである。通信Ｉ／Ｆ２０５は、センサ２０および端末装置３０との間でデータの送受信を行うインタフェースである。また、端末装置３０も同様の構成とすることができる。
　各処理の実行に用いられるコンピュータプログラムは、記録媒体に格納して頒布することもできる。記録媒体としては、例えば、データ記録用磁気テープや、ハードディスクなどの磁気ディスクを用いることができる。また、記録媒体としては、ＣＤ-ＲＯＭ（Compact Disc Read Only Memory）等の光ディスクを用いることもできる。不揮発性の半導体記憶装置を記録媒体として用いてもよい。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
　［付記１］
　対象化学物質の生成環境に関する第１の時系列データを取得する取得手段と、
　前記第１の時系列データの特徴量を抽出する抽出手段と、
　前記第１の時系列データの特徴量に基づいて、生成過程における前記対象化学物質の状態と前記生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、前記対象化学物質の状態を推定する推定手段と、
　前記推定手段により推定される状態を出力する出力手段と
　を備える状態推定装置。
　［付記２］
　前記推定手段により推定される前記対象化学物質の状態は、生成過程における前記対象化学物質の大きさ、生成過程の進行度、または前記対象化学物質の状態が正常状態であるか否かの少なくとも１つである
　付記１に記載の状態推定装置。
　［付記３］
　前記出力手段は、前記推定手段により推定される前記対象化学物質の状態に関する図または画像を出力する
　付記１または２に記載の状態推定装置。 
　［付記４］
　前記第１の時系列データは、前記対象化学物質の生成過程における温度の時系列データ、前記対象化学物質を生成するための生成装置が発する音の時系列データ、前記生成装置の振動の時系列データの少なくとも一つである
　付記１から３のいずれかに記載の状態推定装置。
　［付記５］
　前記推定手段は、前記対象化学物質の生成完了までの時間を推定し、
　前記出力手段は、前記推定手段により推定される時間を出力する
　付記１から４いずれかに記載の状態推定装置。
　［付記６］
　前記推定手段により推定される前記対象化学物質の状態を示す特性値が所定の条件基準を満たす場合に、
　前記出力手段は、生成が完了したことを示す情報を出力する
　付記１から５いずれかに記載の状態推定装置。
　［付記７］
　前記推定手段は、前記推定される状態と、前記対象化学物質の生成開始から前記状態に達するまでの生成時間とに基づいて、生成過程の進捗状況およびアドバイスを推定し、
　前記出力手段は、前記進捗状況およびアドバイスを出力する
　　付記１から６いずれかに記載の状態推定装置。
　［付記８］
　前記推定モデルは、前記対象化学物質の生成条件をさらに機械学習して生成される
　付記１から７いずれかに記載の状態推定装置。
　［付記９］
　前記推定モデルを生成する生成手段をさらに備える
　付記１から８いずれかに記載の状態推定装置。
　［付記１０］
　対象化学物質の生成環境に関する第１の時系列データを取得し、
　前記第１の時系列データの特徴量を抽出し、
　前記第１の時系列データの特徴量に基づいて、生成過程における前記対象化学物質の状態と前記生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、前記対象化学物質の状態を推定し、
　推定される状態を出力する
　を備える状態推定方法。
　［付記１１］
　推定される前記対象化学物質の状態は、生成過程における前記対象化学物質の大きさ、生成過程の進行度、または前記対象化学物質の状態が正常状態であるか否かの少なくとも１つである
　付記１０に記載の状態推定方法。
　［付記１２］
　推定される前記対象化学物質の状態に関する図または画像を出力する
　付記１０または１１に記載の状態推定方法。 
　［付記１３］
　前記第１の時系列データは、前記対象化学物質の生成過程における温度の時系列データ、前記対象化学物質を生成するための生成装置が発する音の時系列データ、前記生成装置の振動の時系列データの少なくとも一つである
　付記１０から１２のいずれかに記載の状態推定方法。
　［付記１４］
　前記対象化学物質の生成完了までの時間を推定し、
　推定される時間を出力する
　付記１０から１３いずれかに記載の状態推定方法。
　［付記１５］
　推定される前記対象化学物質の状態を示す特性値が所定の条件基準を満たす場合に、
　生成が完了したことを示す情報を出力する
　付記１０から１４いずれかに記載の状態推定方法。
　［付記１６］
　前記推定される状態と、前記対象化学物質の生成開始から前記状態に達するまでの生成時間とに基づいて、生成過程の進捗状況およびアドバイスを推定し、
　前記進捗状況およびアドバイスを出力する
　　付記１０から１５いずれかに記載の状態推定方法。
　［付記１７］
　前記推定モデルは、前記対象化学物質の生成条件をさらに機械学習して生成される
　付記１０から１６いずれかに記載の状態推定方法。
　［付記１８］
　対象化学物質の生成環境に関する第１の時系列データを取得する処理と、
　前記第１の時系列データの特徴量を抽出する処理と、
　前記第１の時系列データの特徴量に基づいて、生成過程における前記対象化学物質の状態と前記生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、前記対象化学物質の状態を推定する処理と、
　推定される状態を出力する処理と
　をコンピュータに実行させる状態推定プログラムを記録したプログラム記録媒体。
　以上、上述した実施形態を模範的な例として本発明を説明した。しかしながら、本発明は、上述した実施形態には限定されない。即ち、本発明は、本発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。
　１０　　状態推定装置
　１１　　取得部
　１２　　抽出部
　１３　　推定部
　１４　　データ管理部
　１５　　モデル生成部
　１６　　記憶部
　１７　　入力部
　１８　　出力部
　２０　　センサ
　３０　　端末装置
　１００　　状態推定装置
　１０１　　取得部
　１０２　　抽出部
　１０３　　推定部
　２００　　コンピュータ
　２０１　　ＣＰＵ
　２０２　　メモリ
　２０３　　記憶装置
　２０４　　入出力Ｉ／Ｆ
　２０５　　通信Ｉ／Ｆ

Claims (18)

  1. 　対象化学物質の生成環境に関する第１の時系列データを取得する取得手段と、
    　前記第１の時系列データの特徴量を抽出する抽出手段と、
    　前記第１の時系列データの特徴量に基づいて、生成過程における前記対象化学物質の状態と前記生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、前記対象化学物質の状態を推定する推定手段と、
    　前記推定手段により推定される状態を出力する出力手段と
    　を備える状態推定装置。
  2. 　前記推定手段により推定される前記対象化学物質の状態は、生成過程における前記対象化学物質の大きさ、生成過程の進行度、または前記対象化学物質の状態が正常状態であるか否かの少なくとも１つである
    　請求項１に記載の状態推定装置。
  3. 　前記出力手段は、前記推定手段により推定される前記対象化学物質の状態に関する図または画像を出力する
    　請求項１または２に記載の状態推定装置。 
  4. 　前記第１の時系列データは、前記対象化学物質の生成過程における温度の時系列データ、前記対象化学物質を生成するための生成装置が発する音の時系列データ、前記生成装置の振動の時系列データの少なくとも一つである
    　請求項１から３のいずれかに記載の状態推定装置。
  5. 　前記推定手段は、前記対象化学物質の生成完了までの時間を推定し、
    　前記出力手段は、前記推定手段により推定される時間を出力する
    　請求項１から４いずれかに記載の状態推定装置。
  6. 　前記推定手段により推定される前記対象化学物質の状態を示す特性値が所定の条件基準を満たす場合に、
    　前記出力手段は、生成が完了したことを示す情報を出力する
    　請求項１から５いずれかに記載の状態推定装置。
  7. 　前記推定手段は、前記推定される状態と、前記対象化学物質の生成開始から前記状態に達するまでの製造時間とに基づいて、生成過程の進捗状況およびアドバイスを推定し、
    　前記出力手段は、前記進捗状況およびアドバイスを出力する
    　　請求項１から６いずれかに記載の状態推定装置。
  8. 　前記推定モデルは、前記対象化学物質の生成条件をさらに機械学習して生成される
    　請求項１から７いずれかに記載の状態推定装置。
  9. 　前記推定モデルを生成する生成手段をさらに備える
    　請求項１から８いずれかに記載の状態推定装置。
  10. 　対象化学物質の生成環境に関する第１の時系列データを取得し、
    　前記第１の時系列データの特徴量を抽出し、
    　前記第１の時系列データの特徴量に基づいて、生成過程における前記対象化学物質の状態と前記生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、前記対象化学物質の状態を推定し、
    　推定される状態を出力する
    　を備える状態推定方法。
  11. 　推定される前記対象化学物質の状態は、生成過程における前記対象化学物質の大きさ、生成過程の進行度、または前記対象化学物質の状態が正常状態であるか否かの少なくとも１つである
    　請求項１０に記載の状態推定方法。
  12. 　推定される前記対象化学物質の状態に関する図または画像を出力する
    　請求項１０または１１に記載の状態推定方法。 
  13. 　前記第１の時系列データは、前記対象化学物質の生成過程における温度の時系列データ、前記対象化学物質を生成するための生成装置が発する音の時系列データ、前記生成装置の振動の時系列データの少なくとも一つである
    　請求項１０から１２のいずれかに記載の状態推定方法。
  14. 　前記対象化学物質の生成完了までの時間を推定し、
    　推定される時間を出力する
    　請求項１０から１３いずれかに記載の状態推定方法。
  15. 　推定される前記対象化学物質の状態を示す特性値が所定の条件基準を満たす場合に、
    　生成が完了したことを示す情報を出力する
    　請求項１０から１４いずれかに記載の状態推定方法。
  16. 　前記推定される状態と、前記対象化学物質の生成開始から前記状態に達するまでの生成時間とに基づいて、生成過程の進捗状況およびアドバイスを推定し、
    　前記進捗状況およびアドバイスを出力する
    　　請求項１０から１５いずれかに記載の状態推定方法。
  17. 　前記推定モデルは、前記対象化学物質の製造条件をさらに機械学習して生成される
    　請求項１０から１６いずれかに記載の状態推定方法。
  18. 　対象化学物質の生成環境に関する第１の時系列データを取得する処理と、
    　前記第１の時系列データの特徴量を抽出する処理と、
    　前記第１の時系列データの特徴量に基づいて、生成過程における前記対象化学物質の状態と前記生成環境に関する第２の時系列データの特徴量との関係を機械学習した推定モデルを用いて、前記対象化学物質の状態を推定する処理と、
    　推定される状態を出力する処理と
    　をコンピュータに実行させる状態推定プログラムを記録したプログラム記録媒体。
PCT/JP2021/012139 2021-03-24 2021-03-24 状態推定装置、状態推定方法およびプログラム記録媒体 WO2022201341A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2023508241A JPWO2022201341A5 (ja) 2021-03-24 状態推定装置、状態推定方法および状態推定プログラム
PCT/JP2021/012139 WO2022201341A1 (ja) 2021-03-24 2021-03-24 状態推定装置、状態推定方法およびプログラム記録媒体
US18/267,423 US20240044764A1 (en) 2021-03-24 2021-03-24 State estimation device, state estimation method, and program recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/012139 WO2022201341A1 (ja) 2021-03-24 2021-03-24 状態推定装置、状態推定方法およびプログラム記録媒体

Publications (1)

Publication Number Publication Date
WO2022201341A1 true WO2022201341A1 (ja) 2022-09-29

Family

ID=83396483

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/012139 WO2022201341A1 (ja) 2021-03-24 2021-03-24 状態推定装置、状態推定方法およびプログラム記録媒体

Country Status (2)

Country Link
US (1) US20240044764A1 (ja)
WO (1) WO2022201341A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060135055A1 (en) * 2003-02-12 2006-06-22 Thilo Kramer Quality control device for solid, pharmaceutical products
JP2013029323A (ja) * 2011-07-26 2013-02-07 Fuji Electric Co Ltd 医薬品製造制御装置、医薬品製造制御方法、医薬品製造制御プログラム、医薬品製造システム
JP5365945B1 (ja) * 2012-09-11 2013-12-11 三重県 空気含有食品のプロセス評価方法
JP2020173162A (ja) * 2019-04-10 2020-10-22 シャープ株式会社 錠剤品質判定装置、錠剤製造装置、及び錠剤品質判定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060135055A1 (en) * 2003-02-12 2006-06-22 Thilo Kramer Quality control device for solid, pharmaceutical products
JP2013029323A (ja) * 2011-07-26 2013-02-07 Fuji Electric Co Ltd 医薬品製造制御装置、医薬品製造制御方法、医薬品製造制御プログラム、医薬品製造システム
JP5365945B1 (ja) * 2012-09-11 2013-12-11 三重県 空気含有食品のプロセス評価方法
JP2020173162A (ja) * 2019-04-10 2020-10-22 シャープ株式会社 錠剤品質判定装置、錠剤製造装置、及び錠剤品質判定方法

Also Published As

Publication number Publication date
JPWO2022201341A1 (ja) 2022-09-29
US20240044764A1 (en) 2024-02-08

Similar Documents

Publication Publication Date Title
US10809153B2 (en) Detecting apparatus, detection method, and program
JP6733164B2 (ja) プロセス監視装置、プロセス監視方法及びプログラム
JP4289602B2 (ja) プロセス監視方法
US8761909B2 (en) Batch process monitoring using local multivariate trajectories
JPWO2016079972A1 (ja) 要因分析装置、要因分析方法とプログラム、及び、要因分析システム
US20120296606A1 (en) Method, computer program, and system for performing interpolation on sensor data for high system availability
JP5946572B1 (ja) 異常予兆診断システム及び異常予兆診断方法
JP6540531B2 (ja) 監視装置及び監視装置の制御方法
JP6647473B1 (ja) 異常検知装置および異常検知方法
US11740592B2 (en) Control method, control apparatus, mechanical equipment, and recording medium
US20190164102A1 (en) Operational improvement effect calculation device, operational improvement effect calculation method and recording medium
CN113532893A (zh) 基于装置振动的异常检测
JP2020154720A (ja) 学習データ生成装置および学習データ生成方法
JP2020027342A (ja) 情報処理装置、監視装置、及び情報処理方法
US11941495B2 (en) Information processing device, information processing method, and recording medium
JP6540532B2 (ja) 監視装置及び監視装置の制御方法
US20220187140A1 (en) Abnormal temperature detection device, abnormal temperature detection method, and non-transitory computer readable storage medium
WO2022201341A1 (ja) 状態推定装置、状態推定方法およびプログラム記録媒体
US10866163B2 (en) Anomaly monitoring device and method for producing anomaly signs according to combinations of sensors based on relationship of sensor fluctuations
JP7230371B2 (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
JP6459345B2 (ja) 変動データ管理システム及びその特異性検出方法
JP6347771B2 (ja) 異常診断装置、異常診断方法及び異常診断プログラム
JP2019204342A (ja) 予兆診断システム
WO2023243282A1 (ja) 異常判定装置、異常判定方法、及び異常判定プログラム
JP2021082025A (ja) 診断装置、診断方法及び診断プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21932951

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18267423

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2023508241

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21932951

Country of ref document: EP

Kind code of ref document: A1