优化支援装置、方法及程序与流程

1.本发明涉及一种支援产物的生产工艺中的各种参数的优化的优化支援装置、方法及程序。


背景技术：

2.在生产产物的工艺中，例如提出有如下方法：利用使用了神经网络的各种运算，将确定工艺的运行条件等的工艺条件参数与产物的品质的参数建立关联，根据工艺条件参数以正问题来预测品质参数，或根据品质参数以反问题来预测工艺条件参数的最佳解决方案。
3.例如，专利文献1中提出有如下方法：分割产品的生产工艺来定义多个预测模型，并且为了优化产品的生产计划，以与从原料生产产品的流程相反的顺序，导出生产计划的最佳解决方案。专利文献1中所记载的方法相当于通过学习工艺条件参数与品质参数之间的相关，根据产物的品质参数以反问题来预测工艺条件参数的方法。并且，专利文献2中提出有如下方法：根据操作变量、状态变量及品质变量对生产工艺进行模型化，并且为了改善产物的品质，导出最佳的操作变量。专利文献2中所记载的方法相当于根据工艺条件的参数以正问题来预测品质参数的方法。
4.以往技术文献
5.专利文献
6.专利文献1：日本特开2003-345416号公报
7.专利文献2：日本特开2006-323523号公报


技术实现要素：

8.发明要解决的技术课题
9.在生产产物的工艺中，确定工艺的运行条件等的工艺条件参数成为相当多的数量。当将这种许多条件参数输入至预测模型而预测产物的品质参数时，存在无法进行准确的预测的可能性。尤其，当预测模型为神经网络时，若工艺条件参数的数量多，则会导致神经网络过度学习。如此，若导致神经网络过度学习，则当除培训用数据以外的工艺条件参数被输入时，可能会无法预测准确的品质参数。并且，还可以考虑代替预测模型而使用函数或表格从工艺条件参数获取品质参数。然而，即使在这种情况下，若工艺条件参数的数量多，则函数或表格的结构变得复杂，因此不易制作适当的函数或表格，其结果，存在无法进行准确的预测的可能性。
10.本发明是鉴于上述情况而完成的，其目的在于能够以高精度预测产物的生产工艺中的各种条件等。
11.用于解决技术课题的手段
12.基于本发明的第1优化支援装置具备：第1转换部，将表示用于生产产物的工艺的运行条件的运行条件参数转换为表示工艺的状态的状态参数；及
13.第2转换部，将状态参数转换为表示产物的品质的品质参数。
14.另外，在基于本发明的第1优化支援装置中，可以是如下：第1转换部具有进行了通过运行条件参数的输入来输入状态参数的学习的第1学习模型，
15.第2转换部具有进行了通过状态参数的输入来输出品质参数的学习的第2学习模型。
16.并且，基于本发明的第1优化支援装置还可以具备：第3转换部，将品质参数转换为状态参数；及
17.第4转换部，将状态参数转换为运行条件参数。
18.并且，在基于本发明的第1优化支援装置中，可以是如下：第3转换部根据第2学习模型的控制参数，将品质参数转换为状态参数，
19.第4转换部根据第1学习模型的控制参数，将状态参数转换为运行条件参数。
20.基于本发明的第2优化支援装置具备：第3转换部，将表示用于生产产物的工艺中所生成的产物的品质的品质参数转换为表示工艺的状态的状态参数；及
21.第4转换部，将状态参数转换为表示工艺的运行条件的运行条件参数。
22.另外，在基于本发明的第2优化支援装置中，可以是如下：第3转换部根据进行了通过状态参数的输入来输出品质参数的学习的学习模型的控制参数，将品质参数转换为状态参数。
23.在该情况下，还可以具备：第2转换部，具有进行了通过状态参数的输入来输出品质参数的学习的学习模型，并且将状态参数转换为表示产物的品质的品质参数。
24.并且，在基于本发明的第2优化支援装置中，可以是如下：第4转换部根据进行了通过运行条件参数的输入来输入状态参数的学习的学习模型的控制参数，将状态参数转换为运行条件参数。
25.在该情况下，还可以具备：第1转换部，具有进行了通过运行条件参数的输入来输入状态参数的学习的学习模型，并且将运行条件参数转换为状态参数。
26.并且，在基于本发明的第1及第2优化支援装置中，工艺可以是流动合成工艺，也可以是细胞培养工艺，也可以是真空成膜工艺，也可以是涂布工艺。
27.基于本发明的第1优化支援方法将表示用于生产产物的工艺的运行条件的运行条件参数转换为表示工艺的状态的状态参数，
28.将状态参数转换为表示产物的品质的品质参数。
29.基于本发明的第2优化支援方法将表示用于生产产物的工艺中所生成的产物的品质的品质参数转换为表示工艺的状态的状态参数，
30.将状态参数转换为表示工艺的运行条件的运行条件参数。
31.另外，也可以作为使计算机执行基于本发明的第1及第2优化支援方法的程序来提供。
32.基于本发明的第3优化支援装置具备：内存，存储用于使计算机执行的命令；及
33.处理器，构成为执行所存储的命令，处理器执行如下处理：
34.将表示用于生产产物的工艺的运行条件的运行条件参数转换为表示工艺的状态的状态参数；
35.将状态参数转换为表示产物的品质的品质参数。
36.基于本发明的第4优化支援装置具备，内存，存储用于使计算机执行的命令；及
37.处理器，构成为执行所存储的命令，处理器执行如下处理：
38.将表示用于生产产物的工艺中所生成的产物的品质的品质参数转换为表示工艺的状态的状态参数；
39.将状态参数转换为表示工艺的运行条件的运行条件参数。
40.发明效果
41.根据本发明，能够以高精度预测产物的生产工艺中的各种条件。
附图说明
42.图1是表示适用了基于本实施方式的优化支援装置的生产设备的结构的概略框图。
43.图2是表示包含流动反应装置的生产设备的结构的概略框图。
44.图3是表示基于本实施方式的优化支援装置的结构的概略框图。
45.图4是神经网络的层结构的概念图。
46.图5是神经网络的层结构的概念图。
47.图6是培训用数据的数据集的说明图。
48.图7是在本实施方式中进行的处理的概念图。
49.图8是表示在本实施方式中生成第1转换部的第1学习模型及第2转换部的第2学习模型时进行的处理的流程图。
50.图9是表示从目标品质参数导出运行条件参数时的处理的流程图。
51.图10是表示基于另一实施方式的优化支援装置的结构的概略框图。
52.图11是表示基于又一实施方式的优化支援装置的结构的概略框图。
具体实施方式
53.以下，参考附图对本发明的实施方式进行说明。图1是表示适用了基于本发明的实施方式的优化支援装置的生产设备的结构的概略框图。如图1所示，基于本实施方式的生产设备1具备生产装置2及基于本实施方式的优化支援装置3。
54.在本实施方式中，设为作为生产装置2包含流动反应装置。流动反应装置为用于通过进行使原料流动的同时使其连续反应的流动反应处理而获得产物的装置。图2是表示包含流动反应装置的生产设备1的结构的概略框图。如图2所示，生产装置2具备流动反应装置11及控制器12。流动反应装置11具备第1供给部21、第2供给部22、反应段23及回收段26。流动反应装置11的各部的动作由控制器12控制。控制器12与优化支援装置3连接。
55.在流动反应装置11中，第1供给部21及第2供给部22分别通过配管与反应段23的上游侧端部连接，回收段26通过配管与反应段23的下游侧端部连接。
56.在流动反应装置11中进行的流动反应例如除了合成单体即化合物的合成反应及通过使单体彼此反应而生成聚合物的聚合反应以外，例如还可以是阴离子聚合反应等引发反应及停止反应等基元反应。因此，成为流动反应的对象的反应物例如可以是成为停止反应的对象的生长(growth)阶段的化合物。在本实施方式中，通过流动反应来进行利用甲醇停止聚苯乙烯锂的生长(growth)的停止反应。
57.第1供给部21用于将流动反应的第1原料供给至反应段23。本实施方式的第1原料为例如将聚苯乙烯锂溶解到溶剂中的第1液，聚苯乙烯锂为流动反应处理的反应物的一例。第1供给部21具备未图示的泵，并通过调节泵的转速，调节向反应段23的第1原料的流量。
58.第2供给部22用于将流动反应的第2原料供给至反应段23。本实施方式的第2原料为甲醇与水的混合物即甲醇水溶液，并且将甲醇用作停止反应的停止剂。第2供给部22也与第1供给部21同样地，具备未图示的泵，并通过调节泵的转速，调节向反应段23的第2原料的流量。
59.反应段23用于进行作为流动反应的停止反应，且具备合流部31、反应部32、调温部33、照射部34及第1检测部35。合流部31为分支成t字形的管即t字形管。另外，也可以代替t字形管而使用十字形管。合流部31的第1管部31a与第1供给部21连接，第2管部31b与第2供给部22连接，第3管部31c与反应部32连接。由此，引导至反应段23的第1原料与第2原料合流，且以混合的状态输送至反应部32。反应部32具有预先设定的反应通道长度及反应通道直径。通过变更构成反应部32的管状部件能够变更反应通道长度及反应通道直径。
60.反应部32的内部设为第1原料与第2原料的混合物(以下，称为混合原料)的流路，管内的中空部划定为反应场。混合原料通过反应部32的同时推进阴离子聚合的停止反应，并生成聚苯乙烯。
61.调温部33例如由加热器等构成，且用于调节流动反应的温度(以下，称为反应温度)。调温部33经由合流部31及反应部32调节在它们中流动的混合原料的温度(反应温度)。
62.照射部34例如具有射出紫外线等光的光源，并且用于在作为流动反应进行光反应时对反应部32照射紫外线等光。
63.第1检测部35检测反应段23中的混合原料的状态并输出至优化支援装置3。表示混合原料的状态的参数(以下，称为状态参数)为表示根据所输入的运行条件参数使混合原料反应时获得的混合原料的物性及反应段中的环境的参数。作为状态参数，例如可举出混合原料的反应温度、颜色、ph、溶氧量、反应段23的压力及表示生产物的物理特性的光谱的形状(红外吸收光谱、拉曼光谱波形及核磁共振波形)等中的至少一个。因此，第1检测部35具备均未图示的温度传感器、摄像部、ph传感器、溶氧量传感器及光谱仪等。
64.回收段26用于回收流动反应的产物即聚苯乙烯。回收段26从由反应段引导的聚苯乙烯溶液析出聚苯乙烯，从混合液采集所析出的聚苯乙烯，并对所采集的聚苯乙烯进行干燥，由此获取聚苯乙烯。
65.并且，回收段26具备第2检测部36。第2检测部36检测流动反应的处理结果即产物的品质，并输出至优化支援装置3。表示产物的品质的参数(以下，称为品质参数)是成为反应的结果所获得的产物是否具有适当的品质的判断的尺度的参数。具体而言，作为品质参数，可举出产物浓度及杂质浓度等中的至少一个，但除此以外，还可以使用产物的纯度、分子量、分子量分散度及产率等中的至少一个。并且，当在回收段26中例如以溶解于溶剂的溶液状态获得产物时，也可以检测溶液中的产物的浓度(摩尔浓度等)作为品质参数。
66.另外，反应段及回收段并不限于上述例子，根据流动反应的种类及产物的种类等中的至少一个来适当变更。例如，也可以代替回收段26而设置容器，并且在该容器中暂时储存由反应段23引导过来的聚苯乙烯溶液。在该情况下，将所储存的聚苯乙烯溶液引导至回收段26，并通过对聚苯乙烯进行析出、采集及干燥来获得。
67.控制器12集中控制流动反应装置11。控制器12与第1供给部21及第2供给部22的各泵、调温部33、照射部34、第1检测部35以及第2检测部36连接。控制器12通过调节第1供给部21及第2供给部22的各泵的转速来调节第1原料及第2原料各自的流量。并且，控制器12通过调温部33的调节，控制混合原料的温度。并且，控制器12通过对照射部34发出命令，控制对反应段23的紫外线等光的照射。并且，控制器12通过对第1检测部35及第2检测部36发出命令，检测状态参数及品质参数。
68.并且，控制器12还设定流动反应装置11的运行条件。表示运行条件的参数(以下，称为运行条件参数)用于设定流动反应处理的处理条件即反应条件，是用于为了生产适当的品质的产物而驱动流动反应装置11的各部的参数。作为运行条件参数，例如可举出第1原料的流量、第2原料的流量、反应时间、反应温度、混合比、uv照度、流路深度及使用试剂时的试剂当量等中的至少一个。控制器12具有未图示的操作部，通过来自操作部的操作信号的输入设定运行条件参数，由此将流动反应装置11控制为已设定的运行条件。例如，通过利用操作部的鼠标的点击或选择和/或利用键盘的文字的输入等设定运行条件参数。
69.并且，控制器12与优化支援装置3连接，除了来自上述操作部的操作信号或代替该操作信号，将运行条件设定为优化支援装置3所输出的目标运行条件，由此将流动反应装置11控制为预先设定的运行条件。
70.关于由流动反应装置11进行的流动反应处理，优化支援装置3进行用于以高精度确定设为目标的运行条件参数的支援。优化支援装置3例如在一台计算机中安装本实施方式的优化支援程序而成。优化支援程序以能够从外部访问的状态存储于与网络连接的服务器计算机的存储装置或网络存储器，并且根据操作者的请求下载并安装于计算机。或者，记录并分配于dvd(digital versatile disc：数字通用光盘)或cd-rom(compact disc read only memory：只读光盘存储器)等记录介质，并且从该记录介质安装于计算机。
71.图3是表示通过在计算机中安装优化支援程序来实现的优化支援装置的结构的概略框图。如图2所示，优化支援装置3作为标准的计算机的结构，具备cpu(central processing unit：中央处理器)41、内存42及存储器43。并且，在优化支援装置3中连接有液晶显示器等显示部44以及键盘及鼠标等输入部45。
72.存储器43由硬盘驱动器等构成，且存储有包含优化支援的处理所需的信息的各种信息。
73.并且，在内存42中存储有优化支援程序。优化支援程序作为使cpu41执行的处理，规定将表示用于生产产物的工艺的运行条件的运行条件参数转换为表示工艺的状态的状态参数的第1转换处理、将状态参数转换为表示产物的品质的品质参数的第2转换处理、将品质参数转换为状态参数的第3转换处理、将状态参数转换为运行条件参数的第4转换处理及用于学习后述的神经网络的学习处理。
74.而且，通过cpu41按照程序执行这些处理，计算机作为第1转换部51、第2转换部52、第3转换部53、第4转换部54及学习部55而发挥作用。
75.第1转换部51将表示用于生产产物的工艺(本实施方式中为流动反应)的运行条件的运行条件参数转换为表示工艺的状态的状态参数，由此导出状态参数。因此，第1转换部51具有进行了通过运行条件参数的输入来输出状态参数的学习的第1学习模型m1。第1学习模型m1通过学习部55以后述的方式学习神经网络等而构建。
76.第2转换部52将状态参数转换为表示产物(本实施方式中为聚苯乙烯)的品质的品质参数，由此导出品质参数。因此，第2转换部52具有进行了通过状态参数的输入来输出品质参数的学习的第2学习模型m2。第2学习模型m2通过学习部55以后述的方式学习神经网络等而构建。
77.第3转换部53将表示产物的品质的品质参数转换为表示工艺的状态的状态参数，由此导出状态参数。在本实施方式中，第3转换部53根据第2转换部52中的第2学习模型m2的控制参数，将品质参数转换为状态参数。
78.第4转换部54将表示工艺的状态的状态参数转换为表示工艺的运行条件的运行条件参数，由此导出运行条件参数。在本实施方式中，第4转换部54根据第1转换部51中的第1学习模型m1的控制参数，将状态参数转换为运行条件参数。
79.在此，第1学习模型m1中所使用的模型为通过运行条件参数的输入预测状态参数的预测模型。第2学习模型m2中所使用的模型也是通过状态参数的输入预测品质参数的预测模型。作为预测模型，能够利用机器学习模型。作为机器学习模型，可举出线性回归、高斯过程回归、支持向量回归、决策树、集成法、自举汇聚法、提升法及梯度提升法等。并且，作为机器学习模型的一例，可举出神经网络模型。作为神经网络模型，可举出简单感知器、多层感知器、深度神经网络、卷积神经网络、深度信念网络、循环神经网络及概率神经网络等。
80.并且，作为机器学习模型的集成法，可举出随机森林。随机森林为通过使用随机采样的训练数据集及随机选择的说明变量，制作多个相关性低的决策树群，并且对这些预测结果进行综合及平均，由此实现了预测精度的提高的学习模型。另外，作为随机森林的模型的控制参数，可举出说明变量的数量及决策树的分支数。
81.并且，神经网络模型可举出深度神经网络。深度神经网络与除神经网络以外的机器学习模型相比模型的控制参数数量更多，并且能够进行灵活的组合，因此能够对各种数据结构发挥高性能。作为深度神经网络的控制参数，可举出网络的层数、节点数、激活函数的种类、丢弃概率、小批量大小、期数(epoch数)及学习率等。这些模型存在多个执行框架，并且能够从其中适当选择。例如，作为执行框架，能够从tensorflow、cntk、theano、caffe，mxnet、keras、pytorch、chainer、scikit-learn、caret及matlab(注册商标)等选择。另外，在本实施方式中，作为预测模型使用神经网络。
82.学习部55进行作为预测模型的神经网络的学习，构建第1学习模型m1及第2学习模型m2。首先，对第1转换部51的第1学习模型m1进行说明。学习部55将运行条件参数设为说明变量且将状态参数设为目标变量而进行神经网络的学习，导出表示运行条件参数与状态参数之间的关联性的函数，由此构建第1学习模型m1。在本实施方式中，通过学习部55生成表示运行条件参数与状态参数之间的关联性的以下函数(1a)、(1b)及(1c)。
83.y1＝w
u1y1
/[1 exp{-(w
x1u1
×
x1 w
x2u1
×
x2
…
w
x5u1
×
x5)}]
[0084]
w
u2y1
/[1 exp{-(w
x1u2
×
x1 w
x2u2
×
x2
…
w
x5u2
×
x5)}]
[0085]
w
u3y1
/[1 exp{-(w
x1u3
×
x1 w
x2u3
×
x2
…
w
x5u3
×
x5)}]
…
(1a)
[0086]
y2＝w
u1y2
/[1 exp{-(w
x1u1
×
x1 w
x2u1
×
x2
…
w
x5u1
×
x5)}]
[0087]
w
u2y2
/[1 exp{-(w
x1u2
×
x1 w
x2u2
×
x2
…
w
x5u2
×
x5)}]
[0088]
w
u3y2
/[1 exp{-(w
x1u3
×
x1 w
x2u3
×
x2
…
w
x5u3
×
x5)}]
…
(1b)
[0089]
y3＝w
u1y3
/[1 exp{-(w
x1u1
×
x1 w
x2u1
×
x2
…
w
x5u1
×
x5)}]
[0090]
w
u2y3
/[1 exp{-(w
x1u2
×
x1 w
x2u2
×
x2
…
w
x5u2
×
x5)}]
[0091]
w
u3y3
/[1 exp{-(w
x1u3
×
x1 w
x2u3
×
x2
…
w
x5u3
×
x5)}]
…
(1c)
[0092]
上述函数(1a)～(1c)中，xi(i为自然数)为运行条件参数的值，i的最大值为运行条件参数的个数。在本实施方式中，作为运行条件参数，例如，当使用了第1原料的流量、第2原料的流量、反应时间、反应温度及混合比这五个参数时，i＝5。ym(m为自然数)为状态参数的值，m的最大值为状态参数的个数。在本实施方式中，作为状态参数，例如，当使用了混合原料的颜色、压力及ph时，m＝3。u1(1为自然数)为后述的神经网络中的隐藏层l2的节点，1的最大值为节点的个数。在本实施方式中，1＝3。w
xiu1
、w
u1ym
为表示神经网络的结合权重的权重系数。具体而言，w
xiu1
为xi与u1之间的权重系数，w
u1ym
为u1与ym之间的权重系数。
[0093]
图4是用于说明用于构建本实施方式中的第1学习模型m1的神经网络的层结构的图。如图4所示，神经网络60具有输入层l1、隐藏层l2及输出层l3这三层结构。输入层l1由说明变量即运行条件参数的值x1～x5构成。隐藏层l2由三个节点u1～u3构成，在本实施方式中，成为一层。节点u1～u3分别为以与x1～x5分别对应的权重系数w
xiu1
来加权相加了x1～x5的值的总和。输出层l3由目标变量即状态参数的值y1～y3构成。状态参数的值y1～y3分别为使用节点u1～u3以与节点u1～u3分别对应的权重系数w
u1ym
来加权相加而求出的值。图4中的黑圆点
“●”
表示权重系数w
xiu1
、w
u1ym
。权重系数w
xiu1
、w
u1ym
通过使用了培训用数据的神经网络60的学习来导出。另外，神经网络60的层结构并不限定于图4所示的层结构。
[0094]
接着，对第2转换部52的第2学习模型m2进行说明。学习部55将状态参数设为说明变量且将品质参数设为目标变量而进行神经网络的学习，导出表示状态参数与品质参数之间的关联性的函数，由此构建第2学习模型m2。在本实施方式中，通过学习部55生成表示运行条件参数与状态参数之间的关联性的以下函数(2a)及(2b)。
[0095]
z1＝w
u1z1
/[1 exp{-(w
y1u11
×
y1 w
y2u11
×
y2 w
y3u11
×
y3)}]
[0096]
w
u2z1
/[1 exp{-(w
y1u12
×
y1 w
y2u12
×
y2 w
y3u12
×
y3)}]
[0097]
w
u3z1
/[1 exp{-(w
y1u13
×
y1 w
y2u13
×
y2 w
y3u13
×
y3)}]
…
(2a)
[0098]
z2＝w
u1z2
/[1 exp{-(w
y1u11
×
y1 w
y2u11
×
y2 w
y3u11
×
y3)}]
[0099]
w
u222
/[1 exp{-(w
y1u12
×
y1 w
y2u12
×
y2 w
y3u12
×
y3)}]
[0100]
w
u3z2
/[1 exp{-(w
y1u13
×
y1 w
y2u13
×
y2 w
y3u13
×
y3)}]
…
(2b)
[0101]
上述函数(2a)及(2b)中，ym(m为自然数)为状态参数的值。在本实施方式中，作为状态参数，如上所述，例如当使用混合原料的反应温度、颜色及ph时，m＝3。zk(k为自然数)为品质参数的值，k的最大值为品质参数的个数。在本实施方式中，作为品质参数，例如，当设为产物浓度及杂质浓度时，k＝2。u11(1为自然数)为后述的神经网络中的隐藏层l12的节点，11的最大值为节点的个数。在本实施方式中，11＝3。w
ymu11
、w
u11zk
为表示神经网络的结合权重的权重系数。具体而言，w
ymu11
为ym与u11之间的权重系数，w
u11zk
为u11与zk之间的权重系数。
[0102]
图5是用于说明用于构建本实施方式中的第2学习模型m2的神经网络的层结构的图。如图5所示，神经网络70具有输入层l11、隐藏层l12及输出层l13这三层结构。输入层l11由说明变量即状态参数的值y1～y3构成。隐藏层l12由三个节点u11～u13构成，在本实施方式中，成为一层。节点u11～u13分别为以与y1～y3分别对应的权重系数w
ymu11
来加权相加了y1～y3的值的总和。输出层l13由目标变量即品质参数的值z1、z2构成。品质参数的值z1、z2
分别为使用节点u1～u3而以与节点u1～u3分别对应的权重系数w
u11zk
来加权相加而求出的值。图5中的黑圆点
“●”
表示权重系数w
ymu11
、w
u11zk
。权重系数w
ymu11
、w
u11zk
ym通过使用了培训用数据的神经网络70的学习来导出。另外，神经网络70的层结构并不限定于图4所示的层结构。
[0103]
学习部55使用预先生成的多个培训用数据学习神经网络60、70来构建第1学习模型m1及第2学习模型m2。在此，培训用数据包含获得了优选品质的产物时的运行条件参数、状态参数及品质参数。准备多个培训用数据并存储于存储器43。图6是表示培训用数据的例子的图。如图6所示，培训用数据包含运行条件参数、状态参数及品质参数。并且，运行条件参数包含第1原料的流量、第2原料的流量、反应时间、反应温度及混合比这五个参数。状态参数包含混合原料的颜色、压力及ph这三个参数。并且，品质参数包含产物浓度及杂质浓度这两个参数。
[0104]
在进行学习时，学习部55使用存储于存储器43的培训用数据例如按照反向传播算法学习神经网络60、70。具体而言，对于神经网络60，学习部55将培训用数据集中的一个所包含的运行条件参数输入至神经网络60，并从神经网络60输出状态参数。而且，学习部55以使输出至神经网络60的状态参数与培训用数据中所包含的状态参数之差变得最小的方式导出权重系数w
xiu1
、w
u1ym
，由此学习神经网络60。
[0105]
并且，对于神经网络70，学习部55将培训用数据集中的一个所包含的状态参数输入至神经网络70，并从神经网络70输出品质参数。而且，学习部55以使输出至神经网络70的品质参数与培训用数据中所包含的品质参数之差变得最小的方式导出权重系数w
ymu11
、w
u11zk
，由此学习神经网络70。
[0106]
若完成学习而构建第1学习模型m1及第2学习模型m2，则学习部55将由第1学习模型m1及第2学习模型m2表示的函数存储于存储器43。
[0107]
在本实施方式中，通过第3转换部53及第4转换部54，从设为目标的未知的品质参数(以下，称为目标品质参数)导出用于获得该目标品质参数的运行条件参数。因此，第3转换部53根据第2转换部52所具有的第2学习模型m2的控制参数，将目标品质参数转换为状态参数。将通过转换目标品质参数而获得的状态参数称为目标状态参数。控制参数为根据第2学习模型m2而获得的函数中的权重系数w
ymu11
、w
u11zk
。在本实施方式中，第3转换部53为了生成目标状态参数，导出以下函数g21、g21。
[0108]
g21＝zt1-[w
u1z11
/[1 exp{-(w
y1u11
×
y1 w
y2u11
×
y2 w
y3u11
×
y3)}] w
u2z1
/[1 exp{-(w
y1u12
×
y1 w
y2u12
×
y2 w
y3u12
×
y3)}]
[0109]
w
u3z1
/[1 exp{-(w
y1u13
×
y1 w
y2u13
×
y2 w
y3u13
×
y3)}]]
…
(3a)
[0110]
g22＝zt2-[w
u1z2
/[1 exp{-(w
y1u11
×
y1 w
y2u11
×
y2 w
y3u11
×
y3)}] w
u222
/[1 exp{-(w
y1u12
×
y1 w
y2u12
×
y2 w
y3u12
×
y3)}]
[0111]
w
u322
/[1 exp{-(w
y1u13
×
y1 w
y2u13
×
y2 w
y3u13
×
y3)}]]
…
(3b)
[0112]
函数g21、g22中，zt1、zt2分别为目标品质参数。第3转换部53导出用于使函数g21、622的绝对值最小的状态参数ym作为目标状态参数ytm。具体而言，将目标品质参数zt1、zt2设为说明变量，将目标状态参数ytm设为目标变量，进行多元回归分析及主成分分析等多变量分析或遗传算法、多目标粒子群优化及贝叶斯优化等多目标优化，由此导出目标状态参数ytm。
[0113]
第4转换部54根据第1转换部51所具有的第1学习模型m1的控制参数，将目标状态参数转换为运行条件参数。将通过转换目标状态参数而获得的运行条件参数设为目标运行条件参数。控制参数为由第1学习模型m1表示的函数中的权重系数w
xiu1
、w
u1ym
。在本实施方式中，第4转换部54为了生成目标运行条件参数，生成以下函数g11、g12、g13。
[0114]
g11＝yt1-[w
u1y1
/[1 exp{-(w
x1u1
×
x1 w
x2u1
×
x2
…
w
x5u1
×
x5)}]
[0115]
w
u2y1
/[1 exp{-(w
x1u2
×
x1 w
x2u2
×
x2
…
w
x5u2
×
x5)}]
[0116]
w
u3y1
/[1 exp{-(w
x1u3
×
x1 w
x2u3
×
x2
…
w
x5u3
×
x5)}]]
…
(4a)
[0117]
g12＝yt2-[w
u1y2
/[1 exp{-(w
x1u1
×
x1 w
x2u1
×
x2
…
w
x5u1
×
x5)}] w
u2y2
/[1 exp{-(w
x1u2
×
x1 w
x2u2
×
x2
…
w
x5u2
×
x5)}]
[0118]
w
u3y2
/[1 exp{-(w
x1u3
×
x1 w
x2u3
×
x2
…
w
x5u3
×
x5)}]]
…
(4b)
[0119]
g13＝yt3-[w
u1y3
/[1 exp{-(w
x1u1
×
x1 w
x2u1
×
x2
…
w
x5u1
×
x5)}]
[0120]
w
u2y3
/[1 exp{-(w
x1u2
×
x1 w
x2u2
×
x2
…
w
x5u2
×
x5)}]
[0121]
w
u3y3
/[1 exp{-(wx
1u3
×
x1 w
x2u3
×
x2
…
w
x5u3
×
x5)}]]
…
(4c)
[0122]
函数g11～g13中，yt1、yt2、yt3分别为目标状态参数。第4转换部54导出用于使函数g11～g13的绝对值最小的运行条件参数xi作为目标运行条件参数xti。具体而言，将目标状态参数yt1、yt2、yt3设为说明变量，将目标运行条件参数xti设为目标变量，进行多元回归分析及主成分分析等多变量分析或遗传算法、多目标粒子群优化及贝叶斯优化等多目标优化，由此导出目标运行条件参数xti。
[0123]
利用图7对上述的第1转换部51、第2转换部52、第3转换部53及第4转换部54所进行的处理概念性地进行说明。第1转换部51根据运行条件参数以正问题来预测状态参数。第2转换部52根据状态参数以正问题来预测品质参数。第3转换部53根据品质参数以反问题来预测状态参数。第4转换部54根据状态参数以反问题来预测运行条件参数。另外，在图7中，空心箭头表示正问题，涂黑箭头表示反问题。
[0124]
如图7所示，在本实施方式中，通过从运行条件参数经状态参数的两个阶段的处理，导出品质参数。并且，通过从品质参数经状态参数的两个阶段的处理，导出运行条件参数。
[0125]
优化支援装置3将目标运行条件参数xti输出至控制器12。控制器12按照目标运行条件参数xti，控制流动反应装置11的动作。由此，生产具有设为目标的品质的产物。
[0126]
接着，对在本实施方式中进行的处理进行说明。图8是表示在本实施方式中构建第1转换部51的第1学习模型m1及第2转换部52的第2学习模型m2时进行的处理的流程图。学习部55从存储于存储器43的多个培训用数据读出一个培训用数据(步骤st1)，对第1转换部51的神经网络学习运行条件参数与状态参数之间的关联性(第1学习；步骤st2)。接着，学习部55对第2转换部52的神经网络学习状态参数与品质参数之间的关联性(第2学习；步骤st3)。然后，返回到步骤st1，并读出下一个培训用数据，并且重复步骤st2及步骤st3的处理。由此，构建第1学习模型m1及第2学习模型m2。
[0127]
另外，学习部55重复学习，直至通过第1转换部51生成的状态参数与培训用数据的状态参数之差及通过第2转换部52生成的品质参数与培训用数据的品质参数之差成为预先设定的阈值以下。重复次数可以是预先设定的次数。
[0128]
接着，在本实施方式中，对从未知的目标品质参数导出运行条件参数时的处理进
行说明。图9是表示从目标品质参数导出运行条件参数时的处理的流程图。若目标品质参数从输入部15输入至优化支援装置3(步骤st11)，则第3转换部53根据第2学习模型m2的控制参数，将目标品质参数转换为目标状态参数(步骤st12)。接着，第4转换部54将目标状态参数转换为目标运行参数(步骤st13)，并结束处理。
[0129]
如此，在本实施方式中，以往，从工艺条件参数导出了品质参数的结果，将工艺条件参数分为运行条件参数及状态参数并通过第1转换部51将运行条件参数转换为状态参数及通过第2转换部52将状态参数转换为品质参数这两个阶段的处理，由此导出品质参数。因此，与不区别运行条件参数及状态参数而用作工艺条件参数来求出品质参数的以往的处理相比，在第1转换部51及第2转换部52分别进行的处理中，能够减少所输入的参数的数量。由此，尤其在将通过神经网络等的学习构建的学习模型使用于转换时，能够防止过度学习。因此，根据本实施方式，能够以高精度预测产物的生产工艺中的各种条件。
[0130]
并且，在本实施方式中，通过分别在第3转换部53及第4转换部54中进行从目标品质参数导出目标运行条件参数的处理，从而分为两个处理。因此，与不区别运行条件参数与状态参数而从品质参数求出工艺条件参数的以往的处理相比，在第3转换部53及第4转换部54分别进行处理中，能够减少所输入的参数的数量。由此，根据本实施方式，能够以高精度从目标品质参数预测目标运行条件参数。
[0131]
并且，在本实施方式中，设为使用第2学习模型m2的控制参数进行目标品质参数向目标状态参数的转换，并且使用第1学习模型m1的控制参数进行目标状态参数向目标运行条件参数的转换。在此，第1学习模型m1及第2学习模型m2的控制参数能够以高精度预测产物的生产工艺中的各种条件。因此，根据本实施方式，能够以高精度从目标品质参数导出目标运行条件参数。因此，通过使用目标运行条件参数来生产产物，能够获得具有设为目标的品质的产物。
[0132]
并且，如上述专利文献1中所记载的方法，当通过学习工艺条件参数与品质参数之间的相关，根据品质参数预测了工艺条件参数时，如本实施方式，关于运行条件参数与状态参数之间的相关，未进行任何学习。因此，有时即便根据预测到的工艺条件参数进行生产工艺，也无法生产具有设为目标的品质的生产物。即，当通过学习工艺条件参数与品质参数之间的相关，根据品质参数预测工艺条件参数时，能够根据运行条件参数实现状态参数成为前提。然而，该前提在大多情况下不成立。因此，如以往，通过根据品质参数预测工艺条件参数的方法，无法以高精度预测能够实现成为目标的品质参数的工艺条件参数。
[0133]
在本实施方式中，设为将工艺条件参数分为运行条件参数与状态参数，根据品质参数预测状态参数，根据状态参数预测运行条件参数，或根据运行条件参数预测状态参数，根据状态参数预测品质参数。因此，在根据工艺条件参数中所包含的运行条件参数能够实现状态参数这一前提成立的状况下，能够预测运行条件参数、状态参数及品质参数。因此，根据本实施方式，能够以高精度预测产物的生产工艺中的各种条件。
[0134]
另外，在上述实施方式中，在第1转换部51中，使用通过学习神经网络60构建的第1学习模型m1，由此将运行条件参数转换为状态参数，但并不限定于此。例如，也可以根据用于将运行条件参数转换为状态参数的数式或将运行条件参数与状态参数建立对应关联的表格等，将运行条件参数转换为状态参数。
[0135]
在该情况下，第4转换部54可以根据用于将状态参数转换为运行条件参数的数式
或将状态参数与运行条件参数建立对应关联的表格等，将状态参数转换为运行条件参数。
[0136]
并且，在上述实施方式中，在第2转换部52中，使用通过学习神经网络70构建的第2学习模型m2，由此将状态参数转换为品质参数，但并不限定于此。例如，也可以根据用于将状态参数转换为品质参数的数式或将状态参数与品质参数建立对应关联的表格等，将状态参数转换为品质参数。
[0137]
在该情况下，第3转换部53可以根据用于将品质参数转换为状态参数的数式或将品质参数与状态参数建立对应关联的表格等，将品质参数转换为状态参数。
[0138]
并且，在上述实施方式中，设为优化支援装置3具备第1转换部51、第2转换部52、第3转换部53及第4转换部54，但并不限定于此。如图10所示，也可以仅具有第1转换部51及第2转换部52。在该情况下，第1转换部51可以根据第1学习模型m1将运行条件参数转换为状态参数，也可以根据数式或表格等将运行条件参数转换为状态参数。并且，第2转换部52可以根据第2学习模型m2将状态参数转换为品质参数，也可以根据数式或表格等将状态参数转换为品质参数。
[0139]
并且，如图11所示，也可以使优化支援装置3仅具有第3转换部53及第4转换部54。在该情况下，第3转换部53可以使用由与优化支援装置3不同的装置构建的第2学习模型m2的控制参数来将品质参数转换为状态参数，也可以根据数式或表格等来将品质参数转换为状态参数。并且，第4转换部54可以使用由与优化支援装置3不同的装置构建的第1学习模型m1的控制参数来将状态参数转换为运行条件参数，也可以根据数式或表格等来将状态参数转换为运行条件参数。
[0140]
并且，在上述实施方式中，作为生产产物的工艺使用了流动合成工艺，但并不限定于此。作为生产产物的工艺，也可以使用细胞培养工艺。在细胞培养工艺中，产物为细胞及细胞所产生的抗体，将细胞的培养条件用作运行条件参数，将细胞及细胞所产生的抗体的品质用作品质参数。并且，图1所示的生产装置2成为细胞培养装置。例如，当细胞培养工艺为抗体细胞培养工艺时，作为运行条件参数，例如能够使用灌流比、稳定期细胞数、培养槽中的液体的搅拌速度、下面空气量、下面氧量、下面氮量、上面二氧化碳量、上面空气量、消泡剂量及表面活性剂量等。作为状态参数，例如能够使用ph、po2(氧分压)、pco2(二氧化碳分压)、gln(谷氨酰胺浓度)、glu(谷氨酸浓度)、gluc(葡萄糖浓度)、lac(乳酸浓度)、nh4 (氨离子浓度)、na (钠离子浓度)、k (钾离子浓度)、osmol(渗透压)及kla(氧移动量系数)等。作为品质参数，能够使用抗体浓度、副产物浓度及生细胞数(活细胞的数量)等。
[0141]
并且，作为生产产物的工艺，可以使用真空成膜工艺。在真空成膜工艺中，产物为形成于玻璃、树脂及金属等基板的表面的膜。并且，图1所示的生产装置2成为真空成膜装置。并且，将真空成膜的条件用作运行参数，将成膜的品质用作品质参数。作为运行条件参数，例如能够使用真空压、施加电压、偏置电压、基板温度、成膜时间、气体流量、气体浓度及线速度等。状态参数为等离子体的状态，能够使用等离子体稳定度、等离子体显色、icp-oes/icp-aes(等离子体发光分析)波形光谱、等离子体密度、防附着板沉积厚度及装置电位差等。作为品质参数，能够使用膜质及阻隔性能等。
[0142]
并且，作为生产产物的工艺，可以使用卷对卷的涂布工艺。在涂布工艺中，产物为tac(三乙酰纤维素)、pet(聚对苯二甲酸乙二酯)、及cop(环烯烃聚合物)等在成为基板的树脂的表面形成有涂布膜的液晶相位差膜及防眩膜等。并且，图1所示的生产装置2成为涂布
装置。并且，将涂布的条件用作运行条件参数，将涂布膜的品质用作品质参数。作为运行条件参数，例如能够使用涂布流量、液温、干燥温度、线速度及输送辊温度等。作为状态参数，能够使用液体脉动、干燥风速的变动、干燥中的挥发量及向基板的液体渗入量等。作为品质参数，能够使用膜质、涂布膜的膜厚分布及涂布膜与基板之间的粘附力等。
[0143]
并且，在上述实施方式中，例如，作为第1转换部51、第2转换部52、第3转换部53、第4转换部54及学习部55等执行各种处理的处理部(processing unit)的硬件结构，能够使用以下示出的各种处理器(processor)。上述各种处理器中，如上所述，除了执行软件(程序)而作为各种处理部发挥作用的通用处理器即cpu以外，还包含fpga(field programmable gate array：现场可编程门阵列)等制造后能够变更电路结构的处理器即可编程逻辑器件(programmable logic device：pld)、asic(application specific integrated circuit：专用集成电路)等具有为了执行特定处理而专门设计的电路结构的处理器即专用电路等。
[0144]
一个处理部可以由这些各种处理器中的一个构成，也可以由相同种类或不同种类的两个以上的处理器的组合(例如，多个fpga的组合或cpu与fpga的组合)构成。并且，也可以由一个处理器来构成多个处理部。
[0145]
作为将多个处理部由一个处理器来构成的例子，第1，有如以客户端及服务器等计算机为代表那样，由一个以上的cpu与软件的组合来构成一个处理器，且该处理器作为多个处理部而发挥功能的方式。第2，有如以片上系统(system on chip：soc)等为代表，使用将包含多个处理部的整个系统的功能由一个ic(integrated circuit/集成电路)芯片来实现的处理器的方式。如此，各种处理部作为硬件结构使用一个以上上述各种处理器而构成。
[0146]
而且，更具体而言，作为这些各种处理器的硬件结构，能够使用组合了半导体元件等电路元件的电气电路(circuitry)。
[0147]
符号说明
[0148]
1-生产设备，2-生产装置，3-优化支援装置，11-流动反应装置，12-控制器，21-第1供给部，22-第2供给部，23-反应段，26-回收段，31-合流部，31a～31c-第1管部～第3管部，32-反应部，33-调温部，34-照射部，35-第1检测部，36-第2检测部，41-cpu，42-内存，43-存储器，44-显示部，45-输入部，51-第1转换部，52-第2转换部，53-第3转换部，54-第4转换部，55-学习部，60、70-神经网络，l1、l11-输入层，l2、l12-中间层，l3、l13-输出层，xi-运行条件参数的值，u1、u11-节点值，ym-状态参数的值，zk-品质参数的值。