WO2021002108A1 - 最適化支援装置、方法およびプログラム - Google Patents

最適化支援装置、方法およびプログラム Download PDF

Info

Publication number
WO2021002108A1
WO2021002108A1 PCT/JP2020/019773 JP2020019773W WO2021002108A1 WO 2021002108 A1 WO2021002108 A1 WO 2021002108A1 JP 2020019773 W JP2020019773 W JP 2020019773W WO 2021002108 A1 WO2021002108 A1 WO 2021002108A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameter
state
quality
conversion unit
operating condition
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2020/019773
Other languages
English (en)
French (fr)
Inventor
昌孝 長谷川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Priority to CN202080040798.6A priority Critical patent/CN113994281A/zh
Priority to JP2021529910A priority patent/JP7577657B2/ja
Priority to EP20834542.1A priority patent/EP3995917B1/en
Publication of WO2021002108A1 publication Critical patent/WO2021002108A1/ja
Priority to US17/454,392 priority patent/US20220066399A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating processes
    • B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating processes
    • B01J19/004—Multifunctional apparatus for automatic manufacturing of various chemical products
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00002—Chemical plants
    • B01J2219/00027—Process aspects
    • B01J2219/00033—Continuous processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00049—Controlling or regulating processes
    • B01J2219/00191—Control algorithm
    • B01J2219/00193—Sensing a parameter
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00049—Controlling or regulating processes
    • B01J2219/00191—Control algorithm
    • B01J2219/00222—Control algorithm taking actions
    • B01J2219/00227—Control algorithm taking actions modifying the operating conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32188—Teaching relation between controlling parameters and quality parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present disclosure relates to optimization support devices, methods and programs that support the optimization of various parameters in the product production process.
  • the process condition parameter that specifies the operating conditions of the process and the quality parameter of the product are associated with each other, and the quality is obtained from the process condition parameter.
  • Methods have been proposed in which the parameters are predicted as a forward problem, and the optimum solution of the process condition parameter is predicted from the quality parameter as an inverse problem.
  • Patent Document 1 in order to divide a product production process, define a plurality of prediction models, and optimize a product production plan, production is performed in the reverse order of the flow of producing a product from raw materials.
  • a method for deriving the optimum solution of the plan has been proposed.
  • the method described in Patent Document 1 corresponds to a method of predicting a process condition parameter by an inverse problem from a product quality parameter by learning the correlation between the process condition parameter and the quality parameter.
  • Patent Document 2 proposes a method of modeling a production process by operating variables, state variables, and quality variables, and deriving the optimum operating variables in order to improve the quality of the product.
  • the method described in Patent Document 2 corresponds to a method of predicting quality parameters as a forward problem from the parameters of process conditions.
  • the present invention has been made in view of the above circumstances, and an object of the present invention is to enable accurate prediction of various conditions and the like in a product production process.
  • the first optimization support device includes a first conversion unit that converts an operating condition parameter representing a process operating condition for producing a product into a state parameter representing a process state. It is provided with a second conversion unit that converts a state parameter into a quality parameter representing the quality of the product.
  • the first conversion unit has a first learning model in which the state parameters are output by inputting the operating condition parameters.
  • the second conversion unit may have a second learning model that has been trained to output quality parameters by inputting state parameters.
  • a third conversion unit that converts quality parameters into state parameters and a third conversion unit It may further include a fourth conversion unit that converts a state parameter into an operating condition parameter.
  • the third conversion unit converts the quality parameter into the state parameter based on the control parameter of the second learning model.
  • the fourth conversion unit may convert the state parameter into the operating condition parameter based on the control parameter of the first learning model.
  • the second optimization support device includes a third conversion unit that converts a quality parameter representing the quality of the product produced in the process for producing the product into a state parameter representing the state of the process. It includes a fourth conversion unit that converts a state parameter into an operating condition parameter that represents the operating condition of the process.
  • the third conversion unit uses the quality parameter as the state parameter based on the control parameter of the learning model that has been trained to output the quality parameter by inputting the state parameter. It may be the one to be converted.
  • it may have a learning model that has been trained to output quality parameters by inputting state parameters, and may further include a second conversion unit that converts the state parameters into quality parameters that represent the quality of the product. ..
  • the fourth conversion unit sets the state parameters as operating conditions based on the control parameters of the learning model in which the learning is performed to output the state parameters by inputting the operating condition parameters. It may be converted into a parameter.
  • it may have a learning model that has been trained to output a state parameter by inputting an operating condition parameter, and may further include a first conversion unit that converts the operating condition parameter into a state parameter.
  • the process may be a flow synthesis process, a cell culture process, a vacuum film forming process, or a coating process. It may be a process.
  • the first optimization support method converts an operating condition parameter representing the operating condition of a process for producing a product into a state parameter representing the state of the process. Convert state parameters to quality parameters that represent the quality of the product.
  • the second optimization support method converts a quality parameter representing the quality of the product produced in the process for producing the product into a state parameter representing the state of the process. Convert the state parameters to operating condition parameters that represent the operating conditions of the process.
  • first and second optimization support methods according to the present disclosure may be provided as a program to be executed by a computer.
  • the third optimization support device includes a memory for storing instructions to be executed by a computer and a memory for storing instructions.
  • the processor comprises a processor configured to execute a stored instruction. Convert the operating condition parameters that represent the operating conditions of the process for producing the product to the state parameters that represent the state of the process, Performs the process of converting state parameters into quality parameters that represent the quality of the product.
  • the fourth optimization support device includes a memory for storing instructions to be executed by a computer and a memory for storing instructions.
  • the processor comprises a processor configured to execute a stored instruction.
  • a quality parameter that represents the quality of the product produced in the process for producing the product is converted into a state parameter that represents the state of the process.
  • the process of converting the state parameter into the operating condition parameter representing the operating condition of the process is executed.
  • Schematic block diagram showing the configuration of production equipment including a flow reactor
  • Schematic block diagram showing the configuration of the optimization support device according to this embodiment Conceptual diagram of the layer structure of the neural network
  • Conceptual diagram of the layer structure of the neural network Explanatory diagram of the teacher data dataset
  • Conceptual diagram of processing performed in this embodiment A flowchart showing processing performed when the first learning model of the first conversion unit and the second learning model of the second conversion unit are generated in the present embodiment.
  • Flowchart showing processing when deriving operating condition parameters from target quality parameters Schematic block diagram showing the configuration of the optimization support device according to another embodiment
  • Schematic block diagram showing the configuration of the optimization support device according to still another embodiment Schematic block diagram showing the configuration of the optimization support device according to still another embodiment.
  • FIG. 1 is a schematic block diagram showing a configuration of a production facility to which the optimization support device according to the embodiment of the present disclosure is applied.
  • the production facility 1 according to the present embodiment includes a production device 2 and an optimization support device 3 according to the present embodiment.
  • the flow reaction device is included as the production device 2.
  • the flow reaction device is a device for obtaining a product by performing a flow reaction process in which a raw material is continuously reacted while flowing.
  • FIG. 2 is a schematic block diagram showing the configuration of the production facility 1 including the flow reactor.
  • the production apparatus 2 includes a flow reaction apparatus 11 and a controller 12.
  • the flow reactor 11 includes a first supply section 21, a second supply section 22, a reaction section 23, and a recovery section 26. The operation of each part of the flow reaction device 11 is controlled by the controller 12.
  • the controller 12 is connected to the optimization support device 3.
  • the first supply unit 21 and the second supply unit 22 are connected to the upstream end of the reaction section 23 by piping, and the recovery section 26 is connected to the downstream end of the reaction section 23 by piping. It is connected.
  • the flow reaction performed by the flow reaction device 11 includes, for example, a synthetic reaction for synthesizing a compound which is a monomer, a polymerization reaction for producing a polymer by reacting monomers with each other, and for example, a start reaction and a stop reaction such as an anion polymerization reaction. It may be an elementary reaction of. Therefore, the reactant to be the target of the flow reaction may be, for example, a compound at the growth stage to be the target of the termination reaction. In the present embodiment, a stop reaction for stopping the growth (growth) of polystyryllithium with methanol is carried out by a flow reaction.
  • the first supply unit 21 is for supplying the first raw material for the flow reaction to the reaction section 23.
  • the first raw material of the present embodiment is, for example, a first liquid in which lithium polystyryl is dissolved in a solvent, and lithium polystyryl is an example of a reaction product of a flow reaction treatment.
  • the first supply unit 21 includes a pump (not shown), and the flow rate of the first raw material to the reaction section 23 is adjusted by adjusting the rotation speed of the pump.
  • the second supply unit 22 is for supplying the second raw material for the flow reaction to the reaction section 23.
  • the second raw material of the present embodiment is a mixture of methanol and water, that is, an aqueous methanol solution, and methanol is used as a terminator for the terminator reaction.
  • the second supply unit 22 also includes a pump (not shown), and the flow rate of the second raw material to the reaction section 23 is adjusted by adjusting the rotation speed of the pump.
  • the reaction section 23 is for performing a stop reaction as a flow reaction, and includes a merging unit 31, a reaction unit 32, a temperature control unit 33, an irradiation unit 34, and a first detection unit 35.
  • the merging portion 31 is a T-shaped branched pipe, that is, a T-shaped pipe.
  • a cross tube may be used instead of the T-shaped tube.
  • the first pipe section 31a of the merging section 31 is connected to the first supply section 21, the second pipe section 31b is connected to the second supply section 22, and the third tube section 31c is connected to the reaction section 32.
  • the reaction section 32 has a predetermined reaction path length and reaction path diameter. The reaction path length and reaction path diameter can be changed by changing the tubular member constituting the reaction section 32.
  • the inside of the reaction unit 32 is a flow path of a mixture of the first raw material and the second raw material (hereinafter referred to as a mixed raw material), and the hollow portion in the pipe is defined as a reaction field.
  • a mixed raw material a mixture of the first raw material and the second raw material
  • the hollow portion in the pipe is defined as a reaction field.
  • the termination reaction of anionic polymerization proceeds while passing through the reaction section 32 to produce polystyrene.
  • the temperature control unit 33 is composed of, for example, a heater or the like, and is for adjusting the temperature of the flow reaction (hereinafter referred to as the reaction temperature).
  • the temperature control unit 33 adjusts the temperature (reaction temperature) of the mixed raw material flowing through the merging unit 31 and the reaction unit 32.
  • the irradiation unit 34 has, for example, a light source that emits light such as ultraviolet rays, and is for irradiating the reaction unit 32 with light such as ultraviolet rays when performing a photoreaction as a flow reaction.
  • the first detection unit 35 detects the state of the mixed raw material in the reaction section 23 and outputs it to the optimization support device 3.
  • the parameter representing the state of the mixed raw material (hereinafter referred to as a state parameter) is a parameter representing the physical characteristics of the mixed raw material obtained when the mixed raw material is reacted according to the input operating condition parameter and the environment in the reaction section.
  • State parameters include, for example, the reaction temperature, color, pH, dissolved oxygen content, pressure of reaction section 23 and spectral form (infrared absorption spectrum, Raman spectroscopic waveform and nuclear magnetic resonance) representing the physical characteristics of the product. At least one of the waveforms) and the like.
  • the first detection unit 35 includes a temperature sensor (not shown), an imaging unit, a pH sensor, a dissolved oxygen amount sensor, a spectrometer, and the like.
  • Recovery section 26 is for recovering polystyrene, which is the product of the flow reaction.
  • polystyrene is precipitated from the polystyrene solution guided from the reaction section, the precipitated polystyrene is collected from the mixed solution, and the collected polystyrene is dried to obtain polystyrene.
  • the recovery section 26 includes a second detection unit 36.
  • the second detection unit 36 detects the quality of the product which is the processing result of the flow reaction and outputs it to the optimization support device 3.
  • the parameter representing the quality of the product (hereinafter referred to as a quality parameter) is a parameter that serves as a measure for determining whether or not the product obtained as a result of the reaction has appropriate quality.
  • the quality parameter includes at least one of the product concentration, the impurity concentration, and the like, but in addition to this, at least one of the product purity, molecular weight, molecular weight dispersion, yield, and the like. May be used. Further, when the product is obtained in a solution state in which the product is dissolved in a solvent in the recovery section 26, the concentration of the product in the solution (molar concentration, etc.) may be detected as a quality parameter.
  • the reaction section and the recovery section are not limited to the above examples, and are appropriately changed according to at least one such as the type of flow reaction and the type of product.
  • a container may be provided in place of the recovery section 26, and the polystyrene solution guided from the reaction section 23 may be temporarily stored in this container.
  • the stored polystyrene solution may be guided to the recovery section 26 and obtained by precipitating, collecting and drying the polystyrene.
  • the controller 12 comprehensively controls the flow reaction device 11.
  • the controller 12 is connected to the pumps of the first supply unit 21 and the second supply unit 22, the temperature control unit 33, the irradiation unit 34, the first detection unit 35, and the second detection unit 36.
  • the controller 12 adjusts the flow rates of the first raw material and the second raw material by adjusting the rotation speeds of the pumps of the first supply unit 21 and the second supply unit 22. Further, the controller 12 controls the temperature of the mixed raw material by adjusting the temperature control unit 33. Further, the controller 12 controls the irradiation of the reaction section 23 with light such as ultraviolet rays by giving an instruction to the irradiation unit 34. Further, the controller 12 detects the state parameter and the quality parameter by instructing the first detection unit 35 and the second detection unit 36.
  • the controller 12 also sets the operating conditions of the flow reaction device 11.
  • the parameter representing the operating condition (hereinafter referred to as the operating condition parameter) is for setting the reaction condition which is the processing condition of the flow reaction processing, and in order to produce a product of appropriate quality, the flow reactor 11 It is a parameter for driving each part of.
  • the operating condition parameters include, for example, at least one of the flow rate of the first raw material, the flow rate of the second raw material, the reaction time, the reaction temperature, the mixing ratio, the UV illuminance, the flow path depth, and the reagent equivalent when the reagent is used. There is one.
  • the controller 12 has an operation unit (not shown), and sets an operation condition parameter by inputting an operation signal from the operation unit, thereby controlling the flow reaction device 11 to the set operation condition.
  • the operating condition parameters are set by clicking or selecting with the mouse of the operation unit and / or inputting characters with the keyboard.
  • controller 12 is connected to the optimization support device 3, and in addition to or instead of the operation signal from the above-mentioned operation unit, the operation condition is set as the target operation condition output by the optimization support device 3. As a result, the flow reaction device 11 is controlled to a predetermined operating condition.
  • the optimization support device 3 provides support for accurately determining the target operating condition parameters for the flow reaction process performed by the flow reaction device 11.
  • the optimization support device 3 includes, for example, one computer in which the optimization support program of the present embodiment is installed.
  • the optimization support program is stored in the storage device of the server computer connected to the network or the network storage in a state of being accessible from the outside, and is downloaded and installed in the computer at the request of the operator. Alternatively, it is recorded and distributed on a recording medium such as a DVD (Digital Versatile Disc) or a CD-ROM (Compact Disc Read Only Memory), and is installed on a computer from the recording medium.
  • FIG. 3 is a schematic block diagram showing a configuration of an optimization support device realized by installing an optimization support program on a computer.
  • the optimization support device 3 includes a CPU (Central Processing Unit) 41, a memory 42, and a storage 43 as a standard computer configuration. Further, the optimization support device 3 is connected to a display unit 44 such as a liquid crystal display and an input unit 45 such as a keyboard and a mouse.
  • a display unit 44 such as a liquid crystal display
  • an input unit 45 such as a keyboard and a mouse.
  • the storage 43 is composed of a hard disk drive or the like, and stores various information including information necessary for optimization support processing.
  • the optimization support program is stored in the memory 42.
  • the optimization support program As a process to be executed by the CPU 41, the optimization support program generates a first conversion process for converting an operating condition parameter representing an operating condition of a process for producing a product into a state parameter representing a process state, and a state parameter.
  • the computer functions as the first conversion unit 51, the second conversion unit 52, the third conversion unit 53, the fourth conversion unit 54, and the learning unit 55.
  • the first conversion unit 51 converts the operating condition parameter representing the operating condition of the process for producing the product (flow reaction in the present embodiment) into the state parameter representing the state of the process, thereby converting the state parameter. Derived.
  • the first conversion unit 51 has a first learning model M1 that has been trained to output a state parameter by inputting an operating condition parameter.
  • the first learning model M1 is constructed by the learning unit 55 learning a neural network or the like as described later.
  • the second conversion unit 52 derives the quality parameter by converting the state parameter into a quality parameter representing the quality of the product (polystyrene in this embodiment).
  • the second conversion unit 52 has a second learning model M2 that has been trained to output quality parameters by inputting state parameters.
  • the second learning model M2 is constructed by the learning unit 55 learning a neural network or the like as described later.
  • the third conversion unit 53 derives the state parameter by converting the quality parameter representing the quality of the product into the state parameter representing the state of the process.
  • the third conversion unit 53 converts the quality parameter into the state parameter based on the control parameter of the second learning model M2 in the second conversion unit 52.
  • the fourth conversion unit 54 derives the operating condition parameter by converting the state parameter representing the process state into the operating condition parameter representing the operating condition of the process.
  • the fourth conversion unit 54 converts the state parameter into the operating condition parameter based on the control parameter of the first learning model M1 in the first conversion unit 51.
  • the model used for the first learning model M1 is a prediction model that predicts state parameters by inputting operating condition parameters.
  • the model used for the second learning model M2 is also a prediction model that predicts quality parameters by inputting state parameters.
  • a machine learning model can be used as the prediction model. Examples of the machine learning model include linear regression, Gaussian process regression, support vector regression, decision tree, ensemble method, bagging method, boosting method, gradient boosting method, and the like.
  • a neural network model is an example of a machine learning model. Examples of the neural network model include a simple perceptron, a multi-layer perceptron, a deep neural network, a convolutional neural network, a deep belief network, a recurrent neural network, and a stochastic neural network.
  • Random forest can be mentioned as an ensemble method for machine learning models. Random forest uses randomly sampled training data and randomly selected explanatory variables to create multiple decision trees with low correlation, and integrates and averages the prediction results to improve prediction accuracy. This is an improved learning model.
  • the control parameters of the random forest model include the number of explanatory variables and the number of branches of the decision tree.
  • a deep neural network can be mentioned as a neural network model.
  • deep neural networks Compared to machine learning models other than neural networks, deep neural networks have a large number of model control parameters and can be flexibly combined, so they can exhibit high performance for various data configurations.
  • Control parameters of the deep neural network include the number of layers of the network, the number of nodes, the type of activation function, the dropout ratio, the mini-batch size, the number of epochs, the learning rate, and the like. There are multiple execution frameworks for these models, and you can select from them as appropriate.
  • the execution framework can be selected from Tensorflow, CNTK, Theano, Caffe, mxnet, Keras, PyTorch, Chainer, Scikit-learn, Caret, Matlab® and the like.
  • a neural network is used as a prediction model.
  • the learning unit 55 learns the neural network as a prediction model and constructs the first learning model M1 and the second learning model M2. First, the first learning model M1 of the first conversion unit 51 will be described.
  • the learning unit 55 learns the neural network using the operating condition parameter as an explanatory variable and the state parameter as the objective variable, and derives a function representing the relationship between the operating condition parameter and the state parameter to derive the first learning model. Build M1.
  • the learning unit 55 generates the following functions (1A), (1B), and (1C) that represent the relationship between the operating condition parameter and the state parameter.
  • xi (i is a natural number) is the value of the operating condition parameter, and the maximum value of i is the number of operating condition parameters.
  • ym (m is a natural number) is the value of the state parameter, and the maximum value of m is the number of state parameters.
  • m 3.
  • ul (l is a natural number) is a node of the hidden layer L2 in the neural network described later, and the maximum value of l is the number of nodes.
  • l 3.
  • w xiul and w ulym are weighting coefficients representing the connection weight of the neural network. Specifically, w xiul is a weighting factor between xi and ul, and w ulym is a weighting factor between ul and ym.
  • FIG. 4 is a diagram for explaining the layer structure of the neural network for constructing the first learning model M1 in the present embodiment.
  • the neural network 60 has a three-layer structure of an input layer L1, a hidden layer L2, and an output layer L3.
  • the input layer L1 is composed of operating condition parameter values x1 to x5, which are explanatory variables.
  • the hidden layer L2 is composed of three nodes u1 to u3, and is one layer in the present embodiment.
  • Each of the nodes u1 to u3 is the sum of the values obtained by weighting x1 to x5 with the weighting coefficient w xiul corresponding to each of x1 to x5.
  • the output layer L3 is composed of the values y1 to y3 of the state parameters which are the objective variables.
  • Each of the state parameter values y1 to y3 is a value obtained by weighting with the weighting coefficient w ulym corresponding to each of the nodes u1 to u3 using the nodes u1 to u3 .
  • the black circles “ ⁇ ” in FIG. 4 indicate the weighting coefficients w xiul and w ulym .
  • the weighting coefficients w xiul and w ulym are derived by learning the neural network 60 using the teacher data.
  • the layer structure of the neural network 60 is not limited to that shown in FIG.
  • the learning unit 55 learns the neural network using the state parameter as an explanatory variable and the quality parameter as the objective variable, and derives a function representing the relationship between the state parameter and the quality parameter to obtain the second learning model M2. To construct.
  • the learning unit 55 generates the following functions (2A) and (2B) that represent the relationship between the operating condition parameter and the state parameter.
  • z1 w u1z1 / [1 + exp ⁇ -(w y1u11 ⁇ y1 + w y2u11 ⁇ y2 + w y3u11 ⁇ y3) ⁇ ] + w u2z1 / [1 + exp ⁇ -(w y1u12 ⁇ y1 + w y2u12 ⁇ y2 + w y3u12 ⁇ y3) ⁇ ] + w u3z1 / [1 + exp ⁇ -(w y1u13 ⁇ y1 + w y2u13 ⁇ y2 + w y3u13 ⁇ y3) ⁇ ]...
  • z2 w u1z2 / [1 + exp ⁇ -(w y1u11 ⁇ y1 + w y2u11 ⁇ y2 + w y3u11 ⁇ y3) ⁇ ] + w u2z2 / [1 + exp ⁇ -(w
  • ym (m is a natural number) is the value of the state parameter.
  • m 3.
  • zk (k is a natural number) is the value of the quality parameter, and the maximum value of k is the number of quality parameters.
  • the quality parameters are, for example, the product concentration and the impurity concentration
  • k 2.
  • w ymu1l and w u1lzk are weighting coefficients representing the connection weight of the neural network. Specifically, w ymu1l is a weighting factor between ym and u1l, and w u1lzk is a weighting factor between u1l and zk.
  • FIG. 5 is a diagram for explaining the layer structure of the neural network for constructing the second learning model M2 in the present embodiment.
  • the neural network 70 has a three-layer structure of an input layer L11, a hidden layer L12, and an output layer L13.
  • the input layer L11 is composed of the values y1 to y3 of the state parameters which are explanatory variables.
  • the hidden layer L12 is composed of three nodes u11 to u13, and is one layer in the present embodiment. Each of the nodes u11 to u13 is the sum of the values obtained by weighting y1 to y3 with the weighting coefficient w ymu1l corresponding to each of y1 to y3.
  • the output layer L13 is composed of quality parameter values z1 and z2, which are objective variables.
  • Each of the quality parameter values z1 and z2 is a value obtained by weighting the nodes u1 to u3 with the weighting coefficient w u1lzk corresponding to each of the nodes u1 to u3 .
  • the black circles “ ⁇ ” in FIG. 5 indicate the weighting coefficients w ymu1l and w u1lzk .
  • the weighting coefficients w ymu1l and w u1lzkym are derived by learning the neural network 70 using the teacher data.
  • the layer structure of the neural network 70 is not limited to that shown in FIG.
  • the learning unit 55 learns the neural networks 60 and 70 using a plurality of teacher data generated in advance to construct the first learning model M1 and the second learning model M2.
  • the teacher data includes operating condition parameters, state parameters and quality parameters when a product of favorable quality is obtained.
  • a plurality of teacher data are prepared and stored in the storage 43.
  • FIG. 6 is a diagram showing an example of teacher data.
  • the teacher data includes operating condition parameters, state parameters and quality parameters.
  • the operating condition parameters include five parameters of the flow rate of the first raw material, the flow rate of the second raw material, the reaction time, the reaction temperature, and the mixing ratio.
  • the state parameters include three parameters of mixed raw material color, pressure and pH.
  • the quality parameter includes two parameters, the product concentration and the impurity concentration.
  • the learning unit 55 uses the teacher data stored in the storage 43 to train the neural networks 60 and 70 according to, for example, the error back propagation method. Specifically, for the neural network 60, the learning unit 55 inputs the operating condition parameters included in one of the teacher data sets to the neural network 60, and causes the neural network 60 to output the state parameters. Then, the learning unit 55 derives the weighting coefficients w xiul and w ulym so that the difference between the state parameters output to the neural network 60 and the state parameters included in the teacher data is minimized, so that the neural network 60 To learn.
  • the learning unit 55 inputs the state parameter included in one of the teacher data sets to the neural network 70, and outputs the quality parameter from the neural network 70. Then, the learning unit 55 derives the weighting coefficients w ymu1l and w u1lzk so that the difference between the quality parameter output to the neural network 70 and the quality parameter included in the teacher data is minimized, so that the neural network 70 To learn.
  • the learning unit 55 stores the functions represented by the first learning model M1 and the second learning model M2 in the storage 43.
  • the third conversion unit 53 and the fourth conversion unit 54 derive an operating condition parameter for obtaining the target quality parameter from the target unknown quality parameter (hereinafter referred to as the target quality parameter).
  • the third conversion unit 53 converts the target quality parameter into a state parameter based on the control parameter of the second learning model M2 possessed by the second conversion unit 52.
  • the state parameter obtained by converting the target quality parameter is called the target state parameter.
  • the control parameters are the weighting coefficients w ymu1l and w u1lzk in the function obtained based on the second learning model M2.
  • the third conversion unit 53 derives the following functions G21 and G21 in order to generate the target state parameter.
  • G21 zt1- [w u1z1 / [1 + exp ⁇ -(w y1u11 ⁇ y1 + w y2u11 ⁇ y2 + w y3u11 ⁇ y3) ⁇ ] + w u2z1 / [1 + exp ⁇ -(w y1u12 ⁇ y1 + w y2u12) ⁇ y2 + w y3u12 ⁇ y3) ⁇ ] + w u3z1 / [1 + exp ⁇ -(w y1u13 ⁇ y1 + w y2u13 ⁇ y2 + w y3u13 ⁇ y3) ⁇ ]]...
  • G22 zt2- [w u1z2 / [1 + exp ⁇ -(w y1u11 ⁇ y1 + w y2u11 ⁇ y2 + w y3u11 ⁇ y3) ⁇ ] + w u2z2
  • zt1 and zt2 are target quality parameters, respectively.
  • the third conversion unit 53 derives the state parameter ym for minimizing the absolute value of the functions G21 and G22 as the target state parameter ytm.
  • multivariate analysis such as multiple regression analysis and principal component analysis, or genetic algorithm, multi-objective particle swarm optimization and Bayes
  • the target state parameter ytm is derived by performing multi-objective optimization such as optimization.
  • the fourth conversion unit 54 converts the target state parameter into an operating condition parameter based on the control parameter of the first learning model M1 possessed by the first conversion unit 51.
  • the operating condition parameter obtained by converting the target state parameter is used as the target operating condition parameter.
  • the control parameters are the weighting coefficients w xiul and w ulym in the function represented by the first learning model M1.
  • the fourth conversion unit 54 generates the following functions G11, G12, and G13 in order to generate the target operating condition parameters.
  • G11 yt1- [w u1y1 / [1 + exp ⁇ -(w x1u1 x x1 + w x2u1 x x2 +... + w x5u1 x x5) ⁇ ] + w u2y1 / [1 + exp ⁇ -(w x1u2 ⁇ x1 + w x2u2 ⁇ x2 +... + w x5u2 ⁇ x5) ⁇ ] + w u3y1 / [1 + exp ⁇ -(w x1u3 ⁇ x1 + w x2u3 ⁇ x2 +... + w x5u3 ⁇ x5) ⁇ ]]... (4A)
  • G12 yt2- [w u1y2 / [1 + exp ⁇ -(w x1u1 ⁇ x1 + w x2u1 ⁇ x2 +... + w x5u1 ⁇ x5) ⁇ ]
  • yt1, yt2, and yt3 are target state parameters, respectively.
  • the fourth conversion unit 54 derives the operation condition parameter xi for minimizing the absolute value of the functions G11 to G13 as the target operation condition parameter xti.
  • multivariate analysis such as multiple regression analysis and principal component analysis, or genetic algorithm
  • multi-objective particle swarm optimization The target operating condition parameter xti is derived by performing multi-objective optimization such as conversion and Bayesian optimization.
  • the processing performed by the first conversion unit 51, the second conversion unit 52, the third conversion unit 53, and the fourth conversion unit 54 described above will be conceptually described with reference to FIG. 7.
  • the first conversion unit 51 predicts the state parameter as a forward problem from the operating condition parameter.
  • the second conversion unit 52 predicts the quality parameter as a forward problem from the state parameter.
  • the third conversion unit 53 predicts the state parameter as an inverse problem from the quality parameter.
  • the fourth conversion unit 54 predicts the operating condition parameter from the state parameter as an inverse problem.
  • the white arrows represent the forward problem
  • the black arrows represent the inverse problem.
  • the quality parameter is derived from the operating condition parameter by the two-step process through the state parameter.
  • the operating condition parameter is derived by the two-step process from the quality parameter to the state parameter.
  • the optimization support device 3 outputs the target operating condition parameter xti to the controller 12.
  • the controller 12 controls the operation of the flow reaction device 11 according to the target operating condition parameter xti. As a result, a product having the target quality is produced.
  • FIG. 8 is a flowchart showing a process performed at the time of constructing the first learning model M1 of the first conversion unit 51 and the second learning model M2 of the second conversion unit 52 in the present embodiment.
  • the learning unit 55 reads one teacher data from the plurality of teacher data stored in the storage 43 (step ST1), and learns the relationship between the operating condition parameter and the state parameter for the neural network of the first conversion unit 51. (First learning; step ST2).
  • the learning unit 55 causes the neural network of the second conversion unit 52 to learn the relationship between the state parameter and the quality parameter (second learning; step ST3).
  • step ST3 the learning unit 55 returns to step ST1, reads out the next teacher data, and repeats the processes of step ST2 and step ST3.
  • the first learning model M1 and the second learning model M2 are constructed.
  • the learning unit 55 has a difference between the state parameter generated by the first conversion unit 51 and the state parameter of the teacher data, and a difference between the quality parameter generated by the second conversion unit 52 and the quality parameter of the teacher data. , The learning is repeated until the value becomes equal to or lower than the predetermined threshold value.
  • the number of repetitions may be a predetermined number of times.
  • FIG. 9 is a flowchart showing a process for deriving the operating condition parameter from the target quality parameter.
  • the third conversion unit 53 uses the target quality parameter as the target state parameter based on the control parameter of the second learning model M2. Convert (step ST12).
  • the fourth conversion unit 54 converts the target state parameter into the target operation parameter (step ST13), and ends the process.
  • the quality parameter is conventionally derived from the process condition parameter, but the process condition parameter is divided into the operation condition parameter and the state parameter, and the operation condition parameter is set to the state by the first conversion unit 51.
  • the quality parameter is derived by a two-step process of converting the parameter into a parameter and converting the state parameter into a quality parameter by the second conversion unit 52. Therefore, in the processing performed by the first conversion unit 51 and the second conversion unit 52, respectively, as compared with the conventional processing of obtaining the quality parameter by using it as the process condition parameter without distinguishing between the operation condition parameter and the state parameter. , The number of input parameters can be reduced. As a result, overfitting can be prevented, especially when a learning model constructed by learning such as a neural network is used for conversion. Therefore, according to the present embodiment, various conditions in the product production process can be accurately predicted.
  • the process of deriving the target operating condition parameter from the target quality parameter is performed in each of the third conversion unit 53 and the fourth conversion unit 54, so that the process is divided into two processes. Therefore, in comparison with the conventional process of obtaining the process condition parameter from the quality parameter without distinguishing between the operation condition parameter and the state parameter, the input is performed in the process performed by the third conversion unit 53 and the fourth conversion unit 54, respectively. The number of parameters to be processed can be reduced. As a result, according to the present embodiment, the target operating condition parameter can be accurately predicted from the target quality parameter.
  • the target quality parameter is converted to the target state parameter by using the control parameter of the second learning model M2, and the target state parameter is converted to the target operating condition parameter by the first learning model M1.
  • the control parameters of are used.
  • the control parameters of the first learning model M1 and the second learning model M2 can accurately predict various conditions in the product production process. Therefore, according to the present embodiment, the target operating condition parameter can be accurately derived from the target quality parameter. Therefore, by producing the product using the target operating condition parameter, the product having the target quality can be obtained.
  • the operating condition is as in the present embodiment.
  • the correlation between the parameter and the state parameter is not learned at all. Therefore, even if the production process is performed according to the predicted process condition parameters, the product having the target quality may not be produced. That is, when the process condition parameter is predicted from the quality parameter by learning the correlation between the process condition parameter and the quality parameter, it is premised that the state parameter can be realized by the operating condition parameter. However, that premise does not hold in most cases. Therefore, it is not possible to accurately predict the process condition parameter that can achieve the target quality parameter by the method of predicting the process condition parameter from the quality parameter as in the conventional case.
  • the process condition parameter is divided into an operating condition parameter and a state parameter, the state parameter is predicted from the quality parameter, the operating condition parameter is predicted from the state parameter, and the state parameter is predicted from the operating condition parameter.
  • Predicted quality parameters from state parameters. Therefore, the operating condition parameter, the state parameter, and the quality parameter can be predicted in the situation where the premise that the state parameter can be realized by the operating condition parameter included in the process condition parameter is established. Therefore, according to the present embodiment, various conditions in the product production process can be accurately predicted.
  • the first conversion unit 51 converts the operating condition parameters into the state parameters by using the first learning model M1 constructed by learning the neural network 60. It is not limited to.
  • the operating condition parameter may be converted into a state parameter by a mathematical formula for converting the operating condition parameter into a state parameter, or a table in which the operating condition parameter is associated with the state parameter.
  • the fourth conversion unit 54 converts the state parameter into the operation condition parameter by a mathematical formula for converting the state parameter into the operation condition parameter, or a table in which the state parameter and the operation condition parameter are associated with each other. May be good.
  • the second conversion unit 52 converts the state parameter into a quality parameter by using the second learning model M2 constructed by learning the neural network 70. It is not limited.
  • the state parameter may be converted into a quality parameter by a mathematical formula for converting the state parameter into a quality parameter, or a table in which the state parameter and the quality parameter are associated with each other.
  • the third conversion unit 53 may convert the quality parameter into the state parameter by a mathematical formula for converting the quality parameter into the state parameter, or a table in which the quality parameter and the state parameter are associated with each other.
  • the optimization support device 3 includes a first conversion unit 51, a second conversion unit 52, a third conversion unit 53, and a fourth conversion unit 54, but the present invention is limited to this. Not a thing. As shown in FIG. 10, it may have only the first conversion unit 51 and the second conversion unit 52.
  • the first conversion unit 51 may convert the operating condition parameter into a state parameter by the first learning model M1, or may convert the operating condition parameter into a state parameter by a mathematical formula, a table, or the like. May be good.
  • the second conversion unit 52 may convert the state parameter into a quality parameter by the second learning model M2, or may convert the state parameter into a quality parameter by a mathematical formula, a table, or the like.
  • the optimization support device 3 may have only the third conversion unit 53 and the fourth conversion unit 54.
  • the third conversion unit 53 may convert the quality parameter into the state parameter by using the control parameter of the second learning model M2 constructed by a device separate from the optimization support device 3.
  • Formulas, tables, etc. may be used to convert quality parameters into state parameters.
  • the fourth conversion unit 54 may convert the state parameter into the operating condition parameter by using the control parameter of the first learning model M1 constructed by a device separate from the optimization support device 3.
  • a mathematical formula, a table, or the like may be used to convert a state parameter into an operating condition parameter.
  • the flow synthesis process is used as the process for producing the product, but the present invention is not limited to this.
  • a cell culture process may be used as the process for producing the product.
  • the product is a cell and an antibody produced by the cell
  • the cell culture condition is used as an operating condition parameter
  • the cell and the quality of the antibody produced by the cell are used as a quality parameter.
  • the production device 2 shown in FIG. 1 is a cell culture device.
  • the operating condition parameters include, for example, the perfusion ratio, the number of cells in the stationary phase, the stirring speed of the liquid in the culture tank, the amount of bottom air, the amount of bottom oxygen, and the amount of bottom nitrogen.
  • Upper surface carbon dioxide amount, upper surface air amount, defoaming agent amount, surfactant amount and the like can be used.
  • State parameters include, for example, pH, pO2 (oxygen partial pressure), pCO2 (carbon dioxide partial pressure), Gln (glutamine concentration), Glu (glutamic acid concentration), Gluc (glucose concentration), Lac (lactic acid concentration), NH4 + ( Ammonia ion concentration), Na + (sodium ion concentration), K + (potassium ion concentration), Osmol (osmotic pressure), Kla (oxygen transfer coefficient) and the like can be used.
  • quality parameters antibody concentration, by-product concentration, number of living cells (number of living cells) and the like can be used.
  • a vacuum film forming process may be used as a process for producing the product.
  • the product is a film formed on the surface of a substrate such as glass, resin and metal.
  • the production apparatus 2 shown in FIG. 1 is a vacuum film forming apparatus.
  • the condition of vacuum film formation is used as an operation parameter, and the quality of film formation is used as a quality parameter.
  • the operating condition parameters for example, vacuum pressure, applied voltage, bias voltage, substrate temperature, film formation time, gas flow rate, gas concentration, line speed and the like can be used.
  • the state parameters are the state of plasma, and plasma stability, plasma color development, ICP-OES / ICP-AES (plasma emission spectrometry) waveform spectrum, plasma density, adhesive plate depot thickness, device potential difference, and the like can be used.
  • As the quality parameter film quality, barrier performance and the like can be used.
  • a roll-to-roll coating process may be used as the process for producing the product.
  • the products are liquid crystal retardation films with a coating film formed on the surface of the substrate resin, such as TAC (triacetyl cellulose), PET (polyethylene terephthalate), and COP (cycloolefin polymer).
  • TAC triacetyl cellulose
  • PET polyethylene terephthalate
  • COP cycloolefin polymer
  • the production device 2 shown in FIG. 1 is a coating device.
  • the coating condition is used as an operating condition parameter
  • the quality of the coating film is used as a quality parameter.
  • the operating condition parameters for example, the coating flow rate, the liquid temperature, the drying temperature, the line speed, the transport roll temperature, and the like can be used.
  • the state parameters pulsation of the liquid, fluctuation of the drying air velocity, the amount of volatilization during drying, the amount of liquid permeation into the substrate, and the like can be used.
  • the quality parameters the film quality, the film thickness distribution of the coating film, the adhesion between the coating film and the substrate, and the like can be used.
  • a processing unit that executes various processes such as a first conversion unit 51, a second conversion unit 52, a third conversion unit 53, a fourth conversion unit 54, and a learning unit 55.
  • various processors processors shown below can be used.
  • the various processors include a CPU, which is a general-purpose processor that executes software (program) and functions as various processing units, and a circuit after manufacturing an FPGA (Field Programmable Gate Array) or the like.
  • Dedicated electricity which is a processor with a circuit configuration specially designed to execute specific processing such as programmable logic device (PLD), ASIC (Application Specific Integrated Circuit), which is a processor whose configuration can be changed. Circuits and the like are included.
  • One processing unit may be composed of one of these various processors, or a combination of two or more processors of the same type or different types (for example, a combination of a plurality of FPGAs or a combination of a CPU and an FPGA). ) May be configured. Further, a plurality of processing units may be configured by one processor.
  • one processor is configured by combining one or more CPUs and software. There is a form in which this processor functions as a plurality of processing units.
  • SoC System On Chip
  • the various processing units are configured by using one or more of the various processors as a hardware structure.
  • circuitry in which circuit elements such as semiconductor elements are combined can be used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)
  • General Factory Administration (AREA)

Abstract

最適化支援装置、方法およびプログラムにおいて、生成物の生産プロセスにおける各種条件等を精度よく予測できるようにする。最適化支援装置は、生成物を生産するためのプロセスの運転条件を表す運転条件パラメータを、プロセスの状態を表す状態パラメータに変換する第１変換部と、状態パラメータを生成物の品質を表す品質パラメータに変換する第２変換部とを備える。

Description

最適化支援装置、方法およびプログラム
　本開示は、生成物の生産プロセスにおける各種パラメータの最適化を支援する最適化支援装置、方法およびプログラムに関する。
　生成物を生産するプロセスにおいて、例えばニューラルネットワークを用いた各種演算を利用して、プロセスの運転条件等を特定するプロセス条件パラメータと、生成物の品質のパラメータとを関連付けて、プロセス条件パラメータから品質パラメータを順問題として予測したり、品質パラメータからプロセス条件パラメータの最適解を逆問題で予測したりする手法が提案されている。
　例えば、特許文献１には、製品の生産プロセスを分割して複数の予測モデルを定義し、製品の生産計画を最適化するために、原料から製品を生産する流れとは逆の順序で、生産計画の最適解を導出する手法が提案されている。特許文献１に記載の手法は、プロセス条件パラメータと品質パラメータとの相関を学習することにより、生成物の品質パラメータから、プロセス条件パラメータを逆問題で予測する手法に相当する。また。特許文献２には、生産プロセスを、操作変数、状態変数および品質変数によってモデル化し、生成物の品質を改善するために、最適な操作変数を導出する手法が提案されている。特許文献２に記載の手法は、プロセス条件のパラメータから品質パラメータを順問題として予測する手法に相当する。
特開２００３－３４５４１６号公報 特開２００６－３２３５２３号公報
　ところで、生成物を生産するプロセスにおいては、プロセスの運転条件等を特定するプロセス条件パラメータはかなりの数となる。このような多くの条件パラメータを予測モデルに入力して生成物の品質パラメータを予測する場合、正確な予測ができなくなる可能性がある。とくに、予測モデルがニューラルネットワークの場合、プロセス条件パラメータの数が多いとニューラルネットワークが過学習されてしまう。このようにニューラルネットワークが過学習されてしまうと、教師データ以外のプロセス条件パラメータが入力された場合、正確な品質パラメータを予測ができなくなってしまう。また、予測モデルに代えて、関数またはテーブルを用いて、プロセス条件パラメータから品質パラメータを取得することも考えられる。しかしながら、このような場合であっても、プロセス条件パラメータの数が多いと、関数またはテーブルの構成が複雑となるため、適切な関数またはテーブルを作成することが困難となり、その結果、正確な予測ができなくなる可能性がある。
　本発明は上記事情に鑑みなされたものであり、生成物の生産プロセスにおける各種条件等を精度よく予測できるようにすることを目的とする。
　本開示による第１の最適化支援装置は、生成物を生産するためのプロセスの運転条件を表す運転条件パラメータを、プロセスの状態を表す状態パラメータに変換する第１変換部と、
　状態パラメータを生成物の品質を表す品質パラメータに変換する第２変換部とを備える。
　なお、本開示による第１の最適化支援装置においては、第１変換部は、運転条件パラメータの入力により状態パラメータを出力する学習がなされた第１学習モデルを有し、
　第２変換部は、状態パラメータの入力により品質パラメータを出力する学習がなされた第２学習モデルを有するものであってもよい。
　また、本開示による第１の最適化支援装置においては、品質パラメータを状態パラメータに変換する第３変換部と、
　状態パラメータを運転条件パラメータに変換する第４変換部とをさらに備えるものであってもよい。
　また、本開示による第１の最適化支援装置においては、第３変換部は、第２学習モデルの制御パラメータに基づいて、品質パラメータを状態パラメータに変換し、
　第４変換部は、第１学習モデルの制御パラメータに基づいて、状態パラメータを運転条件パラメータに変換するものであってもよい。
　本開示による第２の最適化支援装置は、生成物を生産するためのプロセスにおいて生成される生成物の品質を表す品質パラメータを、プロセスの状態を表す状態パラメータに変換する第３変換部と、
　状態パラメータを、プロセスの運転条件を表す運転条件パラメータに変換する第４変換部とを備える。
　なお、本開示による第２の最適化支援装置においては、第３変換部は、状態パラメータの入力により品質パラメータを出力する学習がなされた学習モデルの制御パラメータに基づいて、品質パラメータを状態パラメータに変換するものであってもよい。
　この場合、状態パラメータの入力により品質パラメータを出力する学習がなされた学習モデルを有し、状態パラメータを生成物の品質を表す品質パラメータに変換する第２変換部をさらに備えるものであってもよい。
　また、本開示による第２の最適化支援装置においては、第４変換部は、運転条件パラメータの入力により状態パラメータを出力する学習がなされた学習モデルの制御パラメータに基づいて、状態パラメータを運転条件パラメータに変換するものであってもよい。
　この場合、運転条件パラメータの入力により状態パラメータを出力する学習がなされた学習モデルを有し、運転条件パラメータを状態パラメータに変換する第１変換部をさらに備えるものであってもよい。
　また、本開示による第１および第２の最適化支援装置においては、プロセスは、フロー合成プロセスであってもよく、細胞培養プロセスであってもよく、真空成膜プロセスであってもよく、塗布プロセスであってもよい。
　本開示による第１の最適化支援方法は、生成物を生産するためのプロセスの運転条件を表す運転条件パラメータを、プロセスの状態を表す状態パラメータに変換し、
　状態パラメータを生成物の品質を表す品質パラメータに変換する。
　本開示による第２の最適化支援方法は、生成物を生産するためのプロセスにおいて生成される生成物の品質を表す品質パラメータを、プロセスの状態を表す状態パラメータに変換し、
　状態パラメータを、プロセスの運転条件を表す運転条件パラメータに変換する。
　なお、本開示による第１および第２の最適化支援方法を、コンピュータに実行させるプログラムとして提供してもよい。
　本開示による第３の最適化支援装置は、コンピュータに実行させるための命令を記憶するメモリと、
　記憶された命令を実行するよう構成されたプロセッサとを備え、プロセッサは、
　生成物を生産するためのプロセスの運転条件を表す運転条件パラメータを、プロセスの状態を表す状態パラメータに変換し、
　状態パラメータを生成物の品質を表す品質パラメータに変換する処理を実行する。
　本開示による第４の最適化支援装置は、コンピュータに実行させるための命令を記憶するメモリと、
　記憶された命令を実行するよう構成されたプロセッサとを備え、プロセッサは、
　生成物を生産するためのプロセスにおいて生成される生成物の品質を表す品質パラメータを、プロセスの状態を表す状態パラメータに変換し、
　状態パラメータを、プロセスの運転条件を表す運転条件パラメータに変換する処理を実行する。
　本開示によれば、生成物の生産プロセスにおける各種条件を精度よく予測できる。
本実施形態による最適化支援装置を適用した生産設備の構成を示す概略ブロック図 フロー反応装置を含む生産設備の構成を示す概略ブロック図 本実施形態による最適化支援装置の構成を示す概略ブロック図 ニューラルネットワークの層構造の概念図 ニューラルネットワークの層構造の概念図 教師データのデータセットの説明図 本実施形態において行われる処理の概念図 本実施形態において第１変換部の第１学習モデルおよび第２変換部の第２学習モデルの生成時に行われる処理を示すフローチャート 目標品質パラメータから運転条件パラメータを導出する際の処理を示すフローチャート 他の実施形態による最適化支援装置の構成を示す概略ブロック図 さらに他の実施形態による最適化支援装置の構成を示す概略ブロック図
　以下、図面を参照して本開示の実施形態について説明する。図１は本開示の実施形態による最適化支援装置を適用した生産設備の構成を示す概略ブロック図である。図１に示すように、本実施形態による生産設備１は、生産装置２および本実施形態による最適化支援装置３を備える。
　本実施形態においては、生産装置２としてフロー反応装置を含むものとする。フロー反応装置は、原料を流しながら連続的に反応させるフロー反応処理を行うことにより、生成物を得るための装置である。図２はフロー反応装置を含む生産設備１の構成を示す概略ブロック図である。図２に示すように、生産装置２は、フロー反応装置１１およびコントローラ１２を備える。フロー反応装置１１は、第１供給部２１、第２供給部２２、反応セクション２３および回収セクション２６を備える。フロー反応装置１１の各部の動作は、コントローラ１２により制御される。コントローラ１２は最適化支援装置３と接続されている。
　フロー反応装置１１において、第１供給部２１および第２供給部２２はそれぞれ反応セクション２３の上流側端部に配管で接続されており、回収セクション２６は反応セクション２３の下流側端部に配管で接続されている。
　フロー反応装置１１で行うフロー反応は、例えばモノマーである化合物を合成する合成反応、モノマー同士を反応させることにより重合体を生成させる重合反応の他、例えばアニオン重合反応等の開始反応および停止反応等の素反応であってもよい。したがって、フロー反応の対象となる反応物は、例えば停止反応の対象となる生長（成長）段階の化合物であってもよい。本実施形態では、ポリスチリルリチウムの生長（成長）をメタノールで停止させる停止反応をフロー反応で行っている。
　第１供給部２１は、フロー反応の第１原料を反応セクション２３へ供給するためのものである。本実施形態の第１原料は、例えばポリスチリルリチウムを溶媒に溶解した第１液であり、ポリスチリルリチウムはフロー反応処理の反応物の一例である。第１供給部２１は、不図示のポンプを備えており、ポンプの回転数を調節することにより、反応セクション２３への第１原料の流量が調節される。
　第２供給部２２は、フロー反応の第２原料を、反応セクション２３へ供給するためのものである。本実施形態の第２原料はメタノールと水との混合物、すなわちメタノール水溶液であり、メタノールを停止反応の停止剤として用いている。第２供給部２２も第１供給部２１と同様に、不図示のポンプを備えており、ポンプの回転数を調節することにより、反応セクション２３への第２原料の流量が調節される。
　反応セクション２３は、フロー反応としての停止反応を行うためのものであり、合流部３１、反応部３２、温調部３３、照射部３４および第１検出部３５を備える。合流部３１はＴ字に分岐した管、すなわちＴ字管である。なお、Ｔ字管に代えて十字管を用いてもよい。合流部３１の第１管部３１ａは第１供給部２１に、第２管部３１ｂは第２供給部２２に、第３管部３１ｃは反応部３２に、それぞれ接続されている。これにより、反応セクション２３に案内された第１原料と第２原料とが合流し、混合した状態で反応部３２へ送られる。反応部３２は予め定められた反応路長および反応路径を有する。反応路長および反応路径は、反応部３２を構成する管状部材を変更することにより変更可能である。
　反応部３２は内部が第１原料と第２原料との混合物（以下、混合原料と称する）の流路とされ、管内の中空部を反応の場として画定している。混合原料は、反応部３２を通過しながらアニオン重合の停止反応が進められ、ポリスチレンが生成される。
　温調部３３は、例えばヒータ等からなり、フロー反応の温度（以下、反応温度と称する）を調節するためのものである。温調部３３は、合流部３１および反応部３２を介して、これらの中を流れる混合原料の温度（反応温度）を調節する。
　照射部３４は、例えば紫外線等の光を出射する光源を有し、フロー反応として光反応を行う際に、反応部３２に紫外線等の光を照射するためのものである。
　第１検出部３５は、反応セクション２３における混合原料の状態を検出して、最適化支援装置３に出力する。混合原料の状態を表すパラメータ（以下、状態パラメータとする）とは、入力された運転条件パラメータにより混合原料を反応させた場合に得られる混合原料の物性および反応セクションにおける環境を表すパラメータである。状態パラメータとしては、例えば、混合原料の反応温度、色、ｐＨ、溶存酸素量、反応セクション２３の圧力および生産物の物理特性を表わすスペクトルの形（赤外吸収スペクトル、ラマン分光波形および核磁気共鳴波形）等のうちの少なくとも１つが挙げられる。このために、第１検出部３５は、いずれも不図示の温度センサ、撮像部、ｐＨセンサ、溶存酸素量センサ、および分光計等を備える。
　回収セクション２６は、フロー反応の生成物であるポリスチレンを回収するためのものである。回収セクション２６は、反応セクションから案内されたポリスチレン溶液からポリスチレンを析出し、析出したポリスチレンを混合液から採取し、採取されたポリスチレンを乾燥することにより、ポリスチレンを取得する。
　また、回収セクション２６は第２検出部３６を備える。第２検出部３６は、フロー反応の処理結果である生成物の品質を検出して、最適化支援装置３に出力する。生成物の品質を表すパラメータ（以下、品質パラメータとする）とは、反応の結果得られる生成物が適切な品質を有するか否かの判断の尺度となるパラメータである。具体的には、品質パラメータとしては、生成物濃度および不純物濃度等の少なくとも一方が挙げられるが、これ以外にも、生成物の純度、分子量、分子量分散度、および収率等のうちの少なくとも１つを用いてもよい。また、回収セクション２６において生成物が例えば溶媒に溶けている溶液状態で得られる場合には、溶液における生成物の濃度（モル濃度等）も品質パラメータとして検出してもよい。
　なお、反応セクションおよび回収セクションは、上記の例に限られず、フロー反応の種類および生成物の種類等の少なくとも１つに応じて適宜変更される。例えば、回収セクション２６に代えて容器を設け、この容器に、反応セクション２３から案内されてきたポリスチレン溶液を一旦貯留してもよい。この場合には、貯留したポリスチレン溶液を、回収セクション２６に案内し、ポリスチレンを析出、採取、および乾燥させることにより得るとよい。
　コントローラ１２は、フロー反応装置１１を統括的に制御する。コントローラ１２は、第１供給部２１および第２供給部２２の各ポンプ、温調部３３、照射部３４、第１検出部３５、並びに第２検出部３６と接続されている。コントローラ１２は、第１供給部２１および第２供給部２２の各ポンプの回転数を調節することによって第１原料および第２原料のそれぞれの流量を調節する。また、コントローラ１２は、温調部３３の調節により、混合原料の温度を制御する。また、コントローラ１２は、照射部３４に指示を行うことにより、反応セクション２３への紫外線等の光を照射を制御する。また、コントローラ１２は、第１検出部３５および第２検出部３６に指示を行うことにより、状態パラメータおよび品質パラメータを検出する。
　また、コントローラ１２は、フロー反応装置１１の運転条件も設定する。運転条件を表すパラメータ（以下、運転条件パラメータとする）は、フロー反応処理の処理条件である反応条件を設定するためのものであり、適切な品質の生成物を生産すべく、フロー反応装置１１の各部を駆動するためのパラメータである。運転条件パラメータとしては、例えば、第１原料の流量、第２原料の流量、反応時間、反応温度、混合比、ＵＶ照度、流路深さ、および試薬を用いる場合の試薬当量等のうちの少なくとも１つが挙げられる。コントローラ１２は、不図示の操作部を有し、操作部からの操作信号の入力によって運転条件パラメータを設定し、これによりフロー反応装置１１を設定された運転条件に制御する。例えば、操作部のマウスでのクリックあるいは選択、および／またはキーボードでの文字の入力等により運転条件パラメータが設定される。
　また、コントローラ１２は最適化支援装置３と接続されており、上記の操作部からの操作信号に加えて、またはこれに代えて、最適化支援装置３が出力した目標運転条件に運転条件を設定し、これによりフロー反応装置１１を予め定められた運転条件に制御する。
　最適化支援装置３は、フロー反応装置１１によって行うフロー反応処理について、目標とする運転条件パラメータを精度よく決定するための支援を行う。最適化支援装置３は、例えば１台のコンピュータに、本実施形態の最適化支援プログラムがインストールされてなる。最適化支援プログラムは、ネットワークに接続されたサーバコンピュータの記憶装置、もしくはネットワークストレージに、外部からアクセス可能な状態で記憶され、操作者の要求に応じてコンピュータにダウンロードされ、インストールされる。または、ＤＶＤ（Digital Versatile Disc）あるいはＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の記録媒体に記録されて配布され、その記録媒体からコンピュータにインストールされる。
　図３は、コンピュータに最適化支援プログラムをインストールすることにより実現される最適化支援装置の構成を示す概略ブロック図である。図２に示すように、最適化支援装置３は、標準的なコンピュータの構成として、ＣＰＵ（Central Processing Unit）４１、メモリ４２およびストレージ４３を備えている。また、最適化支援装置３には、液晶ディスプレイ等の表示部４４、並びにキーボードおよびマウス等の入力部４５が接続されている。
　ストレージ４３はハードディスクドライブ等からなり、最適化支援の処理に必要な情報を含む各種情報が記憶されている。
　また、メモリ４２には、最適化支援プログラムが記憶されている。最適化支援プログラムは、ＣＰＵ４１に実行させる処理として、生成物を生産するためのプロセスの運転条件を表す運転条件パラメータを、プロセスの状態を表す状態パラメータに変換する第１変換処理、状態パラメータを生成物の品質を表す品質パラメータに変換する第２変換処理、品質パラメータを状態パラメータに変換する第３変換処理、状態パラメータを運転条件パラメータに変換する第４変換処理、および後述するニューラルネットワークを学習するための学習処理を規定する。
　そして、ＣＰＵ４１がプログラムに従いこれらの処理を実行することで、コンピュータは、第１変換部５１、第２変換部５２、第３変換部５３、第４変換部５４および学習部５５として機能する。
　第１変換部５１は、生成物を生産するためのプロセス（本実施形態においてはフロー反応）の運転条件を表す運転条件パラメータを、プロセスの状態を表す状態パラメータに変換することにより、状態パラメータを導出する。このために、第１変換部５１は、運転条件パラメータの入力により状態パラメータを出力する学習がなされた第１学習モデルＭ１を有する。第１学習モデルＭ１は、学習部５５が後述するようにニューラルネットワーク等を学習することにより構築される。
　第２変換部５２は、状態パラメータを生成物（本実施形態においてはポリスチレン）の品質を表す品質パラメータに変換することにより、品質パラメータを導出する。このために、第２変換部５２は、状態パラメータの入力により品質パラメータを出力する学習がなされた第２学習モデルＭ２を有する。第２学習モデルＭ２は、学習部５５が後述するようにニューラルネットワーク等を学習することにより構築される。
　第３変換部５３は、生成物の品質を表す品質パラメータを、プロセスの状態を表す状態パラメータに変換することにより、状態パラメータを導出する。本実施形態においては、第３変換部５３は、第２変換部５２における第２学習モデルＭ２の制御パラメータに基づいて、品質パラメータを状態パラメータに変換する。
　第４変換部５４は、プロセスの状態を表す状態パラメータを、プロセスの運転条件を表す運転条件パラメータに変換することにより、運転条件パラメータを導出する。本実施形態においては、第４変換部５４は、第１変換部５１における第１学習モデルＭ１の制御パラメータに基づいて、状態パラメータを運転条件パラメータに変換する。
　ここで、第１学習モデルＭ１に使用されるモデルは、運転条件パラメータの入力により状態パラメータを予測する予測モデルである。第２学習モデルＭ２に使用されるモデルも、状態パラメータの入力により品質パラメータを予測する予測モデルである。予測モデルとしては、機械学習モデルが利用できる。機械学習モデルとしては、線形回帰、ガウス過程回帰、サポートベクター回帰、決定木、アンサンブル法、バギング法、ブースティング法および勾配ブースティング法等が挙げられる。また、機械学習モデルの一例として、ニューラルネットワークモデルが挙げられる。ニューラルネットワークモデルとしては、単純パーセプトロン、多層パーセプトロン、ディープニューラルネットワーク、畳み込みニューラルネットワーク、ディープビリーフネットワーク、リカレントニューラルネットワーク、および確率的ニューラルネットワーク等が挙げられる。
　また、機械学習モデルのアンサンブル法としてランダムフォレストが挙げられる。ランダムフォレストは、ランダムにサンプリングされたトレーニングデータとランダムに選択された説明変数を用いることにより、相関の低い決定木群を複数作成し、それらの予測結果を統合および平均させることで、予測精度の向上を図った学習モデルである。なお、ランダムフォレストのモデルの制御パラメータとしては、説明変数の数および決定木の分岐数が挙げられる。
　また、ニューラルネットワークモデルは、ディープニューラルネットワークが挙げられる。ディープニューラルネットワークは、ニューラルネットワーク以外の機械学習モデルと比べるとモデルの制御パラメータ数が多く、柔軟な組み合わせも可能であるため、多様なデータ構成に対して高い性能を発揮することができる。ディープニューラルネットワークの制御パラメータとしては、ネットワークのレイヤー数、ノード数、活性化関数の種類、ドロップアウトの割合、ミニバッチサイズ、エポック数および学習率等が挙げられる。これらのモデルは実行フレームワークが複数存在し、その中から適宜選択することができる。例えば、実行フレームワークとしては、Tensorflow、CNTK、Theano、Caffe、mxnet、Keras、PyTorch、Chainer、Scikit-learn、Caret、およびMatlab（登録商標）等から選択することができる。なお、本実施形態においては、予測モデルとしてニューラルネットワークを用いるものとする。
　学習部５５は、予測モデルとしてのニューラルネットワークの学習を行って、第１学習モデルＭ１および第２学習モデルＭ２を構築する。まず、第１変換部５１の第１学習モデルＭ１について説明する。学習部５５は、運転条件パラメータを説明変数とし、状態パラメータを目的変数としてニューラルネットワークの学習を行って、運転条件パラメータと状態パラメータとの関連性を表す関数を導出することにより、第１学習モデルＭ１を構築する。本実施形態においては、学習部５５により、運転条件パラメータと状態パラメータとの関連性を表す、以下の関数（１Ａ）、（１Ｂ）および（１Ｃ）が生成される。
　y1=wu1y1/[1+exp{-(wx1u1×x1+wx2u1×x2+…+wx5u1×x5)}]
　　+wu2y1/[1+exp{-(wx1u2×x1+wx2u2×x2+…+wx5u2×x5)}]
　　+wu3y1/[1+exp{-(wx1u3×x1+wx2u3×x2+…+wx5u3×x5)}]　　…（１Ａ）
　y2=wu1y2/[1+exp{-(wx1u1×x1+wx2u1×x2+…+wx5u1×x5)}]
　　+wu2y2/[1+exp{-(wx1u2×x1+wx2u2×x2+…+wx5u2×x5)}]
　　+wu3y2/[1+exp{-(wx1u3×x1+wx2u3×x2+…+wx5u3×x5)}]　　…（１Ｂ）
　y3=wu1y3/[1+exp{-(wx1u1×x1+wx2u1×x2+…+wx5u1×x5)}]
　　+wu2y3/[1+exp{-(wx1u2×x1+wx2u2×x2+…+wx5u2×x5)}]
　　+wu3y3/[1+exp{-(wx1u3×x1+wx2u3×x2+…+wx5u3×x5)}]　　…（１Ｃ）
　上記関数（１Ａ）～（１Ｃ）において、ｘｉ（ｉは自然数）は運転条件パラメータの値であり、ｉの最大値は運転条件パラメータの個数である。本実施形態において、運転条件パラメータとして、例えば第１原料の流量、第２原料の流量、反応時間、反応温度および混合比の５つのパラメータを使用するとした場合、ｉ＝５である。ｙｍ（ｍは自然数）は状態パラメータの値であり、ｍの最大値は状態パラメータの個数である。本実施形態において、状態パラメータとして、例えば混合原料の色、圧力およびｐＨを使用するとした場合、ｍ＝３である。ｕｌ（ｌは自然数）は後述するニューラルネットワークにおける隠れ層Ｌ２のノードであり、ｌの最大値はノードの個数である。本実施形態ではｌ＝３である。ｗxiul、ｗulymはニューラルネットワークの結合重みを表す重み係数である。具体的には、ｗxiulはｘｉとｕｌとの間の重み係数であり、ｗulymはｕｌとｙｍとの間の重み係数である。
　図４は本実施形態における第１学習モデルＭ１を構築するためのニューラルネットワークの層構造を説明するための図である。図４に示すように、ニューラルネットワーク６０は、入力層Ｌ１、隠れ層Ｌ２および出力層Ｌ３の３層構造を有する。入力層Ｌ１は、説明変数である運転条件パラメータの値ｘ１～ｘ５で構成される。隠れ層Ｌ２は、３つのノードｕ１～ｕ３で構成され、本実施形態では１層となっている。ノードｕ１～ｕ３のそれぞれは、ｘ１～ｘ５をｘ１～ｘ５の各々に対応する重み係数ｗxiulで重み付けした値の総和である。出力層Ｌ３は目的変数である状態パラメータの値ｙ１～ｙ３で構成される。状態パラメータの値ｙ１～ｙ３のそれぞれは、ノードｕ１～ｕ３を用いて、ノードｕ１～ｕ３の各々に対応する重み係数ｗulymで重み付けし、求めた値である。図４における黒丸「●」は、重み係数ｗxiul，ｗulymを示している。重み係数ｗxiul，ｗulymは、教師データを用いたニューラルネットワーク６０の学習により導出される。なお、ニューラルネットワーク６０の層構造は、図４に示すものに限定されない。
　次に、第２変換部５２の第２学習モデルＭ２について説明する。学習部５５は、状態パラメータを説明変数とし、品質パラメータを目的変数としてニューラルネットワークの学習を行って、状態パラメータと品質パラメータとの関連性を表す関数を導出することにより、第２学習モデルＭ２を構築する。本実施形態においては、学習部５５により、運転条件パラメータと状態パラメータとの関連性を表す以下の関数（２Ａ）および（２Ｂ）が生成される。
　z1=wu1z1/[1+exp{-(wy1u11×y1+wy2u11×y2+wy3u11×y3)}]
　　+wu2z1/[1+exp{-(wy1u12×y1+wy2u12×y2+wy3u12×y3)}]
　　+wu3z1/[1+exp{-(wy1u13×y1+wy2u13×y2+wy3u13×y3)}]　　…（２Ａ）
　z2=wu1z2/[1+exp{-(wy1u11×y1+wy2u11×y2+wy3u11×y3)}]
　　+wu2z2/[1+exp{-(wy1u12×y1+wy2u12×y2+wy3u12×y3)}]
　　+wu3z2/[1+exp{-(wy1u13×y1+wy2u13×y2+wy3u13×y3)}]　　…（２Ｂ）
　上記関数（２Ａ）および（２Ｂ）において、ｙｍ（ｍは自然数）は状態パラメータの値である。本実施形態において、状態パラメータとして、上述したように例えば混合原料の反応温度、色およびｐＨを使用するとした場合、ｍ＝３である。ｚｋ（ｋは自然数）は品質パラメータの値であり、ｋの最大値は品質パラメータの個数である。本実施形態において、品質パラメータとして、例えば生成物濃度および不純物濃度とした場合、ｋ＝２である。ｕ１ｌ（ｌは自然数）は後述するニューラルネットワークにおける隠れ層Ｌ１２のノードであり、１ｌの最大値はノードの個数である。本実施形態では１ｌ＝３である。ｗymu1l、ｗu1lzkはニューラルネットワークの結合重みを表す重み係数である。具体的には、ｗymu1lはｙｍとｕ１ｌとの間の重み係数であり、ｗu1lzkはｕ１ｌとｚｋとの間の重み係数である。
　図５は本実施形態における第２学習モデルＭ２を構築するためのニューラルネットワークの層構造を説明するための図である。図５に示すように、ニューラルネットワーク７０は、入力層Ｌ１１、隠れ層Ｌ１２および出力層Ｌ１３の３層構造を有する。入力層Ｌ１１は、説明変数である状態パラメータの値ｙ１～ｙ３で構成される。隠れ層Ｌ１２は、３つのノードｕ１１～ｕ１３で構成され、本実施形態では１層となっている。ノードｕ１１～ｕ１３のそれぞれは、ｙ１～ｙ３をｙ１～ｙ３の各々に対応する重み係数ｗymu1lで重み付けした値の総和である。出力層Ｌ１３は目的変数である品質パラメータの値ｚ１，ｚ２で構成される。品質パラメータの値ｚ１，ｚ２のそれぞれは、ノードｕ１～ｕ３を用いて、ノードｕ１～ｕ３の各々に対応する重み係数ｗu1lzkで重み付けし、求めた値である。図５における黒丸「●」は、重み係数ｗymu1l，ｗu1lzkを示している。重み係数ｗymu1l，ｗu1lzkymは、教師データを用いたニューラルネットワーク７０の学習により導出される。なお、ニューラルネットワーク７０の層構造は、図４に示すものに限定されない。
　学習部５５は、予め生成された複数の教師データを用いて、ニューラルネットワーク６０，７０を学習して第１学習モデルＭ１および第２学習モデルＭ２を構築する。ここで、教師データは、好ましい品質の生成物が得られた際の運転条件パラメータ、状態パラメータおよび品質パラメータを含む。教師データは複数用意されてストレージ４３に記憶される。図６は教師データの例を示す図である。図６に示すように、教師データは運転条件パラメータ、状態パラメータおよび品質パラメータを含む。また、運転条件パラメータは、第１原料の流量、第２原料の流量、反応時間、反応温度および混合比の５つのパラメータを含む。状態パラメータは、混合原料の色、圧力およびｐＨの３つのパラメータを含む。また、品質パラメータは、生成物濃度および不純物濃度の２つのパラメータを含む。
　学習の際には、学習部５５がストレージ４３に記憶された教師データを用いて、例えば誤差逆伝搬法に従って、ニューラルネットワーク６０，７０を学習させる。具体的には、ニューラルネットワーク６０に対しては、学習部５５は、教師データセットのうちの１つに含まれる運転条件パラメータをニューラルネットワーク６０に入力し、ニューラルネットワーク６０から状態パラメータを出力させる。そして、学習部５５は、ニューラルネットワーク６０に出力させた状態パラメータと、教師データに含まれる状態パラメータとの差が最小となるように重み係数ｗxiul，ｗulymを導出することにより、ニューラルネットワーク６０を学習させる。
　また、ニューラルネットワーク７０に対しては、学習部５５は、教師データセットのうちの１つに含まれる状態パラメータをニューラルネットワーク７０に入力し、ニューラルネットワーク７０から品質パラメータを出力させる。そして、学習部５５は、ニューラルネットワーク７０に出力させた品質パラメータと、教師データに含まれる品質パラメータとの差が最小となるように重み係数ｗymu1l，ｗu1lzkを導出することにより、ニューラルネットワーク７０を学習させる。
　学習が完了して第１学習モデルＭ１および第２学習モデルＭ２が構築されると、学習部５５は、第１学習モデルＭ１および第２学習モデルＭ２により表される関数をストレージ４３に記憶する。
　本実施形態においては、第３変換部５３および第４変換部５４により、目標とする未知の品質パラメータ（以下、目標品質パラメータとする）から、その目標品質パラメータを得るための運転条件パラメータを導出する。このために、第３変換部５３は、第２変換部５２が有する第２学習モデルＭ２の制御パラメータに基づいて、目標品質パラメータを状態パラメータに変換する。目標品質パラメータを変換することにより得られる状態パラメータを目標状態パラメータと称する。制御パラメータは、第２学習モデルＭ２に基づいて得られる関数における重み係数ｗymu1l，ｗu1lzkである。本実施形態においては、第３変換部５３は、目標状態パラメータの生成のために、以下の関数Ｇ２１，Ｇ２１を導出する。
　G21=zt1-[wu1z1/[1+exp{-(wy1u11×y1+wy2u11×y2+wy3u11×y3)}]    　　+wu2z1/[1+exp{-(wy1u12×y1+wy2u12×y2+wy3u12×y3)}]
　　    +wu3z1/[1+exp{-(wy1u13×y1+wy2u13×y2+wy3u13×y3)}]]　…（３Ａ）
　G22=zt2-[wu1z2/[1+exp{-(wy1u11×y1+wy2u11×y2+wy3u11×y3)}]    　　+wu2z2/[1+exp{-(wy1u12×y1+wy2u12×y2+wy3u12×y3)}]
　　    +wu3z2/[1+exp{-(wy1u13×y1+wy2u13×y2+wy3u13×y3)}]]　…（３Ｂ）
　関数Ｇ２１，Ｇ２２において、ｚｔ１，ｚｔ２はそれぞれ目標品質パラメータである。第３変換部５３は、関数Ｇ２１，Ｇ２２の絶対値を最小にするための状態パラメータｙｍを目標状態パラメータｙｔｍとして導出する。具体的には、目標品質パラメータｚｔ１，ｚｔ２を説明変数とし、目標状態パラメータｙｔｍを目的変数として、重回帰分析および主成分分析等の多変量解析、または遺伝的アルゴリズム、多目的粒子群最適化およびベイズ最適化等の多目的最適化を行うことにより、目標状態パラメータｙｔｍを導出する。
　第４変換部５４は、第１変換部５１が有する第１学習モデルＭ１の制御パラメータに基づいて、目標状態パラメータを運転条件パラメータに変換する。目標状態パラメータを変換することにより得られる運転条件パラメータを目標運転条件パラメータとする。制御パラメータは、第１学習モデルＭ１により表される関数における重み係数ｗxiul、ｗulymである。本実施形態においては、第４変換部５４は、目標運転条件パラメータの生成のために、以下の関数Ｇ１１，Ｇ１２，Ｇ１３を生成する。
　G11=yt1-[wu1y1/[1+exp{-(wx1u1×x1+wx2u1×x2+…+wx5u1×x5)}]
　　    +wu2y1/[1+exp{-(wx1u2×x1+wx2u2×x2+…+wx5u2×x5)}]
　　    +wu3y1/[1+exp{-(wx1u3×x1+wx2u3×x2+…+wx5u3×x5)}]]　　…（４Ａ）
　G12=yt2-[wu1y2/[1+exp{-(wx1u1×x1+wx2u1×x2+…+wx5u1×x5)}]    　　+wu2y2/[1+exp{-(wx1u2×x1+wx2u2×x2+…+wx5u2×x5)}]
　　    +wu3y2/[1+exp{-(wx1u3×x1+wx2u3×x2+…+wx5u3×x5)}]]　　…（４Ｂ）
　G13=yt3-[wu1y3/[1+exp{-(wx1u1×x1+wx2u1×x2+…+wx5u1×x5)}]
　　    +wu2y3/[1+exp{-(wx1u2×x1+wx2u2×x2+…+wx5u2×x5)}]
　　    +wu3y3/[1+exp{-(wx1u3×x1+wx2u3×x2+…+wx5u3×x5)}]]　　…（４Ｃ）
　関数Ｇ１１～Ｇ１３において、ｙｔ１，ｙｔ２，ｙｔ３はそれぞれ目標状態パラメータである。第４変換部５４は、関数Ｇ１１～Ｇ１３の絶対値を最小にするための運転条件パラメータｘｉを目標運転条件パラメータｘｔｉとして導出する。具体的には、目標状態パラメータｙｔ１，ｙｔ２，ｙｔ３を説明変数とし、目標運転条件パラメータｘｔｉを目的変数として、重回帰分析および主成分分析等の多変量解析、または遺伝的アルゴリズム、多目的粒子群最適化およびベイズ最適化等の多目的最適化を行うことにより、目標運転条件パラメータｘｔｉを導出する。
　上述した第１変換部５１、第２変換部５２、第３変換部５３および第４変換部５４が行う処理を、図７を用いて概念的に説明する。第１変換部５１は、運転条件パラメータから状態パラメータを順問題として予測するものとなる。第２変換部５２は、状態パラメータから品質パラメータを順問題として予測するものとなる。第３変換部５３は、品質パラメータから状態パラメータを逆問題として予測するものとなる。第４変換部５４は、状態パラメータから運転条件パラメータを逆問題として予測するものとなる。なお、図７において、白抜き矢印が順問題を、黒く塗りつぶした矢印が逆問題をそれぞれ表すものとする。
　図７に示すように、本実施形態においては、運転条件パラメータから状態パラメータを経る２段階の処理により、品質パラメータが導出されることとなる。また、品質パラメータから状態パラメータを経る２段階の処理により、運転条件パラメータが導出されることとなる。
　最適化支援装置３は、目標運転条件パラメータｘｔｉをコントローラ１２に出力する。コントローラ１２は、目標運転条件パラメータｘｔｉにしたがって、フロー反応装置１１の動作を制御する。これにより、目標とする品質を有する生成物が生産されることとなる。
　次いで、本実施形態において行われる処理について説明する。図８は、本実施形態において第１変換部５１の第１学習モデルＭ１および第２変換部５２の第２学習モデルＭ２の構築時に行われる処理を示すフローチャートである。学習部５５がストレージ４３に記憶された複数の教師データから１つの教師データを読み出し（ステップＳＴ１）、第１変換部５１のニューラルネットワークに対して、運転条件パラメータと状態パラメータとの関連性を学習させる（第１の学習；ステップＳＴ２）。次いで、学習部５５は、第２変換部５２のニューラルネットワークに対して、状態パラメータと品質パラメータとの関連性を学習させる（第２の学習；ステップＳＴ３）。そして、ステップＳＴ１にリターンし、次の教師データを読み出して、ステップＳＴ２およびステップＳＴ３の処理を繰り返す。これにより、第１学習モデルＭ１および第２学習モデルＭ２が構築される。
　なお、学習部５５は、第１変換部５１により生成される状態パラメータと教師データの状態パラメータとの差、および第２変換部５２により生成される品質パラメータと教師データの品質パラメータとの差が、予め定められたしきい値以下となるまで学習を繰り返す。繰返し回数は予め定められた回数であってもよい。
　次いで、本実施形態において、未知の目標品質パラメータから運転条件パラメータを導出する際の処理について説明する。図９は、目標品質パラメータから運転条件パラメータを導出する際の処理を示すフローチャートである。入力部１５から目標品質パラメータが最適化支援装置３に入力されると（ステップＳＴ１１）、第３変換部５３が、第２学習モデルＭ２の制御パラメータに基づいて、目標品質パラメータを目標状態パラメータに変換する（ステップＳＴ１２）。次いで、第４変換部５４が、目標状態パラメータを目標運転パラメータに変換し（ステップＳＴ１３）、処理を終了する。
　このように、本実施形態においては、従来ではプロセス条件パラメータから品質パラメータを導出していたところ、プロセス条件パラメータを運転条件パラメータと状態パラメータとに分け、第１変換部５１により運転条件パラメータを状態パラメータに変換し、第２変換部５２により状態パラメータを品質パラメータに変換するという２段階の処理により、品質パラメータを導出するようにした。このため、運転条件パラメータと状態パラメータとを区別せずに、プロセス条件パラメータとして用いて品質パラメータを求める従来の処理と比較して、第１変換部５１および第２変換部５２がそれぞれ行う処理において、入力されるパラメータの数を低減することができる。これにより、とくにニューラルネットワーク等の学習により構築された学習モデルを変換に用いる場合、過学習を防止することができる。したがって、本実施形態によれば、生成物の生産プロセスにおける各種条件を精度よく予測できる。
　また、本実施形態においては、目標品質パラメータから目標運転条件パラメータを導出する処理を、第３変換部５３および第４変換部５４のそれぞれにおいて行うことにより、２つの処理に分けるようにした。このため、運転条件パラメータと状態パラメータとを区別せずに、品質パラメータからプロセス条件パラメータを求める従来の処理と比較して、第３変換部５３および第４変換部５４がそれぞれ行う処理において、入力されるパラメータの数を低減することができる。これにより、本実施形態によれば、目標品質パラメータから目標運転条件パラメータを精度よく予測できる。
　また、本実施形態においては、目標品質パラメータの目標状態パラメータへの変換を、第２学習モデルＭ２の制御パラメータを用いて行い、目標状態パラメータから目標運転条件パラメータへの変換を第１学習モデルＭ１の制御パラメータを用いるようにした。ここで、第１学習モデルＭ１および第２学習モデルＭ２の制御パラメータは、生成物の生産プロセスにおける各種条件を精度よく予測できるものとなっている。このため、本実施形態によれば、目標品質パラメータから精度よく目標運転条件パラメータを導出することができる。したがって、目標運転条件パラメータを用いて生成物を生産することにより、目標とする品質を有する生成物を得ることができる。
　また、上記特許文献１に記載された手法のように、プロセス条件パラメータと品質パラメータとの相関を学習することにより、品質パラメータからプロセス条件パラメータを予測した場合、本実施形態のように、運転条件パラメータと状態パラメータとの相関は何ら学習していないものとなる。このため、予測されたプロセス条件パラメータにより生産プロセスを行っても、目標とする品質を有する生産物が生産されない場合がある。すなわち、プロセス条件パラメータと品質パラメータとの相関を学習することにより、品質パラメータからプロセス条件パラメータを予測する場合、運転条件パラメータにより状態パラメータが実現できることを前提となる。しかしながら、その前提はほとんどの場合成立しない。このため、従来のように、品質パラメータからプロセス条件パラメータを予測する手法によっては、目標となる品質パラメーを達成できるプロセス条件パラメータを精度よく予測することができない。
　本実施形態においては、プロセス条件パラメータを運転条件パラメータと状態パラメータとに分け、品質パラメータから状態パラメータを予測し、状態パラメータから運転条件パラメータを予測したり、運転条件パラメータから状態パラメータを予測し、状態パラメータから品質パラメータを予測したりするようにした。このため、プロセス条件パラメータに含まれる運転条件パラメータにより状態パラメータが実現できるという前提が成立した状況で、運転条件パラメータ、状態パラメータおよび品質パラメータを予測することができる。したがって、本実施形態によれば、生成物の生産プロセスにおける各種条件を精度よく予測できる。
　なお、上記実施形態においては、第１変換部５１において、ニューラルネットワーク６０を学習することによって構築される第１学習モデルＭ１を用いることにより、運転条件パラメータを状態パラメータに変換しているが、これに限定されるものではない。例えば、運転条件パラメータを状態パラメータに変換するための数式、または運転条件パラメータと状態パラメータとを対応づけたテーブル等により、運転条件パラメータを状態パラメータに変換するようにしてもよい。
　この場合、第４変換部５４は、状態パラメータを運転条件パラメータに変換するための数式、または状態パラメータと運転条件パラメータとを対応づけたテーブル等により、状態パラメータを運転条件パラメータに変換するものとしてもよい。
　また、上記実施形態においては、第２変換部５２において、ニューラルネットワーク７０を学習することによって構築される第２学習モデルＭ２を用いることにより、状態パラメータを品質パラメータに変換しているが、これに限定されるものではない。例えば、状態パラメータを品質パラメータに変換するための数式、または状態パラメータと品質パラメータとを対応づけたテーブル等により、状態パラメータを品質パラメータに変換するようにしてもよい。
　この場合、第３変換部５３は、品質パラメータを状態パラメータに変換するための数式、または品質パラメータと状態パラメータとを対応づけたテーブル等により、品質パラメータを状態パラメータに変換するものとしてもよい。
　また、上記実施形態においては、最適化支援装置３が第１変換部５１、第２変換部５２、第３変換部５３および第４変換部５４を備えたものとしているが、これに限定されるものでない。図１０に示すように、第１変換部５１および第２変換部５２のみを有するものであってもよい。この場合、第１変換部５１は第１学習モデルＭ１により、運転条件パラメータを状態パラメータに変換するものであってもよく、数式またはテーブル等により運転条件パラメータを状態パラメータに変換するものであってもよい。また、第２変換部５２は第２学習モデルＭ２により、状態パラメータを品質パラメータに変換するものであってもよく、数式またはテーブル等により状態パラメータを品質パラメータに変換するものであってもよい。
　また、最適化支援装置３を、図１１に示すように、第３変換部５３および第４変換部５４のみを有するものとしてもよい。この場合、第３変換部５３は、最適化支援装置３とは別個の装置により構築された第２学習モデルＭ２の制御パラメータを用いて、品質パラメータを状態パラメータに変換するものであってもよく、数式またはテーブル等により品質パラメータを状態パラメータに変換するものであってもよい。また、第４変換部５４は、最適化支援装置３とは別個の装置により構築された第１学習モデルＭ１の制御パラメータを用いて、状態パラメータを運転条件パラメータに変換するものであってもよく、数式またはテーブル等により状態パラメータを運転条件パラメータに変換するものであってもよい。
　また、上記実施形態においては、生成物を生産するプロセスとしてフロー合成プロセスを用いているが、これに限定されるものではない。生成物を生産するプロセスとして、細胞培養プロセスを用いてもよい。細胞培養プロセスにおいては、生成物は細胞および細胞が生み出す抗体であり、細胞の培養条件を運転条件パラメータとして使用し、細胞および細胞が生み出す抗体の品質を品質パラメータとして使用する。また、図１に示す生産装置２は、細胞培養装置となる。例えば、細胞培養プロセスが抗体細胞培養プロセスである場合、運転条件パラメータとしては、例えば、灌流比、定常期細胞数、培養槽中の液体の攪拌速度、下面空気量、下面酸素量、下面窒素量、上面二酸化炭素量、上面空気量、消泡剤量および界面活性剤量等を用いることができる。状態パラメータとしては、例えば、ｐＨ、ｐＯ２（酸素分圧）、ｐＣＯ２（二酸化炭素分圧）、Ｇｌｎ（グルタミン濃度）、Ｇｌｕ（グルタミン酸濃度）、Ｇｌｕｃ（グルコース濃度）、Ｌａｃ（乳酸濃度）、ＮＨ４＋（アンモニアイオン濃度）、Ｎａ＋（ナトリウムイオン濃度）、Ｋ＋（カリウムイオン濃度）、Ｏｓｍｏｌ（浸透圧）およびＫｌａ（酸素移動量係数）等を用いることができる。品質パラメータとしては、抗体濃度、副生成物濃度および生細胞数（生きている細胞の数）等を用いることができる。
　また、生成物を生産するプロセスとして、真空成膜プロセスを用いてもよい。真空成膜プロセスにおいては、生成物は、ガラス、樹脂および金属等の基板の表面に形成される膜である。また、図１に示す生産装置２は、真空成膜装置となる。また、真空成膜の条件を運転パラメータとして使用し、成膜の品質を品質パラメータとして使用する。運転条件パラメータとしては、例えば、真空圧、印加電圧、バイアス電圧、基板温度、成膜時間、ガス流量、ガス濃度およびライン速度等を用いることができる。状態パラメータはプラズマの状態であり、プラズマ安定度、プラズマ発色、ＩＣＰ－ＯＥＳ／ＩＣＰ－ＡＥＳ（プラズマ発光分析）波形スペクトル、プラズマ密度、防着板デポ厚みおよび装置電位差等を用いることができる。品質パラメータとしては、膜質およびバリア性能等を用いることができる。
　また、生成物を生産するプロセスとして、ロール・ツー・ロールの塗布プロセスを用いてもよい。塗布プロセスにおいては、生成物はＴＡＣ（トリアセチルセルロース）、ＰＥＴ（ポリエチレンテレフタレート）、およびＣＯＰ（シクロオレフィンポリマー）等の、基板となる樹脂の表面に塗布膜が形成された液晶位相差フィルムおよび防眩性フィルム等である。また、図１に示す生産装置２は、塗布装置となる。また、塗布の条件を運転条件パラメータとして使用し、塗布膜の品質を品質パラメータとして使用する。運転条件パラメータとしては、例えば、塗布流量、液温度、乾燥温度、ライン速度および搬送ロール温度等を用いることができる。状態パラメータとしては、液の脈動、乾燥風速の変動、乾燥中の揮発量および基板への液染み込み量等を用いることができる。品質パラメータとしては、膜質、塗布膜の膜厚分布および塗布膜と基板との密着力等を用いることができる。
　また、上記実施形態において、例えば、第１変換部５１、第２変換部５２、第３変換部５３、第４変換部５４および学習部５５といった各種の処理を実行する処理部（Processing Unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（Processor）を用いることができる。上記各種のプロセッサには、上述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field　Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device :PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
　１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせまたはＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
　複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアとの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip:SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
　さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（Circuitry）を用いることができる。
　　　１　　生産設備
　　　２　　生産装置
　　　３　　最適化支援装置
　　　１１　フロー反応装置
　　　１２　コントローラ
　　　２１　　第１供給部
　　　２２　　第２供給部
　　　２３　　反応セクション
　　　２６　　回収セクション
　　　３１　　合流部
　　　３１ａ～３１ｃ　第１管部～第３管部
　　　３２　　反応部
　　　３３　　温調部
　　　３４　　照射部
　　　３５　　第１検出部
　　　３６　　第２検出部
　　　４１　　ＣＰＵ
　　　４２　　メモリ
　　　４３　　ストレージ
　　　４４　　表示部
　　　４５　　入力部
　　　５１　　第１変換部
　　　５２　　第２変換部
　　　５３　　第３変換部
　　　５４　　第４変換部
　　　５５　　学習部
　　　６０，７０　　ニューラルネットワーク
　　　Ｌ１，Ｌ１１　　入力層
　　　Ｌ２，Ｌ１２　　中間層
　　　Ｌ３，Ｌ１３　　出力層
　　　ｘｉ　　運転条件パラメータの値
　　　ｕｌ、ｕ１ｌ　ノード値
　　　ｙｍ　　状態パラメータの値
　　　ｚｋ　　品質パラメータの値

Claims (18)

  1. 　生成物を生産するためのプロセスの運転条件を表す運転条件パラメータを、前記プロセスの状態を表す状態パラメータに変換する第１変換部と、
    　前記状態パラメータを前記生成物の品質を表す品質パラメータに変換する第２変換部とを備えた最適化支援装置。
  2. 　前記第１変換部は、前記運転条件パラメータの入力により前記状態パラメータを出力する学習がなされた第１学習モデルを有し、
    　前記第２変換部は、前記状態パラメータの入力により前記品質パラメータを出力する学習がなされた第２学習モデルを有する請求項１に記載の最適化支援装置。
  3. 　前記品質パラメータを前記状態パラメータに変換する第３変換部と、
    　前記状態パラメータを運転条件パラメータに変換する第４変換部とをさらに備えた請求項１に記載の最適化支援装置。
  4. 　前記品質パラメータを前記状態パラメータに変換する第３変換部と、
    　前記状態パラメータを運転条件パラメータに変換する第４変換部とをさらに備えた請求項２に記載の最適化支援装置。
  5. 　前記第３変換部は、前記第２学習モデルの制御パラメータに基づいて、前記品質パラメータを前記状態パラメータに変換し、
    　前記第４変換部は、前記第１学習モデルの制御パラメータに基づいて、前記状態パラメータを前記運転条件パラメータに変換する請求項４に記載の最適化支援装置。
  6. 　生成物を生産するためのプロセスにおいて生成される前記生成物の品質を表す品質パラメータを、前記プロセスの状態を表す状態パラメータに変換する第３変換部と、
    　前記状態パラメータを、前記プロセスの運転条件を表す運転条件パラメータに変換する第４変換部とを備えた最適化支援装置。
  7. 　前記第３変換部は、前記状態パラメータの入力により前記品質パラメータを出力する学習がなされた学習モデルの制御パラメータに基づいて、前記品質パラメータを前記状態パラメータに変換する請求項６に記載の最適化支援装置。
  8. 　前記状態パラメータの入力により前記品質パラメータを出力する学習がなされた学習モデルを有し、前記状態パラメータを前記生成物の品質を表す品質パラメータに変換する第２変換部をさらに備えた請求項７に記載の最適化支援装置。
  9. 　前記第４変換部は、前記運転条件パラメータの入力により前記状態パラメータを出力する学習がなされた学習モデルの制御パラメータに基づいて、前記状態パラメータを前記運転条件パラメータに変換する請求項６から８のいずれか１項に記載の最適化支援装置。
  10. 　前記運転条件パラメータの入力により前記状態パラメータを出力する学習がなされた学習モデルを有し、前記運転条件パラメータを前記状態パラメータに変換する第１変換部をさらに備えた請求項９に記載の最適化支援装置。
  11. 　前記プロセスは、フロー合成プロセスである請求項１から１０のいずれか１項に記載の最適化支援装置。
  12. 　前記プロセスは、細胞培養プロセスである請求項１から１０のいずれか１項に記載の最適化支援装置。
  13. 　前記プロセスは、真空成膜プロセスである請求項１から１０のいずれか１項に記載の最適化支援装置。
  14. 　前記プロセスは、塗布プロセスである請求項１から１０のいずれか１項に記載の最適化支援装置。
  15. 　生成物を生産するためのプロセスの運転条件を表す運転条件パラメータを、前記プロセスの状態を表す状態パラメータに変換し、
    　前記状態パラメータを前記生成物の品質を表す品質パラメータに変換する最適化支援方法。
  16. 　生成物を生産するためのプロセスにおいて生成される前記生成物の品質を表す品質パラメータを、前記プロセスの状態を表す状態パラメータに変換し、
    　前記状態パラメータを、前記プロセスの運転条件を表す運転条件パラメータに変換する最適化支援方法。
  17. 　生成物を生産するためのプロセスの運転条件を表す運転条件パラメータを、前記プロセスの状態を表す状態パラメータに変換する手順と、
    　前記状態パラメータを前記生成物の品質を表す品質パラメータに変換する手順とをコンピュータに実行させる最適化支援プログラム。
  18. 　生成物を生産するためのプロセスにおいて生成される前記生成物の品質を表す品質パラメータを、前記プロセスの状態を表す状態パラメータに変換する手順と、
    　前記状態パラメータを、前記プロセスの運転条件を表す運転条件パラメータに変換する手順とをコンピュータに実行させる最適化支援プログラム。
PCT/JP2020/019773 2019-07-03 2020-05-19 最適化支援装置、方法およびプログラム Ceased WO2021002108A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202080040798.6A CN113994281A (zh) 2019-07-03 2020-05-19 优化支援装置、方法及程序
JP2021529910A JP7577657B2 (ja) 2019-07-03 2020-05-19 最適化支援装置、方法およびプログラム
EP20834542.1A EP3995917B1 (en) 2019-07-03 2020-05-19 Optimization support device, method, and program
US17/454,392 US20220066399A1 (en) 2019-07-03 2021-11-10 Optimization support device, method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019124421 2019-07-03
JP2019-124421 2019-07-03

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/454,392 Continuation US20220066399A1 (en) 2019-07-03 2021-11-10 Optimization support device, method, and program

Publications (1)

Publication Number Publication Date
WO2021002108A1 true WO2021002108A1 (ja) 2021-01-07

Family

ID=74100993

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/019773 Ceased WO2021002108A1 (ja) 2019-07-03 2020-05-19 最適化支援装置、方法およびプログラム

Country Status (5)

Country Link
US (1) US20220066399A1 (ja)
EP (1) EP3995917B1 (ja)
JP (1) JP7577657B2 (ja)
CN (1) CN113994281A (ja)
WO (1) WO2021002108A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2022158066A1 (ja) * 2021-01-19 2022-07-28
EP4095625A1 (en) * 2021-05-27 2022-11-30 Yokogawa Electric Corporation Prediction apparatus, prediction method, prediction program, and control apparatus
WO2024202322A1 (ja) * 2023-03-29 2024-10-03 株式会社日立プラントサービス 細胞培養装置、培養条件決定装置及び培養条件決定方法
JP2025011053A (ja) * 2023-07-10 2025-01-23 三顧股▲ふん▼有限公司 決定変数の計算方法
WO2026062927A1 (ja) * 2024-09-20 2026-03-26 株式会社日立製作所 計算機システム、情報処理方法、及びプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023164204A (ja) * 2022-04-29 2023-11-10 日本特殊陶業株式会社 生成装置
JP7369324B1 (ja) * 2022-08-05 2023-10-25 千代田化工建設株式会社 製造システム
CN119849653B (zh) * 2024-02-26 2025-10-10 江苏时代新能源科技有限公司 生产工序预测模型的训练方法、预测方法、装置、及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003345416A (ja) 2002-05-23 2003-12-05 Mitsubishi Chemicals Corp 生産計画の最適化方法及び生産計画の最適化プログラム
JP2006323523A (ja) 2005-05-17 2006-11-30 Kyoto Univ 操作変数選択装置、操作変数選択方法、操作変数選択プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体
JP2011194728A (ja) * 2010-03-19 2011-10-06 Fujifilm Corp 機能性フィルムの製造方法
JP2015172025A (ja) * 2014-03-11 2015-10-01 東京化成工業株式会社 連続的フロー多段階反応による医薬品の製造方法
JP2015223175A (ja) * 2014-05-30 2015-12-14 富士フイルム株式会社 細胞評価装置および方法並びにプログラム
JP2015223550A (ja) * 2014-05-27 2015-12-14 株式会社Sat 塗布装置及び塗布方法
WO2018072773A2 (de) * 2016-10-18 2018-04-26 Reifenhäuser GmbH & Co. KG Maschinenfabrik Verfahren zum überwachen eines produktionsprozesses, verfahren zum indirekten ableiten einer systematischen abhängigkeit, verfahren zum anpassen der qualität, verfahren zum anfahren eines produktionsprozesses, verfahren zum herstellen eines extrusionsprodukts und anlage zum herstellen eines extrusionsprodukts
WO2019106963A1 (ja) * 2017-11-28 2019-06-06 株式会社安川電機 機械設備制御システム、機械設備制御装置、及び機械設備制御方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5197114A (en) * 1990-08-03 1993-03-23 E. I. Du Pont De Nemours & Co., Inc. Computer neural network regulatory process control system and method
JP3373588B2 (ja) * 1993-04-20 2003-02-04 新日本製鐵株式会社 品質制御装置および制御方法
JPH09304376A (ja) * 1996-05-10 1997-11-28 Nkk Corp コークス強度予測装置
US6106785A (en) * 1997-06-30 2000-08-22 Honeywell Inc. Polymerization process controller
US7526463B2 (en) * 2005-05-13 2009-04-28 Rockwell Automation Technologies, Inc. Neural network using spatially dependent data for controlling a web-based process
JP4918793B2 (ja) 2006-03-13 2012-04-18 凸版印刷株式会社 最適運転条件設定システム
WO2009122760A1 (ja) * 2008-04-04 2009-10-08 富士フイルム株式会社 画像処理装置、画像処理方法、およびコンピュータ読取可能な媒体
CN102831269B (zh) * 2012-08-16 2015-03-25 内蒙古科技大学 一种流程工业过程工艺参数的确定方法
US9481764B1 (en) * 2015-10-13 2016-11-01 The Boeing Company Flow reactor synthesis of polymers
KR101733658B1 (ko) * 2016-04-11 2017-05-10 성균관대학교산학협력단 세포 배양용 전도성 탄소 필름, 및 이를 이용하는 세포 배양 방법
WO2018138880A1 (ja) * 2017-01-27 2018-08-02 三菱日立パワーシステムズ株式会社 モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム
WO2019113640A1 (en) * 2017-12-12 2019-06-20 Commonwealth Scientific And Industrial Research Organisation Continuous flow process for preparing conducting polymers
JP7317466B2 (ja) * 2017-12-12 2023-07-31 株式会社日立製作所 細胞株及び培養条件のスクリーニング方法、及びその装置
JP7092879B2 (ja) * 2017-12-29 2022-06-28 エフ．ホフマン－ラ ロシュ アーゲー 細胞培養物の代謝状態の予測
US11675334B2 (en) * 2019-06-18 2023-06-13 International Business Machines Corporation Controlling a chemical reactor for the production of polymer compounds

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003345416A (ja) 2002-05-23 2003-12-05 Mitsubishi Chemicals Corp 生産計画の最適化方法及び生産計画の最適化プログラム
JP2006323523A (ja) 2005-05-17 2006-11-30 Kyoto Univ 操作変数選択装置、操作変数選択方法、操作変数選択プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体
JP2011194728A (ja) * 2010-03-19 2011-10-06 Fujifilm Corp 機能性フィルムの製造方法
JP2015172025A (ja) * 2014-03-11 2015-10-01 東京化成工業株式会社 連続的フロー多段階反応による医薬品の製造方法
JP2015223550A (ja) * 2014-05-27 2015-12-14 株式会社Sat 塗布装置及び塗布方法
JP2015223175A (ja) * 2014-05-30 2015-12-14 富士フイルム株式会社 細胞評価装置および方法並びにプログラム
WO2018072773A2 (de) * 2016-10-18 2018-04-26 Reifenhäuser GmbH & Co. KG Maschinenfabrik Verfahren zum überwachen eines produktionsprozesses, verfahren zum indirekten ableiten einer systematischen abhängigkeit, verfahren zum anpassen der qualität, verfahren zum anfahren eines produktionsprozesses, verfahren zum herstellen eines extrusionsprodukts und anlage zum herstellen eines extrusionsprodukts
WO2019106963A1 (ja) * 2017-11-28 2019-06-06 株式会社安川電機 機械設備制御システム、機械設備制御装置、及び機械設備制御方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3995917A4

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2022158066A1 (ja) * 2021-01-19 2022-07-28
JP7655329B2 (ja) 2021-01-19 2025-04-02 コニカミノルタ株式会社 製造条件最適化装置、回帰モデル生成装置、プログラムおよび製造条件最適化方法
EP4095625A1 (en) * 2021-05-27 2022-11-30 Yokogawa Electric Corporation Prediction apparatus, prediction method, prediction program, and control apparatus
WO2024202322A1 (ja) * 2023-03-29 2024-10-03 株式会社日立プラントサービス 細胞培養装置、培養条件決定装置及び培養条件決定方法
JP2025011053A (ja) * 2023-07-10 2025-01-23 三顧股▲ふん▼有限公司 決定変数の計算方法
JP2025011056A (ja) * 2023-07-10 2025-01-23 三顧股▲ふん▼有限公司 決定変数の計算方法
JP7804858B2 (ja) 2023-07-10 2026-01-23 三顧股▲ふん▼有限公司 決定変数の計算方法
WO2026062927A1 (ja) * 2024-09-20 2026-03-26 株式会社日立製作所 計算機システム、情報処理方法、及びプログラム

Also Published As

Publication number Publication date
JP7577657B2 (ja) 2024-11-05
US20220066399A1 (en) 2022-03-03
EP3995917A1 (en) 2022-05-11
EP3995917A4 (en) 2022-08-03
EP3995917B1 (en) 2025-07-09
JPWO2021002108A1 (ja) 2021-01-07
CN113994281A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
JP7577657B2 (ja) 最適化支援装置、方法およびプログラム
Trigilio et al. Gillespie-driven kinetic Monte Carlo algorithms to model events for bulk or solution (bio) chemical systems containing elemental and distributed species
Helleckes et al. Machine learning in bioprocess development: from promise to practice
Chang et al. Efficient closed-loop maximization of carbon nanotube growth rate using Bayesian optimization
Tang et al. Machine learning-guided synthesis of advanced inorganic materials
Mahanty Hybrid modeling in bioprocess dynamics: Structural variabilities, implementation strategies, and practical challenges
Yuan et al. Soft sensor model development in multiphase/multimode processes based on Gaussian mixture regression
Bayer et al. Model transferability and reduced experimental burden in cell culture process development facilitated by hybrid modeling and intensified design of experiments
Park et al. Data‐driven prediction models for forecasting multistep ahead profiles of mammalian cell culture toward bioprocess digital twins
Pinto et al. Hybrid deep modeling of a CHO-K1 fed-batch process: combining first-principles with deep neural networks
Smiatek et al. Generic and specific recurrent neural network models: Applications for large and small scale biopharmaceutical upstream processes
CN115240785B (zh) 化学反应预测方法、系统、装置及存储介质
Yager et al. Autonomous x-ray scattering
Luo et al. Machine learning-based operational modeling of an electrochemical reactor: handling data variability and improving empirical models
Conroy et al. Evaluation and application of machine learning principles to Zeolite LTA synthesis
Bae et al. Construction of a valid domain for a hybrid model and its application to dynamic optimization with controlled exploration
CN119907850A (zh) 训练和使用用于对生物有机体的动力学方面进行建模的至少一个机器学习模型的构思
Richter et al. Machine learning‐powered optimization of a CHO cell cultivation process
JP7254950B2 (ja) 探索装置、探索方法、探索装置の作動プログラム、及びフロー反応設備
Pandey et al. Functional link hybrid artificial neural network for predicting continuous biohydrogen production in dynamic membrane bioreactor
Tang et al. Multi-view teacher with curriculum data fusion for robust unsupervised domain adaptation
Na Substructure interaction graph network with node augmentation for hybrid chemical systems of heterogeneous substructures
Hernandez-Romero et al. Exploring hybrid quantum-classical algorithms for multiscale bioprocess optimization
Chen et al. Machine Learning‐Accelerated Development of Perovskite Optoelectronics Toward Efficient Energy Harvesting and Conversion
Pandey et al. Machine Learning Applications in Polymer Informatics—An Overview

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: 20834542

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021529910

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020834542

Country of ref document: EP

Effective date: 20220203

WWG Wipo information: grant in national office

Ref document number: 2020834542

Country of ref document: EP