特表 2024-512504 共有データによって誘導される生産プロセスの改善

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-03-19

(54)【発明の名称】共有データによって誘導される生産プロセスの改善

(51)【国際特許分類】

   G06Q 10/063 20230101AFI20240312BHJP

   G06Q 50/04 20120101ALI20240312BHJP

【ＦＩ】

G06Q10/063

G06Q50/04

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023557420

(86)(22)【出願日】2022-03-17

(85)【翻訳文提出日】2023-10-03

(86)【国際出願番号】 EP2022056953

(87)【国際公開番号】W WO2022195001

(87)【国際公開日】2022-09-22

(31)【優先権主張番号】63/163,460

(32)【優先日】2021-03-19

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】522316180

【氏名又は名称】べルサム・マテリアルズ・ユーエス、エルエルシー

【氏名又は名称原語表記】Ｖｅｒｓｕｍ Ｍａｔｅｒｉａｌｓ ＵＳ， ＬＬＣ

【住所又は居所原語表記】８５５５ Ｓｏｕｔｈ Ｒｉｖｅｒ Ｐａｒｋｗａｙ， Ｔｅｍｐｅ， ＡＺ ８５２８４， ＵＳＡ

(74)【代理人】

【識別番号】110003708

【氏名又は名称】弁理士法人鈴榮特許綜合事務所

(72)【発明者】

【氏名】クルト、サファ・クトゥプ

(72)【発明者】

【氏名】ロート、ロルフ

(72)【発明者】

【氏名】マッツ、ローラ

(72)【発明者】

【氏名】ウッド、サミュエル

(57)【要約】

材料から製品を生産するためのプロセスを開発または改善するための方法であって、データ収集コンピュータ(10)を使用することによって、生産プロセス(3)およびその関連パラメータ(2)のための少なくとも２つの異なるソースからプロセスデータ(1、1a、1b)を取得するステップと、 プロセスマッピングコンピュータ(11)を使用することによってプロセスマッピングステップを実行するために、生産プロセス(3)に関連する取得されたプロセスデータ(1、1a、1b)を使用するステップと、データマッピングコンピュータ(12)を使用することによってデータマッピングステップを実行することによって、生産プロセスの関連パラメータ(2)に関連する取得されたプロセスデータ(1、1a、1b)をその対応するプロセス部分(3)に割り当てるステップと、分析コンピュータ(13)上で実行される特定のソフトウェアを用いて、その結果としてマッピングされたプロセスデータ(5)を分析し、それによって、生産プロセスの品質または性能に関連する１つ以上の既存の特性(8)を識別および検証するステップと、生産プロセスを開発するか、またはその性能を改善するために、識別され検証された特性(8)を使用するステップとを含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

材料から製品を生産するためのプロセスを開発または改善するための方法であって、
・データ収集コンピュータ(10)を使用することによって、生産プロセス(3)およびその関連パラメータ(2)のための少なくとも２つの異なるソースからプロセスデータ(1、1a、1b)を取得するステップと、
・プロセスマッピングコンピュータ(11)を使用することによってプロセスマッピングステップを実行するために、前記生産プロセス(3)に関連する取得されたプロセスデータ(1、1a、1b)を使用するステップと、
・データマッピングコンピュータ(12)を使用することによってデータマッピングステップを実行することによって、前記生産プロセスの前記関連パラメータ(2)に関連する前記取得されたプロセスデータ(1、1a、1b)をその対応するプロセス部分(3)に割り当てるステップと、
・分析コンピュータ(13)上で実行される特定のソフトウェアを用いて、その結果としてマッピングされたプロセスデータ(5)を分析し、それによって、前記生産プロセスの品質または性能に関連する１つ以上の既存の特性(8)を識別および検証するステップと、
・前記生産プロセスを開発するか、またはその性能を改善するために、前記識別され検証された特性(8)を使用するステップとを含む、方法。

【請求項2】

前記生産プロセス(3)の前記データ(1、1a、1b)およびその関連パラメータ(2)を取得するために、前記プロセスデータは、前記データ収集コンピュータ(10)に接続されたデータベース(24a、24b、25)から取り出され、データ収集デバイス、特にセンサを使用して前記プロセスを観察することによって作成され、および／または人間のユーザによって提供される、請求項１に記載の方法。

【請求項3】

前記生産プロセスを観察することによって前記データ(1、1a、1b)を取得することは、前記プロセスの以前の実行中に、および／または前記識別され検証された特性(8)を使用した後の現在の実行中に行われる、請求項２に記載の方法。

【請求項4】

プロセスマッピングは、必要なコンポーネント、プロセスシーケンスまたはプロセスステップ、原材料(21)などの成分およびこれらに類するものを含む、前記生産プロセスまたはその前段階の構造を記述することによって実行される、請求項１に記載の方法。

【請求項5】

データマッピングは、温度、原材料の混合比、時間などの前記取得されたプロセスパラメータ(2)を、その対応するプロセスコンポーネントおよびプロセスシーケンスまたはステップに割り当てることによって実行される、請求項１に記載の方法。

【請求項6】

前記マッピングされたプロセスデータ(5)を分析することは、PLS回帰、PCA、ランダムフォレスト、XGBoostおよび人工ニューラルネットワークなどの多変量分析のようなアプローチを使用するデータモデル(6、7)を有するデータ分析フレームワークを含む教師ありアルゴリズムを使用して、または教師ありおよび／もしくは教師なしアルゴリズムを使用して、前記ソフトウェアによって実行される、請求項１に記載の方法。

【請求項7】

XGBoost、PLSモデル、ランダムフォレスト、または人工ニューラルネットワーク(7)は、教師付きアルゴリズムとして使用され、その構造は、前記プロセスおよびデータマッピングからの前記プロセスデータの結果を用いて前記人工ニューラルネットワークをトレーニングした結果である、請求項６に記載の方法。

【請求項8】

前記プロセスデータ(1,1a,1b)は、このデータ(1,1a,1b)を前記データ収集コンピュータ(10)に入力するユーザによって手動で、または前記データ収集コンピュータ(10)もしくは前記データ収集コンピュータ(10)に接続された別個のコンピュータのいずれかで実行されるデータ収集ソフトウェアによって自動的に、少なくとも２つの異なるソース(16,17)を検査することによって取得され、前記データ収集ソフトウェアがそれを前記データ収集コンピュータ(10)に送信する、請求項１に記載の方法。

【請求項9】

少なくとも２つの異なるソース(16、17)として、少なくとも２つの異なる生産サイト(16、17)が使用される、請求項８に記載の方法。

【請求項10】

少なくとも２つの関与する生産サイト(16、17)からの生産データ(1、1a、1b)は、特定の品質パラメータまたは金属不純物および純度レベルなどの原材料データ(21)、温度、圧力、流量および／またはP&IDチャート(4)などのプロセス内データを含む、請求項９に記載の方法。

【請求項11】

前記特性(8)は、メンテナンス問題のような根本原因、または前記生産プロセスのための特定の設定パラメータ(2)のような前記プロセスの性能または品質に関連する以前に知られていないプロセス問題である、請求項１に記載の方法。

【請求項12】

ユーザおよび／またはプロセス実行コンピュータ(14)が前記識別された特性(8)を使用することによって新しい生産プロセスをセットアップすることによって、または前記識別された特性(8)を考慮して前記既存の生産プロセスを適合させることによって前記既存の生産プロセスを改善することによって、新しい生産プロセスが作成されるか、または既存の生産プロセスが改善される、請求項１に記載の方法。

【請求項13】

材料から製品を生産するためのプロセスを開発または改善するためのシステム(15)であって、
・生産プロセス(3)およびその関連パラメータ(2)のために少なくとも２つの生産サイト(16、17)からプロセスデータ(1、1a、1b)を取得するために使用される、接続されたデータベース(24a、24b、25)および／または前記少なくとも２つの生産サイト(16、17)を有するデータ収集コンピュータ(10)と、
・前記生産プロセスに関連する前記取得されたプロセスデータ(1、1a、1b)を用いてプロセスマッピングステップを実行するために使用されるプロセスマッピングコンピュータ(11)と、
・データマッピングステップを実行することによって、前記生産プロセスの前記関連パラメータ(2)に関連する前記取得されたプロセスデータ(1、1a、1b)をその対応するプロセス部分(3)に割り当てるために使用されるデータマッピングコンピュータ(12)と、
・データモデル(6、7)を有するデータ分析フレームワークを含む教師ありアルゴリズムを使用して実行される特定のソフトウェアを含む分析コンピュータ(13)と、ここで、前記ソフトウェアは、前記生産プロセスの品質に関連する１つ以上の既存の特性(8)を識別および検証するように、その結果としてマッピングされたプロセスデータ(5)を分析し、
・前記識別され検証された特性(8)を適用することによって、前記少なくとも２つの生産サイト(16、17)上で前記生産プロセスを作成し、および／またはその性能を向上させるために使用されるプロセス実行コンピュータ(14)とを備える、システム(15)。

【請求項14】

少なくとも２つのサイト(16、17)のうちの少なくとも１つは、化学物質、医薬品などを生産するための工場(16)であり、他のサイト(17)のうちの少なくとも１つは、化学物質の提供者および／または分配者である、請求項１３に記載のシステム。

【請求項15】

前記データ収集コンピュータ(10)は、少なくとも２つの生産サイト(16、17)から前記プロセスデータ(1、1a、1b)を取得するために使用されるコンピュータベースのデジタルプラットフォーム(19)をホストしている、請求項１３に記載のシステム。

【請求項16】

前記プロセスマッピングコンピュータ(11)および前記データマッピングコンピュータ(12)は、人間のユーザが前記プロセスマッピングおよびデータマッピングステップを実行するための入力端末をサポートしている一方で、前記分析コンピュータ(13)は、教師ありおよび／または教師なしアルゴリズム、特に人工ニューラルネットワークを有するソフトウェアをホストするサーバであり、前記プロセス実行コンピュータは、前記少なくとも２つの生産サイト(16、17)のためのそれぞれのコンピュータベースの制御端末の一部であるか、またはそれと同一である、請求項１３に記載のシステム。

【請求項17】

XGBoost、ランダムフォレスト、または人工ニューラルネットワーク(7)であって、その構造は、
・データ収集コンピュータ(10)を使用することによって、生産プロセス(3)およびその関連パラメータ(2)のための少なくとも２つの異なるソースからプロセスデータ(1、1a、1b)を取得するステップと、
・プロセスマッピングコンピュータ(11)を使用することによってプロセスマッピングステップを実行するように、前記生産プロセス(3)に関連する前記取得されたプロセスデータ(1、1a、1b)を使用するステップと、
・データマッピングコンピュータ(12)を使用することによってデータマッピングステップを実行し、それらのマッピングされたプロセスデータ(5)からトレーニングデータを作成することによって、前記生産プロセスの前記関連パラメータ(2)に関連する前記取得されたプロセスデータ(1、1a、1b)をその対応するプロセス部分(3)に割り当てるステップと、
によって作成される特定のトレーニングデータ(5)を用いてトレーニングされることに依存する、XGBoost、ランダムフォレスト、または人工ニューラルネットワーク(7)。

【請求項18】

命令を含むコンピュータプログラムであって、関与するコンピュータに、
・データ収集コンピュータ(10)を使用することによって、生産プロセス(3)およびその関連パラメータ(2)のための少なくとも２つの異なるソースからプロセスデータ(1、1a、1b)を取得する方法ステップと、
・プロセスマッピングコンピュータ(11)を使用することによってプロセスマッピングステップを実行するように、前記生産プロセス(3)に関連する前記取得されたプロセスデータ(1、1a、1b)を使用する方法ステップと、
・データマッピングコンピュータ(12)を使用してデータマッピングステップを実行することによって、前記生産プロセスの前記関連パラメータ(2)に関連する前記取得されたプロセスデータ(1、1a、1b)をその対応するプロセス部分(3)に割り当てる方法ステップと、
・分析コンピュータ(13)上で実行される特定のソフトウェアを用いて、その結果としてマッピングされたプロセスデータ(5)を分析し、それによって、前記生産プロセスの品質または性能に関連する１つ以上の既存の特性(8)を識別および検証する方法ステップと、
・前記生産プロセスを開発するか、またはその性能を改善するために、前記識別され検証された特性(8)を使用する方法ステップとを実行させる、コンピュータプログラム。

【請求項19】

請求項Yに記載のコンピュータプログラムを記憶したコンピュータ読取可能記憶媒体および／またはデータキャリア信号であって、関与するコンピュータに、
・データ収集コンピュータ(10)を使用することによって、前記生産プロセス(3)およびその関連パラメータ(2)のための少なくとも２つの異なるソースからプロセスデータ(1、1a、1b)を取得する方法ステップと、
・プロセスマッピングコンピュータ(11)を使用することによってプロセスマッピングステップを実行するために、前記生産プロセス(3)に関連する前記取得されたプロセスデータ(1、1a、1b)を使用する方法ステップと、
・データマッピングコンピュータ(12)を使用してデータマッピングステップを実行することによって、前記生産プロセスの前記関連パラメータ(2)に関連する前記取得されたプロセスデータ(1、1a、1b)をその対応するプロセス部分(3)に割り当てる方法ステップと、
・分析コンピュータ(13)上で実行される特定のソフトウェアを用いて、前記その結果としてマッピングされたプロセスデータ(5)を分析し、それによって、前記生産プロセスの品質または性能に関連する１つ以上の既存の特性(8)を識別および検証する方法ステップと、
・前記生産プロセスを開発するか、またはその性能を改善するために、前記識別され検証された特性(8)を使用する方法ステップとを実行させる、コンピュータ読取可能記憶媒体および／またはデータキャリア信号。

【発明の詳細な説明】

【技術分野】

【0001】

開示される発明は、材料から製品を生産するためのプロセスを開発または改良するための方法およびシステムに関する。

【0002】

本発明は、自動生産管理の技術分野に属する。

【背景技術】

【0003】

現代の生産サイトにおける生産プロセスは、関与する材料、使用される生産機械、責任のある労働者などに関する多くのパラメータおよび変数に依存する非常に複雑な問題である。これらの変数のうちの１つのわずかな誤調整であっても、製造された製品の重大な品質問題につながる可能性があり、それらを劣ったものにするか、または販売不可能なものにさえする。特に、化学または製薬のような重要な分野では、これは生産者にとって許容できない欠陥につながる可能性がある。生産プロセスを改善し、製造された製品の品質を保証するために、プロセス全体を管理するための多くの方法が従来技術において知られている。それらのほとんどは、今日、データ駆動型であり、生産プロセスの関連するパラメータおよび変数が、それらがそれらの設定された目標値から導出される場合、定期的に監視およびチェックされる。

【0004】

これらのアプローチのうちの１つは、制御フェーズにおいて、製造される製品の特定の特性を測定する長さなどのパラメータを生産の頻度に対してプロットし、長さの範囲および頻度などの分布を、指定された長さなどの最適設計点ならびに上限および下限と比較して欠陥製品を識別することに集中するシックスシグマ方法である。結果は、通常、最適パラメータ設計点付近に平均を有し、生産の一部が限界外にあるガウス分布である。「シグマ」という用語は、標準偏差と同義である。製品品質の１つの尺度は、特定の限界内に適合する分布平均についてのシグマまたは標準偏差の数である。

【0005】

米国特許US 7,181,353 B2から、アウトソーシングされた製品の検査受け入れプロセスにシックスシグマを統合する方法が知られており、以下のステップを含む：製品受け入れ基準の仕様限界を定めるステップと、MES(製造実行システム)およびSCADA(監視制御およびデータ収集)を介して処分のために認可された人員に標準以下の製品を識別および報告するステップと、履歴データを含む報告を準備し、根本原因を識別し、是正措置を割り当てるステップと、標準以下の製品を分離し、MES内に標準以下の製品を記録するステップと、標準以下の製品を処分するステップと、MES内に是正措置を証明し、記録するステップと、不適合な入荷製品を回収および排除する方法を概説するステップとを含む。本方法は、閉ループ補正動作(CLCA)のためのデバイスを提供することができる。

【0006】

米国特許第6,675,135 B1は、製品開発手順中に使用される方法を開示しており、ここで、この手順は、一連の連続開発段階を含み、製品は、少なくとも２つの重要品質特性(CTQ)を含む。本方法は、製品設計を通じて製品シグマを増加させるために使用することができる信頼行列を生成するためのものである。ユーザは、最初に製品限界を提供し、その後、各連続開発段階中に追加の開発情報を提供する。開発段階のうちの少なくとも２つの間に、各CTQについて、開発情報を使用して、製品が指定された限度内にある確率を示す品質係数を決定する。また、各CTQについて、品質係数が正確である確率を示す信頼係数が識別される。次に、品質係数、CTQ、および信頼係数が、CTQおよび係数が相関するように配置される。

【0007】

これらの既知の方法は、シックスシグマアプローチに非常に密接しており、設定された質基準を保証するためにその方法の特定のステップに集中しており、したがって、その方法とは異なる代替手法で使用するのにはあまり適していない。さらに、シックスシグマは、「顧客の声」ならびに優先順位付けおよびフィルタリングに依存するプロセス改善方法である。それは通常、機械学習ツールを用いた現代のデータ駆動型アプローチを含まない。したがって、例えば、人間のエキスパート分析を二重チェックするために、自動化された方法と共に使用されるとき、欠点を有する。シックスシグマ規格は、欠陥のない製品を実際に保証するのに十分ではないと述べている人もいる。また、提案されるアプローチは、予め規定された範囲項目に限定されない。シックスシグマプロセスの定義フェーズでは、範囲内および範囲外の項目が、プロジェクトチームに関与するエキスパートによって明確に定義される。ここでは、物理学優先アプローチを用いて、顧客の声に関連する可能性のある疑わしいエリアを絞り込む。範囲外の項目は、さらなるプロジェクトで調査されても調査されなくてもよい。したがって、シックスシグマアプローチにおいてプロジェクトフレーム内で問題を解決することができるとしても、範囲外の項目を考慮する体系的な手段または方法はない。これは、長期的に問題の根底にある根本原因の発見を妨げる可能性がある。来るべき偏差に対する持続可能な問題解決が提供されない場合がある。

【0008】

別の点は、例えば、材料提供者および実際の生産者のような、異なる生産プロセスおよび原理を有する異なる生産サイトの場合、シックスシグマアプローチは、それらの２つの異なる生産プロセスを整列および／またはマージすることにつながるか、またはより良く必要とすることである。これは困難であり、プロセスがどのように異なるかに依存して多くの労力を引き起こす可能性がある。

【0009】

したがって、品質および信頼性に関して生産プロセスをさらに向上させ、異なるプロセスを効率的に扱うことができる自動生産管理システムを動作させるための新しいアプローチを見つけることが望ましい。

【発明の概要】

【0010】

このタスクは、材料から製品を生産するためのプロセスを開発または改善するための方法によって解決することができ、方法は、データ収集コンピュータを使用することによって、生産プロセスおよびその関連パラメータのための少なくとも２つの異なるソースからプロセスデータを取得するステップと、プロセスマッピングコンピュータを使用することによってプロセスマッピングステップを実行するために、生産プロセスに関連する取得されたプロセスデータを使用するステップと、データマッピングコンピュータを使用することによってデータマッピングステップを実行することによって、生産プロセスの関連パラメータに関連する取得されたプロセスデータをその対応するプロセス部分に割り当てるステップと、分析コンピュータ上で実行される特定のソフトウェアを用いて、その結果としてマッピングされたプロセスデータを分析し、それによって、生産プロセスの品質に関連する１つ以上の既存の特性を識別および検証するステップと、生産プロセスを開発するか、またはその性能を改善するために、識別され検証された特性を使用するステップとを含む。本発明の核心は、最初に、作成または改善されるべき所望の生産プロセスに関連する可能性のあるすべての関連データを追跡することである。このデータは、異なる生産サイトのような少なくとも２つの異なるソースから収集され、例えば内部プロセスデータおよび顧客データを含む。もちろん、異なるソースを同じ生産サイトに配置し、例えば２つの異なる生産機械で発生させることもできる。したがって、データは、構造、フォーマット、シンタックスなどに関して異なることができる。プロセスマッピングステップにおいて、所望のプロセスに関する利用可能なデータは、特定のプロセス方法ステップおよび必要なプロセスコンポーネントのようなプロセス構造を確立および定義するために使用される。それはまた、第１および他のソースからのデータのマッピングを含むので、両方の異なるデータタイプを処理できる。ここで重要なことは、異なるソースからのデータを単に整列させて単一のプロセス上で作成するのではなく、後で処理および分析することができるように、それを別々に保持し、一緒にマッピングすることである。利用可能なプロセスデータは、例えば、本発明の方法によって改善されるべき既存の生産プロセスを記述することができる。あるいは、それは、最も効率的である新しい生産プロセスを作成するために、利用可能な生産機械、原材料等のような所望の新しい生産プロセスを記述するデータを含むことができる。データマッピングステップにおいて、特定の温度、特定の使用される材料等のようなプロセスパラメータに関連するプロセスデータは、次いで、プロセスマッピングステップにおいて作成されたプロセスからこれらのパラメータが関連するそのプロセス対応物に割り当てられるか、またはマッピングされる。プロセスおよびデータマッピングの２つの方法ステップは、同時に実行することができ、またはデータマッピングステップは、プロセスマッピングステップの後に実行することができる。割り当てられたプロセスパラメータを含めてプロセスが首尾よく定義された後、プロセス評価ステップにおいて実際の分析が行われる。その評価の間、特別なソフトウェアは、マッピングされたプロセスデータを供給され、その内容を分析して、確立されたプロセスを改善するために使用することができるプロセスの特性を開示する特定のパターンおよび依存性を検索する。ソフトウェアは、異なる種類のアルゴリズムを使用することができる。例えば、教師あり、教師なし、半教師あり、強化学習等のような人工知能アプローチを使用することができる。どちらが最適であるかは、利用可能なプロセスデータの種類に依存する。重要なことは、アルゴリズムが、パターンを見つけるか、またはプロセスの影響因子を識別するようにトレーニングされることである。このアプローチは、勾配ブースト定木、人工ニューラルネットワーク(ANN)などを使用することによって実施することができる。次いで、このANNは、その供給され、マッピングされたプロセスデータを学習することによって、その性能をさらに改善することができる。しかし、他のAIソフトウェアアプローチも可能である。あるいは、ソフトウェアは、特性を決定するのに適している場合、古典的な統計からのアプローチを使用することもできる。どのアプローチが最も適切であり、したがって、どのアプローチが選択されるかは、特定の場合およびプロセスデータのそれぞれの種類に依存する。マッピングされ、分析されたプロセスが作成され、特性が識別された後、これらの特性がプロセスに適用され、したがってプロセスが改善される。これらの特性は、プロセスを改善するために、プロセス専門家から得られる洞察に追加的に使用されることができる。ソフトウェアが特性をより良く決定することができるほど、人間の専門家からの専門知識がより少なくて済む。これらの方法ステップはすべて、方法ステップを実行するように構成されたコンピュータによって実行される。使用されるハードウェアおよびソフトウェアの能力に依存する方法ステップの完全な自動化が望まれるが、例えば、取得されたデータまたは識別された特性を評価する際に、人間のサポートが必要な場合がある。関与するコンピュータの最低限の要件は、取得されたプロセスデータを処理し、転送し、表示し、ソフトウェア分析ステップを実行する能力を含む。コンピュータ自体は、インターネット、ローカルネットワークなどを介して互いに接続された異なる場所にある異なるコンピュータであることができ、またはそれらの一部もしくは全部が同一であることができる。

【0011】

この新しいアプローチでは、範囲は、専門家によって彼らの強い技術知識に基づいて予め規定されない。データファーストアプローチは、変動のエリアを定義するために使用され、これは主題事項の専門家によってさらに調査されるべきである。一例として、顧客側での典型的な品質変動は、最初に顧客データを分析することによって、このアプローチ内で調査することができる。次に、顧客データを使用して、製造プロセスの各ステップにおける入力パラメータとの相関関係を見つける。顧客性能の変動のソースが高度な分析技術を使用することによっていったん決定されると、それらの科学的正当化は、プロセス開発、R&D、品質または製造専門家によって行われる。いくつかの選択されたサンプルについて、製造からの最も相関したパラメータをさらに分析して、顧客性能の変動のソースを検証する。予測データモデルのようなデータベースの方法による肯定的な検証の結果として、予測モデルの出力に従って材料の新しいバッチを生成することによって、さらなる検証が行われる。次に、この材料は、顧客によって試験され、測定された性能パラメータは、モデルによる予測値と比較される。

【0012】

本発明のアプローチの範囲はこれに限定されない。長期的には、ユースケースからの学習は、製品開発のためにR&Dにカスケードダウンされ、また、調達(供給者)にカスケードバックされる。これらの知識を考慮して、専門家は、R&Dにおける顧客の新しいアプリケーション技術のための次世代材料の仕様を調査しながら、供給者からの最良の材料の購入を制御することを目指す。

【0013】

簡単に言えば、我々のアプローチは、サプライチェーンと資産ライフサイクルの交点、すなわち、データ駆動型仮説を用いて我々の顧客のニーズを理解するための生産を利用することを目的とする。その後、本発明者らは、サプライチェーンおよび資産ライフサイクルの部分内の対応する開発エリアに関して生産において行われるユースケースからの結果を分解する。

【0014】

本発明の有利な、したがって好ましいさらなる発展は、関連する従属請求項、ならびに説明および関連する図面から明らかになる。

【0015】

開示された方法のこれらの好ましいさらなる発展のうちの１つは、生産プロセスのためのデータおよびその関連パラメータを取得するために、プロセスデータが、データ収集コンピュータに接続され、データ収集デバイス、特にセンサを使用してプロセスを観察することによって作成され、および／または人間のユーザによって提供されるデータベースから取り出されることを含む。これらのアプローチのいずれを組み合わせるかは、目的とする生産プロセスに依存する。通常、プロセスデータは、センサからの少なくともいくつかの現在のデータが含まれる場合、より良い品質のものである。

【0016】

開示された方法のこれらの好ましいさらなる発展のうちの別の１つは、生産プロセスを観察することによるデータの取得が、識別され検証された特性を使用した後に、プロセスの以前の実行中および／または現在の実行中に行われることを含む。そうすることによって、取得されたデータが常に最新であることが保証される。また、ANNのようなAI方法がトレーニングされ、最新の情報と共に使用される場合、AI方法を使用する効率が大幅に改善される。

【0017】

開示された方法のこれらの好ましいさらなる発展のうちの別の１つは、プロセスマッピングが、必要なコンポーネント、プロセスシーケンスまたはプロセスステップ、原材料などの成分を含む異なるソースからの生産プロセスまたはその前段階の構造を記述することによって行われることを含む。そうすることによって、プロセスが定義され、その後、ソフトウェアによって分析されて、その性能を作成または改善することができる。

【0018】

開示された方法のこれらの好ましいさらなる発展のうちの別の１つは、データマッピングが、温度、原材料の混合比、時間などのような、すべての関与するサイトからの取得されたプロセスパラメータを、その対応するプロセスコンポーネントおよびプロセスシーケンスまたはステップに割り当てることによって実行されることを含む。プロセスマッピングは、プロセス構造、その必要なコンポーネントなどを定義するが、データマッピングは、そのパラメータを、プロセスマッピングにおいて定義されるそれらの関連するプロセスコンポーネントに割り当てる。したがって、準備されたプロセスデータは、ソフトウェア性能関連特性によって分析される準備ができている。

【0019】

開示された方法のこれらの好ましいさらなる発展のうちの別の１つは、データを分析することが、PLS回帰、PCA、ランダムフォレスト、XGBoost、および人工ニューラルネットワーク、PLS回帰および／もしくはランダムフォレストなどの多変量分析のようなアプローチを使用するデータモデルを有するデータ分析フレームワークを含む教師ありおよび教師なしアルゴリズムを使用して、または教師ありおよび／もしくは教師なし静的アルゴリズムを使用してソフトウェアによって行われることを含む。両方の種類のアルゴリズム‐教師ありおよびAI関連または非関連‐をソフトウェアによって使用することができる。しかし、問題のプロセスが複雑になればなるほど、すべての所望のプロセス特性を実際に識別する非学習アプローチをソフトウェアに提供することが難しくなる。これらは、より複雑でない生産プロセスに、または特定の定義されたプロセス部分のみが評価される必要がある場合により適しているが、もちろんこれらに限定されない。

【0020】

開示された方法のこれらの好ましいさらなる発展のうちの別の１つは、XGBoost、ランダムフォレスト、または人工ニューラルネットワークが教師付きアルゴリズムとして使用されることを含み、その構造は、プロセスおよびデータマッピングからのプロセスデータの結果を用いて人工ニューラルネットワークをトレーニングした結果である。人工ニューラルネットワーク(ANN)などは、これらの複雑な生産プロセスを評価するのに非常に適しているが、その理由は、プロセスおよびデータマッピングステップからのマッピングされたデータを用いてトレーニングすることができるだけでなく、したがって、どのように複雑になっても生産プロセスに適合させることができるからである。それらはまた、本発明の方法のいくつかの再反復において使用することができ、プロセス特性を識別するためにより頻繁に使用されるほど、より良好に適合される。

【0021】

開示された方法のこれらの好ましいさらなる発展のうちの別の１つは、プロセスデータが、このデータをデータ収集コンピュータに入力するユーザによって手動で、またはデータ収集コンピュータもしくはデータ収集コンピュータに接続された別個のコンピュータのいずれかで実行されるデータ収集ソフトウェアによって自動的に、少なくとも２つの異なるソースを検査することによって取得され、データ収集ソフトウェアが、プロセスデータをデータ収集コンピュータに送信することを含む。これらのアプローチのいずれが使用されるかは、使用されるハードウェアおよびソフトウェアの制限および能力に依存する。より多くのデータ取得を自動的に行うことができれば、それだけ良好である。

【0022】

開示された方法のこれらの好ましいさらなる発展のうちの別の１つは、少なくとも２つの異なるソースとして、少なくとも２つの異なる生産サイトが使用されることを含む。これらの異なるサイトは、例えば、材料提供者によって管理される製品の原材料を生産する一方のサイトであり、他方のサイトは実際の生産プラントである。

【0023】

開示された方法のそれらの好ましいさらなる発展のうちの別の１つは、特性が、メンテナンス問題のような根本原因、または生産プロセスのための特定の設定パラメータのようなプロセスの性能もしくは品質に関連する以前に知られていないプロセス問題であることを含む。根本原因は、本発明が既存の生産プロセスを改善するために、特にそれに伴う特定の問題を解決するために使用されるときに主に関連する。しかし、本発明は、プロセスパラメータおよび／またはコンポーネント間のこれまで知られていない関係を識別することによって、したがって問題を解決することによって、または以前には考えられていなかった新しい可能性を開くことによって、新しい生産プロセスを作成するために使用することもできる。

【0024】

開示された方法のこれらの好ましいさらなる発展のうちの別の１つは、ユーザおよび／またはプロセス実行コンピュータが、識別された特性を使用することによって新しい生産プロセスをセットアップすることによって、または識別された特性を考慮して既存の生産プロセスを適合させることによって既存の生産プロセスを改善することによって、新しい生産プロセスが作成されるか、または既存の生産プロセスが改善されることを含む。先に説明したように、本発明の方法は両方のオプションを可能にする。既存のプロセスを改善するとき、ルートケースを意味する識別された特性は、ユーザによって、またはコンピュータによって自動的に修正されることができ、したがって、例えば、いくつかの機械設定を適応させようとしているとき、プロセスを改善する。新しいプロセスが作成される場合、新しく発見された有望な接続は、生産プロセスステップに統合される必要があり、したがって新しいプロセスを作成する。

【0025】

開示された方法のそれらの好ましいさらなる発展のうちの別の１つは、少なくとも２つの関与する生産サイトからの生産データが、特定の品質パラメータまたは金属不純物および純度レベルのような原材料データ、P&IDチャート、または温度、流量、タンクレベルなどを含むセンサデータのようなインプロセスデータを含むことを含む。そのデータは、一般に２つの異なるカテゴリに割り当てることができる。１つは、プロセスマッピングを実行し、したがって、プロセスを定義するために必要な、P&IDチャートなどのプロセス関連データである。他のカテゴリは、データマッピングステップに供給する、センサデータ等のようなプロセスパラメータを含む。

【0026】

請求項に記載した発明のさらなるコンポーネントは、材料から製品を生産するためのプロセスを開発または改善するためのシステムであって、生産プロセスおよびその関連パラメータのために少なくとも２つの生産サイトからプロセスデータを取得するために使用される、接続されたデータベースおよび／または少なくとも２つの生産サイトを有するデータ収集コンピュータと、生産プロセスに関連する取得されたプロセスデータを用いてプロセスマッピングステップを実行するために使用されるプロセスマッピングコンピュータと、データマッピングステップを実行することによって、生産プロセスの関連パラメータに関連する取得されたプロセスデータをその対応するプロセス部分に割り当てるために使用されるデータマッピングコンピュータと、データモデルを有するデータ分析フレームワークを含む教師ありアルゴリズムを使用して実行される特定のソフトウェアを含む分析コンピュータと、ここで、ソフトウェアは、生産プロセスの品質または性能に関連する１つ以上の既存の特性を識別および検証するように、その結果としてマッピングされたプロセスデータを分析し、識別され検証された特性を適用することによって、少なくとも２つの生産サイト上で生産プロセスを作成し、および／またはその性能を向上させるために使用されるプロセス実行コンピュータとを備える。このシステムは、本発明の方法を実行する。既に説明したように、システム内の上述のコンピュータは、別個のシステムコンポーネントとして確立されることができ、または、同じコンピュータであることができ、または、最良に適合するそれらの組み合わせであってもよい。少なくとも、特定のソフトウェアを有する分析コンピュータは、好ましくは別個のコンピュータであるべきである。少なくとも２つの異なる生産サイトからのデータが自動的に取得される場合、データ収集コンピュータは、生産サイトのそれぞれにおいてコンピュータベースである一種の自動制御と接続される必要がある。使用されるコンピュータのタイプは、実行される方法の要件に依存する。方法ステップの大部分が人間のユーザによって実行される場合、ユーザがデータをコンピュータに提供することができるように、ディスプレイおよびいくつかのデータ入力手段またはインターフェースを有する一種のパーソナルコンピュータ、タブレット、携帯電話などが使用され、使用されたソフトウェアが使用されるべきである。より自動化された方法が実行されればされるほど、産業用PC、マイクロコントローラ、シングルボードまたは組み込みコンピュータなどの他のタイプのコンピュータも一般に使用されることができる。自動データ伝送のための、イーサネット（登録商標）、バスシステムまたはワイヤレス代替物のような明確に定義されたデータインターフェースおよびデータ転送ネットワークは、より重要になる。

【0027】

開示されたシステムの１つの好ましいさらなる発展は、少なくとも２つのサイトのうちの少なくとも１つが、化学物質、医薬品などを生産するための工場であり、他のサイトのうちの少なくとも１つが、化学物質供給者および／または分配者であることを含む。この場合、自動データ転送が必要であれば、必要なプロセスデータを提供するために、両方のサイトがデータ収集コンピュータおよび／またはそのそれぞれのデータベースに接続される必要がある。異なるサイト所有者のみが安全であるために、非自動データ転送が可能である場合、接続は、例えば、安全なデータ記憶装置などを転送することによって、より間接的である。

【0028】

開示されたシステムのそれらの好ましいさらなる発展のうちの別の１つは、データ収集コンピュータが、少なくとも２つの生産サイトからプロセスデータを取得するために使用されるコンピュータベースのデジタルプラットフォームをホストしていることを含む。必要なプロセスデータを取得する別の可能性は、データ取得のためにデジタルプラットフォームを使用することにあり、このデジタルプラットフォームに、参加するすべての生産サイトがそのプロセス関連データを転送することができる。次いで、プラットフォームは、このデータを管理し、それをそれぞれのプロセスおよび／またはマッピングコンピュータに分配して、それらのマッピングステップを実行する。

【0029】

開示されたシステムのこれらの好ましいさらなる発展のうちの別の１つは、プロセスマッピングコンピュータおよびデータマッピングコンピュータが、人間のユーザがプロセスマッピングおよびデータマッピングステップを実行するための入力端末をサポートしており、分析コンピュータが、教師ありおよび／または教師なしアルゴリズム、特にXGBoost、ランダムフォレストまたは人工ニューラルネットワークを有するソフトウェアをホストするサーバであり、プロセス実行コンピュータが、少なくとも２つの生産サイトのためのそれぞれのコンピュータベースの制御端末の一部または同一であることを含む。既に述べたように、人間のユーザが方法ステップの一部を実行することを要求される場合、使用されるコンピュータは、キーボード、マウス、スクリーンなどのそれぞれの入出力手段と、この入力を処理するそれぞれのソフトウェアとを提供しなければならない。ANNがソフトウェアによって使用される場合、このANNに適したコンピュータハードウェアが必要とされる。

【0030】

本明細書で開示される発明のさらなるコンポーネントは、XGBoost、ランダムフォレストもしくは人工ニューラルネットワーク、または他のAIアプローチであり、その構造は、データ収集コンピュータを介して生産プロセスおよびその関連パラメータのための少なくとも２つの異なるソースからプロセスデータを取得し、プロセスマッピングコンピュータを介してプロセスマッピングステップを実行するために生産プロセスに関連する取得されたプロセスデータを使用し、データマッピングコンピュータを介してデータマッピングステップを実行することによって生産プロセスの関連パラメータに関連する取得されたプロセスデータをその対応するプロセス部分に割り当て、それらのマッピングされたプロセスデータからトレーニングデータを作成することによって作成される特定のトレーニングデータでトレーニングされることに依存する。したがって、作成されたトレーニングデータは、ソフトウェアをトレーニングし、その必要な内部構造を確立するために使用され、したがって、マッピングされたプロセスデータを分析して必要なプロセス特性を識別するために使用することができる。ソフトウェアに実際のプロセスデータを提供することによって、ソフトウェアはさらにトレーニングされ、その分析性能を改善する。

【0031】

開示される本発明の別のコンポーネントは、命令を含むコンピュータプログラムであって、コンピュータプログラムは、関与するコンピュータに、データ収集コンピュータを介して生産プロセスおよびその関連パラメータのための少なくとも２つの異なるソースからプロセスデータを取得する方法ステップと、プロセスマッピングコンピュータを介してプロセスマッピング方法ステップを実行するように、生産プロセスに関連する取得されたプロセスデータを使用する方法ステップと、データマッピングコンピュータを介してデータマッピング方法ステップを実行することによって、生産プロセスの関連パラメータに関連する取得されたプロセスデータをその対応するプロセス部分に割り当てる方法ステップと、分析コンピュータ上で実行される特定のソフトウェアを用いて、その結果としてマッピングされたプロセスデータを分析し、それによって、生産プロセスの品質または性能に関連する１つ以上の既存の特性を識別および検証する方法ステップと、プロセス実行コンピュータを介して、生産プロセスを作成するか、またはその性能を改善するために、識別され検証された特性を使用する方法ステップとを実行させる。単一の方法ステップを担当するプログラム部分は、それぞれのコンピュータ部分上で実行される。プログラム自体がどのように分割されるかは、関与するコンピュータハードウェアに依存する。上述したコンピュータのうちの１つ又はローカルクライアントプログラムを制御する別個のコンピュータ上で実行されるメインソフトウェアを使用することが可能である。他のオプションは、互いに通信するソフトウェアの同等のインスタンスなどを含む。

【0032】

このコンピュータプログラムが、説明した方法全体を実行するための唯一の要件は、使用されるプログラムおよびそのそれぞれのハードウェアコンポーネントが方法を完全かつ自動的に実行できることである。このようなプログラムは、コンピュータ読取可能記憶媒体および／またはデータキャリア信号に記憶されることができ、コンピュータ読取可能記憶媒体および／またはデータキャリア信号は、関与するコンピュータに、データ収集コンピュータを介して生産プロセスおよびその関連パラメータのための少なくとも２つの異なるソースからプロセスデータを取得する方法ステップと、プロセスマッピングコンピュータを介してプロセスマッピングステップを実行するために、生産プロセスに関連する取得されたプロセスデータを使用する方法ステップと、データマッピングコンピュータを介してデータマッピングステップを実行することによって、生産プロセスの関連パラメータに関連する取得されたプロセスデータをその対応するプロセス部分に割り当てる方法ステップと、分析コンピュータ上で実行される特定のソフトウェアを用いて、その結果としてマッピングされたプロセスデータを分析し、それによって、生産プロセスの品質に関連する１つ以上の既存の特性を識別および検証する方法ステップと、プロセス実行コンピュータを介して、生産プロセスを作成するか、および／またはその性能を改善するために、識別され検証された特性を使用する方法ステップとを実行させる。記憶媒体は、usbドライブ、ハードディスク、フラッシュドライブ等のような任意の適切なデジタルメモリに記憶することができる。そのメモリから、ソフトウェアをそのターゲットハードウェアに送信するために、イーサネット（登録商標）、ワイヤードもしくはワイヤレス、または任意の他の適切なネットワーク送信手段のような、それぞれのデータキャリア信号を使用する遠隔通信手段を介して提供することもできる。

【0033】

本発明によるシステム、方法およびソフトウェア製品ならびにそれらの機能的に有利な発展を、２つの好ましい例示的な実施形態を使用して、関連する図面を参照しながら以下でより詳細に説明する。図面において、互いに対応する要素には同じ参照番号が付されている。

【図面の簡単な説明】

【0034】

図面は以下を示す：

【図1】必要な方法ステップについての大まかな外観

【図2】関与するシステムコンポーネントについての図式的外観

【図3】２つの生産サイトおよびそれらが提供するプロセスデータタイプについての図式的外観

【図4】パラメータの減少を含む良好なバッチおよび不良なバッチからの多変量分析の結果

【図5】「良好」および「不良」バッチ区別のための最も重要なパラメータ

【図6】洗浄手順の変化による経年劣化(付着物)の識別された根本原因

【発明を実施するための形態】

【0035】

本発明は、２つの好ましい例示的な実施形態を提示することによって、より詳細に説明されることになる。第１の実施形態は、既存の生産プロセスがどのように改善されるかを示す一方で、第２の例示的な実施形態は、新しい製品ラインを確立するために新しい生産プロセス全体を作成することに集中する。

【0036】

図１は、両方の実施形態における必要な方法ステップについての概要を示す。ステップ自体は、異なる条件に依存して、各例示的実施形態において分岐して実行される。この方法を実行するデータ分析システム15が図２に示されている。先に説明したように、その構造はまた、実施形態ごとに異なることがある。特に、関与するコンピュータの種類は、どの程度のステップがコンピュータおよびアプリケーションソフトウェアの助けを借りて人間のユーザによって実行されるか、または例えばAIソフトウェアを使用して特定のコンピュータによって自動的に行われるかに依存して大きく異なる可能性がある。

【0037】

図３は、２つの例示的な生産サイトおよびそれらが提供するプロセスデータタイプについての図式的外観を開示する。この場合、それは材料供給者サイト17および製造業者サイト16であり、ここで、材料供給者サイト16は、原材料21についてのデータ、プロセス関連データ1a、材料供給者からの品質データ20a、他のデータ22aなどを提供する。このデータは、データ収集コンピュータ10によって収集され、データ収集コンピュータ10は、データ統合19を実行し、次いで、PLSモデルまたは人工ニューラルネットワークのような使用されるデータモデル6、7にデータを提供する。製造業者サイト16は、それ自身の生産プロセス1b、それ自身の品質データ20b、他のデータ22b等についてのデータを提供する。次いで、このデータは、セキュアデータ転送コネクタ23を介して転送される。２つのサイト16、17間のデータの通信は、サイトに割り当てられたウェブサービス24a、24bによって実行される。追加的または代替的に、サードパーティウェブサービス25を使用することもできる。これは、例えば、デジタルデータプラットフォームによって集中的に管理されることができる。

【0038】

第１の好ましい例示的実施形態：
第１の好ましい例示的な実施形態は、薄膜技術分野におけるSOD製品の生産プロセスにおける欠陥問題を解決することによって、既存の生産プロセスがどのように改善されるかを示す。

【0039】

この例では、生産能力を増加させるために、関与する生産プラント16が必要とされた。そのようにした直後に、製造プロセスにおける高い故障率が報告された。標準的な単変量データ分析方法は、1000パラメータ／変数の非常に複雑なデータセットのために問題を解決するには不十分であり、したがって、問題を解決するために図１に開示される以下の方法ステップを使用して本発明の方法を適用することにつながる。

【0040】

第１のステップでは、利用可能な生産関連データ1が、現地の専門家によって取得され、クリーンにされ、統合された。製造エンジニアリングチームは、以前に実行されたプロセス、関与する原材料21および利用可能な品質管理データを集約した。データ1は以下を含む：生産プラント16のプロセス制御システムからのセンサデータ、温度、圧力、タンクレベルなどのプロセスデータ、供給者17からの原材料データ21、品質測定からの追加の内部原材料21、例えば、エクセルファイルからの微量金属不純物レベルおよび純度レベル。生産バッチがいつ生産されたかのようなバッチコンテキストは、ローカルサーバおよびエクセルシート上で実行される製造エンジニアリングデータベースから取得された。バッチごとの生産プラント16の位置を含む欠陥データも同様に提供された。次に、取得されたデータはすべて、関与するデータ収集コンピュータ10のメモリに記憶された。

【0041】

プロセスマッピングステップでは、一般的なプロセス記述3についてのプロセス概要および説明が、生産プラント16から製造エンジニアによって提供された。いくつかのプロセスチャート4は、以前のプロジェクトから既に利用可能である。PI&Dチャートも収集され、関与するプロセスマッピングコンピュータ11に記憶された。製造プロセスをよりよく理解し、一般的なプロセス記述データ3を改善するために、追加の個人サイト訪問を2日間行った。

【0042】

その後、データマッピングステップを実行した。このステップの間、全ての利用可能なデータ、特に分離プロセスパラメータ2は、主題事項専門家によってチェックされ、データの背後にある物理的意味は、化学プロセス工学知識によって理解された。いくつかのプロセス、品質、およびデータ専門家は、データマッピングコンピュータ12を使用して、利用可能なデータ2をプロセスマッピングからのすべての関連するプロセスステップにマッピングするか、またはむしろ接続した。一例は、蒸留における上部温度センサに対応するプロセス制御システムからの温度測定値TI5である。データ統合に関する重要な点は、例えば、２つの上流バッチを組み合わせるか、または処理されたバッチを２つ以上の部分に分割する重要な単位操作を識別することによって明らかにされた。

【0043】

この場合、収集された生産関連データ1は、4つの異なる製造業者サイト16から来たものである。時には、１つの完成した良好なバッチが異なるサイト16で使用され、異なる欠陥率値をもたらした。これらについて、欠陥率のサイト特有閾値を定義した。この場合、サイト16の位置に応じて、7から13個の欠陥カウントが使用された閾値であった。次のデータ分析について最大の安全性を保証するために、最低閾値7欠陥カウントを使用した。それは、サイト16のいずれかにおいて7未満の欠陥カウントをもたらした任意の完成した良好なバッチが、内部最適化のために「良好な」バッチとして割り当てられたことを意味する。そうでなければ、それは「不良」バッチとしてラベル付けされた。その結果、マッピングされたプロセスパラメータ5を有する完成プロセス記述がもたらされた。

【0044】

その終了したプロセス記述5を用いて、データ分析ステップを実行できた。全てのデータは、終了した良好なIDのプロセス順序に基づいて、対応する内部バッチIDと照合された。いくつかのデータモデル、この場合、PLS、ランダムフォレストなど、を異なる方法で使用してデータをモデル化し、欠陥性および「良好」または「不良」バッチの予測を行った。データモデルは、いくつかの分析コンピュータ13上で実行された。いくつかの非常に好ましい実施形態では、データモデルはPLSモデルに基づいていた。これらのトレーニングされていないPLSモデル6は、導出された完成プロセス記述5ごとに利用可能な生産関連データ1を分析することができるように、適切なトレーニングデータでトレーニングされる必要があった。トレーニングデータは、利用可能な生産関連データ1および／または導出された完成プロセス記述5を使用することによって、たとえば、限定はしないが、PLSモデルが次いで見つけなければならない特定の既知の誤差を追加することによって、作成することができる。次いで、トレーニングされたPLSモデル7が分析のために使用される。最も重要な影響因子は、プロセスおよびQAエキスパートとともにさらに議論された。使用されたデータモデルおよび化学工学知識における多変量データ分析法を適用することによって、プロセスパラメータ2の最も重要な数は、1811のうちの22に絞られた。図４は、その減少の効果を示す。12個のパラメータ2は原材料21に関連し、22個のうち10個はプロセスパラメータ2に関連していた。それらは、プロセスマッピング中のプロセスフローにおける反応および蒸留に関する対応する単位操作に対してクラスタ化された。これらのパラメータ2のランダムで制御されていない組み合わせのために、いくつかの「良好」バッチおよびすべての「不良」バッチは、セキュアエリアの外になる結果となった。発見された相関は、以下の問題に到る。なぜ大部分の「良好」バッチが安全なエリアにクラスタ化されているか?

【0045】

プロセスウィンドウは、その質問に答えるために22個のプロセスパラメータ2を使用することによって生成された。プロセス専門家との議論は、経時的なプロセスウィンドウの異常な低下を理解するために行われた。プラントメンテナンスシーケンスおよびセンサ較正日の記録をチェックした。22個のプロセスパラメータ2を使用することによって開発されたモデルで見ることができたプロセスウィンドウの変化は、反応器および蒸留ユニットの定期的なメンテナンス活動をスキップすることによって生じたことが理解された。これらのプロセスユニットは、22個のプロセスパラメータ2が割り当てられたものであった。図６は、欠陥カウント測定に対する有意な影響を明らかにする「良好」および「不良」バッチ識別のための22個の最も有意なプロセスパラメータ2を示す。

【0046】

その発見により、メンテナンス活動は、問題の潜在的な根本原因として識別されることができる。装置の表面上の材料の付着物に起因するこれらの単位操作を洗浄するために、メンテナンスが実施されてきた。付着物は、反応および蒸留中の熱および物質移動の性能に影響を及ぼす。したがって、いったん毎年の洗浄プロセスおよび蒸留プレートの交換が停止されると、反応および蒸留におけるそれぞれのセンサデータについて、ある種のエージング効果が見られた。この結果として、反応ユニット内の熱交換器、蒸留ユニット内のプレート、および侵入センサの付着物を決定することができた。定期的なメンテナンスの前後のセンサ測定値を比較することによって、この効果が認められた。付着物は、言及された予測データモデルを使用する多変量データ分析を介して反応および蒸留ユニットのすべてのセンサ測定値を分析することによってさらに証明され、メンテナンス後に新しいバッチを生成することによって検証された。そうすることによって、欠陥の問題がスキップされたメンテナンスによって引き起こされたことが最終的に証明された。

【0047】

次に、これらの結果を生産サイト所有者16に提示した。必要なメンテナンスが実行されることを確実にするための是正および予防行動計画が、後に彼らによって承認された。その実施およびその後のレビューは、品質問題が首尾よく閉じられたことを示した。

【0048】

第２の好ましい例示的実施形態：
本発明の方法はまた、既存の生産プロセスにおける以前に未知であった問題を識別することによって、全く新しい生産プロセスを作成するために使用されることができ、新しい製品ラインを確立することを可能にする。これは、以下に説明される第２の好ましい例示的実施形態によって示される。

【0049】

ここでの事例は、生産サイト16でのcmpスラリーの様々な除去速度に達する必要があるこのサイト16についてである。製造された製品の除去速度は、ある範囲内である必要がある。

【0050】

データ取得ステップにおいて、利用可能な生産関連データ1が取得され、クリーンにされ、いわゆるデータレイクに統合された。このデータレイクは、適切なデータ収集コンピュータ、この場合は特定のサーバ上で実行される一種のデジタルデータプラットフォーム19として実現される。データは、生産プラント16のデータベースからのセンサデータ、温度、流量、圧力などのプロセスパラメータ2、関与する供給者17からのCofAs(分析の証明、例えば金属)からの原材料データ21、エクセルファイルからの種子粒子の粒子サイズおよび分布の測定などの追加の内部原材料質測定値を含む。バッチコンテキストは、どの生成物バッチがいつ生成されたかを意味し、OSIソフトヒストリアンおよびエクセルシートから得られた。使用日、ブレンドしたバッチ当たりの除去速度を含む性能データを、エクセルファイルを介して提供した。

【0051】

プロセスマッピングのために、プロセス概要および一般的なプロセス記述3についての説明がここでも与えられた。いくつかのプロセスチャート4も以前のプロジェクトから利用可能である。PI&Dチャートを収集し、関与するプロセスマッピングコンピュータ11に記憶した。生産のターゲットは明らかにされた。

【0052】

データマッピングステップのために、利用可能なデータ、ここでは特に分離プロセスパラメータ2がマッピングされ、関与するデータマッピングコンピュータ12を使用してプロセスマッピングからそれぞれのプロセスステップに接続された。ここでの例は、TI1234によって測定され、OSISoftヒストリアンデータベース上のタグに記憶された温度のプロセスパラメータである。これは、プロセスマッピングからのプロセス記述3から分かる反応器2内の上部温度センサに対応する。データ統合に関するさらなる疑問を明確にする必要があった。例えば、生産サイト16は、材料プロバイダ17からの２つ(場合によっては３つ)のバッチのブレンドを使用する。これは、どのデータ前処理が使用されるべきかという問題につながる。それぞれのデータセットは、生産サイト16または材料プロバイダ17からのものである。

【0053】

次いで、マッピングされたプロセスパラメータ5を有する完成したプロセス記述が分析される。このデータ5の全ては、バッチIDに基づいてマッチングされた。PLS、XGBoostなどのいくつかのデータモデルを異なる方法で使用してデータをモデル化し、除去速度の予測を行った。データモデルは、いくつかの分析コンピュータ13上で実行された。いくつかは、人工ニューラルネットワーク(ANN)技術に基づいていた。これらのトレーニングされていないニューラルネットワークの実施形態6は、前述のように、導出された完成プロセス記述5をそれぞれ利用可能な生産関連データ1でトレーニングされる必要があった。次いでトレーニングされたANN 7は、分析のために使用されることができた。最も重要な影響因子は、プロセスおよびQAの専門家と共に議論された。入力および異なるモデル結果に基づいて、最終モデルが得られ、モデルの予測性を証明するために以前に利用可能でなかった生成バッチデータに対して試験された。

【0054】

結果において、既知の影響因子が影響を有することが検証された。容易に制御することができなかった、以前には考慮されていなかったさらなるプロセスパラメータおよびその時間発展が、さらに識別され、重要であることが示された。プラント自動化への投資は、このパラメータをより良く制御するために行われた。これらの結果と、以前のプロジェクトおよびそれらの結果に基づいて、より安定した除去速度を有する製品ラインを含む新しい生産プロセスを確立することができた。

【0055】

符号の説明
1 利用可能な生産関連データ
1a 材料供給者サイトからのプロセスデータ
1b 製造業者サイトからのプロセスデータ
2 分離されたプロセスパラメータ
3 分離された一般的なプロセス記述
4 プロセスステップを有する作成されたプロセスチャート
5 マッピングされたプロセスパラメータを有する終了プロセス記述
6 トレーニングされていないニューラルネットワークまたはPLSモデル
7 トレーニングされたニューラルネットワークまたはPLSモデル
8 識別されたプロセス特性
9 作製／改良された生産プロセス
10 データ収集コンピュータ
11 プロセスマッピングコンピュータ
12 データマッピングコンピュータ
13 分析コンピュータ
14 プロセス実行コンピュータ
15 生産システム
16 製造業者サイト
17 材料供給者サイト
18 データ分析器
19 デジタルデータプラットフォーム
20a 材料供給者からの品質データ
20b 製造業者サイトからの品質データ
21 原材料データ
22a 材料供給者からの他のデータ
22b 製造業者サイトからの他のデータ
23 セキュアデータ転送コネクタ
24a 材料供給者ウェブサービス
24b 製造業者サイトウェブサービス
25 サードパーティウェブサービス

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【国際調査報告】