【研究領域課題番号】21H01704 (KAKENデータベースで見る）

【研究キーワード】

連続生産 / 医薬品 / 制御 / 異常検出 / デジタルツイン / モデル / デザインスペース / デインスペース / 機械学習

【研究成果の概要】

医薬品連続生産を対象として，医薬品の品質と生産性を最大限に引き上げられる革新的な管理戦略を構築すること，およびその管理戦略を実装するために必要な方法論と技術を開発すること，が本研究の目的である．
2021年度には，まず，連続生産プロセスのモデルとシミュレーション，および国内外における技術動向について情報収集を実施した．原料供給速度の変動が安定した医薬品連続生産を妨げる要因のひとつであることから，粉体の連続供給に利用されるツインスクリューフィーダ（TSF）に注目し，供給される粉体の特性（粒子径分布，安息角など）とTSFの運転条件を様々に変更した実験を行い，そのデータからTSFのモデルを構築した．また，連続生産を要素として含む固形剤製造プロセスのシミュレーションモデルの構築を進めると共に，様々な装置構成を網羅的に表現できるスーパーストラクチャを用いたモデルについて，その精度向上や計算アルゴリズムの改良に取り組んだ．さらに，複数工程からなる連続生産設備の実験データを用いて，製品品質を予測するための統計モデルを構築し，工程ごとのモデルを構築して繋ぎ合わせるよりも，全体を一気通貫にモデル化する方が高精度な予測ができることを明らかにし，そのモデルを用いて，柔軟な品質保証を実現するために運転可能領域を最大限に活用できるデザインスペースを構築するアルゴリズムを開発した．その上で，デザインスペースが逸脱するリスクを最小化するために，滞留時間分布モデルを用いて，上流工程での実績値に基づいて下流工程での設定値を変化させることのできるアルゴリズムを開発した．これらの要素技術開発は，医薬品連続生産の革新的な管理戦略の基盤となるものである．

【研究種目】基盤研究(B)

【研究期間】2021-04-01 - 2024-03-31

【配分額】16,900千円 (直接経費: 13,000千円、間接経費: 3,900千円)

【研究分野】メディア情報学・データベース

【研究領域課題番号】24240015 (KAKENデータベースで見る）

【研究キーワード】

データベース / 矛盾 / データ統合 / 時空間データ / Linked Data / 問合せ処理 / クラウド基盤 / 情報検索 / 情報基盤 / 地理情報システム / ユーザインターフェイス / 地球観測 / 問い合わせ処理 / 科学データ / Linked Open Data / 画像解析 / 機械学習 / 異常値検出 / Provenance / Linked　Data / 異常検出

【研究成果の概要】

本課題は、大規模な時空間データの統合において発生する「矛盾」に多角的に取り組んだもので、要素研究と実証システム開発の課題を行った。
事例として画像データとWeb上のソーシャルデータ等、矛盾を含んだ異種のデータを統合して土地利用等の知見を抽出する研究を進め、衛星画像処理より高精度な結果を実現、実証した。基盤技術としても、異種メタデータを統合して検索する技術や、それを機械学習などで解析するための連携手法等について研究し、それぞれ従来法より優れた結果を得た。原発事故関連の環境モニタリングデータを対象に国際標準に基づく統合検索の実証システムをクラウド上に構築し今後の実用化と標準化へ橋渡しできた。

【研究種目】基盤研究(A)

【研究期間】2012-04-01 - 2015-03-31

【配分額】47,060千円 (直接経費: 36,200千円、間接経費: 10,860千円)

【研究分野】航空宇宙工学

【研究領域課題番号】14750717 (KAKENデータベースで見る）

【研究キーワード】

宇宙機 / 人工衛星 / 異常検知 / データマイニング / 機械学習 / 情報可視化 / 異常検出

【研究成果の概要】

前年度の成果を引き継ぎ、本年度も、人工衛星の膨大な時系列運用データの中からシステム異常を早期発見する上で重要なパターンを抽出し、効果的に人間(専門家)に提示するためのデータマイニング手法の研究を行った。特に本年度は、新たな手法として「回帰木学習による適応的リミット値監視法」を提案し、その有効性を示した。
リミット値監視法は、従来の宇宙機健康状態監視において最も基礎的、かつ、広範に用いられている手法であるが、一般に、(1)事前に人手によって適切なリミット値を設定しなければならず、設定された値は運用期間全体を通して固定される、(2)誤警報を減らすために大きなマージンを設定することが多く、また、システムコンポーネント間の依存関係を考慮しない、などの限界があるため、きめ細かい監視には不向きで、システムの異常の兆候を早期に捕捉することが極めて困難であった。
これに対して本研究に、機械学習・データマイニングの一手法である回帰木学習法を宇宙機テレメトリデータの多次元時系列データに応用することにより、対象となるセンサー値時系列データの範囲(上限・下限)を、他の関連シンボル値時系列との依存関係に基づいて適切に予測する方法を確立した。この提案手法により、宇宙機システムの稼働状態の健全性や異常値の発生を、従来手法と比べて非常にきめ細かく監視することが可能になった。
上記の成果は国際学会等で発表されており、また、学術論文誌にも投稿予定である。

【研究種目】若手研究(B)

【研究期間】2002 - 2003

【配分額】2,900千円 (直接経費: 2,900千円)