文献

J-GLOBAL ID：201802242046082092   整理番号：18A1947508

受動的アコースティックエミッションを用いた医薬品製造中のプロセスアップセットを検出するための深層学習の応用【JST・京大機械翻訳】

An application of deep learning to detect process upset during pharmaceutical manufacturing using passive acoustic emissions

著者 (2件)： Carter Allan (Biomedical Engineering, Faculty of Engineering, The University of Western Ontario, London, ON N6A 5B9, Canada) ,  Briens Lauren (Biomedical Engineering, Faculty of Engineering, The University of Western Ontario, London, ON N6A 5B9, Canada)
資料名： International Journal of Pharmaceutics  (International Journal of Pharmaceutics)
巻： 552  号： 1-2  ページ： 235-240  発行年： 2018年 
JST資料番号： A0285B  ISSN： 0378-5173  CODEN： IJPHD  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 流動層システムの多変量特性は,生産アップセットのリスクを増加させるプロセス複雑性を作り出す。本研究では,流動層ディストリビュータ板の閉塞を検出するために,人工ニューラルネットワークと対になる受動的なアコースティックエミッションモニタリングの使用を検討した。多くの場合,早期のプロセス故障検出は即時の介入を可能にし,その結果,運転コストを下げることができる。ブロックは,トップスプレー流動層ディストリビュータプレートの部分を積極的にカバーすることによってシミュレーションした。圧電マイクロフォンを流動層排気中に置き,容器壁に外部に付着させた。いくつかの時間と周波数領域特徴ベクトルを,Pythonにおけるオープンソースpyaudi分析ライブラリを用いて,監視データから抽出した。深い学習を通して,人工ニューラルネットワークは,これらの特徴ベクトルを用いて,各ディストリビュータ板閉塞条件に対して訓練した。次に,深い学習モデルをk-折畳み交差検証を用いて評価した。これらの知見は非常に陽性で,プロセスアップセットの検出に深い学習を適用することに成功した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 圧電気 ,  流動層 ,  ディストリビュータ ,  *アコースティックエミッション ,  周波数領域 ,  排気 ,  マイクロホン ,  ニューラルネットワーク ,  信号解析 ,  閉塞 ,  故障検出
準シソーラス用語： オープンソース ,  Python ,  特徴ベクトル ,  複雑性 , 【Automatic Indexing@JST】

著者キーワード (8件)： 医薬品製造 ,  プロセス分析技術 ,  流動層コーティング ,  ディストリビュータ板 ,  パッシブアコースティックエミッション ,  深層学習 ,  人工神経回路網 ,  信号解析

分類 (2件)： 固体の乾燥機  (XD03032Q) ,  粉体工学  (XD03010M)

タイトルに関連する用語 (6件)： アコースティックエミッション ,  医薬品製造 ,  プロセス ,  アップセット ,  深層学習 ,  応用