EP1483704A2 - Verfahren und system zur automatischen planung von experimenten - Google Patents

Verfahren und system zur automatischen planung von experimenten

Info

Publication number
EP1483704A2
EP1483704A2 EP03704635A EP03704635A EP1483704A2 EP 1483704 A2 EP1483704 A2 EP 1483704A2 EP 03704635 A EP03704635 A EP 03704635A EP 03704635 A EP03704635 A EP 03704635A EP 1483704 A2 EP1483704 A2 EP 1483704A2
Authority
EP
European Patent Office
Prior art keywords
experiments
measure
quality
experiment
similarity
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.)
Withdrawn
Application number
EP03704635A
Other languages
English (en)
French (fr)
Inventor
Rolf Burghaus
Georg Mogk
Thomas Mrziglod
Peter HÜBL
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.)
Bayer Intellectual Property GmbH
Original Assignee
Bayer AG
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 Bayer AG filed Critical Bayer AG
Publication of EP1483704A2 publication Critical patent/EP1483704A2/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Definitions

  • the invention relates to a method for the automatic planning of experiments and a corresponding computer program product and a system for the automatic planning of experiments.
  • test planning In the field of statistical test planning, different types of test planning are distinguished in the prior art. In particular, a distinction is made between the classic, full-factorial method and modern Taguchi or Shainin methods.
  • Shainin-DOE Design of Experiment
  • the Taguchi DOE is based on previous, partial factorial, orthogonal test plans. Because of the drastic savings in trial runs by preselecting the most important influencing factors, this is a quick and relatively economical procedure for trial and process planning.
  • test planning are partial factorial test plans ("fractional factorial”), Plackett-Burmann test plans, central composite plans ("central composite”), box-bound test plans, D-optimal plans ("D-optimal designs”), Mixing plans, balanced block plans, Latin squares, Desperado plans (see also http://www.technischsteil.de).
  • test points are evenly distributed on a multidimensional spherical surface in order to weight the individual manufacturing parameters evenly.
  • the invention is based on the object of creating an improved method for the automatic planning of experiments and a corresponding computer program product and system.
  • the present invention makes it possible to carry out test planning for a predetermined number M of experiments by uniformly distributing the experiments in a discretized parameter space which can be restricted by constraints.
  • Expert knowledge of the user of the corresponding test planning tool can be incorporated here, namely by defining a measure of similarity between two different experiments and by defining a measure of evaluation for individual experiments.
  • the use of the present invention is particularly advantageous for the test planning for data acquisition for the training of neural networks or hybrid neural networks with rigorous model components.
  • a uniform distribution of the test planning in the relevant space can be achieved with the invention, so that a neural network or a hybrid neural network can be trained with a relatively small number of test data.
  • a particular advantage compared to the test planning program known from the prior art is that, in principle, any boundary conditions for the type of experiments can be specified.
  • prior knowledge - for example structural information about a process to be modeled - can already be taken into account when planning the experiment.
  • a similarity measure represents a numerical value for the similarity or dissimilarity of two experiments.
  • the background to this is that the experiments to be planned should be chosen so that they are as dissimilar as possible. What similarity or dissimilarity for a particular
  • Trial means can be defined by the user via the definition of the similarity measure.
  • an evaluation measure with regard to the evaluation of individual experiments can be specified by the user.
  • criteria can be included in this assessment measure, such as the conditions of the test facility, costs for carrying out an experiment, the time required to carry out an experiment, etc.
  • certain parameter combinations such as high pressure and high temperature can damage the Run a test facility so that such "forbidden" parameter combinations are provided with an appropriate evaluation.
  • the similarity and evaluation measures defined in this way are incorporated into a quality measure which combines the similarity measure and the evaluation measure with one another. Based on the quality measure, those experiments for which the quality measure takes an extreme value are then determined according to the invention. Depending on the choice of the similarity measure and evaluation measure and the choice of the respective sign, this extreme value is a maximum or a minimum of the quality measure.
  • the similarity measure is based on the Euclidean distance between two experiments in a parameter space.
  • Each experiment is defined by a vector which contains the parameter values of the various test variables for this specific experiment.
  • This parameter space is preferably discretized, ie the parameter values can only assume certain discrete values.
  • the distance between two experiments is e.g. as the Euclidean distance of the parameter vectors of the considered experiments.
  • a reciprocal Euclidean distance between two experiments is preferably defined as a measure of similarity.
  • an exponential function can be defined as a measure of similarity, which has the reciprocal Euclidean distance of two experiments as exponents. Further definitions of similarity measures are possible depending on the respective test scenario.
  • the evaluation measure can also be defined in the form of a formula. Alternatively, the evaluation measure can also be defined in the form of a table or the like.
  • the similarity measures of all pairings of parameter vectors are calculated and added to calculate the quality measure.
  • the evaluation measures are calculated for all the experiments under consideration.
  • the summed similarity measures and the summed evaluation measures are then added or subtracted depending on the definition of the similarity and evaluation measures. This addition or subtraction then results in the quality measure which is to be minimized or maximized.
  • experiments already carried out are also used for the calculation of the similarity measure and the evaluation measure. For example, if a number N experiments have already been performed, M new experiments are searched in the discrete parameter space. The quality measure is then calculated based on the N experiments already performed and the M new experiments in order to select the M new experiments.
  • the extreme value of the quality measure is determined using a Monte Carlo method.
  • a genetic algorithm or another suitable numerical optimization method are used.
  • test planning program is connected to the system control, so that the test planning program
  • Parameter vectors of the experiments found can be transferred to the controller.
  • FIG. 1 shows a flow diagram of a first embodiment of the method for the automatic planning of experiments
  • FIG. 2 shows a second embodiment based on Monte Carlo optimization
  • FIG. 3 is a block diagram of an embodiment of an inventive
  • FIG. 1 shows a flow chart for the automatic planning of experiments.
  • the experiments are to be planned in a d-dimensional parameter space.
  • J mitj e (l..n,) ie (l ..d) are specified for the individual coordinates.
  • n denotes the number of possible settings for the coordinate i.
  • this d-dimensional parameter space is defined with its discretizations.
  • step 2 the number M of experiments to be planned is entered.
  • step 3 a similarity measure R of two experiments is entered.
  • the similarity measure R is defined such that the more similar two experiments are, the greater the similarity measure.
  • One possibility for defining the similarity measure R of two experiments xi and x 2 is given below:
  • an evaluation measure S of an individual experiment x is then entered.
  • the function S (x) can be stored, for example, in the form of a table. In addition to the boundary conditions specified by the test facility, other criteria, such as, for example, the time and / or cost involved in carrying out a particular experiment, can also be represented using the evaluation measure S.
  • the evaluation measure S in the form of a function or table is chosen such that the larger the more desirable an individual experiment is, the more desirable it is.
  • step 5 this results in a quality measure Q, which is based on the similarity measure R and the evaluation measure S.
  • a minimum of the quality measure Q is determined, that is to say a selection of M experiments from the parameter space, so that Q becomes minimal and thus the quality reaches a maximum.
  • test planning problem solved in step 6 is therefore formal:
  • step 7 the M experiments determined in step 6 are output.
  • test planning it is particularly advantageous in this embodiment of the test planning according to the invention that, on the one hand, the experiments to be carried out and existing differ from one another as much as possible and, on the other hand, that they are each individually desired if possible.
  • This structural approach allows complex solving the most delicate test planning problems by formulating the measure for the difference between two experiments in a way that is adapted to the problem and, for example, implementing additional conditions through individual evaluation of experiments. If you have defined the measure for the difference or similarity and the individual evaluation function, ie the evaluation measure, the test planning is reduced to an optimization problem, which can be solved with mathematical aids.
  • test planning problems Some examples of different types of test planning problems and their implementation using the method according to the invention are described below:
  • the invention not only allows experiments to be planned which differ as much as possible, but also an individual evaluation of experiments is carried out via the evaluation measure S.
  • "hard” constraints on experiments to be carried out can be specified. For example, criteria can be specified which must be or must not be fulfilled in all experiments.
  • the experiments are evenly distributed in the space restricted in this way. This possibility in particular allows that certain types of experiments are excluded from the outset.
  • experiments are planned that allow a model to be created that can distinguish between good and bad operating conditions.
  • a sequence of new experiments is planned, which specifically examine the range of desired operating states. This is realized with the help of the evaluation measure S.
  • S the evaluation measure
  • the model can be improved in the interesting parameter areas and a new series of tests can now be created with more ambitious process quality specifications. This process is repeated until the optimum state of the process has been found with the desired accuracy.
  • a possible method for solving the optimization problem that is, for choosing M experiments so that the quality measure Q takes an extreme value, is the Monte Carlo method.
  • FIG. 2 shows an embodiment with regard to the implementation of a
  • step 8 a number of M experiments are arbitrarily selected from the parameter space. Furthermore, a quality difference ⁇ is initialized. In step 9, an experiment is then arbitrarily selected from these M experiments. In step 10, the quality measure Q is calculated for the test plan with this experiment.
  • step 11 a coordinate of this experiment is selected arbitrarily. If the coordinate is ordinal, it is preferably increased or decreased by one step at random; if the coordinate is categorical, it will be chosen at random. This is done in step 12.
  • step 13 the quality measure Q 'is calculated for the selected experiment with the varied coordinate.
  • step 14 the quality measures Q and
  • step 15 the experiment selected in step 9 is replaced by this selected experiment with the varied coordinate.
  • the quality difference ⁇ is then reduced. If, on the other hand, the quality has deteriorated significantly, the experiment originally selected in step 9 is retained. In this case too, the quality difference ⁇ can be reduced. Steps 9 to 14 and optionally 15 are repeated until an abort condition is reached.
  • the value of ⁇ is continuously reduced to zero.
  • a termination condition can be a maximum number of iterations; Another choice of a termination condition is when the quality measure Q no longer changes or does not change significantly. This way and
  • a minimum of the quality measure Q and thus the M experiments sought can thus be determined (cf. step 6 of FIG. 1).
  • FIG. 3 shows a block diagram of an embodiment of a system according to the invention.
  • the system includes a test facility 30 for carrying out the experiments.
  • the experimental system 30 is controlled by a controller 31.
  • a computer 32 is connected to the controller 31 and has a computer program 33 for carrying out the test planning.
  • the computer program 33 contains a function 34 for calculating the similarity measure and a function 35 for calculating the evaluation measure (cf. steps 3 and step 4 of the figure
  • the computer program 33 has an adaptation module 44 for adapting the evaluation measure 35 to the results of the experiments 39 carried out.
  • the termination module 45 is also provided for the cyclic operation of the system, so that the method ends when a predefined termination criterion is reached.
  • the computer program 33 contains a function 36 for calculating the quality measure based on the functions 34 and 35 (cf. step 5 of FIG. 1).
  • the computer program 33 also contains an image 37 of the discrete parameter space X (cf. step 1 of FIG. 1).
  • the computer program also includes
  • the computer 32 also has a memory 39 for storing the parameter vectors from previous experiments. On this memory 39, the
  • the computer 32 also has a user interface 40, via which a user can use a screen 41 to enter the functions 34, 35 and / or 36 as well as an adaptation scheme into the adaptation module 44 and an abort criterion into the termination module 45.
  • the user can also specify the parameter space 37 via the user interface 40.
  • the experiments can be automatically planned by the computer program 33.
  • the program module 38 accesses the memory 39 and the function 36 in order to optimize them, that is to say to find a number of M experiments in such a way that the quality measure takes an extreme value.
  • the parameter vectors of the M experiments to be carried out are available. These parameter values are transmitted to the controller 31 as a file 42, which has the form of a matrix, for example.
  • the controller 31 makes the corresponding settings in the test installation so that the individual M experiments are carried out.
  • the controller 31 determines the measurement results of interest from the test system 30 and combines them into a file 43 which is automatically transmitted to the computer 23.
  • the user of the computer 32 can open the file 43 and, if necessary, analyze it using further software.
  • Memory 39 transferred, so that they are used in a subsequent planning for the evaluation of functions 34, 35 and / or 36.
  • the computer program 33 can adapt the evaluation measure 35 with the aid of the adaptation module 44.
  • the system plans the new test series and transmits the experiments to the control system 31. This is repeated cyclically until a predefined reduction criterion (termination module 45) is met, or the method is ended through user intervention via user interface 40.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Complex Calculations (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur automatischen Planung von Experimenten mit folgenden Schritten: Eingabe eines Ähnlichkeitsmaß zweier Experimente, Eingabe eines Bewertungsmaß für ein individuelles Experiment, Bestimmung eines Qualitätsmaß basierend auf dem Ähnlichkeitsmaß und dem Bewertungsmaß, Auffinden einer Anzahl von Experimenten, bei denen das Qualitätsmaß einen Extremwert annimmt.

Description

Verfahren und System zur automatischen Planung von Experimenten
Die Erfindung betrifft ein Verfahren zur automatischen Planung von Experimenten sowie ein entsprechendes Compute rogrammprodukt und ein System zur automatischen Planung von Experimenten.
Aus dem Stand der Technik sind verschiedene Verfahren zur Planung von Experimenten und Versuchen bekannt. Die Begriffe „Experiment" und „Versuch" werden im Weiteren synonym verwendet.
Aus dem Stand der Technik ist es bekannt, Versuche mittels statistischer Versuchsplanungsverfahren zu planen. Solche Planungsverfahren werden unter anderem dazu benutzt, mit einer minimalen Anzahl von Versuchen ein empirisches Prozessmodell für den Zusammenhang zwischen den Regel- und Störgrößen in einem Prozess und den resultierenden Produkt- und Prozesseigenschaften zu ermitteln. Eine solche statistische Versuchsplanung lässt sich beispielsweise mit Hilfe des Computerprogramms „STAVEX" (STAtistische Versuchsplanung mit EXpertensystem) durchfuhren. Ein weiteres kommerziell erhältliches Computeφrograrnm für die Versuchspla- nung ist das Programm „Statistica®", StatSoft (Europe) GmbH.
Im Bereich der statistischen Versuchsplanung werden im Stand der Technik verschiedene Versuchsplanungstypen unterschieden. Insbesondere unterscheidet man zwischen der klassischen, vollfaktoriellen Methode und modernen Verfahren nach Taguchi oder Shainin.
Die klassische, vollfaktorielle Methode ist der Ursprung aller statistischen Versuchsplanungsmethoden. Sie basiert auf einem Vergleich aller qualitätsbedingenden Faktoren miteinander in Anlehnung an die Variarizanalyse. Zahlreiche Varianten wurden im Laufe der vergangenen Jahrzehnte erarbeitet und in Forschungs- und Entwicklungslabors validiert. Aus Kostengründen finden jedoch überwiegend die modernen Verfahren nach Taguchi und Shainin Anwendung.
Das Shainin-DOE (DOE = Design of Experiment) gilt als geeignetes Verfahren für die Prozessoptimierung, weil es sogenannte „starke" Einflussgrößen isoliert und diese auf Relevanz und Abhängigkeit untersucht.
Das Taguchi-DOE basiert auf vorangegangenen, teilfaktoriellen, orthogonalen Ver- suchsplänen. Wegen der drastischen Versuchslaufeinsparungen durch Vorauswahl der wichtigsten Einflussgrößen handelt es sich hierbei um ein schnelles und relativ wirtschaftliches Verfahren der Versuchs- und Prozessplanung.
Weitere bekannte statistische Versuchsplanungstypen sind teilfaktorielle Versuchs- plane ("fractional factorial"), Plackett-Burmann Versuchspläne, Zentral-zusammengesetzte Pläne („central composite"), Box-Behnken Versuchspläne, D-optimale Pläne („D-optimal Designs"), Mischungspläne, Balancierte Blockpläne, Lateinische Quadrate, Desperado Pläne (vgl. hierzu auch http://www.versuchsplanung.de).
Weitere Versuchsplanungsverfahren sind bekannt aus Hans Bendemer, „Optimale
Versuchsplanung", Reihe Deutsche Taschenbücher (DTB, Band 23, und ISBN 3- 87144-278-X) sowie Wilhelm Kleppmann, Taschenbuch Versuchsplanung, „Produkte und Prozesse optimieren" 2., erweitere Auflage, ISBN: 3-446-21615-4.
Ferner ist aus der US 6,009,379 ein Verfahren zur Steuerung eines Herstellungsprozesses über ein effizientes experimentelles Design bekannt. Dabei werden Versuchs- Punkte gleichmäßig auf einer mehrdimensionalen Kugeloberfläche verteilt, um die einzelnen Herstellungsparameter gleichmäßig zu gewichten. Der Erfindung liegt die Aufgabe zu Grunde ein verbessertes Verfahren zur automatischen Planung von Experimenten sowie ein entsprechendes Computeφrogramm- produkt und System zu schaffen.
Die der Erfindung zu Grunde liegende Aufgabe wird mit den Merkmalen der unabhängigen Patentansprüche jeweils gelöst. Bevorzugte Ausführungsformen der Erfindung sind in den abhängigen Patentansprüchen angegeben.
Die vorliegende Erfindung erlaubt es, eine Versuchplanung für eine vorgegebene Anzahl M von Experimenten durch gleichmäßige Verteilung der Experimente in einem diskretisierten und durch Nebenbedingungen einschränkbaren Parameterraum durchzuführen. Expertenwissen des Nutzers des entsprechenden Versuchsplanungs- werkszeugs kann dabei einfließen, und zwar über die Definition eines Ähnlichkeitsmaßes zwischen zwei verschiedenen Experimenten sowie die Definition eines Be- wertungsmaßes für individuelle Experimente.
Hierdurch ist eine sehr hohe Flexibilität in der Spezifikation der durchzuführenden Experimente und der Frage, welche Experimente aus Prozesssicht als ähnlich bzw. unähnlich betrachtet werden, erreichbar. Ein weiterer Vorteil ist, dass für die Ver- Suchsplanung auch bereits durchgeführt Experimente berücksichtigt werden können.
Besonders vorteilhaft ist der Einsatz der vorliegenden Erfindung für die Versuchplanung zur Datengewinnung für das Training von neuronalen Netzen oder hybriden neuronalen Netzen mit rigorosen Modellanteilen. Insbesondere ist mit der Erfindung eine gleichmäßige Verteilung der Versuchsplanung in dem relevanten Raum erreichbar, so dass ein neuronales Netz oder ein hybrides neuronales Netz mit einer relativ geringen Anzahl von Versuchsdaten trainiert werden kann. Dies ermöglicht eine sehr signifikante Einsparung von Zeit und Kosten für die Durchführung von Versuchen zur Gewinnung einer solchen Datenbasis, da sich die Anzahl der für das Training erforderlichen Versuche durch die Erfindung optimieren lässt. Von besonderem Vorteil im Vergleich zu aus dem Stand der Technik bekannten Ver- suchsplanungsprogramm ist, dass im Prinzip beliebige Randbedingungen an die Art der Experimente vorgegeben werden können. Darüber hinaus kann über die Bewertung der Verschiedenheit zweier Experimente Vorwissen - zum Beispiel Strukturin- formationen über einen zu modellierenden Prozess - bereits bei der Versuchplanung berücksichtigt werden.
Ein weiterer besonderer Vorteil der Erfindung ist darin zu sehen, dass die Bewertung eines Kollektivs von Experimenten und die Bewertung individueller Experimente mittels voneinander verschiedener Maße erfolgt:
Zum einen wird ein Ähnlichkeitsmaß definiert, welches einen numerischen Wert fiir die Ähnlichkeit bzw. Unähnüchkeit zweiter Experimente darstellt. Hintergrund ist dabei, dass die zu planenden Experimente so gewählt werden sollen, dass sie mög- liehst unähnlich sind. Was Ähnlichkeit bzw. Unähnüchkeit für einen bestimmten
Versuch bedeutet, ist dabei von dem Nutzer über die Definition des A-hnlichkeits- maßes definierbar.
Getrennt davon ist ein Bewertungsmaß hinsichtlich der Bewertung individueller Ex- perimente durch den Nutzer vorgebbar. In dieses Bewertungsmaß können unterschiedlichste Kriterien einfließen, wie zum Beispiel Gegebenheiten der Versuchsanlage, Kosten für die Durchfuhrung eines Experiments, die für die Durchführung eines Experiments erforderliche Zeit, etc. Beispielsweise können bestimmte Parameterkombinationen wie gleichzeitig hoher Druck und hohe Temperatur zu einer Beschä- digung der Versuchsanlage führen, so dass solche „verbotenen" Parameterkombinationen mit einer entsprechenden Bewertung versehen werden.
Die so definierten Ähnlichkeits- und Bewertungsmaße gehen in ein Qualitätsmaß ein, welches das Ähnlichkeitsmaß und das Bewertungsmaß miteinander kombiniert. An- hand des Qualitätsmaßes werden dann erfindungsgemäß diejenigen Experimente bestimmt, für die das Qualitätsmaß einen Extremwert annimmt. Je nach der Wahl von Ähnlichkeitsmaß und Bewertungsmaß und der Wahl der jeweiligen Vorzeichen handelt es sich bei diesem Extremwert um ein Maximum oder um ein Minimum des Qualitätsmaßes.
Nach einer bevorzugten Ausführungsform der Erfindung basiert das Ähnlichkeitsmaß auf dem euklidischen Abstand zweier Experimente in einem Parameterraum. Jedes Experiment wird durch einen Vektor definiert, der die Parameterwerte der verschiedenen Versuchs- Variablen für -dieses konkrete Experiment beinhaltet. Vorzugsweise ist dieser Parameterraum diskretisiert, das heißt die Parameterwerte können nur bestimmte diskrete Werte annehmen. Der Abstand zweier Experimente ergibt sich also z.B. als euklidischer Abstand der Parametervektoren der betrachteten Experimente.
Vorzugsweise wird als Ähnlichkeitsmaß ein reziproker euklidischer Abstand zwischen zwei Experimenten definiert. Ferner kann als Ahnlichkeitsmaß eine expo- nentielle Funktion definiert werden, die den reziproken euklidischen Abstand zweier Experimente als Exponenten hat. Weitere Definitionen von Ähnlichkeitsmaßen sind in Abhängigkeit von dem jeweiligen Versuchszenario möglich.
Auch das Bewertungsmaß kann in Form einer Formel definiert werden. Alternativ kann das Bewertungsmaß auch in Form einer Tabelle oder dergleichen festgelegt werden.
Nach einer bevorzugten Ausfuhrungsform der Erfindung werden zur Berechnung des Qualitätsmaßes die Ähnlichkeitsmaße sämtlicher Paarungen von Parametervektoren berechnet und summiert. Ferner werden die Bewertungsmaße für alle betrachteten Experimente berechnet. Die summierten Ähnlichkeitsmaße und die summierten Bewertungsmaße werden dann - je nach der Definition des Ähnlichkeits- und des Bewertungsmaß - addiert oder subtrahiert. Aus dieser Addition oder Subtraktion ergibt sich dann das Qualitätsmaß, welches zu minimieren bzw. zu maximieren ist. Nach einer bevorzugten Ausführungsform der Erfindung werden für die Berechnung des Ähnlichkeitsmaßes und des Bewertungsmaßes auch bereits durchgeführte Experimente mit herangezogen. Wenn zum Beispiel eine Anzahl N Experimente bereits durchgeführt worden ist, werden M neue Experiment in dem diskreten Parameter- räum gesucht. Das Qualitätsmaß wird dann basierend auf den N bereits durchgeführten Experimenten und den M neuen Experimenten berechnet, um die M neuen Experimente zu selektieren.
Nach einer weiteren bevorzugten Ausführungsform wird der Extremwert des Quali- tätsmaßes mittels eines Monte-Carlo Verfahrens bestimmt. Alternativ kann z.B. ein genetischer Algorithmus oder ein anderes geeignetes numerisches Optimierungsverfahren zum Einsatz kommen.
Nach einer weiteren bevorzugten Ausführungsform der Erfindung ist das Versuchs- planungsprogramm mit der Anlagensteuerung verbunden, so dass unmittelbar die
Parametervektoren der aufgefundenen Experimente an die Steuerung übertragen werden können.
Im Weiteren werden bevorzugte Ausführungsbeispiele der Erfindung mit Bezug- nähme auf die Zeichnungen näher erläutert. Es zeigen:
Figur 1 ein Flussdiagramm einer ersten Ausführungsform des Verfahrens zur automatischen Planung von Experimenten,
Figur 2 ■ eine zweite Ausführungsform basierend auf Monte-Carlo Optimierung,
Figur 3 ein Blockdiagramm einer Ausführungsform eines erfindungsgemäßen
Systems für die automatische Planung mit einem Computeφro- grammprodukt für die Durchführung der Planung, Die Figur 1 zeigt ein Flussdiagramm für die automatische Planung von Experimenten.
Die Experimente sollen in einem d-dimensionalen Parameterraum geplant werden.
Für die einzelnen Koordinatien werden Diskretisierungen J mitj e (l..n,) ie (l ..d) vorgegeben. Hier bezeichnet n, die Anzahl der möglichen Einstellung für die Koordinate i.
In dem Schritt 1 des Verfahrens wird dieser d-dimensionale Parameterraum mit sei- nen Diskretisierungen definiert.
In dem Schritt 2 erfolgt die Eingabe der Anzahl M der zu planenden Experimente.
Der Experimentator hat also die Möglichkeit die Anzahl der neu durchzuführenden
Experimente vorzugeben.
In dem Schritt 3 erfolgt die Eingabe eines Ähnlichkeitsmaßes R zweier Experimente.
Beispielsweise wird das Ahnlichkeitsmaß R so definiert, dass das Ähnlichkeitsmaß umso größer ist, je ähnlicher zwei Experimente sind. Eine Möglichkeit zur Definition des Ähnlichkeitsmaßes R zweier Experimente xiund x2 ist im Folgendem angege- ben:
mit einer monton wachsenden Funktion ' , z.B. z = eχP(z) oder •> (z) = z .
In dem Schritt 4 wird dann ein Bewertungsmaß S eines individuellen Experiments x, eingegeben. Dieses Bewertungsmaß S dient zur Bewertung einzelner Experimente, die mit der Diskretisierung X verträglich sind. Beispielsweise gilt im Falle S (x) = -∞ das Experiment als verboten, da es beispielsweise zu einer Beschädigung der Ver- suchsanlage führen würde. Erlaubte Experimente werden dagegen mit einem höheren Wert S bewertet. Die Funktion S (x) lässt sich beispielsweise in Form einer Tabelle ablegen. Neben den durch die Versuchsanlage vorgegebenen Randbedingungen lassen sich auch andere Kriterien, wie zum Beispiel Zeit- und / oder Kostenaufwand für die Durchführung eines bestimmten Experiments mittels des Bewertungsmaßes S abbilden.
Im Allgemeinen wird das Bewertungsmaß S in Form einer Funktion oder Tabelle so gewählt, dass es um so größer ist, desto erwünschter ein individuelles Experiment ist.
In dem Schritt 5 ergibt sich daraus ein Qualitätsmaß Q, welches auf dem Ähnlichkeitsmaß R und dem Bewertungsmaß S basiert. In dem Schritt 6 wird ein Minimum des Qualitätsmaßes Q ermittelt, das heißt eine Wahl von M-Experimenten aus dem Parameterraum, so dass Q minimal wird und damit die Qualität ein Maximum erreicht.
Das in dem Schritt 6 gelöste Versuchsplanungsproblem ist also formal:
Gegeben sind N existierende Experimente XI,..N- Gesucht werden M neue Experimente XfN+n .. fN+ivφ» die verträglich sind mit der Diskretisierung X, für die gilt S(x ≠ -∞ und die
>≠J
minimieren.
In dem Schritt 7 werden die in dem Schritt 6 ermittelten M-Experimente ausgegeben.
Von besonderem Vorteil bei dieser Ausführungsform der erfindungsgemäßen Versuchsplanung ist, dass sich zum einen die durchzuführenden und existierenden Expe- rimente untereinander möglichst stark unterscheiden und dass sie zum anderen möglichst je individuell erwünscht sind. Dieser strukturelle Ansatz erlaubt es, kompli- zierteste Versuchsplanungsprobleme zu lösen, indem das Maß für die Unterschiedlichkeit zweier Experimente problemangepasst formuliert wird und zum Beispiel Nebenbedingungen über individuelle Bewertungen von Experimenten implementiert werden. Hat man das Maß für die Unterschiedlichkeit bzw. Ähnlichkeit und die indi- viduelle Bewertungsfunktion, das heißt das Bewertungsmaß, definiert, so ist die Versuchsplanung auf ein Optimierungsproblem reduziert, welches mit mathematischen Hilfsmitteln zu lösen ist.
Im Weiteren sind einige Beispiele für verschiedene Arten von Versuchsplanungs- problemen und deren Umsetzung mit der erfindungsgemäßen Methode beschrieben:
„harte" Nebenbedingungen an individuelle Versuche:
Die Erfindung erlaubt es nicht nur Versuche zu planen, die sich möglichst stark unterscheiden, sondern es geht über das Bewertungsmaß S auch eine individuelle Bewertung von Versuchen ein. Auf diese Weise lassen sich „harte" Nebenbedingungen an durchzuführende Experimente vorgeben. Es können beispielsweise Kriterien spezifiziert werden, die bei allen Experimenten erfüllt sein müssen oder nicht erfüllt sein dürfen. Die Experimente werden in dem so eingeschränkten Raum gleichmäßig verteilt. Diese Möglichkeit erlaubt es insbesondere, dass bestimmte Arten von Experimenten von vornherein ausgeschlossen werden. Eine Realisierungsmöglichkeit hierfür ist, dass ein „verbotenes" Experiment Bewertungsmaß S = -∞ erhält.
- Prozesse mit verschiedenen „Kategorien"
Angenommen es sollen Experimente zur Auslegung eines Prozesses geplant werden, bei denen gewöhnliche kontinuierliche Werte, etwa ein Druck und eine Temperatur, verändert werden können. Darüber hinaus soll zum Beispiel der Zusatz verschiedener alternativer Additive oder Anlagen(teile) untersucht werden. Die Ähnlichkeit zweier Experimente sollte in folgender Weise defi- niert werden: Versuche mit unterschiedlichen Additiven / Anlagen(teilen) werden grundsätzlich als äußerst unähnlich bewertet, da diese nicht vergleichbar sind. Bei Versuchen mit gleichem Additiv wird die Ähnlichkeit durch die Unterschiede bei Druck und Temperatur gegeben.
Rezepturen
Bei Versuchsplanungen zur Optimierung von Rezepturen müssen z.B. bei gegebenen Ausgangsstoffen deren Mengen experimentell variiert werden. Hier kann man entweder eine Versuchsplanung über die Verhältnisse der eingeworfenen Stoffmengen beschreiben oder man formuliert die Rezeptur direkt über die Einwaagen und fordert als Randbedingung das Aufsummieren zu 100 % (-» harte Nebenbedingung).
Prozesse mit mehreren Zielgrößen / unvollständige Daten:
Interessante Fragestellungen für eine Versuchsplanung ergeben sich, wenn bereits experimentelle Daten vorliegen, diese aber unvollständig sind. D. h., es sind entweder bei einzelnen Experimenten nicht alle Parameter protokol- liert oder aber nicht alle Zielgrößen (z. B. Produktqualitätseigenschaften) bestimmt worden. Für die Bewertung neu durchzuführender Experimente ist es entscheidend festzustellen, ob bereits ein ähnliches Experiment existiert.
Die Antwort auf diese Frage hängt davon ab, welche Zielgröße beschrieben werden soll. Ist für ein gegebenes Experiment eine Zielgröße nicht bestimmt worden, so ist dieses Experiment für die Modellierung der nicht gemessenen Zielgröße nicht verwendbar. Es sollte also bei der Planung neuer Experimente gefordert werden, dass diese bzgl. möglichst vieler Ausgangsgrößen neue Informationen liefern. Technisch kann dies realisiert werden, indem der Ab- stand zu den existierenden Experimenten für alle Zielgrößen separat bestimmt und anschließend über die Zielgrößen gemittelt wird. Versuchsplanung mit strukturellem Vorwissen:
Wenn über einen Prozess strukturelles Vorwissen vorliegt, dann beeinflusst dieses Vorwissen die Frage, welche Experimente als ähnlich oder unähnlich anzusehen sind. In manchen Fällen ist es möglich, aus den primären Prozessparametern abgeleitete Größen zu berechnen, die die Mechanismen des Prozesses charakterisieren (sekundäre Prozessgrößen). Das Ähnlichkeitsmaß R wird dann so implementiert, dass zunächst aus den primären Größen die se- kundären berechnet werden, um daraus die Ähnlichkeit zu bestimmen.
Experimente zur Optimierung:
In vielen Fällen wird man (schon aus Gründen experimenteller Kapazität) nicht an der vollständigen Modellierung eines Prozesses interessiert sein. Man möchte vielmehr experimentell einen optimalen Betriebspunkt bestimmen. In einem solchen Fall wird man iterativ vorgehen.
In einem ersten Schritt werden Experimente geplant, die es erlauben, ein Mo- dell zu erstellen, dass zwischen guten und schlechten Betriebszuständen unterscheiden kann. Basierend auf diesem Modell wird eine Sequenz neuer Experimente geplant, die gezielt den Bereich erwünschter Betriebszustände feiner untersuchen. Dies wird mit Hilfe des Bewertungsmaßes S realisiert. Mit den so gewonnenen Daten kann das Modell in den interessanten Parameter- bereichen verbessert werden und eine erneute Versuchsserie jetzt mit ambiti- onierteren Vorgaben an die Prozessqualität erstellt werden. Dieser Vorgang wird wiederholt, bis man den Optimalzustand des Prozesses in gewünschter Genauigkeit gefunden hat. Ein mögliches Verfahren zur Lösung des Optimierungsproblems, das heißt zur Wahl von M Experimenten, so dass das Qualitätsmaß Q einen Extremwert annimmt, ist die Monte-Carlo Methode.
Die Figur 2 zeigt eine Ausführungsform hinsichtlich der Implementierung einer
Monte-Carlo Methode zur Lösung des Optimierungsproblems.
In dem Schritt 8 wird eine Anzahl .von M Experimenten willkürlich aus dem Parameterraum gewählt. Ferner wird eine Qualitätsdifferenz ε initialisiert. Aus diesen M Experimenten wird dann wiederum in dem Schritt 9 ein Experiment willkürlich herausgegriffen. In dem Schritt 10 wird das Qualitätsmaß Q für den Versuchsplan mit diesem Experiment berechnet.
In dem Schritt 11 wird eine Koordinate dieses Experiments willkürlich ausgewählt. Ist die Koordinate ordinal, so wird sie vorzugsweise zufällig um einen Schritt erhöht oder erniedrigt; ist die Koordinate kategoriell, so wird sie zufällig neu gewählt. Dies erfolgt in dem Schritt 12.
In dem Schritt 13 wird für das gewählte Experiment mit der variierten Koordinate das Qualitätsmaß Q' berechnet. In dem Schritt 14 werden die Qualitätsmaße Q und
Q' miteinander verglichen. Ist Q' < Q+ε, so bedeutet das, dass die Qualität des gewählten Experiments mit der variierten Koordinate nicht wesentlich schlechter ist als die Qualität des unveränderten gewählten Experiments.
In diesem Fall wird in dem Schritt 15 das in dem Schritt 9 gewählte Experiment durch dieses gewählte Experimente mit der variierten Koordinate ersetzt. Die Qualitätsdifferenz ε wird dann reduziert. Wenn sich dagegen die Qualität wesentlich verschlechtert hat, so wird das ursprünglich in dem Schritt 9 gewählte Experiment beibehalten. Auch in diesem Fall kann die Qualitätsdifferenz ε reduziert werden. Die Schritte 9 bis 14 und gegebenenfalls 15 werden solange wiederholt, bis eine Abbruchbedingung erreicht ist. Es wird dabei der Wert von ε kontinuierlich auf null reduziert. Eine Abbruchbedingung kann zum Beispiel eine maximale Anzahl von Iterationen sein; eine andere Wahl einer Abbruchbedingung ist, wenn sich das Qualitätsmaß Q nicht mehr oder nicht mehr wesentlich ändert. Auf diese Art und
Weise lässt sich also ein Minimum des Qualitätsmaßes Q und damit die gesuchten M Experimente ermitteln (vgl. Schritt 6 der Figur 1).
Die Figur 3 zeigt ein Blockdiagramm einer Ausführungsform eines erfmdungsgemä- ßen Systems. Das System beinhaltet eine Versuchs-Anlage 30 für die Durchführung der Experimente. Die Versuchs- Anlage 30 wird von einer Steuerung 31 gesteuert. Mit der Steuerung 31 ist ein Computer 32 verbunden, der für die Durchführung der Versuchsplanung ein Computeφrogramm 33 aufweist. Das Computeφrogramm 33 beinhaltet eine Funktion 34 zur Berechnung des Ähnlichkeitsmaßes und eine Funk- tion 35 zur Berechnung des Bewertungsmaßes (vgl. Schritte 3 und Schritt 4 der Figur
!)•
Um einen automatisierten, zyklischen Betrieb des Gesamtsystems zu ermöglichen verfügt das Computeφrogramm 33 über ein Adaptionsmodul 44 zur Adaption des Bewertungsmaßes 35 an die Ergebnisse der durchgeführten Experimente 39.
Femer ist für den zyklischen Betrieb des Systems das Terminierungsmodul 45 vorgesehen, dass das Verfahren bei erreichen eines vordefinierten Abbruchkriteriums beendet.
Ferner beinhaltet das Computeφrogramm 33 eine Funktion 36 zur Berechnung des Qualitätsmaßes basierend auf den Funktionen 34 und 35 (vgl. Schritt 5 der Figur 1).
Das Computeφrogramm 33 beinhaltet ferner eine Abbildung 37 des diskreten Para- meterraums X (vgl. Schritt 1 der Figur 1). Ferner beinhaltet des Computeφrogramm
33 ein Programmmodul 38 für die Berechnung eines Extremwerts des Qualitäts- maßes mittels der Funktion 36, das heißt für die Wahl von M Experimenten, so dass das Qualitätsmaß einen Extremwert annimmt.
Der Computer 32 hat ferner einen Speicher 39 für die Speicherung der Parameter- vektoren von zuvor durchgeführten Experimenten. Auf diesen Speicher 39 kann das
Computeφrogramm 33 für die Extremwertberechnung mit dem Programmmodul 38 zugreifen.
Der Computer 32 hat femer eine Nutzerschnittstelle 40, über die ein Nutzer über ei- nen Bildschirm 41 die Funktionen 34, 35 und / oder 36 sowie ein Adaptionsschema in das Adaptionsmodul 44 und eine Abbruchkriterium in das Terminierungsmodul 45 eingeben kann. Femer kann der Nutzer auch den Parameterraum 37 über die Nutzerschnittstelle 40 spezifizieren.
Nachdem der Nutzer die Funktionen 34, 35 und / oder 36 spezifiziert hat und nachdem eine Spezifizierung des Parameterraums 37 angegeben worden ist, kann die automatische Planung der Experimente durch das Computeφrogramm 33 erfolgen. Hierzu greift das Programmmodul 38 auf den Speicher 39 und die Funktion 36 zu, um diese zu optimieren, das heißt eine Anzahl von M-Experimenten so zu finden, dass das Qualitätsmaß einen Extremwert annimmt.
Nach der Lösung dieses Optimierungsproblems beispielsweise mit Hilfe eines Monte-Carlo Verfahrens (vgl. Figur 2) oder eines genetischen oder evolutionären Algorithmus oder mittels eines anderen mathematischen Optimierungsverfahrens liegen die Parametervektoren der M durchzuführenden Experimente vor. Diese Parameterwerte werden als eine Datei 42, die beispielsweise die Form einer Matrix hat, an die Steuerung 31 übertragen. Die Steuerung 31 nimmt die entsprechenden Einstellungen in der Versuchs- Anlage vor, so dass die einzelnen M-Experimente durchgeführt werden. Die Steuerung 31 ermittelt aus der Versuchs- Anlage 30 die interessierenden Messergebnisse und fasst diese zu einer Datei 43 zusammen, welche zu dem Computer 23 automatisch übertragen wird. Der Nutzer des Computers 32 kann die Datei 43 öffnen und gegebenenfalls mittels weiterer Software analysieren. Für die Planung von weite- ren M' Experimenten werden die gerade durchgeführten M Experimente in den
Speicher 39 übertragen, so dass diese bei einer darauffolgenden Planung mit für die Auswertung der Funktionen 34, 35 und / oder 36 herangezogen werden.
Auf Basis aller bisher durchgeführten Experimente 39 kann das Computeφrogramm 33 mit Hilfe des Adaptionsmoduls 44 das Bewertungsmaß 35 adaptieren. Mit den neuen Einstellungen plant das System die neue Versuchsserie und überträgt die Experimente an die Steuerung 31. Dies wird solange zyklisch wiederholt, bis ein vordefiniertes Abbmchkriterium (Terminierungsmodul 45) erfüllt ist, oder durch Intervention des Nutzers über Nutzerschnittstelle 40 das Verfahren beendet wird.
Bezugszeichenliste
Versuchs- Anlage 30 Steuerung 31
Computer 32
Computeφrogramm 33
Funktion 34
Funktion 35 Funktion 36
Abwicklung 37
Programmmodul 38
Speicher 39
Nutzer Schnittstelle 40 Bildschirm 41
Datei 42
Datei 43
Adaptionsmodul 44
Terminierungsmodul 45

Claims

Patentansprüche
1. Verfahren zur automatischen Planung von Experimenten mit folgenden
Schritten:
Eingabe eines Ähnlichkeitsmaß zweier Experimente,
Eingabe eines Bewertungsmaß für ein individuelles Experiment,
- Bestimmung eines Qualitätsmaß basierend auf dem Ähnlichkeitsmaß und dem Bewertungsmaß,
Auffinden einer Anzahl von Experimenten, bei denen das Qualitätsmaß einen Extremwert annimmt.
2. Verfahren nach Anspmch 1, wobei die Experimente aus einem diskreten Parameterraum wählbar sind.
3. Verfahren nach Anspmch 1 oder 2, wobei das Ähnlichkeitsmaß auf dem euklidischen Abstand zweier Experimente in einem Parameterraum basiert.
4. Verfahren nach Anspmch 1, 2 oder 3, wobei das Ähnlichkeitsmaß auf dem reziproken euklidischen Abstand zweier Experimente in einem Parameterraum basiert.
5. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 4, wobei das Ähnlichkeitsmaß auf einer exponentiellen Funktion mit einem reziproken euklidischen Abstand zweier Experimente als Exponenten basiert.
6. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 5, wobei das Bewertungsmaß eine Bewertung hinsichtlich der Durchführbarkeit und/oder Un- durchführbarkeit eines Experiments beinhaltet.
7. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 6, wobei das Bewertungsmaß eine Bewertung hinsichtlich der Kosten oder der erforderlichen Zeit für die Durchführung eines Experiments beinhaltet.
8. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 7, wobei das Be- wertungsmaß in Form einer Funktion eingegeben wird.
9. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 8, wobei das Bewertungsmaß in Form einer Tabelle eingegeben wird.
10. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 9, wobei das
Qualitätsmaß basierend auf den summierten Ähnlichkeitsmaßen aller betrachteten Experimente und den summierten Bewertungsmaßen aller betrachteten Experimente bestimmt wird.
11. Verfahren nach Anspmch 10, wobei eine erste Anzahl von bereits durchgeführten Experimenten und eine zweite Anzahl von zu planenden Experimenten für die Bestimmung des Qualitätsmaß betrachtet werden.
12. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 11, wobei die Experimente, bei denen das Qualitätsmaß einen Extremwert annimmt, mittels eines Monte-Carlo-Verfahrens aufgefunden werden.
13. Verfahren nach Anspmch 12 mit folgenden Schritten:
- Wählen einer Anzahl (M) von Experimenten aus einem Parameterraum, Wählen eines der aus dem Parameterraum gewählten Experimente,
Berechnung des Qualitätsmaß für das gewählte Experiment,
Wählen einer Koordinate des gewählten Experiments,
Variierung der gewählten Koordinate innerhalb des Parameterraums,
- Berechnung des Qualitätsmaß für das gewählte Experiment mit der variierten Koordinate,
Ersetzung des gewählten Experiments durch das gewählte Experiment mit der variierten Koordinate, wenn das Qualitätsmaß für das gewählte Experiment mit der variierten Koordinate eine nicht um mindestens eine Qualitätsdifferenz (ε) schlechtere Qualität als das Qualitätsmaß für das gewählte Experiment ergibt,
schrittweise Reduziemng der Qualitätsdifferenz (ε) gegen Null.
14. Verfahren nach Anspmch 13, wobei zur Berechnung der Qualitätsmaße eine Anzahl (N) von bereits durchgeführten Experimenten mit berücksichtigt werden.
15. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 14, wobei zur
Auffindung einer Anzahl von Experimenten, bei denen das Qualitätsmaß einen Extremwert annimmt, ein genetischer Algorithmus verwendet wird.
16. Computeφrogrammprodukt zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche 1 bis 15.
17. System für die automatische Planung von Experimenten mit
Mitteln (33, 39) zum Auffinden einer Anzahl von Experimenten, bei denen ein Qualitätsmaß einen Extremwert annimmt, wobei das Quali- tätsmaß auf einem Ähnlichkeitsmaß zweier Experimente und einem
Bewertungsmaß eines individuellen Experiments basiert,
Mitteln zur Ausgabe, der aufgefundenen Experimente (42), bei denen das Qualitätsmaß einen Extremwert annimmt, an eine Steuemng (31) für die Durchführung der Experimente.
18. System nach Anspmch 17, wobei die Mittel zum Auffinden mit Mitteln zur Speicherung (39) bereits durchgeführter Experimente verknüpft sind und mit Mitteln (44, 45) zur automatischen und zyklischen Durchführung der Planung von Experimenten.
EP03704635A 2002-03-01 2003-02-17 Verfahren und system zur automatischen planung von experimenten Withdrawn EP1483704A2 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE10209146 2002-03-01
DE10209146A DE10209146A1 (de) 2002-03-01 2002-03-01 Verfahren und System zur automatischen Planung von Experimenten
PCT/EP2003/001566 WO2003075169A2 (de) 2002-03-01 2003-02-17 Verfahren und system zur automatischen planung von experimenten

Publications (1)

Publication Number Publication Date
EP1483704A2 true EP1483704A2 (de) 2004-12-08

Family

ID=27762594

Family Applications (1)

Application Number Title Priority Date Filing Date
EP03704635A Withdrawn EP1483704A2 (de) 2002-03-01 2003-02-17 Verfahren und system zur automatischen planung von experimenten

Country Status (12)

Country Link
US (1) US7079965B2 (de)
EP (1) EP1483704A2 (de)
JP (1) JP2005519394A (de)
CN (1) CN1802657A (de)
AU (1) AU2003206912A1 (de)
CA (1) CA2477768A1 (de)
DE (1) DE10209146A1 (de)
IL (1) IL163845A0 (de)
NO (1) NO20044172L (de)
NZ (1) NZ534988A (de)
RU (1) RU2004129323A (de)
WO (1) WO2003075169A2 (de)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2002317447A1 (en) * 2001-07-04 2003-01-21 Kinematik Research Limited An information management and control system
US7451122B2 (en) * 2006-03-29 2008-11-11 Honeywell International Inc. Empirical design of experiments using neural network models
AT9965U3 (de) * 2008-02-07 2009-01-15 Avl List Gmbh Verfahren zur vermessung eines nichtlinearen dynamischen realen systems
JP4491491B2 (ja) * 2008-03-21 2010-06-30 本田技研工業株式会社 制御対象を計測する計測点を最適化するための装置
JP5139162B2 (ja) * 2008-06-06 2013-02-06 株式会社総合車両製作所 機械システムの異常検出方法
JP5139163B2 (ja) * 2008-06-06 2013-02-06 株式会社総合車両製作所 移動体の異常検出方法
DE102009059071A1 (de) 2009-12-18 2011-06-22 Bayer Technology Services GmbH, 51373 Datenbasierte Modelle auf Basis von Simulationsrechnungen
DE102009059073A1 (de) 2009-12-18 2011-06-22 Bayer Technology Services GmbH, 51373 Datenbasierte Modelle zur Prognose und Optimierung von Schneckenextrudern und/oder Extrusionsverfahren
WO2012083371A1 (en) * 2010-12-23 2012-06-28 Crc Care Pty Ltd Analyte ion detection method and device
US9047423B2 (en) * 2012-01-12 2015-06-02 International Business Machines Corporation Monte-Carlo planning using contextual information
CN104809306A (zh) * 2015-05-13 2015-07-29 梧州学院 基于多质量指标的注塑成型工艺参数优化方法
US11928708B1 (en) 2015-10-09 2024-03-12 Systemi Opco, Llc Automated campaign configuration switching framework
EP3276511A1 (de) 2016-07-27 2018-01-31 Covestro Deutschland AG Herstellung von extrudern umfassend deren automatisierte auslegung
US11061795B2 (en) * 2016-08-22 2021-07-13 Optimal Plus Ltd. Methods of smart pairing
US11068478B2 (en) 2017-03-15 2021-07-20 Optimal Plus Ltd. Augmenting reliability models for manufactured products
CN110231811B (zh) * 2019-06-19 2020-07-28 华北理工大学 基于层级实时记忆算法的连铸下渣智能预报系统
CN117916751A (zh) * 2021-09-22 2024-04-19 株式会社力森诺科 程序、条件探索装置和条件探索方法
CN121773435A (zh) * 2024-07-30 2026-03-31 株式会社日立高新技术 数据集作成辅助系统、数据集作成辅助装置以及数据集作成辅助程序

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU7311994A (en) * 1993-05-21 1994-12-20 Arris Pharmaceutical Corporation A machine-learning approach to modeling biological activity for molecular design and to modeling other characteristics
US6460036B1 (en) * 1994-11-29 2002-10-01 Pinpoint Incorporated System and method for providing customized electronic newspapers and target advertisements
US6295514B1 (en) * 1996-11-04 2001-09-25 3-Dimensional Pharmaceuticals, Inc. Method, system, and computer program product for representing similarity/dissimilarity between chemical compounds
DE19742902A1 (de) * 1997-09-29 1999-04-15 Abb Patent Gmbh Verfahren zur Planung und Durchführung von Versuchen
US6430545B1 (en) * 1998-03-05 2002-08-06 American Management Systems, Inc. Use of online analytical processing (OLAP) in a rules based decision management system
EP1086412A4 (de) * 1998-06-08 2008-05-07 Microsoft Corp Komprimierung von zeitabhängige geometrie
US6826300B2 (en) * 2001-05-31 2004-11-30 George Mason University Feature based classification
US10054032B2 (en) * 2015-07-20 2018-08-21 Caterpillar Inc. Thermal management system and method of thermal management during transmission calibration

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO03075169A2 *

Also Published As

Publication number Publication date
WO2003075169A8 (de) 2005-05-12
NZ534988A (en) 2006-08-31
IL163845A0 (en) 2005-12-18
NO20044172L (no) 2004-11-30
US20030237058A1 (en) 2003-12-25
RU2004129323A (ru) 2005-06-10
US7079965B2 (en) 2006-07-18
JP2005519394A (ja) 2005-06-30
DE10209146A1 (de) 2003-09-18
CN1802657A (zh) 2006-07-12
AU2003206912A1 (en) 2003-09-16
CA2477768A1 (en) 2003-09-12
WO2003075169A2 (de) 2003-09-12

Similar Documents

Publication Publication Date Title
EP1483704A2 (de) Verfahren und system zur automatischen planung von experimenten
DE10341764B4 (de) Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems
DE69431822T2 (de) Vorrichtung und Verfahren für eine modellbasierende Prozesssteuerung
DE60207588T2 (de) Zustandsschätzung und einteilung für ein herstellungssystem
EP1335254B1 (de) Verfahren zur Steuerung und/oder Regelung von Prozessgrössen einer Anlage
DE10341574A1 (de) Konfiguration und Betrachtungsanzeige für einen integrierten prädiktiven Modellsteuerungs- und Optimierungsfunktionsblock
EP2791827A2 (de) Verfahren zur auswertung der lösung eines multikriteriellen optimierungsproblems
EP3282271A1 (de) Verfahren zu einem einstellen und/oder anpassen von einem parameterwert von zumindest einem parameter eines magnetresonanzprotokolls für zumindest eine magnetresonanzsequenz
EP2804139A1 (de) Serversystem zur Verwaltung von Sequenzen für landwirtschaftliche Arbeitsmaschinen
DE112023002048T5 (de) Erweiterte analytik für bio-/chemische und halbleiter-produktionsanlagen
WO2021028111A1 (de) Verfahren und vorrichtung zum optimieren eines induktiven wärmebehandlungsprozesses mithilfe eines bayes&#39;schen optimierungsprozesses
DE102020206916A1 (de) Steuereinrichtung und Verfahren zum Auswählen von Auswertungspunkten für ein Bayessches Optimierungsverfahren
WO2004102291A1 (de) Auslegung von werkzeugen und prozessen für die umformtechnik
DE102005062838A1 (de) Verfahren und Vorrichtung zur Auswertung einer vorgeschlagenen Lösung zu einem Randwertproblem
DE69224764T2 (de) Verfahren und Vorrichtung zur Beurteilung von automatischen Herstellungsmöglichkeiten
EP1546823B1 (de) Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme
EP1499930B1 (de) Verfahren und computer zur planung von versuchen
WO2025108801A1 (de) Verfahren zum bestimmen einer bauteilstückliste zum herstellen eines produkts mittels einer elektronischen recheneinrichtung, computerprogrammprodukt, computerlesbares speichermedium sowie elektronische recheneinrichtung
WO2002014967A2 (de) Verfahren zur durchführung eines automatisierten produktionsprozesses
DE202019100641U1 (de) Trainingsgerät für KI-Module
DE10255189B4 (de) Verfahren zum Entwurf von Wellenleitergeometrien in integrierten optischen Bauelementen
EP3796250B1 (de) Verfahren zur ausführung einer landwirtschaftlichen dienstleistung
EP2133766A1 (de) Bearbeitungs- und/oder Fertigungsverfahren und Vorrichtung zur Durchführung desselben
DE102024116725A1 (de) Verfahren zur computergestützten Auswahl von Fertigungskomponenten
EP1750006A2 (de) Verfahren zum Erstellen einer Baugruppe mit einem Rekursionsverfahren zur Optimierung der Baugruppe

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20041001

AK Designated contracting states

Kind code of ref document: A2

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LI LU MC NL PT SE SI SK TR

AX Request for extension of the european patent

Extension state: AL LT LV MK RO

RIN1 Information on inventor provided before grant (corrected)

Inventor name: HUEBL, PETER

Inventor name: MRZIGLOD, THOMAS

Inventor name: MOGK, GEORG

Inventor name: BURGHAUS, ROLF

17Q First examination report despatched

Effective date: 20080715

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: BAYER INTELLECTUAL PROPERTY GMBH

18W Application withdrawn

Effective date: 20121011