JP2022500527A - ポリマー製品の製造に関する予測を改善するための方法 - Google Patents
ポリマー製品の製造に関する予測を改善するための方法 Download PDFInfo
- Publication number
- JP2022500527A JP2022500527A JP2021513883A JP2021513883A JP2022500527A JP 2022500527 A JP2022500527 A JP 2022500527A JP 2021513883 A JP2021513883 A JP 2021513883A JP 2021513883 A JP2021513883 A JP 2021513883A JP 2022500527 A JP2022500527 A JP 2022500527A
- Authority
- JP
- Japan
- Prior art keywords
- data entry
- product
- property
- user
- polymer
- 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.)
- Pending
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Polymerisation Methods In General (AREA)
- Polyurethanes Or Polyureas (AREA)
Abstract
本件発明は、ポリマー製品の製造に関する予測を改善するための方法に関連し、かかる方法は、製造パラメータ(2)と製品プロパティデータ(3)の間の機能的関係を記述するために、予測モデル(1)が提供され、前記製造パラメータ(2)はそれぞれのポリマー製品の製造に使用される原材料部分を指定し、そのポリマー製品の製造中の機械加工プロパティを指定する加工パラメータデータを含み、前記製品特性データ(3)はコンピュータシステム上でそのポリマー製品に関連し、製造パラメータ(2)および製品プロパティデータ(3)はそれぞれのポリマー製品に関するデータエントリプロパティを形成し、ユーザ入力はデータエントリプロパティの一部のみを指定するユーザ製品ターゲットを含み、データエントリプロパティを有する新しいデータエントリ(7)はユーザ製品ターゲットを実現するためにコンピュータシステム(5)によって生成され、新しいデータエントリ(7)について、指定されたデータエントリプロパティである方法。【選択図】 図1
Description
本発明は、ポリマー製品の製造に関する予測を改善するための方法に関する。
ポリマー製品には広範囲の異なる用途がある。その結果、これらのポリマー製品について規定されている広範囲で強く変化する異なる製品特性仕様も存在する。これらの異なる仕様は、重量、剛性、排出物、温度耐久性、およびそれぞれのポリマー製品の多くの他の特徴についての所望の値または値の範囲を決定する。さらに、ポリマー製品の特性は、ポリマー製品の製造に使用されるポリマー製品の材料成分を特定する配合物に依存するだけでなく、使用される製造ツールの特性を含む、ポリマー製品の製造プロセスに適用される異なるプロセスパラメータにも依存する。ポリマー製品の特性は、ポリマー製品の製造プロセス中の製造パラメータの周囲の変数にも依存し得る。
通常のプロセスは既知の配合物および既知のプロセスパラメータから進行して、既知の特性を有する製品をもたらし、次いで、以前の経験および一般的な考察に基づいて調整を行うことを含む。これらの調整に基づいて、多数のサンプル製品が製造され、それらの関連する特性が実験的に決定される。このような観察から、式によって導出され、表現される依存性も存在し得る。これは、次いで、配合物データに基づく製品特性の予測を可能にし、逆もまた同様である。しかしながら、そのような公式の表現は依存性を分析する人が適用および試験するために、すなわち仮説を検証するために、正しい公式または公式のタイプ、すなわち仮説を考えることを前提としている。適切な仮説が考えられないので、このようなアプローチに対して実質的に分かりにくいままである機能的関係が存在することが起こり得る。
本発明の由来する国際公開第2005/019948号は、製品を製造するための成形およびプロセス制御技術を開示している。製造者が、製造された製品の目標性能特性を達成するために必要な多変量出力のプロファイルを予測することを可能にするコンピュータ支援モデリング技術が記載される。製品の所望の性能特性が選択され、選択された性能特性に基づいて、製品制御センターは、要求される多変量出力を予測するために逆ケモメトリックモデルを呼び出す。製品制御センタは予測された多変量出力を達成するために必要な動作パラメータを決定し、製品は動作パラメータに従って生成される。
従って、本発明の目的は、純粋に分析的なアプローチに基づいて見つけることが困難であるか、または費用がかかる依存性を同定することができる、ポリマー製品の製造に関する予測を改善するための方法を提供することである。
本発明の目的は、請求項1の特徴を有するポリマー製品の製造に関する予測を改善するための方法によって達成される。
本発明は、純粋に解析的な考察によって、または教師あり学習などの他の形態の機械学習によって生成される予測モデルよりも、少なくともいくつかの場合にはより正確かつ探索的であり得る予測モデルを開発し、改善するのに強化学習が利用できるという認識に基づく。特に、一方の製品特性と、他方の生産パラメータおよび配合物データとの間の複雑で、微妙で、潜在的に直感に反する相関については、このような進化的アプローチが所望の予測モデルを達成するための最も効率的な方法であり得る。次いで、結果として得られる予測の改善は、生産パラメータおよび配合物データに基づいて製品特性を決定するため、ならびに所望の製品特性に基づいて生産パラメータおよび配合物データを決定するための両方に使用することができる。
本発明による方法は、ポリマー製品の製造に関する予測を改善するためのものである。
ポリマー生成物は、ポリウレタン生成物またはポリイソシアヌレート生成物であってもよい。したがって、ポリマー製品特性はポリウレタンまたはポリイソシアヌレート製品特性であってもよく、ポリマー製造はポリウレタンまたはポリイソシアヌレート製造であってもよく、ポリマー配合物はポリウレタンまたはポリイソシアヌレート配合物であってもよい。あるいはまたはそれに加えて、ポリマー製品はフォーム製品であってもよい。したがって、代替的に、または加えて、ポリマー製品特性はフォーム製品特性であってもよく、ポリマー製造はフォーム製造であってもよく、ポリマー配合物はフォーム配合物であってもよい。
好ましくは、ポリマー生成物はポリカーボネート生成物である。したがって、ポリマー製品特性はポリカーボネート製品特性であってもよく、ポリマー製造はポリカーボネート製造であってもよく、ポリマー配合物はポリカーボネート配合物であってもよい。
本発明による方法では、製造パラメータ間の関数関係を記述するための予測モデルが提供され、この製造パラメータは、それぞれのポリマー製品の製造に使用される原材料部分を指定する配合物部分データを含み、そのポリマー製品の製造中の機械プロセス特性を指定する処理パラメータデータと、コンピュータシステム上のそのポリマー製品に関連する製品特性データとを含む。言い換えれば、予測モデルはコンピュータプログラムまたはコンピュータプログラム用のパラメータセットのいずれかであり、このコンピュータプログラムは、コンピュータデバイス上で実行され、所与の他の生産パラメータおよび/または他の製品特性データに基づいて、少なくともいくつかの生産パラメータおよび/またはいくつかの製品特性データを決定する方法を提供する。したがって、例えば、予測モデルは少なくとも製品特性データを入力として取得し、少なくとも生産パラメータを出力として提供することができる。それはまた、他の方法であってもよい。マイクロプロセッサを有する任意の電子装置は、本発明の意味でコンピュータ装置を提供する。予測モデルは、強化学習の文脈において手段として理解されるもの一部を構成する。
本発明による方法では、製造パラメータおよび製品プロパティデータが対応するポリマー製品のデータエントリプロパティを形成する。データエントリプロパティは、生産パラメータおよび製品プロパティデータに加えて、さらなる変数またはデータも含むことができる。
本発明の意味において、機械は任意の種類の装置、特に、ポリマー材料製造の任意の又は全ての工程のための実験装置であってもよい。言い換えれば、配合物部分は、どの原材料が使用されるか、およびポリマー製品を製造するためにどの割合で使用されるかを指定する。これはまた、ポリマー製品の製造に使用され得るが、実質的にポリマー製品の一部ではない発泡剤などの材料に関する。処理パラメータは、ポリマー製品を得るために原料を処理する機械または機械群の設定を含んでもよい。処理パラメータはまた、機械または機械群の一定の特性を含んでもよい。これらは、機械または機械群の幾何学的寸法、最大出力などを含むことができる。
好ましくは、製造パラメータがポリマー製品の製造中の環境を記述する環境パラメータを含む。そのような環境パラメータは、温度、圧力、湿度、日照強度、および/または環境の他の物理的パラメータを記述することができる。
さらに、生産パラメータは、原材料部分の動的挙動を記述するための配合物記述データを含むこともできる。例えば、ポリマー製造が発泡体製造であり、発泡体が原料部分に従って原料の反応によって作り出される場合、配合物記述データは、その反応に関連する特性を記載することができる。したがって、配合物記述データは、開始時間、立ち上がり時間、および/または設定時間を指定することができる。
製品プロパティデータは、原則として、ポリマー製品の任意の物理的または化学的特性に関連し得る。特に、製品プロパティデータは、密度、圧縮特性、回復特性、圧縮硬度、熱伝導率、圧縮強度、ねじり剛性及び/又は耐炎性を含むことができる。
予測モデルの最初のパスの前に、自明または0次の近似関係のみが提供されるという意味で、予測モデルは空であってもよい。あるいは、予測モデルのパラメータがランダムに設定されるか、または実装される。この方法を連続的に繰り返すことにより、予測モデルが増加的に構築される。
本発明による方法では、データエントリプロパティの一部のみを指定するユーザ製品ターゲットを含むユーザ入力が提供される。
言い換えれば、ユーザ入力は、ポリマー製品の少なくともいくつかの所望の製品プロパティデータを記述することができ、代替としてまたは追加として、少なくともいくつかの配合物部分データおよび処理パラメータデータを記述することができる、上述のユーザ製品ターゲットを提供する。したがって、ユーザは製品プロパティデータを指定し、この製品プロパティデータを有するポリマー製品を製造するために、製造パラメータを探すことができる。ユーザはまた、生産パラメータを指定し、結果として得られる製品プロパティデータを決定したい場合がある。さらに、ユーザはいくつかの生産パラメータおよびいくつかの製品プロパティデータを指定し、それによって定義された対応するポリマー製品についての追加の生産パラメータならびに追加の製品プロパティデータを出力として得ることができる。
ユーザ製品ターゲットは、特定の個々の値の代わりに値グループを参照することもできる。ユーザ製品ターゲットはまた、例えば、既知のポリマー製品の既知の製品プロパティデータを参照することによって、間接的に与えられてもよい。
本発明による方法では、ユーザ製品ターゲットを予測モデルに適用することによってユーザ製品ターゲットを実現するために、コンピュータシステムによって新しいデータエントリが生成される。新しいデータエントリの生成は少なくとも部分的に、ユーザ製品ターゲットを予測モデルに適用することに基づいて、すなわち、ユーザ製品ターゲットを予測モデルへの入力として提供することによって行われる。同様に製品プロパティデータおよび製造パラメータを含むデータエントリプロパティを含む、結果として得られる新しいデータエントリは、ユーザ製品ターゲットが予測モデルによる新しいデータエントリのデータエントリプロパティに従って製造されたポリマー製品によって少なくとも近似されるようなものであるということを、上記は意味する。これらのユーザ製品ターゲットが実際に実現される度合いは、場合によって異なることがある。
ユーザ製品ターゲットを予測モデルに適用することは、ユーザ製品ターゲットに基づいて、予測モデルを決定し、特に、導出された値または中間値を計算することも含むことができる。次いで、これらの導出された値または中間値を使用して、予測モデルに従って新しいデータエントリを計算することができる。
本発明による方法では、新しいデータエントリについて、指定されたデータエントリプロパティが決定される。強化学習の用語では、データエントリプロパティを有する任意の新しいデータエントリが関連する値を有する状態を構成する。この決定は予測モデルの投影の検証を提示し、以下でより詳細に論じる様々な方法で行うことができる。いずれにせよ、この決定は予測モデルを検証し、チェックすることが目標であるため、予測モデルから実質的に独立して起こる。
さらに、本発明による方法では、報酬メトリックが決定されたデータエントリプロパティに基づいてコンピュータシステムによって決定される。ここで、報酬メトリックは決定されたデータエントリが何らかの意味で奨励されるべき、すなわち、正しい方向にステップを提示する新しいデータに対応する程度を示す変数を示す。このような正しい方向がどのように定義されるかは、原則として任意であり、いくつかの可能性が存在する。プロパティはユーザ製品ターゲットに対応し、データエントリプロパティの決定によって予測モデルの予測がどの程度検証されたかに対応する。強化の文脈では、これは報酬であり、予測モデルの成功に応じて正または負とすることができる。
本発明による方法では、予測モデルは、コンピュータシステムによる報酬メトリックに基づいて更新される。言い換えれば、高い報酬の場合、生成された新しいデータエントリが、報酬によって定量化されるように「正しい」ものであったことが予測モデルにフィードバックされる。少なくとも正しい方向に予測されている。コンプライアンスの報酬が低い場合には、生成された新たなデータエントリの誤った方向の情報がフィードバックされる。このフィードバックは、予測モデルに対応する変化と更なる精緻化をもたらす。
コンピュータ・システムは、任意の種類のネットワークによって相互接続することができる任意の種類の1つまたは複数のコンピュータを含むことができる。コンピュータ・システムは、クラウド・コンピューティング環境によって完全にまたは部分的に実装されてもよい。
本発明による方法では、新しいデータエントリがデータエントリプロパティを有するデータエントリの配合物データベースに入力される。
強化学習の用語では、新しいデータエントリの生成はアクションと呼ばれる。
本発明による方法では、新しいデータエントリが配合物データベースからベースデータエントリを選択し、ユーザ製品ターゲットを予測モデルに適用することに基づいて、ベースデータエントリの少なくとも1つのデータエントリプロパティを修正することによって生成される。したがって、新しいデータエントリ、すなわち新しい状態は既存のデータエントリ、すなわち、選択されたデータエントリの修正である。好ましくは、配合物データベースからの基本データエントリが、基本データエントリのデータエントリプロパティと、ユーザ製品ターゲットによって指定されたデータエントリプロパティと、の類似性に基づいて選択される。
好ましくは、少なくとも1つのデータエントリプロパティを変更することは、少なくとも1つのデータエントリプロパティを変更値によって変更することを含む。これは、データエントリプロパティの対応する元の値を修正値で加算、減算、乗算、または除算することであってもよい。
原則として、上記の修正は、実質的に決定論的な方法で行うことができる。本方法のさらに好ましい実施形態では、新しいデータエントリを生成することは擬似ランダムまたは進化的決定を含む。このような擬似ランダム性は、強化学習に特に適している。ここで、ベースデータエントリを選択すること、および/または修正値を決定すること、および/または修正のために少なくとも1つのデータエントリプロパティを選択することは、擬似ランダムまたは進化的決定を含むことがさらに好ましい。
原則として、修正値は任意の値を有してもよく、ベースエントリは任意に選択されてもよい。しかし、どの状態が許可されているか、したがって、新しい状態を得るためにどのような種類のアクションが可能であるかについては、限界および境界が存在する可能性がある。そのような規則、制限、または境界も、強化学習の用語でポリシーの一部を形成する。本手法の好ましい実施形態によれば、ベースエントリの選択を制限する修正境界パラメータが、好ましくはユーザによって提供される。したがって、ベースエントリは、定式化データベースのデータエントリのサブセットに制限されている可能性がある。代替的に又は追加的に、修正境界パラメータは、少なくとも1つのデータエントリプロパティを修正のために選択することができることを制限する。したがって、すべてのデータエントリプロパティは変更のために利用できるわけではない。このような制限は、それぞれのプロパティが手近な問題に無関係であることが知られている場合に特に有用である。代替的に又は追加的に、修正境界パラメータは、修正値の数値限界を提供する。したがって、大きな数値感度が存在することが知られている場合には、修正を小さい程度に制限することができる。特に、それらは、修正のために選択された少なくとも1つのデータエントリプロパティに応じて、修正値の数値限界を提供することができる。したがって、異なるデータエントリプロパティの潜在的に異なる感度を考慮することができる。
本発明による方法では報酬メトリックは決定されたデータエントリプロパティとユーザ製品ターゲットとの間のコンプライアンスに基づく近接メトリックであり、より高いコンプライアンスを示す近接メトリック、特に報酬メトリックの基礎をなす基準に対して、修正された少なくとも1つのデータエントリプロパティの修正が強化され、より低いコンプライアンスを示す近接メトリックに対して、修正された少なくとも1つのデータプロパティの修正が弱められるように、予測モデルは更新される。
本方法のさらに好ましい実施形態では、ユーザ製品ターゲットが製品プロパティデータを指定する。したがって、ユーザ製品目標を有するポリマー製品を製造するための製造パラメータが求められる。ここでは、新規データ・エントリを生成するために生産パラメータを修正することによって、データ・エントリを修正することが好ましい。
本方法の好ましい実施形態によれば、ユーザ製品ターゲットは、生産パラメータを指定する。次に、対応するポリマー製品の得られた製品プロパティデータを求める。好ましくは、データエントリが新しいデータエントリを生成するために製品プロパティデータを修正することによって修正される。
新しいデータエントリのための指定されたデータエントリプロパティを決定する1つの好ましい方法は、実験によるものである。したがって、本発明のさらなる好ましい実施形態によれば、新しいデータエントリについて、指定されたデータエントリプロパティは、新しいデータエントリの生産パラメータに従ってポリマー製品を生成することによって、および、指定されたデータエントリプロパティの少なくともいくつかを測定することによって、決定される。さらに、新しいデータエントリの製造パラメータを適用して、配合物部分に従った原材料をポリマー製造のための機械に提供することが好ましい。特に、機械プロセスプロパティはユーザ設定可能な機械プロセス設定を含み、新しいデータエントリの生産パラメータは、ポリマー生産のための機械における機械プロセス設定を選択するために適用され、その結果、ポリマー製品が原材料から機械によって生産されることが可能である。したがって、この好ましい実施形態ではこの方法が実際のポリマー生成物の生成に至り、次いで、この生成物は予測モデルへの信頼性のあるフィードバックのための基礎を形成し得る。
ポリマー製品上でのこのような測定の代替は計算モデルに基づく計算であり、これは、次に、公知の式に基づくことができる。したがって、本方法の好ましい実施形態では新しいデータエントリについて、指定されたデータエントリプロパティは、新しいデータエントリのデータエントリプロパティの少なくともいくつかに計算モデルを適用することによって決定される。計算モデルは物理モデルであることが好ましい。それに加えて、またはその代わりに、それは化学モデルであってもよい。
一般に強化学習では、十分に精密な予測モデルに到達するには単一の反復では不十分である。したがって、本方法のさらなる好ましい実施形態では、報酬メトリックが所定の限度を超える新しいデータエントリが生成されるまで、新しいデータエントリを生成し、新しいデータエントリの指定されたデータエントリプロパティを決定し、報酬メトリックを決定し、予測モデルを更新するサイクルが繰り返される。例えば、報酬メトリックが近接メトリックである場合、サイクルは、予測が十分に正確になるまで繰り返される。
所定の限界は、ユーザ入力に含まれてもよい。このようにして、ユーザは、モデルが開発されるべき精度に少なくとも間接的に影響を及ぼすことができる。
本発明による方法では、ユーザ入力が、コンピュータシステム内で事前に定義された原材料のリストからの原材料のユーザ選択を含み、それによって、ポリマー配合物のための原材料の組合せを定義し、新しいデータエントリのために、配合物部分は原材料のユーザ選択からの原材料部分を指定する。これは、いくつかの原料の使用が経済的、物流的または他の理由のために可能でないか、または迅速でない場合、またはいくつかの他の原料の使用が特に好ましい場合に有用であり得る。
原則として、ポリマー製造に使用される任意の原材料は、たとえそれが最終ポリマー製品中に存在しなくても、配合物部分によって特定され得る。本方法のさらなる好ましい実施形態によれば、使用者が選択した原料は、イソシアネートおよびポリオールを含む。使用者が選択した原料はまた、複数のイソシアネートおよび/または複数のポリオールを含んでもよい。使用者が選択した原料はまた、発泡剤を含んでもよい。好ましくは、使用者が選択した原料が連鎖延長剤、架橋剤、ポリウレタンの形成を促進するための触媒、難燃剤、顔料、少なくとも1種の充填剤および/または界面活性剤をさらに含む。
機械プロセス特性は、原則として、ポリマー製品の製造に関与する装置、機械、またはプラントに適用される任意の設定、またはそのような装置、機械、またはプラントを記述する任意の一定の特性に関連し得る。特に、ユーザ設定可能な機械プロセス設定は、ポリマー製品の製造における機械の動作を可変に調整するための機械プロセス設定を含むことができる。本方法のさらなる好ましい実施形態によれば、機械加工プロパティ、好ましくはユーザ設定可能な機械加工設定は、コンポーネント温度、混合時間、混合比率、工具温度、排出能力、および/またはライン速度を含む。記載された全ての機械加工特性は特に、ポリマー製品の製造のためのものである。
配合物データベースは単一のデータベースであってもよいし、いくつかのデータベースの各々に記憶された異なる種類の情報を有するいくつかのデータベースのシステムであってもよい。
配合物データベースは、実験結果に少なくとも部分的に基づくことが好ましい。したがって、好ましい実施形態では配合物データベースのデータエントリの少なくともいくつかはユーザ入力の前に生成されたポリマー製品に基づいており、その結果、配合物部分データはそれぞれのポリマー製品の製造に使用される原材料部分を指定し、処理パラメータデータはそのポリマー製品の製造中の機械プロセスプロパティを指定する。
本発明によるコンピュータシステムの好ましい実施形態、特徴、および利点は本発明による方法のものに対応し、その逆も同様である。
さらなる有利で好ましい特徴は、図面に関する以下の説明において議論される。以下では、以下の図内に示される。
図1に示す例示的な方法は、例示的なポリマー製品としてのポリウレタン製品に関する。本方法の実行の開始段階において、ポリシー4の一部を形成する予測モデル1は、所望の製品特性データ3に基づいて特定の生産パラメータ2を出力として決定する基本的な一次計算モデルのみから構成されてもよい。本実施例におけるこのような製品特性データ3は密度を含む。製造パラメータ2は、本実施例ではイソシアネートの比例含水量および比例含量に関連する原料部分を含む。製造パラメータ2はまた、本実施例では、製造中のイソシアネートの温度に関連する処理パラメータを含む。
この場合、50kg/m^3の密度が望まれるポリウレタン製品を得るための製造パラメータを決定することが望ましく、これはユーザ入力の一部としてユーザ製品ターゲットを提示する。
上記予測モデル1の他に、ポリシー4は、修正境界パラメータ6も備える。本実施例では、これらは比例含水量が0%〜2%のグループ内にあり、0.1%の修正工程を有し、比例イソシアネート内容が10部の修正工程を有し、製造中のイソシアネートの温度が2℃の修正工程を有し、0〜100部のグループ内にあり、製造中のイソシアネートの温度が20℃〜50℃であり得ることを明記する。
次に、各データエントリが生産パラメータ2および製品プロパティデータ3を含む新しいデータエントリ7がコンピュータ装置5によって、より正確にはエージェント11によって生成され、エージェント11は、コンピュータ装置5上で実行されるソフトウェアでもある。新しいデータエントリ7の生成はアクション9の手段によって、ポリシー4に従って、すなわち、特に、予測モデル1および修正境界パラメータ6に基づいて行われる。本実施例では、新しいデータエントリ7の生成が、事前に決定されたか、またはランダムに与えられたデフォルトのデータエントリ10を修正することによって行われる。特に、比例含水量は、デフォルトデータエントリ10の生産パラメータ2の値から0.1%増加する。
生成された新しいデータエントリ7は生成された生成パラメータ2を含み、生成された生成パラメータ2に基づいて、対応するポリウレタン生成物が生成され、指定されたデータエントリプロパティ、すなわち、この例では、密度、ならびに他の生成物特性3が決定される。本実施例では、製造されたポリウレタン製品の測定が40kg/m^3の密度をもたらす。
報酬メトリック8(この場合は近接メトリックである)は、この測定値を50kg/m^3のユーザ製品ターゲットと比較し、ターゲットへの近さに基づいて、より高いまたはより低い報酬メトリック8を生成することによって決定される。
この報酬メトリック8は、新しいデータエントリ7の生成の基礎となっていた修正を強化または弱めるために、ポリシー4、特に、本実施形態では、予想モデル1に、エージェント11の手段によってフィードバックされる。
そして、サイクルが繰り返され、報奨メトリック8によって定義された目標が達成されるように、報奨メトリック8が非常に高くなるまで、前に生成された新しいデータエントリ7の修正に基づいて、次の新しいデータエントリ7が生成される。
図2には、上記のステップを実施することができる例示的なコンピュータシステム5が示されている。
Claims (12)
- ポリマー製品の製造に関する予測を改善するための方法であって、製造パラメータ(2)と製品プロパティデータ(3)の間の機能的関係を記述するために、予測モデル(1)が提供され、前記製造パラメータ(2)はそれぞれのポリマー製品の製造に使用される原材料部分を指定し、そのポリマー製品の製造中の機械加工プロパティを指定する加工パラメータデータを含み、前記製品特性データ(3)はコンピュータシステム上でそのポリマー製品に関連し、製造パラメータ(2)および製品プロパティデータ(3)はそれぞれのポリマー製品に関するデータエントリプロパティを形成し、ユーザ入力はデータエントリプロパティの一部のみを指定するユーザ製品ターゲットを含み、データエントリプロパティを有する新しいデータエントリ(7)はユーザ製品ターゲットを実現するためにコンピュータシステム(5)によって生成され、データエントリプロパティを有するデータエントリの配合物データベースに入力され、新しいデータエントリ(7)について、指定されたデータエントリプロパティは新しいデータが決定され、前記新たなデータエントリ(7)は、配合物データベースからベースデータエントリを選択し、ユーザ製品ターゲットを予測モデル(1)に適用することに基づいて、前記ベースデータエントリの少なくとも1つのデータエントリプロパティを修正することによって生成され、報酬メトリック(8)は決定されたデータエントリプロパティに基づいてコンピュータシステム(5)によって決定され、前記報酬メトリック(8)に基づき前記予測モデル(1)はコンピュータシステム(5)によって更新され、ユーザ入力はコンピュータシステム(5)内で事前に定義された原材料のリストからの原材料のユーザ選択を含み、それによって、ポリマー配合物についての原材料の組合せを定義し、新しいデータエントリ(7)について、配合物部分データは原材料のユーザ選択から原材料部分を指定し、前記報酬メトリック(8)は決定されたデータエントリプロパティとユーザ製品ターゲットとの間のコンプライアンスに基づく近接メトリックであり、より高いコンプライアンスを示す近接メトリックに対してはつい修正された少なくとも1つのデータエントリプロパティの修正が強化され、より低いコンプライアンスを示す近接メトリックに対しては少なくとも1つのデータプロパティの修正が弱められるように、前記予測モデル(1)は更新される、方法。
- 前記少なくとも1つのデータエントリプロパティを変更することは、前記少なくとも1つのデータエントリプロパティを変更値だけ変更することを含むことを特徴とする請求項1に記載の方法。
- 前記新しいデータエントリ(7)を生成することは、疑似ランダム決定を含み、好ましくは前記ベースデータエントリを選択することおよび/または前記修正値を決定することおよび/または修正のために前記少なくとも1つのデータエントリプロパティを選択することは疑似ランダム決定を含むこと、を特徴とする請求項2に記載の方法。
- 修正境界パラメータ(6)が好ましくはユーザによって提供され、ベースエントリの選択を制限し、かつ/または、修正のために選択されることができる少なくとも1つのデータエントリプロパティを制限し、かつ/又は、修正値の数値限界、特に、修正のために選択された少なくとも1つのデータエントリプロパティに依存する修正値の数値限界を提供することを特徴とする請求項2または3に記載の手法。
- 前記ユーザプロダクトターゲットはプロダクトプロパティデータ(3)を指定し、好ましくは、前記データエントリが前記新しいデータエントリ(7)を生成するために、プロダクションパラメータ(2)を修正することによって修正されることを特徴とする、請求項1〜4のいずれか1項に記載の方法。
- 前記ユーザ製品ターゲットは生産パラメータ(2)を指定し、好ましくは、前記データエントリ(7)が前記新しいデータエントリ(7)を生成するために製品特性データ(3)を修正することによって修正されることを特徴とする、請求項1〜5のいずれか1項に記載の手法。
- 新規データエントリ(7)について、新規データエントリ(7)の製造パラメータ(2)に従ってポリマー製品を製造することによって、および特定データエントリ特性の少なくともいくつかを測定することによって、特定データエントリ特性が決定され、好ましくは新規データエントリ(7)の製造パラメータ(2)が配合物部分に従って原材料をポリマー製造のための機械に提供するために適用され、好ましくは機械プロセス特性がユーザ設定可能な機械プロセス設定を含み、新規データエントリ(7)の製造パラメータはポリマー製造のための機械における機械プロセス設定を選択するために適用され、それによって、ポリマーが原材料から機械によって製造されることを特徴とする、請求項1〜6のいずれか1項に記載の方法。
- 前記新しいデータエントリ(7)について、前記指定されたデータエントリプロパティは、前記新しいデータエントリ(7)のデータエントリプロパティの少なくともいくつかに計算モデル、好ましくは物理モデルおよび/または化学モデルを適用することによって決定されることを特徴とする請求項1〜7のいずれか1項に記載の方法。
- 前記新しいデータエントリ(7)を生成し、前記新しいデータエントリ(7)のための前記指定されたデータエントリプロパティを決定し、前記報酬メトリック(8)を決定し、前記予測モデル(1)を更新するサイクルが、前記報酬メトリック(8)が所定の限界を超える新しいデータエントリ(7)が生成されるまで繰り返されることを特徴とする請求項1から8のいずれか1項に記載の方法。
- 原料のユーザ選択がイソシアネートおよびポリオール、特にまた発泡剤を含み、好ましくは鎖延長剤、架橋剤、ポリウレタンの形成を促進するための触媒、難燃剤、顔料、水、少なくとも1つの充填剤および/または界面活性剤をさらに含むことを特徴とする、請求項1〜9のいずれか1項に記載の方法。
- 前記機械プロセス特性、好ましくは前記ユーザ設定可能な機械プロセス設定は、成分温度、混合時間、混合割合、ツール温度、排出容量および/またはライン速度を含むことを特徴とする請求項1乃至10のうちの一項の方法。
- 配合物部分データがそれぞれのポリマー製品の製造に使用される原材料部分を指定し、処理パラメータデータがそのポリマー製品の製造中の機械プロセス特性を指定し、好ましくは製品特性データ(3)がそれぞれのポリマー製品から測定された測定データを含むように、配合物データベースのデータエントリの少なくともいくつかは、ユーザ入力の前に生成されたポリマー製品に基づくことを特徴とする、請求項1〜11のいずれか1項に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18194409.1A EP3624068A1 (en) | 2018-09-14 | 2018-09-14 | Method for improving prediction relating to the production of a polymer-ic produc |
EP18194409.1 | 2018-09-14 | ||
PCT/EP2019/073815 WO2020053087A1 (en) | 2018-09-14 | 2019-09-06 | Method for improving prediction relating to the production of a polymeric product |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022500527A true JP2022500527A (ja) | 2022-01-04 |
Family
ID=63787674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021513883A Pending JP2022500527A (ja) | 2018-09-14 | 2019-09-06 | ポリマー製品の製造に関する予測を改善するための方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220027759A1 (ja) |
EP (2) | EP3624068A1 (ja) |
JP (1) | JP2022500527A (ja) |
CN (1) | CN112912938A (ja) |
WO (1) | WO2020053087A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4075209A1 (en) * | 2021-04-14 | 2022-10-19 | Covestro Deutschland AG | Adjusting foam production parameter, determining hardness conversion relationship, device for foam production and medium |
CN114201905B (zh) * | 2021-11-19 | 2022-12-09 | 苏州美昱高分子材料有限公司 | 一种改性粒子的生产方法和装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9601899D0 (en) * | 1996-01-31 | 1996-04-03 | Neopost Ltd | Mailing system |
NL1010616C2 (nl) * | 1998-11-20 | 2000-05-23 | Ptt Post Holdings Bv | Werkwijze en inrichtingen voor het afdrukken van een frankeerkenmerk op een document. |
US7319040B2 (en) * | 2002-10-28 | 2008-01-15 | Ineos Usa Llc | Process control using on-line instrumentation and process models |
CA2535356A1 (en) * | 2003-08-13 | 2005-03-03 | Cargill, Incorporated | Computer-aided modeling and manufacture of products |
DE102004028002A1 (de) * | 2004-06-09 | 2006-01-05 | Stockhausen Gmbh | Verfahren zur Herstellung von hydrophilen Polymeren unter Verwendung eines rechnererzeugten Modells |
US20060031027A1 (en) * | 2004-08-03 | 2006-02-09 | Alman David H | Method and apparatus for predicting properties of a chemical mixture |
DE102005002970A1 (de) * | 2005-01-21 | 2006-09-28 | Federal-Mogul Sealing Systems Bretten Gmbh | Elastomer-Dichtungen und Verfahren zu deren Herstellung |
BRPI0600430A (pt) * | 2006-03-08 | 2007-11-20 | Wite Telecom Ltda | selo postal com identificação por rádio frequência -selo postal inteligente |
US20100166994A1 (en) * | 2007-04-18 | 2010-07-01 | Roelof Marissen | Method of producing a filament wound curved product and product obtained thereby |
KR20130041149A (ko) * | 2010-07-02 | 2013-04-24 | 디에스엠 아이피 어셋츠 비.브이. | 고온 락탐 중화 |
JP6509225B2 (ja) * | 2013-12-11 | 2019-05-08 | ケーエルエー−テンカー コーポレイション | 要件に対するターゲット及びプロセス感度の分析 |
US10648291B2 (en) * | 2014-08-22 | 2020-05-12 | Chevron U.S.A. Inc. | Flooding analysis tool and method thereof |
WO2017068468A1 (en) * | 2015-10-21 | 2017-04-27 | Atul JINDAL | System and method for customer engagement and reward computation |
WO2018208360A2 (en) * | 2017-02-24 | 2018-11-15 | Washburn Newell R | Designing a formulation of a material with complex data processing |
WO2019222120A1 (en) * | 2018-05-14 | 2019-11-21 | Quantum-Si Incorporated | Machine learning enabled biological polymer assembly |
-
2018
- 2018-09-14 EP EP18194409.1A patent/EP3624068A1/en active Pending
-
2019
- 2019-09-06 JP JP2021513883A patent/JP2022500527A/ja active Pending
- 2019-09-06 EP EP19765245.6A patent/EP3850593B1/en active Active
- 2019-09-06 CN CN201980059683.9A patent/CN112912938A/zh active Pending
- 2019-09-06 WO PCT/EP2019/073815 patent/WO2020053087A1/en unknown
- 2019-09-06 US US17/276,266 patent/US20220027759A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3850593A1 (en) | 2021-07-21 |
US20220027759A1 (en) | 2022-01-27 |
EP3850593B1 (en) | 2022-10-05 |
CN112912938A (zh) | 2021-06-04 |
EP3624068A1 (en) | 2020-03-18 |
WO2020053087A1 (en) | 2020-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7788070B2 (en) | Product design optimization method and system | |
CN106560751A (zh) | 机器学习装置、机器学习方法及具备机器学习装置的机床 | |
Ge | Supervised latent factor analysis for process data regression modeling and soft sensor application | |
JP7018004B2 (ja) | 製品設計装置および該方法 | |
US20210129106A1 (en) | Method and computer system for determining production parameters for the production of a polymeric product | |
US20210265023A1 (en) | Method and computer system for determining polymeric product properties | |
EP1866812A2 (en) | Model optimization method and system using zeta statistic | |
JP2022500527A (ja) | ポリマー製品の製造に関する予測を改善するための方法 | |
Garcia-Diaz et al. | A comparative study of two fuzzy logic models for software development effort estimation | |
JP4852420B2 (ja) | 成型技術における工具およびプロセスの設計 | |
US20200052635A1 (en) | Method for searching excitation signal of motor, and electronic device | |
Sehgal et al. | Development of efficient model updating technique using multi-stage response surfaces and derringer's function | |
JP2021026608A (ja) | 物性データ予測方法及び物性データ予測装置 | |
EP4078299A1 (en) | Manufacturing or controlling a technical system using an optimized parameter set | |
JPWO2022044335A5 (ja) | ||
WO2023214582A1 (ja) | 学習装置、学習方法及び学習プログラム | |
CN114691518B (zh) | 一种基于深度强化学习的efsm输入序列生成方法 | |
JP7360016B2 (ja) | データ処理方法、データ処理装置、及びプログラム | |
US20230029418A1 (en) | System and method for improving engineer-to-order configuration | |
Azis et al. | Maintainability Prediction in Eclipse Mylyn Software Program Code Using Mamdani's Fuzzy Inference System Approach | |
Medapati et al. | Automated parameter estimation process for clustering algorithms used in software maintenance | |
Vanschoren et al. | Investigating classifier learning behavior with experiment databases | |
Cardin | 9 Gaining Trust in | |
Cao et al. | Intelligent modelling of a batch reactor with partially unmeasurable states based upon a structure approaching hybrid neural networks | |
JP2023184384A (ja) | 学習装置、制御装置、学習方法、及び、コンピュータプログラム |