MX2007001273A

MX2007001273A - Metodo y aparato para predecir las propiedades de una mezcla quimica.

Info

Publication number: MX2007001273A
Application number: MX2007001273A
Authority: MX
Inventors: David H Alman
Original assignee: Du Pont
Priority date: 2004-08-03
Filing date: 2005-08-03
Publication date: 2007-03-21
Also published as: US20060031027A1; CN1993698A; EP1782312A1; WO2006017742A1; JP2008509486A; US20080010027A1; KR20070053705A; AU2005271365A1; CA2571204A1

Abstract

La presente invencion se relaciona con un metodo y aparato para predecir las propiedades incoloras de una mezcla quimica, tal como una pintura automotriz, usando una red neural artificial. La red neural incluye una capa de entrada que tiene nodos para recibir los datos de entrada relacionados con los componentes quimicos de la mezcla y las condiciones ambientales y de proceso que pueden afectar las propiedades de la mezcla. Una capa de salida que tiene nodos genera datos de salida que predicen las propiedades de la mezcla quimica como resultado de la variacion de los datos de entrada. Una capa oculta que tiene nodos se conecta a los nodos en las capas de entrada y salida. Las conexiones pesadas conectan los nodos de las capas de entrada, oculta y salida y los pasos de umbral se aplican a los nodos de la capa oculta y de salida. La conexion y los pesos de umbral tienen valores para calcular la relacion entre los datos de entrada y los datos de salida. Los datos para la capa de entrada y los datos para la capa de salida se interrelacionan a traves de la relacion no lineal de la red neural. Cuando se implementa, pueden obtenerse predicciones precisas de las propiedades finales de la mezcla. La invencion es especialmente util para relacionar las variables de formulacion de la pintura automotriz (por ejemplo, cantidades del ingrediente de pintura y condiciones del proceso de aplicacion) con las propiedades fisicas (por ejemplo, viscosidad, ondulacion), apariencia (por ejemplo, ocultamiento, brillo, distincion de la imagen) u otras propiedades medidas que permiten la comparacion de las propiedades de la formula con valores o tolerancias blanco sin un trabajo experimental extensivo.

Description

MÉTODO Y APARATO PARA PREDECIR LAS PROPIEDADES DE UNA MEZCLA QUÍMICA CAMPO DE LA INVENCIÓN Esta invención se relaciona con un método y un aparato para predecir las propiedades de una mezcla química, tal como una pintura, con un alto grado de precisión, usando las redes neurales artificiales.

ANTECEDENTES DE LA INVENCIÓN Las mezclas químicas, tales como pinturas automotrices, se formulan comúnmente para obtener propiedades deseables representadas por las mediciones de las propiedades. Sin embargo, debe aplicarse un gran esfuerzo por el personal de laboratorio que desarrolla estas fórmulas para proporcionar el balance de propiedades correcto. Por ejemplo, una pintura automotriz o formulación de recubrimientos consiste de una mezcla compleja de colorantes (tintes) , aglomerantes y solventes formulados para proporcionar un balance de propiedades de igualación del color, apariencia, durabilidad, aplicación y propiedades de película. Los modelos están disponibles para la predicción cuantitativa del color de una mezcla pero no de otras propiedades. Por esto, los experimentos de verificación de labor intensiva se requieren para medir las propiedades de REF. : 178603 una formulación de recubrimiento para asegurar que los valores estén dentro de los límites aceptables. Estos experimentos son necesarios porque las relaciones entre los componentes de la mezcla y las propiedades medidas son por lo regular complejas y desconocidas. En estos casos sería ventajoso desarrollar modelos predecibles que son capaces de relacionar los componentes de la mezcla para las propiedades, de modo que puedan estimarse las propiedades de las nuevas mezclas. Mientras que ha habido varios intentos para desarrollar modelos predecibles para las mezclas químicas, ninguno ha adquirido un uso considerable en la técnica. Sería deseable proporcionar un método y aparato capaz de predecir las propiedades incoloras, así como de color de las mezclas químicas, tales como formulaciones de recubrimiento, para permitir que un operador determine que parámetros de entrada son necesarios para obtener las propiedades predeterminadas en el recubrimiento final. Las redes neurales son una clase de modelos predecibles que se han aplicado para desarrollar modelos entrenados empíricamente que relacionan las propiedades del proceso con las variables de proceso, como se muestra en Piovoso, M.J. and A.J. Owens, 1991, Sensor data analysis using artificial neural networks, in Arkun and Ray, eds., Chemical Process Control CPC-IV, AlChE, New York, 101-118. Los métodos de las redes neurales se emplean en la presente para desarrollar los modelos predecibles de las propiedades de las mezclas químicas .

BREVE DESCRIPCIÓN DE LA INVENCIÓN Se proporcionan un método y aparato para predecir las propiedades medidas de una mezcla química, tal como un recubrimiento, que emplean las redes neurales artificiales. El método y aparato son particularmente útiles para predecir las propiedades incoloras de las formulaciones de recubrimientos automotrices. En una modalidad, la red neural incluye una capa de entrada que tiene nodos para recibir datos de entrada relacionados con la formulación de recubrimiento (concentraciones del componente) . Las conexiones pesadas conectan los nodos de la capa de entrada y tienen coeficientes para pesar los datos de entrada. Una capa de entrada que tiene nodos se conecta directa o indirectamente a las conexiones pesadas contenidas en las capas ocultas. La capa de entrada genera datos de salida que se relacionan con las propiedades incoloras del recubrimiento. Los datos de la capa de entrada (concentraciones del componente) y los datos de la capa de salida (propiedades medidas) se interrelacionan a través de la relación no lineal de la red neural y pueden usarse, una vez que la red neural se entrena, para predecir las propiedades medidas de una formulación de recubrimiento.

Los datos empíricos que consisten de datos de la mezcla química histológica y las propiedades medidas de las mezclas, se usan para entrenar los pesos de la red usando un método de retro-propagación del entrenamiento supervisado. La red entrenada después se usa para predecir las propiedades medidas de las mezclas químicas mediante un cálculo de alimentación hacia adelante. La invención es útil para describir la relación entre las variables de la mezcla química y las propiedades medidas de la mezcla. La red entrenada puede predecir las propiedades de las nuevas mezclas químicas sin la verificación experimental costosa. La red neural de la mezcla química puede usarse para, pero no se limitan a, propiedades de predicción de las nuevas mezclas, identificar errores de fórmulas o para correcciones de las fórmulas. Las ventajas y aspectos adicionales de la presente invención llegarán a ser evidentes a partir de la descripción subsecuente y de las reivindicaciones anexas, tomado en conjunto con las siguientes figuras.

BREVE DESCRIPCIÓN DE LAS FIGURAS La Figura 1 es un diagrama generalizado que representa la estructura de la red neural de la mezcla química de la presente invención; La Figura 2 es un diagrama generalizado que ilustra el proceso de cálculo en un nodo de una red de mezcla química; y La Figura 3 es un diagrama de bloques que ilustra el entrenamiento de la red y los procesos de predicción hacia adelante.

DESCRIPCIÓN DETALLADA DE LA INVENCIÓN La invención proporciona un método y aparato para predecir las propiedades de una mezcla química. La invención emplea una red neural artificial implementada por computadora. La red neural contiene por lo menos dos capas de elementos de procesamiento, una capa de entrada y salida. Los elementos de procesamiento se interconectan en un patrón predeterminado con los pesos de conexión predeterminados entre los mismos. La red se ha entrenado previamente para simular la respuesta de la mezcla química a la variación de las entradas a la misma. Cuando se entrena, los pesos de conexión entre los elementos de procesamiento contienen información con respecto a la relación entre los componentes de una mezcla química (entradas) y las propiedades medidas (salidas) de la mezcla, lo que puede usarse para predecir las propiedades finales de la mezcla química a la variación en los componentes de la mezcla. Dado que el método de la invención se basa en los datos históricos de formulación de los valores de propiedad, la predicción de los valores de propiedad usando tal método tiene por lo regular un error que se aproxima al error de los datos empíricos, de modo que las predicciones de la invención a menudo son tan precisas como los experimentos de verificación. Con referencia ahora a las figuras, La Figura 1 muestra una red neural de mezcla química en general representada en 10. La red neural de la mezcla química 10 se configura como una red de retro-propagación que incluye tres capas de procesamiento (o tres capas de neurona) , una capa de entrada 12, una capa oculta 14 y una capa de salida 16. La red se organiza de modo que la capa de entrada 12 contiene un grupo de por lo menos uno a i elementos de procesamiento llamados nodos de entrada, la capa oculta 14 tiene un grupo de por lo menos uno a j elementos de procesamiento llamados nodos ocultos, y la capa exterior 16 tiene un grupo de por lo menos uno a k elementos de procesamiento llamados nodos de salida. Los elementos o nodos de procesamiento se interconectan de modo que la relación entre el componente de la mezcla química y las entradas de la condición del proceso y salidas de la propiedad de medición pueden calcularse simplemente, cuando se implementa la red. En la presente invención, como se muestra en la Figura 1, la red de procesamiento se organiza de modo que la capa de entrada 12 contiene un nodo (In) para cada mezcla química o variable de entrada de proceso del modelo. Los nodos de entrada se conectan completamente a los nodos ocultos (H) de la capa oculta 14 de la red y los nodos ocultos se conectan completamente a los nodos de salida (Out) de una cala de salida 16 de la red. Hay un nodo de entrada para cada componente de la mezcla o variable de entrada de condición de proceso y un nodo de salida para cada salida de medición de propiedad del proceso. Las flechas de la línea de conexión (L) indican la dirección del cálculo de los valores de entrada a través de la red a los valores de salida. El número de nodos ocultos puede variarse con el aumento en el número de nodos ocultos adicionados a la capacidad de la red para modelar la complejidad de la relación de entrada a salida. Cada línea de conexión tiene un peso de conexión asociado con ésta y cada nodo oculto y de salida tiene un peso de umbral adicional. Los pesos de la red son los parámetros de la red que permiten que la red modele la relación de entrada a salida. Las redes con capas ocultas múltiples y las redes que no se conectan completamente son estructuras de una red alternativa posible, pero la red de tres capas conectada completamente es suficiente para modelar los procesos de la mezcla química. La Figura 2 es una representación generalizada del proceso de cálculo mostrado en un nodo 18, pero que se usa a través de la red. Los nodos son los elementos de procesamiento o cálculo de la red. Cada nodo 18 se refiere al proceso de cálculo en los nodos ocultos y de salida. Cada nodo 18 tiene un puerto de entrada Pj.n y un puerto de salida Pout- El nodo es sensible a una pluralidad de señal o señales de excitación o intensidad I? a Im presentadas en el puerto de entrada P?n y es operativo para producir una señal de activación Qout llevada a cabo en una línea Lout conectada en el puerto de salida Pout- Cada uno de los valores de la intensidad de entrada Ii a Im se conecta al puerto de entrada Pn del nodo 18 sobre una línea respectiva Li a Lm que tiene un peso de conexión respectivo predeterminado i a m. Un peso de umbral (T) sin ninguna conexión de entrada proporciona un nivel de umbral para la entrada del nodo. Esto es equivalente a una línea de conexión de entrada adicional Lm+? al nodo con una señal de excitación constante o intensidad Im+? de 1. La señal de excitación Qout que se produce en la línea Lout en el puerto de salida Pout del nodo es una función de la señal de entrada Qin aplicada al puerto de entrada Pin. La señal de entrada Q?n es la suma, sobre todas las líneas de entrada al nodo, del producto de la intensidad de una señal de excitación dada I y el peso de conexión W de la línea L que porta la señal al nodo, más el peso de umbral como se muestra en la Ecuación 1. m Qin= T + ?WzIz (i) z=\ La salida del nodo (Qout) se computa por una función de compresión no lineal (S) que limita la Qout a un intervalo finito para cualquier valor de Qin. La función de compresión típica es la función logística como se muestra en la ecuación 2, pero puede usarse cualquier función de aumento monotónica no lineal. La salida del nodo después es la respuesta no lineal comprimida a las salidas del nodo lineal como se muestra en la ecuación 3 y como se lleva a cabo en una o más líneas (Lout) a los nodos en la siguiente capa de red. Las salidas del nodo son entonces las intensidades de las entradas a los nodos en la siguiente capa de la red. El cálculo del nodo se lleva a cabo en todos los nodos de la capa oculta y de salida, pero no en los nodos de la capa de entrada. La capa de entrada tiene un sólo valor de intensidad de entrada y no tiene función de compresión. Los nodos de la capa de entrada representan simplemente los valores de intensidad de los datos de entrada. Los valores Qout de la capa de salida son los estimados de la red de los valores de propiedad. Es usual escalar todos los valores de entrada y salida de la red a un intervalo conveniente, tal como 0 a 1. Los valores de los datos de entrada y salida no escalados se transforman para caer dentro de este intervalo. La transformación puede ser cualquier función monotónica con salida en el intervalo 0 a 1. Por lo regular, la operación de escalamiento es una transformación lineal, pero pueden usarse transformaciones logarítmicas, exponenciales u otras transformaciones monotónicas de una sola variable. La práctica usual es usar la misma operación de escalamiento para las entradas o salidas con las características de los datos comunes. Por ejemplo, todos los componentes de la mezcla tienen intensidades entre 0 y 1 y, de esta manera, pueden usar la misma transformación de escalamiento de entrada. Por el contrario, los valores de entrada o salida con escalas numéricas disimilares (por ejemplo, componentes de la mezcla (0 a 1) , temperatura del proceso (60°F a 90°F) (15.56°C, 32.22°C)), tendrán típicamente transformaciones de escalamiento diferentes. Para construir tal red neural que puede usarse para predecir las propiedades de una mezcla química, el método de la invención comprende cuatro fases: colección de datos, estructura de la red, entrenamiento y predicción hacia adelante. La colección de los datos proporciona información empírica para entrenar la red. Las cantidades del componente de la mezcla química y las mediciones de la propiedad de la mezcla se obtienen de la historia del proceso o los experimentos de calibración. Las variables de proceso adicionales, tales como condiciones ambientales o condiciones de aplicación de la mezcla química pueden influenciar los valores de la propiedad medida. Los datos para estas variables independientes se colectan para el uso en la modelación de las relaciones entre las entradas y las salidas del proceso. Una estructura de red se construye con nodos de entrada para cada variable de proceso (componentes de la mezcla y condiciones de proceso) , uno o más nodos ocultos y nodos de salida para cada medición de propiedad del proceso. Los nodos se conectan completamente por las conexiones de peso entre los nodos de entrada y oculto y entre el oculto y la salida. Los pesos del umbral adicional se aplican a los nodos oculto y de salida. Cada nodo de la red representa un cálculo simple de la suma pesada de las entradas de los nodos previos y una función de salida no lineal. El cálculo combinado de los nodos de la red se relaciona con las entradas a las salidas del proceso. Las redes separadas pueden desarrollarse para cada medición de propiedad o los grupos de propiedades pueden incluirse en una sola red. El entrenamiento estima los pesos de la red que permiten que la red calcule los valores de salida cerca de los valores de salida medidos. Se usa un método de entrenamiento supervisado, en el que los datos de salida del proceso se usan para dirigir el entrenamiento de los pesos de la red. •Los pesos de la red se inicializan con valores aleatorios pequeños o con los pesos de una red entrenada parcialmente previa. Las entradas de los datos del proceso se aplican a la red y los valores de salida se calculan para cada muestra de entrenamiento. Los valores de salida de la red se comparan con los valores de salida medidos. Se aplica un algoritmo de retropropagación para corregir los valores del peso en direcciones que reducen el error entre las salidas medidas y calculadas. El tipo específico de algoritmo de retropropagación usado es un algoritmo de ecuación diferencial ordinaria complicada como se describe en la Patente U.S. No. 5,046,020 presentada por David L, Filkin, Distributed Parallel Processing Network Wherein the Connection Weights are Generated Using Stiff Differential Equations, y en Owens, A.J. and D.L. Filkin, 1989, Efficient training of the back propagation network by solving a system of stiff ordinary differential equations, International Joint Conference on Neural Networks, Washington, DC, 2, 381-386, cuyas descripciones se incorporan en la presente por referencia. El proceso es iterativo hasta que no puede hacerse una reducción adicional en el error. Un método de validación cruzada se emplea para dividir los datos en los grupos de datos de entrenamiento y prueba. El grupo de los datos de entrenamiento se usa en el entrenamiento de retropropagación de los pesos de la red. El grupo de datos de prueba se usa para verificar que la red entrenada generaliza para hacer buenas las predicciones sobre las mezclas químicas independientes. El mejor grupo de peso de la red se toma como el que predice mejor las salidas del grupo de datos de prueba. De manera similar la variación en el número de nodos ocultos de la red y la determinación de la red que se desempeña mejor con los datos de prueba optimiza el número de nodos ocultos. La predicción hacia adelante usa la red entrenada para calcular las estimaciones de las salidas del proceso para las nuevas mezclas químicas. Un nuevo grupo de valores de la mezcla y proceso se introduce a la red entrenada. Un cálculo de alimentación hacia adelante a través de la red se hace para predecir los valores de la propiedad de salida. Las mediciones predichas pueden compararse con los valores o tolerancias blanco de la propiedad. Si los valores de la propiedad predichos son inaceptables, la variación de los valores de entrada del proceso puede hacer una corrección. Cuando se implementa la red, los componentes de la mezcla y opcionalmente las condiciones de proceso se consideran las entradas al modelo de la mezcla química y las propiedades medidas se consideran las salidas del modelo de la mezcla química. La variación en las propiedades medidas se relaciona con la variación en los componentes de la mezcla.

Esto es, los componentes de la mezcla son las variables independientes del proceso y las propiedades medidas son las variables dependientes del proceso. Los componentes de la mezcla se expresan como las concentraciones fracciónales de la cantidad total de la mezcla. En general, la propiedad de una mezcla depende de las concentraciones fracciónales del componente en lugar de la cantidad total de la mezcla. Por ejemplo, una mezcla 50:50 en volumen de agua y anticongelante tiene una temperatura de congelación de -30°F (-34.44°C) y la temperatura de congelación no depende de si la cantidad de la muestra de la mezcla es de 1 ml o 1 1. Las fórmulas de la mezcla pueden expresarse en peso, volumen u otras unidades de cantidad. La concentración fraccional es simplemente la cantidad de un componente en la mezcla dividido por la cantidad total de la mezcla. La suma de las concentraciones fracciónales será la unidad. Las concentraciones fracciónales son variables continuas en el intervalo de 0 a 1. Las propiedades de la mezcla pueden ser cualquier característica medible. La característica puede ser una medición continua, ordinal o nominal. Por ejemplo, un recubrimiento formulado puede tener una medición de la viscosidad de la mezcla líquida en una escala continua. Otra medición puede ser la medición de cascara de naranja de la película de recubrimiento aplicada en una escala ordinal de categoría 10 de 1 (muy rugosa) a 10 (muy lisa) . Un ejemplo de una medición nominal puede ser las categorías codificadas de paso o fracaso para la observación de algún defecto. Muchas veces las propiedades medidas de las mezclas dependen de las variables de proceso además de los componentes de la mezcla. Por ejemplo, las variables ambientales pueden influenciar una medición de la propiedad. En el ejemplo del recubrimiento anterior, la temperatura de la mezcla durante la medición puede influenciar la medición de la viscosidad. La inclusión de la temperatura como una variable de entrada de proceso puede mejorar el desempeño del modelo. Las variables de aplicación también pueden influenciar las mediciones de la propiedad y pueden incluirse en el modelo del proceso como entradas . Una mezcla puede procesarse en el equipo A, B o C. Pueden usarse tres variables binarias para codificar la variable nominal del equipo como se muestra en la tabla 1.

Tabla 1 Ejemplo del uso de las variables binarias para codificar tres niveles de una variable nominal .

De esta manera, el modelo del proceso tiene una entrada continua para cada componente de la mezcla química y puede tener opcionalmente entradas de proceso de no mezcla continuas, ordinales o nominales adicionales. De una manera similar, el modelo del proceso puede tener una o más salidas medidas y las salidas pueden ser variables continuas, ordinales o nominales. Un ejemplo simple de un proceso de valores de entrada y salida del proceso se llama ejemplar. Una colección de valores de los datos de entrada y salida se requiere para desarrollar el modelo del proceso. Estos ejemplares pueden obtenerse a partir de un experimento de calibración del proceso o historia del proceso. Los datos del proceso deberían cubrir el intervalo útil de cada una de las entradas de proceso. Por ejemplo, si el componente de la mezcla A se usa en el intervalo de 0 a 0.1 y el componente B en el intervalo de 0.3 a 0.7 entonces los datos del proceso deberían incluir mezclas con varios niveles de A y B dentro de estos límites restringidos. Dado que la relación de entrada a salida es a menudo compleja, las muestras no lineales e interactivas deberían cubrir el intervalo útil en combinaciones con múltiples niveles de otras entradas de proceso. Un experimento de calibración se diseña para muestrear el espacio de diseño de la mezcla e incluir niveles variados de los componentes de la mezcla. Algunas de estas mezclas pueden ser mezclas puras o mezclas binarias o ternarias simples. También es útil incluir mezclas complejas que simulan las mezclas multi-componentes usuales del proceso. Alternativamente, los datos de la historia del proceso pueden colectarse de la operación de rutina del proceso. Algunas veces el proceso de rutina no puede muestrear el intervalo de potencial completo de una variable de proceso o pueden existir ejemplares para un componente de la mezcla particular. La combinación de la historia del proceso y los datos de calibración pueden superar este problema. Los datos de calibración aseguran que cada componente se muestrea adecuadamente sobre su intervalo de diseño, mientras que los datos de la historia proporcionan muestras en regiones usadas frecuentemente del espacio de la mezcla. Los datos del proceso de usan para entrenar a la red de la mezcla química. La validación cruzada divide los datos del proceso en los grupos de datos de entrenamiento y prueba. Por lo regular, 80% de los datos se usan para entrenar la red y 20% se reservan para estimar el error de la red con los datos que son independientes del entrenamiento. El grupo de los datos de prueba permite que el desarrollador de la red verifique que la relación de la red entrenada entre las entradas y las salidas del proceso generalizará a nuevos ejemplares . Cuando la red se entrena, proporciona un modelo de la relación entre el componente de la mezcla química y las entradas de la condición del proceso y las salidas de la propiedad de medición. Cuando se implementa, como se muestra en las Figuras 1 y 2, la red puede calcular simplemente las propiedades medidas con base en la variación de las entradas en un alto grado de precisión. La Figura 3 es un diagrama de bloques que representa el proceso para el entrenamiento supervisado de la red neural de la mezcla química. Los ejemplares de entrenamiento se introducen hasta el bloque de entrada (1) y se alimentan hacia adelante al bloque de la red (N) que computa los estimados de la salida en el bloque de salida (O) . El bloque de error (E) contiene las diferencias observadas entre los estimados de la salida (O) y los valores de la propiedad medida (M) . El entrenamiento supervisado se refiere al uso de los valores de la medición de salida conocidos para guiar el entrenamiento de los pesos de la red para minimizar las diferencias entre los estimados de salida y las mediciones de salida. El entrenamiento usa un algoritmo de entrenamiento de retropropagación. Se asume una estructura de red con uno o más nodos ocultos. Los pesos de la red se inicializan por uno de dos métodos. En el primer método, todos los pesos de la red se proporcionan en valores aleatorios pequeños. En un segundo método, una red entrenada previa con h nodos ocultos se usa para inicializar una red con más pesos ocultos h. La conexión y los pesos de umbral asociados con los nodos ocultos adicionados se inicializan con valores aleatorios pequeños y los pesos restantes se inicializan adoptando los pesos de la red previa. Cada ejemplar de entrenamiento se aplica a la red y se obtienen los estimados y las diferencias de la salida. El algoritmo de retropropagación (B) ajusta los pesos de la red en pequeñas etapas en direcciones que reducen las diferencias. El algoritmo de retropropagación itera hasta que se obtiene un mínimo local del error mínimo cuadrado de las diferencias. El error rms (raíz de la media cuadrada) de las diferencias se encuentra y representa el error estimado de la red para los ejemplares de entrenamiento. La red entrenada se verifica por la validación cruzada. Los ejemplares de prueba se introducen a la red que obtiene los estimados de salida que se comparan con los valores de salida conocidos para determinar las diferencias. El error rms del grupo de los datos de prueba se compara con el error rms del grupo de los datos de entrenamiento. El mejor de un grupo de modelos en un número variado de iteraciones de entrenamiento se toma como la red con el error de prueba mínimo. Esta es la red que generaliza mejor la relación de entrada a salida con nuevos ejemplares independientes. De manera similar, las redes con numeración variada de unidades ocultas se comparan y la red con el error rms de prueba mínimo se toma como la mejor red. La red de la mezcla química entrenada después se emplea para hacer predicciones de las mediciones de la propiedad de los nuevos ejemplares por la predicción hacia adelante. Los nuevos grupos de valores de entrada se introducen a la red (I) , se alimentan hacia adelante a través del cálculo de la red (N) para predecir los estimados de los valores de propiedad (O) . Los valores de propiedad estimados pueden compararse con los valores blanco o límites de tolerancia para determinar si la mezcla es apropiada para su propósito destinado. La sensibilidad de los estimados de salida a la variación de los valores de entrada en la vecindad de la mezcla de entrada puede determinarse y usarse para guiar el ajuste interactivo o automatizado de los valores de entrada para producir estimados de propiedad aceptables. Los siguientes ejemplos se proporcionan para ilustrar la invención y no deberían interpretarse de ninguna manera como limitantes. En particular, estos ejemplos ilustran la invención en el contexto para predecir las propiedades incoloras de las formulaciones de recubrimiento automotrices, por ejemplo, propiedades físicas (viscosidad, ondulación) y apariencia (ocultamiento, brillo, distinción de la imagen) cuando se varían las variables de entrada (cantidades del ingrediente de la pintura, condiciones del proceso de aplicación) . Un experimentado en la técnica entendería que el método de la presente invención también es útil para predecir las propiedades de otros tipos de mezclas químicas, ya sea sólidas o líquidas, que incluyen, pero no se limitan a, otros tipos de pinturas y recubrimientos, tintas, incluyendo tintas de inyección de tinta, alcoholes, combustible diesel, petróleo, plásticos, mezclas poliméricas, películas y similares .

EJEMPLO 1 Las redes neurales se desarrollaron para predecir la relación entre las formulaciones de recubrimiento y el ocultamiento del sustrato en los sistemas de recubrimientos de reparación de colisiones automotrices. Se usaron cuatro sistemas de recubrimientos de reparación de colisiones codificados A, B, C, D. Los cuatro sistemas son sistemas de intermezclas de una tinta de pigmento simple y los componentes aglomerantes que pueden combinarse para hacer una amplia variedad de colores para igualar un color automotriz que es reparado. Los sistemas A y C se usan para reparar los colores automotrices uniformes y los sistemas B y D se usan para reparar los colores automotrices que contienen hojuelas metálicas o perlescentes. Se representan el último tipo de colores como colores de efecto. La mezcla de recubrimiento que va a usarse para una reparación se define por una fórmula que indica las cantidades másicas de los componentes para hacer un volumen acostumbrado del recubrimiento líquido. Por ejemplo, pueden usarse las cantidades del componente de la fórmula en gramos para hacer un volumen de un galón. La propiedad que va a predecirse es el espesor de película requerido para eliminar el contraste visual del color sobre los sustratos negro y blanco. Esta propiedad se llama ocultamiento de negro y blanco y mide la propiedad mediante un método descrito bajo los Métodos de Prueba. El ocultamiento se mide como un espesor de película y en este caso se mide el espesor en unidades de milésimos. La fórmula del proceso y los datos de ocultamiento se obtuvieron para los cuatro sistemas de recubrimiento. Para los sistemas A y B se prepararon nuevas muestras de calibración que incluyeron escaleras de cada tinta en mezclas con una tinta blanca para los colores uniformes o una tinta de hojuela de aluminio para los colores de efecto. Además, las fórmulas del proceso histórico se prepararon con nuevas mediciones del ocultamiento. Algunas fórmulas se realizaron en dos niveles de la relación de la masa sólida del pigmento a la masa sólida de aglomerante (llamada la relación de pigmento a aglomerante, P/B) para proporcionar la variación en el nivel de aglomerante para las fórmulas de color similares. Para los sistemas C y D, las fórmulas y los datos de ocultamiento se tomaron de los registros del proceso histórico. Las fórmulas del componente de la tinta y aglomerante se normalizaron, de modo que las concentraciones de la masa del componente suman 1. Todas las concentraciones del componente usaron un escalamiento lineal común para proporcionar las entradas a la red. El ocultamiento medido se escaló de forma logarítmica para formar la salida de la red. Los estimados del ocultamiento de la red se transforman a las unidades naturales por comparación con los valores de ocultamiento medidos . Las redes se entrenan por retropropagación en un número variado de unidades ocultas y la mejor red se determina por el método de validación cruzada. La Tabla 2 resume los resultados para las redes de predicción de la mezcla química para los cuatro sistemas de recubrimiento. La estructura de la red (I-H-O) proporciona el número de nodos en las capas de entrada, oculta y salida de la red. Los datos de ocultamiento del proceso se resumen por conteo, media de los datos, datos mínimos y datos máximos. El desempeño de predicción de la red se muestra por la desviación estándar de los residuales entre los valores de ocultamiento estimados y medidos.

Tabla 2 Resumen de las redes de predicción de la mezcla química para cuatro sistemas de recubrimiento Los modelos de regresión lineal múltiple (MLR) se desarrollaron para el ocultamiento como una función de un modelo de mezcla de los componentes para los sistemas de recubrimiento A y B. Las desviaciones estándares residuales para la red y los modelos de MLR fueron 0.21 y 0.49 respectivamente para el sistema A y 0.24 y 0.32 respectivamente para el sistema de recubrimiento B. En ambos casos, la red de predicción de la mezcla química tiene un error residual menor que un modelo de MLR con las mismas entradas del componente de la mezcla. Las redes de las mezclas de recubrimientos para la predicción del ocultamiento para los sistemas A, B, C y D se implementan en los elementos de programación (software) del propietario para la igualación del color automotriz para ayudar al técnico a ajustar el nivel de aglomerante para satisfacer las metas del proceso para el ocultamiento. Los elementos de programación proporcionan un estimado del ocultamiento por la predicción hacia adelante por cualquier mezcla de los componentes del sistema de recubrimientos.

EJEMPLO 2 Una colección de aproximadamente 3300 colores uniformes se desarrolló en un sistema de intermezclado de recubrimientos para el mercado de flotilla de camiones de trabajo pesado. Se deseó proporcionar estimados de la propiedad para las fórmulas de color en esta colección especial. Las propiedades de interés incluyeron ocultamiento del negro y blanco, viscosidad, apariencia, cascara de naranja y ondulación. Las mediciones de estas propiedades se describen bajo los Métodos de Prueba. Las fórmulas y los datos de medición de la propiedad se tomaron de los primeros 1213 desarrollos de la fórmula de color. Estos datos incluyen un pequeño número de muestras de calibración en o cerca de la fórmula del tono másico para tintas simples con adiciones de aglomerante de balance apropiado. El resto fueron fórmulas de proceso reales. Las mediciones de la propiedad para las 100 fórmulas de color se repitieron para estimar el error de replicación de las mediciones de la propiedad. En el momento en que se extrajeron los datos, algunos de los datos de la propiedad fueron incompletos, de modo que entre los ejemplares 1088 y 1200 estuvieron disponibles para las diferentes mediciones de la propiedad. Catorce tintas de pigmento simple y un aglomerante fueron los componentes de las mezclas. Las fórmulas del peso se normalizaron de modo que la suma de los componentes fue 1 y los componentes están en unidades de concentración másicas fracciónales. La apariencia de la red tuvo una variable de proceso adicional para el espesor de la película de recubrimiento en milésimos. Todos los componentes de la mezcla usaron la misma transformación de entrada lineal. La entrada del espesor de la película tuvo una transformación de entrada lineal separada. Las mediciones de la propiedad correlacionada se agruparon dentro de una red. Por ejemplo, una red de predicción de la viscosidad tuvo salidas para la viscosidad inactivada, viscosidad activada al tiempo 0 minutos, viscosidad activada a 30 minutos, y viscosidad activada a 60 minutos. En otro ejemplo, una red de apariencia tuvo salidas para un brillo de 20 grados, brillo de 60 grados y distinción de la imagen. Las propiedades restantes del ocultamiento, cascara de naranja y ondulación tuvieron cada una, una red separada. Todas las salidas se escalaron linealmente. Las redes de predicción de la mezcla química se entrenaron por retropropagación para cada grupo de propiedades en un número variado de unidades ocultas con la mejor red seleccionada por el método de validación cruzada. La Tabla 3 resume los resultados. La desviación estándar residual entre las estimaciones de la propiedad de la red y las mediciones es comparable con la desviación estándar de las diferencias entre las mediciones de la propiedad replicada. Las predicciones de la red son tan precisas como las mediciones de la propiedad.

Tabla 3 Resumen de las redes de predicción de la mezcla química para un sistema de recubrimientos de intermezcla.

La predicción hacia adelante usando las redes de predicción de la propiedad de la mezcla química se empleó para estimar las propiedades de 2200 fórmulas de color adicionales en la colección de color uniforme especial.

MÉTODOS DE PRUEBA USADOS EN LOS EJEMPLOS Los siguientes métodos de prueba se usaron para generar los datos reportados en los ejemplos anteriores: Medición del ocultamiento El ocultamiento negro y blanco visual de un recubrimiento automotriz se mide determinando el umbral visual para el contraste del recubrimiento sobre los sustratos negro y blanco. Una banda de prueba de contraste negro y blanco (monitores de atomización negro & blanco Lenetam forma M71 o equivalente) se adhiere a un panel de sustrato de aluminio o acero de 4 x 12 pulgadas (10.16 x 30.48 cm) . El recubrimiento se aplica por atomización al panel con una variación de espesor de película en un gradiente continuo de delgado en un extremo del panel a grueso en el otro extremo, de modo que el umbral de contraste de ocultamiento aparece en el tercio central del panel. Por ejemplo, si el umbral de contraste de ocultamiento se presenta a 1.5 milésimos, entonces la cuña se prepara para que el espesor de la película varíe de aproximadamente 1 milésimo en el extremo delgado a aproximadamente 2 milésimos en el extremo grueso. La muestra de prueba se llama una cuña de ocultamiento. La cuña de ocultamiento se visualiza por un técnico bajo condiciones de iluminación estandarizada. El técnico determina la posición en la cuña de ocultamiento en donde el contraste visual entre el color de recubrimiento sobre el negro y sobre el blanco solo desaparece. Este es el umbral de contraste de ocultamiento visual. El espesor del recubrimiento sobre los sustratos de acero o aluminio en la posición del umbral se mide y se reporta como el valor de ocultamiento de negro y blanco. Los valores de ocultamiento se reportan usualmente en milésimas o unidades micrométricas.

Medición de la ondulación La ondulación para un recubrimiento automotriz es el espesor de película en el que un recubrimiento aplicado verticalmente parece que ondula o inclina la superficie vertical. El recubrimiento de prueba se aplica verticalmente con un espesor de película variado a lo largo de una dimensión de un panel de prueba de ondulación. El panel de prueba de ondulación es un sustrato de acero de 10 x 10 pulgadas (25.4 x 25.4 cm) con un primario de electrodeposición y con seis cabezas de remache metálicas espaciadas a lo largo de una región superior del panel. La ondulación se marca en el área debajo de las cabezas de remache en donde se forma una lágrima o en donde se mide un cristal de ventana de pulgada (1.27 cm) en la parte superior del panel (lo que se presente primero) . La muestra de ondulación se aplica por atomización con los remaches en una posición vertical en el lado izquierdo o derecho del panel y se coce verticalmente con los remaches alineados en forma horizontal en la parte superior del panel, de acuerdo con la especificación del producto. El técnico observa visualmente la muestra de prueba de ondulación y determina la posición en donde la ondulación se presenta primero. El espesor de la película de recubrimiento se mide en la posición de la ondulación y el valor de la ondulación se reporta como un espesor de película en milésimos o micrómetros.

Medición de la viscosidad La viscosidad de una muestra de pintura líquida se determina midiendo el tiempo requerido para que un volumen conocido de la pintura fluya a través de un orificio de diámetro conocido en un recipiente de viscosidad. El método es equivalente a ASTM-D-1084, Método D. Se usa un recipiente de viscosidad Zahn suministrado por Paul N. Gardner, Pompano Beach, FL 33060 o equivalente. El recipiente consiste de un recipiente de acero inoxidable de 44 ± 0.5 ml con mangos de alambre y un orificio de flujo de diámetro fijo. La muestra de pintura llena el volumen fijo del recipiente. Se emplea un cronómetro u otro dispositivo de tiempo para medir el tiempo transcurrido entre el inicio del flujo y la primera ruptura en la corriente que sale del orificio de flujo. La viscosidad se reporta en segundos de flujo. En los sistemas de pintura de dos componentes reactivos, es útil monitorear el aumento en la viscosidad después de que la pintura se activa con un iniciador de reacción. La viscosidad de la pintura desactivada, la pintura activada inmediatamente después de la activación, la pintura activada después de 30 minutos y la pintura activada después de 60 minutos se miden para asegurar que la viscosidad se mantiene dentro de intervalos aceptables.

Mediciones de la apariencia Una muestra de recubrimiento se aplica y se coce de acuerdo con la especificación del producto para preparar una muestra de prueba para las mediciones de la apariencia. Se determina la cascara de naranja por comparación visual de la textura de la superficie de la muestra de prueba con una serie de estándares de cascara de naranja que varían en 10 etapas de cada textura rugosa (escala 1) a textura muy lisa (escala 10) . Los estándares de referencia de la cascara de naranja se suministran por ACT Laboratories Inc., Hillsdale, MI 49242 como el producto Aprl4941at. El brillo se mide por un proceso equivalente a ASTM D523-89 Standard Test Method for Specular Gloss. Un medidor de brillo PG-3 HunterLab ProGloss o equivalente mide el brillo de la muestra de prueba a ángulos de 20 y 60 grados de reflexión especular. La distinción de la imagen se mide por un proceso equivalente a ASTM E430-97 Standard Test Method for Measurement of Gloss of High-Gloss Surfaces by Goniophotometry usando un medidor de distinción de la imagen Dorigon II HunterLab. Las diferentes modificaciones, alteraciones, adiciones o sustituciones de los métodos y aparato de esta invención serán evidentes para los experimentados en la técnica sin apartarse del espíritu y alcance de esta invención. Esta invención no se limita por las modalidades ilustrativas establecidas en la presente, sino que en vez de esto se define por las siguientes reivindicaciones. Se hace constar que con relación a esta fecha, el mejor método conocido por la solicitante para llevar a la práctica la citada invención, es el que resulta claro de la presente descripción de la invención.

Claims

REIVINDICACIONES Habiéndose descrito la invención como antecede, se reclama como propiedad lo contenido en las siguientes reivindicaciones : 1. Un método para predecir las propiedades incoloras de una mezcla química, caracterizado porque comprende: a) colectar los datos de la historia y/o calibración hechos por las variables de una mezcla química que incluyen cantidades del ingrediente de la mezcla química y opcionalmente otras variables de proceso ambientales y de aplicación y las correspondientes propiedades medidas de estas mezclas; b) desarrollar una red neural que tiene la capacidad de asociar la contribución de las variables de la mezcla química con las propiedades medidas de las mezclas; c) entrenamiento supervisado de la red neural usando los datos de la historia y/o calibración, de modo que la red predice la relación entre las variables de la mezcla química y las propiedades medidas; d) emplear la red neural para hacer las predicciones hacia adelante de las mediciones de la propiedad de las nuevas mezclas químicas.
2. El método de conformidad con la reivindicación 1, caracterizado porque después de la etapa (d) las propiedades predichas pueden compararse con los blancos de desempeño de la propiedad, de modo que los ajustes de la mezcla química pueden realizarse para satisfacer los blancos de desempeño de la propiedad.
3. El método de conformidad con la reivindicación 1, caracterizado porque la red neural incluye una capa de entrada que tiene una pluralidad de nodos de entrada que se asocian con cada ingrediente de la mezcla, variable de proceso ambiental y de aplicación, por lo menos una capa oculta que tiene nodos ocultos, una capa de salida que tiene uno o más nodos de salida que representan las propiedades de salida de la mezcla, conexiones pesadas entre los nodos de entrada de la capa de entrada, los odós ocultos de las capas ocultas y los nodos de salida de la capa de salida, y pesos de umbral sobre los nodos oculto y de salida, en donde las conexiones pesadas y los pesos de umbral determinan la contribución de los ingredientes de la mezcla y opcionalmente, las otras variables a las propiedades medidas.
4. El método de conformidad con la reivindicación 1, caracterizado porque se usa para predecir las propiedades de una formulación de pintura.
5. El método de conformidad con la reivindicación 1, caracterizado porque los datos históricos y/o de calibración incluyen además una o ambas variables ambientales y variables del proceso de aplicación.
6. El método de conformidad con la reivindicación 4, caracterizado porque las propiedades medidas de la formulación de pintura incluyen las propiedades de la pintura fresca y/o las propiedades de los recubrimientos formados con la misma.
7. El método de conformidad con la reivindicación 4, caracterizado porque las propiedades medidas de la formulación de pintura se seleccionan de por lo menos una del grupo que consiste de los valores de ocultación, viscosidad, ondulación y apariencia y cualesquiera combinaciones de los mismos.
8. El método de conformidad con la reivindicación 6, caracterizado porque las propiedades medidas de la formulación de pintura se seleccionan del grupo que consiste de los valores de ocultamiento, viscosidad, ondulación y apariencia y cualesquiera combinaciones de los mismos.
9. El método de conformidad con la reivindicación 1, caracterizado porque se usa para predecir las propiedades de las formulaciones de tinta.
10. Un sistema para predecir las propiedades incoloras de una mezcla química, caracterizado porque comprende: a) un dispositivo de entrada para introducir una receta de una mezcla química que contiene dos o más ingredientes; b) una red neural entrenada previamente para predecir la respuesta de la propiedad medida de la mezcla química a la variación en cantidades del ingrediente de la mezcla y opcionalmente variables ambientales y de proceso; c) un dispositivo de salida que despliega las propiedades predichas de la nueva receta de la mezcla introducida en la red usando la entrada.
11. El sistema de conformidad con la reivindicación 10, caracterizado porque después de que el dispositivo de salida despliega las propiedades predichas, las propiedades predichas pueden compararse con los blancos de desempeño de la propiedad, de modo que los ajustes de la mezcla química pueden realizarse para satisfacer los blancos de desempeño de la propiedad.
12. El sistema de conformidad con la reivindicación 10, caracterizado porque la red neural incluye una capa de entrada que tiene una pluralidad de nodos de entrada que se asocian con cada ingrediente de la mezcla, variable de proceso ambiental y de aplicación, por lo menos una capa oculta que tiene nodos ocultos, una capa de salida que tiene uno o más nodos de salida que representan las propiedades incoloras de salida de la mezcla, conexiones pesadas entre los nodos de entrada de la capa de entrada, los nodos ocultos de las capas ocultas y los nodos de salida de la capa de salida, y pesos de umbral sobre los nodos oculto y de salida, en donde las conexiones pesadas y los pesos de umbral determinan la contribución de los ingredientes de la mezcla a las propiedades medidas.
13. El sistema de conformidad con la reivindicación 10, caracterizado porque se usa para predecir las propiedades de una formulación de pintura.
14. El sistema de conformidad con la reivindicación 10, caracterizado porque la red neural se entrena para predecir la respuesta de la propiedad medida de la mezcla química a la variación en las cantidades del ingrediente de la mezcla y ya sea una o ambas variables de proceso ambientales y de aplicación.
15. El- sistema de conformidad con la reivindicación 13, caracterizado porque las propiedades medidas de la formulación de pintura incluyen propiedades de la pintura fresca y/o propiedades de los recubrimientos formados con la misma.
16. El sistema de conformidad con la reivindicación 13, caracterizado porque la propiedad medida de la formulación de pintura se selecciona de por lo menos una del grupo que consiste de valores de ocultamiento, viscosidad, ondulación y apariencia y cualesquiera combinaciones de los mismos.
17. El sistema de conformidad con la reivindicación 15, caracterizado porque la propiedad medida de la formulación de pintura se selecciona de por lo menos una del grupo que consiste de valores de ocultamiento, viscosidad, ondulación y apariencia y cualesquiera combinaciones de los mismos.
18. El sistema de conformidad con la reivindicación 10, caracterizado porque se usa para predecir las propiedades de las formulaciones de tintas. RESUMEN DE LA INVENCIÓN La presente invención se relaciona con un método y aparato para predecir las propiedades incoloras de una mezcla química, tal como una pintura automotriz, usando una red neural artificial. La red neural incluye una capa de entrada que tiene nodos para recibir los datos de entrada relacionados con los componentes químicos de la mezcla y las condiciones ambientales y de proceso que pueden afectar las propiedades de la mezcla. Una capa de salida que tiene nodos genera datos de salida que predicen las propiedades de la mezcla química como resultado de la variación de los datos de entrada. Una capa oculta que tiene nodos se conecta a los nodos en las capas de entrada y salida. Las conexiones pesadas conectan los nodos de las capas de entrada, oculta y salida y los pesos de umbral se aplican a los nodos de la capa oculta y de salida. La conexión y los pesos de umbral tienen valores para calcular la relación entre los datos de entrada y los datos de salida. Los datos para la capa de entrada y los datos para la capa de salida se interrelacionan a través de la relación no lineal de la red neural. Cuando se implementa, pueden obtenerse predicciones precisas de las propiedades finales de la mezcla. La invención es especialmente útil para relacionar las variables de formulación de la pintura automotriz (por ejemplo, cantidades del ingrediente de pintura y condiciones del proceso de aplicación) con las propiedades físicas (por ejemplo, viscosidad, ondulación) , apariencia (por ejemplo, ocultamiento, brillo, distinción de la imagen) u otras propiedades medidas que permiten la comparación de las propiedades de la fórmula con valores o tolerancias blanco sin un trabajo experimental extensivo.