TWI756645B - 產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物、或其它塗覆材料之組合物的方法、電腦系統、電腦程式、及系統 - Google Patents

Abstract

本發明係關於一種用於產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之一組合物之方法。該方法包含：a.使用已知組合物(206)來訓練一迴旋神經網路，其中使一損失函數(228)針對該訓練而最小化，b.測試以判定該損失函數之值是否滿足一指定準則，其中選擇性地，在不滿足該準則之情況下實行以下步驟：i.由一主動學習模組自一定量的指定試驗組合物(208)選擇一試驗組合物(212)，ii.驅動用於生產及測試組合物之一化學設施(244)，以生產及測試該所選試驗組合物，iii.使用該所選試驗組合物及其由該設施捕捉之特性來訓練該迴旋神經網路，iv.重複地實施步驟b，c.藉由將一輸入向量(402)輸入至該迴旋神經網路中來產生塗料、 清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之一預報組合物，d.由該迴旋神經網路(226)輸出該預報組合物。

Description

產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物、或其它塗覆材料之組合物的方法、電腦系統、電腦程式、及系統

本發明係關於一種用於產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之方法。

塗料、清漆及印刷油墨組合物、研磨樹脂、顏料濃縮物及其它塗覆材料之組合物為原料之複合混合物。塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之慣用組合物或配方或調配物含有約20種原料，在下文亦被稱為「組分」。此等組合物由例如選自以下各者之原料組成：固體，諸如顏料及/或填充劑、黏合劑、溶劑、樹脂、固化劑及各種添加劑，諸如增稠劑、分散劑、濕潤劑、黏著促進劑、消泡劑、表面改質劑、流量控制劑、催化添加劑，諸如乾燥劑及催化劑，及專用添加劑，諸如殺生物劑、光引發劑及腐蝕抑制劑。

迄今為止已基於經驗值指定了具有特定、所要特性之新組合物、調配物及重調配物，且相應地進行了化學合成及測試。由於相互作用之複雜性，甚至技術人員亦幾乎不可能預報滿足化學、物理、光學、觸 覺及其它計量學可捕捉特性之特定期望之新組合物的構成。原料彼此相互作用之多樣性及因此所涉及之大量失敗嘗試使此途徑既耗時又昂貴。

US 2018/0276348 A1揭示了一種用於生產化學調配物之認知電腦系統。該系統判定滿足某些限制之化學調配物，並生產及測試化學調配物。此電腦系統係基於使用化學調配物之現有資料來訓練進行學習之系統。然而，鑒於所涉及之大量時間及材料，編譯足夠大的資料集以使用此資料來訓練學習邏輯系統係極複雜且亦昂貴的。在許多情況下，同樣，沒有可能僅僅使用大多數實驗室中存在的關於已合成及分析之組合物的資料集。此可能存在各種原因：實驗室為新設置的，且尚不具有任何此類資料池。實驗室正在建立新產品線且尚無與此新產品線之特性相關的經驗或對應資料集。或者，確實存在之資料範疇過窄或過於偏頗(就其歷史組成而言)而不能用作訓練資料集。

因此，當前對關於具有所要特性之組合物之組分的估計及預測(由人工實行或者電腦輔助)強加了高度約束的限制。具有眾多相關特性及眾多組分之複雜組合物尤其如此，具有眾多相關特性及眾多組分為具有塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之情況，此係因為該等組分以複雜方式彼此相互作用並決定對應化學產品之特性。

因此，目前必須首先以真實化學品形式生產新組合物，且接著量測其特性，以允許估計該等組合物是否展現特定的所需特性。儘管已存在自動地預報化學物質之特性的途徑，但編譯具有足夠大小及品質之訓練資料集仍常常比直接生產及測試所討論之組合物更複雜。在塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之領域中開發新組 合物尤其複雜並需要大量時間。 因此，本發明之目標係提供一種以更節約時間且更有成本效益的方式開發新組合物或開發重調配物之方法。

該目標係由根據技術方案1的用於產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之方法達成，且亦係由對應電腦系統及電腦程式產品達成。本發明之實施例指示於附屬請求項中。本發明之實施例可彼此自由地組合，其限制條件為其不互斥。

在一個態樣中，本發明係關於一種用於產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之方法。組合物係由電腦系統產生。電腦系統能夠存取儲存有已知組合物以及其組分及特性之資料庫。電腦系統連接至用於生產及測試塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之設施。電腦系統包含迴旋神經網路(CNN)及主動學習模組。該方法包含以下步驟：a.使用儲存於資料庫中之已知組合物來訓練迴旋神經網路，其中使損失函數針對該訓練而最小化，b.測試以判定損失函數之值是否滿足指定準則，其中選擇性地，在不滿足準則之情況下實行以下步驟：i.由主動學習模組自一定量的指定試驗組合物選擇一試驗組合物，ii.由電腦系統驅動設施來生產及測試所選試驗組合物，iii.使用所選試驗組合物及其由設施捕捉之特性來訓練迴旋神經網路，iv.重複地實施步驟b， c.藉由將輸入向量輸入至迴旋神經網路中來產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之預報組合物，d.由迴旋神經網路輸出預報組合物。

此可為有利的，此係因為在全自動或半自動反覆方法中，逐步地且以目標方式擴展現有訓練資料集以包括呈試驗組合物及其憑經驗判定之特性之形式的有意義的額外訓練資料，在每一反覆時用所擴展之訓練資料集重新訓練神經網路，藉此在每一反覆之後改良網路之預測品質，直至損失函數滿足準則-亦即，直至網路之預報誤差已變得足夠小。

由於已知組合物之數目有限，故在初始訓練階段之後獲得的經訓練神經網路常常尚未處於可靠地預測展現一系列所要特性之預報調配物的位置。由此，所使用之資料池常常過小。

由主動學習模組延伸訓練資料集會使得有可能以目標方式選擇一些試驗組合物，以特別有益於神經網路及其預測之品質。因此，在複數次反覆中，經由有希望特別極大地改良神經網路之預測模型之試驗組合物的自動及目標選擇，且亦經由基於所選特定試驗組合物之自動執行的合成及分析步驟，有可能以高效方式達成神經網路之預測能力之快速改良。若在反覆之後發現損失函數滿足準則，則不再有必要擴展訓練資料集，此係因為可將經訓練神經網路之預測能力視為足夠。

在另一有利態樣中，經由自動地選擇特別增強神經網路之預測能力的試驗組合物，主動學習模組能夠擴展已知組合物之現有資料存量，使得可在很大程度上自動地補償就訓練資料而言的任何不平衡。

根據本發明之實施例，試驗組合物之量係由試驗規劃程式自動地產生。例如，可藉由添加或省略組分或藉由修改一或多種組分之量 及/或濃度而基於已知組合物自動地產生試驗組合物。

此可為有利的，此係因為可自動地產生極大量的試驗組合物。因此有可能用候選組合物涵蓋大的資料空間。由試驗組合物涵蓋之資料空間可尤其具有如下優勢：若例如試驗規劃程式經設計成產生試驗組合物，使得實質上每一組分經受相似變化(移除、添加、改變濃度)，則該資料空間之「偏置」較小，該等變化涵蓋廣泛的資料空間，以產生試驗組合物。

根據本發明之實施例，已知組合物及/或試驗組合物之組分係選自由以下各者組成之群組：固體，諸如顏料及/或填充劑；黏合劑；溶劑；樹脂；固化劑；及各種添加劑，諸如增稠劑、分散劑、濕潤劑、黏著促進劑、消泡劑、表面改質劑、流量控制劑、催化添加劑及專用添加劑。

根據本發明之實施例，由設施捕捉之試驗調配物之特性係選自由以下各者組成之群組：儲存穩定性；pH值；流變性，尤其為黏度；密度；相對質量；色彩性，尤其為顏色強度；生產期間成本降低；及顏料良率改良。

根據本發明之實施例，在電腦系統之使用者介面上輸出預報組合物。使用者介面可為例如顯示器、揚聲器及/或印表機。

此可為有利的，此係因為使用者能夠在預報組合物被傳輸至化學設施以用於合成目的之前再次手動地檢查預報組合物之真實性。

根據實施例，設施包含至少兩個工作站。至少兩個工作站經由運輸系統彼此連接，自力推進式運輸載具能夠在該運輸系統上運行以運輸組合物之組分及/或在工作站之間所生產之組合物之組分。

根據實施例，該方法進一步包含：將組合物輸入至控制設施之處理器，其中輸入至處理器中之組合物為所選試驗組合物或預報組合物，其中處理器驅動設施以生產輸入組合物，其中在至少兩個工作站中生產輸入組合物且量測輸入組合物之特性，此後在電腦系統之使用者介面上輸出所量測特性及/或將所量測特性儲存於資料庫中。處理器可為例如設施之主控制電腦之處理器，該主控制電腦為該設施之部分或經由網路在操作上連接至該設施。

對試驗組合物進行反覆合成及測試(判定試驗組合物之特性)以擴展訓練資料集可為有利的，此係因為提供了全自動或(若需要使用者確認)半自動系統以對經界定的、已存在的訓練資料集進行目標擴展，以反覆地改良神經網路。因此，基於神經網路之預測方法藉由對應地控制化學設施並自動地使用如此產生之經驗資料以便擴展訓練資料集而自動地且反覆地改良了其自身。

預報組合物之合成及測試(預報組合物之特性之判定)可為有利的，此係因為提供了如下系統：其中使用者僅需要指定化學產品之所要特性；此產品所需之組分的判定及具有所要特性之產品的產生係自動地進行，其限制條件為神經網路已能夠針對輸入向量中指定之所需特性判定預報組合物。

根據實施例，電腦系統經組態以經由通信介面與資料庫及/或與用於生產及測試塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之設施通信。通信介面可採取USB、乙太網路、WLAN、LAN、藍芽或另一網路介面之形式。

根據實施例，組合物包含調配物或由調配物組成。

在另一態樣中，本發明係關於一種用於產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之電腦系統。電腦系統包含資料庫及使用者介面，且經組態以實施用於產生根據本發明之實施例之組合物之方法。

在另一態樣中，本發明係關於一種電腦程式、數位儲存媒體或電腦程式產品，其具有指令，該等指令可由處理器執行並在由處理器執行時使處理器實施用於產生根據本發明之實施例之組合物之方法。

在另一態樣中，本發明係關於一種系統，其包含該電腦系統及一設施。該設施為用於生產及測試塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之設施。設施包含至少兩個工作站。至少兩個工作站經由運輸系統彼此連接，自力推進式運輸載具能夠在該運輸系統上運行以運輸組合物之組分及/或在工作站之間所生產之組合物之組分。

「組合物」在本文中係指至少指定供形成化學產品之原料(「組分」)之性質的化學產品規格。在本申請案之背景中對組合物之生產或測試之任何提及應被理解為如下簡式方式：說明化學產品係根據發明內容中關於組分且亦視情況關於其濃度所指定之細節而生產，或各別地說明此化學產品被「測試」-亦即，其特性係計量學地捕捉。

「調配物」在本文中係指除了組分陳述以外另外亦包含各別組分之量細節或濃度細節的組合物。

「已知組合物」為指定化學產品之組合物，該化學產品之特性在神經網路訓練時為進行該訓練之組織或個人所知，此係因為已知組合物曾用以生產化學產品，且已憑經驗量測了該產品之特性。該量測未必 由現在判定預報組合物的化學實驗室之操作員實行；代替地，其亦可由其它實驗室實行及公佈，且因此在此情況下，特性係獲自專題文獻。根據上文定義，因為組合物亦包括子量之調配物，所以根據本發明之實施例的「已知組合物」亦可包含「已知調配物」或為「已知調配物」。

「試驗組合物」係指指定化學產品之組合物，該化學產品之特性在神經網路訓練時不為進行該訓練之組織或個人所知。例如，試驗組合物可為已手動地或自動地指定，但尚未用於對應化學產品之實際生產的組合物。因此，此產品之特性亦為未知的。根據上文定義，因為組合物亦包括子量之調配物，所以根據本發明之實施例的「試驗組合物」亦可包含「試驗調配物」或為「試驗調配物」。

「預報組合物」在本文中被理解為如下組合物：關於該組合物，經訓練神經網路預測(預報)到該組合物指定化學產品，該化學產品之特性對應於由使用者強制之所要特性之規格。可將所要特性之規格提供至神經網路，例如作為針對所要特性中之每一者指示所要或可接受的參數值或參數值範圍之輸入向量。

「資料庫」在本文中係指儲存有資料，尤其為結構化資料之任何資料儲存設施或記憶體區域。資料庫可包含一或多個正文檔案、試算表檔案、目錄樹中之目錄，或例如MySQL或PostgreSQL之關聯式資料庫管理系統(DBMS)之資料庫。

預測問題之「損失函數」(亦被稱為「目標函數」)為用於神經網路訓練並輸出一值之函數，該值之量提供經訓練神經網路之預測模型之品質的指示且該值應在訓練過程中最小化，此係因為此值之量指示神經網路之預測之有誤性。

用於生產及測試組合物之「設施」在本文中係指如下系統：其由複數個實驗室設備物品及運輸單元組成，並能夠以精心安排的方式聯合地控制實驗室設備物品及運輸單元，以自動地或半自動地實行化學工作流程。該工作流程可為例如合成工作流程或分析工作流程，或兩種工作流程之組合。

藉助於設施進行之「測試組合物」係指計量學地捕捉(「分析」)已根據組合物之細節產生之化學產品的特性。

「主動學習模組」為軟體程式，或軟體程式之模組，其經設計成以目標方式自一定量的試驗組合物選擇(相對小的)子量之試驗組合物，使得在合成及憑經驗量測此所選試驗組合物之特性之後及在訓練神經網路時已考量此資料之後，出現特別強的學習效果。

100:流程圖

102:步驟

104:步驟

106:步驟

108:步驟

110:步驟

112:步驟

114:步驟

116:步驟

118:步驟

200:分散式系統

202:DBMS

204:資料庫

206:具有特性之已知組合物

208:試驗組合物(特性未知)

210:最初使用之訓練資料集

212:所選試驗組合物

214:針對試驗組合物之選擇命令

218:所選試驗組合物之憑經驗判定之特性

222:主動學習模組

224:電腦系統

226:神經網路

228:損失函數

244:化學設施

246:主控制電腦

248:控制軟體

252:分析裝置

254:合成裝置

256:合成裝置

258:運輸單元

300:試驗組合物之多參數資料空間之2D細節

302:資料點(各自表示試驗組合物)

304:資料點(各自表示試驗組合物)

308:資料點(各自表示試驗組合物)

312:資料點(各自表示試驗組合物)

316:經訓練神經網路之預測模型之分模線

318:流變學上可接受之區域

320:流變學上不可接受之區域

400:神經網路之結構

402:輸入向量

404:神經網路之層

406:輸出向量

在以下各圖中，更詳細地例示性闡明本發明之實施例：圖1 展示用於訓練神經網路並用於使用經訓練網路來預測特性及/或預測液體介質之組成之方法的流程圖；圖2 展示用於訓練神經網路並用於使用經訓練網路之分散式系統的方塊圖；圖3 展示供主動學習模組以目標方式選擇資料點之多維資料空間之2D細節；圖4 展示具有輸入及輸出向量之神經網路之架構。

圖1展示用於產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之電腦實施方法的流程圖100。該方法 可例如由如圖2中所表示之電腦系統224執行。

在第一步驟102a)中，將已知組合物用作「初始訓練資料集」以訓練迴旋神經網路，使得回應於接收到包含上文所指定之種類之化學產品之一或多種所要特性的輸入向量，迴旋神經網路預測具有此等所要特性之預報組合物。預報組合物至少指定組成前述種類(塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料)之化學產品之組分的性質，且視情況亦指定其各別量及/或濃度。已知組合物與由此已知組合物指定之化學產品之已知、憑經驗判定之特性的組合表示整個初始訓練資料內之個別資料點或資料集。

在下一步驟104(b)中，檢查損失函數之值是否滿足一強制的準則。滿足準則表達如下事實：經訓練神經網路之預測準確性應被視為足夠。選擇性地，在不滿足準則之情況下實行下文所概述之步驟106至112。否則，結束訓練(步驟114)且返回經完全訓練之神經網路。

在步驟106中，主動學習模組自一定量的強制的試驗組合物自動地選擇一試驗組合物。存在大量不同的可根據本發明之實施例使用之主動學習途徑。

根據一個實施方案變型，主動學習模組遵循「期望模型改變」途徑，並選擇試驗組合物，該試驗組合物(在考量此試驗組合物及其真實量測特性而進行網路再訓練時)將為經訓練神經網路之當前預測模型帶來最大改變。

根據另一實施方案變型，主動學習模組遵循「期望誤差減小」途徑，並選擇將最大程度地減小經訓練神經網路之當前預測模組之誤差的試驗組合物。

根據另一實施方案變型，主動學習模組遵循「最小邊限超平面」途徑，並選擇最接近分模線或分模平面之試驗組合物，該分模線或分模平面在多維資料空間中由經訓練神經網路之當前預測模型產生。分模線或分模平面包含在多維資料空間內的界面，在該等界面中，預測模型作出分類決策，亦即將分模線或分模平面之一個側上之資料點指派至與分模線之另一側上之資料點不同的類別或種類。資料點與分模平面之此近接被解譯為意謂預測模型關於分類決策係不確定的，且將特別極大地受益於自此分模平面之近接另外量測實際使用資料集(由組分及視情況為其濃度以及根據該等組分之此組合物產生之化學產品之所量測特性的組合組成)，藉此以實行神經網路之進一步訓練。

在自資料庫選擇試驗組合物中之一者之後，在步驟108中，電腦系統驅動用於生產及測試化學組合物之設施，以便根據所選試驗組合物中之細節自動地生產及測試化學產品。此測試被理解為意謂計量學地捕捉化學產品之一或多種特性-換言之，例如量測pH值、色值、黏度或其類似者。

使用在實際使用中量測並在步驟108中獲得之特性以補充所選試驗組合物，以形成由已知組合物及已知特性組成之另一完整資料點，其用以擴展在a)及/或先前反覆中所使用之訓練資料集。在步驟110中，因此使用所延伸之訓練資料集再訓練神經網路。根據實施方案變型，此可被進行使得基於所擴展之訓練資料集再次完全進行訓練，或遞增地進行步驟110中之訓練，使得保留之前已學習的內容且僅藉由考慮新訓練資料點而修改該內容。

在步驟112中，起始經訓練神經網路之預測品質之重複測 試，且重複步驟104至112，直至網路具有足夠的預測品質，如自如下事實顯而易見：損失函數滿足準則，換言之，例如由損失函數計算之「誤差值」低於預定義最大值。

經完全訓練之神經網路接著可用於極快速地且可靠地預測具有一或多種所要特性之組合物(所謂的「預報組合物」)。出於此目的，使用者在步驟116中將輸入向量輸入至經訓練神經網路中，該輸入向量指定一或多種所要特性。例如，輸入向量之元素可由應被理解為所要或可接受的值或值範圍之數值或值範圍組成。例如，要求可為生產具有在界定值範圍內之黏度及在界定顏色範圍內之顏色的清漆。

因為網路在複數次反覆中基於合理且目標擴展之訓練資料集已學習了組分(及視情況亦為其濃度)與所得化學產品之特性之間的統計相關性，所以經訓練神經網路接著能夠在步驟118中預測具有所要特性之預報調配物，並將此調配物輸出至使用者及/或化學設施以供直接合成。

訓練神經網路之目標係使得經訓練網路基於所要特性及對應參數值範圍之輸入量能夠預測預報組合物，換言之，至少為具有所要特性之化學產品之組分之性質及數目以及視情況亦為各別量的規格。因此，在將預測應用於組分為已知且實際特性已憑經驗量測之測試組合物時，存在正確或錯誤的預報結果。使用「損失函數」評價經訓練神經網路之預報品質，如上文所提及。

亦可被理解為分類問題之預測問題之「損失函數」(亦被稱為「目標函數」)可在最簡單的情況下例如僅計數來自一定量的預測之正確辨識的預測。正確預測之比例愈高，則經訓練神經網路之預測模型之品質愈高。例如，諸如黏度之流變特性是否處於預定義之可接受的範圍內的 問題可被理解為分類問題。

然而，亦存在眾多替代可能的用於評價經訓練神經網路之預測準確性的損失函數及對應準則。例如，網路可接收呈輸入向量之形式的所要特性，且可使用此資料來預測組合物之組分之性質。在此等應用情境中，神經網路應估計值而非類別，換言之，例如組合物之組分之量。此等應用情境被稱為回歸問題。其需要不同目標函數。例如，回歸問題之損失函數可為計算由網路預測之值與實際上量測之值相差之程度的函數。例如，損失函數可為輸出值與每一預測組分同合成組合物中實際上使用之組分的偏差之總值正相關的函數。總值可為例如算術平均值。例如，若由網路預測的組合物之所有組分之此等總偏差(誤差)低於關於實際上使用之組分之預定義臨限值，則可將經訓練神經網路之品質視為足夠。在此情況下，神經網路可用以預測指定具有一或多種所要特性之化學產品的未知組合物。另一方面，若預測組分同實際上使用之組分的此等總偏差在相比於強制的最大值中更大的程度上偏離，則自動地使主動學習模組藉由以下方式來擴展訓練資料集：選擇另一試驗組合物，使化學設施合成此組合物並分析其特性，且使用所選試驗組合物連同針對其量測之特性作為所擴展之訓練資料集中之額外資料點，以使用所擴展之訓練資料集來再訓練神經網路。

基於由設施判定之特性在每一反覆再訓練時形成之輸入向量含有根據所選試驗組合物合成之產品的憑經驗量測之特性。輸出向量含有所選試驗組合物之一定量的預測組分，且因此，使用損失函數，可比較該等預測組分與試驗組合物之實際組分。用於測試損失函數之輸入向量較佳地在每一反覆時相同，藉此允許由損失函數計算之誤差值之改變歸於網 路之預測模型之改變，而不歸於輸入向量之改變。在一些實施例中，損失函數亦用於具有憑經驗已知之特性之複數種測試組合物，以在判定損失函數是否滿足特定準則時加寬資料池。

當網路訓練結束時，經訓練神經網路能夠基於指定複數種所要特性及對應參數值範圍之輸入向量來預測、產生及輸出預報組合物。此資訊可輸出至使用者及/或設施，且可自動地使設施根據預報組合物生產化學產品並憑經驗測試其是否具有所要特性。

非常一般地，所描述之方法可尤其有利於在生產塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物及其它塗覆材料之背景中計算預報組合物，此係因為幾乎不可能基於眾多組分及其相互作用來預測合適的組合物。例如，為了在液體介質中分散固體(例如顏料、填充劑或染料)，通常使用分散劑(亦被稱為分散添加劑)以達成固體之有效分散，減小分散所需之機械剪切力，並同時使填充程度最大化。分散劑促進聚結物之破裂，且作為表面活性材料，分散劑潤濕及/或覆蓋要分散之固體或粒子之表面，並使其就非想要的再聚結而言穩定。在生產塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物及其它塗覆材料時，分散劑促進諸如顏料、染料及填充劑之固體之併入，該等固體作為組合物之重要成分實質上決定此類系統之視覺外觀及物理化學特性。為了最佳利用，一方面，此等固體必須在組合物中均一地分佈，且另一方面，一旦達成該分佈，該分佈就必須穩定。大量不同的物質如今用作固體之分散劑。除了諸如卵磷脂、脂肪酸及其鹽或烷基苯酚乙氧基化物之極簡單的低分子量化合物以外，更複雜的高分子量結構亦用作分散劑。此處，尤其廣泛地使用胺基官能性及醯胺基官能性系統。分散劑之選擇及濃度可對產品之特性產生相當大的影響。

圖2展示分散式系統200之方塊圖，該分散式系統用於訓練神經網路226並用於使用經訓練網路來預測組合物，尤其為塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物。

該系統包含以已知組合物206為特徵且亦以試驗組合物208為特徵之資料庫204。如上文已描述，該資料庫可最簡單地由例如儲存一或多個檔案、正文檔案或逗點分隔檔案之記憶體區域組成。在圖2所展示之實施例的情況下，資料庫200為資料庫管理系統(DBMS)之資料庫，例如諸如MySQL之關聯式DBMS之資料庫。使用關聯式DBMS在相對大的資料集之情況下尤其有利於管理及快速地搜尋資料集，從而允許更準確地指定並更快速地執行搜尋。例如，已知組合物206可儲存於第一資料庫表中，且試驗組合物208可儲存於另一資料庫表中。然而，亦有可能將已知組合物及試驗組合物儲存於單一表中，並在資料集中由後設資料/「旗標」相應地標記不同類型。資料被歸檔之方式可由技術人員自由地選擇，其限制條件為儲存類型准許兩種類型之組合物之間的邏輯辨別。

已知組合物206可包含例如一定量的資料集，其在每一情況下包含已至少一次實際上用於合成對應化學產品之組合物，及此產品之物理、化學、觸覺、光學及/或其它計量學可捕捉特性。例如，已知組合物206可為之前已由特定組織或由特定實驗室或由特定實驗室設施244合成之全部彼等組合物，且在彼等組合物中，亦已憑經驗捕捉至少一些前述計量學可捕捉參數。

儲存於資料庫204中之已知組合物206因此由以下事實區分：不僅其組分(亦即，個別化學成分及其各別量及/或濃度細節)，而且根據此組合物合成之化學產品之至少一些計量學可捕捉特性，為吾人所知。 化學產品之每一已知組合物因此在資料庫204中被表示為包含此產品之組分且亦包含此產品之該等計量學捕捉特性的資料集。

另一方面，儲存於資料庫204中之試驗組合物208為物理、化學、觸覺、光學及/或其它計量學可捕捉特性至少為資料庫及/或實驗室設施244之操作員未知的組合物。此由圖2中之問號指示。因此，在資料庫204中，試驗組合物被表示為如下資料集：其確實特性化化學產品之組分(亦即，個別化學成分以及視情況亦為其各別量及/或濃度圖)，但不特性化此產品之該等計量學可捕捉特性。例如，可能不存在所陳述之特性，此係因為所討論之組合物從未用以或至少未由所討論之實驗室或實驗室設施用以合成對應化學產品。

在一些實施例中，試驗組合物208可由技術人員手動地編譯並儲存於資料庫中。例如，化學家能夠基於其塗料及清漆合成經驗以及塗料及清漆之各別特性而指定由技術人員期望為具有此等特定所要材料特性之新試驗組合物。試驗組合物可例如由技術人員藉由省略或新添加個別組分來修改已知組合物而產生。若組合物亦包含一定濃度之一或多種組分(「調配物」、「延伸組合物」)，則亦可藉由改變已知組合物中之組分之濃度形成此類延伸試驗組合物。

在其它實施例中，試驗組合物208被自動地編譯並儲存於資料庫204中。例如，已知組合物206中之每一者可由20種不同的化學組分組成。接著藉由用其它物質替換組合物中之個別組分而自動地產生試驗組合物208。

若組合物為具有濃度細節之「延伸」組合物，則亦可藉由使已知組合物206中之個別組分之量變化，亦即例如將其增加10%及/或將 其降低10%，而形成試驗組合物。若在每一情況下僅使單一組分不斷地變化，所使用之該組分之量增加10%及亦減少10%，則因此每組分形成兩種變型。在20種組分之情況下，接著，此方法產生40種試驗組合物。自動地生產之試驗組合物之數目較佳地藉由兩種或更多種組分之濃度相對於其在已知組合物中之濃度同時增加或減少10%而更進一步增加。純粹以組合方式，可以此方式自動地產生2²⁰=1048576種延伸試驗組合物。可藉由針對20種組分中之每一者使用甚至更多的濃度變型，亦即例如-20%、-10%、+10%、+20%，及/或藉由省略或另外使用化學組分，而另外極大地增加試驗組合物之數目。試驗組合物之量可因此極高，尤其是在自動地產生試驗組合物之情況下。

在一些實施例中，試驗組合物208不僅包括手動編譯之試驗組合物，而且包括自動產生之試驗組合物。

例如，自動地產生試驗組合物可為有利的，此係因為其允許以快速方式涵蓋由組分及視情況亦為其濃度構成之極大參數空間，當使用對應演算法來產生試驗組合物時，此參數空間通常廣泛地且以粗網方式涵蓋個別組分及其濃度。

手動補充之試驗組合物可為如下試驗組合物：對於技術人員而言，基於其經驗知識，該等試驗組合物對應於神經網路之特別高的學習效果，或出於其它原因，技術人員自該等試驗組合物之合成預期有利的洞察力。

在圖2中，通常大量的試驗組合物係由資料庫204僅涵蓋100種已知組合物但涵蓋900種試驗組合物之事實指示。然而，已知組合物與試驗組合物之間的實際數值比很大程度上取決於特定情況-換言之， 例如取決於多少組合物已由特定實驗室產生並判定其化學特性，資料庫是否具有來自外部源之整合式已知組合物及其特性，及/或試驗組合物已被手動地抑或自動地編譯。因此，完全有可能使資料庫204包括幾千種已知組合物。著眼於成本及獲利能力，試驗組合物之量通常顯著大於實驗室實際上可實體地實行之經驗合成試驗之量。

分散式系統200進一步包含電腦系統224，其包含神經網路226及主動學習模組222。主動學習模組222能夠存取資料庫204。該存取至少包含讀取存取，以便能夠自資料庫204讀出一或多種所選試驗組合物及其組分。根據一些實施例，根據所選試驗組合物合成化學產品並對其進行計量學分析之主動學習模組及/或化學設施244亦對資料庫204具有寫入權限，以在資料庫中儲存所選試驗組合物之計量學捕捉特性。例如，儲存所選且新合成之試驗組合物之計量學捕捉特性可使此試驗組合物變為已知組合物，且對應地，在資料庫204中，儲存於不同位置處及/或具有不同後設資料(「旗標」)。例如，DBMS 202可安裝於資料庫伺服器上，使得主動學習模組及/或化學設施244對資料庫204之存取係經由網路而進行。該網路可更特定地為組織之企業內部網路，或者為網際網路。

其它系統架構亦係可能的。例如，資料庫204及/或DBMS 202亦可為電腦系統224或主控制電腦246之部分，及/或神經網路226及主動學習模組222可安裝於不同電腦系統上。獨立於實際上選擇之架構，必須有可能交換如圖2中所表示之資料210、212、214、218，例如使得形成該方法之部分的所有組件能夠自其它組件獲得所需輸入資料。資料交換可直接進行或經由諸如閘道器之其它組件而間接進行。例如，在一些實施例中，化學設施可將所選試驗組合物之計量學捕捉特性直接儲存至資料庫 204中，或僅將其發送至電腦系統224，該電腦系統接著將該等特性儲存於資料庫204中，使得試驗組合物之資料集由該等特性補充，以變為「已知組合物」。

根據另一替代系統架構，電腦系統224及主控制電腦246為同一電腦系統。

根據本發明之實施例，電腦系統224或安裝於其上之組件226、222首先經設計成自資料庫讀出已知組合物206，並使用已知組合物206作為用於神經網路226之初始訓練的訓練資料集210。在神經網路之訓練過程中，產生神經網路之預測模型，且基於訓練資料集，此模型對用以合成化學產品之組分(亦即組合物)與合成產品之計量學捕捉特性之間的關係模型化。憑藉在訓練過程中獲得之此預測模型，經訓練神經網路能夠基於以輸入向量之形式輸入的所要特性來預測指定預期具有所要特性之產品的組合物。可能的所要特性之實例為，化學產品之黏度處於某一參數值範圍內。

由於已知組合物206及其特性之數目有限，故在初始訓練階段之後獲得的經訓練神經網路226在一些情況下尚不能基於所要特性之清單足夠可靠地預測組合物之組分。若情況如此，則所使用之資料池常常過小。

藉由在設施244中合成所有試驗組合物且此後計量學地判定其特性來擴展訓練資料集通常成本過高及/或過於複雜。根據本發明之實施例，使用主動學習模組使得有可能以目標方式選擇一些試驗組合物，且僅針對此等組合物在化學設施244中合成及分析對應化學產品，以在極小合成數目下(且因此在最低成本及複雜度下)擴展訓練資料集，以便藉助 於使用所擴展之訓練資料集之更新訓練來顯著改良神經網路226之預測模型之預測能力。在使用所擴展之資料集進行神經網路之更新訓練之後，再次使用損失函數228測試神經網路之預測能力。若在此測試中未滿足強制的準則，且若例如損失值因此超過強制的最大值，則此意謂神經網路或其預測模型之品質仍未足夠高，且應使用在甚至更大程度上擴展之訓練資料集進行進一步訓練。在彼情況下，主動學習模組關於迄今為止尚未被選擇並用於合成對應介質之試驗組合物實行另一選擇步驟。如所描述，基於所選試驗組合物合成化學產品，且計量學地捕捉此產品之特性，使得所選試驗組合物連同所量測特性可作為新訓練資料集添加至現有訓練資料，以基於在甚至更大程度上擴展之訓練資料集再訓練神經網路226。因此，在複數次反覆中，經由有希望特別高程度地改良神經網路之預測模型之試驗組合物的自動及目標選擇，且亦藉由基於所選特定試驗組合物之自動執行的合成及分析步驟，有可能以高效方式達成神經網路之預測能力之快速改良。若在反覆之後發現損失函數滿足準則，則不再需要擴展訓練資料集，此係因為經訓練神經網路之預測能力可被視為足夠。

可例如如圖3中所展示而完成要選擇之試驗組合物之識別。主動學習模組222經組態以自資料庫204讀出所識別之試驗組合物(例如藉助於針對關聯式資料庫之SELECT命令214)，並將其傳輸至化學設施244。電腦系統224因此包括用於與設施244通信之介面及/或為該設施之部分。設施經組態以基於所選試驗組合物212合成化學產品，並量測合成產品之一或多種特性。例如，設施可包含複數個合成裝置254、256或合成模組及複數個分析裝置252(或分析模組)，其各自在合成或分析化學產品或化學產品之中間物時實行一或多個步驟。設施另外具有一或多個運輸單 元258，例如傳送帶或機器人臂，其在各種合成及/或分析單元之間來回運輸組分、中間物及消耗品。設施244包含具有控制軟體248之主控制電腦246，或經由網路在操作上耦接至此類電腦246。控制軟體248經組態以協調由合成及分析單元及由運輸單元實行之合成、分析及/或運輸步驟，使得根據所選組合物212中之資訊合成化學產品且計量學地捕捉其特性。控制軟體較佳地在資料庫204中儲存新合成之所選組合物之捕捉特性218(直接或經由電腦224之介導)，使得所儲存之特性與所選試驗組合物連結。在此情況下，接著，補充所選試驗組合物之「不完整」資料集以包括在設施244中計量學地捕捉之特性，且藉此轉化為「已知組合物」。

此外，將所選試驗組合物之特性218傳輸至電腦系統224，且因此，由主動學習模組選擇之組合物212及該組合物之特性218的組合產生新的完整資料集，從而延伸全部訓練資料。基於所延伸之訓練資料集，新訓練神經網路，且藉助於損失函數228來測試訓練資料之延伸對神經網路之預測品質的影響。若損失函數之值滿足預定義準則，亦即，例如若該值僅具有低於最大值之損失值，則可結束訓練。否則，將準則測試之結果傳輸至主動學習模組，使主動學習模組選擇另一試驗組合物。

根據一些實施例，用於合成及分析化學產品之設施244或者複數個設施亦為分散式系統200之部分。

設施244可為高輸送量實驗設施(HTE設施)，例如用於分析及生產塗料及清漆之高輸送量設施。例如，HTE設施可為WO 2017/072351 A2中所描述之種類的用於自動地測試及自動地生產化學產品之系統。

因此，使用圖2中所展示之系統，技術人員能夠不需要多 個滴定階段及將以非目標且複雜的方式合成及分析之組分組合物，以便獲得足夠大的訓練資料集。由於組分、其各別組合及濃度之間的關係之巨大複雜性，且亦由於化學產品、其組分及其濃度之各種計量學可捕捉特性之間的關係之複雜性，技術人員通常幾乎不可能整體地且以目標方式在智力上掌握所有此等關係，以實行高度有希望的組合物之手動指定。面對組分及濃度之組合可能性範圍的巨大規模，技術人員亦可僅對此可能性範圍之相對小及在更大或更小程度上隨機選擇之區段不斷地實際上實行經驗測試。因此，迄今為止，已不可避免地將大量時間及材料用於合成及分析組合物，該等組合物最終具有非想要的產品特性及/或其用作訓練資料集之部分並不提供神經網路之預測模型之品質的任何顯著改良。經由使用主動學習模組進行一些試驗組合物之目標選擇，可使提供適合於開發準確神經網路之訓練資料集的操作顯著加速。

在另一有利態樣中，根據本發明之實施例，系統200可用以提供訓練資料集，其經由試驗組合物之目標選擇而提供已知組合物之現有歷史集之最佳補充。已知組合物206可為已在實驗室或實驗室設施之操作過程中合成及分析之組合物及其特性，其中已儲存對應資料。因此，可能地，已知組合物遍及組分以視情況亦為濃度之組合可能範圍並不均一地分佈，而是由實驗室或設施之操作歷史隨機地產生。主動學習模組可被使用及組態以藉由一些另外的實驗合成及分析來補充最初基於使用已知組合物206之初始訓練而形成的神經網路之預測模型，使得例如僅由已知組合物206不充分地涵蓋之組分及濃度現在藉助於目標選擇之試驗組合物涵蓋。

當神經網路之反覆訓練已結束時，經訓練神經網路可用以 預測組合物(「預報組合物」)，該等組合物具有某些計量學可捕捉特性，且因此位於就例如化學或物理或其它參數而言之界定且所要的值範圍內。為此目的，所要特性被表示為輸入向量並輸入至經訓練神經網路中。神經網路接著確定可用以產生具有所要特性之化學產品的組分之性質(及視情況亦為其量)。預報組合物可與控制命令一起由神經網路自動地傳輸至設施244，以根據預報組合物產生化學產品。控制命令可視情況亦使設施實行此產品之特性之自動量測，並將預報組合物與針對該組合物獲得之特性一起儲存於資料庫中，且藉此擴展已知組合物之量。

圖3展示多維資料空間300之2D細節，主動學習模組自該多維資料空間實行資料點308之目標選擇以擴展訓練資料集。在訓練過程中，基於指定組合物之特性的輸入向量，神經網路學習計算表示組合物之輸出向量，亦即化學產品之組分之規格。根據本發明之實施例，輸入向量中指定之特性尤其包括以下特性且亦包括此等特性中之兩者或更多者之組合：儲存穩定性；pH值；流變性，尤其為黏度；密度；相對質量；色彩性，尤其為顏色強度；生產期間成本降低；及顏料良率改良。生產期間成本降低可例如由化學設施在組合物合成期間自動地捕捉，且可基於例如強制的參考值。然而，亦有可能使人手動地捕捉成本。一般而言，可在輸入向量中指定之僅有特性為亦作為用以訓練神經網路之訓練資料集之部分的特性。

在神經網路以進行初始訓練之後，其已基於已知組合物「習得」組合物之組分與一些特性之間的某些關係。此等習得關係在此處由分模線316繪示，該分模線關於「黏度」特性將資料空間300劃分為具有流變學上可接受之產品特性之資料空間320(在分模線316左下方)，及 具有流變學上不可接受之產品特性之資料空間318(在分模線右上方)。受限於兩個維度或兩個對應分量(「顏料P1之濃度」及「分散劑之濃度」)，圖3僅能夠表示資料空間300之分量態樣。資料空間300本身為多維的，且可例如在20個分量之情況下具有20個對應維度，其中此等空間中之每一者由含有關於考慮中之特定特性之獨立分模線或多維分模平面(「超平面」)之該20個維度形成。

在圖3中展示為圓圈之資料點在每一情況下表示試驗組合物208中之一者。試驗資料點中之一者可根據「最小邊限超平面」途徑來選擇。例如，主動學習模組可呈支援向量機或另一演算法之形式，該支援向量機或另一演算法能夠基於已被神經網路226習得之預測模型將由試驗組合物產生之資料空間劃分為關於一或多種特性(或分量)之子空間。已被神經網路習得之模型因此在此處由分模線或分模平面316表示。「最小邊限超平面」方法之基礎為，與分模線316相隔最小距離之資料點為已被習得且實際上由此分模線316表示之預測模型係最不確定的資料點，且因此，應選擇、合成及分析屬於此資料點之試驗組合物，以提供實際特性(在此情況下，例如為黏度)之經驗判定。在此處所表示之實例中，僅僅考量「黏度」特性，主動學習模組因此將選擇由資料點308表示之試驗組合物，且將使化學設施244合成及分析此組合物，以由此試驗組合物之組分及試驗組合物之憑經驗量測之特性擴展訓練資料，並藉由使用所擴展之訓練資料集訓練神經網路來改良神經網路。例如，情況可為，由點306表示之組合物之經驗量測展現組合物之黏度處於流變學上不可接受之區域320內。因此，使用所擴展之訓練資料集進行再訓練將使神經網路之預測模型(此處由分模線316以圖形方式可視化)調適其自身，使得對於比如由點306 表示之組合物的組合物，未來預測為其黏度處於區域320內。因此，由於使用所擴展之訓練資料集的更新訓練，分模線/分模平面316將經修改使得該線或平面在右上方接收「增大」，使得改良之神經網路現在將辨識及預測到由點308表示之組合物處於流變學上不可接受之區域320內。實務上，在資料點及對應試驗組合物之選擇中，較佳地考量對應資料點與兩種或更多種特性之分模線的距離-例如藉由選擇與資料空間300之所有分模線/分模平面相隔最小平均距離之資料點。

圖4展示經訓練神經網路之架構，該經訓練神經網路經組態及訓練以接收輸入向量402作為輸入並自其計算及輸出輸出向量406。輸入向量指定組分(及視情況亦為各別組分之濃度或量)將由神經網路預測(預報)之組合物之所要特性或對應參數值範圍。輸出向量406指定預報組合物之組分且視情況亦指定預報組合物中之此等組分之量或濃度，預報組合物為由神經網路預測為具有處於輸入向量中強制之參數值範圍內之特性的組合物。該網路包含神經元之複數個層404，該等神經元藉助於加權數學函數與其它層之神經元連結，使得基於輸入向量中指定之所要特性，該網路能夠計算且因此預測對應組合物之組分並能夠輸出此等組分，且因此以輸出向量406形式輸出預報調配物自身。

在訓練之前，首先用強制的或隨機的啟動(權重)初始化神經網路之神經元。在訓練期間，網路接收表示已知組合物之憑經驗量測之特性的輸入向量，用此組合物之預測組分(及視情況為組分之量)計算輸出向量，並藉由預測組分同實際上使用之組分之偏差的損失函數進行懲罰。經由被稱為反向傳播之程序將所確定之預測誤差分佈回至產生該誤差之各別神經元，效果為，某些神經元之啟動(權重)改變，使得預測誤差(及因 此為損失函數之值)減小。為此目的，以數學方式檢視，可判定損失函數之斜率，且因此可以定向方式修改神經元之啟動，以使自損失函數輸出之值最小化。一旦預測誤差或損失函數值低於預定義臨限值，就將經訓練神經網路視為足夠精確，且因此不需要進一步訓練。

例如，任務可為，產生新的未知組合物，其具有在值範圍VVR內之界定黏度、在值範圍CVR內之界定顏色及在值範圍AVR內之耐磨性。在實驗室中實際合成此組合物之前，最初將使用神經網路以自動地確定組合物之組分，該組合物指定黏度、顏色及耐磨性處於所要值範圍VVR、CVR及AVR內之化學產品之組分。若未發現具有處於所要值範圍內之特性的預報組合物，則有可能立即放棄該合成且節約成本。此處可能有意義的是更改關於特性之強制。

此新組合物之組分及視情況亦為其各別所要濃度作為神經網路之輸出向量406輸出至使用者以用於手動評估，及/或輸出至化學設施。輸出向量可含有例如預報組合物之20種組分，該預報組合物已由神經網路預報為具有或針對根據該預報組合物合成之化學產品預報為具有所要特性。輸入特性為亦已在神經網路訓練期間考慮之特性。在其它實施例中，取決於組合物之性質及/或取決於被視為相關之特性，向量402、406亦可包含更高或更低數目之元素。

100:流程圖

102:步驟

104:步驟

106:步驟

108:步驟

110:步驟

112:步驟

114:步驟

116:步驟

118:步驟

Claims (12)

1. 一種用於產生塗料(paints)、清漆(varnishes)、印刷油墨(printing inks)、研磨樹脂(grinding resins)、顏料濃縮物(pigment concentrates)或其它塗覆材料之一組合物之方法，其中該組合物係由一電腦系統(224)產生，其中該電腦系統能夠存取一資料庫(204)，其中已知組合物(206)與其組分及特性一起儲存於該資料庫中，且其中該電腦系統連接至一用於生產及測試塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之設施(244)，其中該電腦系統包含一迴旋神經網路(convolutional neural network)(226)及一主動學習模組(222)，該方法包含以下步驟：a.使用(102)儲存於該資料庫中之已知組合物(206)來訓練該迴旋神經網路，其中使一損失函數(loss function)(228)針對該訓練而最小化，b.測試(104)以判定該損失函數之值是否滿足一指定準則，其中選擇性地，在不滿足該準則之情況下實行以下步驟：i.由該主動學習模組自一定量的指定試驗組合物(208)選擇(106)一試驗組合物(212)，ii.由該電腦系統驅動(108)該設施(244)來生產及測試該所選試驗組合物，iii.使用該所選試驗組合物及其由該設施捕捉之特性來訓練(110)該迴旋神經網路，iv.重複地實施(112)步驟b，c.藉由將一輸入向量(402)輸入至該迴旋神經網路中來生產(116)塗 料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之一預報組合物(forecast composition)(406)，d.由該迴旋神經網路(226)輸出(118)該預報組合物。
2. 如請求項1之方法，其中該等試驗組合物(208)之該量係由一試驗規劃程式自動地產生。
3. 如請求項1或2之方法，其中該等組分係選自由以下各者組成之群組：固體，諸如顏料及/或填充劑；黏合劑；溶劑；樹脂；固化劑；及各種添加劑，諸如增稠劑(thickeners)、分散劑(dispersants)、濕潤劑(wetting agents)、黏著促進劑(adhesion promoters)、消泡劑(defoamers)、表面改質劑(surface modifiers)、流量控制劑(flow control agents)、催化添加劑(catalytic additives)及專用添加劑。
4. 如請求項1或2之方法，其中該等已知組合物包含固體及分散劑。
5. 如請求項1或2之方法，其中該等特性係選自由以下各者組成之群組：儲存穩定性(storage stability)；pH值；流變性(rheology)，尤其為黏度；密度；相對質量；色彩性(colouristics)，尤其為顏色強度(colour strength)；生產期間成本降低；及顏料良率改良。
6. 如請求項1或2之方法，其中在該電腦系統之一使用者介面上輸出該預報組合物。
7. 如請求項1或2之方法，其中該設施(244)包含至少兩個工作站(252、254、256)，其中該至少兩個工作站經由一運輸系統(258)彼此連接，自力推進式運輸載具(self-propelled transport vehicles)能夠在該運輸系統上運行以運輸該組合物之組分及/或在該等工作站之間所生產之該組合物之組分，其中該方法進一步包含：將該組合物輸入至控制該設施(244)之一處理器，其中輸入至該處理器中之該組合物為該所選試驗組合物(212)或該預報組合物，其中該處理器驅動該設施以生產該輸入組合物，其中在該至少兩個工作站中生產該輸入組合物且量測該輸入組合物之特性，此後在該電腦系統之一使用者介面上輸出該等所量測特性及/或將該等所量測特性儲存於該資料庫(204)中。
8. 如請求項1或2之方法，其中該電腦系統(224)經由一通信介面與該資料庫(204)及/或與用於生產及測試塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之該設施(244)通信，其中該通信介面係由USB、乙太網路、WLAN、LAN、藍芽或另一網路介面實現。
9. 如請求項1或2之方法，其中該等組合物為調配物(formulations)。
10. 一種用於產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之一組合物之電腦系統(224)，其包含一資料庫及一使用者介面，其中該電腦系統經組態以用於實施一如請求項1至9中任一項之方法。
11. 一種用於產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之一組合物之電腦程式，其具有可由一處理器執行以實施一如請求項1至9中任一項之方法之指令。
12. 一種用於產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之一組合物之系統(200)，其包含用於生產及測試塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物或其它塗覆材料之組合物之一設施(244)，其中該設施包含至少兩個工作站，其中該至少兩個工作站經由一運輸系統彼此連接，自力推進式運輸載具能夠在該運輸系統上運行以運輸該組合物之組分及/或在該等工作站之間所生產之該組合物之組分，及如請求項10之一電腦系統(224)。

Images