专利名称:预测化学混合物的性质的方法和仪器的制作方法
技术领域：
本发明涉及采用人工神经网络高精确度地预测化学混合物如漆的性质的方法和仪器。
发明背景化学混合物如汽车漆通常经配制要达到由性质测定所代表的所希望有的性质。然而，要提供诸性质之间恰当的均衡，实验室人员必须付出巨大努力来开发这些配方。
例如，汽车漆或涂料制剂由着色剂(调色剂)、基料和溶剂的复杂混合物组成，它们被调配成能提供在颜色匹配、外观、耐久性、施涂和漆膜性能之间的均衡。现已有有关混合物颜色的定量预测的模型，但其它性质的则没有。因此，为测定涂料配方的性质以保证这些数值落在可接受极限范围内就要求劳动强度大的验证实验工作。
此种实验之所以需要是因为在混合物诸组分与测定的性质之间的关系一般既复杂又尚不清楚。在此种情况下，若能研发出一种预测模型，它能将混合物组分与性质进行关联从而能估计新混合物的性质，那将是有利的。虽然在开发化学混合物的预测模型方面进行了各种各样尝试，但迄今尚没有一个在技术上得到广泛应用。
若能提供一种方法和仪器，它不但能预测化学混合物如涂料配方的非颜色性质也能预测颜色性质，从而使操作者能确定要获得规定的最终涂层性质需要什么样的输入参数，则将是所希望的。
神经网络是一类预测模型，已被用于开发能将加工性质与加工变量进行关联的用经验训练过的模型，正如在Piovoso，M.J.和A.J.Owens，1991，Sensor data analysis using artificial neural networks(采用人工神经网络的传感器数据分析)Arkun and Ray，eds.，ChemicalProcess Control CPC-IV，AlChE，New York，101-118。神经网络方法在这里被用来开发化学混合物的性质的预测方法。
发明概述提供一种采用人工神经网络预测化学混合物如涂料的测定性质的方法和仪器。
该方法和仪器对于预测汽车涂料制剂的非颜色性质特别有用。
在一种实施方案中，该神经网络包括输入层，它具有接受有关涂料制剂的输入数据(组分浓度)的节点。“加权接合”连接着输入层的节点并具有给输入数据进行加权的系数。一种具有节点的输出层直接或间接连接被包含在隐蔽层的加权的接合。该输出层产生与涂料的非颜色性质相关的输出数据。输入层的数据(组分浓度)与输出层的数据(测定的性质)通过神经网络的非线性关系彼此关联，并且一旦神经网络经过训练，就可被用来预测涂料制剂的测定性质。
利用由历史化学混合物数据和混合物的测定性质组成的经验数据通过一种监督下的训练的反向传播法训练该网络的权重。随后，经训练的网络被用于通过前馈计算来预测新化学混合物的测定性质。本发明可用于描述化学混合物变量和测定的混合物性质之间的关系。训练的网络可预测新化学混合物的性质而不需要昂贵的实验验证。
化学混合物神经网络可用于，但不限于，预测新混合物的性质、识别配方的错误或找出配方的纠正措施。
本发明另外的优点和方面在结合着附图研读了下文和所附权利要求
之后将变得清楚。
附图简述图1是本发明化学混合物神经网络结构的概括示意图。
图2是说明化学混合物网络一个节点处的计算过程的概括示意图。
图3是一幅方框图，表示网络的训练和前向预测过程。
发明详述本发明提供预测化学混合物的性质的方法和仪器。本发明采用一种电脑-执行的人工神经网络。该神经网络包含至少2个处理元素层、输入和输出层。处理元素按照规定的图样与它们之间的预定连接权重互联。该网络预先经过训练以模拟化学混合物对输入给它的输入变化的响应。当训练过时，处理元素之间的连接权重将包含有关化学混合物组分(输入)与混合物的测定性质(输出)之间的关系，此种关系可用于预测对于混合物组分变化后的化学混合物最终性质。
鉴于本发明方法基于配方和性质值的历史数据，故采用此法的性质值预测通常具有逼近经验数据的的误差(error)的误差，因此本发明的预测常常与验证实验刚好一样精确。
回来看附图，图1显示通常以10表示的化学混合物神经网络。该化学混合物神经网络10被构建为包括3个处理层(或3个神经元层)、输入层12、隐蔽层14和输出层16的反向传播网络。该网络是这样组织的其输入层12包含一组叫做输入节点的至少1～i的处理元素，隐蔽层14具有一组叫做隐蔽节点的至少1～j的处理元素，而输出层16具有一组叫做输出节点的至少1～k处理元素。该处理元素或节点彼此互联从而当该网络执行时，能够简单地算出化学混合物组分和过程条件输入与测定性质输出之间的关系。
在如在图1中所示的本发明中，该处理网络的组织是这样的，输入层12，对应于每种化学混合物或模型的过程输入变量，包含1个节点(In)。输入节点全部连接到网络的隐蔽层14的隐蔽节点(H)上，并且隐蔽节点全部连接到网络的输出层16的输出节点(Out)上。对于每种混合物组分或过程条件输入变量有1个输入节点，对于每个加工性质测定输出有1个输出节点。连接线箭头(L)指出由输入值通过网络到输出值的计算方向。隐蔽节点的数目可随着隐蔽节点数目的增加而改变，从而在输入与输出关系的模型复杂性上加上该网络的容量。每条连接线具有与它相联系的连接权重，并且每个隐蔽和输出节点具有1个附加阈值权重。网络权重是使网络能够模拟输入到输出关系的网络参数。具有多个隐蔽层的网络和不完全连接的网络是可能的替代网络结构，但完全连接的3层网络已足够模拟化学混合物过程之用。
图2是一种在1个节点18处表示出的计算方法的一般性表达，但这将适用于网络任何地方。该节点是网络的处理或计算元素。每个节点18指的是在隐蔽和输出节点的计算方法。每个节点18具有输入口Pin和输出口Pout。该节点对在输入口Pin处出现的1或多个激励或强度信号I1～Im做出响应，并能动作以产生沿线Lout传输并连接到输出口Pout的激活信号Qout。每一个输入强度值11～Im经由具有各自规定连接权重W1～Wm的各自线L1～Lm连接到节点18的输入口Pin。不具有任何输入接合的阈值权重(T)给该节点输入提供阈值电平。这相当于在具有恒定激励信号或强度1的Im+1的节点上加上的1个附加输入连接线Lm+1。在线Lout上的节点输出口Pout处产生的激活信号Qout是在输入口Pin加上的输入信号Qin的函数。输入信号Qin是沿着所有输入线到该节点的给定激励信号I的强度和将信号携带到节点的线L的连接权重W之间的乘积(product)与阈值权重之和，正如在等式1中所示。
Qin=T+Σz=1mwzIz---(1)]]>节点输出(Qout)由非线性压扁(squashing)函数(S)计算，该函数将对应于任何Qin数值的Qout限制在有限的范围。典型压扁函数是如等式2所示逻辑函数，但是任何非线性单调增加函数都可采用。
S＝(1+exp(-Qin))-1(2)于是，节点输出是对如等式3所示的线性节点输入的压扁的非线性响应并沿着1或多条线(Lout)被传输到下一个网络层中的节点。
Qout＝S(Qin)(3)于是，该节点输出是传到网络下一层中的节点的输入的强度。该节点计算是在所有隐蔽和输出层节点实施但不在输入层节点实施的。输入层具有具有单一输入强度值并且不具有压扁功能。输入层节点简单地代表输入数据的强度数值。输出层的Qout值是性质数值的网络估值。
一般将网络的所有输入和输出值的按比例变换到方便的范围，例如，0到1。未按比例变换的输入和输出值都将被变换到这一范围。该变换可以是任何单调函数，其中输出应落在0～1的范围。典型地，该比例变换操作是一种线性变换，但是单变量的对数、指数或其它单调变换也可采用。
一般做法是对于具有共同数据特征的输入或输出值采用同样的比例变换操作。例如，所有混合物组分都具有介于0～1之间的强度，因此都可采用同样的输入比例变换。反之，具有不同数值范围的输入或输出值(例如，混合物组分(0～1)、过程温度(60F～90F))一般将具有不同的比例变换。
为了建造可用于预测化学混合物性质的此类神经网络，本发明方法包括4个阶段数据采集、网络结构、训练和前向预测。
数据采集提供经验信息以便训练网络。化学混合物组分的数量和混合物性质测定值取自过程历史或标定实验。额外的过程变量如环境条件或化学混合物施涂条件可影响测定的性质数值。这些独立变量的数据被收集用于建立过程输入和输出之间的关系的模型。
网络结构由每个过程变量(混合物组分和过程条件)的输入节点、1或多个隐蔽节点和每个过程性质测定值的输出节点构成。这些节点由输入与隐蔽以及隐蔽与输出节点之间的权重连接线完全连接。在隐蔽和输出节点上加有附加阈值权重。每个网络节点代表来自以前节点的输入的加权求和的简单计算和非线性输出函数。网络节点综合的计算将过程输入与输出关联起来。对于每一个性质测定值可开发单独的网络，或者可将数组性质包括在单一的网络中。
训练估计出网络权重，这些权重应使网络计算出接近测定的输出值的输出值。采用一种监督下的训练方法，其中利用过程输出数据来指导网络权重的训练。网络权重采用小的随机值或者用以前经部分训练的网络的权重初始化。在网络上加上过程数据输入，并对每一个训练样本计算出输出值。将网络输出值与测定输出值进行比较。应用反向传播算法来校正权重数值，使之沿着缩小测定与计算输出之间误差的方向前进。采用的反向传播算法的该具体类型是一种刚性常微分方程算法，描述在美国专利5,046,020(授予David L.Filkin)“分布的平行处理网络，其中连接权重采用刚性微分方程产生”中；以及在Owens，A.J.和D.L.Filkin，1989，“通过解刚性常微分方程组高效地训练反向传播网络的方法”中，国际神经网络联合研讨会(International JointConference on Neural Networks)，华盛顿特区，2，381-386，在此将公开内容收作参考。重复该过程直至不再能缩小该误差。采用交叉验证方法将数据分割为训练组和测试数据组。训练数据组被用于网络权重的反向传播训练。测试数据组用于验证，产生的训练的网络能对独立化学混合物做出好的预测。最佳网络权重组取能最好地预测实验数据组的输出的那一组。类似地，改变网络隐蔽节点数和确定在实验数据上效果最佳的网络，能优化隐蔽节点数目。
前向预测采用训练的网络计算新化学混合物的过程输出数据估值。新的一组混合物和过程数据被输入到训练的网络中。通过该网络进行前馈计算以预测输出性质数值。可将预测的测定值与性质的目标值或允差进行比较。如果预测的性质数值不可接受，则改变过程输入值能起校正的作用。
当执行该网络时，混合物组分以及任选地过程条件被视为对化学混合物模型的输入，而测定的性质则看作新化合物模型的输出。将测定性质的变化与混合物组分的变化进行关联。就是说，混合物组分是过程的独立变量，而测定的性质则是过程的从属变量(dependentvariables)。
混合物组分被表示为混合物总量的分数浓度。一般而言，混合物的性质依赖于组分的分数浓度，而不是混合物的总量。例如，水与防冻剂的50∶50体积混合物的结冰温度是-30F，且该结冰温度与混合物样品数量是1mL抑或1立升无关。混合物的配方可用重量、体积或其它数量单位表示。该分数浓度简单地就是某组分在混合物中的数量除以混合物的总量。分数浓度之和将是1(unity)。分数浓度是介于0～1的连续变量。
混合物的性质可以是任何可测量的特性。该特性可以是连续、序数或名义的测定值。例如，配制的涂料可具有连续变化的液体混合物的浓度测定值。另一种测定值可以是施涂的涂层膜的桔皮外观测定值，划分为从1(非常不光滑)到10(非常光滑)之间10个顺序等级的尺度。名义测定值的例子可以是在某种瑕疵方面合格或不合格的编码等级。
混合物的多次测定性质除了依赖于混合物组分之外还依赖于过程变量。例如，环境变量可影响性质的测定。在上面的涂料的例子中，测定期间混合物的温度能影响粘度的测定结果。将温度作为过程输入变量包括在内能改善模型的性能。施涂变量也能影响性质测定并可作为输入包括在过程模型中。某一混合物可在设备A、B或C上进行加工。可用3个二进制变量给设备名义变量编码，如表1所示。
表1用二进制变量给某一名义变量的3个水平进行编码的例子
于是，过程模型具有对应于每种化学混合物的1个连续输入以及任选地可具有附加的连续、顺序或名义的非-混合物过程输入。按照类似的方式，过程模型可具有1或多个测定的输出，而该输出可以是连续、顺序或名义变量。
一组过程输入和输出值的单一例子称作一个样品。为开发过程模型，需要收集输入和输出数据值。这些样品可从过程标定实验或者过程历史取得。
过程数据应覆盖每一个过程输入的有用的范围。例如，如果混合物组分A被用于0～0.1的范围并且组分B在0.3～0.7的范围，则过程数据应包括可由几个在这些约束范围内的A和B的水平组成的样品。鉴于输入与输出之间的关系常常很复杂、非线性和交互作用的，故样品应覆盖有用的范围，同时还有其它过程输入的多种水平。标定实验应设计成能从整个混合物设计空间取样，并包括混合物组分的各种不同水平。这些样品的某些可以是纯混合物或者是简单二元或三元共混物。有用的是还包括模拟过程的普通多组分混合物的复杂混合物。
替代地，可从过程的日常操作中收集过程历史数据。有时，日常过程不可以采集过程变量的全部潜在范围，或者可能针对某一特定混合物组分的取样很少。过程历史和标定数据的组合就能克服这一问题。标定数据保证每种组分在其设计范围内得到充分采样，而历史数据则提供在混合物空间的经常使用区间内的样品。
过程数据被用于训练化学混合物网络。交叉验证将过程数据分割为训练和测试数据组。在典型情况下，80％的数据被用于训练网络，而20％留作利用独立于训练的数据来估计网络误差之用。测试数据组使网络开发人能确信，该训练的网络在过程输入与输出之间的关系将能推广到新的样品。
当训练网络时，它将提供一种在化学混合物组分和过程条件输入与测定性质输出之间的关系模型。当执行时，如图1和2所示，网络能根据输入的变化简单地计算出测定的性质并达到高精确度。
图3是一幅方框图，描述化学混合物神经网络在监督下的训练过程。训练样品被引入到输入块(I)中，并前馈到网络块(N)，该网络块在其输出块(O)内算出输出估值。误差块(E)包含输出估值(O)与测定性质值之间的观测差值。监督下的训练指的是为指导网络权重的训练而采用已知的输出测定值，以便最大限度减少输出估值与输出测定值之间的差值。训练采取反向传播训练算法。采用一种具有1或多个隐蔽节点的网络结构。网络权重采取2种方法之一进行初始化。在第一种方法中，所有网络权重均被赋予小的随机值。在第二种方法中，利用具有h个隐蔽节点的以前训练过的网络给具有多于h个隐蔽节点的网络初始化。与所加的隐蔽节点相联系的接合及阈值权重小的随机值初始化，同时其余权重则采纳该以前的网络的权重来达到初始化。将每个训练样品加在该网络上，于是获得输出估值和差值。反向传播算法(B)沿着缩小差值的方向分若干小步骤调节网络权重。重复反向传播算法直至获得差值的最小二乘误差的局域最小值。找出差值的rms(均方根)误差，它代表训练样品的网络估计误差。
通过交叉验证确认训练的网络。将该测试样品输入到网络，得到的输出估值与已知的输出值比较以确定差值。将该测试数据组的rms误差与训练数据组的rms误差进行比较。改变训练重复次数将一组模型中的最佳模型取作具有最小测试误差的网络。这就是能最佳地产生适用于新独立样品的输入与输出关系的网络。类似地，比较各种不同隐蔽单元数目的网络并取局域最小测试rms误差的网络作为最佳网络。
随后，利用该训练的化学混合物网络，通过前向预测做出新样品的性质测定值预测。向网络(I)中引入新的几组输入值，通过网络计算(N)前馈以预测性质值(O)的预先估值。可将估计的性质值与目标值或允差极限进行比较以确定该混合物是否适合其预定的目的。可确定输出估值对输入值在输入混合物附近的敏感性，并用它指导输入值的交互或自动调节，以产生可接受的性质估值。
下面的例子用于阐释本发明，不应以任何方式限制本发明。
特别地，这些例子阐释了本发明中在改变输入变量(漆成分用量、施涂过程条件)时预测汽车涂料制剂的非颜色性质，例如，物理性质(浓度、流挂)和外观(遮盖、光泽、鲜影性)的能力。本领域技术人员将能够理解，本发明方法也可用于预测其它种类化学混合物的性质，不论固体抑或液体，包括但不限于，其它类型漆和涂料，油墨(包括喷墨印刷油墨)、醇、柴油燃料、油、塑料、聚合物共混物、薄膜等。
实施例1开发神经网络以预测在汽车碰撞修理涂料体系中涂料制剂与基材遮盖力之间的关系。采用代号为A、B、C、D的4种碰撞修理涂料体系。所有4种体系都是单一颜料调色剂和基料组分的互混体系，二者可组合起来配出多种多样颜色以匹配被修理的汽车的颜色。体系A和C被用于素色(solid)汽车颜色的修复，而体系B和D被用于含有金属或珠光薄片的汽车颜色的修复。我们称后一类型颜色为随角异色颜色(effect colors)。修复要使用的涂料混合物用的配方定义，包括构成惯用体积液体涂层的组分的质量数量。例如，可采用构成1加仑体积、以克为单位的配方组分数量。要预测的性质是为消除该颜色在黑和白基材上的视觉反差所要求的漆膜厚度。我们称此种性质为黑白遮盖力并通过在试验方法项下所描述的方法测定该性质。遮盖力是作为漆膜厚度测定的，而在我们的情况下，我们则测定以密耳(mil)为单位的厚度。
取得4种涂料体系的工艺配方和遮盖力数据。作为体系A和B，制备了新的标定样品，包括共混物中每种色调的刷涂梯形条纹，对于素色加入白调色剂，或者对于随角异色则加入铝片调色剂。另外，准备了具有新的遮盖测定值的历史工艺配方。某些配方被配制成具有2个水平颜料固体物质/基料固体物质比值(被称作颜料比基料，P/B)，以提供类似颜色配方在基料含量数值方面的变化。对于体系C和D，配方和遮盖力取自历史工艺记录。
将调色剂和基料组分配方归一化，以便使组分质量浓度之和等于1。所有组分浓度都采用共同的线性比例以提供对网络的输入。测定的遮盖力采用对数比例变换，以此形成网络的输出。将网络遮盖力估值转换为自然单位以便与测定的遮盖力数值进行比较。
网络通过在各种不同遮盖力单位数值下的反向传播进行训练，然后通过交叉验证方法确定最佳网络。表2总括了4种涂料体系的化学混合物预测网络的结果。网络结构(I-H-O)给出该网络的输入、隐蔽和输出层内的节点数目。过程遮盖力数据被归结为计数值、数据平均值、数据最小值和数据最大值。网络预测的性能由估计与测定的遮盖力数值之间的残差的标准偏差来表示。
表24种涂料体系的化学混合物预测网络一览表
开发了几种多线性回归(MLR)模型，用于作为混合物模型的函数预测遮盖力随涂料体系A和B的诸组分的变化。本网络和MLR模型的残余标准偏差，对于体系A来说分别是0.21和0.49；而对于涂料体系B，则分别是0.24和0.32。在这两种情况下，化学混合物预测网络的残余误差都小于具有同样混合物组分输入的MLR模型的。
体系A、B、C和D遮盖力预测用的涂料混合物网络被置于专有技术软件中就汽车颜色匹配进行执行，以协助技术员调节基料用量来满足遮盖的工艺目标。该软件通过对涂料体系组分的任意混合物的前向预测提供遮盖力估值。
实施例2开发了一种在重型卡车市场用的涂料互混体系中的约3300种素色系列。一直希望提供供这一特殊系列的颜色配方方面的性质估值。感兴趣的性质包括黑白遮盖力、粘度、外观、桔皮和流挂。这些性质的测定描述在试验方法一节。
配方和性质测定数据取自头1213颜色配方开发成果。这些数据包括少量在或接近主色配方的标定样品，代表具有适当平衡基料加入量的单一调色剂。其余则是实际的工艺配方。重复进行100种颜色配方的性质测定以估计性质测定的重复误差。在数据提取时，某些性质数据不完整，因此作为各自性质测定值只有1088～1200个之间的样品可以使用。
14种单一颜料调色剂和1种基料是该混合物的组分。将重量配方归一化以便使诸组分的总和等于1，并且所有组分都以分数质量浓度为单位。外观网络具有额外的过程变量，对应于漆膜厚度，以密耳为单位。混合物组分都采取同样的线性输入变换。漆膜厚度输入具有单独的线性输入变换。
将网络内的相关性质测定值分组。例如，粘度预测网络具有代表未活化粘度、在时间0min的活化粘度、30min的活化粘度以及60min的活化粘度输出。在另一种实施例中，外观网络具有20°光泽、60°光泽和鲜影性的输出。其余性质-遮盖力、桔皮外观和流挂-每一个具有单独的网络。输出全部按线性比例处理。
化学混合物预测网络采用反向传播法对在各种不同隐蔽单元数目下的每组性质进行训练，其中最佳网络通过交叉验证法选择。表3总括了这些结果。网络性质估值与测定值之间的残余标准偏差与重复性质测定值之间的差异的标准偏差可比。该网络预测与性质测定具有同样的精度。
表3互混涂料体系的化学混合物预测网络一览表
采用化学混合物性质预测网络的前向预测来估计在特殊素色系列中的2200种附加颜色配方的性质。
实施例中使用的试验方法下面的试验方法被用来产生上面实施例中给出的数据遮盖力测定汽车涂层的目测黑白遮盖力是通过确定黑白基材上面的涂层的反差目测阈值确定的。将黑白反差试样条(Leneta Black & White spraymonitors，取自M71或等效物)粘贴在4×12英寸铝和钢基材板上。在板上喷涂涂层，漆膜厚度沿连续梯度从板的一端薄到另一端厚地变化以致在板的中央1/3内出现遮盖反差阈值。例如，如果遮盖反差阈值出现在1.5密耳时，则将楔形制备成漆膜厚度从薄端的1密耳变到厚端的约2密耳。该试验样品被称作遮盖力楔。遮盖力楔由技术员在标准照明条件下观看。该技术员决定在遮盖力楔上覆盖在黑和覆盖在白色上的涂层颜色之间视觉反差刚好消失的那一部位。这就是视觉遮盖力反差阈值。在阈值位置，测定钢或铝基材上的涂层的厚度并记作黑白遮盖值。遮盖值一般用密耳或微米为单位。
流挂测定汽车涂料的流挂是这样一种漆膜厚度，此时沿垂直方向施涂的涂层表现出沿垂直表面下垂或滴淌。试验涂料以各种不同膜厚沿流挂试验板的一个尺寸垂直地施涂。流挂试验板是10×10英寸钢基材，具有电泳底漆并有6个金属铆钉头间隔地分布在板的上部区域。在铆钉头底下形成泪滴的地方或者在板的上部测定到1/2英寸玻璃窗(－二者首先出现)的地方标出流挂。喷涂该流挂样品，其中使铆钉保持垂直位置并位于板的左或右侧，然后板垂直地烘烤，同时铆钉头沿水平按照产品规格排齐在板的上部。技术员用肉眼观察流挂样品并决定首先出现流挂的位置。测定该流挂位置，并将流挂值作为漆膜厚度的密耳或微米数记录下来。
粘度测定液体漆样品的粘度通过测定已知体积漆流过粘度杯中的已知直径小孔所需要的时间来确定。该方法相当于ASTM-D-1084，方法D。采用由Paul N.Gardner，Pompano Beach，FL 33060供应的Zahn粘度杯，或等价物。该杯由44±0.5mL不锈钢杯组成，具有金属丝柄和固定直径流出口。漆样品注满杯的固定体积。用停表(stopwatch)或其它计时装置测定开始流出与离开流出口的液流首次断开之间经过的时间。粘度以流出的秒数记录。
在反应性双罐装漆体系中，有用的是监视以反应引发剂激活以后漆粘度的增加。测定未活化漆、刚刚激活后的激活漆、30min后的活化漆和60min后的活化漆的粘度，以保证粘度维持在可接受的范围内。
外观测定施涂样品并按照产品规格烘烤以制备外观测定的试样。桔皮外观是通过肉眼比较试样表面质地与分10步从非常粗糙的质地(等级1)到非常光滑的质地(等级10)变化的桔皮标准来确定的。桔皮参考标准由ACT实验室公司，Hillsdale，MI 49242作为产品Apr14941at提供。测定光泽，按照相当于ASTM D523-879镜面光泽标准试验方法进行。用Hunter Lab ProGloss PG-3光泽计或等价物测定试样在20和60°镜面反射角的光泽。鲜影性按照等价于ASTM E430-97标准试验方法测定，该方法用于采用Hunter Lab Dorigon II鲜影性计的测角光度法测定高光泽表面的光泽。
本发明方法和仪器的各种修改、变换、附加或替换对于本领域技术人员是显而易见的，仍不偏离本发明的精神和范围。本发明不限于本文前面给出的阐释性实施方式，而是由下面的权利要求
来定义。
权利要求
1.一种预测化学混合物的非-颜色性质的方法，包括a)收集化学混合物变量组成的历史和/或标定数据，所述变量包括化学混合物组分含量和任选地其它环境和施涂过程变量以及这些混合物的对应测定性质；b)开发能够将化学混合物变量的贡献与混合物的测定性质相联系的神经网络；c)利用历史和/或标定数据对神经网络实施监督下的训练以便使该网络预测化学混合物变量与测定性质之间的关系；d)利用该神经网络做关于新化学混合物的性质测定值的前向预测。
2.权利要求
1的方法，其中在步骤(d)之后，将预测的性质与性质表现指标进行比较，以便能做出化学混合物调节来满足性质表现指标。
3.权利要求
1的方法，其中神经网络包括具有多个与每种混合物组分、环境和施涂过程变量相联系的输入节点的输入层，至少一个具有隐蔽节点的隐蔽层，具有1或多个代表混合物输出性质的输出节点输出层，输入层的输入节点、隐蔽层的隐蔽节点和输出层的输出节点之间的加权接合，以及在所有隐蔽和输出节点上的阈值权重，其中加权的接合和阈值权重决定了混合物组分以及任选地其它变量对测定性质的贡献。
4.权利要求
1的方法，其中该方法被用于预测漆制剂的性质。
5.权利要求
1的方法，其中历史和/或标定数据还包括环境变量和施涂过程变量之一或二者。
6.权利要求
4的方法，其中漆制剂的测定性质包括湿漆的性质和/或由它形成的涂层的性质。
7.权利要求
4的方法，其中漆制剂的测定性质选自遮盖力、粘度、流挂以及外观值至少之一，还有它们的任意组合。
8.权利要求
6的方法，其中漆制剂的测定性质选自遮盖力、粘度、流挂以及外观值至少之一，还有它们的任意组合。
9.权利要求
1的方法，其中该方法被用于预测油墨制剂的性质。
10.一种预测化学混合物的非-颜色性质的体系，它包含a)输入装置，用于输入包含2或更多种组分的化学混合物配方；b)神经网络，它以前受过训练并用于预测化学混合物对混合物组分含量以及任选地环境和过程变量的变化在测定性质上的响应；c)输出装置，能显示采用该输入被输入到网络中的新混合物配方的预测性质。
11.权利要求
10的体系，其中在输出装置显示预测性质之后，该预测性质可与性质表现指标进行比较，以便做出化学混合物调节来满足性质表现指标。
12.权利要求
10的体系，其中神经网络包括具有多个与每种混合物组分、环境和施涂过程变量相联系的输入节点的输入层，至少一个具有隐蔽节点的隐蔽层、具有1或多个代表输出的混合物非一颜色性质的输出节点的输出层，输入层的输入节点、隐蔽层的隐蔽节点和输出层的输出节点之间的加权接合，以及在所有隐蔽和输出节点上的阈值权重，其中加权接合和阈值权重决定混合物组分对测定性质的贡献。
13.权利要求
10的体系，其中体系被用于预测漆制剂的性质。
14.权利要求
10的体系，其中神经网络接受训练以预测化学混合物对混合物组分含量以及环境和施涂过程变量之一或二者的变化在测定性质上的响应。
15.权利要求
13的体系，其中漆制剂的测定性质包括湿漆的性质和/或由它形成的涂层的性质。
16.权利要求
13的体系，其中漆制剂的测定性质选自遮盖力、粘度、流挂以及外观值至少之一，还有它们的任意组合。
17.权利要求
15的体系，其中漆制剂的测定性质选自遮盖力、粘度、流挂以及外观值至少之一，还有它们的任意组合。
18.权利要求
10的体系，其中体系被用于预测油墨制剂的性质。
专利摘要
本发明涉及采用人工神经网络预测化学混合物如汽车漆的性质的方法和仪器。该神经网络包括一个输入层，它具有用于接受输入数据的节点，这些数据涉及影响混合物性质的混合物的化学组分以及环境和过程条件。一个具有许多节点的输出层，它们产生的输出数据预测因输入数据变化所造成的化学混合物的性质。一个具有节点的隐蔽层，其节点连接着输入和输出层中的节点。加权连接线连接着输入、隐蔽和输出层的节点，同时阈值权重加在隐蔽和输出层节点上。连接线和阈值权重具有用于计算输入数据和输出数据之间的关系的数值。进入输入层的数据和进入输出层的数据通过神经网络的非线性关系彼此关联。当执行时，可获得对混合物最终性质的准确预测。本发明尤其对汽车漆配方变量(例如，遮盖力、光泽、鲜影性)或其它测定性质有用，能够将配方性质与目标值或允差进行比较，而不需要昂贵的实验工作。
文档编号G06F19/00GK1993698SQ20058002634
公开日2007年7月4日 申请日期2005年8月3日
发明者D·H·阿尔曼 申请人:纳幕尔杜邦公司导出引文BiBTeX, EndNote, RefMan