用于确定聚合物产品属性的方法和计算机系统与流程

用于确定聚合物产品属性的方法和计算机系统
[0001]
本发明涉及一种用于确定聚合物产品属性的方法和一种用于确定聚合物产品属性的计算机系统。
[0002]
聚合物产品有着广泛的不同应用。在此及下文中，聚合物产品是基本上由聚合物材料即一种或多种聚合物组成的产品。因此，还存在针对那些聚合物产品而规定的广泛和强烈变化的不同产品属性规格。这些不同的规格决定了用于各聚合物产品的重量、刚性、排放（emission）、温度耐久性和许多其他特征的期望值或值范围。此外，聚合物产品属性不仅取决于规定了聚合物产品的材料成分的配方（其用于聚合物产品），而且取决于在聚合物产品的生产过程中应用的不同工艺参数，包括所使用的生产工具的属性。
[0003]
具体配方和所用工艺参数两者与所得聚合物产品属性之间的相互依赖性非常复杂。尽管存在提供了一方面配方成分或工艺参数与另一方面聚合物产品属性之间的一些相关性的通式的一些理论考虑，但这些理论考虑在确定具有对应工艺参数的新配方以获得根据特定产品规格的聚合物产品中起相对较小的作用。相反，通常的工艺涉及从已知的配方和已知的工艺参数出发，得到具有已知属性的产品，然后基于现有经验和一般考虑进行调整。基于这些调整，生产了许多样本产品，并且实验性地确定了它们的相关属性。基于这种方法，通常重复反复试验的循环，直到充分达到或接近期望的产品属性。显然，该工艺在生产时间和劳动强度方面都很昂贵，并且也是不可靠的，原因在于，由于其基本上是非系统性的，所以在给定数量的样本生产运行内近似期望规格的可能性非常难以估计。从这种现有技术方法出发，因此期望改进该工艺，以使得可以使用来自过去配方的知识使得用户能够从新的配方和/或新的工艺参数中预测出产品的材料属性。
[0004]
因此，本发明的目的是提供一种用于确定聚合物产品属性的方法和计算机系统，其允许更精确地确定这些产品属性，而无需实际基于所讨论的配方和所讨论的工艺参数来生产产品。
[0005]
关于用于确定聚合物产品属性的方法，本发明的目的是通过具有权利要求1的特征的用于确定聚合物产品属性的方法来实现的。关于用于确定聚合物产品属性的计算机系统，本发明的目的是通过具有权利要求15的特征的用于确定聚合物产品属性的计算机系统来实现的。
[0006]
本发明基于以下认识：可以通过利用数值预测模型来减少反复试验的循环，该模型允许基于配方数据和输入的工艺参数来得到所计算的产品属性的输出。通过限定期望产品属性的规格以及用于量化对那些期望产品属性的近似程度的度量，可以通过预测模型来“测试”多个配方数据和工艺参数，并且可以获得那些配方和相关联工艺参数的更窄确定，使得实际上需要生产和验证较少的样本——即最紧密接近规格的那些样本。因此，减少了开发时间和生产成本。
[0007]
根据本发明的方法用于确定聚合物产品属性，其中，提供预测模型以用于在计算机系统上基于生产参数来计算聚合物产品属性。换句话说，预测模型是计算机程序或用于计算机程序的参数集，该计算机程序在计算机装置上执行，并且其采用至少生产参数作为输入且提供至少聚合物产品属性作为输出。具有微处理器的任何电子装置都是本发明意义
上的计算机装置。
[0008]
特别地，生产参数用于聚合物产品的生产。原则上，聚合物产品可以是基本上由一种或多种不同聚合物材料组成的任何产品。因此，聚合物产品属性可以是任何聚合物产品的属性，并且聚合物生产可以指任何聚合物产品的生产。
[0009]
聚合物产品可以是聚氨酯产品或聚异氰脲酸酯产品。因此，聚合物产品属性可以是聚氨酯或聚异氰脲酸酯产品属性，聚合物生产可以是聚氨酯或聚异氰脲酸酯生产，并且聚合物配方可以是聚氨酯或聚异氰脲酸酯配方。作为替代或附加，聚合物产品可以是泡沫产品。因此，作为替代或附加，聚合物产品属性可以是泡沫产品属性，聚合物生产可以是泡沫生产，并且聚合物配方可以是泡沫配方。
[0010]
优选地，聚合物产品是聚碳酸酯产品。因此，聚合物产品属性可以是聚碳酸酯产品属性，聚合物生产可以是聚碳酸酯生产，并且聚合物配方可以是聚碳酸酯配方。
[0011]
在根据本发明的方法中，生产参数包括规定用于聚合物生产的原材料部分的配方部分。换句话说，配方部分规定了使用什么原材料和以什么比例来生产聚合物产品。这也涉及可以用于生产聚合物产品但基本上不是聚合物产品的一部分的材料，例如发泡剂。生产参数还可以包括从配方部分和化学组分的属性（例如密度和/或羟值）获得的计算/模拟数据。
[0012]
此外，生产参数还可以包括用于描述原材料部分的动态行为的配方描述数据。例如，如果聚合物生产是泡沫生产，并且泡沫是通过根据原材料部分的原材料的反应而产生的，则配方描述数据可以描述与该反应相关的属性。因此，配方描述数据可以规定开始时间、上升时间和/或设定时间。此外，在聚脲或聚氨酯泡沫产品的情况下，配方描述数据可以规定脲或氨基甲酸酯部分和/或脲和氨基甲酸酯结密度。
[0013]
在根据本发明的方法中，生产参数还包括规定聚合物生产期间的工艺属性的处理参数。优选地，处理参数包括规定聚合物生产期间的机器工艺属性的机器处理参数。在本发明的意义上，机器可以是任何种类的装置，特别是用于聚合物生产的任何或所有步骤的实验室装置。机器处理参数可以包括用于处理原材料以获得聚合物产品的机器或机器组的设定。机器处理参数还可以包括机器或机器组的恒定特性。这些可以包括机器或机器组的几何尺寸、最大功率等。
[0014]
优选的是，处理参数包括规定聚合物生产期间的环境属性的环境处理参数。这种环境属性可以描述周围环境的任何物理属性，例如可以由相应传感器检测的温度、压力或湿度。
[0015]
此外，在根据本发明的方法中，向计算机系统提供用户输入，该用户输入包括规定一组生产参数的用户生产参数、规定聚合物产品属性的用户产品参数和用于量化与用户产品参数的符合性（conformity）的接近度度量。该组聚合物生产参数限定了多个聚合物产品，即至少两种不同的聚合物产品。因此，该组聚合物生产参数针对至少一个生产参数变量包括至少两个生产参数值。
[0016]
换句话说，用户输入提供了用于预测模型的上述输入参数（配方部分和处理参数）以及设计的聚合物产品的期望属性和规则，以便确定一方面用户输入的用户产品参数与另一方面计算或测量的产品属性之间的符合性程度。这种度量还可以采取仅具有与正符合性和不符合性相对应的两个可能输出值的函数的形式。用户产品参数还可以涉及值同类项
（bracket）而不是特定的单独值。
[0017]
根据本发明的方法，计算机系统将用户生产参数应用于预测模型以计算所得产品属性，并且计算机系统将接近度度量应用于关于用户产品参数的所得产品属性以确定指示用户产品参数与所得产品属性之间的匹配的至少一个接近度值。因此，获得了根据用户生产参数的聚合物产品被设计成与用户产品参数的规格匹配得多紧密的指示。取决于该指示，用户生产参数可以用于在实验室或更大规模生产环境中实际生产聚合物样本。作为替代或附加，用户产品参数可以用作进一步搜索合适的用户生产参数的下一个起始点，或者可以被丢弃而不用于实际生产。
[0018]
将用户生产参数应用于预测模型还可以包括预测模型基于用户生产参数来确定并且特别地计算导出值或中间值。然后，这些导出值或中间值可以用于以与用户生产参数相同的方式计算所得产品属性。
[0019]
聚合物产品属性原则上可以涉及由生产参数得到的聚合物产品的任何物理或化学属性。特别地，聚合物产品属性可以包括密度、压缩特性、恢复特性、压缩硬度、导热性、压缩强度、扭转刚度和/或阻燃性。
[0020]
根据该方法的优选实施例，配方部分涉及来自计算机系统中预限定的原材料列表的多个用户选择的原材料，从而限定用于聚合物配方的用户选择的原材料的组合，并且计算机系统将用户生产参数应用于预测模型，使得针对用户选择的原材料的限定组合来计算所得产品属性。因此，用户可以从输入模型具有信息的那些原材料中选择原材料，以便计算对应的聚合物产品属性。原材料也可以基于商业或后勤考虑来选择。
[0021]
原则上，用于聚合物生产的任何原材料都可以由配方部分来规定，即使它不存在于最终的聚合物产品中。根据本方法的另一优选实施例，用户选择的原材料包括异氰酸酯和多元醇。用户选择的原材料还可以包括多种异氰酸酯和/或多种多元醇。用户选择的原材料还可以包括发泡剂。优选地，用户选择的原材料还包括扩链剂、交联剂、用于促进泡沫形成的催化剂、阻燃剂、颜料和/或表面活性剂。
[0022]
可以通过不仅针对每个参数具有一个特定的设定值而且还针对每个参数提供多个设定值或值范围来提供生产参数。在这种情况下，该方法的优选实施例的特征在于，该组生产参数包括用于用户选择的原材料的相应原材料的至少一个部分同类项，该部分同类项限定了针对该原材料在计算机系统中预限定的最大部分范围内的子范围，并且计算机系统将用户生产参数应用于预测模型，使得针对每个部分同类项内的多个部分值来计算所得产品属性。因此，当提供这样的部分同类项时，还计算与部分同类项中的多个部分值对应的多个所得产品属性。优选地，该组生产参数包括用于用户选择的原材料的相应原材料的多个部分同类项。当为多种原材料提供这种相应的部分同类项时，则相应地，多个所得产品属性可以对应于来自多个部分同类项的部分值的一组组合。对于同一原材料，也可以有若干个部分同类项。因此，优选的是，该组生产参数至少针对用户选择的原材料中的一种原材料包括多个非重叠的部分同类项。
[0023]
原则上，可以以任意方式确定部分同类项内的多个部分值。一种可能性是以给定的分辨率或粒度来扫描部分同类项。因此，根据该方法的优选实施例，该组生产参数包括用于每个部分同类项的部分分辨率，该部分分辨率限定了用于改变相应部分同类项内的部分值的步长值，并且计算机系统将用户生产参数应用于预测模型，使得通过根据步长值改变
部分值来确定每个部分同类项内的多个部分值。这样的参数分辨率也可以按部分同类项而不同。优选地，用于相同原材料的两个部分同类项的相应参数分辨率是不同的。
[0024]
上述机器工艺属性原则上可以涉及应用于聚合物产品生产中所涉及的装置、机器或设备的任何设定、或者描述这种装置、机器或设备的任何恒定特性。特别地，机器工艺属性可以包括用于在聚合物产品的生产中可变地调整机器的操作的机器工艺设定。根据本方法的另一优选实施例，机器工艺属性包括组分温度、混合时间、混合比例、工具温度、排出（discharge）容量和/或线速度。所有描述的机器工艺属性特别用于聚合物生产。
[0025]
还可以针对工艺属性提供多个设定值或值范围。该方法的优选实施例的特征在于，该组生产参数包括用于相应工艺属性的至少一个属性同类项，该设定同类项限定了针对该工艺属性在计算机系统中预限定的最大属性范围内的子范围，并且计算机系统将用户生产参数应用于预测模型，使得针对每个属性同类项内的多个属性值来计算所得产品属性。优选地，该组生产参数包括用于相应工艺属性的多个属性同类项。同样对于工艺属性，当为多个工艺属性提供这种属性同类项时，则相应地，多个聚合物产品属性可以对应于来自多个属性同类项的属性值的组合。优选地，该组生产参数至少针对一个工艺属性包括多个非重叠的属性同类项。
[0026]
根据该方法的优选实施例，该组生产参数包括用于每个属性同类项的属性分辨率，该属性分辨率限定用于改变相应属性同类项内的属性值的步长值，并且计算机系统将用户生产参数应用于预测模型，使得通过根据步长值改变属性值来确定每个属性同类项内的多个属性值。这允许以与上述用于部分同类项的相同方式执行通过属性同类项的扫描。优选地，用于相同工艺属性的两个属性同类项的相应属性分辨率是不同的。
[0027]
根据该方法的另一优选实施例，计算机系统从规定的一组生产参数中标识生产参数，其关联于与用户产品参数的最高符合性相对应的接近度值。以此方式，对规定的一组生产参数执行计算机化评估，该计算机化评估可以基于原则上任意复杂的度量。进一步优选的是，计算机系统输出所得产品属性和所确定的至少一个接近度值。
[0028]
原则上，预测模型可以以任何方式实现，并且可以基于任何考虑而生成。然而，当预测模型可以基于优选大量的历史配方数据时是特别有帮助的。因此，本方法的优选实施例的特征在于，在计算机系统上提供了包括用于相应聚合物配方的测试条目的配方数据库，其中每个测试条目包括与该聚合物配方相关联的聚合物产品属性数据，并且包括规定用于生产该聚合物配方的原材料部分的配方部分数据，并且包括规定该聚合物配方的生产期间的工艺属性的处理参数数据。
[0029]
配方数据库可以是单个数据库，或者可以是具有若干数据库的系统，其中在若干数据库中的每一个中存储不同种类的信息。
[0030]
固化塑料泡沫产品属性数据可以包括从聚合物配方或其产品测量的测量数据。换句话说，测量数据可以通过聚合物配方的测试来获得。聚合物配方的大规模生产运行和历史实验室的数据库可以提供这样的数据。
[0031]
此外，聚合物产品属性数据可以包括描述应用于获得测量数据的测量过程的测量环境数据。该测量环境数据可以描述在获得测量数据时应用的测量装置属性，特别是测量装置设定。测量环境数据还可以包括环境属性，其可以包括当获得测量数据时的温度和压力。此外，测量数据还可以包括从中获得测量数据的聚合物产品的使用属性，该使用属性描
述在获得测量数据之前该聚合物产品的使用。例如，这些使用属性可以包括从中获得测量数据的聚合物产品的储存持续时间和从中获得测量数据的聚合物产品的储存期间的环境属性。
[0032]
然而，可能会出现聚合物产品属性数据中的缺失值。优选地，聚合物产品属性数据包括重建数据。因此，重建数据用于填充这种缺失值。这种重建数据可以是通过应用分析公式而计算的数据。这种重建数据也可以基于内插或外插、基于统计分析和/或基于专业知识来确定。填充缺失值的方式可以是使用统计分析和/或专业知识。统计分析可以基于用于每个参数的给定值来提供中值、平均值、期望值、最小值或最大值。pur专业知识包括具有对应生产参数的类似配方和化学属性的知识。
[0033]
使用历史和测量数据的优点在于，基于它们的预测模型不需要依赖于可能结果是并不准确的理论假设。优选地，通过在配方数据库上执行数值分析程序来生成预测模型。原则上，任何种类的数值分析都可以用于生成预测模型。有利地，数值分析程序优选地包括多变量分析、机器学习、深度学习和/或人工智能。
[0034]
预测模型基于泡沫生产参数来计算聚合物产品属性的方式通常可以是任何种类的。根据本发明的优选实施例，预测模型限定了多变量函数关系，其中生产参数作为输入参数并且聚合物产品属性作为输出参数。这里，进一步优选的是，当计算机系统生成预测模型时，输入参数和输出参数之间的依赖性基于将预测模型与配方数据库的测试条目进行匹配的拟合算法。对于这种拟合，可以使用任何种类的拟合算法。应当注意，预测模型实际上不需要在任何意义上关于配方数据库的测试条目是最优的。
[0035]
在另一优选的实施例中，当发生配方数据库中的变化时，特别是当新的测试条目被添加到配方数据库中时和/或当新数据被添加到配方数据库的现有测试条目时，预测模型（特别地）自动重新生成。因此，任何正在进行的新测量不断地加强预测模型的质量。
[0036]
根据本发明的优选实施例，预测模型被配置用于还基于产品历史数据计算聚合物产品属性，所述产品历史数据描述了根据生产参数而生产的聚合物产品的历史。对这种产品历史的附加考虑是基于这样的认识，即：聚合物产品的聚合物产品属性可能随时间从它们的初始值改变，并且特别地可能取决于环境变量或自生产起的时间期间的使用而改变。例如，聚合物产品在高温下的延长的储存可能会导致某些聚合物产品属性的劣化。如果并且当聚合物产品在任何时间段内经历机械或化学应力时，这同样可能会发生。因此，产品历史数据优选包括聚合物产品周围的环境变量或应用到聚合物产品的机械和/或化学效应。特别地，环境变量和/或机械和/或化学效应形成给定时间跨度期间可变的相应分布。以此方式，不仅可以针对刚生产出来的情况，而且还可以针对生产后的一段时间预测聚合物产品属性，并且在该时间期间，聚合物产品可能由于外部影响而发生改变。
[0037]
以组合的且因此统一的方式分析配方部分和配方数据库的处理参数两者的一个优点是，可以确定一方面配方部分当中的一个或多个参数与另一方面处理参数之间的特定关系。如果仅单独分析它们，则这样的关系可能仍然未被发现。因此，根据本发明的另一优选实施例，当计算机系统生成预测模型时，计算机系统执行涉及配方部分维度和处理参数维度两者的维度缩减。优选地，维度缩减的执行包括主要组分分析，以便确定具有比泡沫生产参数更少的主要组分的一组主要组分，并且至少一个确定的主要组分包括配方部分维度和处理参数维度两者。
[0038]
通常，当基于来自配方数据库的数据的数值分析来生成预测模型时，预测模型通常变得更准确，更多的数据用于预测模型。然而，可能只有特定参数区与规定的用户产品参数相关。在这种情况下，当用于预测模型的数据基础被限制在相关参数的接近度同类项内时，用于该参数区的预测模型可以更准确。以此方式，防止了接近度同类项之外的离群值影响相关范围内的预测模型。因此，该方法的优选实施例的特征在于，用户输入包括用于相应工艺属性的至少一个属性接近度同类项，该属性接近度同类项限定了针对该工艺属性在计算机系统中预限定的最大属性范围内的子范围，并且当计算机系统生成预测模型时，为了确定其中该工艺属性作为输入参数的函数关系，仅考虑其中该工艺属性在所述接近度同类项内的测试条目。进一步优选地，属性接近度同类项扩展超出用于相同工艺属性的属性同类项。
[0039]
由于不同的原因，从配方数据库中标识最接近地展现由用户产品参数规定的属性的配方可能是有利的。这种配方的标识可以使用户能够公式化用户生产参数，使得更容易找到匹配的所得产品属性。根据该方法的优选实施例，计算机系统基于用户产品参数与配方数据库的测试条目的聚合物产品属性数据的比较来确定至少一个配方候选。优选地，计算机系统输出至少一个配方候选。
[0040]
根据本发明的计算机系统用于确定聚合物产品属性。根据本发明的计算机系统包括计算机装置和预测模型，该预测模型用于基于存储在计算机装置上的生产参数来计算聚合物产品属性，该生产参数包括规定用于聚合物生产的原材料部分的配方部分，并且包括规定聚合物生产期间的工艺属性的处理参数。在根据本发明的计算机系统中，计算机装置被配置成接收包括规定一组生产参数的用户生产参数的用户输入，其中，用户输入包括规定聚合物产品属性的用户产品参数，并且包括用于量化与用户产品参数的符合性的接近度度量。在根据本发明的计算机系统中，计算机装置还被配置成将用户生产参数应用于预测模型以计算所得产品属性，并且计算机装置被配置成关于用户产品参数将接近度度量应用于所得产品属性，以便确定指示用户产品参数和所得产品属性之间的匹配的至少一个接近度值。
[0041]
计算机装置可以包括一个或多个物理计算机设备。特别地，计算机装置可以包括用于提供云计算服务的装置。
[0042]
根据本发明的计算机系统的优选实施例、特征和优点对应于根据本发明的方法的优选实施例、特征和优点，反之亦然。
[0043]
在关于附图的以下描述中讨论了进一步的有利和优选特征。在下文中：图1示出了根据本发明的方法的实施例的功能原理的图示；以及图2示出了根据本发明的实施例的计算机系统。
[0044]
根据本发明的方法用于确定聚合物产品属性1，其在本示例中是聚氨酯产品属性。这些聚合物产品属性1在此包括聚氨酯产品的广泛的物理或化学属性，例如密度、压缩强度、尺寸稳定性、耐热性、耐火性和排放。在图1中，仅为了清楚起见，以简化的方式沿一个轴（z轴）示出了这些聚合物产品属性1的整体。实际上，聚合物产品属性1对应于值的阵列，并且因此是多维的。
[0045]
更一般地，根据本发明的方法的用户设法标识用于生产聚合物产品的方法（recipe），在此首先根据配方部分2描述，其描述了在聚氨酯产品的生产中使用的原材料的
相应比例。类似于聚合物产品属性1，配方部分2也以简化的方式仅沿一个轴示出，该轴在此是x轴，尽管配方部分2是多维的。
[0046]
其次，根据处理参数3描述该方法，其确定了机器的设定（即，可变属性）以及预限定的且因此恒定的属性（例如物理尺寸）（其在实验室中具有较小规模或在工厂中具有较大规模），其用于根据配方部分2从这些成分来生产聚氨酯产品。类似于聚合物产品属性1和配方部分2，处理参数3也以简化的方式仅沿一个轴示出，该轴在此为y轴，尽管处理参数3也是多维的。
[0047]
配方部分2和处理参数3一起形成限定这种方法的生产参数，尽管生产参数可能包括附加信息。用户力求标识特定的生产参数，以使得所得聚氨酯产品表现出根据用户产品参数5的物理特性。用户产品参数5规定了这里预限定的目标产品属性。这样的用户产品参数5可以由于特定的客户请求而产生，或者可以被确定为使得聚氨酯产品可以在特定的组件中使用或者以某种特定的方式用于更大的装置。
[0048]
与聚合物产品属性1一样，用户产品参数5在此被图示为沿着一维轴的与聚合物产品属性1相对应的单个值，尽管实际上它们也在若干个方向上延伸。此外，并且也与图1的图示不同，用户产品参数5不是仅规定聚合物产品属性1的单个期望值，而是规定了值同类项。换句话说，根据用户产品参数5，在该值同类项内的任何值都被认为是在规格内。与用户产品参数5相关联的是限定与用户产品参数5的依从程度的接近度度量。即使聚合物产品属性1与用户产品参数5不确切匹配，这种依从程度也可以被潜在地量化。在那种情况下，依从程度可以用数字表达。在本示例中，接近度度量是简单函数，所述简单函数当聚合物产品属性1在由用户产品参数5限定的值同类项内时为真，并且当聚合物产品属性1在由用户产品参数5限定的值同类项之外时为假。
[0049]
用户现在将用户输入提供给计算机系统的计算机装置6，如图2所示。在本示例中，计算机装置6是单个计算机设备。该用户输入包括上述用户产品参数5、上述接近度度量以及另外用户生产参数4。这些用户生产参数4包括一组生产参数，在此是聚氨酯生产参数，该组可以被理解为呈现候选聚氨酯生产参数，从该候选聚氨酯生产参数中，将要标识最接近用户产品参数5（如由接近度度量量化）的特定聚氨酯生产参数。
[0050]
计算机系统的计算机装置6利用存储在计算机装置6上的预测模型7，以便基于用户生产参数4的聚氨酯生产参数来计算聚合物产品属性1。该预测模型7在图1中以简化的方式示出为具有与产品属性对应的一维输出、以及由配方部分2和处理参数3组成的二维输入的函数。实际上，预测模型7的输入和输出两者都可以使多维的。
[0051]
对于用户生产参数4，计算机系统的计算机装置6现在基于预测模型7并且特别地通过将用户生产参数4的该组聚氨酯生产参数应用于预测模型7来计算所得产品属性8。换言之，该组聚氨酯生产参数内的每个成员形成由预测模型7限定的函数的输入，并且所得产品属性8形成对应的输出。因此，针对来自该组的每个聚氨酯生产参数，计算对应的所得产品属性8。针对每个这样的对应的所得产品属性8，应用接近度度量来确定对应接近度值，在本实施例中，这相当于确定所得产品属性8是否在用户产品参数5内。
[0052]
以此方式，用户可以检查来自用户生产参数4的聚氨酯生产参数是否与期望的用户产品参数5匹配以及其中的哪个聚氨酯生产参数与期望的用户产品参数5匹配。当使用更准确地对到用户产品参数5的距离进行量化的接近度度量时，即使所得产品属性8中没有一
个与用户产品参数5匹配，也至少可以标识出最接近用户产品参数5的聚氨酯生产参数，这然后继而可以是用于进一步改进的起始点。
[0053]
如图1所示，用户生产参数4包括其中限定配方部分2的部分值的部分同类项9。再次，实际上与用于不同原材料部分的不同部分同类项对应的内容以简化方式针对一个维度而示出。这些部分值可以通过明确的选择来设定，或者通过限定根据部分分辨率相等地划分部分同类项9的部分分辨率来设定。因此，可以根据分辨率来扫描部分同类项9。也可以限定具有相应不同部分分辨率的若干部分同类项9。在当前情况下，在图1中未示出单独的部分值，而是假定限定了精细地扫描部分同类项9的分辨率。
[0054]
同样，用户生产参数4包括属性同类项10，其中限定了处理参数3的属性值。这些属性值也可以通过明确的选择或通过类似于部分分辨率的属性分辨率的限定来设定，其中图1中的图示是一维简化，如上文针对部分同类项9所描述的。同样，没有示出单独的设定值，而是假设利用适当精细分辨率的扫描。图1中示出了与部分同类项9和属性同类项10的组合扫描相对应的二维区域11。该区域11对应于用于所得产品属性8的输入值。
[0055]
计算机系统的计算机装置6然后可以分别计算部分同类项9和属性同类项10中的部分值和属性值的所有组合的所得产品属性8。在这种情况下，并且如图1所示，存在导致与用户产品参数5匹配的所得产品属性8的计算的部分值和属性值的组合的区12。所得产品属性8以及这些区12的组合由计算机装置6标识并输出给用户。
[0056]
计算机装置6包括存储器单元13，其中配方数据库14存储有用于聚氨酯配方的多个测试条目15，其是从关于聚氨酯产品的生产和测试的历史数据中编译的。预测模型7由计算机装置6生成，其对配方数据库14的数据执行多变量分析，包括维度缩减方法，例如主要组分分析以及拟合步骤。在图1中，示出了配方数据库14的一些示例性测试条目15的测试聚氨酯产品属性数据16。可以看出，预测模型7基本上对应于示例性测试条目15的测试聚氨酯产品属性数据16的最佳拟合近似。