[发明专利]用于训练模型以确定材料特性参量的方法

说明书

用于确定尤其是用于塑料材料或过程的材料特性参量的一种设备和一种方法，其中，在该方法中为模型(106)提供输入参量(S1，...，Sxx)的组合(202)，并根据该模型(106)来确定材料特性参量(204)，其中，模型(106)将输入参量(S1，...，Sxx)的组合映射到材料特性参量上，其中，根据训练数据来训练模型(106)，通过输入参量(S1，...，Sxx)的多个组合及其与目标材料特性参量的相应配属来定义所述训练数据，其中，根据由模型(106)从所述训练数据中针对组合中的一个组合所确定出的材料特性参量与在所述训练数据中配属于该组合的目标材料特性参量的比较(206)的结果，要么继续训练模型(106)，要么，其中，通过向模型(106)添加模块(A，...，Z)和/或通过从模型(106)中去除至少一个模块(A，...，Z)来确定(210)变化的模型(106)，并训练该变化的模型(106)。

技术领域

本发明涉及用于确定尤其是用于塑料材料或过程的材料特性参量的一种设备和一种方法。

背景技术

目前，对与此相关的过程属性或材料属性的研究需要进行各种各样的、部分地时间密集和成本密集的测量，由此无法立即做出关于材料和过程的状况的决定。

发明内容

以下说明一种方法和一种设备，借助所述方法和所述设备能够几乎实时地检测过程数据和/或材料数据。由此能够直接地优化过程。这能够实现不仅确保均匀的产品质量而且节省用于材料的成本。本发明能够实现简单、精确和廉价地提前识别由于无意识的操纵(如批次波动)或有意识的操纵或改变(如产品伪造)造成的产品偏差。此外，能够通过将预测的材料参数和现有的过程特性参数智能地关联来为最佳产品质量确定可靠和稳健的过程窗口。

一种用于确定尤其是用于塑料材料或过程的材料特性参量的方法，该方法设置，

为模型提供输入参量的组合，并根据该模型来确定材料特性参量，其中，该模型将输入参量的该组合映射到材料特性参量上，其中，根据训练数据来训练该模型，通过输入参量的多个组合及其与目标材料特性参量的相应配属来定义该训练数据，其中，根据由该模型从该训练数据中针对组合中的一个组合所确定出的材料特性参量与在该训练数据中配属于该组合的目标材料特性参量的比较的结果，要么继续训练该模型，要么，其中，通过向该模型添加模块和/或通过从该模型中去除至少一个模块来确定变化的模型，并训练该变化的模型。这能够实现，从所述组合中获得无法从可直接测量的化学属性中所推导出的关于材料的知识。

优选通过光谱数据、热分析方法数据、流变学数据、关于熔体粘度的数据、衍射方法的数据和/或色谱方法的数据来定义输入参量的组合，其中，所述模型包括通过至少一个分类和/或回归来确定所述材料特性参量的模块。所述模块是特别适合的。

该模块优选包括人工神经网络ANN或支持向量机SVM，尤其是通过偏最小二乘回归PLS-Reg、偏最小二乘分类PLS-DA、线性判别分析LDA、岭回归(Ridgeegression)、多元线性回归MLR、逻辑回归、决定树或回归树、随机森林定义。这些方法特别适用于推导材料特性参量。

在一个方面中，设置模块以用于对输入参量的组合进行预处理，尤其是借助去趋势、推导、均值中心化、Savitzky-Golay滤波、傅里叶变换、标准正态变量SNV。这进一步改善该模型。

在一个方面中，设置模块以用于来自所述输入参量的至少一个输入参量或其组合的干扰参量消除，尤其是借助通过正交减法消除误差EROS、外部参数正交化EPO、小波变换或傅里叶变换。这使得该模型更加稳健。

在一个方面中，设置构造用于进行降维或特征选择的模块，尤其是借助用于降维的主成分分析PCA、Stepvise变量选择SVS或Procrustes变量选择。这能够实现更加有效地确定材料特性参量。

在一个方面中，至少一个模块包括分类器，所述分类器构造用于将数据分类为对材料的制造商、材料的制造商组、材料属性或制造材料的批次进行定义的类别。因此能够特别简单地对化学材料进行配属。