專利名稱：自動規(guī)劃試驗的方法和系統(tǒng)的制作方法
技術(shù)領域：
本發(fā)明涉及自動規(guī)劃試驗的方法以及相應的計算機程序產(chǎn)品和用于自動規(guī)劃試驗的系統(tǒng)。
在現(xiàn)有技術(shù)水平中已知用于規(guī)劃試驗和實驗的各種方法。下面將概念“試驗”和“實驗”作同義詞使用。
在現(xiàn)有技術(shù)水平中已知借助于統(tǒng)計學試驗規(guī)劃方法對試驗進行規(guī)劃。這種規(guī)劃方法主要使用在用最少數(shù)目的試驗求出用于在一個過程中調(diào)節(jié)量和干擾量與得到結(jié)果的特性和過程特性之間關系的經(jīng)驗過程模型。這種統(tǒng)計學的試驗規(guī)劃例如可以借助于計算機程序“STAVEX”(統(tǒng)計學的試驗規(guī)劃和試驗系統(tǒng))進行。商業(yè)可以買到的其他試驗規(guī)劃計算機程序是StatSoft(歐洲)有限責任公司的“Statistica”程序。
在統(tǒng)計學的試驗規(guī)劃領域中現(xiàn)有技術(shù)水平的各種試驗規(guī)劃種類是不同的。特別是人們將它們區(qū)分為傳統(tǒng)的，全因子型的方法和按照Taguchi或Shainin的現(xiàn)代方法。
傳統(tǒng)的，全因子型的方法是所有統(tǒng)計學試驗規(guī)劃方法的起源。它建立在根據(jù)變量分析將所有質(zhì)量決定因子相互比較的基礎上。在過去的數(shù)十年中掌握了非常多的改進方案并在研究實驗室和開發(fā)試驗室中得到了驗證。
然而由于成本原因，按照Taguchi或Shainin的現(xiàn)代方法得到了更多的應用。
Shainin-DOE(DOE＝試驗規(guī)劃)是適用于過程最佳化的適宜方法，因為它將所謂的“強烈的”影響量分隔開并對它們進行重要性和依賴性的研究。
Taguchi-DOE是建立在前面的，部分因子型的，正交的試驗規(guī)劃上。由于通過預先選出最重要的影響量有力地節(jié)省了試驗過程，在這里涉及到試驗規(guī)劃和過程規(guī)劃的快速和相對經(jīng)濟的方法。
其他，已知統(tǒng)計學試驗規(guī)劃種類是部分因子型的試驗規(guī)劃(“fraction factorial”)，Plackett-Burmann試驗規(guī)劃，集中組合規(guī)劃(“central composite”)，Box-Behnken試驗規(guī)劃，D-最佳化規(guī)劃(“D-optimal Designs”)，混合規(guī)劃，平衡塊規(guī)劃，拉丁平方，Desperado規(guī)劃(為此還可以訪問http//www.versuchsplanung.de)。
已知其他的試驗規(guī)劃方法可參考Hans Bendemer，“最佳化試驗規(guī)劃”，德國手冊系列叢書(DTB，23卷和ISBN3-87144-278-X)以及Wilhelm Kleppmann，試驗規(guī)劃手冊“產(chǎn)品和過程最佳化”2，新增版，ISBN3-446-21615-4。
此外在US 6,009,379中已知控制關于有效試驗規(guī)劃制造過程的一種方法。其中將試驗點平均分布在多維的球面上，以便對單個制造參數(shù)平均地進行加權(quán)。
本發(fā)明的任務是創(chuàng)建一種用于自動試驗規(guī)劃的改進方法，以及相應的計算機程序產(chǎn)品和系統(tǒng)。
作為本發(fā)明基礎的任務是用各獨立權(quán)利要求解決的。本發(fā)明優(yōu)異的實施例在從屬權(quán)利要求中予以說明。
本發(fā)明允許通過將試驗均勻分布在離散的和可通過補充條件限制的參數(shù)空間進行預先規(guī)定試驗數(shù)為M的試驗規(guī)劃。可以將相應的試驗規(guī)劃工具的用戶專業(yè)知識輸入其中，更確切地說是通過定義兩個不同試驗之間的相似性尺度和通過定義單個試驗的評價尺度。
因此在所進行的試驗和從過程角度哪些試驗可以看作是相似的或者不相似的問題的分類上可達到很高的靈活性。另外的優(yōu)點是對于試驗規(guī)劃也可以考慮已經(jīng)進行的試驗。
特別優(yōu)異的是將本發(fā)明使用在訓練具有嚴格模型部分的神經(jīng)網(wǎng)絡或混雜神經(jīng)網(wǎng)絡的用于數(shù)據(jù)獲取試驗規(guī)劃上。特別是用本發(fā)明可以達到將試驗規(guī)劃均勻分布在關系重大的空間上，使得可以用相對比較少的試驗數(shù)據(jù)數(shù)可以訓練神經(jīng)網(wǎng)絡或混雜的神經(jīng)網(wǎng)絡。這使得進行試驗以獲取這樣一種數(shù)據(jù)庫非常顯著地節(jié)省時間和成本成為可能，因為進行訓練所要求的試驗數(shù)可以通過本發(fā)明最佳化。
與現(xiàn)有技術(shù)水平已知的試驗規(guī)劃程序相比較其特殊優(yōu)點是，原則上可以對試驗方式預先規(guī)定任意的邊界條件。此外關于兩種試驗不同性的評價-例如關于需模型化過程的結(jié)構(gòu)信息-已經(jīng)可以在試驗規(guī)劃中考慮基本知識。
本發(fā)明其他特殊的優(yōu)點在于，評價試驗組合和評價單個試驗是借助相互不同的尺度進行的一方面定義代表兩個試驗相似性或者不相似性的數(shù)字數(shù)值的相似性尺度。其背景是應該選擇盡可能不相似的需規(guī)劃的試驗。一個一定試驗的相似性和不相似性意味著，關于相似性尺度的定義是可以由用戶定義的。
與此分開涉及評價單個試驗的評價尺度是可以由用戶預先規(guī)定的。在這個評價尺度中可以引入極不相同的判據(jù)，例如試驗設備情況，進行試驗的成本，進行試驗所需要的時間等。一定參數(shù)組合例如同時高壓和高溫可能導致試驗設備損壞，以致于為這種“被禁止”的參數(shù)組合安排一個相應的評價。
將這樣定義的相似性尺度和評價尺度引入到把相似性尺度和評價尺度相互組合的質(zhì)量尺度。然后按照本發(fā)明用質(zhì)量尺度確定其質(zhì)量尺度呈現(xiàn)極限值的那些試驗。各根據(jù)選擇相似性尺度和評價尺度和選擇各個符號這個極限值涉及質(zhì)量尺度的最大值或最小值。
按照本發(fā)明優(yōu)異的實施形式，相似性尺度是以一個參數(shù)空間中兩個試驗的歐幾里德距離為基礎的。每個試驗用一個矢量定義，該矢量包括對這個具體試驗不同試驗變量的參數(shù)值。這個參數(shù)空間優(yōu)異的是離散的，也就是說該參數(shù)值只能取確定的離散值。于是得出兩個試驗的距離例如作為所觀測試驗的參數(shù)矢量的歐幾里德距離。
優(yōu)異的是將兩個試驗之間倒數(shù)的歐幾里德距離定義為相似性尺度。此外可以將指數(shù)函數(shù)定義為相似性尺度，這個指數(shù)函數(shù)有兩個試驗的倒數(shù)歐幾里德距離作為指數(shù)。相似性尺度的其他定義有可能與有關試驗對象(Szenario)有關。
評價尺度也可以用公式形式定義。另可有選擇地也可以用表格或類似形式確定評價尺度。
按照本發(fā)明優(yōu)異的實施形式，為了計算質(zhì)量尺度將所有成對的參數(shù)矢量的相似性尺度進行計算和相加。此外對所有被觀測的試驗計算其評價尺度。然后將相加的相似性尺度和相加的評價尺度-根據(jù)相似性尺度和評價尺度的定義-相加或相減。于是從這種相加和相減中得出需最小化或最大化的質(zhì)量尺度。
按照本發(fā)明優(yōu)異的其他實施形式，將已經(jīng)進行的試驗也引用在計算相似性尺度和評價尺度上。例如如果已經(jīng)進行了N數(shù)個試驗，則在離散的參數(shù)空間將尋找新的M個試驗。于是在N個已經(jīng)進行的試驗和M個新的試驗基礎上計算出質(zhì)量尺度，以便篩選出M個新的試驗。
按照其他優(yōu)異的實施形式，借助于蒙特卡羅方法確定質(zhì)量尺度的極限值。例如另可選擇地可以使用遺傳學(genetisch)算法或其他適合的數(shù)字優(yōu)化方法。
按照本發(fā)明其他優(yōu)異的實施形式，將試驗規(guī)劃程序與設備控制裝置聯(lián)系在一起，于是可以將被找到的試驗參數(shù)矢量直接傳送給控制裝置。
下面在附圖基礎上詳細敘述按照本發(fā)明優(yōu)異的實施例

圖1用于自動規(guī)劃試驗方法的第一個實施例流程圖，圖2建立在蒙特卡羅優(yōu)化方法基礎上的第二個實施例，圖3按照本發(fā)明自動規(guī)劃系統(tǒng)與進行規(guī)劃的計算機程序產(chǎn)品的圖1表示了自動規(guī)劃試驗的流程圖。
應該在d-維參數(shù)空間對試驗進行規(guī)劃。
對于單個坐標預先規(guī)定了離散化Xj(i)具有j∈(1..ni)i∈(1..d)。在這里ni是坐標i可能的位置數(shù)。
在方法的步驟1中，將這個d-維參數(shù)空間用其離散化進行定義。
在步驟2中輸入準備規(guī)劃的試驗數(shù)目M。試驗者因此有可能預先規(guī)定新的需進行試驗的數(shù)目。
在步驟3中輸入兩個試驗的相似性尺度R。例如這樣定義相似性尺度R，即相似性尺度越大兩個試驗越相似。下面說明定義兩個試驗x1和x2相似性尺度R的可能性 其中單調(diào)增長的函數(shù)f，例如為f(z)＝exp(z)或f(z)＝zR。
在步驟4中然后輸入單個試驗xi的評價尺度S。這個評價尺度S用于評價與離散化X協(xié)調(diào)的單個試驗。例如當S(x)＝-∞時禁止進行試驗，因為它有可能導致試驗設備損壞。
相反用較高數(shù)值S對允許的試驗進行評價。例如可以將函數(shù)S(x)存放在一個表格形式中。除了通過試驗設備預先規(guī)定的邊界條件之外還可以借助于評價尺度S形成其他的判據(jù)，例如進行一個確定的試驗的時間消耗和/或成本費用。
一般來說這樣選擇以函數(shù)形式或表格形式的評價尺度S，評價尺度越大，單個試驗越是所希望的。
在步驟5中由此得出在相似性尺度R和評價尺度S基礎上的質(zhì)量尺度Q。在步驟6中得出質(zhì)量尺度Q的最小值，也就是說從參數(shù)空間中選擇M-試驗，使得Q變成最小和因此質(zhì)量達到最大值。
在步驟6中解決的試驗規(guī)劃問題其公式為已經(jīng)給出N個已存在的試驗x1...N·。尋找M個與離散化X協(xié)調(diào)的新的試驗x(N+1)..(N+M1)，對于這些試驗適合S(xi)≠-∞和Q([x‾])=Σi≠jR(x‾i,x‾j)-Σis(x‾i)]]>最小化。
在步驟7中輸出在步驟6中求出的M-試驗。
按照本發(fā)明試驗規(guī)劃實施形式的特殊優(yōu)點是，一方面需進行的和已經(jīng)存在的試驗盡可能相互區(qū)別要大并且另一方面期望它們盡可能是每次單個的。借助兩個試驗的區(qū)別尺度與問題相匹配地闡述以及例如關于試驗的單個評價的補充條件被實現(xiàn)，這種結(jié)構(gòu)方案允許解決最復雜的試驗規(guī)劃問題。如果人們定義了區(qū)別尺度或者相似性尺度和單個評價函數(shù)，也就是說評價尺度，于是試驗規(guī)劃就簡化為最佳化問題，最佳化問題可以用數(shù)學的輔助工具解決。
下面敘述不同形式的試驗規(guī)劃問題的幾個實例和用按照本發(fā)明的方法對其進行的轉(zhuǎn)換-單個試驗“嚴格的”補充條件本發(fā)明不僅對差別盡可能大的試驗進行規(guī)劃，而且經(jīng)過評價尺度S還可以實現(xiàn)實驗的單個評價。用這種方法可以在需進行的試驗中預先規(guī)定“嚴格的”補充條件。例如可以指定在所有試驗中必須滿足或不能滿足的判據(jù)。將試驗均勻分布在這樣局限的空間。這種可能性特別允許將一定類型的試驗一開始就排除在外。為此實現(xiàn)的可能性是“被禁止的”試驗得到評價尺度為S＝-∞。
-各種“類別”的過程假設應該規(guī)劃用于一個過程的試驗設計，在其中可以改變?nèi)鐗毫蜏囟绕胀ǖ倪B續(xù)的數(shù)值。此外例如應該試驗附加的各種可選擇的添加物或設備(部件)。兩個試驗的相似性應該用以下方法進行定義將具有各種添加物/設備(部件)的試驗原則上評價為最不相似，因為這些是不可比的。在具有同樣添加物的試驗時相似性是通過壓力和溫度的差別給定的。
-配方當試驗規(guī)劃最佳化配方時例如對給定初始材料必須將其數(shù)量進行試驗性的改變。在這里人們可以或者將試驗規(guī)劃通過投入材料數(shù)量的比例進行描述或人們將配方直接通過稱重來表述，和要求其和為100％作為邊界條件(→嚴格的補充條件)。
-具有多個目標量/不完整數(shù)據(jù)的過程如果試驗數(shù)據(jù)已是存在的但是它們并不完整，對于試驗規(guī)劃就得到有趣的問題。也就是說在單個試驗時或者沒有記錄所有的參數(shù)或者還沒有確定所有的目標量(例如產(chǎn)品質(zhì)量特性)。對于評價新進行的試驗應該決定性地判斷是否已經(jīng)存在一個相似性的試驗。
對這個問題的回答與應該描述哪個目標量有關。如果對于一個給定的試驗沒有確定一個目標量，則不能將這個試驗使用在沒有被測量的目標量的模型化上。因此在規(guī)劃新的試驗時應該要求盡可能多的初始量提供新的信息。在技術(shù)方面這是可以實現(xiàn)的，即借助分別確定所有目標量與已經(jīng)存在試驗的距離和隨后將目標量進行平均。
-具有結(jié)構(gòu)基本知識的試驗規(guī)劃如果關于一個過程存在結(jié)構(gòu)基本知識時，于是這些基本知識影響的問題是哪個試驗被看作是相似的或不相似的。在有些情況下有可能計算出從初級的過程參數(shù)中推導出的量，這個量代表過程機理(次級過程量)的特征。然后這樣實現(xiàn)相似性尺度R，首先從初級量中計算出次級量以便從中確定相似性。
-用于最佳化試驗
在很多情況下人們(由于試驗量的原因)并不對過程完整的模型化感興趣。人們更愿意試驗性地確定最佳運行點。在這種情況下人們將重復進行。
在第一個步驟中將試驗進行規(guī)劃，試驗在好的和差的運行狀態(tài)之間允許制作可以進行區(qū)別的模型。在這個模型基礎上規(guī)劃新試驗的序列，這個序列有目的地精確區(qū)別所希望的運行狀態(tài)區(qū)域。這是借助于評價尺度S實現(xiàn)的。用這個評價尺度得到的數(shù)據(jù)可以在感興趣的參數(shù)區(qū)域?qū)⒛Ｐ瓦M行改進和現(xiàn)在在過程質(zhì)量方面用有強烈要求的指標制作新的試驗系列。將這個過程重復直到人們在所希望的精度上找到過程的最佳狀態(tài)。
用于解決最佳化問題可能的方法，也就是說用于選擇M個試驗使得質(zhì)量尺度Q呈現(xiàn)極限值的是蒙特卡羅-方法。
圖2表示，涉及解決最佳化問題的蒙特卡羅-方法的一個實施形式。
在步驟8中從參數(shù)空間中任意選擇試驗數(shù)M。此外將質(zhì)量偏差ε初始化。然后從M試驗中在步驟9中重新任意取出一個試驗。在步驟10中用這個試驗計算試驗規(guī)劃的質(zhì)量尺度Q。
在步驟11中任意選定這個試驗的坐標。如果坐標是序數(shù)于是優(yōu)異的是坐標偶然地升高或降低一步，如果坐標是絕對的于是偶然地重新選定坐標。這在步驟12中進行。
在步驟13中計算出被選定的具有變化坐標的試驗的質(zhì)量尺度Q′。在步驟14中將質(zhì)量尺度Q與Q′相比較。如果Q′＜Q+ε于是意味著被選定具有變化坐標的試驗不比不變化的被選定試驗的質(zhì)量差很多。
在這種情況下在步驟15中將在步驟9中被選定的試驗通過被選定的具有變化坐標的試驗代替。于是質(zhì)量偏差ε減小。相反如果質(zhì)量顯著變差則保留原來在步驟9中所選定的試驗。在這種情況下也可以減小質(zhì)量偏差ε。
將步驟9-14和有時15一直重復達到中斷條件。此時數(shù)值ε連續(xù)減小到零。中斷條件例如可以是最大的重復次數(shù)；中斷條件另外的選擇是如果質(zhì)量尺度Q不再或者不再明顯改變。用這種方式和方法可以求出質(zhì)量尺度的最小值和因此求出被尋找的M試驗(比較圖1的步驟6)。
圖3表示按照本發(fā)明系統(tǒng)的實施形式框圖。系統(tǒng)包括了用于進行試驗的試驗設備30。試驗設備30由控制裝置31控制。計算機32與控制裝置31相連接，為了進行試驗規(guī)劃計算機有一個計算機程序33。計算機程序33包括用于計算相似性尺度的功能34和用于計算評價尺度的功能35(與圖1的步驟3和步驟4比較)。
為了使整個系統(tǒng)自動循環(huán)運行成為可能，計算機程序33提供了一個匹配模塊44，用于將評價尺度35與已經(jīng)進行試驗39的結(jié)果相匹配。
此外為了系統(tǒng)的循環(huán)運行，安排了中斷模塊45，當達到預先定義的中斷判據(jù)時結(jié)束本方法。
此外計算機程序33，包括了建立在功能34和35基礎上用于計算質(zhì)量尺度的功能36(與圖1的步驟5比較)。
計算機程序33，此外還包括離散參數(shù)空間X的構(gòu)成37(與圖1步驟1比較)。此外計算機程序33還包括借助功能36計算質(zhì)量尺度極限值的程序模塊38，也就是說用于選擇M試驗，這樣質(zhì)量尺度就呈現(xiàn)一個極限值。
此外計算機32有一個存儲器39，用于存儲在這之前進行試驗的參數(shù)矢量。為了極限值計算，計算機程序33用程序模塊38可以從存儲器39中進行存取。
此外計算機32有一個用戶接口40，用戶經(jīng)過用戶接口可以通過圖像屏幕41將功能34，35和/或36以及匹配圖輸入給匹配模塊44并將中斷判據(jù)輸入給中斷模塊45。此外用戶還可以經(jīng)過用戶接口40詳細說明參數(shù)空間37。
當用戶詳細說明了功能34，35和/或36以及參數(shù)空間37之后，試驗的自動規(guī)劃可以通過計算機程序33進行。為此，程序模塊38從存儲器39和功能36中進行存取，以便將這些最佳化，也就是說質(zhì)量尺度呈現(xiàn)一個極限值，于是就找到了M-試驗的數(shù)目。
例如借助蒙特卡羅-方法(與圖2比較)或借助遺傳學的或演化的算法或借助另外的算術(shù)最佳化方法解決最佳化問題之后，出現(xiàn)了M個已經(jīng)進行試驗的參數(shù)矢量。將這些參數(shù)值例如作為矩陣文件形式42傳送給控制裝置31?？刂蒲b置31在試驗設備中具有相應的位置，于是進行單個M-試驗。
控制裝置31從試驗設備30中得到感興趣的測量結(jié)果并將這些匯總為一個文件43，將這個文件自動傳送給計算機23。計算機32的用戶可以打開文件43和必要時借助于其他軟件進行分析。對于規(guī)劃其他的M′試驗，將正在進行的M試驗傳送給存儲器39，然后在隨后的規(guī)劃中將這些用于計算功能34，35和/或36。
計算機程序33在所有至今進行的試驗39基礎上，可以借助于匹配模塊44與評價尺度35進行匹配。系統(tǒng)用新的位置規(guī)劃新的試驗系列和將試驗傳送給控制裝置31。將這個一直重復循環(huán)到滿足預先定義的中斷判據(jù)(中斷模塊45)，或者通過用戶的重復經(jīng)過用戶接口結(jié)束本方法。
參考符號表30試驗設備31控制裝置32計算機33計算機程序34功能35功能36功能37進展38程序模塊39存儲器40用戶接口41圖像屏幕42文件43文件44匹配模塊45中斷模塊
權(quán)利要求
1.用于自動規(guī)劃試驗的方法具有以下步驟-輸入兩個試驗的相似性尺度，-輸入單個試驗的評價尺度，-在相似性尺度和評價尺度基礎上確定質(zhì)量尺度，-找到試驗的數(shù)目，在這個數(shù)目上質(zhì)量尺度呈現(xiàn)極限值。
2.按照權(quán)利要求1的方法，其中可以從離散的參數(shù)空間中選擇試驗。
3.按照權(quán)利要求1或2的方法，其中相似性尺度是建立在參數(shù)空間中兩個試驗的歐幾里德距離基礎上的。
4.按照權(quán)利要求1，2或3的方法，其中相似性尺度是建立在參數(shù)空間中兩個試驗倒數(shù)的歐幾里德距離基礎上的。
5.按照上述權(quán)利要求1至4之一的方法，其中相似性尺度是建立在具有兩個試驗倒數(shù)的歐幾里德距離作為指數(shù)的指數(shù)函數(shù)基礎上的。
6.按照上述權(quán)利要求1至5之一的方法，其中評價尺度包括涉及一個試驗的可進行性的和/或不可進行性的評價。
7.按照上述權(quán)利要求1至6之一的方法，其中評價尺度包括涉及成本或進行試驗所要求的時間的評價。
8.按照上述權(quán)利要求1至7之一的方法，其中將評價尺度用一個函數(shù)的形式輸入。
9.按照上述權(quán)利要求1至8之一的方法，其中將評價尺度用表格形式輸入。
10.按照上述權(quán)利要求1至9之一的方法，其中質(zhì)量尺度是建立在所有被觀測試驗所相加的相似性尺度和所有被觀測試驗所相加的評價尺度的基礎上被確定的。
11.按照權(quán)利要求10的方法，其中為了確定質(zhì)量尺度對第一個數(shù)目的已經(jīng)進行的試驗和第二個數(shù)目的需規(guī)劃的試驗進行分析。
12.按照上述權(quán)利要求1至11之一的方法，其中質(zhì)量尺度呈現(xiàn)一個極限值的試驗是借助蒙特卡羅-方法找到的。
13.按照權(quán)利要求12的方法具有以下步驟-從一個參數(shù)空間中選擇試驗數(shù)(M)，-從參數(shù)空間選擇的試驗中選擇一個試驗，-對該被選擇的試驗計算質(zhì)量尺度，-選擇該被選擇試驗的一個坐標，-在參數(shù)空間內(nèi)改變該被選擇的坐標，-對該被選擇的試驗用變化的坐標計算質(zhì)量尺度，-如果具有變化坐標的該被選擇試驗的質(zhì)量尺度不比該被選擇試驗的質(zhì)量尺度差至少一個質(zhì)量偏差(ε)時，則該被選擇的試驗就用具有變化坐標的被選擇試驗所代替，-一步步地將質(zhì)量偏差(ε)減少到零。
14.按照權(quán)利要求13的方法，其中為了計算質(zhì)量尺度應該一同考慮已經(jīng)進行過試驗的數(shù)目(N)。
15.按照上述權(quán)利要求1至14之一的方法，其中為了找到質(zhì)量尺度呈現(xiàn)極限值的試驗的數(shù)目使用一種遺傳學的算法。
16.用于執(zhí)行按照上述權(quán)利要求1至15之一方法的計算機程序產(chǎn)品。
17.自動規(guī)劃試驗系統(tǒng)具有-用于找到試驗數(shù)目的工具(33，39)，其中質(zhì)量尺度呈現(xiàn)極限值，此時質(zhì)量尺度是建立在兩個試驗相似性尺度和單個試驗的評價尺度基礎上的，-將被找到的、質(zhì)量尺度呈現(xiàn)極限值的試驗(42)傳送給進行試驗的控制裝置(31)的工具。
18.按照權(quán)利要求17的系統(tǒng)，其中將尋找工具與存儲已經(jīng)進行試驗的工具(39)和與自動循環(huán)進行試驗規(guī)劃的工具(44，45)連接在一起。
全文摘要
本發(fā)明涉及自動規(guī)劃試驗的方法具有以下步驟輸入兩個試驗的相似性尺度，輸入單個試驗的評價尺度，在相似性尺度和評價尺度基礎上確定質(zhì)量尺度，找到質(zhì)量尺度呈現(xiàn)極限值的試驗數(shù)目。
文檔編號G06Q10/00GK1802657SQ03809932
公開日2006年7月12日 申請日期2003年2月17日 優(yōu)先權(quán)日2002年3月1日
發(fā)明者R·博格豪斯, G·莫克, T·姆爾茨格洛德, P·許布爾 申請人:拜爾技術(shù)服務有限責任公司