Il significato di questo manoscritto sperimentale risiede nelle applicazioni della spettroscopia del vicino infrarosso e degli algoritmi di data mining per il monitoraggio online dell'industria di processo reale. I maggiori vantaggi di questa tecnologia risiedono nella sua rapidità. La proprietà non distruttiva della sua tecnologia di rilevamento vicino all'infrarosso e la pratica di un algoritmo parziale dei meno quadrati, o PLS.
Per iniziare, collegare lo spettrometro come descritto nel protocollo di testo. Per impostare i parametri di misurazione, utilizzare il software OPUS. Passare al menu Misura e selezionare il comando Misurazione avanzata.
Nella finestra di dialogo visualizzata definire i parametri di misurazione nelle diverse schede. Per archiviare il file dell'esperimento, fare clic sulla scheda Avanzate. Definire la risoluzione come quattro centimetri inversi.
Definire il numero di scansioni come 16 scansioni nei campi di immissione del tempo di scansione in background di esempio. Definire il percorso per memorizzare automaticamente i dati di misurazione da 4.000 centimetri inversi a 12.500 centimetri inversi. Determinare il tipo di dati per lo spettro dei risultati come assorbanza e salvare il file dell'esperimento.
Ora fare clic sulla scheda Ottica. Fare clic sull'elenco a discesa dell'impostazione dell'apertura e selezionare lo stesso valore utilizzato per acquisire uno spettro campione. Quindi fare clic sulla scheda Base.
Fare clic sul pulsante Canale singolo in background e posizionare il campione nel percorso ottico dello spettrometro per misurare lo spettro del campione. Definire la descrizione di esempio e il modulo di esempio nel particolare campo di immissione. Queste informazioni vengono memorizzate insieme allo spettro.
Ora fai clic sul pulsante Campione canale singolo per avviare la misurazione online. Salvare lo spettro NIR di ogni scansione come file OPUS. Utilizzare il software OPUS per leggere il set spettrale originale.
Scegliere il comando Carica file dal menu File. Nella finestra di dialogo visualizzata selezionare il file di spettro specifico. Fare clic sul pulsante Apri.
Lo spettro viene visualizzato nella finestra dello spettro. Con la funzione di pre-elaborazione spettrale in, ottenere il set di dati spettrali pre-elaborato con la derivata del primo ordine. Aprire prima l'Unscrambler, che è un software di analisi dei dati multivariato e progettazione sperimentale.
Quindi selezionare il comando Importa in File. Importare il file OPUS come set di dati spettrale NIR originale. Selezionare il comando Trasforma in Modifica.
Quindi selezionate le derivate di Savitzky-Golay in Derivati. Definire gli esempi e le variabili come tutti i campioni e tutte le variabili nell'ambito. Definire anche il numero di punti di smussatura come 13 e la derivata come derivata prima in Parametri.
Fare clic su OK per avviare la derivata. Eseguire la normalizzazione vettoriale sugli spettri campione per normalizzare il valore dell'assorbanza. Selezionare il comando di normalizzazione in Modifica.
Definire gli esempi e le variabili come tutti i campioni e tutte le variabili nell'ambito. Selezionare la normalizzazione vettoriale nel tipo. Fare clic su OK per eseguire la normalizzazione vettoriale.
Per selezionare il numero appropriato di componenti principali, aprite MATLAB e importate il file MAT contenente i dati spettrali pre-elaborazione nel vicino infrarosso trascinando il file MAT nello spazio di lavoro. Aprire il file M programmato nell'editor. Fare clic su Apri sotto l'opzione Editor, selezionare il file M compilato nella directory di archiviazione dei file e quindi fare clic su Conferma.
Lavorare in MATLAB per estrarre 15 componenti principali in base all'obiettivo di ottimizzazione e al modello OLSR tra i componenti principali estratti e i valori previsti della concentrazione di O-cresolo. Determinare i valori al quadrato R e la tendenza con un numero crescente di componenti principali. Selezionare 10 come numero appropriato di componenti principali con il valore al quadrato R pari a 0,9917.
Per convalidare la bontà di adattamento e precisione del modello PLSR, ripetere il processo di modellazione con 10 componenti principali. Valutare il modello in base a una convalida incrociata di 10 volte utilizzando i grafici della varianza percentuale spiegati nei dati spettrali NIR, i residui e l'errore medio di previsione quadrata della convalida incrociata o MSPECV. Qui tracciati ci sono i residui, che si riferiscono alla differenza tra il valore di riferimento del contenuto di O-cresolo e la stima del modello PLSR.
I dati tracciati mostrano che il PLSR per la misurazione del contenuto di O-cresolo basato sui dati spettrali NIR ha un'elevata precisione. L'errore quadratico medio di convalida incrociata è una misura del grado di differenza tra il riferimento e il contenuto di O-cresolo previsto. Minore è il valore, migliore è l'accuratezza del modello predittivo che descrive il contenuto di O-cresol.
L'errore medio di previsione quadrata della convalida incrociata per la misurazione della concentrazione di O-cresolo basato sul PLSR diminuisce con l'aumentare del numero di componenti principali. L'errore raggiunge un minimo accettabile a 10 componenti principali. Ciò dimostra che il PLSR si traduce in un'elevata stabilità per la misurazione della concentrazione di O-cresolo utilizzando NIRS.
Durante il tentativo di questa procedura, il passaggio più importante consiste nell'ottenere con precisione i valori di riferimento delle composizioni perché questa è la base per tutta la pre-elaborazione e la modellazione eseguita nella fase successiva. Oltre al PLS, anche in questa procedura possono essere utilizzati alcuni algoritmi di machine learning popolari come il deep learning e l'albero delle decisioni. In combinazione con la tecnologia di rilevamento NIRS, riteniamo che il data mining proposto sia un modello significativo per l'applicazione nel processo di automazione industriale alla trasformazione intelligente nell'industria moderna.
