تكمن أهمية هذه المخطوطة التجريبية في تطبيقات التحليل الطيفي شبه بالأشعة تحت الحمراء وخوارزميات استخراج البيانات على الرصد عبر الإنترنت لصناعة العمليات الفعلية. أكبر مزايا هذه التكنولوجيا تكمن في سرعة. الخاصية غير تدميرية لتكنولوجيا الكشف عن الأشعة تحت الحمراء القريبة وممارسة المربعات الجزئية الأقل، أو الخوارزمية PLS.
للبدء، قم بتوصيل المطياف كما هو موضح في بروتوكول النص. لإعداد معلمات القياس، استخدم برنامج OPUS. انتقل إلى القائمة قياس، وحدد الأمر القياس المتقدم.
في مربع الحوار الذي يفتح، حدد معلمات القياس في علامات التبويب المختلفة. لتخزين ملف التجربة، انقر فوق علامة التبويب خيارات متقدمة. تعريف الدقة على أنها أربعة سنتيمترات معكوسة.
تعريف عدد عمليات المسح الضوئي كـ 16 مسح في حقول إدخال وقت مسح الخلفية العينة. حدد المسار لتخزين بيانات القياس تلقائيًا من 4000 سنتيمتر معكوس إلى 12500 سنتيمتر عكسي. حدد نوع البيانات لطيف النتائج كامتصاص، واحفظ ملف التجربة.
انقر الآن على علامة التبويب البصرية. انقر فوق القائمة المنسدلة لإعداد الفتحة، وحدد نفس القيمة المستخدمة للحصول على طيف عينة. ثم انقر فوق علامة التبويب الأساسية.
انقر فوق زر خلفية قناة واحدة، ووضع العينة في المسار البصري للمطياف لقياس الطيف عينة. تعريف نموذج وصف نموذج نموذج في حقل إدخال معين. يتم تخزين هذه المعلومات مع الطيف.
انقر الآن على الزر Sample Single Channel لبدء القياس عبر الإنترنت. حفظ طيف NIR لكل فحص كملف OPUS. استخدام برنامج OPUS لقراءة مجموعة الطيف الأصلي.
في القائمة ملف، انقر فوق الأمر تحميل ملف. في مربع الحوار الذي يفتح، حدد ملف الطيف المحدد. انقر فوق الزر فتح.
يتم عرض الطيف في نافذة الطيف. مع وظيفة المعالجة المسبقة الطيفية في الحصول على مجموعة البيانات الطيفية المعالجة مسبقا مع مشتق من الدرجة الأولى. فتح أولا Unscrambler، وهو تحليل البيانات متعددة المتغيرات وبرامج التصميم التجريبي.
ثم حدد الأمر استيراد ضمن ملف. استيراد ملف OPUS كـ مجموعة بيانات NIR الطيفية الأصلية. حدد الأمر تحويل ضمن تعديل.
ثم حدد مشتقات سافيتزكي-جلي تحت المشتقات. تعريف العينات والمتغيرات كجميع العينات وكافة المتغيرات في النطاق. كما حدد عدد نقاط النعومة كـ 13 و المشتقة كمشتقات أولى في المعلمات.
انقر فوق موافق لبدء المشتقة. تنفيذ التطبيع المتجه على أطياف العينة لتطبيع قيمة الامتصاص. حدد الأمر التهيئة ضمن تعديل.
تعريف العينات والمتغيرات كجميع العينات وكافة المتغيرات في النطاق. حدد التطبيع المتجه في النوع. انقر فوق موافق لتنفيذ الأوضاع العادية المتجهة.
لتحديد العدد المناسب من المكونات الرئيسية، افتح MATLAB وقم باستيراد ملف MAT الذي يحتوي على البيانات الطيفية القريبة من الأشعة تحت الحمراء المعالجة مسبقًا عن طريق سحب ملف MAT إلى مساحة العمل. افتح الملف M المبرمج في المحرر. انقر فوق فتح ضمن الخيار محرر حدد الملف M-المترجمة في دليل تخزين الملفات ثم انقر فوق تأكيد.
العمل في MATLAB لاستخراج 15 المكونات الرئيسية وفقا لهدف التحسين ونموذج OLSR بين المكونات الرئيسية المستخرجة والقيم المتوقعة من التركيز O-cresol. تحديد قيم R-تربيع والاتجاه مع زيادة عدد المكونات الرئيسية. حدد 10 كـ عدد مناسب من المكونات الرئيسية بقيمة R-تربيع 0.9917.
للتحقق من صحة جيدة من ملاءمة ودقة نموذج PLSR، كرر عملية النمذجة مع 10 المكونات الرئيسية. تقييم النموذج استناداً إلى التحقق من صحة تقاطعي 10 أضعاف باستخدام مخططات التباين في النسبة المئوية الموضحة في البيانات الطيفية NIR، والمخلفات، ومتوسط الخطأ في التنبؤ المربع من التحقق من صحة الصليب أو MSPECV. يتم رسم هنا هي المخلفات، التي تشير إلى الفرق بين قيمة مرجع محتوى O-cresol وتقدير نموذج PLSR.
وتبين البيانات المرسومة أن الـ PLSR لقياس محتوى O-cresol استناداً إلى البيانات الطيفية لل NIR عالية الدقة. متوسط التحقق من صحة تقاطعي هو مقياس لدرجة الفرق بين المرجع ومحتوى O-cresol المتوقع. كلما كانت القيمة أصغر، كلما كانت دقة النموذج التنبؤي تصف محتوى O-cresol.
وينخفض متوسط خطأ التنبؤ المربع بالتحقق من صحة المكونات المتقاطعة لقياس تركيز O-cresol استناداً إلى PLSR مع زيادة عدد المكونات الرئيسية. يصل الخطأ إلى الحد الأدنى المقبول في 10 مكونات رئيسية. وهذا يثبت أن PLSR النتائج في استقرار عالية لقياس تركيز O-cresol باستخدام NIRS.
أثناء محاولة هذا الإجراء، فإن الخطوة الأكثر أهمية هي الحصول بدقة على القيم المرجعية للتراكيب لأن هذا هو الأساس لكل المعالجة المسبقة والنمذجة التي يتم تنفيذها في المرحلة اللاحقة. بالإضافة إلى PLS، يمكن استخدام بعض خوارزميات التعلم الآلي الحالية الشائعة مثل التعلم العميق وشجرة القرار في هذا الإجراء أيضًا. جنبا إلى جنب مع تكنولوجيا الكشف عن NIRS ، ونحن نعتقد أن استخراج البيانات المقترحة هو قالب مفيد للتطبيق في عملية التشغيل الآلي الصناعي للتحول الذكي في الصناعة الحديثة.
