Die Bedeutung dieses experimentellen Manuskripts liegt in den Anwendungen der Nahinfrarotspektroskopie und der Data-Mining-Algorithmen zur Online-Überwachung der eigentlichen Prozessindustrie. Die größten Vorteile dieser Technologie liegen in ihrer Schnelligkeit. Die zerstörungsfreie Eigenschaft seiner Nahinfrarot-Erkennungstechnologie und die Praxis partieller kleinster Quadrate (PLS-Algorithmus).
Schließen Sie zunächst das Spektrometer wie im Textprotokoll beschrieben an. Verwenden Sie zum Einrichten von Messparametern die OPUS-Software. Navigieren Sie zum Menü Messen, und wählen Sie den Befehl Erweiterte Messung aus.
Definieren Sie im geöffneten Dialog die Messparameter auf den verschiedenen Registerkarten. Um die Experimentdatei zu speichern, klicken Sie auf die Registerkarte Erweitert. Definieren Sie die Auflösung als vier inverse Zentimeter.
Definieren Sie die Anzahl der Scans als 16 Scans in den Beispiel-Hintergrundscanzeiteingabefeldern. Definieren Sie den Pfad, um die Messdaten automatisch von 4.000 inversen Zentimetern bis 12.500 inversen Zentimetern zu speichern. Bestimmen Sie den Datentyp für das Ergebnisspektrum als Absorption, und speichern Sie die Experimentierdatei.
Klicken Sie nun auf die Registerkarte "Optik". Klicken Sie auf die Dropdown-Liste für die Blendeneinstellung, und wählen Sie denselben Wert aus, der zum Abrufen eines Stichprobenspektrums verwendet wird. Klicken Sie dann auf die Registerkarte Basic.
Klicken Sie auf die Schaltfläche Hintergrund-Einzelkanal, und platzieren Sie die Probe in den optischen Pfad des Spektrometers, um das Probenspektrum zu messen. Definieren Sie die Beispielbeschreibung und das Beispielformular im jeweiligen Eingabefeld. Diese Informationen werden zusammen mit dem Spektrum gespeichert.
Klicken Sie nun auf die Schaltfläche Einkanalbeispiel, um die Onlinemessung zu starten. Speichern Sie das NIR-Spektrum jedes Scans als OPUS-Datei. Verwenden Sie die Software OPUS, um den ursprünglichen Spektralsatz zu lesen.
Klicken Sie im Menü Datei auf den Befehl Datei laden. Wählen Sie im geöffneten Dialog die jeweilige Spektrumdatei aus. Klicken Sie auf die Schaltfläche Öffnen.
Das Spektrum wird im Spektrumfenster angezeigt. Mit der spektralen Vorverarbeitungsfunktion in, erhalten Spektral-Datensatz vorverarbeitet mit der First-Order-Derivat. Öffnen Sie zuerst den Unscrambler, eine multivariate Datenanalyse- und experimentelle Designsoftware.
Wählen Sie dann den Befehl Importieren unter Datei aus. Importieren Sie die OPUS-Datei als ursprüngliches NIR-Spektral-Dataset. Wählen Sie unter Ändern den Befehl Transformieren aus.
Wählen Sie dann die Savitzky-Golay-Derivate unter Derivate aus. Definieren Sie die Stichproben und Variablen als alle Beispiele und alle Variablen in Scope. Definieren Sie auch die Anzahl der Glättungspunkte als 13 und das Derivat als erstes Derivat in Parametern.
Klicken Sie auf OK, um die Ableitung zu starten. Führen Sie eine Vektornormalisierung der Probenspektren durch, um den Wert der Absorption zu normalisieren. Wählen Sie den Befehl Normalisierung unter Ändern aus.
Definieren Sie die Stichproben und Variablen als alle Beispiele und alle Variablen in Scope. Wählen Sie die Vektornormalisierung im Typ aus. Klicken Sie auf OK, um die Vektornormalisierung durchzuführen.
Um die entsprechende Anzahl von Hauptkomponenten auszuwählen, öffnen Sie MATLAB und importieren Sie die MAT-Datei mit den vorverarbeiteten Nahinfrarot-Spektraldaten, indem Sie die MAT-Datei in den Arbeitsbereich ziehen. Öffnen Sie die programmierte M-Datei im Editor. Klicken Sie unter der Option Editor auf Öffnen, wählen Sie die kompilierte M-Datei im Dateispeicherverzeichnis aus und klicken Sie dann auf Bestätigen.
Arbeiten Sie in MATLAB, um 15 Hauptkomponenten entsprechend dem Optimierungsziel und dem OLSR-Modell zwischen den extrahierten Hauptkomponenten und den vorhergesagten Werten der O-Kresolkonzentration zu extrahieren. Bestimmen Sie die R-Quadrat-Werte und den Trend mit einer steigenden Anzahl von Hauptkomponenten. Wählen Sie 10 als entsprechende Anzahl von Hauptkomponenten mit dem R-Quadratwert von 0,9917 aus.
Um die Passform und Genauigkeit des PLSR-Modells zu überprüfen, wiederholen Sie den Modellierungsprozess mit 10 Hauptkomponenten. Bewerten Sie das Modell anhand einer 10-fachen Kreuzvalidierung anhand der Diagramme der prozentualen Varianz, die in den NIR-Spektraldaten, den Residuen und dem mittleren quadratischen Vorhersagefehler der Kreuzvalidierung oder MSPECV erläutert werden. Hier werden die Residuen dargestellt, die sich auf die Differenz zwischen dem Referenzwert des O-Cresol-Inhalts und der PLSR-Modellschätzung beziehen.
Die dargestellten Daten zeigen, dass PLSR für die Messung des O-Cresol-Gehalts auf Basis der NIR-Spektraldaten eine hohe Genauigkeit aufweist. Der kreuzvalidierungsmittelförmige quadratische Fehler ist ein Maß für den Grad der Differenz zwischen der Referenz und dem vorhergesagten O-Cresol-Gehalt. Je kleiner der Wert, desto besser ist die Genauigkeit des Vorhersagemodells, das den O-Cresol-Gehalt beschreibt.
Der mittlere quadratische Vorhersagefehler der Kreuzvalidierung für die O-Kresol-Konzentrationsmessung auf basislinie der PLSR nimmt mit zunehmender Anzahl der Hauptkomponenten ab. Der Fehler erreicht ein akzeptables Minimum an 10 Hauptkomponenten. Dies beweist, dass die PLSR zu einer hohen Stabilität bei der Messung der O-Kresolkonzentration mit NIRS führt.
Beim Versuch dieses Verfahrens besteht der wichtigste Schritt darin, die Referenzwerte von Kompositionen genau zu erhalten, da dies die Grundlage für die gesamte Vorverarbeitung und die Modellierung ist, die in der späteren Phase durchgeführt wird. Neben PLS können auch einige aktuelle beliebte Machine Learning-Algorithmen wie Deep Learning und Entscheidungsbaum in diesem Verfahren verwendet werden. In Kombination mit der NIRS-Erkennungstechnologie glauben wir, dass das vorgeschlagene Data Mining eine sinnvolle Vorlage für die Anwendung im Prozess der industriellen Automatisierung zur intelligenten Transformation in der modernen Industrie ist.
