L’importance de ce manuscrit expérimental réside dans les applications de la spectroscopie proche infrarouge et des algorithmes d’exploration de données à la surveillance en ligne de l’industrie réelle des procédés. Les plus grands avantages de cette technologie réside dans sa rapidité. La propriété non détruite de sa technologie de détection proche infrarouge et la pratique des moindres carrés partiels, ou PLS, algorithme.
Pour commencer, connectez le spectromètre tel que décrit dans le protocole texte. Pour configurer les paramètres de mesure, utilisez le logiciel OPUS. Accédez au menu Mesurez et sélectionnez la commande De mesure avancée.
Sur le dialogue qui s’ouvre, définissez les paramètres de mesure sur les différents onglets. Pour stocker le fichier d’expérience, cliquez sur l’onglet Advanced. Définissez la résolution comme quatre centimètres inverses.
Définissez le nombre d’analyses comme 16 scans dans les champs d’entrée de temps de balayage d’arrière-plan de l’échantillon. Définissez le chemin pour stocker automatiquement les données de mesure de 4000 centimètres inverses à 12 500 centimètres inverses. Déterminez le type de données pour le spectre de résultat comme absorption, et enregistrez le fichier d’expérience.
Cliquez maintenant sur l’onglet Optique. Cliquez sur la liste de décaissage de réglage d’ouverture et sélectionnez la même valeur utilisée pour acquérir un spectre d’échantillon. Cliquez ensuite sur l’onglet Basic.
Cliquez sur le bouton Arrière-plan d’un seul canal et placez l’échantillon dans la trajectoire optique du spectromètre pour mesurer le spectre de l’échantillon. Définissez la description de l’échantillon et le formulaire d’échantillon dans le champ d’entrée particulier. Ces informations sont stockées avec le spectre.
Cliquez maintenant sur le bouton Exemple de canal unique pour démarrer la mesure en ligne. Enregistrez le spectre NIR de chaque analyse en tant que fichier OPUS. Utilisez le logiciel OPUS pour lire l’ensemble spectral d’origine.
Dans le menu Fichier, cliquez sur la commande Load File. Sur le dialogue qui s’ouvre, sélectionnez le fichier spectre particulier. Cliquez sur le bouton Ouvrir.
Le spectre est affiché dans la fenêtre du spectre. Avec la fonction spectrale de pré-traitement, obtenir l’ensemble de données spectrales pré-traitées avec le dérivé de premier ordre. Ouvrez d’abord le Unscrambler, qui est un logiciel multivarié d’analyse de données et de conception expérimentale.
Sélectionnez ensuite la commande Importation sous Fichier. Importez le fichier OPUS en tant qu’ensemble de données spectral nir original. Sélectionnez la commande Transform sous Modifier.
Sélectionnez ensuite les dérivés Savitzky-Golay sous Dérivés. Définissez les échantillons et les variables comme tous les échantillons et toutes les variables de scope. Définissez également le nombre de points de lissage comme 13 et le dérivé comme premier dérivé dans Paramètres.
Cliquez sur OK pour démarrer le dérivé. Effectuer la normalisation vectorielle sur les spectres de l’échantillon pour normaliser la valeur de l’absorption. Sélectionnez la commande de normalisation sous Modifier.
Définissez les échantillons et les variables comme tous les échantillons et toutes les variables de scope. Sélectionnez la normalisation vectorielle dans le type. Cliquez sur OK pour effectuer la normalisation vectorielle.
Pour sélectionner le nombre approprié de composants principaux, ouvrez MATLAB et importez le fichier MAT contenant les données spectrales proche infrarouge prétraitées en faisant glisser le fichier MAT vers l’espace de travail. Ouvrez le fichier M programmé dans l’éditeur. Cliquez sur Ouvrir sous l’option Éditeur, sélectionnez le fichier M compilé dans l’annuaire de stockage de fichiers, puis cliquez sur Confirmer.
Travailler dans MATLAB pour extraire 15 composants principaux selon l’objectif d’optimisation et le modèle OLSR entre les composants principaux extraits et les valeurs prévues de la concentration d’O-cresol. Déterminez les valeurs au carré R et la tendance avec un nombre croissant de composants principaux. Sélectionnez 10 comme nombre approprié de composants principaux d’une valeur au carré R de 0,9917.
Pour valider la qualité de l’ajustement et la précision du modèle PLSR, répétez le processus de modélisation avec 10 composants principaux. Évaluez le modèle en fonction d’une validation croisée 10 fois à l’aide des parcelles de la variance en pourcentage expliquées dans les données spectrales NIR, les résidus et l’erreur de prédiction carrée moyenne de validation croisée ou MSPECV. Les résidus sont tracés ici, qui se réfèrent à la différence entre la valeur de référence du contenu O-cresol et l’estimation du modèle PLSR.
Les données tracées montrent que le PLSR pour la mesure de la teneur en O-cresol basé sur les données spectrales NIR a une grande précision. L’erreur carrée moyenne de validation croisée est une mesure du degré de différence entre la référence et le contenu O-cresol prévu. Plus la valeur est petite, meilleure est la précision du modèle prédictif décrivant le contenu d’O-cresol.
Erreur de prédiction carrée moyenne de validation croisée pour la mesure de concentration o-cresol basée sur le PLSR diminue à mesure que le nombre de composants principaux augmente. L’erreur atteint un minimum acceptable à 10 composants principaux. Cela prouve que le PLSR se traduit par une grande stabilité pour la mesure de la concentration d’O-cresol à l’aide de NIRS.
Tout en essayant cette procédure, l’étape la plus importante est d’obtenir avec précision les valeurs de référence des compositions, car c’est la base de tout le prétraitement et la modélisation effectuée dans la phase ultérieure. En plus de PLS, certains algorithmes d’apprentissage automatique populaires actuels tels que l’apprentissage profond et l’arbre de décision peuvent être utilisés dans cette procédure, aussi. Combiné avec la technologie de détection NIRS, nous croyons que l’exploration de données proposée est un modèle significatif pour l’application dans le processus d’automatisation industrielle à la transformation intelligente dans l’industrie moderne.
