משמעותו של כתב יד ניסיוני זה טמונה ביישומים של ספקטרוסקופיה כמעט אינפרא אדום ואלגוריתמי כריית נתונים לניטור מקוון של תעשיית התהליך בפועל. היתרונות הגדולים ביותר של טכנולוגיה זו טלים במהירותה. המאפיין הלא הרסני של טכנולוגיית הזיהוי הכמעט אינפרא-אדום שלו והפרקטיקה של אלגוריתם חלקי פחות ריבועים, או PLS.
כדי להתחיל, חבר את הספקטרומטר כמתואר בפרוטוקול הטקסט. כדי להגדיר פרמטרי מדידה, השתמש בתוכנת OPUS. נווט לתפריט מדידה ובחר בפקודה מדידה מתקדמת.
בתיבת הדו-שיח שנפתחת, הגדר את פרמטרי המדידה בכרטיסיות השונות. כדי לאחסן את קובץ הניסוי, לחץ על הכרטיסיה מתקדם. הגדר את הרזולוציה כארבעה סנטימטרים הפוכים.
הגדר את מספר הסריקות כ- 16 סריקות בשדות הזנת הזמן לדוגמה של סריקת הרקע. הגדר את הנתיב לאחסון אוטומטי של נתוני המדידה מ- 4,000 סנטימטרים הפוכים ל- 12, 500 סנטימטרים הפוכים. קבע את סוג הנתונים עבור ספקטרום התוצאות כספיגה ושמור את קובץ הניסוי.
כעת לחץ על הכרטיסיה אופטיקה. לחץ על הרשימה הנפתחת של הגדרת הצמצם ובחר באותו ערך המשמש לרכישת ספקטרום לדוגמה. לאחר מכן לחץ על הכרטיסיה בסיסי.
לחצו על הלחצן 'ערוץ בודד ברקע' והצבו את הדגימה בנתיב האופטי של הספקטרומטר כדי למדוד את ספקטרום הדגימה. הגדר את התיאור לדוגמה ואת הטופס לדוגמה בשדה הערך המסוים. מידע זה מאוחסן יחד עם הספקטרום.
כעת לחצו על הלחצן 'דוגמה לערוץ יחיד' כדי להתחיל את המדידה המקוונת. שמור את ספקטרום NIR של כל סריקה כקובץ OPUS. השתמש בתוכנה OPUS כדי לקרוא את ערכת הספקטרלים המקורית.
בתפריט קובץ, לחץ על הפקודה טען קובץ. בתיבת הדו-שיח שנפתחת, בחר את קובץ הספקטרום המסוים. לחץ על לחצן פתח.
הספקטרום מוצג בחלון הספקטרום. כאשר פונקציית העיבוד מראש הספקטרלית מוכנה, השג ערכת נתונים ספקטרלית המעובדת מראש עם נגזרת מסדר ראשון. ראשית לפתוח את Unscrambler, שהוא ניתוח נתונים רב-תכליתי ותוכנת תכנון ניסיוני.
לאחר מכן בחר בפקודה יבא תחת קובץ. יבא את קובץ OPUS כערכות נתונים ספקטרליות מקוריות של NIR. בחר בפקודה המרה תחת שינוי.
לאחר מכן בחר את נגזרי Savitzky-Golay תחת נגזרים. הגדר את הדגימות והמשתנים כ כל הדוגמאות ואת כל המשתנים בטווח. הגדר גם את מספר נקודות ההחלקה כ- 13 ואת הנגזרת כנגזרת הראשונה בפרמטרים.
לחץ על אישור כדי להפעיל את הנגזרת. בצע נורמליזציה וקטורית בספקטרום המדגם כדי לנרמל את ערך הספיגה. בחר בפקודה נרמול תחת שינוי.
הגדר את הדגימות והמשתנים כ כל הדוגמאות ואת כל המשתנים בטווח. בחרו נרמול וקטורי בסוג. לחץ על אישור כדי לבצע נורמליזציה וקטורית.
כדי לבחור את המספר המתאים של הרכיבים העיקריים, פתח את MATLAB וייבא את קובץ ה- MAT המכיל את הנתונים הספקטרליים הכמעט-אינפרא-אדום שעובדו מראש על-ידי גרירת קובץ ה- MAT לחלל העבודה. פתח את קובץ ה- M מתוכנת בעורך. לחץ על פתח תחת האפשרות עורך, בחר את קובץ ה- M מהודר בספריית אחסון הקבצים ולאחר מכן לחץ על אשר.
עבודה ב- MATLAB כדי לחלץ 15 רכיבים עיקריים על פי מטרת האופטימיזציה ומודל OLSR בין הרכיבים העיקריים שחולצו לבין הערכים החזויים של ריכוז O-cresol. קבע את ערכי R בריבוע ואת המגמה עם מספר גדל והולך של רכיבים עיקריים. בחר 10 כמספר המתאים של רכיבים ראשיים עם ערך R בריבוע של 0.9917.
כדי לאמת את טוב תשומת לבו ודיוקו של דגם PLSR, חזור על תהליך הדוגמנות עם 10 רכיבים עיקריים. הערך את המודל בהתבסס על אימות צולב פי 10 באמצעות ההתוויות של סטיית האחוזים המוסברות בנתונים הספקטרליים של NIR, בשאריות ובשגיאת החיזוי הריבועית הממוצעת של אימות צולב או MSPECV. להלן השאריות, המתייחסות להבדל בין ערך הייחוס לתוכן O-cresol לבין הערכת מודל PLSR.
הנתונים מותווים מראה כי PLSR למדידת תוכן O-cresol המבוסס על נתוני ספקטרלי NIR יש דיוק גבוה. משמעות האימות הנגדי היא מדד לדרגת ההפרש בין ההפניה לתוכן ה-O-cresol החזוי. ככל שהערך קטן יותר, כך הדיוק של מודל החיזוי המתאר תוכן O-cresol טוב יותר.
שגיאת חיזוי ריבועית ממוצעת של אימות צולב עבור מדידת ריכוז O-cresol המבוססת על PLSR פוחתת ככל שמספר הרכיבים העיקריים גדל. השגיאה מגיעה למינימום קביל של 10 רכיבים עיקריים. זה מוכיח כי PLSR תוצאות יציבות גבוהה למדידת ריכוז O-cresol באמצעות NIRS.
בעת ניסיון הליך זה, הצעד החשוב ביותר הוא להשיג במדויק את ערכי הייחוס של קומפוזיציות כי זה הבסיס לכל הקדם והמודלים שבוצעו בשלב מאוחר יותר. בנוסף PLS, כמה אלגוריתמים פופולריים הנוכחי למידת מכונה כגון למידה עמוקה עץ ההחלטות ניתן להשתמש בהליך זה, מדי. בשילוב עם טכנולוגיית זיהוי NIRS, אנו מאמינים כי כריית הנתונים המוצעת היא תבנית משמעותית ליישום בתהליך של אוטומציה תעשייתית לשינוי חכם בתעשייה המודרנית.
