이 실험 원고의 중요성은 근적외선 분광법의 응용 프로그램과 실제 공정 산업의 온라인 모니터링에 대한 데이터 마이닝 알고리즘에 있습니다. 이 기술의 가장 큰 장점은 그 급속성에 있다. 근적외선 검출 기술의 비파괴적 특성과 부분 최소 제곱 또는 PLS 알고리즘의 연습.
먼저 텍스트 프로토콜에 설명된 분광계를 연결합니다. 측정 매개 변수를 설정하려면 OPUS 소프트웨어를 사용합니다. 측정 메뉴로 이동하여 고급 측정 명령을 선택합니다.
열리는 대화 상자에서 다른 탭의 측정 매개 변수를 정의합니다. 실험 파일을 저장하려면 고급 탭을 클릭합니다. 해상도를 4개의 역센티미터로 정의합니다.
샘플 백스캔 시간 입력 필드에서 16개의 스캔으로 검사 수를 정의합니다. 측정 데이터를 4, 000 역 센티미터에서 12, 500 역 센티미터로 자동으로 저장하는 경로를 정의합니다. 결과 스펙트럼에 대한 데이터 형식을 흡광도로 결정하고 실험 파일을 저장합니다.
이제 광학 탭을 클릭합니다. 조리개 설정 드롭다운 목록을 클릭하고 샘플 스펙트럼을 획득하는 데 사용되는 동일한 값을 선택합니다. 그런 다음 기본 탭을 클릭합니다.
배경 단일 채널 버튼을 클릭하고 샘플을 분광계의 광학 경로에 배치하여 샘플 스펙트럼을 측정합니다. 특정 항목 필드에서 샘플 설명 및 샘플 양식을 정의합니다. 이 정보는 스펙트럼과 함께 저장됩니다.
이제 샘플 단일 채널 버튼을 클릭하여 온라인 측정을 시작합니다. 각 스캔의 NIR 스펙트럼을 OPUS 파일로 저장합니다. 소프트웨어 OPUS를 사용하여 원래 스펙트럼 집합을 읽습니다.
파일 메뉴에서 로드 파일 명령을 클릭합니다. 열리는 대화 상자에서 특정 스펙트럼 파일을 선택합니다. 열기 버튼을 클릭합니다.
스펙트럼이 스펙트럼 창에 표시됩니다. 스펙트럼 사전 처리 기능을 통해 1차 유도체로 미리 처리된 스펙트럼 데이터 세트를 가져옵니다. 먼저 다변량 데이터 분석 및 실험 설계 소프트웨어인 Unscrambler를 엽니다.
그런 다음 파일 에서 가져오기 명령을 선택합니다. OPUS 파일을 원래 NIR 스펙트럼 데이터 집합으로 가져옵니다. 수정에서 변환 명령을 선택합니다.
그런 다음 파생 상품에서 사비츠키 골레이 파생 상품을 선택합니다. 샘플 및 변수를 모든 샘플 및 범위의 모든 변수로 정의합니다. 또한 스무딩 포인트 수를 13으로 정의하고 파생은 매개 변수의 첫 번째 유도체로 정의합니다.
확인을 클릭하여 파생 상품을 시작합니다. 샘플 스펙트럼에서 벡터 정규화를 수행하여 흡광도값을 정규화합니다. 수정에서 정규화 명령을 선택합니다.
샘플 및 변수를 모든 샘플 및 범위의 모든 변수로 정의합니다. 형식에서 벡터 정규화를 선택합니다. 확인을 클릭하여 벡터 정규화를 수행합니다.
적절한 수의 주구성을 선택하려면 MATLAB을 열고 MAT 파일을 작업 공간으로 드래그하여 미리 처리된 근적외선 스펙트럼 데이터를 포함하는 MAT 파일을 가져옵니다. 편집기에서 프로그래밍된 M 파일을 엽니다. 편집기 옵션에서 열기를 클릭하고 파일 저장소 디렉터리에서 컴파일된 M 파일을 선택한 다음 확인을 클릭합니다.
MATLAB에서 작업하여 추출된 주 성분과 O-cresol 농도의 예측값 사이의 최적화 목표와 OLSR 모델에 따라 15개의 주요 구성 요소를 추출합니다. R 제곱값과 주구성 구성요소 수가 증가함에 따라 추세를 결정합니다. R 제곱 값0.9917의 적절한 수로 10을 선택합니다.
PLSR 모델의 적합성과 정확성을 검증하려면 10개의 주 구성 요소로 모델링 프로세스를 반복합니다. NIR 스펙트럼 데이터, 잔류 및 교차 유효성 검사 또는 MSPECV의 평균 정사각형 예측 오차에 설명된 백분율 분산의 플롯을 사용하여 10배 의 교차 유효성 검사를 기반으로 모델을 평가합니다. 여기에 플롯된 잔류물은 O-cresol 함량 기준 값과 PLSR 모델 추정치의 차이를 가리킵니다.
플롯된 데이터는 NIR 스펙트럼 데이터를 기반으로 하는 O-크레솔 함량의 측정을 위한 PLSR이 높은 정확도를 가지고 있음을 보여줍니다. 교차 유효성 검사 평균 제곱 오차는 참조와 예측된 O-cresol 함량 간의 차이 정도를 측정합니다. 값이 작을수록 O-cresol 콘텐츠를 설명하는 예측 모델의 정확도가 향상됩니다.
PLSR에 기초한 O-cresol 농도 측정에 대한 교차 유효성 검사의 평균 제곱 예측 오차는 주요 성분의 수가 증가함에 따라 감소합니다. 이 오류는 10개의 주 구성 요소에서 허용 가능한 최소 값에 도달합니다. 이는 PLSR이 NIRS를 이용한 O-크레솔 농도측정을 위한 높은 안정성을 초래한다는 것을 증명한다.
이 절차를 시도하는 동안, 가장 중요한 단계는 이것이 이후 단계에서 수행된 모든 전처리 및 모델링의 기초이기 때문에 컴포지션의 기준 값을 정확하게 얻는 것입니다. PLS 외에도 딥 러닝 및 의사 결정 트리와 같은 현재 인기 있는 기계 학습 알고리즘도 이 절차에 사용할 수 있습니다. NIRS 탐지 기술과 결합하여 제안된 데이터 마이닝은 산업 자동화 프로세스에서 현대 산업의 지능형 혁신에 대한 응용 프로그램의 의미 있는 템플릿이라고 생각합니다.
