A importância deste manuscrito experimental está nas aplicações da espectroscopia quase infravermelha e dos algoritmos de mineração de dados para o monitoramento on-line da indústria de processos reais. As maiores vantagens dessa tecnologia estão em sua rapidez. A propriedade não destrutiva de sua tecnologia de detecção quase infravermelha e a prática de menos quadrados parciais, ou PLS, algoritmo.
Para começar, conecte o espectrômetro conforme descrito no protocolo de texto. Para configurar parâmetros de medição, use o software OPUS. Navegue até o menu Medir e selecione o comando Medição Avançada.
Na caixa de diálogo que abre, defina os parâmetros de medição nas diferentes guias. Para armazenar o arquivo de experimento, clique na guia Avançado. Defina a resolução como quatro centímetros inversos.
Defina o número de varreduras como 16 varreduras nos campos de entrada de tempo de varredura de fundo da amostra. Defina o caminho para armazenar automaticamente os dados de medição de 4.000 centímetros inversos a 12.500 centímetros inversos. Determine o tipo de dados para o espectro de resultado como absorvância e salve o arquivo de experimento.
Agora clique na guia Óptica. Clique na lista suspensa de configuração de abertura e selecione o mesmo valor usado para adquirir um espectro de amostra. Em seguida, clique na guia Básico.
Clique no botão Fundo Single Channel e coloque a amostra no caminho óptico do espectrômetro para medir o espectro amostral. Defina a descrição da amostra e o formulário de amostra no campo de entrada específico. Essas informações são armazenadas em conjunto com o espectro.
Agora clique no botão Amostrar de Canal Único para iniciar a medição on-line. Salve o espectro NIR de cada varredura como um arquivo OPUS. Use o software OPUS para ler o conjunto espectral original.
No menu Arquivo, clique no comando 'Arquivo de carga'. Na caixa de diálogo que abre, selecione o arquivo de espectro específico. Clique no botão Abrir.
O espectro é exibido na janela de espectro. Com a função de pré-processamento espectral, obtenha o conjunto de dados espectral pré-processado com o derivado de primeira ordem. Primeiro abra o Unscrambler, que é um software de análise de dados multivariado e design experimental.
Em seguida, selecione o comando Importação em Arquivo. Importe o arquivo OPUS como um conjunto de dados espectral original do NIR. Selecione o comando Transformar em Modificar.
Em seguida, selecione os derivados Savitzky-Golay em Derivativos. Defina as amostras e variáveis como todas as amostras e todas as variáveis em Escopo. Também defina o número de pontos de suavização como 13 e o derivado como primeiro derivado em Parâmetros.
Clique em OK para iniciar a derivada. Realize a normalização vetorial no espectro da amostra para normalizar o valor da absorção. Selecione o comando de normalização em Modificar.
Defina as amostras e variáveis como todas as amostras e todas as variáveis em Escopo. Selecione a normalização vetorial no tipo. Clique em OK para realizar a normalização vetorial.
Para selecionar o número apropriado de componentes principais, abra o MATLAB e importe o arquivo MAT contendo os dados espectrais infravermelhos pré-processados, arrastando o arquivo MAT para o espaço de trabalho. Abra o arquivo M programado no editor. Clique em Abrir na opção Editor, selecione o arquivo M compilado no diretório de armazenamento de arquivos e clique em Confirmar.
Trabalhar no MATLAB para extrair 15 componentes principais de acordo com o objetivo de otimização e o modelo OLSR entre os componentes principais extraídos e os valores previstos da concentração de O-cresol. Determine os valores R-quadrado e a tendência com o aumento do número de componentes principais. Selecione 10 como o número apropriado de componentes principais com o valor R-quadrado de 0,9917.
Para validar a bondade do ajuste e a precisão do modelo PLSR, repita o processo de modelagem com 10 componentes principais. Avalie o modelo com base em uma validação cruzada de 10 vezes utilizando as parcelas da variância percentual explicada nos dados espectrais do NIR, nos resíduos e no erro médio de previsão quadrada de validação cruzada ou MSPECV. Plotados aqui estão os resíduos, que se referem à diferença entre o valor de referência de conteúdo O-cresol e a estimativa do modelo PLSR.
Os dados plotados mostram que o PLSR para a medição do conteúdo O-cresol com base nos dados espectrais do NIR tem alta precisão. A validação cruzada significa erro quadrado é uma medida do grau de diferença entre a referência e o teor O-cresol previsto. Quanto menor o valor, maior a precisão do modelo preditivo descrevendo o conteúdo O-cresol.
Erro médio de previsão quadrada de validação cruzada para a medição da concentração de O-cresol com base no PLSR diminui à medida que o número de componentes principais aumenta. O erro atinge um mínimo aceitável em 10 componentes principais. Isso prova que o PLSR resulta em alta estabilidade para a medição da concentração de O-cresol utilizando NIRS.
Ao tentar esse procedimento, o passo mais importante é obter com precisão os valores de referência das composições, pois esta é a base para todo o pré-processamento e a modelagem realizada na fase posterior. Além do PLS, alguns algoritmos populares de aprendizagem de máquina atuais, como deep learning e árvore de decisão, também podem ser usados neste procedimento. Combinado com a tecnologia de detecção do NIRS, acreditamos que a mineração de dados proposta é um modelo significativo para a aplicação no processo de automação industrial para transformação inteligente na indústria moderna.
