Значение этой экспериментальной рукописи заключается в применении ближней инфракрасной спектроскопии и алгоритмов сбора данных для онлайн-мониторинга реальной индустрии процессов. Самые большие преимущества этой технологии лежат в ее быстроте. Неразрушающий свойств его технологии ближнего инфракрасного обнаружения и практика частичного наименьшего квадрата, или PLS, алгоритма.
Для начала подключите спектрометр, как описано в текстовом протоколе. Для настройки параметров измерений используйте программное обеспечение OPUS. Перейдите в меню «Мера» и выберите команду Advanced Measurement.
На диалоге, который открывается, определите параметры измерения на разных вкладок. Чтобы хранить файл эксперимента, нажмите на вкладку Advanced. Определите разрешение как четыре обратных сантиметра.
Определите количество сканирований как 16 сканирований в полях фонового сканирования времени. Определите путь автоматического хранения измерительных данных от 4000 обратных сантиметров до 12 500 обратных сантиметров. Определите тип данных для спектра результатов как абсорбанс и сохраните файл эксперимента.
Теперь нажмите на вкладку Optic. Нажмите на список высадок параметров диафрагмы и выберите то же значение, которое используется для получения спектра выборки. Затем нажмите на вкладку Basic.
Нажмите кнопку Background Single Channel и поместите образец в оптический путь спектрометра для измерения спектра образца. Определите описание образца и форму образца в определенном поле входа. Эта информация хранится вместе со спектром.
Теперь нажмите кнопку Пример одного канала, чтобы начать онлайн измерения. Сохраните спектр NIR каждого сканирования в качестве файла OPUS. Используйте программное обеспечение OPUS для чтения оригинального спектрального набора.
В меню Файла нажмите на команду Load File. На диалоге, который открывается, выберите конкретный файл спектра. Нажмите кнопку "Открыть".
Спектр отображается в окне спектра. С помощью спектральной функции предварительной обработки получить спектральный набор данных, предварительно обработанный с помощью производной первого порядка. Сначала откройте Unscrambler, который является многовариантным анализом данных и экспериментальным программным обеспечением для проектирования.
Затем выберите команду импорта под файлом. Импорт файла OPUS в качестве исходного спектрального набора данных NIR. Выберите команду Transform под изменением.
Затем выберите производные Савицки-Голай под деривативами. Определите образцы и переменные как все образцы и все переменные в области. Также определите количество точек сглаживания как 13, а производное как первую производную в Параметрах.
Нажмите OK, чтобы начать производные. Выполните нормализацию вектора на спектре образца, чтобы нормализовать значение поглощения. Выберите команду нормализации в соответствии с Изменением.
Определите образцы и переменные как все образцы и все переменные в области. Выберите нормализацию вектора в типе. Нажмите OK, чтобы выполнить нормализацию вектора.
Чтобы выбрать соответствующее количество основных компонентов, откройте MATLAB и импортируем файл MAT, содержащий предварительно обработанные данные ближнего инфракрасного спектра, перетащив файл MAT в рабочее пространство. Откройте запрограммированный M-файл в редакторе. Нажмите Open под опцией Editor, выберите составленный M-файл в каталоге хранения файлов, а затем нажмите Подтвердить.
Работа в MATLAB по извлечению 15 основных компонентов в соответствии с целью оптимизации и моделью OLSR между извлеченными основными компонентами и прогнозируемыми значениями концентрации O-cresol. Определите значения R-квадрата и тренд с увеличением количества основных компонентов. Выберите 10 в качестве соответствующего числа основных компонентов со значением R-квадрата 0.9917.
Чтобы проверить достоверность и точность модели PLSR, повторите процесс моделирования с 10 основными компонентами. Оцените модель на основе 10-кратной перекрестной проверки с использованием участков процентной дисперсии, разъясняясь в спектральных данных NIR, остатках и среднее квадратное предсказание ошибки перекрестной проверки или MSPECV. Здесь построены остатки, которые относятся к разнице между значением ссылки на содержание O-cresol и оценкой модели PLSR.
Собранные данные показывают, что PLSR для измерения содержания O-cresol на основе спектральных данных NIR имеет высокую точность. Перекрестная проверка означает квадратную ошибку является мерой степени разницы между ссылкой и прогнозируемым содержанием O-cresol. Чем меньше значение, тем лучше точность прогностический модель, описывающая содержание O-cresol.
Средняя квадратная ошибка прогнозирования перекрестной проверки для измерения концентрации O-cresol на основе PLSR уменьшается по мере увеличения числа основных компонентов. Ошибка достигает приемлемого минимума в 10 основных компонентов. Это доказывает, что PLSR приводит к высокой стабильности для измерения концентрации О-кресола с использованием NIRS.
При попытке этой процедуры наиболее важным шагом является точное получение эталонных значений композиций, поскольку это является основой для всех предварительных процедур и моделирования, выполняемых на более позднем этапе. В дополнение к PLS, некоторые современные популярные алгоритмы машинного обучения, такие как глубокое обучение и дерево решений могут быть использованы в этой процедуре, тоже. В сочетании с технологией обнаружения NIRS, мы считаем, что предлагаемый анализ данных является значимым шаблоном для применения в процессе промышленной автоматизации к интеллектуальным преобразованиям в современной промышленности.