Bu deneysel makalenin önemi yakın kızılötesi spektroskopi ve gerçek proses endüstrisinin online izleme için veri madenciliği algoritmaları uygulamaları yatıyor. Bu teknolojinin en büyük avantajları onun hızı yatıyor. Yakın kızılötesi algılama teknolojisinin zararsız özelliği ve kısmi en az kareler veya PLS, algoritma uygulaması.
Başlamak için, metin protokolünde açıklandığı gibi spektrometrebağ. Ölçüm parametrelerini ayarlamak için OPUS yazılımını kullanın. Ölçüle menüsüne gidin ve Gelişmiş Ölçüm komutunu seçin.
Açılan iletişim kutusunda, farklı sekmelerde ölçüm parametrelerini tanımlayın. Deneme dosyasını depolamak için Gelişmiş sekmesini tıklatın. Çözünürlüğü dört ters santimetre olarak tanımlayın.
Tarama sayısını örnek arka plan tarama zaman giriş alanlarında 16 tarama olarak tanımlayın. Ölçüm verilerini 4,000 ters santimetreden 12, 500 ters santimetreye otomatik olarak depolamak için yolu tanımlayın. Sonuç spektrumu için veri türünü absorbance olarak belirleyin ve deneme dosyasını kaydedin.
Şimdi Optik sekmesini tıklatın. Diyafram ayar açılır listesini tıklatın ve örnek bir spektrum elde etmek için kullanılan aynı değeri seçin. Ardından Temel sekmesini tıklatın.
Arka Plan Tek Kanal düğmesini tıklatın ve örnek spektrumu ölçmek için spektrometrenin optik yoluna örnek yerleştirin. Belirli bir giriş alanında örnek açıklama ve örnek formu tanımlayın. Bu bilgiler spektrumla birlikte depolanır.
Şimdi çevrimiçi ölçümü başlatmak için Örnek Tek Kanal düğmesini tıklatın. Her taraya ait NIR spektrumu bir OPUS dosyası olarak kaydedin. Orijinal spektral seti okumak için OPUS yazılımını kullanın.
Dosya menüsünde Dosyayı Yükle komutunu tıklatın. Açılan iletişim kutusunda, belirli spektrum dosyasını seçin. Aç düğmesini tıklatın.
Spektrum spektrum penceresinde görüntülenir. Spektral ön işleme fonksiyonu ile, birinci dereceden türev ile önceden işlenmiş spektral veri seti elde edin. Önce çok değişkenli bir veri analizi ve deneysel tasarım yazılımı olan Unscrambler'ı açın.
Ardından Dosya'nın altındaki İçe Aktar komutunu seçin. OPUS dosyasını özgün bir NIR spektral veri kümesi olarak içe aktarın. Değiştir'in altındaki Dönüştür komutunu seçin.
Ardından Türevler altındaki Savitzky-Golay türevlerini seçin. Örnekleri ve değişkenleri Kapsam'taki tüm örnekler ve tüm değişkenler olarak tanımlayın. Ayrıca, yumuşatma noktası sayısını 13, türevi ise Parametreler'deki ilk türev olarak tanımlayın.
Türevi başlatmak için Tamam'ı tıklatın. Emiciliğin değerini normalleştirmek için örnek spektrumları üzerinde vektör normalleştirme gerçekleştirin. Değiştir altında normalleştirme komutunu seçin.
Örnekleri ve değişkenleri Kapsam'taki tüm örnekler ve tüm değişkenler olarak tanımlayın. Türde vektör normalleştirmesini seçin. Vektör normalleştirmesi gerçekleştirmek için Tamam'ı tıklatın.
Uygun sayıda ana bileşen seçmek için MATLAB'ı açın ve MAT dosyasını çalışma alanına sürükleyerek önceden işlenmiş yakın kızılötesi spektral verileri içeren MAT dosyasını alın. Programlanmış M dosyasını editörde açın. Düzenleyici seçeneğialtında Aç'ı tıklatın, dosya depolama dizininde derlenen M dosyasını seçin ve sonra Onayla'yı tıklatın.
MATLAB'da, çıkarılan ana bileşenler ile O-kresol konsantrasyonunun öngörülen değerleri arasında optimizasyon amacına ve OLSR modeline göre 15 ana bileşeni ayıklamak için çalışın. R-kare değerlerini ve eğilimi, artan sayıda ana bileşenle belirleyin. R kare değeri 0,9917 olan uygun ana bileşen sayısı olarak 10'u seçin.
PLSR modelinin uygunluk ve doğruluk iyiliğini doğrulamak için modelleme işlemini 10 ana bileşenle tekrarlayın. Modeli NIR spektral verilerinde açıklanan yüzde varyans, artıklar ve çapraz doğrulama veya MSPECV'nin ortalama kare tahmin hatasını kullanarak 10 kat çapraz doğrulamayı temel alın. Burada çizilen kalıntılar, O-cresol içerik referans değeri ve PLSR modeli tahmini arasındaki fark bakın.
Çizilen veriler, NIR spektral verilere dayalı O-kresol içeriğinin ölçümü için PLSR'nin yüksek doğruluk olduğunu göstermektedir. Çapraz doğrulama ortalama kare hatası, başvuru ile öngörülen O-cresol içeriği arasındaki farkın derecesinin bir ölçüsüdür. Değer ne kadar küçükse, O-cresol içeriğini açıklayan tahmine dayalı modelin doğruluğu da o kadar iyi.
PlsR'ye dayalı O-kresol konsantrasyonu ölçümü için ortalama kare tahmin hatası, ana bileşenlerin sayısı arttıkça azalır. Hata, 10 ana bileşende kabul edilebilir bir minimuma ulaşır. Bu, PLSR'nin NIRS kullanılarak O-kresol konsantrasyonunun ölçümü için yüksek stabilite ile sonuçverdiğini kanıtlamaktadır.
Bu yordamı denerken, en önemli adım kompozisyonların referans değerlerini doğru bir şekilde elde etmektir, çünkü bu, sonraki aşamada gerçekleştirilen tüm ön işleme ve modellemenin temelini oluşturur. PLS ek olarak, derin öğrenme ve karar ağacı gibi bazı mevcut popüler makine öğrenme algoritmaları da bu yordamda kullanılabilir. NIRS algılama teknolojisi ile birlikte, önerilen veri madenciliğinin endüstriyel otomasyon sürecinde modern endüstride akıllı dönüşüme yönelik anlamlı bir uygulama şablonu olduğuna inanıyoruz.
