مقدمة إلى انحدار PLS في مجموعة caliX

ما هو انحدار المربعات الصغرى الجزئية (PLS)؟

يتكون أطياف الأشعة تحت الحمراء القريبة (NIR) من آلاف نقاط الطول الموجي الفردية. نظرًا لأن امتصاص ضوء NIR يظهر على شكل نغمات اهتزازية واسعة ومتداخلة بدلاً من قمم حادة، نادرًا ما يكون طول موجة واحد كافيًا للتنبؤ بالتركيز الكيميائي. نحن بحاجة إلى إحصاءات متعددة المتغيرات، وخاصة بالنسبة للمعقدة التطبيقات الكيميائية والصيدلانية.

انحدار المربعات الصغرى الجزئية (PLS).هي الخوارزمية الكيميائية القياسية الذهبية. فهو يقلل من آلاف المتغيرات الطيفية المترابطة بشكل كبير إلى عدد قليل من العوامل المتعامدة (تسمى المتغيرات الكامنة (LVs)أو المكونات الرئيسية) التي تزيد من التباين بين البيانات الطيفية والتركيزات المرجعية المختبرية المستهدفة.

تطوير نموذج يستخدم لطلب البرمجة النصية اليدوية في MATLAB أو R. ضمن caliXAutoML Suite (الذي يبني ملفات دقيقة للغاية caliXنماذج AutoML)، تم تبسيط سير العمل هذا إلى خمس مراحل واضحة.

---

الخطوة 1: محاذاة البيانات واستيرادها

أولاً، قم بإعداد جدول بيانات معايرة (CSV أو Excel) يطابق أسماء الملفات الطيفية الخاصة بك مع نتائج مختبر الكيمياء الرطبة. caliXيدعم الاستيراد المباشر لتنسيقات قاعدة بيانات المطياف الخام وتنسيقات التبادل الطيفي القياسية مثل JCAMP-DX.

بمجرد استيرادها، caliXيقسم مجموعة البيانات الخاصة بك تلقائيًا:75% للمعايرة والتحقق المتبادل(لتدريب النموذج) و 25% كمجموعة تحقق مستقلة(يظل منفصلاً تمامًا لاختبار الأداء التنبئي النهائي).

الخطوة 2: اختيار المعالجة الطيفية

تحتوي إشارات الضوء NIR الخام على ضوضاء مبعثرة مادية ناجمة عن اختلافات حجم الجسيمات، أو كثافة تعبئة العينة، أو مسافة المسبار. تعمل المعالجة الطيفية المسبقة على إزالة خطوط الأساس الفيزيائية هذه رياضيًا، لذا يركز نموذج PLS بشكل كامل على الامتصاص الكيميائي.

في caliXخط الأنابيب، يمكنك تطبيق وسلسلة خطوات المعالجة المسبقة القياسية:

• المتغير العادي القياسي (SNV):توسيط وتوسيع نطاق كل طيف فردي لإزالة الاختلافات في القياس والإزاحة.
• تصحيح التشتت المضاعف (MSC):يتراجع كل طيف مقابل متوسط ​​الطيف لعزل وإزالة المنحدرات المبعثرة.
• Savitzky-Golay المشتقات (الأولى أو الثانية):يحسب تناسبات متعددة الحدود المحلية للحصول على المشتقات وحل النطاقات المتداخلة وإزالة التحولات الأساسية.

نصيحة: caliXسيقوم محرك AutoML الخاص بـ AutoML تلقائيًا بإجراء بحث شبكي عبر العشرات من مجموعات المعالجة المسبقة لاقتراح التسلسل الأمثل للمصفوفة الخاصة بك.

الخطوة 3: اختيار المتغيرات الكامنة (LVs)

يعد تحديد العدد الصحيح من المتغيرات الكامنة أمرًا بالغ الأهمية لمنع التركيب الزائد. إذا قمت بتحديد عدد قليل جدًا من LVs، فإن النموذج الخاص بك غير مناسب ويفتقد الارتباطات الكيميائية. إذا قمت بتحديد عدد كبير جدًا من LVs، فسيبدأ النموذج الخاص بك في احتواء الضوضاء الطيفية العشوائية، والتي ستفشل عند مسح عينات جديدة.

أنظر إلى جذر متوسط ​​مربع خطأ التحقق من الصحة (RMSECV)منحنى. حدد عدد LVs عند "مرفق" المنحنى، حيث يتوقف الخطأ عن الانخفاض بشكل ملحوظ. إن إضافة المزيد من المكونات بعد هذه النقطة يناسب الضوضاء فقط.

# Sample Model Statistics Output in caliX
---------------------------------------------
Target Parameter: Crude Protein
Preprocessing: SNV + S-G 1st Derivative (15pt)
Selected Latent Variables (LVs): 6
Calibration R²: 0.982
Calibration RMSEC: 0.09%
Cross-Validation RMSECV: 0.11%
Validation RMSEP: 0.12%
Bias: -0.01%
---------------------------------------------

الخطوة 4: التحقق المستقل

لتأهيل النموذج للنشر في المصنع، قم بتشغيل التنبؤات على مجموعة الاختبار المستقلة بنسبة 25%. ال جذر متوسط ​​مربع خطأ التنبؤ (RMSEP)يقيس الدقة الحقيقية التي ستراها عند استخدام المستشعر المضمن. يجب أن يعرض النموذج القوي RMSEP وهو قريب جدًا من خطأ التحقق المتبادل (RMSECV).

الخطوة 5: التصدير إلى ProChem

بمجرد رضاك ​​عن أداء النموذج، انقر فوق"تصدير الحزمة النموذجية". يؤدي هذا إلى إنشاء ملف نموذج `.caliX` آمن. قم بتحميل هذا الملف مباشرة إلى ProChem برنامج التحكم في العمليات على خط الإنتاج الخاص بك. سيقوم ProChem تلقائيًا بتطبيق خطوات المعالجة المسبقة المكونة مسبقًا على الأطياف المضمنة والتنبؤ بالتركيزات في الوقت الفعلي، وإرسال النتائج مباشرة إلى مصنعك PLC.

ملخص

من خلال الجمع بين منطق الانحدار الصارم PLS والتحسين الآلي للمعالجة المسبقة، فإن caliXيجعل Suite القياسات الكيميائية في متناول مهندسي مراقبة الجودة دون التضحية بالعمق العلمي. يمكنك الحصول على نماذج موثوقة وقوية وجاهزة لحماية هوامش B2B الخاصة بك في اليوم الأول.