Warum den Wellenlängenbereich begrenzen?
Moderne Prozessspektrometer (wie das ProLine2550) sammeln Daten über den gesamten Nahinfrarotbereich (1.350 bis 2.550 nm) und liefern Hunderte hochkorrelierte Wellenlängenvariablen. Obwohl die Anpassung eines Regressionsmodells der partiellen kleinsten Quadrate (PLS) auf das gesamte Spektrum Standard ist, ist es selten der robusteste Ansatz. Das gesamte Spektrum umfasst Bereiche, die keine chemischen Informationen über Ihren Zielanalyten enthalten, wie z. B. Hintergrundrauschen, Sensorabfall oder starke Wasserabsorptionsbanden, die den Detektor sättigen.
Die Erstellung von Kalibrierungen mit unnötigen Wellenlängen erhöht das Risiko einer Überanpassung, macht Modelle anfällig für Änderungen der Umgebungstemperatur und erfordert eine höhere Anzahl latenter Variablen (LVs), was die Übertragbarkeit der Kalibrierung zwischen Instrumenten beeinträchtigt.
„Die Auswahl der optimalen Wellenlängen ist eine Form des multivariaten Feature-Engineerings. Indem wir rauschdominierte Bänder entfernen, schaffen wir eine einfachere, robustere Kalibrierung, die sich auf verschiedene Spektrometer verallgemeinert.“
Intervall PLS (iPLS): Systematische Rasterauswahl
Intervall PLS (iPLS) ist ein systematischer Algorithmus, der das gesamte vorverarbeitete Spektrum in eine Reihe kleinerer, sich nicht überlappender Wellenlängenintervalle (typischerweise 10 bis 40 Intervalle) unterteilt. Der Algorithmus erstellt ein lokales PLS-Modell für jedes einzelne Intervall und berechnet den quadratischen Mittelfehler der Kreuzvalidierung (RMSECV).
Durch den Vergleich der RMSECV aller lokalen Modelle mit dem globalen Vollspektrummodell identifiziert iPLS das spezifische Intervall – oder die Kombination von Intervallen –, das den niedrigsten Vorhersagefehler ergibt. Dies ist äußerst effektiv zur Isolierung unterschiedlicher molekularer Obertöne (z. B. N-H-Banden in Protein oder C-H-Banden in Fett).
Genetische Algorithmen: Evolutionäre Selektion
Wenn die Absorptionsbanden der Zielchemikalie über mehrere Regionen verteilt sind, reichen intervallbasierte Rastersuchen nicht aus. Genetische Algorithmen (GAs) verwenden eine evolutionäre Suchstrategie, um optimale Banden zu finden:
- Chromosomen:Wellenlängen werden als binäre Zeichenfolgen dargestellt (1 für „Auswählen“, 0 für „Ausschließen“).
- Anfangsbevölkerung:Es wird ein Startpool zufälliger Wellenlängenkombinationen erstellt.
- Fitnessfunktion:Jede Kombination erstellt ein PLS-Modell. Die Fitness wird anhand der Minimierung von RMSECV und der Minimierung der Anzahl latenter Variablen bewertet.
- Zucht & Mutation:Die leistungsstärksten Kombinationen werden gepaart, um Nachkommen zu erzeugen, wobei zufällige Mutationen eingeführt werden, um lokale Minimafallen zu verhindern.
Dieser Vorgang wiederholt sich über 50 bis 100 Generationen und führt zu einer hochoptimierten, spärlichen Wellenlängenauswahl.
Auswirkungen der Wellenlängenauswahl
Die Auswahl optimaler Wellenlängenbänder verbessert die Kalibrierungsleistung erheblich, wie in dieser Studie über Kalibrierungen des Polyolhydroxylwerts (OHV) gezeigt wird:
| Modellkonfiguration | Aktive Wellenlängen (nm) | Latente Variablen (LVs) | Validierungsfehler (RMSEP) |
|---|---|---|---|
| Global PLS (Vollbereich) | 1350 – 2550 nm (voll) | 10 LVs | ± 2,45 mg KOH/g |
| iPLS Ausgewählt | 1680 – 1740 & 2200 – 2260 nm | 5 LVs | ≤ 1,12 mg KOH/g |
| GA ausgewählt | Ausgewählte Banden in C-H/O-H-Regionen | 4 LVs | ≤ 1,05 mg KOH/g |
Wellenlängenoptimierung in caliXSuite
Zur Optimierung Ihrer Modelle in caliXSuite:
- Öffnen Sie Ihr Kalibrierungsmodell und navigieren Sie zum Menü „Funktionsauswahl“.
- Wählen Sie „Intervall PLS“, um eine Rastersuche durchzuführen, oder „Genetischer Algorithmus“ für die evolutionäre Optimierung.
- Legen Sie Ihr Ziellimit für die latente Variable fest, um eine Überanpassung zu verhindern (z. B. maximal 5 LVs).
- Führen Sie den Optimierer aus. Wenn Sie fertig sind, klicken Sie auf „Auswahl anwenden“ und validieren Sie die vereinfachte Kalibrierung vor der Bereitstellung.
Abschluss
Die Auswahl des Wellenlängenbandes mithilfe von iPLS und genetischen Algorithmen verschiebt die chemometrische Modellbildung von der Black-Box-Regression hin zur gezielten Merkmalsentwicklung. Durch die Isolierung wichtiger molekularer Obertonbänder können Ingenieure die Komplexität der Kalibrierung reduzieren, Temperaturdrifts verhindern und Modelle erstellen, die nahtlos über mehrere Spektrometer hinweg übertragen werden können.
Referenzen
- ISO 12099 -Richtlinien für die Anwendung der Nahinfrarotspektrometrie.
- N-rgaard, L. et al., „Interval Partial Least Squares Regression (iPLS): A Tool for Wavelength Selection“,Angewandte Spektroskopie, 2000.
- Leardi, R., „Anwendung eines genetischen Algorithmus zur Wellenlängenauswahl in der Nahinfrarotspektroskopie“,Zeitschrift für Chemometrie, 2001.
