El papel de la detección de valores atípicos en espectroscopia
Al implementar modelos de calibración cuantitativa (construidos mediante mínimos cuadrados parciales o regresión PLS) en una línea de producción activa, el sistema se basa en la suposición de que las muestras escaneadas son similares a la base de datos de calibración. Si se escanea una muestra que contiene un contaminante inesperado, muestra una variación extrema de temperatura o tiene una matriz de materia prima completamente diferente, el modelo generará una predicción. Sin embargo, esa predicción será matemáticamente inválida.
Para evitar que las malas predicciones escriban datos corruptos en su sistema SCADA, los espectrómetros de proceso deben evaluar si cada espectro escaneado es un "valor atípico multivariado" antes de generar predicciones. Esto se logra proyectando el espectro de la muestra en el espacio multidimensional del modelo de calibración y calculando los límites de distancia estadísticos.
"La detección de valores atípicos actúa como el sistema inmunológico de un analizador de procesos. Garantiza que las predicciones sólo se generen cuando la muestra coincida con el espacio de calibración".
Distancia de Mahalanobis: medición de la covarianza
La distancia euclidiana simple mide la distancia en línea recta entre un espectro de muestra y la media de calibración. Sin embargo, la distancia euclidiana falla en quimiometría porque ignora la fuerte correlación (covarianza) entre longitudes de onda adyacentes en los espectros NIR.
Distancia de Mahalanobis (MD) resuelve esto escalando la distancia mediante la matriz de covarianza del conjunto de datos de calibración. Efectivamente, MD tiene en cuenta la dirección de la varianza, asignando menos peso a las variaciones en direcciones de alta varianza de calibración normal y alto peso a las desviaciones en direcciones donde los datos de calibración están estrechamente vinculados.
T² de Hotelling: umbrales de confianza
Si bien la distancia de Mahalanobis proporciona un valor de distancia bruto, necesitamos un umbral estadísticamente sólido para señalar valores atípicos. T² de Hotelling normaliza la distancia de Mahalanobis en un espacio de proyección del componente principal (PC), calculando una puntuación multivariada. Debido a que T² sigue una distribución F, podemos establecer límites de confianza estadísticos formales (normalmente 95% o 99%):
| Parámetro | Distancia de Mahalanobis (MD) | T² de Hotelling |
|---|---|---|
| Enfoque matemático | Mide la distancia generalizada en un espacio de longitud de onda sin formato o escalado por covarianza. | Mide la distancia de puntuación dentro del espacio del componente principal (puntuaciones de PC). |
| Escalado de covarianza | Escala según la matriz de covarianza de longitud de onda completa. | Escala según la varianza de las puntuaciones de PC individuales. |
| Límite de umbral | Distribución heurística o chi-cuadrado ($\chi^2$). | Intervalos de confianza de distribución F estrictos ($1-\alpha$, donde $\alpha = 0,05$ o $0,01$). |
| Mejor caso de uso | Señalar materias primas defectuosas, desvíos de instrumentación o fallas de hardware. | Validar la pertenencia a una clase y marcar muestras fuera del espacio modelo. |
Establecer límites de valores atípicos en caliX Suite
Para implementar límites de valores atípicos en sus calibraciones, siga estos pasos en caliXSuite:
- Compilar puntuaciones PCA/PLS:Abra su archivo de calibración y calcule los vectores de carga de los componentes principales.
- Establecer intervalo de confianza:Navegue a la pestaña Valores atípicos y seleccione `Hotelling T²`. Elija un umbral de confianza del 99 % ($\alpha = 0,01 $) para los puntos de control críticos, o del 95 % ($\alpha = 0,05 $) para el monitoreo de rutina.
- Habilitar alarmas ProChem:Sincronice el modelo con el espectrómetro de proceso. En ProChem, asigne la salida del indicador de valor atípico a su registro PLC para mantener la última predicción válida cuando se activa un valor atípico.
Conclusión
La implementación de una detección sólida de valores atípicos utilizando Mahalanobis Distance y T² de Hotelling garantiza la integridad del analizador de procesos. Al identificar y aislar espectros anómalos, los fabricantes pueden prevenir fallas de calibración y asegurar bucles de procesos automatizados.
Referencias
- ASTM E1655 -Prácticas estándar para el análisis cuantitativo multivariado por infrarrojos.
- Hotelling, H., "La generalización de la proporción de estudiantes",Anales de estadística matemática, 1931.
- Martens, H. y Næs, T.,Calibración multivariada, John Wiley e hijos, 1989.
