Livello: intermedio
David Autrique, Data Scientist, BASF
John Van Landschoot, studente di tesi di laurea, Università di Gand
Il monitoraggio del processo con sensori in linea è molto comune negli impianti di produzione chimica. Queste misurazioni in genere generano enormi quantità di dati. Se utilizzato correttamente, questa ricchezza di informazioni porta a una migliore comprensione dei processi e, in definitiva, all'ottimizzazione della produzione. Negli anni passati, la spettroscopia ha acquisito importanza come tecnica di monitoraggio dei processi chimici in linea rapida e affidabile per tracciare la qualità del prodotto. Poiché le informazioni spettrali in genere sono costituite da molte variabili fortemente correlate, vengono generalmente impiegate tecniche di riduzione dimensionale multivariata per spiegare la variazione del processo osservata. Due candidati alla modellazione interessanti ma fondamentalmente diversi possono essere identificati: Partial Least Squares (PLS) e una funzione di selezione in JMP 14, Analisi dei componenti principali funzionali (PCA funzionale). Mentre il PLS tratterà i dati spettrali come raccolte di singoli punti, il PCA funzionale descrive uno spettro come una forma funzionale. Un potenziale vantaggio di quest'ultimo, ovvero il trattamento spettrale funzionale, deriva dalla combinazione di levigatura e riduzione dimensionale. Contrariamente al PLS, la PCA funzionale tiene conto dell'ordine delle diverse intensità di lunghezza d'onda di uno spettro. In questo discorso utilizzeremo i dati di processo effettivi per dimostrare il flusso di lavoro di modellazione per entrambe le tecniche. Quindi confronteremo le prestazioni di modellazione di entrambe le tecniche e condivideremo le nostre intuizioni rispetto all'uso pratico.
