Nivel: intermedio
David Autrique, científico de datos, BASF
John Van Landschoot, estudiante de tesis de maestría, Universidad de Gante
El monitoreo de procesos con sensores en línea es muy común en las plantas de producción química. Estas medidas suelen generar grandes cantidades de datos. Si se utiliza correctamente, esta gran cantidad de información conduce a una mejor comprensión del proceso y, en última instancia, a la optimización de la producción. En los últimos años, la espectroscopía ganó importancia como una técnica de monitoreo de procesos químicos en línea rápida y confiable para rastrear la calidad del producto. Dado que la información espectral generalmente consta de muchas variables fuertemente correlacionadas, las técnicas de reducción de dimensiones multivariadas se emplean típicamente para explicar la variación observada del proceso. Se pueden identificar dos candidatos de modelado interesantes aunque fundamentalmente diferentes: mínimos cuadrados parciales (PLS) y una característica de marquesina en JMP 14, Análisis funcional de componentes principales (PCA funcional). Mientras que PLS trataría los datos espectrales como colecciones de puntos individuales, la PCA funcional describe un espectro como una forma funcional. Una ventaja potencial de este último, es decir, el tratamiento espectral funcional, proviene de la combinación de suavizado y reducción de dimensiones. A diferencia de PLS, PCA funcional tiene en cuenta el orden de las diferentes intensidades de longitud de onda de un espectro. En esta charla usaremos datos de proceso reales para demostrar el flujo de trabajo de modelado para ambas técnicas. Luego, compararemos el rendimiento de modelado de ambas técnicas y compartiremos nuestras ideas con respecto al uso práctico.
