Niveau: intermédiaire
David Autrique, Data Scientist, BASF
John Van Landschoot, étudiant à la maîtrise, Université de Gand
La surveillance des processus avec des capteurs en ligne est très courante dans les usines de production chimique. Ces mesures génèrent généralement d'énormes quantités de données. Si elle est utilisée correctement, cette richesse d'informations permet une meilleure compréhension des processus et, finalement, une optimisation de la production. Ces dernières années, la spectroscopie a gagné en importance en tant que technique de surveillance des processus chimiques en ligne rapide et fiable pour suivre la qualité des produits. Étant donné que les informations spectrales sont généralement constituées de nombreuses variables fortement corrélées, des techniques de réduction de dimensions multivariées sont généralement utilisées pour expliquer la variation observée du processus. Deux candidats de modélisation intéressants mais fondamentalement différents peuvent être identifiés: les moindres carrés partiels (PLS) et une fonction de sélection dans JMP 14, l'analyse des composants principaux fonctionnels (ACP fonctionnelle). Alors que PLS traiterait les données spectrales comme des collections de points individuels, l'ACP fonctionnelle décrit un spectre comme une forme fonctionnelle. Un avantage potentiel de ce dernier, à savoir le traitement spectral fonctionnel, provient de la combinaison du lissage et de la réduction de dimension. Contrairement au PLS, le PCA fonctionnel prend en compte l'ordre des différentes intensités de longueur d'onde d'un spectre. Dans cet exposé, nous utiliserons des données de processus réelles pour démontrer le flux de travail de modélisation pour les deux techniques. Ensuite, nous comparerons les performances de modélisation des deux techniques et partagerons nos idées sur l'utilisation pratique.
