Меню
Публикации
2025
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2024-24-3-424-430
УДК 004.021
Совершенствование алгоритма обработки данных от мультисенсорной системы в задачах определения показателей качества растительных масел
Читать статью полностью

Язык статьи - английский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Семенов В.В. Совершенствование алгоритма обработки данных от мультисенсорной системы в задачах определения показателей качества растительных масел // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24, № 3. С. 424–430 (на англ. яз.). doi: 10.17586/2226-1494-2024-24-3-424-430
Аннотация
Введение. Эффективное функционирование современных производственных систем невозможно без применения методов обработки и анализа, непрерывно формируемых в процессе эксплуатации данных. Ограничения, накладываемые на скорость и точность определения искомых показателей, приводят к необходимости оптимизации применяемых алгоритмов. Мультисенсорные системы, как правило, обладают избыточным количеством перекрестно-чувствительных сенсоров, при этом их сигналы могут применяться для определения различных схожих по физической природе показателей. Целью исследования является совершенствование алгоритма обработки многомерных данных от мультисенсорных систем. Метод. В составе разработанного алгоритма формирования информативных признаков применен метод главных компонент. Для построения регрессионных моделей использован метод регрессии частичных наименьших квадратов. Массив данных для проверки предложенного подхода получен в ходе потенциометрических измерений с использованием цифрового милливольтметра. Проведен эксперимент с использованием мультисенсорной системы типа «электронный язык», состоящей из 12 перекрестно-чувствительных потенциометрических сенсоров. В эксперименте в качестве анализируемых объектов выступали реальные образцы растительных масел. Основные результаты. Построены регрессионные модели для определения трех показателей качества растительных масел: перекисного числа, параанизидинового числа и общего содержания токоферолов. Результаты исследования сопоставлены с известными научными работами. Обсуждение. Сравнительный анализ позволил сделать вывод о том, что использование отобранных по предложенному алгоритму наиболее информативных источников позволяет значительно снизить среднеквадратичную ошибку прогнозирования. Полученные результаты могут применяться как в системах выявления отклонений производственных процессов на предприятиях «Индустрии 4.0», так и для экспресс-выявления фальсификатов продукции.
Ключевые слова: количественный анализ, контроль качества, растительные масла, потенциометрические сенсоры, мультисенсорная система, временные ряды, метод главных компонент
Список литературы
Список литературы
- Caruana L., Francalanza E. A Safety 4.0 approach for collaborative robotics in the factories of the future // Procedia Computer Science. 2023. V. 217. P. 17847–1793. https://doi.org/10.1016/j.procs.2022.12.378
- Зегжда Д.П., Васильев Ю.С., Полтавцева М.А., Кефели И.Ф., Боровков А.И. Кибербезопасность прогрессивных производственных технологий в эпоху цифровой трансформации // Вопросы кибербезопасности. 2018. № 2(26). С. 2–15. https://doi.org/10.21681/2311-3456-2018-2-2-15
- Alulema D., Criado J., Iribarne L., Fernández-García A.J., Ayala R. SI4IoT: A methodology based on models and services for the integration of IoT systems // Future Generation Computer Systems. 2023. V. 143. P. 132–151. https://doi.org/10.1016/j.future.2023.01.023
- Kivrak H., Karakusak M.Z., Watson S., Lennox B. Cyber–physical system architecture of autonomous robot ecosystem for industrial asset monitoring // Computer Communications. 2024. V. 218. P. 72–84. https://doi.org/10.1016/j.comcom.2024.02.013
- Семенов В.В. Метод мониторинга состояния элементов киберфизических систем на основе анализа временных рядов // Научно-технический вестник информационных технологий, механики и оптики. 2022. Т. 22. № 6. С. 1150–1158. https://doi.org/10.17586/2226-1494-2022-22-6-1150-1158
- Wold S., Esbensen K., Geladi P. Principal component analysis // Chemometrics and Intelligent Laboratory Systems. 1987. V. 2. N 1–3. P. 37–52. https://doi.org/10.1016/0169-7439(87)80084-9
- Yuan S., Yang M., Reniers G. Integrated process safety and process security risk assessment of industrial cyber-physical systems in chemical plants // Computers in Industry. 2024. V. 155. P. 104056. https://doi.org/10.1016/j.compind.2023.104056
- Tonin F., Tao Q., Patrinos P., Suykens J. Deep Kernel Principal Component Analysis for multi-level feature learning // Neural Networks. 2024. V. 170. P. 578–595. https://doi.org/10.1016/j.neunet.2023.11.045
- Yamaguchi T., Yamashita Y. Multi-target regression via target combinations using principal component analysis // Computers & Chemical Engineering. 2024. V. 181. P. 108510. https://doi.org/10.1016/j.compchemeng.2023.108510
- Cangelosi R., Goriely A. Component retention in principal component analysis with application to cDNA microarray data // Biology Direct. 2007. V. 2. P. 2. https://doi.org/10.1186/1745-6150-2-2
- Vlasov Yu.G., Bychkov E.A., Legin A.V. Chalcogenide glass chemical sensors: Research and analytical applications // Talanta. 1994. V. 41. N 6. P. 1059–1063. https://doi.org/10.1016/0039-9140(94)00124-3
- Semenov V., Volkov S., Khaydukova M., Fedorov A., Lisitsyna I., Kirsanov D., Legin A. Determination of three quality parameters in vegetable oils using potentiometric e-tongue // Journal of Food Composition and Analysis. 2019. V. 75. P. 75–80. https://doi.org/10.1016/j.jfca.2018.09.015
- Gromadzka J., Wardencki W. Trends in edible vegetable oils analysis. Part A. Determination of different components of edible oils - a review // Polish Journal of Food and Nutrition Sciences. 2011. V. 61. N 1. P. 33–43. https://doi.org/10.2478/v10222-011-0002-z
- Martinez-Velasco J.D., Filomena-Ambrosio A., Garzon-Castro C.L. Technological tools for the measurement of sensory characteristics in food: A review // F1000Research. 2024. N 12. P. 340. https://doi.org/10.12688/f1000research.131914.2
- Geladi P., Kowalski B.R. Partial least-squares regression: a tutorial // Analytica Chimica Acta. 1986. V. 185. P. 1–17. https://doi.org/10.1016/0003-2670(86)80028-9
- Pattern Recognition and Machine Learning / ed. by C.M. Bishop. Springer-Verlag New York, 2006. XX, 778 p. https://doi.org/10.1007/978-0-387-45528-0