Совершенствование алгоритма обработки данных от мультисенсорной системы в задачах определения показателей качества растительных масел

Семенов Виктор Викторович

doi:10.17586/2226-1494-2024-24-3-424-430

2024 , ТОМ 24, НОМЕР 3 ( май-июнь )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

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

Семенов В.В.

Читать статью полностью

Язык статьи - английский

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

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

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License