Семенов Виктор Викторович — кандидат технических наук, старший научный сотрудник
Санкт-Петербург, 199178
Viktor V. Semenov — PhD, Senior Researcher
Saint Petersburg, 199178
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, пара-анизидинового 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.
The effective functioning of modern production systems is impossible without using of methods for processing and analyzing data continuously generated during operation. Limitations imposed on the speed and precision of determining the required indicators lead to the need of optimizing the algorithms used. Multisensor systems, as a rule, have an excessive number of cross-sensitive sensors, and their signals can be used to determine various indicators of a similar physical nature. The purpose of the study is to improve the algorithm for processing multidimensional data from multisensor systems. Principal component analysis was applied as part of the developed algorithm for the formation of informative features. Partial least squares regression was used to build regression models. The data set for approbation of proposed approach was obtained through potentiometric measurements using a digital mV-meter. An experiment is described using a multisensor system called “electronic tongue”, consisting of 12 cross-sensitive potentiometric sensors. In the experiment, real samples of vegetable oils acted as analyzed objects. Regression models were built to determine three quality indicators of vegetable oils: peroxide value, para-anisidine value and total tocopherol concentrations. The results of the study were compared with known scientific works. A comparative analysis allowed us to conclude that using of the most informative sources selected according to the proposed algorithm can significantly reduce the root mean square error of prediction. The results obtained can be used both in systems for identifying deviations in production processes in “Industry 4.0” enterprises, and for expressly identifying counterfeit products.
The authors declare that there are no conflicts of interest present.