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

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.

1. Caruana L., Francalanza E. A Safety 4.0 approach for collaborative robotics in the factories of the future. Procedia Computer Science, 2023, vol. 217, pp. 17847–1793. https://doi.org/10.1016/j.procs.2022.12.378

2. Zegzhda D.P., Vasilev U.S., Poltavtseva M.A., Kefele I.F., Borovkov A.I. Advanced production technologies security in the era of digital transformation. Voprosy kiberbezopasnosti, 2018, no. 2(26), pp. 2–15. (in Russian). https://doi.org/10.21681/2311-3456-2018-22-15

3. 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, vol. 143, pp. 132–151. https://doi.org/10.1016/j.future.2023.01.023

4. Kivrak H., Karakusak M.Z., Watson S., Lennox B. Cyber–physical system architecture of autonomous robot ecosystem for industrial asset monitoring. Computer Communications, 2024, vol. 218, pp. 72– 84. https://doi.org/10.1016/j.comcom.2024.02.013

5. Semenov V.V. Method for monitoring the state of elements of cyberphysical systems based on time series analysis. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 2022, vol. 22. no. 6, pp. 1150–1158. (in Russian). https://doi.org/10.17586/2226-1494-2022-22-6-1150-1158

6. Wold S., Esbensen K., Geladi P. Principal component analysis. Chemometrics and Intelligent Laboratory Systems, 1987, vol. 2, no. 1–3, pp. 37–52. https://doi.org/10.1016/0169-7439(87)80084-9

7. 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, vol. 155, pp. 104056. https://doi.org/10.1016/j.compind.2023.104056

8. Tonin F., Tao Q., Patrinos P., Suykens J. Deep Kernel Principal Component Analysis for multi-level feature learning. Neural Networks, 2024, vol. 170, pp. 578–595. https://doi.org/10.1016/j.neunet.2023.11.045

9. Yamaguchi T., Yamashita Y. Multi-target regression via target combinations using principal component analysis. Computers & Chemical Engineering, 2024, vol. 181, pp. 108510. https://doi.org/10.1016/j.compchemeng.2023.108510

10. Cangelosi R., Goriely A. Component retention in principal component analysis with application to cDNA microarray data. Biology Direct, 2007, vol. 2, pp. 2. https://doi.org/10.1186/1745-6150-2-2

11. Vlasov Yu.G., Bychkov E.A., Legin A.V. Chalcogenide glass chemical sensors: Research and analytical applications. Talanta, 1994, vol. 41, no. 6, pp. 1059–1063. https://doi.org/10.1016/00399140(94)00124-3

12. 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, vol. 75, pp. 75–80. https://doi.org/10.1016/j.jfca.2018.09.015

13. 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, vol. 61, no. 1, pp. 33–43. https://doi.org/10.2478/v10222-011-0002-z

14. 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, no. 12, pp. 340. https://doi.org/10.12688/f1000research.131914.2

15. Geladi P., Kowalski B.R. Partial least-squares regression: a tutorial. Analytica Chimica Acta, 1986, vol. 185, pp. 1–17. https://doi.org/10.1016/0003-2670(86)80028-9

16. 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