zldmЗаводская лаборатория. Диагностика материаловIndustrial laboratory. Diagnostics of materials1028-68612588-0187ООО «Издательство «ТЕСТ-ЗЛ»10.26896/1028-6861-2019-85-2-73-78zldm-918Research ArticleОЦЕНКА СООТВЕТСТВИЯ. АККРЕДИТАЦИЯ ЛАБОРАТОРИЙCOMPLIANCE VERIFICATION. LABORATORY ACCREDITATIONАлгоритмы классификации для контроля качества промышленно производимых минеральных удобренийClassification algorithms for quality control of industrially manufactured mineral fertilizersЮновидовД. В.YunovidovD. V.Dm.Yunovidov@gmail.comСоколовВ. В.SokolovV. V.БахваловА. С.BakhvalovA. S.

Алексей Сергеевич Бахвалов

Санкт-Петербург

Aleksey S. Bakhvalov

St. Petersburg

Череповецкий государственный университет; АО «Научно-исследовательский институт по удобрениям и инсектофунгицидам им. проф. Я. В. Самойлова» (АО «Р1ИУИФ»)РоссияCherepovets State University; JSC “The Research Institute for Fertilizers and Insectofungicides” (JSC “NIUIF”)Russian FederationНаучные приборы, АОРоссияScience Instruments, JSCRussian Federation2019010320198527378Copyright © Юновидов Д.В., Соколов В.В., Бахвалов А.С., 20192019Юновидов Д.В., Соколов В.В., Бахвалов А.С.Yunovidov D.V., Sokolov V.V., Bakhvalov A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.zldm.ru/jour/article/view/918

Проведено сравнение различных алгоритмов классификации для динамического описания качества промышленно производимых минеральных удобрений. Проанализировано пять брендов удобрений (NPK 16-16-8, NP(S) 12-40(10), NPK(S) 4-30-15(16), NPK(S) 0-20-20(5), МАФ (NP) 12-52). Сбор данных осуществляли с использованием визуального оптического и рентгенофлуоресцентного методов контроля. Описан способ выделения характеристических свойств промышленно производимых минеральных удобрений с построением матрицы «объекты-признаки». Приведены оценки качества определения физико-химических параметров удобрений (содержания N, P, К и общего содержания S, типа крупности запрессованных частиц и наличия предварительной сушки). Показана процедура нахождения оптимальных параметров каждого из исследованных алгоритмов классификации. Работа алгоритмов оценена с использованием Ф-меры (гармоническое среднее точности и полноты классификации). Обучение алгоритмов классификации и оценку качества их работы проводили по стратегии кросс-валидации на 10 наборах данных (фолдах) с отложенной выборкой (30 % от общего объема данных). Итоговое значение метрики качества рассчитывали как среднее по всем классам. Описано использование процедуры проекции на две главные компоненты для информативного представления исследуемых объектов на плоскости. В результате предложен комбинированный метод анализа для автоматизированного и информативного исследования производимой продукции.

A comparison of different classification algorithms for dynamic description of the quality of industrially produced mineral fertilizers is presented. Five brands of fertilizers (NPK 16-16-8, NP(S) 12-40 (10), NPK(S) 4-30-15 (16), NPK(S) 0-20-20 (5), MAP (NP) 12-52) were analyzed using optical and X-ray fluorescence methods of control. A method of identifying the characteristic features of industrially produced mineral fertilizers using constructed “objects-characteristics” data array is described. Estimates of the quality of determination of physicochemical parameters of fertilizers (the content of N, P, К and total content of S, types of the particle size of the press-fitted granules and the pre-drying conditions) are given. The procedure of choosing optimal parameters for each considered classification algorithm is shown. The algorithms were estimated using the F-measure (harmonic mean of “precision” and “recall” of classifier). The training of the classification algorithms and assessment of the quality of their “work” were carried out according to the cross-validation strategy on 10 data sets (folds) with a delayed test (30% of the total data volume). The total value of the quality metric was calculated as the average for all classes. The use of the principal component analysis for informative representation of the studied objects on the plane is described. Finally, a combined method of analysis for automated and informative study of industrial products was proposed.

многомерная классификацияпроекция на главные компонентыкачество работы алгоритмовэнергодисперсионный рентгенофлуоресцентный анализвизуальный оптический контроль поверхностиmultidimensional classificationprincipal component analysisquality of algorithmenergy dispersive X-ray fluorescence analysisvisual optical control of the surfaceReferencesRemes A., Saloheimo К., Jamsa-Jounela S. L. Effect of speed and accuracy of on-line elemental analysis on flotation control performance / Miner. Eng. 2007. Vol. 20. Nll.E 1055 - 1066.Remes A., Saloheimo K., Jamsa-Jounela S. L. Effect of speed and accuracy of on-line elemental analysis on flotation control performance / Miner. Eng. 2007. Vol. 20. N 11. E 1055 -1066.Юиовидов Д. В., Соколов В. В., Бахвалова Е. В, Донских В. А. Разработка стандартного образца апатитового концентрата. Эффективный контроль однородности с помощью рентгенофлуоресцентных методов анализа / ГИАБ. 2016. № 7. С. 131 - 144.Yunovidov D. V, Sokolov V V, Bakhvalov A. S., Don-skikh V. A, Develop of reference sample of apatite concentrate. The effective control of homogeneity with X-ray fluorescence / GIAB. 2016. Vol. 7. E 131 - 144 [in Russian],Offroy М., Duponchel L. Topological data analysis: a promising big data exploration tool in biology, analytical chemistry and physical chemistry / Anal. Chim. Acta. 2016. Vol. 910. N 3. El- 11.Offroy M., Duponchel L. Topological data analysis: a promising big data exploration tool in biology, analytical chemistry and physical chemistry / Anal. Chim. Acta. 2016. Vol. 910. N 3. E 1 - 11.Sharma A. et al. Characterizing soils via portable X-ray fluorescence spectrometer: 3. Soil reaction (pH) / Geoderma. 2014. Vol. 232 - 234. E 141 - 147.Sharma A. et al. Characterizing soils via portable X-ray fluorescence spectrometer: 3. Soil reaction (pH) / Geoderma. 2014. Vol. 232 - 234. E 141 - 147.Юиовидов Д. В., Соколов В. В., Бахвалов А. С. Метод оценки влияния стадий пробоподготовки NPKS удобрений на результаты рентгенофлуоресцентного анализа по спектру пробы / Заводская лаборатория. Диагностика материалов. 2017. Т. 83. № 9. С. 15 - 21.Yunovidov D. V, Sokolov V V., Bakhvalov A. S. The Use of the Sample Spectrum for Assessing the Impact of Different Stages of the NEKS Fertilizer Ereparation on the Results of X-Ray Fluorescence Analysis / Zavod. Lab. Diagn. Mater. 2017. Vol. 83. N 9. E 15 - 21 [in Russian],Angeyo К. Н. et al. Feasibility for direct rapid energy dispersive X-ray fluorescence (EDXRF) and scattering analysis of complex matrix liquids by partial least squares / Appl. Radiat. Isot. 2012. Vol. 70. N11.E 2596 - 2601.Angeyo К, H. et al. Feasibility for direct rapid energy dispersive X-ray fluorescence (EDXRF) and scattering analysis of complex matrix liquids by partial least squares / Appl. Radiat. Isot. 2012. Vol. 70. N 11. Ё 2596 - 2601.Bueno Guerra M. B. et al. Comparison of analytical performance of benchtop and handheld energy dispersive X-ray fluorescence systems for the direct analysis of plant materials / J. Anal. At. Spectrom. 2014. Vol. 29. N 9. E 1667 - 1674.Bueno Guerra M. B. et al. Comparison of analytical performance of benchtop and handheld energy dispersive X-ray fluorescence systems for the direct analysis of plant materials / J. Anal. At. Spectrom. 2014. Vol. 29. N 9. E 1667 - 1674.Moran K. Big Data in Chemical Toxicity Research: The Use of High-Throughput Screening Assays To Identify Fotential Toxicants / Chem. Res. Toxical. 2014. Vol. 27. N lo’. E 1643 - 1651.Moran K. Big Data in Chemical Toxicity Research: The Use of High-Throughput Screening Assays To Identify Fotential Toxicants / Chem. Res. Toxical. 2014. Vol. 27. N 10. E 1643 - 1651.Kaniu M. I. et al. Energy dispersive X-ray fluorescence and scattering assessment of soil quality via partial least squares and artificial neural networks analytical modeling approaches / Talanta. 2012. Vol. 98. E 236 - 240.Kaniu M. I. et al. Energy dispersive X-ray fluorescence and scattering assessment of soil quality via partial least squares and artificial neural networks analytical modeling approaches / Talanta. 2012. Vol. 98. E 236 - 240.Kunz M. R., Kalivas J. H., Andries E. Model updating for spectral calibration maintenance and transfer using 1-norm variants of tikhonov regularization / Anal. Chem. 2010. Vol. 82. N 9. E 3642 - 3649.Kunz M. R., Kalivas J. H., Andries E. Model updating for spectral calibration maintenance and transfer using 1-norm variants of tikhonov regularization / Anal. Chem. 2010. Vol. 82. N 9. E 3642 - 3649.https://github.com/DimYun/DSpectra (дата обращения 13.06.2018).https://github.com/DimYun/DSpectra (accessed June 13, 2018).

The authors declare that there are no conflicts of interest present.