Алгоритмы классификации для контроля качества промышленно производимых минеральных удобрений

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.

1. Remes 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.

2. 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.

3. 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.

4. Sharma A. et al. Characterizing soils via portable X-ray fluorescence spectrometer: 3. Soil reaction (pH) / Geoderma. 2014. Vol. 232 - 234. E 141 - 147.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. https://github.com/DimYun/DSpectra (дата обращения 13.06.2018).