Spectrally OS · modele predykcyjne · beta v1
Nasz stos łączy świadomie CNN (konwolucyjne sieci neuronowe) i klasyczną chemometrię (PLS, PCA) — dobieraną pod konkretny przypadek pomiarowy. Ten materiał pokazuje mechanikę tego wyboru na jednym runie: gdy lepkość rośnie nieliniowo o dwa rzędy wielkości w niecałą godzinę, komponent CNN naszego stosu odwzorowuje ją dokładniej niż model PLS liczony równolegle na tych samych danych.
PLS i PCA zakładają w przybliżeniu liniową zależność między widmem a mierzoną wielkością procesową. Działa to dobrze w wąskim zakresie. Kłopot zaczyna się, gdy proces przyspiesza nieliniowo — a dokładnie tak zachowuje się lepkość w tym runie: od ok. 54 do ponad 3200 jednostek w 69 minut.
Poniżej dwa niezależne źródła dowodów: (A) zagregowane metryki z szerszego zbioru testowego
(pls_vs_cnn_metrics.csv) i (B) jeden konkretny run produkcyjny z 7 pomiarami referencyjnymi
klienta (lepkosc_2026-06-01.csv), który pokazuje, gdzie dokładnie zaczyna się rozjazd.
Metryki liczone na pełnym zbiorze testowym, niezależnym od runu z sekcji B. Każdy wiersz pokazuje ten sam kierunek: mniej wyjaśnionej wariancji do wyjaśnienia, mniejszy typowy błąd, mniejszy błąd w ogonie rozkładu.
Ta sama lepkość, ten sam moment procesu, trzy niezależne źródła: dwa modele liczone równolegle z tych samych widm i pomiary referencyjne klienta. Skala pionowa jest logarytmiczna — inaczej rozjazd w górnym zakresie zasłoniłby to, co dzieje się na starcie procesu.
Dla każdego z 7 momentów, w których klient wykonał niezależny pomiar referencyjny, porównujemy najbliższy w czasie odczyt CNN i PLS. Kolumna po prawej pokazuje, który odczyt był liczbowo bliżej referencji.
| Czas | Referencja | CNN | Błąd CNN | PLS | Błąd PLS | Bliżej referencji |
|---|
Na 7 sprawdzonych punktów PLS jest bliżej referencji raz — przy najniższej lepkości (ok. 90 j., start procesu, zakres bliski liniowemu). Od ok. 350 j. w górę, gdy proces wchodzi w reżim nieliniowy, CNN jest bliżej referencji za każdym razem, z rosnącą przewagą.
Różnica nie jest stała — rośnie razem z nieliniowością procesu. To argument za stosem hybrydowym, nie za jednym wygranym algorytmem.
Zakres liniowy (start procesu)
Przy niskiej lepkości (ok. 90 j.) PLS i CNN dają porównywalny, mały błąd — PLS był tu nawet nieznacznie bliżej referencji. W tym reżimie klasyczna chemometria wystarcza.
Zakres nieliniowy (środek i koniec runu)
Powyżej ok. 350 j. błąd PLS rośnie szybciej niż błąd CNN — na pełnym zbiorze testowym różnica sięga 67% niższego RMSE i 55% niższego MAE po stronie CNN.
Wniosek dla stosu
Dobieramy komponent modelu do charakteru procesu, nie odwrotnie. Ten run jest dowodem na mechanikę wyboru, nie na to, że jeden algorytm zastępuje drugi we wszystkich przypadkach.
Używamy plików cookie, aby strona działała poprawnie, mierzyć ruch i personalizować marketing tylko za Twoją zgodą.