Spectrally OS · Prädiktive Modelle · Beta v1
Unser Stack kombiniert bewusst CNN (Convolutional Neural Networks) und klassische ChemometriePLS, PCA) — ausgewählt für den konkreten Messfall. Dieses Material zeigt die Mechanik.
PLS und PCA setzen eine annähernd lineare Abhängigkeit zwischen dem Spektrum und der gemessenen Prozessgröße voraus.
Nachfolgend zwei unabhängige Evidenzquellen: (A) aggregierte Metriken aus einem breiteren Testdatensatzpls_vs_cnn_metrics.csv) und (B) ein konkreter Produktions-Run mit 7 Referenzmessungenlepkosc_2026-06-01.csv), der zeigt, wo genau die Abweichung beginnt.
Metriken berechnet auf dem vollständigen Testdatensatz, unabhängig vom Run aus Abschnitt B. Jede Zeile zeigt dieselbe.
Dieselbe Viskosität, derselbe Prozesszeitpunkt, drei unabhängige Quellen: zwei Modelle, die parallel aus denselben.
Für jeden der 7 Zeitpunkte, an denen der Kunde eine unabhängige Referenzmessung durchgeführt hat, vergleichen wir die zeitlich.
| Zeit | Referenz | CNN | CNN-Fehler | PLS | PLS-Fehler | Näher an der Referenz |
|---|
Von den 7 geprüften Punkten liegt PLS einmal näher an der Referenz — bei der niedrigsten Viskosität (ca. 90 E., Prozessstart,.
Der Unterschied ist nicht konstant — er wächst mit der Nichtlinearität des Prozesses. Das ist ein Argument für einen hybriden Stack, nicht für.
Linearer Bereich (Prozessstart)
Bei niedriger Viskosität (ca. 90 E.) liefern PLS und CNN einen vergleichbaren, kleinen Fehler — PLS lag hier sogar geringfügig.
Nichtlinearer Bereich (Mitte und Ende des Runs)
Oberhalb von ca. 350 E. wächst der PLS-Fehler schneller als der CNN-Fehler — auf dem vollständigen Testdatensatz erreicht der Unterschied.
Fazit für den Stack
Wir wählen die Modellkomponente nach dem Charakter des Prozesses, nicht umgekehrt. Dieser Run ist ein Beleg für die Mechanik.
Wir verwenden Cookies, damit die Website ordnungsgemäß funktioniert, um den Verkehr zu messen und Marketing zu personalisieren, jedoch nur mit Ihrer Zustimmung.