Sintesi non tecnica
- Che cosa risolve
- Le analisi di laboratorio arrivano ogni poche ore: nel frattempo la qualità del prodotto è ignota.
- A chi può servire
- Chi si occupa di controllo qualità di processo e chi studia sensori virtuali.
- Che cosa produce
- Una stima continua della qualità con il suo margine di errore, e un segnale quando la stima non è affidabile. Su dati simulati, non reali.
Mostrare come un soft sensor possa stimare qualità tra campioni di laboratorio, riconoscendo anche quando deve astenersi.
3 · Cosa produce
Stima/intervallo split-conformal, domain status, controllo OOD e contesto del benchmark congelato.
Le card mostrano più viste dello stesso workflow per distinguere risultato, metodo, evidenze e storico. Dati sintetici (dati simulati) nel benchmark corrente.
4 · Come funziona
Delayed-label estimation + OOD abstention
1sensori processo + laboratorio ritardato con rumore/QC
2Linear, PLS, Ridge, Random Forest, Gradient Boosting; Isolation Forest OOD
3RMSE/MAE/bias/coverage, skill vs ultimo lab, split-conformal e truth-vs-lab; risk-coverage solo diagnostico
4Persistenza, rendering e pubblicazione governata.
5 · Dati e segnali
| Elemento | Dettaglio |
|---|---|
| Dati e segnali | sensori processo + laboratorio ritardato con rumore/QC |
| Trasferibilità industriale | soft sensor, inferential measurement e quality monitoring |
| Ricerca | coverage conformale, OOD come distanza dal dominio ed errore modello vs incertezza laboratorio |
| Condizione di lettura | truth e laboratorio sono simulati; nessuna prestazione reale dichiarata |
Linear, PLS, Ridge, Random Forest, Gradient Boosting; Isolation Forest OOD
RMSE/MAE/bias/coverage, skill vs ultimo lab, split-conformal e truth-vs-lab; risk-coverage solo diagnostico
Python, pandas, scikit-learn, SQLite, Matplotlib
leakage dal valore vero o soft sensor che risponde fuori dominio
Dossier tecnico del workflow
Metodi, verifiche, stack e condizioni di trasferibilità.
Dati e segnali
sensori processo + laboratorio ritardato con rumore/QC
Inferenza / calcolo
Linear, PLS, Ridge, Random Forest, Gradient Boosting; Isolation Forest OOD
Validazione
RMSE/MAE/bias/coverage, skill vs ultimo lab, split-conformal e truth-vs-lab; risk-coverage solo diagnostico
Stack
Python, pandas, scikit-learn, SQLite, Matplotlib
Limiti
leakage dal valore vero o soft sensor che risponde fuori dominio
Vedi gli output recenti
La pagina Pubblicazioni raccoglie anteprime locali e, su richiesta, il feed pubblico.
Possibile trasferibilità
Hai un problema che assomiglia a Virtual Analyzer?
Il primo confronto può partire da obiettivo, dati disponibili e criterio di successo, senza inviare informazioni riservate. Un risultato osservato qui non viene assunto automaticamente valido in un altro contesto.