校准模型的性能完全取决于输入数据的质量。在中试工厂单元操作中，研究人员需要结构化的样本选择方法——而非随机取样——才能为过程分析仪构建稳健的校准数据集。三种有科学依据的方法分别是基于距离选择法、D-最优设计法和基于层次聚类分析（HCA）选择法三种方法都从常规历史数据中选取代表性子集，但它们在覆盖多元空间和处理复杂过程动态性方面差异显著。
常规中试工厂数据通常分布不均，且充斥着异常值。直接使用所有可用扫描数据或随机选取光谱，得到的模型在非线性条件下会失效。正确的样本选择方法能够系统覆盖整个操作区间——包括区间边缘和内部——让校准模型真正反映过程实际。
为什么中试工厂需要更科学的样本选择
中试工厂是动态的研究环境。过程条件会漂移、原料来源会变化，还会出现意外扰动。由易得数据构建的校准数据集往往会生成脆弱模型，仅能在大多数常规点聚集的狭窄区间内工作。样本选择方法通过构建信息量最大（而非仅体积最大）的训练集解决了这一问题。
忽略数据空间的代价
近红外（NIR）或拉曼光谱仪等过程分析仪依赖多元模型，这类模型外推能力很差。如果校准集遗漏了低温或高粘度条件，当过程 inevitably 进入这些状态时，模型会产生极不准确的预测。这在中试工厂中尤其危险，因为中试的核心目的就是探索操作边界。代表性数据集是预防不可约预测误差的保障。
不止于表面——处理非线性
许多单元操作——反应精馏、聚合、结晶——都表现出强非线性行为。仅覆盖“舒适”中间区域的校准集无法捕捉曲率。有目的的样本选择会强制纳入边缘案例和过渡状态，为模型提供正确近似非线性关系所需的支撑。
三种经过验证的选择方法
权威文献总结了三种算法策略，方法选择取决于你对计算量和内部数据覆盖质量的权衡。
基于距离选择法
这种方法迭代选取距离均值最远、且彼此距离最远的样本，可以理解为寻找数据云的“角点”。它擅长定义操作空间的最外层边界，这对避免外推至关重要。但它存在一个盲点：它会忽略中心区域。仅由边界点构建的模型在过程核心区域的插值精度可能不佳，尤其是仅在中区间显现的非线性情况下。为弥补这一缺陷，研究人员通常会在算法运行后手动添加少量分布均匀的中心样本。
D-最优设计法
D-最优选择最大化所选子集信息矩阵的行列式。从几何角度看，它最大化了所选光谱在多元空间中张成的体积。和基于距离选择法类似，它自然会向极端点倾斜。核心优势是统计效率：它能用最小的子集获得最大的模型支撑。对中试工厂而言，它的缺点和距离法相同——严重偏向边缘。如果你的操作已知存在显著非线性，必须主动引入内部样本，防止模型在正常中区间条件下“失效”。
基于层次聚类分析（HCA）选择法
HCA首先根据光谱相似性将整个数据集划分为自然聚类，然后从每个聚类中选取一个代表性样本。这是唯一一种原生覆盖整个空间——同时覆盖边缘和密集内部区域——的方法。通过对所有聚类采样，你会自动得到平衡的数据集，适配中试工厂操作的多模态特性（例如不同产品等级、开工、停工）。该方法的权衡在于计算：对大型数据集做HCA需要更多时间和内存。但对现代计算机而言，这很少会成为中试工厂历史数据规模下的限制因素。
理解权衡关系
没有一种方法 universally 更优。你的决策需要权衡模型稳健性、计算实用性和单元操作的物理特性。
边界与内部的矛盾
基于距离法和D-最优法都擅长回答这个问题：“我的模型绝对不能超出的最大范围是什么？”这很有价值，但并不完整。如果你的精馏塔存在非线性温度分布，仅用最热和最冷运行训练得到的模型会错误预测正常操作点。添加内部样本这项额外人工工作是很容易被忽略的关键步骤。
计算成本 vs 数据代表性
HCA无需人工干预就能得到最具自然代表性的数据集。但对于包含数十万光谱的历史数据库，聚类步骤可能会比较慢。实际上，大多数中试实验产生的数据规模都可控，因此HCA是非常有吸引力的默认选择。真正的风险是，对速度的追求会让你选择更简单的方法，悄无声息地生成有偏模型——这种偏差只有在关键实验运行时才会暴露。
垃圾进，垃圾出
这些选择方法都假设你的原始数据集已经“足够干净”。如果你的常规数据中存在传感器污染或采样系统故障导致的严重异常值，这些异常值会成为极端边界聚类并被选中。在运行任何选择算法前，一定要先做适当的预处理和异常值检测。此外，请记住过程分析的一条基本规则：没有任何选择方法能修复物理采样偏差。如果你的抓取采样系统存在严重的增量划界误差，即使是完美子集也会产生不可接受的高预测误差，因为训练目标值本身就是错的。
为你的中试工厂做出正确选择
你的最终目标是构建能够覆盖全范围计划实验、应对不可避免过程偏移的校准模型。可参考以下指南，根据自身情况选择方法。
- 如果你的核心需求是处理特性明确、基本线性的过程，想要获得统计效率最高的数据集：优先选择D-最优设计法。做好准备手动验证并添加少量中区间样本，防范 subtle 曲率问题。
- 如果你的核心需求是绘制高非线性单元操作的图谱，或者想要无需人工调整就能获得最具代表性的数据集：选择基于层次聚类分析（HCA）选择法。对内部空间的自动覆盖既能节省时间，还能大幅降低模型偏差。
- 如果你的核心需求是处理超大规模数据集，追求计算速度，且可以容忍算法运行后进行少量人工调整：使用基于距离选择法。算法运行结束后，通过检查平均光谱及其最近操作邻域，添加少量中心点。
选择正确的样本选择方法，就能把原始杂乱的中试数据转化为战略资产。这决定了你的校准模型是仅在验证图上看起来不错，还是能在实验刻意将过程推到极限时，持续提供准确测量结果。
汇总表：
| 方法 | 核心关注点 | 适用场景 | 主要缺点 |
|---|---|---|---|
| 基于距离法 | 选取距离均值最远的点 | 定义外边界极限 | 忽略中心/中区间数据 |
| D-最优设计法 | 最大化多元空间体积 | 小子集的统计效率 | 偏向边缘；忽略曲率 |
| 基于HCA法 | 按光谱相似性分组 | 均衡覆盖边缘与内部 | 计算量更高 |
借助LABPARK高精度中试工厂拓展你的研究
选择LABPARK，构建更精准的校准模型，实现可靠的过程控制。我们提供针对大学、研究机构和企业定制的先进化工、生物工艺与生物技术、环境水处理领域教学与职业单元操作中试工厂。
准备好优化你的中试工厂运营了吗？立即联系我们，开启合作！
