Name: O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression (Vidéo) | JoVE Journal
Uploaded: 2019-11-08T12:30:00.000+00:00
Duration: 6 min 50 s
Description: Découvrez la prédiction de concentration d'o-crésol par spectroscopie proche infrarouge et régression PLS. Cette méthode permet un suivi en temps réel pour optimiser la production industrielle de polyéther de phénylène.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ces travaux ont été soutenus par la National Natural Science Foundation of China (Grant Nos. 61722306 et 61473137) et le National First-class Discipline Program of Light Industry Technology and Engineering (LITE2018-025).

1. Acquisition de données de spectre NIR avec spectromètre de processus de transformation Fourier (FT)-NIR
<ol><li>Installez la sonde de fibre optique de phase liquide du spectromètre proche infrarouge à la sortie du produit d'éther de polyphényle. Et ouvrez le logiciel OPUS sur l'ordinateur supérieur connecté à l'instrument et commencez à configurer la mesure.</li>
	<li>Connexion au spectromètre
	<ol>
<li>Dans le menu Mesure, sélectionnez la commande Deconfiguration optique et service, ou cliquez sur l'icône à partir de la barre d'outils.</li>
		<li>Sur le dialogue qui s'ouvre, cliquez sur l'onglet Banc optique .</li>
		<li>Vérifiez si les paramètres du spectromètre sont corrects. Si oui, fermez le dialogue. Si non, continuez avec l'étape 4.</li>
		<li>Dans la liste de déroulant configuration, sélectionnez le type de spectromètre particulier.</li>
		<li>Entrez l'adresse IP du spectromètre dans le champ d'entrée de l'URL du banc optique.</li>
		<li>Cliquez sur le bouton Connect.</li>
	</ol></li>
	<li>Configuration des paramètres de mesure
	<ol>
<li>Dans le menu Mesure, sélectionnez la commande Mesure ou cliquez sur l'icône à partir de la barre d'outils.</li>
		<li>Sur le dialogue qui s'ouvre, définissez les paramètres de mesure sur les différents onglets. REMARQUE : Les détails sur les paramètres de mesure individuels sont décrits dans le manuel de référence OPUS.</li>
		<li>Cliquez sur le bouton Accepter et sortir. </li>
	</ol></li>
	<li>Stockage du fichier d'expérience
	<ol>
<li>Dans le menu Mesure, sélectionnez la commande de mesure avancée. Ensuite, cliquez sur l'onglet Advanced.</li>
		<li>Sur le dialogue qui s'ouvre, définissez la résolution comme 4 cm-1.</li>
		<li>Définissez le nombre d'analyses en tant que 16 scans dans les champs d'entrée de l'échantillon/analyse de fond.</li>
		<li>Définir le chemin pour stocker automatiquement les données de mesure de 4 000 cm-1-12 500 cm-1.</li>
		<li>Déterminer le type de données pour le spectre de résultat comme Absorbance.</li>
		<li>Cliquez sur le bouton Enregistrer. </li>
		<li>Sur le dialogue qui s'ouvre, définissez un nom pour le fichier d'expérience et enregistrez ce nom.</li>
	</ol></li>
	<li>Mesure du spectre de fond
	<ol>
<li>Dans le menu Mesure, sélectionnez la commande de mesure avancée.</li>
		<li>Cliquez sur l'onglet Optique. </li>
		<li>Sur le dialogue qui s'ouvre, cliquez sur la liste de dénotation de réglage d'ouverture et sélectionnez la même valeur utilisée pour acquérir un spectre d'échantillon.</li>
		<li>Cliquez sur l'onglet Base.</li>
		<li>Sur le dialogue qui s'ouvre, cliquez sur le bouton Contexte Single Channel.</li>
	</ol></li>
	<li>Mesure du spectre de l'échantillon
	<ol>
<li>Placez l'échantillon dans la trajectoire optique du spectromètre. La façon dont cela est fait dépend de la configuration du spectromètre.</li>
		<li>Dans le menu Mesure, sélectionnez la commande de mesure avancée.</li>
		<li>Cliquez sur l'onglet Base.</li>
		<li>Sur le dialogue qui s'ouvre, définissez la description de l'échantillon et le formulaire d'échantillon dans le champ d'entrée particulier. Ces informations sont stockées avec le spectre.</li>
		<li>Cliquez sur le bouton Exemple de canal unique pour commencer la mesure en ligne. Et enregistrer le spectre NIR de chaque analyse que le fichier OPUS.
</li>
	</ol></li>
	<li>Recueillir les échantillons de polyphénylène tous les 6 h et tester la concentration d'o-cresol avec chromatographie liquide dans le laboratoire de l'industrie pour obtenir une valeur de référence chimique. REMARQUE : Le personnel de laboratoire du champ de l'industrie prend chaque échantillon d'éther de polyphényle de la sortie de l'éther de polyphényle de phase liquide. La teneur en o-cresol dans chaque échantillon a été mesurée trois fois par chromatographie liquide. Ensuite, la valeur moyenne des résultats de l'analyse à trois reprises a été prise comme valeur de référence de la teneur en o-cresol pour réduire l'erreur accidentelle.</li>
	<li>Obtenir 600 valeurs de référence chimiques de concentration d'o-cresol en laboratoire. La gamme d'étalonnage de la concentration d'o-cresol est de 42.1063 mg/1 g produit d'éther de polyphényle à 51.6763 mg/1 g produit d'éther de polyphényle.</li>
	<li>Combinez les spectres NIR aux heures d'essai données avec les valeurs de référence chimiques de la concentration d'o-cresol.</li>
	<li>Utilisez le logiciel OPUS pour lire l'ensemble spectral original comme indiqué dans la figure 1.<ol>
<li>Dans le menu Fichier, cliquez sur la commande Du fichier de charge.</li>
		<li>Sur le dialogue qui s'ouvre, sélectionnez le fichier de spectre particulier.</li>
		<li>Cliquez sur le bouton Ouvrez. Le spectre est affiché dans la fenêtre du spectre.</li>
	</ol></li>
</ol>2. Pré-traitement des données de spectroscopie NIR
<ol><li>Avec la fonction de prétraitement spectral, obtenir un jeu de données spectrales prétraité avec un dérivé de premier ordre.<ol>
<li>Ouvrez Le Unscrambler qui est un logiciel multivarié d'analyse de données et de conception expérimentale, sélectionnez la commande d'importation sous Fichier. Importer le fichier OPUS comme jeu de données spectrales NIR d'origine.</li>
		<li>Sélectionnez Transformer la commande sous Modifier. Et sélectionnez les dérivés Savitzky Golay sous Dérivés.</li>
		<li>Définir les échantillons et les variables comme tous les échantillons et toutes les variables dans la portée. Et définir le nombre de points de lissage comme 13 et le dérivé comme1er dérivé dans paramètres.</li>
		<li>Cliquez OK pour démarrer le dérivé. CAUTION: L'augmentation de la douceur peut réduire les fortes fluctuations de la courbe, réduire l'effet de bruit, mais aussi affaiblir les caractéristiques de la courbe et de rendre la courbe déformée. Par conséquent, la douceur appropriée choisie en fonction de l'observation de l'intensité réelle de fluctuation de la courbe et de l'effet après le traitement.</li>
	</ol>
</li>
	<li>Effectuer une normalisation vectorielle sur les spectres de l'échantillon pour normaliser la valeur de l'absorption.<ol>
<li>Sélectionnez la commande de normalisation sous Modifier.</li>
		<li>Définir les échantillons et les variables comme tous les échantillons et toutes les variables dans la portée.</li>
		<li>Sélectionnez la normalisation vectorielle dans le type.
</li>
		<li>Cliquez sur OK pour effectuer la normalisation des vecteurs.</li>
	</ol>
</li>
</ol>3. Établissement du modèle PLSR
<ol><li>Création de l'ensemble de données spectrales NIR
	<ol>
<li>Ouvrez Uncrambler. exe, sélectionnez Export under File avec les fichiers Matlab pour exporter les données spectrales prétraitées dans le fichier .mat et pour obtenir automatiquement l'ensemble de données spectrales X avec 2203 variables.</li>
		<li>Obtenir un ensemble de données spectrales NIR complet X (une matrice de 600 lignes et 2203 colonnes) et les valeurs de référence chimiques correspondantes Y (un vecteur de 600 lignes) sous la forme d'un fichier .mat pour l'analyse et la modélisation ultérieures.</li>
	</ol></li>
	<li>Sélection du nombre approprié de composants principaux
	<ol>
<li>Ouvrez Matlab et importez le fichier .mat contenant les données spectrales pré-traitées proche infrarouge dans l'espace de travail en faisant glisser le fichier .mat dans l'espace de travail. REMARQUE : Le fichier .mat stocke les données spectrales proche infrarouge X comme variable indépendante et la teneur en o-cresol du produit en tant que variable dépendante sous la forme de deux matrices.</li>
		<li>Ouvrez le fichier .m programmé dans l'éditeur. Cliquez sur Ouvrez sous l'option Éditeur, sélectionnez le fichier .m compilé dans l'annuaire de stockage de fichiers, puis cliquez sur Confirmer.</li>
		<li>Extraire 15 composants principaux selon l'objectif d'optimisation de l'équation 1 et du modèle OLSR entre les composants principaux extraits et les valeurs prévues de la concentration d'o-cresol avec le programme contenant le plsrégresse de commande() dans Matlab. [XL, YL, XS, YS, BETA, PCTVAR, MSE] - plsregress(X,Y,ncomp,'CV',k); Consultez le document d'aide MATLAB pour obtenir les détails d'utilisation et la valeur de retour. REMARQUE: <img alt="Equation 3" src="/files/ftp_upload/59077/59077eq3.jpg"> Équation 1<img alt="Equation 4" src="/files/ftp_upload/59077/59077eq4.jpg"> <img alt="Equation 5" src="/files/ftp_upload/59077/59077eq5.jpg">, <img alt="Equation 6" src="/files/ftp_upload/59077/59077eq6.jpg"> et est le ie principaux composants des données spectrales NIR; <img alt="Equation 7" src="/files/ftp_upload/59077/59077eq7.jpg">est la projection des principaux composants ith des données spectrales NIR; <img alt="Equation 8" src="/files/ftp_upload/59077/59077eq8.jpg">est le coefficient de corrélation Pearson pour les composants principaux ith et la concentration d'o-cresol.</li>
		<li>Obtenir <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> la valeur des données spectrales NIR et les valeurs prévues pour les différents composants principaux à l'aide de l'équation 2. REMARQUE: <img alt="Equation 9" src="/files/ftp_upload/59077/59077eq9.jpg"> Équation 2 <img alt="Equation 10" src="/files/ftp_upload/59077/59077eq10.jpg">est la somme des carrés dus <img alt="Equation 11" src="/files/ftp_upload/59077/59077eq11.jpg"> à l'erreur et est définie comme ; <img alt="Equation 12" src="/files/ftp_upload/59077/59077eq12.jpg">est la somme totale des carrés <img alt="Equation 13" src="/files/ftp_upload/59077/59077eq13.jpg"> et est définie comme ; <img alt="Equation 14" src="/files/ftp_upload/59077/59077eq14.jpg">est la valeur de référence de la concentration o-cresol de l'ensemble de données d'essai; <img alt="Equation 15" src="/files/ftp_upload/59077/59077eq15.jpg">est la valeur prévue de la concentration o-cresol de l'ensemble de données d'essai; <img alt="Equation 16" src="/files/ftp_upload/59077/59077eq16.jpg">est la valeur moyenne de la valeur de référence de la concentration o-cresol de l'ensemble de données d'essai; <img alt="Equation 17" src="/files/ftp_upload/59077/59077eq17.jpg">est le nombre d'échantillons de données d'essai.</li>
		<li>Déterminer <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> les valeurs et la tendance avec l'augmentation du nombre de composantes principales comme le montre la figure 2. Sélectionnez 10 comme nombre approprié de <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> composants principaux d'une valeur de 0,9917. REMARQUE<img alt="Equation 18" src="/files/ftp_upload/59077/59077eq18.jpg"> : la valeur est la proportion de la variance dans la variable dépendante qui est prévisible par les variables indépendantes. Plus la <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> valeur est élevée, plus la bonté de l'ajustement est élevée et vice versa.</li>
	</ol></li>
	<li>Validation de la bonté de l'ajustement et de la précision du modèle PLSR avec 10 composants principaux en utilisant la commande plsregress().
	<ol>
<li>Répétez le processus de modélisation avec 10 composants principaux en tant qu'étapes 3.2.1-3.2.5 avec 10 composants principaux.</li>
		<li>Évaluer le modèle à partir d'une validation croisée 10 fois à l'aide des parcelles de la variance pour cent expliquées dans les données spectrales NIR, les résidus et le MSPECV.</li>
		<li>Tracer la variance pour cent expliquée dans les données spectrales NIR, les résidus, et le MSPECV comme Figures 3, 4, et 5.</li>
		<li>Tabulate les indicateurs <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> d'évaluation de ,<img alt="Equation 2" src="/files/ftp_upload/59077/59077eq2.jpg">, et MSPE de validation croisée 10 fois pour le modèle PLSR pour une analyse quantitative comme indiqué dans le tableau 1. REMARQUE: Les équations de <img alt="Equation 2" src="/files/ftp_upload/59077/59077eq2.jpg"> et MSPE sont présentées comme l'équation 3 et l'équation 4. <img alt="Equation 19" src="/files/ftp_upload/59077/59077eq19.jpg">Équation 3 <img alt="Equation 20" src="/files/ftp_upload/59077/59077eq20.jpg">Équation 4 <img alt="Equation 21" src="/files/ftp_upload/59077/59077eq21.jpg">est la covariance de la valeur de référence et de la valeur prévue de la concentration d'o-cresol; <img alt="Equation 22" src="/files/ftp_upload/59077/59077eq22.jpg"> est l'écart standard de la valeur de référence de la concentration d'o-cresol; <img alt="Equation 23" src="/files/ftp_upload/59077/59077eq23.jpg">est l'écart standard de la valeur prévue de la concentration d'o-cresol.</li>
	</ol></li>
</ol>

<ol><li>Nicolai, B. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nondestructive+measurement+of+fruit+and+vegetable+quality+by+means+of+NIR+spectroscopy%3A+A+review%5BTitle%5D)+AND+%22Postharvest+Biology+and+Technology%22%5BJournal%5D)">Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review.</a> Postharvest Biology and Technology. 46 (2), 99-118 (2007).</li>
<li>Chang, C. W., Laird, D. A., Mausbach, M. J., Hurburgh, C. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Near-infrared+reflectance+spectroscopy-principal+components+regression+analyses+of+soil+properties%5BTitle%5D)+AND+%22Soil+Science+Society+of+America+Journal%22%5BJournal%5D)">Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties.</a> Soil Science Society of America Journal. 65 (2), 480-490 (2001).</li>
<li>Chen, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Near-infrared+spectroscopy+for+rapid+evaluation+of+different+processing+products+of+Sophora+japonica%5BTitle%5D)+AND+%22L.+Spectroscopy+Letters%22%5BJournal%5D)">Near-infrared spectroscopy for rapid evaluation of different processing products of Sophora japonica.</a> L. Spectroscopy Letters. 51 (1), 37-44 (2018).</li>
<li>Cayuela, J. A., Garcia, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nondestructive+measurement+of+squalene+in+olive+oil+by+near+infrared+spectroscopy%5BTitle%5D)+AND+%22LWT-FOOD+SCIENCE+AND+TECHNOLOGY%22%5BJournal%5D)">Nondestructive measurement of squalene in olive oil by near infrared spectroscopy.</a> LWT-FOOD SCIENCE AND TECHNOLOGY. 88, 103-108 (2018).</li>
<li>Joaquim, M. Polyphenyl Ether Lubricants. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aJoaquim%2C+M+%22Synthetic+Lubricants+and+High-performance+Functional%22">Synthetic Lubricants and High-performance Functional</a>. Rudnick, R. L., Shubkin, R. L. , Marcel Dekker, Inc. NY. 239(1999).</li>
<li>Grabowska, H., Kaczmarczyk, W., Wrzyszcz, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Synthesis+of+2%2C6-Xylenol+by+Alkylation+of+Phenol+with+Methanol%5BTitle%5D)+AND+%22Applied+Catalysis%22%5BJournal%5D)">Synthesis of 2,6-Xylenol by Alkylation of Phenol with Methanol.</a> Applied Catalysis. 47 (2), 351-355 (1989).</li>
<li>Jeon, D. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Determination+of+volatile+organic+compounds%2C+catechins%2C+caffeine+and+theanine+in+Jukro+tea+at+three+growth+stages+by+chromatographic+and+spectrometric+methods%5BTitle%5D)+AND+%22FOOD+CHEMISTRY%22%5BJournal%5D)">Determination of volatile organic compounds, catechins, caffeine and theanine in Jukro tea at three growth stages by chromatographic and spectrometric methods.</a> FOOD CHEMISTRY. 219, 443-452 (2016).</li>
<li>Davidyuk, E. I., Demchenko, V. F., Klisenko, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rapid+group+separation+and+identification+of+chlorinated+organic+compounds+by+high+performance+liquid+chromatography%5BTitle%5D)+AND+%22JOURNAL+OF+ANALYTICAL+CHEMISTRY%22%5BJournal%5D)">Rapid group separation and identification of chlorinated organic compounds by high performance liquid chromatography.</a> JOURNAL OF ANALYTICAL CHEMISTRY. 52 (11), 1058-1065 (1997).</li>
<li>Rinnan, A., Berg, F., Engelsen, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Review+of+the+most+common+pre-processing+techniques+for+near-infrared+spectra%5BTitle%5D)+AND+%22TrAC+Trends+in+Analytical+Chemistry%22%5BJournal%5D)">Review of the most common pre-processing techniques for near-infrared spectra.</a> TrAC Trends in Analytical Chemistry. 28 (10), 1201-1222 (2009).</li>
<li>Zou, X. B., Zhao, J. W., Povey, M. J. W., Holmes, M., Mao, H. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Variables+selection+methods+in+near-infrared+spectroscopy%5BTitle%5D)+AND+%22Analytica+Chimica+Acta%22%5BJournal%5D)">Variables selection methods in near-infrared spectroscopy.</a> Analytica Chimica Acta. (1-2), 14-32 (2010).</li>
<li>Dunn, B. W., Beecher, H. G., Batten, G. D., Ciavarella, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+potential+of+near-infrared+reflectance+spectroscopy+for+soil+analysis+-+a+case+study+from+the+Riverine+Plain+of+south-eastern+Australia%5BTitle%5D)+AND+%22Australian+Journal+of+Experimental+Agriculture%22%5BJournal%5D)">The potential of near-infrared reflectance spectroscopy for soil analysis - a case study from the Riverine Plain of south-eastern Australia.</a> Australian Journal of Experimental Agriculture. 42 (5), 607-614 (2002).</li>
<li>Wang, C. K., Zhang, T. L., Pan, X. Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Potential+of+visible+and+near-infrared+reflectance+spectroscopy+for+the+determination+of+rare+earth+elements+in+soil%5BTitle%5D)+AND+%22Geoderma%22%5BJournal%5D)">Potential of visible and near-infrared reflectance spectroscopy for the determination of rare earth elements in soil.</a> Geoderma. 306, 120-126 (2017).</li>
<li>Gatius, F., Miralbes, C., David, C., Puy, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+CCA+and+PLS+to+explore+and+model+NIR+data%5BTitle%5D)+AND+%22Chemometrics+and+Intelligent+Laboratory+Systems%22%5BJournal%5D)">Comparison of CCA and PLS to explore and model NIR data.</a> Chemometrics and Intelligent Laboratory Systems. , 76-82 (2017).</li>
<li>Wold, S., Sjostrom, M., Eriksson, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PLS-regression%3A+a+basic+tool+of+chemometrics%5BTitle%5D)+AND+%22Chemometrics+%26+Intelligent+Laboratory%22%5BJournal%5D)">PLS-regression: a basic tool of chemometrics.</a> Chemometrics & Intelligent Laboratory. 58 (2), 109-130 (2001).</li>
<li>Douglas, R. K., Nawar, S., Alamar, M. C., Mouazen, A. M., Coulon, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rapid+prediction+of+total+petroleum+hydrocarbons+concentration+in+contaminated+soil+using+vis-NIR+spectroscopy+and+regression+techniques%5BTitle%5D)+AND+%22SCIENCE+OF+THE+TOTAL+ENVIRONMENT%22%5BJournal%5D)">Rapid prediction of total petroleum hydrocarbons concentration in contaminated soil using vis-NIR spectroscopy and regression techniques.</a> SCIENCE OF THE TOTAL ENVIRONMENT. 616, 147-155 (2017).</li>
<li>Grassi, S., Alamprese, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advances+in+NIR+spectroscopy+applied+to+process+analytical+technology+in+food+industries%5BTitle%5D)+AND+%22CURRENT+OPINION+IN+FOOD+SCIENCE%22%5BJournal%5D)">Advances in NIR spectroscopy applied to process analytical technology in food industries.</a> CURRENT OPINION IN FOOD SCIENCE. 22 (SI), 17-21 (2018).</li>
<li>Trung, T., Downes, G., Meder, R., Allison, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pulp+mill+and+chemical+recovery+control+with+advanced+analysers+-+from+trees+to+final+product%5BTitle%5D)+AND+%22APPITA%22%5BJournal%5D)">Pulp mill and chemical recovery control with advanced analysers - from trees to final product.</a> APPITA. 68 (1), 39-46 (2015).</li>
<li>Vann, L., Sheppard, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+near-infrared+spectroscopy+%28NIRs%29+in+the+biopharmaceutical+industry+for+real-time+determination+of+critical+process+parameters+and+integration+of+advanced+feedback+control+strategies+using+MIDUS+control%5BTitle%5D)+AND+%22Journal+of+Industrial+Microbiology%26+Biotechnology%22%5BJournal%5D)">Use of near-infrared spectroscopy (NIRs) in the biopharmaceutical industry for real-time determination of critical process parameters and integration of advanced feedback control strategies using MIDUS control.</a> Journal of Industrial Microbiology& Biotechnology. 44 (12), 1589-1603 (2017).</li>
<li>Modrono, S., Soldado, A., Martinez-Fernandez, A., de la Roza-Delgado, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Handheld+NIRS+sensors+for+routine+compound+feed+quality+control%3A+Real+time+analysis+and+field+monitoring%5BTitle%5D)+AND+%22TALANTA%22%5BJournal%5D)">Handheld NIRS sensors for routine compound feed quality control: Real time analysis and field monitoring.</a> TALANTA. 162, 597-603 (2017).</li>
</ol>

Les auteurs n'ont rien à révéler.

Ce protocole décrit le processus d'exécution du PLSR sur la mesure de la concentration d'o-cresol restant dans le produit liquide de l'éther de polyphénylène avec NIRS.
Les deux étapes critiques de ce processus sont le prétraitement des données spectrales NIR originales et la sélection des variables des données spectrales NIR de haute dimension.
En général, l'interférence de fond non systématique conduit à l'écart de diffusion non systématique ou à la dérive de base...

La spectroscopie infrarouge proche (NIR) a été largement acceptée en tant que technologie d'analyse moderne rapide, efficace, non destructive et non polluante; la méthode a été utilisée au cours des dernières années pour la détection et l'analyse de la qualité des produits et la mesure des composants chimiques dans les procédés industriels. La spécialité la plus essentielle de la méthode est sa capacité à enregistrer des spectres pour les échantillons solides et liquides sans aucun pré-traitement, ce qui rend NIRS particulièrement adapté à la détection directe et rapide et l'analyse des produits naturels et synthétiques1,2. Contrairement aux capteurs traditionnels qui mesurent les variables du processus (p. ex. température, pression, niveau de liquide, etc.) à une échelle macroscopique et subissent inévitablement le bruit extérieur et l'interférence de fond, le NIRS détecte les informations structurelles de la composition chimique à des échelles microscopiques et moléculaires. Ainsi, l'information essentielle peut être mesurée avec plus de précision et de efficacité qu'avec d'autres méthodes3,4.
L'éther de polyphényle, comme l'un des plastiques d'ingénierie, sont largement employés en raison de sa résistance à la chaleur, retardant la flamme, isolation, propriétés électriques, stabilité dimensionnelle, résistance d'impact, résistance de fluage, force mécanique et d'autres propriétés5. Plus important encore, il est non toxique et inoffensif par rapport à d'autres plastiques d'ingénierie. À l'heure actuelle, 2,6-xylenol est l'une des matières premières de base pour la synthèse de l'éther de polyphénylène, et il est généralement préparé par alkylation catalysée du phénol avec la méthode de méthanol6. Il existe deux produits principaux de cette méthode de préparation, o-cresol et 2,6-xylenol. Après une série d'étapes de séparation et d'extraction, 2,6 xylenol est utilisé pour produire de l'éther de polyphénylène. Cependant, des quantités infimes d'o-cresol demeurent dans 2,6-xylenol. O-cresol ne participe pas à la synthèse de l'éther de polyphénylène et restera dans le produit d'éther de polyphénylène, ayant pour résultat une diminution de la qualité du produit ou même de la qualité inférieure. À l'heure actuelle, la plupart des entreprises analysent encore les compositions de mélanges organiques complexes tels que les produits d'éther de polyphényle de phase liquide contenant des impuretés (p. ex., o-cresol) par analyse de séparation physique ou chimique comme la chromatographie7,8. Le principe de séparation de la chromatographie est l'utilisation du mélange des compositions dans la phase fixe et la phase de flux dans la dissolution, l'analyse, l'adsorption, la desorption ou toute autre affinité des différences mineures dans la performance. Lorsque les deux phases se déplacent l'une par rapport à l'autre, les compositions sont séparées par les actions ci-dessus à plusieurs reprises dans les deux phases. Selon l'objet, il faut généralement quelques minutes à quelques dizaines de minutes pour effectuer une opération complexe de séparation des matériaux. On peut voir que l'efficacité de mesure est faible.
Aujourd'hui, la mesure de la qualité du produit et la technologie de contrôle avancée basée sur cette analyse pour l'industrie moderne des matériaux chimiques de procédé fin est la direction clé pour améliorer davantage la qualité du produit. Dans l'industrie des procédés de production d'éther de polyphényle, la mesure en temps réel de la teneur en o-crésol dans le produit d'éther de polyphénylène est d'une grande importance de développement. L'analyse chromatographique ne peut manifestement pas répondre aux exigences de la technologie de contrôle avancée pour la mesure en temps réel des substances et la rétroaction du signal. Par conséquent, nous proposons la méthode partielle de régression des moindres carrés (PLSR) pour établir un modèle linéaire entre les données NIRS et la concentration o-cresol, qui réalisent la mesure en ligne de la teneur en o-cresol dans le produit d'éther de polyphénylène liquide de sortie .
Le prétraitement du NIRS joue le rôle le plus important avant la modélisation statistique multivariée. Le nombre d'ondes NIRS dans le spectre NIR et la taille des particules des échantillons biologiques sont comparables, de sorte qu'il est connu pour les effets de dispersion inattendus qui ont une influence sur les spectres de l'échantillon enregistré. En exécutant des méthodes de prétraitement appropriées, ces effets sont faciles à éliminer en grande partie9. Les techniques de prétraitement les plus couramment utilisées dans le NIRS sont classées comme la correction de la diffusion et les méthodes dérivées spectrales. Le premier groupe de méthodes comprend la correction de dispersion multiplicative, la tendance, les transformations variates normales standard et la normalisation. Les méthodes de dérivation spectrale comprennent l'utilisation des premier et deuxième dérivés.
Avant d'élaborer un modèle de régression quantitative, il est important de supprimer les variations de dispersion non systématiques des données du NIRS parce qu'elles ont une influence significative sur l'exactitude du modèle prédictif, sa complexité et sa parcimonie. Le choix d'une méthode de prétraitement appropriée doit toujours dépendre de l'étape de modélisation ultérieure. Ici, si l'ensemble de données spectrales NIR ne suit pas la loi Lambert-Beer, alors d'autres facteurs tendent à compenser le comportement non idéal de la prédiction des composants prédits. L'inconvénient de l'existence de tels facteurs inutiles conduit à l'augmentation de la complexité du modèle, même très probablement, une réduction de la robustesse. Ainsi, l'application de dérivés spectrals et une normalisation conventionnelle des données spectrales est une partie essentielle de la méthode.
Après le prétraitement spectral, les données NIRS avec un rapport signal-bruit élevé et une faible interférence de fond sont obtenues. L'analyse Moderne de NIRS fournit l'acquisition rapide de grandes quantités d'absorption sur une gamme spectrale appropriée. La composition chimique de l'échantillon est ensuite prédite en extrayant les variables pertinentes à l'aide de l'information contenue dans la courbe spectrale. En général, NIRS est combiné avec des techniques d'analyse multivariées pour les analyses qualitatives ou quantitatives10. Une analyse multivariée de régression linéaire (MLR) est couramment utilisée pour développer et extraire la relation mathématique entre les données et les composants dans les processus industriels et a été largement utilisée dans l'analyse Du NIRS.
Cependant, il y a deux problèmes fondamentaux lors de la mise en œuvre d'un MLR pour les données NIRS prétraitées. Un problème est la redondance variable. La dimensionnalité élevée des données NIRS rend souvent la prédiction d'une variable dépendante peu fiable parce que les variables sont incluses qui n'ont aucune corrélation avec les composants. Ces variables redondantes réduisent l'efficacité de l'information des données spectrales et affectent l'exactitude du modèle. Afin d'éliminer la redondance variable, il est essentiel de développer et de maximiser la corrélation entre les données Du NIRS et les composants prévus.
Un autre problème est la question de la multicollinearité dans les données Du NIRS. L'une des hypothèses importantes des modèles de régression linéaire multiple est qu'il n'y a pas de relation linéaire entre l'une des variables explicatives du modèle de régression. Si cette relation linéaire existe, il est prouvé qu'il y a multicollinearity dans le modèle de régression linéaire et l'hypothèse est violée. Dans les régressions linéaires multiples, telles qu'une régression ordinaire des moindres carrés (OLSR), les corrélations multiples entre les variables affectent l'estimation du paramètre, augmentent l'erreur du modèle et affectent la stabilité du modèle. Pour éliminer la corrélation multilinéaire entre les données spectrales NIR, nous utilisons des méthodes de sélection variables qui maximisent la variabilité inhérente des échantillons.
Ici, nous proposons d'utiliser le PLSR, qui est une généralisation de la régression linéaire multiple qui a été largement utilisé dans le domaine de NIRS11,12. Le PLSR intègre les fonctions de base du MLR, de l'analyse canonique de corrélation (CCA) et de l'analyse des composants principaux (PCA) et combine l'analyse de prévision avec une analyse de connotation de données non-modèle. Le PLSR peut être divisé en deux parties. La première partie sélectionne les composants des variables caractéristiques et les composants prévus par analyse partielle des moindres carrés (PLS). PLS maximise la variabilité inhérente des composants principaux en rendant la covariance des principaux composants et des composants prévus aussi grand que possible lors de l'extraction des principaux composants. Ensuite, le modèle OLSR de concentration d'o-cresol est établi pour les principaux composants sélectionnés. PLSR convient à l'analyse de données bruyantes avec de nombreuses variables indépendantes qui sont fortement collinear et fortement corrélées et pour la modélisation simultanée de plusieurs variables de réponse. En outre, PLSR extrait l'information efficace des spectres d'échantillon, surmonte le problème de la multicollinearité, et a les avantages d'une forte stabilité et d'une haute précision de prédiction13,14.
Le protocole suivant décrit le processus d'utilisation du modèle PLSR pour mesurer la concentration d'o-cresol à l'aide de données spectrales NIR. La fiabilité et l'exactitude du modèle sont évaluées quantitativement en utilisant le coefficient de détermination (<img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg">), le coefficient de corrélation de prédiction (<img alt="Equation 2" src="/files/ftp_upload/59077/59077eq2.jpg">) et l'erreur de prédiction carrée moyenne de la validation croisée (MSPECV). De plus, pour montrer intuitivement les avantages du PLSR, les indicateurs d'évaluation sont visualisés en plusieurs parcelles pour une analyse qualitative. Enfin, les indicateurs d'évaluation d'une expérience sont présentés sous forme de tableau pour illustrer quantitativement la fiabilité et la précision du modèle PLSR.

<table><tbody><tr><td>Analyseur FT-NIR polyvalent MPA II</td><td>Sondes</td> à fibre optique Bruker <td>1</td><td></td></tr><tr><td>(phase liquide)</td><td>Analyseur de</td> chromatographie liquide Bruker <td>1</td><td></td></tr><tr><td>&nbsp ;</td><td>/</td><td>1</td><td></td></tr><tr><td>Équipement et fournitures de laboratoire (p. ex., éprouvette, etc.)</td><td>/</td><td></td><td></td></tr><tr><td>MATLAB</td><td>MathWork</td><td>1</td><td></td></tr><tr><td>OPUS</td><td>Bruker</td><td>1</td><td></td></tr><tr><td>Ordinateur principal</td><td>DELL</td><td>1</td><td></td></tr><tr><td>Le redresseur</td><td>CAMO</td><td>1</td><td></td></tr></tbody></table>

o-cresol concentration online measurement based on near infrared spectroscopy via partial least square regression

O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression

Contrairement aux variables de processus macroscopiques, la spectroscopie proche infrarouge fournit des informations sur les processus au niveau moléculaire et peut améliorer considérablement la prédiction des composants dans les processus industriels. La capacité d'enregistrer des spectres pour les échantillons solides et liquides sans aucun prétraitement est avantageuse et la méthode est largement utilisée. Cependant, les inconvénients de l'analyse des données spectrales à infrarouge proche de haute dimension comprennent la redondance de l'information et la multicollinedes des données spectrales. Ainsi, nous proposons d'utiliser la méthode partielle de régression des moindres carrés, qui a traditionnellement été utilisée pour réduire la dimensionnalité des données et éliminer la collinearité entre les caractéristiques d'origine. Nous mettons en œuvre la méthode pour prédire la concentration d'o-cresol pendant la production de l'éther de polyphénylène. L'approche proposée offre les avantages suivants par rapport aux méthodes de prédiction de régression des composants : 1) la régression partielle des moindres carrés résout le problème de multicollinerité des variables indépendantes et évite efficacement le surajustement, qui se produit dans un l'analyse de régression due à la forte corrélation entre les variables indépendantes; 2) l'utilisation des spectres proche infrarouge entraîne une grande précision parce qu'il s'agit d'une méthode non destructive et non polluante pour obtenir de l'information à des échelles microscopiques et moléculaires.

La valeur prévue de l'impureté o-cresol dans les produits d'éther de polyphényle est obtenue par la spectroscopie proche infrarouge basée sur PLSR. La figure 2 et la figure 3 montrent respectivement la fiabilité de la méthode à l'étape de sélection des entités à partir de la courbe du coefficient de décision et du pourcentage d'interprétation des erreurs qui augmente avec le nombre de composants principaux.
<p class="jove_content" fo:keep-together.wit...

Le protocole décrit une méthode de prévision de la concentration d'o-cresol pendant la production de l'éther de polyphénylène utilisant la spectroscopie proche infrarouge et la régression partielle de moins de carrés. Pour décrire le processus plus clairement et complètement, un exemple de prédiction de la concentration d'o-cresol pendant la production de polyphénylène est utilisé pour clarifier les étapes.

Unlike macroscopic process variables, near-infrared spectroscopy provides process information at the molecular level and can significantly improve the ...

L’importance de ce manuscrit expérimental réside dans les applications de la spectroscopie proche infrarouge et des algorithmes d’exploration de données à la surveillance en ligne de l’industrie réelle des procédés. Les plus grands avantages de cette technologie réside dans sa rapidité. La propriété non détruite de sa technologie de détection proche infrarouge et la pratique des moindres carrés partiels, ou PLS, algorithme.Pour commencer, connectez le spectromètre tel que décrit dans le protocole texte. Pour configurer les paramètres de mesure, utilisez le logiciel OPUS. Accédez au menu Mesurez et sélectionnez la commande De mesure avancée.Sur le dialogue qui s’ouvre, définissez les paramètres de mesure sur les différents onglets. Pour stocker le fichier d’expérience, cliquez sur l’onglet Advanced. Définissez la résolution comme quatre centimètres inverses.Définissez le nombre d’analyses comme 16 scans dans les champs d’entrée de temps de balayage d’arrière-plan de l’échantillon. Définissez le chemin pour stocker automatiquement les données de mesure de 4000 centimètres inverses à 12 500 centimètres inverses. Déterminez le type de données pour le spectre de résultat comme absorption, et enregistrez le fichier d’expérience.Cliquez maintenant sur l’onglet Optique. Cliquez sur la liste de décaissage de réglage d’ouverture et sélectionnez la même valeur utilisée pour acquérir un spectre d’échantillon. Cliquez ensuite sur l’onglet Basic.Cliquez sur le bouton Arrière-plan d’un seul canal et placez l’échantillon dans la trajectoire optique du spectromètre pour mesurer le spectre de l’échantillon. Définissez la description de l’échantillon et le formulaire d’échantillon dans le champ d’entrée particulier. Ces informations sont stockées avec le spectre.Cliquez maintenant sur le bouton Exemple de canal unique pour démarrer la mesure en ligne. Enregistrez le spectre NIR de chaque analyse en tant que fichier OPUS. Utilisez le logiciel OPUS pour lire l’ensemble spectral d’origine.Dans le menu Fichier, cliquez sur la commande Load File. Sur le dialogue qui s’ouvre, sélectionnez le fichier spectre particulier. Cliquez sur le bouton Ouvrir.Le spectre est affiché dans la fenêtre du spectre. Avec la fonction spectrale de pré-traitement, obtenir l’ensemble de données spectrales pré-traitées avec le dérivé de premier ordre. Ouvrez d’abord le Unscrambler, qui est un logiciel multivarié d’analyse de données et de conception expérimentale.Sélectionnez ensuite la commande Importation sous Fichier. Importez le fichier OPUS en tant qu’ensemble de données spectral nir original. Sélectionnez la commande Transform sous Modifier.Sélectionnez ensuite les dérivés Savitzky-Golay sous Dérivés. Définissez les échantillons et les variables comme tous les échantillons et toutes les variables de scope. Définissez également le nombre de points de lissage comme 13 et le dérivé comme premier dérivé dans Paramètres.Cliquez sur OK pour démarrer le dérivé. Effectuer la normalisation vectorielle sur les spectres de l’échantillon pour normaliser la valeur de l’absorption. Sélectionnez la commande de normalisation sous Modifier.Définissez les échantillons et les variables comme tous les échantillons et toutes les variables de scope. Sélectionnez la normalisation vectorielle dans le type. Cliquez sur OK pour effectuer la normalisation vectorielle.Pour sélectionner le nombre approprié de composants principaux, ouvrez MATLAB et importez le fichier MAT contenant les données spectrales proche infrarouge prétraitées en faisant glisser le fichier MAT vers l’espace de travail. Ouvrez le fichier M programmé dans l’éditeur. Cliquez sur Ouvrir sous l’option Éditeur, sélectionnez le fichier M compilé dans l’annuaire de stockage de fichiers, puis cliquez sur Confirmer.Travailler dans MATLAB pour extraire 15 composants principaux selon l’objectif d’optimisation et le modèle OLSR entre les composants principaux extraits et les valeurs prévues de la concentration d’O-cresol. Déterminez les valeurs au carré R et la tendance avec un nombre croissant de composants principaux. Sélectionnez 10 comme nombre approprié de composants principaux d’une valeur au carré R de 0,9917.Pour valider la qualité de l’ajustement et la précision du modèle PLSR, répétez le processus de modélisation avec 10 composants principaux. Évaluez le modèle en fonction d’une validation croisée 10 fois à l’aide des parcelles de la variance en pourcentage expliquées dans les données spectrales NIR, les résidus et l’erreur de prédiction carrée moyenne de validation croisée ou MSPECV. Les résidus sont tracés ici, qui se réfèrent à la différence entre la valeur de référence du contenu O-cresol et l’estimation du modèle PLSR.Les données tracées montrent que le PLSR pour la mesure de la teneur en O-cresol basé sur les données spectrales NIR a une grande précision. L’erreur carrée moyenne de validation croisée est une mesure du degré de différence entre la référence et le contenu O-cresol prévu. Plus la valeur est petite, meilleure est la précision du modèle prédictif décrivant le contenu d’O-cresol.Erreur de prédiction carrée moyenne de validation croisée pour la mesure de concentration o-cresol basée sur le PLSR diminue à mesure que le nombre de composants principaux augmente. L’erreur atteint un minimum acceptable à 10 composants principaux. Cela prouve que le PLSR se traduit par une grande stabilité pour la mesure de la concentration d’O-cresol à l’aide de NIRS.Tout en essayant cette procédure, l’étape la plus importante est d’obtenir avec précision les valeurs de référence des compositions, car c’est la base de tout le prétraitement et la modélisation effectuée dans la phase ultérieure. En plus de PLS, certains algorithmes d’apprentissage automatique populaires actuels tels que l’apprentissage profond et l’arbre de décision peuvent être utilisés dans cette procédure, aussi. Combiné avec la technologie de détection NIRS, nous croyons que l’exploration de données proposée est un modèle significatif pour l’application dans le processus d’automatisation industrielle à la transformation intelligente dans l’industrie moderne.

o-cresol-concentration-online-measurement-based-on-near-infrared

Research

Recherche

JoVE Journal

Engineering

Ingénierie

MazeSuite est un ensemble d'outils complet pour préparer, présenter et analyser des expériences de navigation et spatiale. Fonctionnelle spectroscopie proche infrarouge (fNIR) est une technique d'imagerie optique du cerveau qui permet une surveillance non invasive et portable de changements cérébraux oxygénation du sang. Ce document résume l'utilisation collective de MazeSuite et fNIR au sein d'un paradigme de l'apprentissage du traitement cognitif.

Utiliser MazeSuite et fonctionnelle proche infrarouge pour étudier l&#39;apprentissage de la navigation spatiale

Fluorophores cruciforme conjugués à base de 1,4-distyryl-2 ,5-bis (aryléthynyle) benzène et les noyaux de benzobisoxazole peuvent être utilisés pour identifier qualitativement diversifiée Lewis acide de Lewis et les composés basiques. Cette méthode repose sur les différences de couleurs d'émission des cruciformes qui sont observés lors de l'addition de l'analyte. Structurellement espèces étroitement apparentées peuvent être distingués les uns des autres.

Identification qualitative des acides carboxyliques, des acides boroniques et des amines aide fluorophores cruciforme

Un protocole d’analyse étape par étape de spectroélectrochimiques Raman et infrarouge est présenté.

Raman et IR spectroélectrochimiques méthodes comme outils pour analyser les composés organiques conjugués

Nous présentons ici un protocole pour effectuer la spectroscopie de gaz sensible et résolue spatialement dans la région de l’infrarouge moyen, en utilisant le mélange à quatre ondes dégénéré combinée avec la détection de conversion ascendante.

Mélange à quatre ondes dégénéré infrarouge avec conversion ascendante détection pour la détection de gaz Quantitative

Ici, nous présentons un protocole pour la collecte des spectres raman confocals des sujets humains dans les études cliniques combinées avec des approches chimiométriques pour l'ablation spectrale et l'extraction ultérieure des dispositifs principaux.

Résoudre l'eau, les protéines et les lipides d'In Vivo Confocal Raman Spectra de Stratum Corneum par une approche chimiométrique

Les détails de la génération et de l’optimisation du signal, de la mesure, de l’acquisition de données et de la gestion des données pour un spectromètre Raman quasi-IR stimulé par le temps de femtoseconde sont décrits. Une étude Raman stimulée par l’infrarouge proche sur la dynamique de l’état excité de l’o-carotène dans le toluène est présentée comme une application représentative.

Mesures Raman ultrarapides résolues par le temps

Ici, nous présentons une méthode pour l’observation des interactions de solution entre les acides et les bases de Lewis en employant la spectroscopie infrarouge in situ comme détecteur pour la titration dans des conditions synthétiquement pertinentes. En examinant les interactions de solution, cette méthode représente un complément à la cristallographie de rayon X, et fournit une alternative à la spectroscopie de RMN.

Caractérisant les paires Lewis à l’aide de la titration couplée à la spectroscopie infrarouge In Situ

Les échantillons biologiques ont des caractéristiques optiques distinctes dans les gammes de longueurs d’onde infrarouge à ondes courtes (SWIR) par rapport aux gammes de longueurs d’onde visible (VIS) et proche infrarouge (NIR). Cependant, l’enregistrement des spectres d’absorption SWIR purs est difficile et rarement réalisé pour les molécules biologiques. Cet article présente une méthode pour caractériser les spectres d’absorption VIS-SWIR des absorbeurs biologiques.

Caractérisation des spectres d’absorption biologique allant du visible à l’infrarouge à ondes courtes

Les étapes clés de la fonction des protéines, en particulier les changements de conformation du squelette et les réactions de transfert de protons, se déroulent souvent à l’échelle de la microseconde à la milliseconde. Ces processus dynamiques peuvent être étudiés par spectroscopie infrarouge à transformée de Fourier à balayage pas à pas résolue en temps, en particulier pour les protéines dont la fonction est déclenchée par la lumière.

Proton transfert et la conformation des protéines photosensibles dans la dynamique des protéines par résolution temporelle étape-scan à transformée de Fourier spectroscopie infrarouge

Nous décrivons la génération de rayonnement infrarouge lointain à l’aide d’un laser moléculaire pompé optiquement ainsi que la mesure de leurs fréquences avec des techniques hétérodynes. Le système et les techniques expérimentaux sont démontrés en utilisant le difluorométhane (CH2, F2) comme support laser, dont les résultats comprennent trois nouvelles émissions laser et huit fréquences laser mesurées.

Caractérisation des émissions laser infrarouge lointain et la mesure de leurs fréquences

Découvrez la prédiction de concentration d'o-crésol par spectroscopie proche infrarouge et régression PLS. Cette méthode permet un suivi en temps réel pour optimiser la production industrielle de polyéther de phénylène.

O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression

Explorer plus de vidéos