Name: O-cresol Concentrazione Misurazione online basata sulla spettroscopia vicino infrarossa via parziale regressione minima quadrata (Video) | JoVE Journal
Uploaded: 2019-11-08T12:30:00.000+00:00
Duration: 6 min 50 s
Description: Scopri la misurazione della concentrazione di o-cresolo in tempo reale mediante spettroscopia nel vicino infrarosso e regressione PLS. Questo metodo computazionale ottimizza la produzione industriale con elevata precisione.

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

Questo lavoro è stato sostenuto dalla National Natural Science Foundation of China (Grant Nos. 61722306 e 61473137) e dal National First class Discipline Program of Light Industry Technology and Engineering (LITE2018-025).

1. Acquisizione di dati dello spettro NIR con lo spettrometro di processo Fourier transform (FT)-NIR
<ol><li>Installare la sonda in fibra ottica in fase liquida dello spettrometro vicino all'infrarosso all'uscita del prodotto etere polifenoyl. E aprire il software OPUS sul computer superiore collegato allo strumento e iniziare a configurare la misurazione.</li>
	<li>Collegamento allo spettrometro
	<ol>
<li>Nel menu Misura, selezionare il comando Configurazione ottica e servizio oppure fare clic sull'icona nella barra degli strumenti.</li>
		<li>Nella finestra di dialogo visualizzata, fare clic sulla scheda Banco ottico .</li>
		<li>Controllare se le impostazioni dello spettrometro sono ok. In caso affermativo, chiudere la finestra di dialogo. In caso contrario, continuare con il passaggio 4.</li>
		<li>Dall'elenco a discesa Configurazione, selezionare il tipo di spettrometro specifico.</li>
		<li>Immettere l'indirizzo IP dello spettrometro nel campo di immissione ID panca ottica.</li>
		<li>Fare clic sul pulsante Connetti.</li>
	</ol></li>
	<li>Impostazione dei parametri di misurazione
	<ol>
<li>Nel menu Misura, selezionare il comando Misura o fare clic sull'icona nella barra degli strumenti.</li>
		<li>Nella finestra di dialogo che si apre, definire i parametri di misurazione nelle diverse schede. NOTA: i dettagli sui singoli parametri di misurazione sono descritti nel Manuale di riferimento OPUS.</li>
		<li>Fare clic sul pulsante Accetta ed esci. </li>
	</ol></li>
	<li>Memorizzazione del file dell'esperimento
	<ol>
<li>Nel menu Misura, selezionare il comando Misurazione avanzata. Quindi, fare clic sulla scheda Avanzate .</li>
		<li>Nella finestra di dialogo che si apre, definire la risoluzione come 4 cm-1.</li>
		<li>Definire il numero di scansioni come 16 scansioni nei campi di immissione Sample/Background Scan Time.</li>
		<li>Definire il percorso per memorizzare automaticamente i dati di misurazione da 4.000 cm-1-12.500 cm-1.</li>
		<li>Determinare il tipo di dati per lo spettro dei risultati come Assorbimento.</li>
		<li>Fare clic sul pulsante Salva. </li>
		<li>Nella finestra di dialogo che si apre, definire un nome per il file dell'esperimento e salvare questo nome.</li>
	</ol></li>
	<li>Misurazione dello spettro di sfondo
	<ol>
<li>Nel menu Misura, selezionare il comando Misurazione avanzata.</li>
		<li>Fare clic sulla scheda Ottica. </li>
		<li>Nella finestra di dialogo che si apre, fare clic sull'elenco a discesa Impostazione apertura e selezionare lo stesso valore utilizzato per acquisire uno spettro campione.</li>
		<li>Fare clic sulla scheda Base.</li>
		<li>Nella finestra di dialogo che si apre, fare clic sul pulsante Sfondo canale singolo.</li>
	</ol></li>
	<li>Misurazione dello spettro campione
	<ol>
<li>Posizionare il campione nel percorso ottico dello spettrometro. Il modo in cui questo viene fatto dipende dalla configurazione dello spettrometro.</li>
		<li>Nel menu Misura, selezionare il comando Misurazione avanzata.</li>
		<li>Fare clic sulla scheda Base.</li>
		<li>Nella finestra di dialogo visualizzata, definire la descrizione di esempio e il modulo di esempio nel campo di immissione specifico. Queste informazioni vengono memorizzate insieme allo spettro.</li>
		<li>Fare clic sul pulsante Esempio canale singolo per avviare la misurazione online. E salvare lo spettro NIR di ogni scansione come file OPUS.
</li>
	</ol></li>
	<li>Raccogliere i campioni di polifenoilne ogni 6 h e testare la concentrazione di o-cresol con cromatografia liquida nel laboratorio dell'industria per ottenere un valore di riferimento chimico. NOTA: Il personale di laboratorio del settore prende ogni campione di etere polifenoyl dallo sbillo dell'etere polifenoil a fase liquida. Il contenuto di o-cresol in ogni campione è stato misurato tre volte dalla cromatografia liquida. Quindi, il valore medio dei risultati dell'analisi tre volte è stato preso come valore di riferimento del contenuto o-cresol per ridurre l'errore accidentale.</li>
	<li>Ottenere 600 valori di riferimento chimici della concentrazione di o-cresol in laboratorio. La gamma di calibrazione della concentrazione di o-cresol è compresa tra 42.1063 mg/1 g di etere polifenoil a 51.6763 mg/1 g di etere polifenoil.</li>
	<li>Combinare gli spettri NIR ai tempi di prova specificati con i valori di riferimento chimici della concentrazione di o-cresol.</li>
	<li>Utilizzare il software OPUS per leggere il set spettrale originale, come illustrato nella Figura 1.<ol>
<li>Scegliere il comando Carica file dal menu File.</li>
		<li>Nella finestra di dialogo che si apre, selezionare il file dello spettro specifico.</li>
		<li>Fare clic sul pulsante Apri. Lo spettro viene visualizzato nella finestra dello spettro.</li>
	</ol></li>
</ol>2. Pre-elaborazione dei dati di spettroscopia NIR
<ol><li>Con la funzione di pre-elaborazione spettrale in, ottenere set di dati spettrali pre-elaborati con deriva di primo ordine.<ol>
<li>Aprire Il Unscrambler, che è un software di analisi dei dati multivariato e di progettazione sperimentale, selezionare il comando Importa in File. Importare il file OPUS come set di dati spettrale NIR originale.</li>
		<li>Selezionare il comando Trasforma in Modifica. E selezionare i derivati di Savitzky Golay sotto Derivati.</li>
		<li>Definire i campioni e le variabili come tutti i campioni e tutte le variabili nell'ambito. E definire il numero di punti di arrotondamento come 13 e il Derivato come derivata 1st in Parametri.</li>
		<li>Fare clic su OK per avviare la derivata. AVVISO: L'aumento della levigatezza può ridurre le forti fluttuazioni della curva, ridurre l'effetto di rumore ma anche indebolire le caratteristiche della curva e rendere la curva distorta. Pertanto, la levigatezza appropriata selezionata in base all'osservazione dell'intensità effettiva della fluttuazione della curva e dell'effetto dopo l'elaborazione.</li>
	</ol>
</li>
	<li>Eseguire la normalizzazione vettoriale sugli spettri del campione per normalizzare il valore dell'assorbimento.<ol>
<li>Selezionare il comando Normalizzazione in Modifica.</li>
		<li>Definire i campioni e le variabili come tutti i campioni e tutte le variabili nell'ambito.</li>
		<li>Selezionate Normalizzazione vettore nel tipo.
</li>
		<li>Fare clic su OK per eseguire la normalizzazione vettoriale.</li>
	</ol>
</li>
</ol>3. Istituzione del modello PLSR
<ol><li>Creazione del set di dati spettrali NIR
	<ol>
<li>Aprire Uncrambler. exe, selezionare Esporta in File con i file Matlab per esportare il set di dati spettrali pre-elaborato in .mat File e per ottenere automaticamente il set di dati spettrali X con 2203 variabili.</li>
		<li>Ottenere un set di dati spettrale NIR X completo (una matrice di 600 righe e 2203 colonne) e i corrispondenti valori di riferimento chimico Y (un vettore di 600 righe) sotto forma di file .mat per analisi e modellazione successive.</li>
	</ol></li>
	<li>Selezione del numero appropriato di componenti principali
	<ol>
<li>Aprire Matlab e importare il file .mat contenente i dati spettrali pre-elaborati vicino all'infrarosso nell'area di lavoro trascinando il file .mat nell'area di lavoro. NOTA: il file .mat memorizza i dati spettrali a infrarossi vicini X come variabile indipendente e il contenuto o-cresol del prodotto come variabile dipendente sotto forma di due matrici.</li>
		<li>Aprire il file .m programmato nell'Editor. Fare clic su Apri nell'opzione Editor , selezionare il file con estensione m compilato nella directory di archiviazione dei file e quindi fare clic su Conferma.</li>
		<li>Estrarre 15 componenti principali in base all'obiettivo di ottimizzazione dell'equazione 1 e del modello OLSR tra i componenti principali estratti e i valori previsti della concentrazione di o-cresol con il programma contenente il comando plsregress() in Matlab. [XL, YL, XS, YS, BETA, PCTVAR, MSE] : plsregress(X,Y,ncomp,'CV',k); Consultare il documento della Guida di MATLAB per ottenere i dettagli di utilizzo e il valore restituito. NOTA: <img alt="Equation 3" src="/files/ftp_upload/59077/59077eq3.jpg"> Equazione 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"> ed è l'i componenti principali dei dati spettrali NIR; <img alt="Equation 7" src="/files/ftp_upload/59077/59077eq7.jpg">è la proiezione deicomponenti principali deidati spettrali NIR; <img alt="Equation 8" src="/files/ftp_upload/59077/59077eq8.jpg">è il coefficiente di correlazione di Pearson per i componenti principali ith e la concentrazione di o-cresol.</li>
		<li>Ottenere <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> il valore dei dati spettrali NIR e i valori previsti per i diversi componenti principali utilizzando l'equazione 2. NOTA: <img alt="Equation 9" src="/files/ftp_upload/59077/59077eq9.jpg"> Equazione 2 <img alt="Equation 10" src="/files/ftp_upload/59077/59077eq10.jpg">è la somma dei quadrati a causa <img alt="Equation 11" src="/files/ftp_upload/59077/59077eq11.jpg"> di errore ed è definita come ; <img alt="Equation 12" src="/files/ftp_upload/59077/59077eq12.jpg">è la somma totale dei quadrati <img alt="Equation 13" src="/files/ftp_upload/59077/59077eq13.jpg"> ed è definita come ; <img alt="Equation 14" src="/files/ftp_upload/59077/59077eq14.jpg">è il valore di riferimento della concentrazione di o-cresol del set di dati di prova; <img alt="Equation 15" src="/files/ftp_upload/59077/59077eq15.jpg">è il valore previsto della concentrazione di o-cresol del set di dati di prova; <img alt="Equation 16" src="/files/ftp_upload/59077/59077eq16.jpg">è il valore medio del valore di riferimento della concentrazione o-cresol del set di dati di prova; <img alt="Equation 17" src="/files/ftp_upload/59077/59077eq17.jpg">è il numero di campioni del set di dati di test.</li>
		<li>Determinare <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> i valori e la tendenza con un numero crescente di componenti principali, come illustrato nella figura 2. Selezionare 10 come numero appropriato <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> di componenti principali con il valore di 0,9917. NOTA:<img alt="Equation 18" src="/files/ftp_upload/59077/59077eq18.jpg"> valore è la proporzione della varianza nella variabile dipendente che è prevedibile dalle variabili indipendenti. Più alto <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> è il valore, maggiore è la bontà di adattamento e viceversa.</li>
	</ol></li>
	<li>Convalida della bontà di adattamento e precisione del modello PLSR con 10 componenti principali utilizzando il comando plsregress().
	<ol>
<li>Ripetere il processo di modellazione con 10 componenti principali come passaggi 3.2.1-3.2.5 con 10 componenti principali.</li>
		<li>Valutare il modello sulla base di una convalida incrociata di 10 volte utilizzando i grafici della varianza percentuale illustrata nei dati spettrali NIR, i residui e MSPECV.</li>
		<li>Tracciare la varianza percentuale illustrata nei dati spettrali NIR, i residui e l'MSPECV come figure 3, 4 e 5.</li>
		<li>Tabulare gli indicatori <img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg"> di<img alt="Equation 2" src="/files/ftp_upload/59077/59077eq2.jpg">valutazione di , , e MSPE della convalida incrociata di 10 volte per il modello PLSR per un'analisi quantitativa, come illustrato nella tabella 1. NOTA: le <img alt="Equation 2" src="/files/ftp_upload/59077/59077eq2.jpg"> equazioni di MSPE e MSPE vengono visualizzate come Equazione 3 ed Equazione 4. <img alt="Equation 19" src="/files/ftp_upload/59077/59077eq19.jpg">Equazione 3 <img alt="Equation 20" src="/files/ftp_upload/59077/59077eq20.jpg">Equazione 4 <img alt="Equation 21" src="/files/ftp_upload/59077/59077eq21.jpg">è la covarianza del valore di riferimento e il valore previsto della concentrazione di o-cresol; <img alt="Equation 22" src="/files/ftp_upload/59077/59077eq22.jpg"> è la deviazione standard del valore di riferimento della concentrazione di o-cresol; <img alt="Equation 23" src="/files/ftp_upload/59077/59077eq23.jpg">è la deviazione standard del valore previsto della concentrazione di 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>

Gli autori non hanno nulla da rivelare.

Questo protocollo descrive il processo di esecuzione del PLSR sulla misurazione della concentrazione di o-cresol rimasta nel prodotto liquido dell'etere pofenilecono con NIRS.
I due passaggi critici di questo processo sono la pre-elaborazione dei dati spettrali NIR originali e la selezione delle variabili dei dati spettrali NIR ad alta dimensione.
In generale, l'interferenza di fondo non sistematica porta alla deviazione di dispersione non sistematica o alla deriva ...

La spettroscopia a infrarossi vicino (NIR) ha ottenuto un'ampia accettazione come tecnologia analitica moderna veloce, efficiente, non distruttiva e non inquinante; il metodo è stato utilizzato negli ultimi anni per il rilevamento e l'analisi della qualità del prodotto e la misurazione dei componenti chimici nei processi industriali. La specialità più essenziale del metodo è la sua capacità di registrare spettri per campioni solidi e liquidi senza alcuna pre-elaborazione, rendendo NIRS particolarmente adatto per il rilevamento diretto e rapido e l'analisi di prodotti naturali e sintetici1,2. A differenza dei sensori tradizionali che misurano le variabili di processo (ad esempio, temperatura, pressione, livello di liquido, ecc.) su scala macroscopica e inevitabilmente subiscono il rumore esterno e le interferenze di fondo, niRS rileva le informazioni strutturali della composizione chimica su scale microscopiche e molecolari. Pertanto, le informazioni essenziali possono essere misurate in modo più accurato ed efficace rispetto ad altri metodi3,4.
L'etere polifeno, come una delle plastiche ingegneristiche, sono ampiamente utilizzati a causa della sua resistenza al calore, ritardante di fiamma, isolamento, proprietà elettriche, stabilità dimensionale, resistenza all'impatto, resistenza allo scorrimento, resistenza meccanica e altre proprietà5. Ancora più importante, è non tossico e innocuo rispetto ad altre materie plastiche ingegneristiche. Attualmente, 2,6-xilenolo è una delle materie prime di base per la sintesi dell'etere di polifelifenia, e di solito è preparato da alchilazione catalizzata di fenolo con metodo metanolo6. Ci sono due prodotti principali di questo metodo di preparazione, o-cresol e 2,6-xylenol. Dopo una serie di passaggi di separazione ed estrazione, 2,6 xilenolo viene utilizzato per produrre etere polifenoile. Tuttavia, tracce di o-cresol rimangono in 2,6-xylenol. O-cresol non partecipa alla sintesi di etere polifenoilne e rimarrà nel prodotto di etere polifelifeno, con conseguente diminuzione della qualità del prodotto o anche del sottostandard. Attualmente, la maggior parte delle aziende analizza ancora le composizioni di miscele organiche complesse come i prodotti etere polifenoil a fase liquida contenenti impurità (ad esempio, o-cresol) mediante analisi di separazione fisica o chimica come la cromatografia7,8. Il principio di separazione della cromatografia è l'uso della miscela di composizioni nella fase fissa e la fase di flusso nella dissoluzione, analisi, adsorbimento, desorption o altra affinità delle differenze minori nella performance. Quando le due fasi si spostano l'una rispetto all'altra, le composizioni vengono separate ripetutamente dalle azioni precedenti nelle due fasi. A seconda dell'oggetto, di solito ci vogliono da pochi minuti a poche decine di minuti per completare un'operazione di separazione del materiale complessa. Si può vedere che l'efficienza di misurazione è bassa.
Al giorno d'oggi, la misurazione della qualità del prodotto e la tecnologia di controllo avanzata basata su questa analisi per la moderna industria dei materiali chimici di processo fine è la direzione chiave per migliorare ulteriormente la qualità del prodotto. Nell'industria di processo della produzione di etere polifenoyl, la misurazione in tempo reale del contenuto di o-cresol in etere di polifenoilne è di grande importanza per lo sviluppo. L'analisi cromatica chiaramente non può soddisfare i requisiti della tecnologia di controllo avanzata per la misurazione in tempo reale delle sostanze e il feedback del segnale. Pertanto, proponiamo il metodo di regressione parziale dei minimi quadrati (PLSR) per stabilire un modello lineare tra i dati NIRS e la concentrazione di o-cresol, che realizza la misurazione online del contenuto di o-cresol nell'etere di polifelifelifelifene liquido dell'uscita .
La pre-elaborazione per la NIRS svolge il ruolo più importante prima della modellazione statistica multivariata. I numeri d'onda NIRS nello spettro NIR e le dimensioni delle particelle di campioni biologici sono comparabili, quindi è noto per gli effetti di dispersione imprevisti che hanno influenza sugli spettri dei campioni registrati. Eseguendo metodi di pre-elaborazione appropriati, questi effetti sono facili da eliminare in gran parte9. Le tecniche di pre-elaborazione più comunemente utilizzate in NIRS sono classificate come metodi derivati a dispersione e spettrali. Il primo gruppo di metodi include la correzione della dispersione moltiplicativa, il detrending, le trasformazioni di varivariate normale standard e la normalizzazione. I metodi di derivazione spettrale includono l'uso della prima e della seconda derivata.
Prima di sviluppare un modello di regressione quantitativa, è importante rimuovere le variazioni di dispersione non sistematica dai dati NIRS perché hanno un'influenza significativa sull'accuratezza del modello predittivo, sulla sua complessità e parsimonia. La selezione di un metodo di pre-elaborazione adatto deve sempre dipendere dalla fase di modellazione successiva. In questo caso, se il set di dati spettrale NIR non segue la legge Lambert-Beer, altri fattori tendono a compensare il comportamento non ideale della stima per i componenti previsti. Lo svantaggio dell'esistenza di tali fattori inutili porta ad un aumento della complessità del modello, anche molto probabilmente, una riduzione della robustezza. Pertanto, l'applicazione di derivati spettrali e una normalizzazione convenzionale ai dati spettrali è una parte essenziale del metodo.
Dopo la pre-elaborazione spettrale, si ottengono i dati NIRS con un elevato rapporto segnale-rumore e una bassa interferenza di fondo. La moderna analisi NIRS fornisce la rapida acquisizione di grandi quantità di assorbimento su un'adeguata gamma spettrale. La composizione chimica del campione viene quindi prevista estraendo le variabili rilevanti utilizzando le informazioni contenute nella curva spettrale. In generale, il NIRS è combinato con tecniche di analisi multivariate per analisi qualitative o quantitative10. Un'analisi di regressione lineare multivariata (MLR) è comunemente utilizzata per lo sviluppo e l'estrazione della relazione matematica tra i dati e i componenti nei processi industriali ed è stata ampiamente utilizzata nell'analisi NIRS.
Tuttavia, esistono due problemi fondamentali quando si implementa un MLR per i dati NIRS pre-elaborati. Un problema è la ridondanza variabile. L'alta dimensionalità dei dati NIRS spesso rende inaffidabile la previsione di una variabile dipendente perché sono incluse variabili che non hanno alcuna correlazione con i componenti. Queste variabili ridondanti riducono l'efficienza informativa dei dati spettrali e influiscono sull'accuratezza del modello. Per eliminare la ridondanza variabile, è essenziale sviluppare e massimizzare la correlazione tra i dati NIRS e i componenti previsti.
Un altro problema è la questione della multicollinearità nei dati NIRS. Uno dei presupposti importanti di più modelli di regressione lineare è che non esiste alcuna relazione lineare tra nessuna delle variabili esplicative del modello di regressione. Se questa relazione lineare esiste, è dimostrato che c'è multicollinearità nel modello di regressione lineare e l'ipotesi viene violata. Nelle regressioni lineari multiple, ad esempio una regressione dei minimi quadrati (OLSR) ordinaria, più correlazioni tra le variabili influiscono sulla stima del parametro, aumentano l'errore del modello e influiscono sulla stabilità del modello. Per eliminare la correlazione multilineare tra i dati spettrali NIR, utilizziamo metodi di selezione delle variabili che massimizzano la variabilità intrinseca dei campioni.
In questo caso, proponiamo di utilizzare il PLSR, che è una generalizzazione della regressione lineare multipla che è stata ampiamente utilizzata nel campo del NIRS11,12. Il PLSR integra le funzioni di base della MLR, dell'analisi di correlazione canonica (CCA) e dell'analisi dei componenti principali (PCA) e combina l'analisi di previsione con un'analisi di connotazione dei dati non modello. Il PLSR può essere diviso in due parti. La prima parte seleziona i componenti delle variabili caratteristiche e i componenti previsti mediante l'analisi parziale dei minimi quadrati (PLS). PLS massimizza la variabilità intrinseca dei componenti principali rendendo la covarianza dei componenti principali e dei componenti stimati il più grande possibile durante l'estrazione dei componenti principali. Successivamente, viene stabilito il modello OLSR di concentrazione o-cresol per i componenti principali selezionati. PLSR è adatto per l'analisi di dati rumorosi con numerose variabili indipendenti fortemente collineari e altamente correlate e per la modellazione simultanea di diverse variabili di risposta. Inoltre, PLSR estrae le informazioni effettive degli spettri campione, supera il problema della multicollinearità e ha i vantaggi di una forte stabilità e di un'elevata precisione di previsione13,14.
Il seguente protocollo descrive il processo di utilizzo del modello PLSR per misurare la concentrazione di o-cresol utilizzando dati spettrali NIR. L'affidabilità e l'accuratezza del modello vengono valutate quantitativamente utilizzando il coefficiente di determinazione (<img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg">), il coefficiente di correlazione di stima (<img alt="Equation 2" src="/files/ftp_upload/59077/59077eq2.jpg">) e l'errore medio di previsione quadrata della convalida incrociata (MSPECV). Inoltre, per mostrare intuitivamente i vantaggi del PLSR, gli indicatori di valutazione sono visualizzati in diversi appezzamenti per un'analisi qualitativa. Infine, gli indicatori di valutazione di un esperimento sono presentati in formato tabella per illustrare quantitativamente l'affidabilità e la precisione del modello PLSR.

<table><tbody><tr><td>Analizzatore FT-NIR multiuso MPA II</td><td>Sonde</td> a fibra ottica Bruker <td>1</td><td></td></tr><tr><td>(fase liquida)</td><td>Analizzatore</td><td></td> cromatografico liquido Bruker 1 <td></td></tr><tr><td></td><td>/</td><td>1</td><td></td></tr><tr><td>Attrezzature e forniture di laboratorio (ad es. provette, ecc.)</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>Computer principale</td><td>DELL</td><td>1</td><td></td></tr><tr><td>The Unscrambler</td><td>CAMO</td><td>1</td><td></td></tr></tbody></table>

o-cresol concentrazione misurazione online basata sulla spettroscopia vicino infrarossa via parziale regressione minima quadrata

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

A differenza delle variabili di processo macroscopiche, la spettroscopia nel vicino infrarosso fornisce informazioni sul processo a livello molecolare e può migliorare significativamente la previsione dei componenti nei processi industriali. La capacità di registrare gli spettri per campioni solidi e liquidi senza alcun pretrattamento è vantaggiosa e il metodo è ampiamente utilizzato. Tuttavia, gli svantaggi dell'analisi dei dati spettrali vicini all'infrarosso di alta dimensione includono la ridondanza delle informazioni e la multicollinearità dei dati spettrali. Pertanto, proponiamo di utilizzare il metodo di regressione parziale dei minimi quadrati, che è stato tradizionalmente utilizzato per ridurre la dimensionalità dei dati ed eliminare la collinearità tra le caratteristiche originali. Attuiamo il metodo per prevedere la concentrazione di o-cresol durante la produzione di etere polifenoile. L'approccio proposto offre i seguenti vantaggi rispetto ai metodi di previsione della regressione della regressione dei componenti: 1) la regressione parziale dei minimi quadrati risolve il problema della multicollinearità delle variabili indipendenti ed evita in modo efficace l'overfitting, che si verifica in un analisi di regressione dovuta all'elevata correlazione tra le variabili indipendenti; 2) l'uso degli spettri nel vicino infrarosso si traduce in un'elevata precisione perché è un metodo non distruttivo e non inquinante per ottenere informazioni su scaglie microscopiche e molecolari.

Il valore previsto dell'impurità o-cresol nei prodotti etere polifenoil è ottenuto dalla spettroscopia a infrarossi a infrarossi basata su PLSR. La figura 2 e la figura 3 mostrano rispettivamente l'affidabilità del metodo nella fase di selezione delle funzionalità dalla curva del coefficiente decisionale e la percentuale di interpretazione degli errori che aumenta con il numero di componenti principali.
<p class="jove_content" fo:keep-together.within-...

Il protocollo descrive un metodo per prevedere la concentrazione di o-cresol durante la produzione di etere polifenoile utilizzando la spettroscopia nel vicino infrarosso e la regressione parziale dei minimi quadrati. Per descrivere il processo in modo più chiaro e completo, un esempio di previsione della concentrazione di o-cresol durante la produzione di polifelifeliferio viene utilizzato per chiarire i passi.

O-cresol Concentrazione Misurazione online basata sulla spettroscopia vicino infrarossa via parziale regressione minima quadrata

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

Il significato di questo manoscritto sperimentale risiede nelle applicazioni della spettroscopia del vicino infrarosso e degli algoritmi di data mining per il monitoraggio online dell'industria di processo reale. I maggiori vantaggi di questa tecnologia risiedono nella sua rapidità. La proprietà non distruttiva della sua tecnologia di rilevamento vicino all'infrarosso e la pratica di un algoritmo parziale dei meno quadrati, o PLS.Per iniziare, collegare lo spettrometro come descritto nel protocollo di testo. Per impostare i parametri di misurazione, utilizzare il software OPUS. Passare al menu Misura e selezionare il comando Misurazione avanzata.Nella finestra di dialogo visualizzata definire i parametri di misurazione nelle diverse schede. Per archiviare il file dell'esperimento, fare clic sulla scheda Avanzate. Definire la risoluzione come quattro centimetri inversi.Definire il numero di scansioni come 16 scansioni nei campi di immissione del tempo di scansione in background di esempio. Definire il percorso per memorizzare automaticamente i dati di misurazione da 4.000 centimetri inversi a 12.500 centimetri inversi. Determinare il tipo di dati per lo spettro dei risultati come assorbanza e salvare il file dell'esperimento.Ora fare clic sulla scheda Ottica. Fare clic sull'elenco a discesa dell'impostazione dell'apertura e selezionare lo stesso valore utilizzato per acquisire uno spettro campione. Quindi fare clic sulla scheda Base.Fare clic sul pulsante Canale singolo in background e posizionare il campione nel percorso ottico dello spettrometro per misurare lo spettro del campione. Definire la descrizione di esempio e il modulo di esempio nel particolare campo di immissione. Queste informazioni vengono memorizzate insieme allo spettro.Ora fai clic sul pulsante Campione canale singolo per avviare la misurazione online. Salvare lo spettro NIR di ogni scansione come file OPUS. Utilizzare il software OPUS per leggere il set spettrale originale.Scegliere il comando Carica file dal menu File. Nella finestra di dialogo visualizzata selezionare il file di spettro specifico. Fare clic sul pulsante Apri.Lo spettro viene visualizzato nella finestra dello spettro. Con la funzione di pre-elaborazione spettrale in, ottenere il set di dati spettrali pre-elaborato con la derivata del primo ordine. Aprire prima l'Unscrambler, che è un software di analisi dei dati multivariato e progettazione sperimentale.Quindi selezionare il comando Importa in File. Importare il file OPUS come set di dati spettrale NIR originale. Selezionare il comando Trasforma in Modifica.Quindi selezionate le derivate di Savitzky-Golay in Derivati. Definire gli esempi e le variabili come tutti i campioni e tutte le variabili nell'ambito. Definire anche il numero di punti di smussatura come 13 e la derivata come derivata prima in Parametri.Fare clic su OK per avviare la derivata. Eseguire la normalizzazione vettoriale sugli spettri campione per normalizzare il valore dell'assorbanza. Selezionare il comando di normalizzazione in Modifica.Definire gli esempi e le variabili come tutti i campioni e tutte le variabili nell'ambito. Selezionare la normalizzazione vettoriale nel tipo. Fare clic su OK per eseguire la normalizzazione vettoriale.Per selezionare il numero appropriato di componenti principali, aprite MATLAB e importate il file MAT contenente i dati spettrali pre-elaborazione nel vicino infrarosso trascinando il file MAT nello spazio di lavoro. Aprire il file M programmato nell'editor. Fare clic su Apri sotto l'opzione Editor, selezionare il file M compilato nella directory di archiviazione dei file e quindi fare clic su Conferma.Lavorare in MATLAB per estrarre 15 componenti principali in base all'obiettivo di ottimizzazione e al modello OLSR tra i componenti principali estratti e i valori previsti della concentrazione di O-cresolo. Determinare i valori al quadrato R e la tendenza con un numero crescente di componenti principali. Selezionare 10 come numero appropriato di componenti principali con il valore al quadrato R pari a 0,9917.Per convalidare la bontà di adattamento e precisione del modello PLSR, ripetere il processo di modellazione con 10 componenti principali. Valutare il modello in base a una convalida incrociata di 10 volte utilizzando i grafici della varianza percentuale spiegati nei dati spettrali NIR, i residui e l'errore medio di previsione quadrata della convalida incrociata o MSPECV. Qui tracciati ci sono i residui, che si riferiscono alla differenza tra il valore di riferimento del contenuto di O-cresolo e la stima del modello PLSR.I dati tracciati mostrano che il PLSR per la misurazione del contenuto di O-cresolo basato sui dati spettrali NIR ha un'elevata precisione. L'errore quadratico medio di convalida incrociata è una misura del grado di differenza tra il riferimento e il contenuto di O-cresolo previsto. Minore è il valore, migliore è l'accuratezza del modello predittivo che descrive il contenuto di O-cresol.L'errore medio di previsione quadrata della convalida incrociata per la misurazione della concentrazione di O-cresolo basato sul PLSR diminuisce con l'aumentare del numero di componenti principali. L'errore raggiunge un minimo accettabile a 10 componenti principali. Ciò dimostra che il PLSR si traduce in un'elevata stabilità per la misurazione della concentrazione di O-cresolo utilizzando NIRS.Durante il tentativo di questa procedura, il passaggio più importante consiste nell'ottenere con precisione i valori di riferimento delle composizioni perché questa è la base per tutta la pre-elaborazione e la modellazione eseguita nella fase successiva. Oltre al PLS, anche in questa procedura possono essere utilizzati alcuni algoritmi di machine learning popolari come il deep learning e l'albero delle decisioni. In combinazione con la tecnologia di rilevamento NIRS, riteniamo che il data mining proposto sia un modello significativo per l'applicazione nel processo di automazione industriale alla trasformazione intelligente nell'industria moderna.

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

Research

Ricerca

JoVE Journal

Engineering

Ingegneria

MazeSuite è un set di strumenti completo per preparare, presentare e analizzare esperimenti di navigazione e spaziale. Funzionale spettroscopia nel vicino infrarosso (fNIR) è una tecnica di imaging ottico del cervello che permette il monitoraggio non invasivo e portatile di cambiamenti cerebrali ossigenazione del sangue. Questo documento riassume uso collettivo di MazeSuite e fNIR all'interno di un paradigma di apprendimento cognitivo di elaborazione.

Utilizzando MazeSuite e funzionale Near Infrared Spectroscopy per studiare l&#39;apprendimento in navigazione spaziale

Fluorofori cruciformi cross-coniugati a base di 1,4-distyryl-2 ,5-bis (arylethynyl) benzene e nuclei benzobisoxazole possono essere usati per identificare qualitativamente diversa Lewis acido e Lewis analiti basici. Questo metodo si basa sulle differenze di colori di emissione degli crucimorfi che si osservano su di analita aggiunta. Specie strutturalmente strettamente connesse possono essere distinti l'uno dall'altro.

Identificazione qualitativa di acidi carbossilici, acidi bo e ammine Utilizzando Fluorofori Cruciform

Un protocollo di analisi dettagliata di Spettroelettrochimica IR e Raman è presentato.

Raman e IR Spettroelettrochimica metodi come strumenti per analizzare composti organici coniugati

Qui, presentiamo un protocollo per eseguire spettroscopia gas sensibili, risolte spazialmente nella regione metà di-infrarossa, usando degenerato quattro-onda miscelazione combinata con upconversion rilevamento.

A raggi infrarossi degenerato quattro-onda miscelazione con rilevamento di Upconversion per sensoristica quantitativa

Qui, presentiamo un protocollo per la raccolta di spettri Raman confocali da soggetti umani in studi clinici combinati con approcci chemiometrici per la rimozione degli outlier spettrali e la successiva estrazione di caratteristiche chiave.

Risolvere acqua, proteine e lipidi da In Vivo Confocal Raman Spectra di Stratum Corneum attraverso un approccio chemiometrico

Vengono descritti i dettagli di generazione e ottimizzazione del segnale, misurazione, acquisizione dei dati e gestione dei dati per uno spettrometro Raman stimolato a IR risolto al tempo del femtosecondo. Uno studio Raman stimolato vicino all'infrarosso sulle dinamiche di stato eccitato del carotene z nel toluene è mostrato come un'applicazione rappresentativa.

Ultrafast Time-resolved Near-IR Stimulated Raman Measurements of Functional .

Qui, presentiamo un metodo per l'osservazione delle interazioni di soluzione tra gli acidi di Lewis e le basi impiegando la spettroscopia infrarossa in situ come rivelatore per la titolazione in condizioni sinteticamente rilevanti. Esaminando le interazioni della soluzione, questo metodo rappresenta un complemento alla cristallografia a raggi X e fornisce un'alternativa alla spettroscopia NMR.

Caratterizzare le coppie lewis usando la titolazione accoppiata con la spettroscopia a infrarossi in Situ

I campioni biologici hanno caratteristiche ottiche distinte nell'infrarosso a onde corte (SWIR) rispetto alle gamme di lunghezze d'onda del visibile (VIS) e del vicino infrarosso (NIR). Tuttavia, la registrazione degli spettri di assorbimento SWIR puri è impegnativa e raramente condotta per le molecole biologiche. Questo articolo presenta un metodo per caratterizzare gli spettri di assorbimento VIS-SWIR degli assorbitori biologici.

Caratterizzazione degli spettri di assorbimento biologico che vanno dal visibile all'infrarosso a onde corte

I passaggi chiave della funzione delle proteine, in particolare i cambiamenti conformazionali della spina dorsale e le reazioni di trasferimento protonico, spesso avvengono su una scala temporale da microsecondi a millisecondi. Questi processi dinamici possono essere studiati mediante spettroscopia infrarossa a trasformata di Fourier a scansione a gradini risolta nel tempo, in particolare per le proteine la cui funzione è attivata dalla luce.

Proton Transfer e conformazione proteica Dynamics in proteine ​​fotosensibili da Time-risolto Step-scan trasformata di Fourier Infrared Spectroscopy

Descriviamo la generazione di radiazioni nel lontano infrarosso utilizzando un laser molecolare pompato otticamente insieme alla misurazione delle loro frequenze con tecniche eterodina. Il sistema e le tecniche sperimentali sono dimostrati utilizzando il difluorometano (CH2, F2) come mezzo laser, i cui risultati includono tre nuove emissioni laser e otto frequenze laser misurate.

Caratterizzare lontano infrarosso Emissioni laser e la misurazione delle loro frequenze

Scopri la misurazione della concentrazione di o-cresolo in tempo reale mediante spettroscopia nel vicino infrarosso e regressione PLS. Questo metodo computazionale ottimizza la produzione industriale con elevata precisione.

O-cresol Concentrazione Misurazione online basata sulla spettroscopia vicino infrarossa via parziale regressione minima quadrata (Video) | JoVE Journal

O-cresol Concentrazione Misurazione online basata sulla spettroscopia vicino infrarossa via parziale regressione minima quadrata

Esplora altri video