Summary
Протокол описывает метод прогнозирования концентрации о-крезола во время производства полифенилового эфира с использованием ближней инфракрасной спектроскопии и частичной регрессии наименьших квадратов. Для более четкого и полного описания процесса используется пример прогнозирования концентрации о-крезола во время производства полифенилена.
Abstract
В отличие от макроскопических технологических переменных, ближнеинфракрасная спектроскопия обеспечивает информацию о процессах на молекулярном уровне и может значительно улучшить прогнозирование компонентов в промышленных процессах. Способность записывать спектры для твердых и жидких образцов без предварительной обработки является выгодным и метод широко используется. Однако недостатки анализа высокомерных ближнеинжекрасных спектральных данных включают избыточность информации и многокомпонентность спектральных данных. Таким образом, мы предлагаем использовать метод регрессии частичнонаили лишь квадратов, который традиционно используется для уменьшения размерности данных и устранения коллизионности между исходными объектами. Мы внедряем метод прогнозирования концентрации о-крезола при производстве полифенилена эфира. Предлагаемый подход предлагает следующие преимущества перед методами регрессии компонентов: 1) частичная регрессия наименьших квадратов решает проблему многокомпонентности независимых переменных и эффективно избегает переоборудования, которое происходит в регрессионный анализ из-за высокой корреляции между независимыми переменными; 2) использование ближнего инфракрасного спектра приводит к высокой точности, потому что это неразрушающий и не загрязняющий метод для получения информации в микроскопических и молекулярных масштабах.
Introduction
Ближайшая инфракрасная (NIR) спектроскопия (NIRS) получила широкое признание как быстрая, эффективная, неразрушающая и не загрязняющая современные аналитические технологии; этот метод использовался в течение последних нескольких лет для обнаружения и анализа качества продукции и измерения химических компонентов в промышленных процессах. Наиболее важной специальностью метода является его способность записывать спектры для твердых и жидких образцов без предварительной обработки, что делает NIRS особенно подходящим для прямого и быстрого обнаружения и анализа натуральных и синтетических продуктов1,2. В отличие от традиционных датчиков, измеряющих переменные процесса (например, температуры, давления, уровня жидкости и т.д.) в макроскопическом масштабе и неизбежно терпящих внешний шум и фоновое вмешательство, NIRS обнаруживает структурную информацию химического состава в микроскопических и молекулярных масштабах. Таким образом, важную информацию можно измерить более точно и эффективно, чем с помощью других методов3,4.
Полифениловый эфир, как один из инженерных пластмасс, широко используются из-за его теплостойкости, огнезащитной, изоляции, электрических свойств, мерной устойчивости, сопротивления удара, устойчивость ползучести, механической прочности и других свойств5. Что еще более важно, он нетоксичен и безвреден по сравнению с другими инженерными пластмассами. В настоящее время 2,6-ксиленол является одним из основных сырьевых материалов для синтеза полифенилового эфира, и обычно готовится путем катализированной алкилирования фенола методом6. Есть два основных продукта этого метода приготовления, о-крезол и 2,6-ксиленол. После серии разъединения и извлечения шаги, 2,6 ксиленола используется для производства полифенилена эфира. Тем не менее, следовые количества о-крезола остаются в 2,6-ксиленол. O-крезол не участвует в синтезе полифенилена эфира и останется в полифениловом эфире, что приведет к снижению качества продукции или даже некачественному. В настоящее время большинство компаний до сих пор анализируют составы сложных органических смесей, таких как продукты жидкой фазы полифенилового эфира, содержащие примеси (например, o-cresol) с помощью физического или химического анализа разделения, таких как хроматография7,8. Принципом разделения хроматографии является использование смеси композиций в фиксированной фазе и фазы потока в процессе растворения, анализа, адсорбции, дезорпации или иного сродства незначительных различий в производительности. Когда две фазы движутся относительно друг к другу, композиции разделены вышеуказанными действиями неоднократно в двух фазах. В зависимости от объекта, обычно требуется от нескольких минут до нескольких десятков минут, чтобы завершить сложную операцию разделения материала. Видно, что эффективность измерений низка.
В настоящее время измерение качества продукции и передовые технологии управления, основанные на этом анализе для современной индустрии тонкого процесса химических материалов, является ключевым направлением для дальнейшего улучшения качества продукции. В отрасли производства полифенилового эфира измерение содержания о-крезоля в полифенилевом эфире имеет большое значение для развития. Хроматографический анализ явно не может отвечать требованиям передовой технологии управления для измерения веществ в реальном времени и обратной связи с сигналами. Поэтому мы предлагаем метод частичной регрессии наименьших квадратов (PLSR) для создания линейной модели между данными NIRS и концентрацией o-cresol, которые реализуют онлайн-измерение содержания о-крезола в жидком полифенилене эфирный продукт розетки .
Предварительная обработка NIRS играет самую важную роль до многовариантного статистического моделирования. Волновые числа NIRS в спектре NIR и размеры частиц биологических образцов сопоставимы, поэтому он известен неожиданными эффектами рассеяния, которые оказывают влияние на зарегистрированные спектры образцов. Выполняя соответствующие методы предварительной обработки, эти эффекты легко устранить в основном9. Наиболее часто используемые методы предварительной обработки в NIRS классифицируются как методы коррекции рассеяния и спектральных производных методов. Первая группа методов включает в себя мультипликационную коррекцию рассеяния, детрендионирование, стандартные нормальные изменения вариатов и нормализацию. Методы спектрального производного включают использование первой и второй производных.
Перед разработкой модели количественной регрессии важно удалить из данных NIRS вариации несистематического рассеяния, поскольку они оказывают значительное влияние на точность прогностической модели, ее сложность и скупость. Выбор подходящего метода предварительной обработки всегда должен зависеть от последующего этапа моделирования. Здесь, если спектральный набор данных NIR не соответствует закону Ламберта-Пива, то другие факторы, как правило, компенсируют неидеальное поведение прогноза для прогнозируемых компонентов. Недостаток существования таких ненужных факторов приводит к увеличению сложности модели, даже наиболее вероятно, снижению надежности. Таким образом, применение спектральных производных и условная нормализация к спектральным данным является неотъемлемой частью метода.
После спектральной предварительной обработки получаются данные NIRS с высоким соотношением сигнала к шуму и низким фоновым интерференцией. Современный анализ NIRS обеспечивает быстрое приобретение большого количества абсорбции в соответствующем спектральном диапазоне. Химический состав образца затем прогнозируется путем извлечения соответствующих переменных с использованием информации, содержащейся в спектральной кривой. Как правило, NIRS сочетается с многовариантными методами анализа для качественного или количественного анализа10. Многовариантный линейный регрессионный анализ (MLR) обычно используется для разработки и добычи математических связей между данными и компонентами в промышленных процессах и широко используется в анализе NIRS.
Однако при внедрении MLR для предварительно обработанных данных NIRS существуют две фундаментальные проблемы. Одной из проблем является избыточность переменной. Высокая размерность данных NIRS часто делает прогнозирование зависимой переменной ненадежным, поскольку включены переменные, не имеющие корреляции с компонентами. Эти избыточные переменные снижают информационную эффективность спектральных данных и влияют на точность модели. Для устранения избыточности переменной необходимо разработать и максимизировать корреляцию между данными NIRS и прогнозируемыми компонентами.
Еще одной проблемой является проблема многокомпонентности данных NIRS. Одним из важных предположений нескольких линейных моделей регрессии является отсутствие линейной связи между какими-либо из пояснительных переменных модели регрессии. Если эта линейная связь существует, доказано, что в модели линейной регрессии существует многокомпонентность и это предположение нарушается. В нескольких линейных регрессиях, таких как регрессия наименьших квадратов (OLSR), несколько корреляций между переменными влияют на оценку параметров, увеличивают погрешность модели и влияют на стабильность модели. Чтобы устранить многолинейную корреляцию между спектральными данными NIR, мы используем методы переменного отбора, которые максимизируют врожденную изменчивость образцов.
Здесь мы предлагаем использовать PLSR, который представляет собой обобщение нескольких линейных регрессии, которая широко используется в области NIRS11,12. PLSR интегрирует основные функции MLR, канонического анализа корреляции (CCA) и анализа основных компонентов (PCA) и сочетает анализ прогнозирования с немодельным анализом коннотации данных. PLSR можно разделить на две части. Первая часть выбирает компоненты характерных переменных и прогнозируемых компонентов путем частичного анализа наименьших квадратов (PLS). PLS максимизирует врожденную изменчивость основных компонентов, делая ковариантность основных компонентов и прогнозируемых компонентов как можно больше при извлечении основных компонентов. Далее для основных выбранных компонентов устанавливается модель концентрации OLSR о-кресола. PLSR подходит для анализа шумных данных с многочисленными независимыми переменными, которые сильно взаимосвязаны и сильно коррелируют, и для одновременного моделирования нескольких переменных ответа. Также PLSR извлекает эффективную информацию образцовых спектров, преодолевает проблему мультиколлинеритити, а также обладает преимуществами сильной стабильности и высокой точности прогнозирования13,14.
В следующем протоколе описывается процесс использования модели PLSR для измерения концентрации о-крезоля с использованием спектральных данных NIR. Надежность и точность модели оцениваются количественно с помощью
коэффициента определения (),
коэффициента корреляции прогноза () и средней квадратной ошибки прогнозирования перекрестной проверки (MSPECV). Более того, чтобы интуитивно показать преимущества PLSR, индикаторы оценки визуализированы в нескольких участках для качественного анализа. Наконец, индикаторы оценки эксперимента представлены в формате таблицы, чтобы количественно проиллюстрировать надежность и точность модели PLSR.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Приобретение данных спектра NIR с помощью спектрометра процессов Fourier transform (FT)-NIR
- Установите жидкий фазовый оптический волоконный зонд ближнего инфракрасного спектрометра на выход продукта полифенилэфира. И откройте программное обеспечение OPUS на верхнем компьютере, подключенном к инструменту, и начните настраивать измерение.
- Подключение к спектрометру
- В меню «Мера» выберите команду оптической настройки и обслуживания или нажмите значок из панели инструментов.
- На диалоге, который открывается, нажмите на вкладку Оптическая скамейка .
- Проверьте, в порядке ли настройки спектрометра. Если да, закройте диалог. Если нет, продолжайте шаг 4.
- Из списка выпадающих конфигураций выберите определенный тип спектрометра.
- Введите IP-адрес спектрометра в поле входа URL-адреса Optical Bench.
- Нажмите кнопку Подключите.
- Настройка параметров измерения
- В меню «Мера» выберите команду измерения или нажмите значок из панели инструментов.
- На диалоге, который открывается, определить параметры измерения на различных вкладок.
ПРИМЕЧАНИЕ: Подробная информация об отдельных параметрах измерения описана в Справочном руководстве OPUS. - Нажмите кнопку «Принять и выйти».
- Файл эксперимента для хранения
- В меню «Мера» выберите команду Advanced Measurement. Затем щелкните вкладку Advanced.
- На диалоге, который открывается, определить разрешение как 4 см-1.
- Определите количество сканирований как 16 сканирований в полях входа Ввода Примера/Фонового Сканирования.
- Определите путь для автоматического хранения измерительных данных от 4000 см-1-12,500 см-1.
- Определите тип данных для спектра результатов как абсорбция.
- Нажмите кнопку «Сохранить».
- В диалоге, который открывается, определите имя файла эксперимента и сохраните это имя.
- Измерение фонового спектра
- В меню «Мера» выберите команду Advanced Measurement.
- Нажмите на вкладку Optic.
- На открываемом диалоге щелкните список выпадающих диафрагмы и выберите то же значение, используемое для приобретения спектра образца.
- Нажмите на вкладку Basic.
- На открываемом диалоге нажмите кнопку Background Single Channel.
- Измерение спектра выборки
- Поместите образец в оптический путь спектрометра. Способ, в котором это делается, зависит от конфигурации спектрометра.
- В меню «Мера» выберите команду Advanced Measurement.
- Нажмите на вкладку Basic.
- На открываемом диалоге определите описание образца и форму образца в конкретном поле входа. Эта информация хранится вместе со спектром.
- Нажмите кнопку «Один канал образца», чтобы начать онлайн-измерение. И сохранить спектр NIR каждого сканирования, как OPUS файл.
- Соберите образцы полифенилена каждые 6 ч и проверьте концентрацию о-кресола с жидкой хроматографией в лаборатории промышленности для получения химической эталонной ценности.
ПРИМЕЧАНИЕ: Сотрудники лаборатории отраслевого поля берут каждый образец полифенилового эфира из розетки жидкой фазы полифенилового эфира. Содержание о-крезола в каждом образце измерялось три раза жидкой хроматографией. Затем среднее значение результатов трехкратного анализа было принято в качестве эталонного значения содержания o-cresol для уменьшения случайной ошибки. - Получить 600 химических эталонных значений концентрации о-крезола в лаборатории. Калибровочный диапазон концентрации о-крезоля составляет от 42,1063 мг/1 г полифенилового эфира до 51,6763 мг/1 г полифенилового эфира.
- Объедините спектры NIR в заданное время испытаний с химическими эталонными значениями концентрации о-крезол.
- Используйте программное обеспечение OPUS, чтобы прочитать оригинальный спектральный набор, как показано на рисунке 1.
- В меню файла щелкните команду Файлов нагрузки.
- В открываемом диалоге выберите определенный файл спектра.
- Нажмите кнопку "Открытая". Спектр отображается в окне спектра.
2. Предварительная обработка данных спектроскопии NIR
- С функцией спектральной предварительной обработки, получить спектральный набор данных, предварительно обработанных с производным первого порядка.
- Откройте Расшифровка, которая является многовариантным анализом данных и экспериментальным программным обеспечением для проектирования, выберите команду Импорта под файлом. Импортируйте файл OPUS в качестве исходного спектрального набора данных NIR.
- Выберите команду Преобразования под модифицировать. И выберите Савицкий Голей производные под деривативами.
- Определите образцы и переменные как все образцы и все переменные в области. И определить количество точек сглаживания как 13 и производная как1-й производной в параметрах.
- Нажмите OK, чтобы начать производную.
ВНИМАНИЕ: Увеличение гладкости может уменьшить резкие колебания кривой, уменьшить шумовой эффект, но и ослабить характеристики кривой и сделать кривую искаженной. Таким образом, соответствующая плавность выбрана в соответствии с наблюдением фактической интенсивности колебаний кривой и эффекта после обработки.
- Выполните нормализацию векторного спектра на образце спектра для нормализации значения абсорбции.
- Выберите команду нормализации под модифицировать.
- Определите образцы и переменные как все образцы и все переменные в области.
- Выберите нормализацию вектора в типе.
- Нажмите OK, чтобы выполнить нормализацию вектор.
3. Создание модели PLSR
- Создание спектрального набора спектральных данных NIR
- Открыть Uncrambler. exe, выберите Экспорт под файлом с файлами Matlab для экспорта предварительно обработанных спектральных данных, установленных в файл .mat, и для получения спектрального набора данных X автоматически с 2203 переменными.
- Получите полный спектральный набор данных NIR X (матрица 600 рядов и 2203 столбцов) и соответствующие значения химических ссылок Y (вектор 600 строк) в виде файла .mat для последующего анализа и моделирования.
- Выбор соответствующего количества основных компонентов
- Откройте Matlab и импортируйте файл .mat, содержащий предварительно обработанные ближнеинжексальные спектральные данные, в рабочее пространство, перетащив файл .mat в рабочее пространство.
ПРИМЕЧАНИЕ: Файл .mat хранит ближнеинфракрасные спектральные данные X как независимую переменную и содержание продукта o-cresol в качестве зависимой переменной в виде двух матриц. - Откройте запрограммированный файл .m в редакции. Нажмите Открыть под опцией редактора, выберите компилированный файл .m в каталоге хранения файлов, а затем нажмите Подтвердите.
- Извлеките 15 основных компонентов в соответствии с целью оптимизации Уравнения 1 и модели OLSR между извлеченными основными компонентами и прогнозируемыми значениями концентрации o-cresol с программой, содержащей командную plsregress() в Matlab.
«XL, YL, XS, YS, BETA, PCTVAR, MSE» - plsregress (X,Y,ncomp,'CV',k);
Обратитесь к справочному документу MATLAB, чтобы получить сведения об использовании и значение возврата.
ПРИМЕЧАНИЕ:
Уравнение 1
, 
и является iосновным компонентом спектральных данных NIR;
является проекцией iосновных компонентов спектральных данных NIR;
является коэффициентом корреляции Пирсона для основных компонентов ith и концентрации o-cresol. - Получить
значение спектральных данных NIR и прогнозируемые значения для различных основных компонентов с помощью Equation 2.
ПРИМЕЧАНИЕ:
Уравнение 2
является сумма квадратов из-за ошибки 
и определяется как ;
является общая сумма квадратов и 
определяется как ;
является эталонным значением концентрации o-cresol набора тестовых данных;
является прогнозируемое значение концентрации o-cresol набора данных;
— это среднее значение эталонной стоимости концентрации o-cresol набора данных;
— это количество образцов тестового набора данных. - Определить значения и тенденцию с увеличением числа основных компонентов, как показано на рисунке 2. Выберите 10 в качестве соответствующего количества основных компонентов со значением 0.9917.
ПРИМЕЧАНИЕ:
значение — это доля дисперсии в зависимой переменной, которая предсказуема независимыми переменными. Чем выше значение, тем выше добро и наоборот.
- Откройте Matlab и импортируйте файл .mat, содержащий предварительно обработанные ближнеинжексальные спектральные данные, в рабочее пространство, перетащив файл .mat в рабочее пространство.
- Проверка добросовестности и точности модели PLSR с 10 основными компонентами с помощью командной plsregress().
- Повторите процесс моделирования с 10 основными компонентами в виде шагов 3.2.1-3.2.5 с 10 основными компонентами.
- Оцените модель на основе 10-кратной перекрестной проверки с использованием участков процентной дисперсии, объясняемой в спектральных данных NIR, остаточных системах и MSPECV.
- Участок процент дисперсии объяснил в NIR спектральных данных, остатков, и MSPECV как цифры 3, 4 и 5.
- Табулировать показатели оценки ,
и MSPE 10-кратной перекрестной проверки для модели PLSR для количественного анализа, как показано в таблице 1.
ПРИМЕЧАНИЕ: Уравнения и MSPE показаны как уравнение 3 и уравнение 4.
Уравнение 3
Уравнение 4
является ковариантностью эталонного значения и прогнозируемого значения концентрации о-кресола; 
является стандартным отклонением эталонного значения концентрации о-крезола;
является стандартным отклонением прогнозируемого значения концентрации о-кресола.
Уравнение 1
, 
и является iосновным компонентом спектральных данных NIR;
является проекцией iосновных компонентов спектральных данных NIR;
является коэффициентом корреляции Пирсона для основных компонентов ith и концентрации o-cresol.
Уравнение 2
является сумма квадратов из-за ошибки 
и определяется как ;
является общая сумма квадратов и 
определяется как ;
является эталонным значением концентрации o-cresol набора тестовых данных;
является прогнозируемое значение концентрации o-cresol набора данных;
— это среднее значение эталонной стоимости концентрации o-cresol набора данных;
— это количество образцов тестового набора данных.
значение — это доля дисперсии в зависимой переменной, которая предсказуема независимыми переменными. Чем выше 
Уравнение 3
Уравнение 4
является ковариантностью эталонного значения и прогнозируемого значения концентрации о-кресола; 
является стандартным отклонением эталонного значения концентрации о-крезола;
является стандартным отклонением прогнозируемого значения концентрации о-кресола.Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Прогнозируемое значение нечистоты о-кресола в продуктах полифенилового эфира получено с помощью спектроскопии на основе ОКОЛО инфракрасного спектроскопии на основе PLSR. Рисунок 2 и рисунок 3 соответственно показывают надежность метода на этапе выбора объектов из кривой коэффициента принятия решений и процент интерпретации ошибок, увеличивающийся вместе с числом основных компонентов.
В частности, обратите внимание, что при выборе основных компонентов, с тем чтобы свести к минимуму сложность модели, как правило, когда два показателя не увеличиваются значительно по сравнению с числом основных элементов, последующие основные элементы с меньшим количеством информации могут быть отброшены. В этой работе, в соответствии с двумя кривыми, когда 0.9917, это порог, чтобы отказаться от последующих основных компонентов.
Визуально проверить точность и стабильность метода для прогнозирования чистоты продуктов o-cresol с помощью показанных Рисунок 4 и Рисунок 5. Основываясь на учебном наборе и тестовом наборе, генерируемых образцами о-крезоля, полученными из промышленного поля, и их соответствующих данных о спектроскопии ближнего инфракрасного спектроскопии, мы сравнили остаточную и среднее квадратную погрешность прогнозируемых и эталонных значений чистоты полифениловых эфирных продуктов.
Остаточная здесь ссылка на разницу между эталонным значением содержания o-cresol и оценкой модели PLSR (установленное значение). Использование информации, предоставляемой остатками, может помочь нам изучить рациональность установленных предположений модели PLSR и надежность сбора ближнеинжетно-инфракрасных спектральных данных. Показано, что метод PLSR эффективно сокращает остатки до приемлемого диапазона. Кроме того, PLSR имеет небольшой диапазон колебаний от -0,2 до 0,2, в то время как диапазон калибровки составляет от 42,1063 мг/1 г полифенилового эфира до 51,6763 мг/1 г полифенилового эфира. Остаточные данные участка позволяют сделать вывод о том, что PLSR для измерения содержания o-cresol на основе спектральных данных NIR имеет высокую точность.
Среднее квадратное значение перекрестной проверки является мерой степени разницы между ссылкой и прогнозируемым содержанием o-cresol. Это может помочь нам оценить степень изменений в прогностических данных. Чем меньше значение MSE, тем лучше точность прогностической модели, описывающей содержание o-cresol. На рисунке 5 указывается, что MSPECV для измерения концентрации о-кресол на основе PLSR уменьшается по мере увеличения числа основных компонентов и достигает приемлемого минимума в 10 основных компонентов. Кроме того, ошибка значительно уменьшается и процесс спуска относительно стабилен. Это доказывает, что PLSR приводит к высокой стабильности для измерения концентрации o-cresol с использованием NIRS.
Индикаторы оценки модели для 10-кратной перекрестной проверки отображаются в таблице 1. 0.98332 довольно высок для PLSR, что указывает на то, что модель, основанная на PLSR, хорошо отражает линейную связь между спектральными данными NIR и концентрацией o-cresol (т.е. модель имеет более сильную пояснительную силу). Коэффициент корреляции Пирсона представляет собой статистику, используемую для отражения степени линейной корреляции между двумя переменными. Чем больше абсолютное значение, тем сильнее корреляция. Это может помочь количественно наблюдать линейную корреляцию между прогнозируемым значением содержания o-cresol и химическим эталонным значением для подтверждения надежности модели. Средняя относительная погрешность прогноза (MRPE) 0.01106 очень низка для PLSR, а коэффициент корреляции прогноза 0.99161 велик; поэтому модель PLSR имеет большую стабильность и точность прогнозирования.
Рисунок 1. Оригинальный спектр NIR, взятый с помощью спектрометра FT-NIR. На рисунке показан необработанный спектральный набор данных, собранный в течение определенного периода времени спектрометром FT-NIR. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 2. Коэффициент определения концентрации о-кресола, определяемый PLSR. Цифра показывает тенденцию коэффициента определения концентрации о-кресола с увеличением количества компонентов. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 3. Процентная дисперсия объясняется в спектральных данных NIR для PLSR. Цифра показывает процентное отклонение, объясняемое в спектральных данных NIR для основных компонентов в рамках PLSR. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 4. Остаточный PLSR для тестового набора. На рисунке показаны остатки 200 образцов тестового набора для PLSR. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 5. MSPECV of the PLSR. Точность модели PLSR оценивалась с помощью 10-кратной перекрестной проверки; модель MSPECV показана на рисунке 5. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
| Интерпретация | Точность прогнозирования | ||
| PLSR | R2 | Rp | MRPECV |
| 0.98332 | 0.9916 | 0.01106 |
Таблица 1. Индексы оценки модели. В таблице 1 показаны индикаторы оценки модели для 10-кратной перекрестной проверки.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Этот протокол описывает процесс выполнения PLSR по измерению концентрации o-cresol, оставшейся в жидком продукте полифенилена эфира с NIRS.
Двумя важнейшими шагами в этом процессе являются предварительная обработка исходных спектральных данных NIR и выбор переменных высокомерных спектральных данных NIR.
Как правило, несистематическое фоновое вмешательство приводит к несистематическому отклонению рассеяния или базовому дрейфу спектра NIR. Правильный метод предобработки NIR (производная, нормализация, мультивариатная коррекция рассеяния и т.д.), как первый критический шаг, устраняет фоновые помехи и увеличивает соотношение сигнала к шуму данных.
Несколько линейных корреляций, существующих в высокомерных спектральных данных NIR, вводят ненужные вычисления и снижают эффективность работы регрессионной модели. Кроме того, существуют избыточные переменные, которые имеют слабую или даже не связанную с содержанием о-крезола в продуктах жидкого полифенилового эфира. Выбор переменной, основанный на PLS, как второй критический шаг, решает две вышеперечисленные проблемы, что снижает сложность модели и повышает ее надежность по сравнению с прямым использованием OLSR для моделирования.
Кроме того, технология имеет свои ограничения, как следующие. Во-первых, это требует отсутствия существенной нелинейной корреляции между различными размерными переменными спектральных данных NIR. Поскольку алгоритм PLS основан на ожидании максимизации дисперсии переменных спектральных данных NIR и максимизации корреляции Пирсона между выбранным основным компонентом и содержанием o-cresol. Таким образом, работа алгоритма на данных по существу представляет собой линейное сочетание высокомерных переменных, которое не включает в себя возможную нелинейную связь между данными15. Во-вторых, из-за автономного моделирования, он не может быть самообновленным. Наша работа еще не охватывает влияние взаимодействия между молекулами o-cresol и растворителя или другими молекулами примесей на NIRS. Взаимодействие между о-крезолом и растворителями или другими молекулами примесей может оказать неожиданное влияние на NIRS, но мы до сих пор не нашли подходящего метода количественной оценки этого эффекта. В-третьих, изменение окружающей среды, условий работы и других факторов может привести к дрейфу концепции модели.
Однако для существующих методов, таких как физический или химический анализ разделения для измерения содержания химических веществ в химической промышленности, NIRS обнаруживает состав и структурную информацию о содержании химических веществ из микроскопической молекулярной точки зрения. В целом качественный переход на макроскопический уровень обусловлен количественными изменениями на микроскопическом уровне. Таким образом, эта технология имеет более сильную точность, своевременность и чувствительность, чем другие методы. Кроме того, в сочетании с технологией анализа данных можно эффективно использовать промышленные большие данные, что способствует промышленной автоматизации и даже интеллектуальному строительству.
В будущем, эта технология может быть гибко применена к онлайн-измерению содержания различных жидких или твердых фаз химических веществ в других тонких отраслях процесса, где измерение общих датчиков и лабораторных измерений трудно или не в состоянии удовлетворить промышленные требования16. Кроме того, эта технология может быть широко сочетается с передовой технологией управления из-за обратной связи в режиме реального времени переменных анализа и, таким образом, удовлетворить более высокие промышленные требования17,18,19.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Авторам нечего раскрывать.
Acknowledgments
Эта работа была поддержана Национальным фондом естественных наук Китая (Грант No 61722306 и 61473137) и Национальной первоклассной дисциплинарной программой легкой промышленности (LITE2018-025).
Materials
| Name | Company | Catalog Number | Comments |
| MPA II Multi Purpose FT-NIR Analyzer | Bruker | 1 | |
| Fiber Optic Probes(Liquid phase) | Bruker | 1 | |
| Liquid chromatography analyzer | / | 1 | |
| Laboratory Equipment and Supplies(e.g. test tube, etc.) | / | ||
| MATLAB | MathWork | 1 | |
| OPUS | Bruker | 1 | |
| Principal computer | DELL | 1 | |
| The Unscrambler | CAMO | 1 |
References
- Nicolai, B. M., et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review. Postharvest Biology and Technology. 46 (2), 99-118 (2007).
- Chang, C. W., Laird, D. A., Mausbach, M. J., Hurburgh, C. R. Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties. Soil Science Society of America Journal. 65 (2), 480-490 (2001).
- Chen, Y., et al. Near-infrared spectroscopy for rapid evaluation of different processing products of Sophora japonica. L. Spectroscopy Letters. 51 (1), 37-44 (2018).
- Cayuela, J. A., Garcia, J. F. Nondestructive measurement of squalene in olive oil by near infrared spectroscopy. LWT-FOOD SCIENCE AND TECHNOLOGY. 88, 103-108 (2018).
- Joaquim, M. Polyphenyl Ether Lubricants. Synthetic Lubricants and High-performance Functional. Rudnick, R. L., Shubkin, R. L. , Marcel Dekker, Inc. NY. 239 (1999).
- Grabowska, H., Kaczmarczyk, W., Wrzyszcz, J. Synthesis of 2,6-Xylenol by Alkylation of Phenol with Methanol. Applied Catalysis. 47 (2), 351-355 (1989).
- Jeon, D. B., et al. Determination of volatile organic compounds, catechins, caffeine and theanine in Jukro tea at three growth stages by chromatographic and spectrometric methods. FOOD CHEMISTRY. 219, 443-452 (2016).
- Davidyuk, E. I., Demchenko, V. F., Klisenko, M. A. Rapid group separation and identification of chlorinated organic compounds by high performance liquid chromatography. JOURNAL OF ANALYTICAL CHEMISTRY. 52 (11), 1058-1065 (1997).
- Rinnan, A., Berg, F., Engelsen, S. B. Review of the most common pre-processing techniques for near-infrared spectra. TrAC Trends in Analytical Chemistry. 28 (10), 1201-1222 (2009).
- Zou, X. B., Zhao, J. W., Povey, M. J. W., Holmes, M., Mao, H. P. Variables selection methods in near-infrared spectroscopy. Analytica Chimica Acta. (1-2), 14-32 (2010).
- Dunn, B. W., Beecher, H. G., Batten, G. D., Ciavarella, S. The potential of near-infrared reflectance spectroscopy for soil analysis - a case study from the Riverine Plain of south-eastern Australia. Australian Journal of Experimental Agriculture. 42 (5), 607-614 (2002).
- Wang, C. K., Zhang, T. L., Pan, X. Z. Potential of visible and near-infrared reflectance spectroscopy for the determination of rare earth elements in soil. Geoderma. 306, 120-126 (2017).
- Gatius, F., Miralbes, C., David, C., Puy, J. Comparison of CCA and PLS to explore and model NIR data. Chemometrics and Intelligent Laboratory Systems. , 76-82 (2017).
- Wold, S., Sjostrom, M., Eriksson, L. PLS-regression: a basic tool of chemometrics. Chemometrics & Intelligent Laboratory. 58 (2), 109-130 (2001).
- Douglas, R. K., Nawar, S., Alamar, M. C., Mouazen, A. M., Coulon, F. Rapid prediction of total petroleum hydrocarbons concentration in contaminated soil using vis-NIR spectroscopy and regression techniques. SCIENCE OF THE TOTAL ENVIRONMENT. 616, 147-155 (2017).
- Grassi, S., Alamprese, C. Advances in NIR spectroscopy applied to process analytical technology in food industries. CURRENT OPINION IN FOOD SCIENCE. 22 (SI), 17-21 (2018).
- Trung, T., Downes, G., Meder, R., Allison, B. Pulp mill and chemical recovery control with advanced analysers - from trees to final product. APPITA. 68 (1), 39-46 (2015).
- Vann, L., Sheppard, J. 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. Journal of Industrial Microbiology& Biotechnology. 44 (12), 1589-1603 (2017).
- Modrono, S., Soldado, A., Martinez-Fernandez, A., de la Roza-Delgado, B. Handheld NIRS sensors for routine compound feed quality control: Real time analysis and field monitoring. TALANTA. 162, 597-603 (2017).
