O-cresol koncentration online måling baseret på nær infrarød spektroskopi via delvis mindst kvadratisk regression

Engineering

Your institution must subscribe to JoVE's Engineering section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

Summary

Protokollen beskriver en metode til forudsigelse af o-cresolkoncentrationen under produktionen af polyphenylen ether ved hjælp af nær-infrarød spektroskopi og delvis mindste kvadrater regression. For at beskrive processen mere klart og fuldstændigt anvendes et eksempel på forudsigelse af o-cresolkoncentrationen under produktionen af polyphenylen til at tydeliggøre trinene.

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Chen, Z., Zheng, N., Luan, X., Liu, F. O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression. J. Vis. Exp. (153), e59077, doi:10.3791/59077 (2019).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

I modsætning til makroskopiske procesvariabler, nær-infrarød spektroskopi giver proces information på molekyleniveau og kan betydeligt forbedre forudsigelse af komponenterne i industrielle processer. Evnen til at optage Spectra for faste og flydende prøver uden nogen forbehandling er fordelagtig, og metoden er meget udbredt. Men ulemperne ved at analysere højdimensionale nær-infrarøde spektraldata omfatter information redundans og fler linearitet af spektraldata. Derfor foreslår vi at bruge delvis mindste kvadraters regressionsmetode, som traditionelt er blevet brugt til at reducere data dimensionalitet og eliminere collineariteten mellem de oprindelige funktioner. Vi implementerer metoden til forudsigelse af o-cresolkoncentrationen under produktionen af polyphenylen ether. Den foreslåede tilgang giver følgende fordele i forhold til komponent regression forudsigelse metoder: 1) delvis mindste kvadrater regression løser det fler linearitets problem af de uafhængige variabler og effektivt undgår over montering, som opstår i en regressionsanalyse på grund af den høje korrelation mellem de uafhængige variabler; 2) brugen af den nær-infrarøde spektre resulterer i høj nøjagtighed, fordi det er en ikke-destruktiv og ikke-forurenende metode til at indhente oplysninger i mikroskopiske og molekylære skalaer.

Introduction

Near Infrared (NIR) spectroskopi (NIRS) har vundet bred accept som en hurtig, effektiv, ikke-destruktiv og ikke-forurenende moderne analytisk teknologi; metoden har været anvendt i de sidste mange år til påvisning og analyse af produktkvalitet og måling af kemiske komponenter i industrielle processer. Den mest essentielle specialitet af metoden er dens evne til at registrere spektre for faste og flydende prøver uden nogen forbehandling, hvilket gør NIRS specielt egnet til direkte og hurtig påvisning og analyse af naturlige og syntetiske produkter1,2. I modsætning til traditionelle sensorer, der måler procesvariabler (f. eks. temperatur, tryk, væskeniveau osv.) i en makroskopisk skala og uundgåeligt udsættes for ekstern støj og baggrundsinterferens, registrerer NIRS de strukturelle oplysninger om den kemiske sammensætning i mikroskopiske og molekylære skalaer. Således kan væsentlige oplysninger måles mere præcist og effektivt end med andre metoder3,4.

Polyphenyl ether, som en af de tekniske plast, er almindeligt anvendt på grund af sin varmebestandighed, flammehæmmende, isolering, elektriske egenskaber, dimensionel stabilitet, slagfasthed, krybe modstand, mekanisk styrke og andre egenskaber5. Endnu vigtigere, det er ikke-giftige og harmløse i forhold til andre tekniske plast. På nuværende tidspunkt, 2, 6-xylenol er en af de grundlæggende råvarer til syntesen af polyphenylen ether, og det er normalt fremstillet af katalyseret alkylering af phenol med methanol metode6. Der er to hovedprodukter af denne tilberedningsmetode, o-cresol og 2, 6-xylenol. Efter en række adskillelse og ekstraktion trin, 2, 6 xylenol anvendes til fremstilling af polyphenylen ether. Dog forbliver spormængder af o-cresol i 2, 6-xylenol. O-cresol deltager ikke i syntesen af polyphenylen ether og vil forblive i polyphenylen ether produkt, hvilket resulterer i et fald i produktets kvalitet eller endda substandard. På nuværende tidspunkt analyserer de fleste virksomheder stadig sammensætningerne af komplekse organiske blandinger såsom flydende fase polyphenyl ether-produkter, der indeholder urenheder (f. eks. o-cresol) ved fysisk eller kemisk separations analyse såsom kromatografi7,8. Adskillelsesprincippet for kromatografi er anvendelsen af blandingen af kompositioner i den faste fase og strømnings fasen i opløsningen, analysen, adsorption, desorption eller anden affinitet af de mindre forskelle i ydeevnen. Når de to faser bevæger sig i forhold til hinanden, adskilles kompositioner af ovenstående handlinger gentagne gange i de to faser. Afhængigt af objektet, det tager normalt et par minutter til et par snesevis af minutter til at fuldføre en kompleks materiale adskillelse operation. Det kan ses, at måle effektiviteten er lav.

I dag er målingen af produktkvalitet og avanceret kontrol teknologi baseret på denne analyse for den moderne fine proceskemiske materialer industrien den vigtigste retning for yderligere at forbedre produktets kvalitet. I processen industri af polyphenyl ether produktion, real-time måling af o-cresol indhold i polyphenylen ether produkt er af stor udviklings betydning. Kromatografi analyse kan tydeligvis ikke opfylde kravene til avanceret styringsteknologi til realtids måling af stoffer og signal feedback. Derfor foreslår vi den delvise mindste kvadraters regression (PLSR) metode til at etablere en lineær model mellem de NIRS data og o-cresol koncentration, som realisere online måling af o-cresol indhold i flydende polyphenylen ether produkt af Outlet .

Pre-Processing for NIRS spiller den vigtigste rolle forud for Multivariat Statistisk modellering. NIRS wavenumbers i NIR spektret og partikel størrelserne af biologiske prøver er sammenlignelige, så det er kendt for uventede scatter effekter, der har indflydelse på den indspillede prøve spektre. Ved at udføre passende forbehandling metoder, disse virkninger er let at blive elimineret stort set9. De mest almindeligt anvendte forbehandlings teknikker i NIRS er kategoriseret som scatter korrektion og spektral afledte metoder. Første gruppe af metoder omfatter multiplicativ scatter korrektion, detrending, standard normale variat transformationer, og normalisering. De spektral aflednings metoder omfatter anvendelse af første og andet derivater.

Før der udvikles en kvantitativ regressionsmodel, er det vigtigt at fjerne de usystematiske scatter variationer fra de NIRS-data, fordi de har en betydelig indflydelse på nøjagtigheden af forudsigelses modellen, dens kompleksitet og parsimoni. Udvælgelsen af en egnet forbehandlings metode bør altid afhænge af det efterfølgende modellerings trin. Her, hvis NIR spektral DataSet ikke følger Lambert-Beer lov, så andre faktorer har tendens til at kompensere for den ikke-ideelle opførsel af forudsigelse for forudsagte komponenter. Ulempen ved eksistensen af sådanne unødvendige faktorer fører til en stigning i model kompleksitet, selv højst sandsynligt, en reduktion i robusthed. Anvendelsen af spektral derivater og en konventionel normalisering af spektral dataene er således en væsentlig del af metoden.

Efter spektral forbehandling opnås de NIRS data med et højt signal-støj-forhold og lav baggrundsinterferens. Moderne NIRS analyse giver hurtig erhvervelse af store mængder af absorbans over en passende spektral rækkevidde. Prøvens kemiske sammensætning forudsiges derefter ved at udtrække de relevante variabler ved hjælp af de oplysninger, der er indeholdt i spektral kurven. Generelt kombineres NIRS med multivariat analyseteknikker til kvalitative eller kvantitative analyser10. En multivariat lineær regression (MLR) analyse er almindeligt anvendt til at udvikle og minedrift den matematiske forhold mellem data og komponenterne i industrielle processer og har været meget anvendt i NIRS analyse.

Der er imidlertid to grundlæggende problemer i forbindelse med gennemførelsen af en MLR for forbehandlede NIRS-data. Et problem er den variable redundans. Den høje dimensionalitet af de NIRS data gør ofte forudsigelse af en afhængig variabel upålidelig, fordi variabler er inkluderet, der ikke har nogen sammenhæng med komponenterne. Disse overflødige variabler reducerer informations effektiviteten af spektral dataene og påvirker nøjagtigheden af modellen. For at eliminere den variable redundans er det vigtigt at udvikle og maksimere korrelationen mellem de NIRS data og de forventede komponenter.

Et andet problem er spørgsmålet om fler linearitet i de NIRS data. En af de vigtigste forudsætninger for flere lineære regressionsmodeller er, at der ikke er noget lineært forhold mellem nogen af de forklarende variabler i regressionsmodellen. Hvis dette lineære forhold eksisterer, er det bevist, at der er fler linearitet i den lineære regressionsmodel, og antagelsen er overtrådt. I flere lineære regressioner, såsom en almindelig mindste kvadraters regression (OLSR), påvirker flere korrelationer mellem variablerne parameter estimatet, forøger model fejlen og påvirker modellens stabilitet. For at eliminere den multilineære korrelation mellem NIR spektraldata bruger vi variable udvælgelsesmetoder, der maksimerer prøvernes iboende variabilitet.

Her foreslår vi at bruge plsr, som er en generalisering af flere lineære regression, der har været meget udbredt i området for NIRS11,12. PLSR integrerer de grundlæggende funktioner i MLR, Canonical korrelationsanalyse (CCA) og hovedkomponent analyse (PCA) og kombinerer prognose analysen med en ikke-model data konnotation analyse. PLSR kan opdeles i to dele. Den første del vælger komponenterne i de karakteristiske variabler og de forudsagte komponenter ved delvis mindste kvadraters analyse (PLS). PLS maksimerer den iboende variabilitet af hovedkomponenterne ved at gøre kovariansen af hovedkomponenterne og de forudsagte komponenter så store som muligt ved udvinding af hovedkomponenterne. Dernæst er OLSR-modellen for o-cresolkoncentrationen fastlagt for de valgte hovedkomponenter. Plsr er velegnet til analyse af støjende data med talrige uafhængige variabler, der er stærkt kollineære og meget korreleret og for den samtidige modellering af flere responsvariabler. Også, plsr ekstrakter den effektive information af prøven Spectra, overvinder problemet med fler linearitet, og har fordelene ved stærk stabilitet og høj forudsigelse nøjagtighed13,14.

Følgende protokol beskriver processen med anvendelse af PLSR-modellen til måling af o-cresolkoncentrationen ved hjælp af NIR spektraldata. Modellens pålidelighed og nøjagtighed evalueres kvantitativt ved hjælp af justeringskoefficienten (Equation 1), prognose korrelationskoefficienten (Equation 2) og den gennemsnitlige prognosefejl ved kryds validering (mspecv). Desuden, for intuitivt at vise fordelene ved PLSR, er evaluerings indikatorerne visualiseret i flere grunde til en kvalitativ analyse. Endelig er evaluerings indikatorerne for et eksperiment præsenteret i tabelformat for kvantitativt at illustrere PLSR-modellens pålidelighed og præcision.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. NIR Spectrum data erhvervelse med Fourier Transform (ft)-NIR Process spektrometer

  1. Installer væske fasens optiske fiber sonde af det nær-infrarøde spektrometer ved udløbet af polyphenyl ether-produktet. Og Åbn Opus -softwaren på den øverste computer, som er tilsluttet instrumentet, og begynd at konfigurere målingen.
  2. Tilslutning til spektrometer
    1. Vælg kommandoen optisk opsætning og tjeneste i menuen måling , eller klik på ikonet på værktøjslinjen.
    2. Klik på fanen optisk bænk i den dialogboks, der åbnes.
    3. Kontrollér, om indstillingerne for spektrometer er OK. Hvis ja, Luk dialogen. Hvis nej, Fortsæt med trin 4.
    4. Vælg den specifikke spektrometer type på rullelisten konfiguration .
    5. Indtast spektrometerens IP-adresse i feltet til den optiske Bench-webadresse .
    6. Klik på knappen Opret forbindelse .
  3. Opsætning af målings parametre
    1. Vælg kommandoen måling i menuen mål , eller klik på ikonet på værktøjslinjen.
    2. Definer måle parametrene på de forskellige faner i den dialogboks, der åbnes.
      Bemærk: detaljerne om de enkelte måleparametre er beskrevet i OPUS-reference manualen.
    3. Klik på knappen accepter &Amp; exit .
  4. Gemmer eksperiment filen
    1. Vælg kommandoen Avanceret måling i menuen måling . Klik derefter på fanen Avanceret .
    2. I den dialogboks, der åbnes, skal du definere opløsningen som 4 cm-1.
    3. Definer antallet af scanninger som 16 scanninger i felterne eksempel-/baggrundsscanningstid .
    4. Definer stien til automatisk lagring af måledata fra 4.000 cm-1-12.500 cm-1.
    5. Bestem datatypen for resultat spektret som absorbans.
    6. Klik på knappen Gem .
    7. I den dialogboks, der åbnes, skal du definere et navn til eksperiment filen og gemme dette navn.
  5. Måling af baggrunds spektrum
    1. Vælg kommandoen Avanceret måling i menuen måling .
    2. Klik på fanen optik .
    3. I den dialogboks, der åbnes, skal du klikke på rullelisten blændeindstilling og vælge den samme værdi, der bruges til at erhverve et prøve spektrum.
    4. Klik på fanen grundlæggende .
    5. I den dialogboks, der åbnes, klik på knappen baggrund enkelt kanal .
  6. Måling af prøve spektrum
    1. Placer prøven i spektrometrets optiske sti. Den måde, hvorpå dette sker, afhænger af spektrometer konfigurationen.
    2. Vælg kommandoen Avanceret måling i menuen måling .
    3. Klik på fanen grundlæggende .
    4. I den dialogboks, der åbnes, skal du definere eksempel beskrivelsen og eksempelformularen i det pågældende indtastningsfelt. Disse oplysninger lagres sammen med spektret.
    5. Klik på knappen eksempel på en enkelt kanal for at starte online målingen. Og gemme NIR spektret af hver scanning som OPUS fil.
  7. Polyphenylen prøverne opsamles hver 6 h, og o-cresolkoncentrationen testes med væskekromatografi i industriens laboratorium for at opnå en kemisk referenceværdi.
    Bemærk: laboratoriepersonale på industriområdet tage hver polyphenyl ether prøve fra udløbet af væsken fase polyphenyl ether. O-cresolindholdet i hver prøve blev målt tre gange ved væskekromatografi. Derefter blev middelværdien af resultaterne af tre-Times-analysen taget som referenceværdien for o-cresol-indholdet for at reducere utilsigtet fejl.
  8. Opnå 600 kemiske referenceværdier for koncentrationen af o-cresol i laboratoriet. Kalibrerings intervallet for o-cresolkoncentrationen er fra 42,1063 mg/1 g polyphenyl ether produkt til 51,6763 mg/1 g polyphenyl ether produkt.
  9. NIR Spectra kombineres ved de givne test tider med de kemiske referenceværdier for o-cresolkoncentrationen.
  10. Brug software OPUS til at læse det oprindelige spektral sæt som vist i figur 1.
    1. Klik på kommandoen Indlæs fil i menuen filer .
    2. Vælg den pågældende spektrumfil i den dialogboks, der åbnes.
    3. Klik på knappen Åbn . Spektret vises i spektrumvinduet.

2. NIR spektroskopi data forbehandling

  1. Med spektral forbehandling funktion i, få spektral datasæt forbehandlet med første-ordre derivat.
    1. Åbn unscrambler , som er en multivariat dataanalyse og eksperimentel design software, Vælg kommandoen Importer under fil. Importer Opus-filen som originalt NIR spektral DataSet.
    2. Vælg Transformations kommando under Rediger. Og vælg Savitzky Golay-derivater under derivater.
    3. Definer prøverne og variablerne som alle prøver og alle variabler i omfang. Og Definer antallet af udjævningen punkter som 13 og derivatet som 1St derivat i parametre.
    4. Klik på OK for at starte derivatet.
      Forsigtig: stigningen i glathed kan reducere de skarpe udsving i kurven, reducere støj effekten, men også svække egenskaberne af kurven og gøre kurven forvrænget. Derfor er den passende glathed valgt i henhold til observation af den faktiske udsvings intensitet af kurven og virkningen efter forarbejdning.
  2. Udfør vektor normalisering på prøve spektre for at normalisere værdien af absorbansen.
    1. Vælg kommandoen normalisering under Rediger.
    2. Definer prøverne og variablerne som alle prøver og alle variabler i omfang.
    3. Vælg vektor normalisering i typen.
    4. Klik på OK for at udføre vektor normalisering.

3. etablering af PLSR-model

  1. Oprettelse af NIR spektraldata sættet
    1. Åbn Uncrambler. exe, skal du vælge Eksporter under fil med MATLAB -filerne for at eksportere de forbehandlede spektral datasæt til. mat-filen og automatisk få spektraldata sættet X med 2203-variabler.
    2. Få et komplet NIR spektral DataSet X (en matrix med 600 rækker og 2203 kolonner) og de tilsvarende kemiske referenceværdier Y (en vektor på 600 rækker) i form af. mat-fil til efterfølgende analyse og modellering.
  2. Udvælgelse af det relevante antal hovedkomponenter
    1. Åbn MATLAB , og Importer. mat-filen, der indeholder de forbehandlede, nær infrarøde spektraldata, til arbejdsområdet ved at trække. mat-filen til arbejdsområdet.
      Bemærk:. mat-filen gemmer de nær-infrarøde spektraldata X som en uafhængig variabel og o-cresol-indholdet i produktet som en afhængig variabel i form af to matricer.
    2. Åbn den programmerede. m-fil i editoren. Klik på Åbn under redigerings indstillingen, Vælg filen Compiled. m i fillagrings mappen, og klik derefter på Bekræft.
    3. Udtræk 15 hovedkomponenter i overensstemmelse med optimerings målsætningen for LIGNING 1 og OLSR-modellen mellem de ekstraherede hovedkomponenter og de forventede værdier af o-cresol-koncentrationen med det program, der indeholder kommandoen plsregress () i MATLAB.
      [XL, YL, XS, YS, BETA, PCTVAR, MSE] = plsregress (X, Y, ncomp, ' CV ', k);
      Se MATLAB-hjælpedokumentet for at få oplysninger om brug og returværdien.
      Bemærk: Equation 3 ligning 1Equation 4
      Equation 5, og Equation 6 er de vigtigste bestanddele af NIR spektraldata;
      Equation 7er projektionen af de vigtigste bestanddele af NIR- spektraldata;
      Equation 8er Pearsons korrelationskoefficient for de vigtigste komponenter og o-cresolkoncentrationen.
    4. Opnå Equation 1 værdien af NIR-spektraldata og de forventede værdier for de forskellige hovedkomponenter ved hjælp af ligning 2.
      Bemærk: Equation 9 ligning 2
      Equation 10er summen af kvadrater på grund af fejl og er defineret Equation 11 som;
      Equation 12er den totale sum af kvadrater og er defineret Equation 13 som;
      Equation 14er referenceværdien af o-cresolkoncentrationen af test datasæt
      Equation 15er den forventede værdi af o-cresolkoncentrationen af test datasæt
      Equation 16er middelværdien af referenceværdien af o-cresolkoncentrationen af test datasæt
      Equation 17er antallet af prøver af test datasæt.
    5. Fastlægge Equation 1 værdierne og tendensen med et stigende antal hovedkomponenter som vist i figur 2. Vælg 10 som det relevante antal hovedkomponenter med Equation 1 værdien 0,9917.
      Bemærk:Equation 18 værdien er den andel af variansen i den afhængige variabel, der er forudsigelig af de uafhængige variabler. Jo højere Equation 1 værdien er, jo højere er den gode pasform og omvendt.
  3. Validering af PLSR-modellens godhed og nøjagtighed med 10 hovedkomponenter ved hjælp af kommandoen plsregress ().
    1. Gentag modelleringsprocessen med 10 hovedkomponenter som trin 3.2.1-3.2.5 med 10 hovedkomponenter.
    2. Evaluer modellen baseret på en 10-fold kryds validering ved hjælp af observationsområderne for den procentvise afvigelse forklaret i NIR spektraldata, residualerne og mspecv.
    3. Afbild den procentvise afvigelse, som forklares i NIR spektraldata, residualerne og mspecv som figur 3, 4 og 5.
    4. Equation 1 Tabel 1viser evaluerings indikatorerneEquation 2for og mspe'en for 10 gange kryds validering for plsr-modellen for en kvantitativ analyse.
      Bemærk: ligninger af Equation 2 og mspe vises som ligning 3 og ligning 4.
      Equation 19Ligning 3
      Equation 20Ligning 4
      Equation 21er kovariansen af referenceværdien og den forventede værdi af koncentrationen af o-cresol Equation 22 er standardafvigelsen for referenceværdien af koncentrationen af o-cresol
      Equation 23er standardafvigelsen for forventet værdi af o-cresolkoncentrationen.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Den forventede værdi af o-cresol urenhed i polyphenyl ether produkter opnås ved PLSR-baserede nær-infrarød spektroskopi. Figur 2 og figur 3 viser henholdsvis metodens pålidelighed i funktions selektions fasen fra kurven for beslutnings koefficienten og fejlfortolknings procenten, som stiger med antallet af hovedbestanddele.

Specifikt skal det bemærkes, at ved udvælgelsen af de vigtigste komponenter, for at minimere kompleksiteten af modellen, generelt, når de to indikatorer ikke stiger væsentligt med antallet af hovedelementer, kan de efterfølgende hovedelementer med færre oplysninger kasseres. I dette papir, ifølge de to kurver, hvornår Equation 1 er 0,9917, er det tærsklen til at kassere efterfølgende hovedbestanddele.

Visuelt teste nøjagtigheden og stabiliteten af metoden til forudsigelse af renheden af o-cresol produkter ved hjælp af vist figur 4 og figur 5. Baseret på de Trænings-og testsæt, der genereres af o-cresol-prøverne fra industriområdet og deres tilsvarende nær-infrarøde spektroskopi-data, sammenlignede vi den resterende og gennemsnitlige kvadratiske fejl af de forventede og referenceværdier for renheden af polyphenyl ether-produkter.

Den resterende her refererer til forskellen mellem o-cresol-Indholdsreference værdien og PLSR-model estimatet (monteret værdi). Brug af oplysningerne fra residualerne kan hjælpe os med at undersøge rationaliteten af de etablerede PLSR modelantagelser og pålideligheden af indsamling nær-infrarøde spektraldata. Det er vist, at PLSR metode effektivt reducere residualerne til et acceptabelt interval. Desuden har PLSR en lille udsvingsinterval fra-0,2 til 0,2, mens kalibreringsområdet er fra 42,1063 mg/1 g polyphenyl ether produkt til 51,6763 mg/1 g polyphenyl ether produkt. De resterende plot data Lad os indgå kvalitativt, at PLSR for måling af o-cresol indhold baseret på NIR spektraldata har stor nøjagtighed.

Cross-validering Mean Square fejl er et mål for graden af forskellen mellem referencen og det forventede o-cresol indhold. Dette kan hjælpe os med at evaluere graden af ændringer i forudsigende data. Jo mindre værdien af MSE er, jo bedre er nøjagtigheden af den forudsigende model, der beskriver o-cresol-indholdet. Figur 5 indikerer, at MSPECV for koncentrationen af o-cresol på basis af plsr-reduktionen, da antallet af hovedkomponenter stiger og når op på et acceptabelt minimum ved 10 hovedkomponenter. Desuden, fejlen falder betydeligt, og nedstignings processen er forholdsvis stabil. Dette beviser, at PLSR resulterer i høj stabilitet for måling af o-cresol koncentration ved hjælp af NIRS.

Model evaluerings indikatorerne for en 10-fold kryds validering er vist i tabel 1. Den Equation 1 af 0,98332 er temmelig høj for plsr, hvilket indikerer, at den model, der er baseret på plsr godt afspejler den lineære forholdet mellem NIR spektraldata og o-cresol koncentration (dvs., modellen har stærkere forklarende magt). Pearsons korrelations Equation 2 koefficient er en statistik, der bruges til at afspejle graden af lineær korrelation mellem to variabler. Jo større den absolutte værdi af Equation 2 , jo stærkere korrelationen. Dette kan bidrage til kvantitativt at observere en lineær sammenhæng mellem den forventede o-cresol-indholds værdi og den kemiske referenceværdi for at bekræfte modellens pålidelighed. Den gennemsnitlige relative forudsigelsesfejl (MRPE) på 0,01106 er meget lav for PLSR, og forudsigelses korrelationskoefficienten Equation 2 på 0,99161 er stor; Derfor er PLSR-modellen af stor prognose stabilitet og nøjagtighed.

Figure 1
Figur 1. Oprindelige NIR-spektrum taget med FT-NIR Spectrometer. Figuren viser det ikke-forbehandlede spektral datasæt, der er indsamlet over en periode af ft-NIR spektrometer. Venligst klik her for at se en større version af dette tal.

Figure 2
Figur 2. Determinerings koefficient for koncentrationen af o-cresol bestemt ved PLSR. Figuren viser tendensen i målkoefficienten for koncentrationen af o-cresol med et stigende antal komponenter. Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3. Procentvis afvigelse forklaret i NIR spektraldata for plsr. Figuren viser den procentvise afvigelse, som er forklaret i NIR-spektral dataene for de vigtigste komponenter under PLSR. Venligst klik her for at se en større version af dette tal.

Figure 4
Figur 4. Rest af PLSR for test sættet. Figuren viser residualerne af 200 test sæt prøver til PLSR. Venligst klik her for at se en større version af dette tal.

Figure 5
Figur 5. MSPECV af PLSR. Præcisionen af PLSR-modellen blev evalueret med en 10-fold kryds validering; modellens MSPECV er vist i figur 5. Venligst klik her for at se en større version af dette tal.

Fortolke Forudsigelses nøjagtighed
PLSR R ² Rp MRPECV
0,98332 0,9916 0,01106

Tabel 1. Modellens evaluerings indeks. Tabel 1 viser model evaluerings indikatorerne for en 10-fold kryds validering.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Denne protokol beskriver processen med at udføre PLSR på målingen af o-cresolkoncentrationen, som er tilbage i det flydende produkt af polyphenylen ether med NIRS.

De to kritiske trin i denne proces er forbehandlingen af de oprindelige NIR spektraldata og variablerne udvælgelse af de høje-dimensionelle NIR spektraldata.

Generelt fører den ikke-systematiske baggrundsinterferens til den ikke-systematiske sprednings afvigelse eller den grundlæggende drift af NIR-spektret. Korrekt NIR spektral forbehandling metode (derivat, normalisering, multivariat spredning korrektion, etc.), som det første kritiske skridt, eliminerer baggrundsinterferens og øger signal-til-støj forholdet mellem data.

Flere lineære korrelationer eksisterende i den høje-dimensionelle NIR spektraldata introducerer unødvendig beregning og reducerer driftseffektiviteten af regressionsmodellen. Desuden er der overflødige variabler, der har svage eller endda ingen sammenhæng med o-cresol indhold i flydende polyphenyl ether produkter. Den variable udvælgelse baseret på PLS, som det andet kritiske trin, løser de to ovennævnte problemer, som reducerer kompleksiteten af modellen og øger dens robusthed i forhold til den direkte brug af OLSR til modellering.

Hertil kommer, at teknologien har sine begrænsninger som følgende. For det første kræver det, at der ikke er nogen signifikant ikke-lineær sammenhæng mellem de forskellige dimensionelle variabler i NIR-spektral dataene. Da pls algoritme mekanismen er baseret på forventningen om at maksimere variansen af NIR spektraldata variabler og maksimere Pearson korrelationen mellem den valgte hovedkomponent og indholdet af o-cresol. Derfor er driften af algoritmen på data hovedsagelig en lineær kombination af højt dimensionelle variabler, som ikke omfatter det mulige ikke-lineære forhold mellem data15. For det andet, på grund af offline modellering, kan det ikke være selv-opdateret. Vores arbejde har endnu ikke dækket virkningerne af interaktion mellem o-cresol og opløsningsmidler molekyler eller andre urenhed molekyler på NIRS. Interaktionen mellem o-cresol og opløsningsmidler eller andre urenheds molekyler kan have en uventet effekt på NIRS, men vi har stadig ikke fundet en hensigtsmæssig metode til at kvantificere denne effekt. For det tredje kan ændringen af miljø, arbejdsvilkår og andre faktorer føre til konceptet drift af modellen.

Men for de eksisterende metoder, såsom fysisk eller kemisk separations analyse til måling af indholdet af kemiske stoffer i kemikalieindustrien, registrerer NIRS sammensætning og strukturel information om indholdet af kemiske stoffer fra en mikroskopisk Molekylær perspektiv. Generelt er den kvalitative overgang på det makroskopiske niveau forårsaget af den kvantitative ændring på mikroskopisk niveau. Derfor har denne teknologi stærkere nøjagtighed, aktualitet og følsomhed end andre metoder. Desuden kan kombinationen med dataanalyse teknologi effektivt udnytte industrielle Big data, hvilket er befordrende for industriel automatisering og endda intelligent konstruktion.

I fremtiden kan denne teknologi fleksibelt anvendes til online måling af forskellige flydende eller fast fase kemikalier indhold i andre fine procesindustrier, hvor målingen af generelle sensorer og laboratoriemåling er vanskelig eller ude af stand til at opfylde de industrielle krav16. Desuden kan denne teknologi være bredt kombineret med avanceret kontrol teknologi på grund af real-time feedback af analyse variabler og dermed opfylde højere industrielle krav17,18,19.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har intet at afsløre.

Acknowledgments

Dette arbejde blev støttet af Kinas National Natural Science Foundation (Grant NOS. 61722306 og 61473137) og national førsteklasses disciplin program for Light Industry Technology and Engineering (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

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. Joaquim, M. Polyphenyl Ether Lubricants. Synthetic Lubricants and High-performance Functional. Rudnick, R. L., Shubkin, R. L. Marcel Dekker, Inc. NY. 239 (1999).
  6. Grabowska, H., Kaczmarczyk, W., Wrzyszcz, J. Synthesis of 2,6-Xylenol by Alkylation of Phenol with Methanol. Applied Catalysis. 47, (2), 351-355 (1989).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Wold, S., Sjostrom, M., Eriksson, L. PLS-regression: a basic tool of chemometrics. Chemometrics & Intelligent Laboratory. 58, (2), 109-130 (2001).
  15. 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).
  16. 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).
  17. 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).
  18. 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).
  19. 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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics