O-cresol konsentrasjon online måling basert på nær infrarød spektroskopi via delvis minst firkantet regresjon

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 for å forutsi o-cresol konsentrasjon under produksjonen av polyfenylenoksid Eter ved hjelp av nær-infrarød spektroskopi og delvis minst kvadrater regresjon. For å beskrive prosessen tydeligere og fullstendig, brukes et eksempel på å forutsi o-cresol konsentrasjon under produksjonen av polyfenylenoksid for å klargjøre trinnene.

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 motsetning til makroskopisk prosess variabler, nesten infrarød spektroskopi gir prosessinformasjon på molekylær nivå og kan betydelig forbedre prediksjon av komponentene i industrielle prosesser. Evnen å fortegnelse Spectra for robust og flytende prøvene uten alle forbehandling er fordelaktig og metoden er vidt anvendt. Men ulempene ved å analysere høy-dimensjonale nær-infrarød Spectral data inkluderer informasjon redundans og multicollinearity av Spectral data. Derfor foreslår vi å bruke delvis minst kvadrater regresjon metode, som tradisjonelt har blitt brukt til å redusere data dimensionality og eliminere kolinearitet mellom de opprinnelige funksjonene. Vi implementerer metoden for å forutsi o-cresol konsentrasjon under produksjonen av polyfenylenoksid Eter. Den foreslåtte tilnærmingen gir følgende fordeler fremfor komponent regresjon prediksjon metoder: 1) delvis minst kvadrater regresjon løser multicollinearity problemet med de uavhengige variablene og effektivt unngår overfitting, som oppstår i en regresjonsanalyse på grunn av den høye sammenhengen mellom de uavhengige variablene; 2) bruk av nær-infrarød Spectra resulterer i høy nøyaktighet fordi det er en ikke-destruktiv og ikke-forurensende metode for å innhente informasjon på mikroskopiske og molekylære skalaer.

Introduction

Nær infrarød (NIR) spektroskopi (NIRS) har fått bred aksept som en rask, effektiv, ikke-destruktiv, og ikke-forurensende moderne analytisk teknologi; metoden har vært brukt i løpet av de siste årene for produktkvalitet deteksjon og analyse og kjemisk komponent måling i industrielle prosesser. Den mest essensielle spesialitet av metoden er dens evne til posten Spectra for solid og flytende prøver uten pre-prosessering, noe som gjør NIRS spesielt egnet for direkte og rask deteksjon og analyse av naturlige og syntetiske produkter1,2. I motsetning til tradisjonelle sensorer som måler prosess variabler (f. eks temperatur, trykk, væskenivå, etc.) på en makroskopisk skala og uunngåelig lider av ekstern støy og bakgrunnsforstyrrelser, oppdager NIRS den strukturelle informasjonen i den kjemiske sammensetningen ved mikroskopiske og molekylære skalaer. Dermed kan viktig informasjon måles mer presist og effektivt enn med andre metoder3,4.

Polyphenyl Eter, som en av de tekniske plast, er mye brukt på grunn av sin varmebestandighet, flammehemmende, isolasjon, elektriske egenskaper, dimensjonal stabilitet, slagfasthet, krype motstand, mekanisk styrke og andre egenskaper5. Enda viktigere er det ikke giftig og ufarlig i forhold til andre tekniske plast. I dag er 2, 6-xylenol en av de grunnleggende råvarene for syntese av polyfenylenoksid Eter, og det er vanligvis utarbeidet av katalysert alkylation av fenol med metanol metode6. Det er to hovedprodukter av denne Forberedelses metoden, o-cresol og 2, 6-xylenol. Etter en rekke separasjon og utvinning trinn, 2, 6 xylenol brukes til å produsere polyfenylenoksid Eter. Men spormengder av o-cresol forblir i 2, 6-xylenol. O-cresol ikke delta i syntesen av polyfenylenoksid Eter og vil forbli i polyfenylenoksid Eter produktet, noe som resulterer i en nedgang i produktkvalitet eller til og med substandard. I dag, de fleste bedrifter fortsatt analysere komposisjoner av komplekse organiske blandinger som flytende fase polyphenyl Eter produkter som inneholder urenheter (f. eks o-cresol) av fysiske eller kjemiske separasjon analyse som kromatografi7,8. Separasjon prinsippet om kromatografi er bruken av blandingen av komposisjoner i den faste fasen og strømnings fasen i oppløsning, analyse, absorpsjon, desorpsjon eller annen affinitet av de mindre forskjellene i ytelsen. Når de to fasene beveger seg i forhold til hverandre, er komposisjoner adskilt av de ovennevnte handlingene gjentatte ganger i de to fasene. Avhengig av objektet, tar det vanligvis noen minutter til noen titalls minutter å fullføre et komplekst materiale separasjon drift. Det kan sees at målingen effektivitet er lav.

I dag, måling av produktkvalitet og avansert kontrollteknologi basert på denne analysen for den moderne fine prosessen kjemiske materialer industrien er nøkkelen retning for å ytterligere forbedre produktkvalitet. I prosessen industri polyphenyl Eter produksjon, sann tidsmåling av o-cresol innhold i polyfenylenoksid Eter produkt er av stor utvikling betydning. Kromatografiske analyse klart kan ikke oppfylle kravene til avansert kontrollteknologi for sanntids måling av stoffer og signal feedback. Derfor foreslår vi den delvise minste kvadrater regresjon (PLSR) metode for å etablere en lineær modell mellom NIRS data og o-cresol konsentrasjon, som innser den elektroniske målingen av o-cresol innhold i væsken polyfenylenoksid Eter produkt av stikkontakt .

Pre-prosessering for NIRS spiller den viktigste rollen før multivariabel statistisk modellering. NIRS wavenumbers i NIR spektrum og partikkel størrelsene av biologiske prøver er sammenlignbare, så det er kjent for uventede scatter effekter som har innflytelse på den innspilte prøven Spectra. Ved å utføre egnede pre-prosessering metoder, disse effektene er lett å bli eliminert i stor grad9. De mest brukte pre-prosessering teknikker i NIRS er kategorisert som scatter korreksjon og Spectral avledede metoder. Første gruppe av metoder inkluderer multiplikativ scatter korreksjon, detrending, standard normal variate transformasjoner, og normalisering. Den Spectral avledning metoder inkluderer bruk av første og andre derivater.

Før du utvikler en kvantitativ regresjon modell, er det viktig å fjerne unsystematic scatter variasjoner fra NIRS data fordi de har en betydelig innflytelse på nøyaktigheten av prediktiv modell, dens kompleksitet og parsimony. Valget av en passende pre-prosessering metoden bør alltid avhenge av den påfølgende modellering trinn. Her, hvis NIR Spectral datasettet ikke følger Lambert-Beer loven, og andre faktorer har en tendens til å kompensere for den ikke-ideelle oppførselen til prediksjon for spådde komponenter. Ulempen med eksistensen av slike unødvendige faktorer fører til økningen av modellen kompleksitet, selv mest sannsynlig, en reduksjon i robusthet. Dermed er anvendelsen av Spectral derivater og en konvensjonell normalisering til Spectral data en viktig del av metoden.

Etter forbehandling er NIRS data med et høyt signal-til-støy-forhold og lav bakgrunns forstyrrelse innhentet. Moderne NIRS-analyse gir rask anskaffelse av store mengder absorbansen over et passende Spectral-område. Den kjemiske sammensetningen av prøven blir deretter spådd ved å trekke ut de relevante variablene ved hjelp av informasjonen i Spectral kurven. Vanligvis er NIRS kombinert med multivariabel analyse teknikker for kvalitative eller kvantitative analyser10. En multivariabel lineær regresjon (MLR) analyse er ofte brukt for å utvikle og gruvedrift den matematiske forholdet mellom data og komponenter i industrielle prosesser og har vært mye brukt i NIRS analyse.

Det er imidlertid to grunnleggende problemer når du implementerer en MLR for preprocessed NIRS-data. Ett problem er variabelen redundans. Den høye dimensionality av NIRS data ofte gjengir prediksjon av en avhengig variabel upålitelig fordi variablene er inkludert som ikke har noen sammenheng med komponentene. Disse overflødige variablene reduserer informasjons effektiviteten til Spectral data og påvirker nøyaktigheten av modellen. For å eliminere variabel redundans er det viktig å utvikle og maksimere sammenhengen mellom NIRS-dataene og de anslåtte komponentene.

Et annet problem er spørsmålet om multicollinearity i NIRS data. En av de viktigste forutsetningene for flere lineære regresjon modeller er at det ikke er noen lineær sammenheng mellom noen av de forklarende variablene i regression modellen. Hvis dette lineære forholdet eksisterer, er det bevist at det er multicollinearity i den lineære regresjon modellen og antagelsen er krenket. I flere lineære regresjoner, for eksempel en vanlig minst kvadrater regresjon (OLSR), flere sammenhenger mellom variablene påvirke parameter estimering, øke modell feil, og påvirke stabiliteten av modellen. For å eliminere den multilinear sammenhengen mellom NIR-Spectral data, bruker vi variable utvalgsmetoder som maksimerer den iboende variasjonen av prøvene.

Her foreslår vi å bruke PLSR, som er en generalisering av flere lineær regresjon som har vært mye brukt i feltet av NIRS11,12. PLSR integrerer de grunnleggende funksjonene til MLR, Kanonisk korrelasjons analyse (CCA) og hovedkomponent analyse (PCA) og kombinerer prognoser analysen med en ikke-modell data-analyse. PLSR kan deles inn i to deler. Den første delen velger komponentene i de karakteristiske variablene og spådde komponenter av delvis minst kvadrater analyse (PLS). PLS maksimerer iboende variasjon av viktigste komponentene ved å gjøre kovariansen av de viktigste komponentene og spådde komponenter så stor som mulig når utdrager de viktigste komponentene. Deretter etableres OLSR-modellen av o-cresol konsentrasjon for de viktigste komponentene som er valgt. PLSR er egnet for analyse av støyende data med en rekke uavhengige variabler som er sterkt kollineare og svært korrelert og for samtidig modellering av flere svar variabler. Også, PLSR ekstrakter effektiv informasjon av prøven Spectra, overvinner problemet med multicollinearity, og har fordelene av sterk stabilitet og høy prediksjon nøyaktighet13,14.

Følgende protokoll beskriver prosessen med å bruke PLSR-modellen til å måle o-cresol-konsentrasjonen ved hjelp av NIR-Spectral-data. Påliteligheten og nøyaktigheten av modellen evalueres kvantitativt ved hjelp av bestemmelse koeffisienten (Equation 1), prediksjon korrelasjonskoeffisienten (Equation 2) og gjennomsnittlig kvadrat prediksjon feil av kryss validering (MSPECV). Videre, for å intuitivt vise fordelene av PLSR, evalueringen indikatorene er vist i flere tomter for en kvalitativ analyse. Til slutt presenteres evaluerings indikatorene for et eksperiment i tabellformat for å illustrere kvantitativt pålitelighet og presisjon i PLSR-modellen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. NIR spektrum datainnhenting med Fourier Transform (FT)-NIR prosess spektrometer

  1. Installer flytende fase optisk fiber sonde av nær-infrarød spektrometer ved utløpet av polyphenyl Eter produktet. Og åpne Opus programvaren på den øvre datamaskinen som er koblet til instrumentet og begynne å konfigurere målingen.
  2. Koble til spektrometer
    1. måle menyen velger du optisk oppsett og tjeneste kommando, eller klikker på ikonet fra verktøylinjen.
    2. Klikk på kategorien optisk benk i dialogruten som åpnes.
    3. Kontroller om innstillingene for spektrometer er OK. Hvis ja, Lukk dialogboksen. Hvis nei, fortsetter du med trinn 4.
    4. Fra rullegardinlisten konfigurasjon velger du den bestemte spektrometer typen.
    5. Angi IP-adressen til spektrometer i feltet for optisk benk URL-adresse .
    6. Klikk på Koble til -knappen.
  3. Definere målings parametere
    1. Velg kommandoen målingmål -menyen, eller klikk ikonet fra verktøylinjen.
    2. I dialogboksen som åpnes, definerer du målings parametrene i de ulike kategoriene.
      Merk: detaljer om de enkelte måle parametrene er beskrevet i OPUS Reference Manual.
    3. Klikk knappen godta &Amp; Avslutt .
  4. Lagrer eksperiment fil
    1. Velg kommandoen Avansert målingmål -menyen. Deretter klikker du kategorien Avansert .
    2. I dialogboksen som åpnes, definerer du oppløsningen som 4 cm-1.
    3. Definer antall skanninger som 16 skanninger i feltene eksempel på skannings tid for skanning/bakgrunn .
    4. Definer banen for automatisk lagring av måle data fra 4 000 cm-1-12 500 cm-1.
    5. Bestem datatypen for resultat spekteret som absorbansen.
    6. Klikk på Lagre -knappen.
    7. I dialogboksen som åpnes, definerer du et navn for eksperiment filen og lagrer dette navnet.
  5. Måle bakgrunn spektrum
    1. Velg kommandoen Avansert målingmål -menyen.
    2. Klikk kategorien optikk .
    3. I dialogruten som åpnes, klikker du på rullegardinlisten for blender innstilling og velger den samme verdien som brukes til å anskaffe et prøve spektrum.
    4. Klikk kategorien grunnleggende .
    5. Klikk på knappen for enkel kanal i bakgrunnen i dialogruten som åpnes.
  6. Måle prøve spektrum
    1. Plasser prøven i den optiske banen til spektrometer. Måten dette gjøres på, avhenger av spektrometer konfigurasjon.
    2. Velg kommandoen Avansert måling mål -menyen.
    3. Klikk kategorien grunnleggende .
    4. I dialogboksen som åpnes, definerer du eksempel beskrivelsen og eksempelskjemaet i det bestemte oppføringsfeltet. Denne informasjonen lagres sammen med spekteret.
    5. Klikk på knappen eksempel på én kanal for å starte elektronisk måling. Og lagre NIR spekteret av hver skanning som OPUS fil.
  7. Samle polyfenylenoksid prøvene hver 6 h og test o-cresol konsentrasjon med flytende kromatografi i laboratoriet av industrien for å få en kjemisk referanseverdi.
    Merk: Laboratory ansatte i industrien feltet ta hver polyphenyl Eter prøven fra utløpet av væsken fase polyphenyl Eter. Det o-cresol innholdet i hver prøve ble målt tre ganger av flytende kromatografi. Deretter ble gjennomsnittlig verdi av resultatene av de tre ganger analysen tatt som referanseverdien av o-cresol innhold for å redusere utilsiktet feil.
  8. Få 600 kjemiske referanseverdier for o-cresol konsentrasjon i laboratoriet. Kalibrerings området for o-cresol konsentrasjon er fra 42,1063 mg/1 g polyphenyl Eter produkt til 51,6763 mg/1 g polyphenyl Eter produkt.
  9. Kombiner NIR Spectra på gitte testtider med de kjemiske referanseverdiene til o-cresol konsentrasjon.
  10. Bruk programvaren OPUS til å lese det originale Spectral-settet som vist i figur 1.
    1. Klikk kommandoen Last inn filfil- menyen.
    2. Velg den bestemte spektrum-filen i dialogboksen som åpnes.
    3. Klikk på Åpne -knappen. Spekteret vises i spekteret vinduet.

2. NIR spektroskopi data pre-prosessering

  1. Når funksjonen for Spectral forbehandling er i, kan du få en Spectral datasett preprocessed med derivat av første bestilling.
    1. Åpne Unscrambler som er en multivariabel dataanalyse og eksperimentell designprogramvare, velger du import kommandoen under fil. Import det OPUS arkiv idet original NIR Spectral datasett.
    2. Velg transformerings kommando under endre. Og velg Savitzky Golay derivater under derivater.
    3. Definer eksempler og variabler som alle eksempler og alle variabler i omfang. Og definere antall utjevning poeng som 13 og den deriverte som 1St derivat i parametere.
    4. Klikk OK for å starte den deriverte.
      FORSIKTIG: økningen av glatthet kan redusere de kraftige svingningene i kurven, redusere støy effekten, men også svekke egenskapene til kurven og gjøre kurven forvrengt. Derfor er den aktuelle glatthet valgt i henhold til observasjon av den faktiske svingninger intensiteten av kurven og effekten etter behandling.
  2. Utfør vektor normalisering på prøven Spectra å normalisere verdien av absorbansen.
    1. Velg normalisering -kommandoen under endre.
    2. Definer prøvene og variablene som alle prøver og alle variabler i omfang.
    3. Velg vektor normalisering i typen.
    4. Klikk OK for å utføre vektor normalisering.

3. etablering av PLSR modell

  1. Opprettelse av NIR-Spectral datasett
    1. Åpne Uncrambler. exe, velg Eksporter under fil med MATLAB -filer for å eksportere preprocessed Spectral data satt inn i. mat-filen og for å få Spectral datasettet X automatisk med 2203 variabler.
    2. Få en komplett NIR Spectral datasett X (en matrise av 600 rader og 2203 kolonner) og tilsvarende kjemiske referanseverdier Y (en vektor på 600 rader) i form av. mat fil for senere analyse og modellering.
  2. Valg av riktig antall hovedkomponenter
    1. Åpne MATLAB og Importer. mat-filen som inneholder preprocessed nær infrarød Spectral-data til arbeidsområdet ved å dra. mat-filen til arbeidsområdet.
      Merk:. mat filen lagrer nesten infrarød Spectral data X som en uavhengig variabel og o-cresol innhold av produktet som en avhengig variabel i form av to matriser.
    2. Åpne den programmerte. m-filen i editoren. Klikk Åpne under alternativet redaktør , Velg kompilert. m-filen i mappen for fillagring, og klikk deretter Bekreft.
    3. Pakk 15 hovedkomponenter i henhold til optimalisering målet for LIGNINGEN 1 og OLSR modellen mellom de utpakkede viktigste komponentene og de anslåtte verdiene av o-cresol konsentrasjon med programmet som inneholder kommandoen Plsregress () i MATLAB.
      [XL, YL, XS,, PCTVAR, BETA, MSE] = plsregress (X, Y, ncomp, ' CV ', k);
      Se i hjelpedokumentet for MATLAB for å få bruks detaljene og returverdien.
      Merk: Equation 3 formel 1Equation 4
      Equation 5, og Equation 6 er den ith viktigste komponentene i NIR Spectral data;
      Equation 7er projeksjon av ith Principal komponenter av NIR Spectral data;
      Equation 8er Pearson korrelasjonskoeffisienten for ith Principal komponenter og o-cresol konsentrasjon.
    4. Få tak Equation 1 i verdien av NIR Spectral data og de anslåtte verdiene for de ulike hovedkomponentene ved hjelp av ligning 2.
      Merk: Equation 9 ligning 2
      Equation 10er summen av kvadratene på grunn av feil og er definert som Equation 11 ;
      Equation 12er den totale summen av kvadratene og er definert som Equation 13 ;
      Equation 14er referanseverdien for o-cresol konsentrasjon av test datasett;
      Equation 15er den anslåtte verdien av o-cresol konsentrasjon av test datasett;
      Equation 16er middelverdien for referanseverdien til o-cresol konsentrasjon av test datasett;
      Equation 17er antall prøver av testdatasettet.
    5. Bestem Equation 1 verdiene og trenden med økende antall hovedkomponenter som vist i figur 2. Velg 10 som riktig antall hovedkomponenter med Equation 1 verdien 0,9917.
      Merk:Equation 18 verdien er andelen av variansen i den avhengige variabelen som er forutsigbar av de uavhengige variablene. Jo høyere Equation 1 verdi er, jo høyere er godhet-of-Fit og vice versa.
  3. Validering av godhet-of-Fit og nøyaktigheten av PLSR modellen med 10 viktigste komponentene ved hjelp av kommandoen plsregress ().
    1. Gjenta modelleringsprosessen med 10 hovedkomponenter som trinn 3.2.1-3.2.5 med 10 hovedkomponenter.
    2. Evaluere modellen basert på en 10-fold kryss validering ved hjelp av tomter i prosent avviket forklart i NIR Spectral data, rester, og MSPECV.
    3. Tegn prosent avviket som er forklart i NIR Spectral data, rester og MSPECV som tall 3, 4 og 5.
    4. Tabulere evaluerings indikatorene for Equation 1 ,Equation 2og MSPE av 10-fold Cross validering for PLSR modellen for en kvantitativ analyse som vist i tabell 1.
      Merk: likninger Equation 2 og MSPE vises som ligning 3 og ligning 4.
      Equation 19Ligning 3
      Equation 20Ligning 4
      Equation 21er kovariansen av referanseverdi og anslått verdi av o-cresol konsentrasjon; Equation 22 er standardavviket for referanseverdien av o-cresol konsentrasjon;
      Equation 23er standardavviket for anslått verdi av o-cresol konsentrasjon.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Den anslåtte verdien av o-cresol urenhet i polyphenyl Eter produkter oppnås ved PLSR-basert nær-infrarød spektroskopi. Figur 2 og Figur 3 henholdsvis vise påliteligheten av metoden i funksjonen valg scenen fra kurven av vedtaket koeffisient og feilen tolkning prosent økning med antall viktigste komponentene.

Nærmere bestemt, Vær oppmerksom på at i utvelgelsen av de viktigste komponentene, for å minimere kompleksiteten av modellen, generelt, når de to indikatorene ikke øker betraktelig med antall hovedelementer, kan de etterfølgende hovedelementene med mindre informasjon forkastes. I dette papiret, i henhold til de to kurvene, Equation 1 når er 0,9917, er det terskelen til å forkaste etterfølgende hovedkomponenter.

Visuelt teste nøyaktigheten og stabiliteten av metoden for å forutsi renheten av o-cresol produkter ved hjelp av i vist Figur 4 og figur 5. Basert på trenings sett og test sett generert av o-cresol prøvene Hentet fra industrielle felt og deres tilsvarende nær-infrarød spektroskopi data, sammenlignet vi den gjenværende og gjennomsnittlig kvadrat feil av spådde og referanseverdier av renheten av polyphenyl Eter produkter.

Restverdien her refererer til forskjellen mellom den o-cresol Innholdsreferanse verdien og PLSR (montert verdi). Ved hjelp av informasjonen gitt av rester kan hjelpe oss med å undersøke rasjonalitet av de etablerte PLSR modellen forutsetninger og påliteligheten av samle nær-infrarød Spectral data. Det er vist at PLSR metoden effektivt redusere rester til et akseptabelt område. Videre har PLSR et lite variasjonsområde fra-0,2 til 0,2, mens kalibrerings området er fra 42,1063 mg/1 g polyphenyl Eter produkt til 51,6763 mg/1 g polyphenyl Eter produkt. Den resterende plottet data la oss konkludere kvalitativt at PLSR for måling av o-cresol innhold basert på NIR Spectral data har høy nøyaktighet.

Kryss validering betyr kvadrat feil er et mål på graden av forskjell mellom referanse og spådde o-cresol innhold. Dette kan hjelpe oss med å evaluere graden av endring i prediktiv data. Den minste verdien av MSE, jo bedre er nøyaktigheten av prediktiv modell som beskriver o-cresol innhold. Figur 5 indikerer at MSPECV for o-cresol konsentrasjon måling basert på PLSR reduksjon som antall hovedkomponenter øker og nå et akseptabelt minimum på 10 viktigste komponentene. Videre reduseres feilen betraktelig, og nedstigningen prosessen er relativt stabil. Dette beviser at PLSR resulterer i høy stabilitet for måling av o-cresol konsentrasjon ved hjelp av NIRS.

Modell evaluerings indikatorene for en kryss validering på 10 ganger er vist i tabell 1. The Equation 1 of 0,98332 er ganske høy for PLSR, noe som indikerer at modellen basert på PLSR godt reflekterer den lineære forholdet mellom NIR Spectral data og o-cresol konsentrasjon (dvs. modellen har sterkere forklarende kraft). Den Pearson korrelasjonskoeffisienten Equation 2 er en statistikk som brukes for å reflektere graden av lineær korrelasjon mellom to variabler. Jo større absoluttverdien av Equation 2 , jo sterkere korrelasjon. Dette kan bidra til å kvantitativt observere en lineær sammenheng mellom den anslåtte o-cresol innholds verdi og den kjemiske referanseverdien for å bekrefte påliteligheten til modellen. Den gjennomsnittlige relative prediksjon feil (MRPE) av 0,01106 er svært lav for PLSR og prediksjon korrelasjonskoeffisient Equation 2 på 0,99161 er stor; Derfor er PLSR-modellen av stor prediksjon stabilitet og nøyaktighet.

Figure 1
Figur 1. Originalt NIR-spektrum tatt med FT-NIR-spektrometer. Figuren viser den ikke-preprocessed Spectral datasettet samlet over en periode av ft-NIR spektrometer. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 2
Figur 2. Bestemmelse koeffisient for o-cresol konsentrasjon bestemmes av PLSR. Figuren viser trenden for fastsettelse koeffisient for o-cresol konsentrasjon med økende antall komponenter. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 3
Figur 3. Prosent varians forklart i NIR-Spectral data for PLSR. Figuren viser prosent avviket som er forklart i NIR-Spectral-data for hovedkomponentene under PLSR. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 4
Figur 4. Rester av PLSR for testsettet. Figuren viser rester til testsettet på 200 for PLSR. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 5
Figur 5. MSPECV av PLSR. Presisjonen til PLSR-modellen ble evaluert med en kryss validering på 10 ganger. MSPECV av modellen er vist i figur 5. Vennligst klikk her for å se en større versjon av dette tallet.

Interpretability Nøyaktig forutsigelse
PLSR R ² Rp MRPECV
0,98332 0,9916 0,01106

Tabell 1. Evaluering indekser av modellen. Tabell 1 viser indikatorer for modell evaluering for en 10-fold kryss validering.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Denne protokollen beskriver prosessen med å utføre PLSR på måling av o-cresol konsentrasjon som gjenstår i det flytende produktet av polyfenylenoksid Eter med NIRS.

De to kritiske trinnene i denne prosessen er pre-prosessering av den opprinnelige NIR Spectral data og variablene valg av høy-dimensjonal NIR Spectral data.

Vanligvis fører ikke-systematisk bakgrunns interferens til ikke-systematisk spredning avvik eller Baseline drift av NIR spektrum. Riktig NIR Spectral pre-prosessering metode (derivat, normalisering, multivariabel spredning korreksjon, etc.), som det første kritiske trinnet, eliminerer bakgrunnsforstyrrelser og øker signal-til-støy-forhold av data.

Flere lineære sammenhenger eksisterende i høy-dimensjonale NIR Spectral data introduserer unødvendig beregning og reduserer driften effektiviteten av regression modellen. Videre er det overflødige variabler som har svake eller til og med ingen korrelasjon til o-cresol innhold i flytende polyphenyl Eter produkter. Variabelen valg basert på PLS, som det andre kritiske trinnet, løser over to problemer, noe som reduserer kompleksiteten i modellen og forbedrer sin robusthet sammenlignet med direkte bruk av OLSR for modellering.

I tillegg har teknologien sine begrensninger som følger. For det første krever det at det ikke er vesentlige ikke-lineær korrelasjon mellom de ulike dimensjonale variabler av NIR Spectral data. Som PLS algoritme mekanismen er basert på forventningen om å maksimere variansen av NIR Spectral data variabler og maksimere Pearson sammenhengen mellom den valgte viktigste komponenten og innholdet i o-cresol. Derfor er operasjonen av algoritmen på data i hovedsak en lineær kombinasjon av tredimensjonale variabler, som ikke inkluderer mulig ikke-lineær forholdet mellom data15. For det andre, på grunn av offline modellering, kan det ikke være selv-oppdatert. Vårt arbeid har ennå ikke dekket virkningene av samspillet mellom o-cresol og løsemiddel molekyler eller andre urenhet molekyler på NIRS. Samspillet mellom o-cresol og løsemidler eller andre urenhet molekyler kan ha en uventet effekt på NIRS, men vi har fortsatt ikke funnet en hensiktsmessig metode for å kvantifisere denne effekten. For det tredje kan endringen av miljøet, arbeidsforhold og andre faktorer føre til begrepet drift av modellen.

Men for de eksisterende metodene som fysisk eller kjemisk separasjon analyse for måling av kjemisk substans innhold i kjemisk materiale industrien, NIRS oppdager sammensetning og strukturelle informasjon om kjemisk substans innhold fra en mikroskopisk molekyl perspektiv. Generelt er den kvalitative overgangen på makroskopisk nivå forårsaket av den kvantitative endringen på mikroskopisk nivå. Derfor har denne teknologien sterkere nøyaktighet, aktualitet og følsomhet enn andre metoder. Videre kan kombinasjonen med dataanalyse teknologi effektivt utnytte industrielle store data, som bidrar til industriell automatisering og selv intelligent konstruksjon.

I fremtiden, denne teknologien kan fleksibelt brukes til online måling av ulike flytende eller solid fase kjemikalier innhold i andre fine prosessen bransjer der måling av generelle sensorer og laboratorie måling er vanskelig eller ute av stand til å møte de industrielle kravene16. Videre kan denne teknologien bli mye kombinert med avansert kontrollteknologi på grunn av sanntidstilbakemelding av analyse variabler og dermed møte høyere industrielle krav17,18,19.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ingenting å avsløre.

Acknowledgments

Dette arbeidet ble støttet av det nasjonale natur vitenskaps fundamentet i Kina (Grant NOS. 61722306 og 61473137) og nasjonal førsteklasses disiplin program av lett Industriteknologi og ingeniørfag (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