O-kresol koncentration online mätning baserad på nära infraröd spektroskopi via partiell minst kvadrat 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

Protokollet beskriver en metod för att förutsäga o-kresol koncentration under produktionen av polyfenyleneter med hjälp av nära infraröd spektroskopi och partiell minsta kvadrat regression. Att beskriva processen tydligare och fullständigt, ett exempel på att förutsäga o-kresol koncentrationen under produktionen av polyfenylen används för att klargöra stegen.

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

Till skillnad från makroskopiska processvariabler ger nära-infraröd spektroskopi processinformation på molekylär nivå och kan avsevärt förbättra förutsägelsen av komponenterna i industriella processer. Förmågan att spela in spektra för fasta och flytande prover utan förbehandling är fördelaktigt och metoden används i stor utsträckning. Men nackdelarna med att analysera hög-dimensionella nära infraröda spektrala data inkluderar informationdundans och multicollinearity av spektraldata. Därför föreslår vi att använda partiell minst kvadrat Regressions metoden, som traditionellt har använts för att minska data dimensionalitet och eliminera kolinjäritet mellan de ursprungliga funktionerna. Vi genomför metoden för att förutsäga o-kresol koncentrationen under produktionen av polyfenyleneter. Det föreslagna tillvägagångssättet erbjuder följande fördelar jämfört med regressionsmetoder för komponent regression: 1) partiella minst kvadrater regression löser multikollinearitet problemet av de oberoende variablerna och undviker effektivt overfitting, som uppstår i en regressionsanalys på grund av den höga korrelationen mellan de oberoende variablerna. 2) användningen av Near-infraröd Spectra resulterar i hög noggrannhet eftersom det är en icke-förstörande och icke-förorenande metod för att få information på mikroskopiska och molekylära skalor.

Introduction

Nära infraröd (NIR) spektroskopi (NIRS) har fått brett acceptans som en snabb, effektiv, icke-förstörande och icke-förorenande modern analytisk teknik; metoden har använts under de senaste åren för detektion och analys av produktkvalitet och kemisk komponent mätning i industriella processer. Den viktigaste specialitet av metoden är dess förmåga att spela in spektra för fasta och flytande prover utan någon förbehandling, vilket gör NIRS särskilt lämplig för direkt och snabb detektering och analys av naturliga och syntetiska produkter1,2. Till skillnad från traditionella sensorer som mäter processvariabler (t. ex. temperatur, tryck, vätskenivå, etc.) i makroskopisk skala och oundvikligen drabbas av yttre buller och bakgrundsstörningar, detekterar NIRS strukturell information om den kemiska sammansättningen vid mikroskopiska och molekylära skalor. Således kan viktig information mätas mer exakt och effektivt än med andra metoder3,4.

Polyfenyleter, som en av de tekniska plaster, används i stor utsträckning på grund av dess värmebeständighet, flamskyddsmedel, isolering, elektriska egenskaper, dimensionsstabilitet, slagtålighet, kryphållfasthet, mekanisk hållfasthet och andra egenskaper5. Ännu viktigare är att den är giftfri och ofarlig jämfört med andra konstruktionsplaster. För närvarande är 2, 6-xylenol en av de grundläggande råvarorna för syntesen av polyfenylen eter, och det är vanligtvis utarbetats av katalyseras alkylering av fenol med metanol metod6. Det finns två huvudsakliga produkter av denna förberedelse metod, o-Cresol och 2, 6-xylenol. Efter en serie separation och extraktionssteg, är 2, 6 xylenol används för att producera polyfenylen eter. Men spårmängder av o-kresol kvar i 2, 6-xylenol. O-Cresol deltar inte i syntesen av polyfenyleneter och kommer att förbli i polyfenylen Ether produkt, vilket resulterar i en minskning av produktens kvalitet eller ens undermåliga. För närvarande, de flesta företag fortfarande analysera sammansättningen av komplexa organiska blandningar såsom flytande fas polyfenyleter produkter som innehåller föroreningar (t. ex., o-Cresol) genom fysikalisk eller kemisk separation analys såsom kromatografi7,8. Separations principen för kromatografi är användningen av blandningen av sammansättningar i den fasta fasen och flödes fasen vid upplösning, analys, adsorption, desorption eller annan affinitet av de mindre skillnaderna i prestanda. När de två faserna rör sig i förhållande till varandra, separeras kompositionerna av ovanstående åtgärder upprepade gånger i de två faserna. Beroende på objektet, tar det vanligtvis några minuter till några tiotals minuter att slutföra en komplex material separation operation. Det kan konstateras att mät effektiviteten är låg.

Idag är mätningen av produktkvalitet och avancerad styrteknik baserad på denna analys för den moderna fin processen kemisk material industri den viktigaste riktningen för att ytterligare förbättra produktkvaliteten. I processindustrin av polyfenyleter produktion, realtid mätning av o-kresol innehåll i polyfenyleneter produkt är av stor utvecklings betydelse. Kromatografisk analys kan uppenbarligen inte uppfylla kraven för avancerad styrteknik för mätning i realtid av ämnen och signalfeedback. Därför föreslår vi partiell minsta kvadrat regression (PLSR) metod för att upprätta en linjär modell mellan NIRS data och o-Cresol koncentrationen, som inser online-mätning av o-kresol innehåll i flytande polyfenylen eter produkt av utlopp .

Pre-processing för NIRS spelar den viktigaste rollen före multivariat statistisk modellering. NIRS wavenumbers i NIR spektrum och partikelstorlekar av biologiska prover är jämförbara, så det är känt för oväntade spridningseffekter som har inflytande på de inspelade provet spektra. Genom att utföra lämpliga Pre-processing metoder, dessa effekter är lätta att elimineras till stor del9. De vanligaste förbehandlings teknikerna i NIRS kategoriseras som spridnings-och spektrala derivat metoder. Den första gruppen av metoder inkluderar multiplikativ spridnings korrigering, detrending, standard normala variate-transformationer och normalisering. De spektrala härlednings metoderna omfattar användning av den första och andra derivaten.

Innan du utvecklar en kvantitativ regressionsmodell är det viktigt att ta bort de osystematiska spridnings varianterna från NIRS-data eftersom de har en betydande inverkan på noggrannheten hos den prediktiva modellen, dess komplexitet och parsimony. Valet av en lämplig för bearbetningsmetod bör alltid bero på det efterföljande modellerings steget. Här, om NIR spektrala dataset inte följer Lambert-öllagen, då andra faktorer tenderar att kompensera för icke-ideala beteendet förutsägelse för förväntade komponenter. Nackdelen med förekomsten av sådana onödiga faktorer leder till en ökning av modellens komplexitet, även mest troligt, en minskning av robustheten. Således är tillämpningen av spektralderivat och en konventionell normalisering av spektraldata en väsentlig del av metoden.

Efter spektralförbehandling erhålls NIRS-data med hög signal-brus-förhållande och låg bakgrunds störning. Modern NIRS-analys ger ett snabbt förvärv av stora mängder absorbans över ett lämpligt spektralområde. Den kemiska sammansättningen av provet förutses sedan genom att de relevanta variablerna extraheras med hjälp av den information som finns i spektralkurvan. Generellt är NIRS kombinerat med multivariat analysteknik för kvalitativa eller kvantitativa analyser10. En multivariat linjär regression (MLR) analys används ofta för att utveckla och gruvdrift det matematiska sambandet mellan data och komponenterna i industriella processer och har använts i stor utsträckning i NIRS analys.

Det finns dock två grundläggande problem vid implementering av en MLR för förbehandlade NIRS-data. Ett problem är variabeln redundans. Den höga dimensionaliteten i NIRS-data gör ofta förutsägelse av en beroende variabel opålitlig eftersom variabler ingår som inte har något samband med komponenterna. Dessa redundanta variabler minskar data effektiviteten i spektraldatan och påverkar modellens noggrannhet. För att eliminera variabeln redundans, är det viktigt att utveckla och maximera sambandet mellan NIRS data och de förväntade komponenterna.

Ett annat problem är frågan om multicollinearity i NIRS data. En av de viktigaste antagandena i flera linjära regressionsmodeller är att det inte finns något linjärt samband mellan någon av de förklarande variablerna i regressionsmodellen. Om detta linjära förhållande finns, är det bevisat att det finns multicollinearity i den linjära regressionsmodellen och antagandet kränks. I flera linjära regressioner, till exempel en vanlig minsta kvadrat regression (OLSR), flera korrelationer mellan variablerna påverkar parametern uppskattning, öka modell felet och påverka stabiliteten för modellen. För att eliminera det multilinjära sambandet mellan NIR-spektraldata använder vi variabla urvalsmetoder som maximerar den inneboende variationen hos proverna.

Här föreslår vi att använda plsr, som är en generalisering av multipel linjär regression som har använts i stor utsträckning i området NIRS11,12. Den PLSR integrerar de grundläggande funktionerna i MLR, Canonical korrelation analys (CCA), och huvudkomponent analys (PCA) och kombinerar prognos analys med en icke-modelldata konnotationer analys. PLSR kan delas i två delar. Den första delen väljer komponenterna i de karakteristiska variablerna och de förutspådda komponenterna genom partiell minsta kvadratanalys (PLS). PLS maximerar den inneboende variationen av huvudkomponenter genom att göra kovariansen av de viktigaste komponenterna och förutspådda komponenter så stora som möjligt när de extraherar de viktigaste komponenterna. Därefter fastställs OLSR-modellen för o-kresol-koncentrationen för de viktigaste komponenterna som valts. PLSR är lämplig för analys av bullriga data med många oberoende variabler som är starkt collinear och starkt korrelerade och för samtidig modellering av flera responsvariabler. Också, plsr extraherar den effektiva informationen av provet spektra, övervinner problemet med multicollinearity, och har fördelarna med stark stabilitet och hög förutsägelse noggrannhet13,14.

Följande protokoll beskriver processen med att använda PLSR-modellen för att mäta o-Cresol-koncentrationen med hjälp av NIR-spektraldata. Modellens tillförlitlighet och noggrannhet utvärderas kvantitativt med hjälp av bestämningskoefficienten (Equation 1), korrelationskoefficienten (Equation 2) och medelkvadratprediktions felet vid korsvalidering (mspecv). Dessutom, för att intuitivt Visa fördelarna med PLSR, är utvärderings indikatorerna visualiseras i flera tomter för en kvalitativ analys. Slutligen presenteras utvärderingsindikatorer för ett experiment i tabellformat för att kvantitativt illustrera den PLSR-modellens tillförlitlighet och precision.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. NIR spektrum datainsamling med Fourier Transform (FT)-NIR process spektrometer

  1. Installera den flytande fasen optisk fiber sond i den Near-infraröda spektrometern vid utloppet av produkten polyfenyleter. Och öppna Opus -programvaran på den övre datorn som är ansluten till instrumentet och börja konfigurera mätningen.
  2. Ansluta till spektrometer
    1. Välj kommandot optisk installation och tjänst mått -menyn eller klicka på ikonen i verktygsfältet.
    2. Klicka på fliken optisk bänk i dialogrutan som öppnas.
    3. Kontrollera om spektrometerinställningarna är OK. Om ja, Stäng dialogrutan. Om nej, Fortsätt med steg 4.
    4. Välj den specifika spektrometertypen i listrutan konfiguration .
    5. Ange spektrometerns IP-adress i inmatningsfältet för den optiska bänk-URL : en.
    6. Klicka på knappen Anslut .
  3. Ställa in mätningsparametrar
    1. Välj Mät kommandot på mått -menyn eller klicka på ikonen i verktygsfältet.
    2. I dialogrutan som öppnas definierar du mätnings parametrarna på de olika flikarna.
      Anm.: Detaljer om de enskilda mätnings parametrarna beskrivs i OPUS referensmanual.
    3. Klicka på knappen acceptera &Amp; Exit .
  4. Lagra experiment fil
    1. Välj kommandot Avancerad mätningmått -menyn. Klicka sedan på fliken Avancerat .
    2. I dialogrutan som öppnas definierar du upplösningen som 4 cm-1.
    3. Definiera antalet skanningar som 16 skanningar i den Sample/Background Scan tid inmatningsfält.
    4. Definiera sökvägen för att automatiskt lagra mätdata från 4 000 cm-1-12 500 cm-1.
    5. Bestäm datatypen för resultatspektrat som absorbans.
    6. Klicka på knappen Spara .
    7. I dialogrutan som öppnas anger du ett namn för experiment filen och sparar namnet.
  5. Mäta bakgrunds spektrum
    1. Välj kommandot Avancerad mätningmått -menyn.
    2. Klicka på fliken optisk .
    3. I dialogrutan som öppnas klickar du på listrutan bländarinställning och väljer samma värde som används för att hämta ett exempel spektrum.
    4. Klicka på fliken grundläggande .
    5. I dialogrutan som öppnas klickar du på knappen bakgrunds kanal .
  6. Mäta provspektrum
    1. Placera provet i spektrometerns optiska bana. Hur detta görs beror på spektrometerkonfigurationen.
    2. Välj kommandot Avancerad mätning mått -menyn.
    3. Klicka på fliken grundläggande .
    4. I dialogrutan som öppnas definierar du exempel beskrivningen och exempel formuläret i det aktuella inmatningsfältet. Denna information lagras tillsammans med spektrumet.
    5. Klicka på knappen exempel på en kanal för att starta onlineresmätning. Och spara NIR spektrum av varje skanning som OPUS-fil.
  7. Samla in polyfenylenproverna var 6: a och testa koncentrationen av o-kresol med vätskekromatografi i industri laboratoriet för att få ett kemiskt referensvärde.
    Anm.: laboratoriepersonal inom industriområdet ta varje polyfenyleter prov från utloppet av flytande fas polyfenyleter. O-Cresol-halten i varje prov mättes tre gånger med vätskekromatografi. Sedan, medelvärdet av resultaten av de tre gånger analysen togs som referensvärdet för o-Cresol innehåll för att minska oavsiktlig fel.
  8. Erhålla 600 kemiska referensvärden av o-kresol-koncentrationen i laboratoriet. Kalibreringsintervallet för o-kresol koncentrationen är från 42,1063 mg/1 g polyfenyleter produkt till 51,6763 mg/1 g polyfenyleter produkt.
  9. Kombinera NIR-spektrat vid givna testtider med de kemiska referensvärdena för o-kresol-koncentrationen.
  10. Använd programvaran OPUS för att läsa den ursprungliga spektraluppsättningen som visas i figur 1.
    1. Klicka på kommandot Läs in filArkiv -menyn.
    2. I dialogrutan som öppnas väljer du den specifika spektrum filen.
    3. Klicka på knappen Öppna . Spektrumet visas i spektrum fönstret.

2. NIR spektroskopi data förbehandling

  1. Med spektralförbehandling funktion i, få spektrala dataset förbebearbetas med första ordningens derivat.
    1. Öppna unscrambler som är en multivariat dataanalys och experimentell designprogramvara, Välj import kommandot under fil. Importera OPUS-filen som ursprunglig NIR spektrala DataSet.
    2. Välj omforma kommando under ändra. Och välj Savitzky GOLAY derivat under derivat.
    3. Definiera exemplen och variablerna som alla exempel och alla variabler i omfång. Och definiera antalet utjämningspunkter som 13 och derivatan som 1St derivat i parametrar.
    4. Klicka på OK för att starta derivatet.
      Varning: ökningen av jämnhet kan minska de skarpa svängningarna i kurvan, minska bruseffekten men också försvaga egenskaperna hos kurvan och göra kurvan förvrängd. Därför, lämplig jämnhet väljas enligt observation av den faktiska fluktuationsintensitet av kurvan och effekten efter bearbetning.
  2. Utföra vektor normalisering på prov spektra för att normalisera värdet av absorbansen.
    1. Välj Normaliserings kommandot under ändra.
    2. Definiera exemplen och variablerna som alla exempel och alla variabler i omfång.
    3. Välj vektor normalisering i typen.
    4. Klicka på OK för att utföra vektor normalisering.

3. upprättande av PLSR-modell

  1. Skapandet av NIR spektrala datamängden
    1. Öppna Uncrambler. exe, Välj Exportera under fil med MATLAB -filerna för att exportera den förbehandlade spektrala datauppsättningen till. mat-filen och för att erhålla spektraldata set X automatiskt med 2203-variabler.
    2. Få en komplett NIR spektrala dataset X (en matris med 600 rader och 2203 kolumner) och motsvarande kemiska referensvärden Y (en vektor med 600 rader) i form av. mat fil för efterföljande analys och modellering.
  2. Val av lämpligt antal huvudkomponenter
    1. Öppna MATLAB och importera. mat-filen som innehåller de förbehandlade nära infraröda spektrala data till arbetsytan genom att dra. mat-filen till arbetsytan.
      Obs: den. mat filen lagrar nästan infraröda spektraldata X som en oberoende variabel och o-Cresol innehållet i produkten som en beroende variabel i form av två matriser.
    2. Öppna den programmerade. m-filen i redigeraren. Klicka på Öppna under alternativet redigerare , markera den kompilerade. m-filen i katalogen för fillagring och klicka sedan på Bekräfta.
    3. Extrahera 15 huvudkomponenter enligt optimerings målet för ekvation 1 och OLSR-modellen mellan de extraherade huvudkomponenterna och de förutspådda värdena för o-kresol-koncentrationen med programmet som innehåller kommandot plsregress () i MATLAB.
      [XL, YL, XS, YS, BETA, PCTVAR, MSE] = plsregress (X, Y, ncomp, ' CV ', k);
      Läs i MATLAB hjälpdokument för att få information om användning och returvärdet.
      Anmärkning: Equation 3 ekvation 1Equation 4
      Equation 5, och Equation 6 är den ith viktigaste komponenterna i NIR spektrala data;
      Equation 7är projektionen av de viktigaste komponenterna i NIR -spektraldata;
      Equation 8är Pearsons korrelationskoefficient för de primära komponenterna och o-kresol-koncentrationen.
    4. Erhålla Equation 1 värdet av NIR-spektraldata och de uppskattade värdena för de olika huvudkomponenterna med hjälp av ekvation 2.
      Anmärkning: Equation 9 ekvation 2
      Equation 10är summan av kvadrater på grund av fel och definieras som Equation 11 ;
      Equation 12är den totala kvadratsumman och definieras som Equation 13 ;
      Equation 14är referensvärdet för o-kresol koncentrationen av testdatauppsättningen;
      Equation 15är det förväntade värdet av o-Cresol koncentrationen av testdatauppsättningen;
      Equation 16är medelvärdet av referensvärdet för o-kresol-koncentrationen av testdata mängden.
      Equation 17är antalet exempel på testdata uppsättning.
    5. Fastställa Equation 1 värdena och trenden med ökande antal huvudkomponenter som visas i figur 2. Välj 10 som lämpligt antal huvudkomponenter med Equation 1 värdet 0,9917.
      Equation 18 Värdet är den andel av avvikelsen i den beroende variabeln som är förutsägbar av de oberoende variablerna. Ju högre Equation 1 värde är, desto högre godhet-of-Fit är och vice versa.
  3. Validering av godhet-of-Fit och noggrannhet av PLSR modell med 10 huvudsakliga komponenter med hjälp av kommandot plsregress ().
    1. Upprepa modelleringsprocessen med 10 huvudkomponenter som steg 3.2.1-3.2.5 med 10 huvudkomponenter.
    2. Utvärdera modellen baserat på en 10-faldig korsvalidering med hjälp av tomterna i procent avvikelsen förklaras i NIR spektrala data, RESIDUALS och MSPECV.
    3. Rita den procentuella avvikelsen som förklaras i NIR-spektraldata, residualerna och MSPECV som figurerna 3, 4 och 5.
    4. TABULERA utvärderings indikatorerna för Equation 1 ,Equation 2och mspe av 10-faldig korsvalidering för plsr modellen för en kvantitativ analys som visas i tabell 1.
      Anmärkning: ekvationer Equation 2 och mspe visas som ekvation 3 och ekvation 4.
      Equation 19Ekvation 3
      Equation 20Ekvation 4
      Equation 21är kovariansen av referensvärdet och det förutsedda värdet av o-kresol-koncentrationen, Equation 22 är standardavvikelsen för referensvärdet för o-kresol-koncentrationen.
      Equation 23är standardavvikelsen för förväntat värde av o-kresol-koncentrationen.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Det förutsagda värdet av o-kresol förorening i polyfenyleter produkter erhålls genom PLSR-baserad nära infraröd spektroskopi. Figur 2 och figur 3 visar metodens tillförlitlighet i steget för Funktionsurval från kurvan för beslutskoefficienten och den procentuella fel tolkningen som ökar med antalet huvudkomponenter.

Särskilt Observera att i urvalet av de viktigaste komponenterna, för att minimera komplexiteten i modellen, i allmänhet, när de två indikatorerna inte ökar markant med antalet huvudelement, kan de efterföljande huvudelementen med mindre information kasseras. I detta papper, enligt de två kurvorna, när Equation 1 är 0,9917, är det tröskeln att ignorera efterföljande huvudkomponenter.

Visuellt testa noggrannheten och stabiliteten hos metoden för att förutsäga renheten hos o-kresol-produkter med hjälp av figur 4 och figur 5i bilden. Baserat på de utbildnings-och test värden som genererats av de o-kresol-prover som erhållits från industriområdet och deras motsvarande nära infraröda spektroskopi-data, jämförde vi det kvarstående och medelkvadratfelet av de förutsagda och referensvärdena för renhetsgraden hos polyfenyleterprodukter.

Resterande här hänvisar till skillnaden mellan o-Cresol innehåll referensvärdet och PLSR modell uppskattning (monterat värde). Med hjälp av den information som lämnas av rester kan hjälpa oss att undersöka rationaliteten i den etablerade plsr modellantaganden och tillförlitligheten i att samla nära infraröda spektrala data. Det visas att plsr metod effektivt minska rester till ett acceptabelt intervall. Dessutom har PLSR ett litet fluktuationsintervall från-0,2 till 0,2, medan Kalibreringsintervallet är från 42,1063 mg/1 g polyfenyleter produkt till 51,6763 mg/1 g polyfenyleter produkt. Den resterande tomten data låt oss sluta kvalitativt att PLSR för mätning av o-Cresol innehåll baserat på NIR spektrala data har hög noggrannhet.

Korsvalidering medelkvadratfel är ett mått på graden av skillnad mellan referens och förväntad o-kresol innehåll. Detta kan hjälpa oss att utvärdera graden av förändring i prediktiva data. Ju mindre värdet av MSE, desto bättre noggrannhet i prediktiv modell som beskriver o-Cresol innehåll. Figur 5 indikerar att MSPECV för koncentrationen av o-kresol baserat på plsr minskar när antalet huvudkomponenter ökar och uppnår ett godtagbart minimum vid 10 huvudkomponenter. Dessutom minskar felet avsevärt och nedsänknings processen är relativt stabil. Detta bevisar att PLSR resulterar i hög stabilitet för mätningen av o-kresol koncentrationen med hjälp av NIRS.

Modell utvärderings indikatorerna för en 10-faldig korsvalidering visas i tabell 1. Den Equation 1 av 0,98332 är ganska hög för plsr, vilket indikerar att den modell som bygger på plsr väl återspeglar den linjära relationen mellan NIR spektraldata och o-Cresol koncentrationen (dvs., modellen har starkare förklarings kraft). Pearsons korrelationskoefficient Equation 2 är en statistik som används för att återspegla graden av linjär korrelation mellan två variabler. Ju större absolutvärdet av Equation 2 , desto starkare korrelation. Detta kan bidra till att kvantitativt Observera en linjär korrelation mellan det förväntade o-kresol-innehållsvärdet och det kemiska referensvärdet för att bekräfta modellens tillförlitlighet. Medelvärdet relativ förutsägelse fel (MRPE) av 0,01106 är mycket låg för PLSR och förutsägelse korrelationskoefficienten Equation 2 för 0,99161 är stor; Därför är PLSR modellen av stor förutsägelse stabilitet och noggrannhet.

Figure 1
Figur 1. Original NIR spektrum tagen med FT-NIR spektrometer. Figuren visar den icke-förbehandlade spektrala datamängden som samlats in under en tidsperiod av FT-NIR-spektrometern. Vänligen klicka här för att se en större version av denna siffra.

Figure 2
Figur 2. Bestämningskoefficient för den o-kresol-koncentration som bestäms av PLSR. Figuren visar trenden för bestämningskoefficienten för o-kresol-koncentrationen med ökande antal komponenter. Vänligen klicka här för att se en större version av denna siffra.

Figure 3
Figur 3. Procentavvikelse förklaras i NIR-spektraldata för PLSR. Figuren visar den procentuella avvikelsen som förklaras i NIR-spektraldata för de viktigaste komponenterna under PLSR. Vänligen klicka här för att se en större version av denna siffra.

Figure 4
Figur 4. Rester av PLSR för testuppsättningen. Figuren visar rester av 200 test set prover för plsr. Vänligen klicka här för att se en större version av denna siffra.

Figure 5
Figur 5. MSPECV av PLSR. Precisionen hos PLSR-modellen utvärderades med en 10-faldig korsvalidering. modellens MSPECV visas i figur 5. Vänligen klicka här för att se en större version av denna siffra.

Barhet Noggrannhet för förutsägelse
PLSR R ² (Ramstedt) MRPECV
0,98332 0,9916 0,01106

Tabell 1. Utvärderings index för modellen. Tabell 1 visar modell utvärderings indikatorerna för en 10-faldig korsvalidering.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Detta protokoll beskriver processen för att utföra PLSR på mätningen av o-kresol koncentrationen kvar i flytande produkt av polyfenyleneter med NIRS.

De två kritiska stegen i denna process är förbehandling av den ursprungliga NIR spektrala data och variablerna val av den höga-dimensionella NIR spektrala data.

I allmänhet leder den icke-systematiska bakgrunds störningen till den icke-systematiska spridnings avvikelsen eller baslinje driften av NIR-spektrumet. Korrekt NIR spektrala Pre-processing metod (derivat, normalisering, multivariat spridning korrigering, etc.), som det första kritiska steget, eliminerar bakgrundsstörningar och ökar signal-brus-förhållandet av data.

Flera linjära korrelationer som finns i den högdimensionella NIR-spektraldata introducerar onödig beräkning och minskar drifteffektiviteten för regressionsmodellen. Dessutom, det finns redundanta variabler som har svaga eller till och med ingen korrelation till o-kresol innehållet i flytande polyfenyleter produkter. Variabeln urval baserat på PLS, som det andra kritiska steget, löser ovanstående två problem, vilket minskar komplexiteten i modellen och förstärker dess robusthet jämfört med direkt användning av OLSR för modellering.

Dessutom har tekniken sina begränsningar som följer. För det första krävs det att det inte finns någon signifikant ickelinjär korrelation mellan de olika dimensionella variablerna i NIR-spektraldata. Som PLS algoritm mekanismen är baserad på förväntningar om att maximera variationen av NIR spektraldata variabler och maximera Pearson sambandet mellan den valda huvudkomponenten och innehållet i o-Cresol. Därför är driften av algoritmen på data i huvudsak en linjär kombination av högdimensionella variabler, som inte inkluderar det möjliga olinjära förhållandet mellan data15. För det andra, på grund av offline modellering, kan det inte vara självuppdaterad. Vårt arbete har ännu inte täckt effekterna av interaktion mellan o-kresol och lösningsmedels molekyler eller andra förorenings molekyler på NIRS. Interaktionen mellan o-kresol och lösningsmedel eller andra orenhet molekyler kan ha en oväntad effekt på NIRS, men vi har fortfarande inte hittat en lämplig metod för att kvantifiera denna effekt. För det tredje kan förändringen av miljö, arbetsvillkor och andra faktorer leda till att modellens begrepps drift.

För de befintliga metoderna, såsom fysikalisk eller kemisk separations analys för mätning av kemisk substans halt i den kemiska material industrin, detekterar NIRS sammansättning och strukturell information om kemisk substans halt från en mikroskopiskt molekylärt perspektiv. I allmänhet, den kvalitativa övergången på makroskopisk nivå orsakas av den kvantitativa förändringen på mikroskopisk nivå. Därför har denna teknik starkare noggrannhet, aktualitet och känslighet än andra metoder. Dessutom kan kombinationen med dataanalys teknik effektivt utnyttja industriella stordata, vilket bidrar till industriell automation och även intelligent konstruktion.

I framtiden kan denna teknik flexibelt tillämpas på online-mätning av olika flytande eller fast fas kemikalier innehåll i andra fina processindustrier där mätningen av allmänna sensorer och laboratoriemätningar är svårt eller oförmögen att uppfylla de industriella kraven16. Dessutom kan denna teknik i stor utsträckning kombineras med avancerad styrteknik på grund av återkoppling i realtid av analysvariabler och därmed uppfylla högre industrikrav17,18,19.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har inget att avslöja.

Acknowledgments

Detta arbete stöddes av National Natural Science Foundation i Kina (Grant nos. 61722306 och 61473137) och nationella första klassens disciplin program för lätt industriteknik och ingenjörskonst (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