O-cresol 浓度在线测量基于近红外光谱通过部分最小平方回归

Summary

该协议描述了一种使用近红外光谱和部分最小二乘回归预测聚苯醚生产过程中o-cresol浓度的方法。为了更清晰、更全面地描述过程，使用一个预测聚苯乙烯生产过程中的o-cresol浓度的例子来阐明这些步骤。

Abstract

与宏观过程变量不同，近红外光谱在分子水平上提供过程信息，并可以显著提高工业过程中组件的预测。无需任何预处理即可记录固体和液体样品的光谱，这种方法应用广泛。然而，分析高维近红外光谱数据的缺点包括信息冗余和光谱数据的多共线性。因此，我们建议使用部分最小二乘回归方法，该方法传统上用于减小数据维数，消除原始要素之间的共线性。实现聚苯醚生产过程中o-cresol浓度的预测方法。与分量回归预测方法不同，该方法具有以下优点：1） 部分最小二乘回归解决了独立变量的多共线性问题，并有效地避免了在由于独立变量之间的相关性高，回归分析;2） 近红外光谱的使用可以产生高精度，因为它是一种无损和无污染的方法，用于在微观和分子尺度上获得信息。

Introduction

近红外（NIR）光谱学（NIRS）作为一种快速、高效、无损、无污染的现代分析技术，已得到广泛接受;该方法在过去几年中已用于工业过程中的产品质量检测和分析以及化学成分测量。该方法最重要的特点是能够记录固体和液体样品的光谱，无需任何预处理，使NIRS特别适用于直接和快速检测和分析天然和合成^{产品1，2。}与在宏观尺度上测量过程变量（如温度、压力、液位等）并不可避免地受到外部噪声和背景干扰的传统传感器不同，NIRS 在微观和分子尺度上检测化学成分的结构信息。因此，与其他^方法3，4相比，可以更准确、更有效地测量基本信息。

聚苯醚作为工程塑料之一，由于其耐热性、阻燃性、绝缘性、电气性能、尺寸稳定性、抗冲击性、抗蠕变性、机械强度^等特性而得到广泛应用。更重要的是，与其他工程塑料相比，它是无毒无害的。目前，2，6-xylenol是聚苯醚合成的基本原料之一，通常采用甲醇^法6制备苯酚催化烷基化。这种制备方法有两种主要产品，o-cresol和2，6-xylenol。经过一系列的分离和提取步骤，2，6 xylenol用于生产聚苯醚。然而，微量的o-cresol仍然留在2，6-xylenol中。O-cresol 不参与聚苯醚的合成，并将留在聚苯醚产品中，导致产品质量下降，甚至不合格。目前，大多数公司仍在通过物理或化学分离分析（如色^谱7、8）分析含有杂质的液相聚苯醚产品等复杂有机混合物的成分。色谱分离原理是使用组合物的混合物在固定相和流动阶段中的溶解、分析、吸附、解吸或其他亲和力的细微差异，在性能上。当两个阶段相对移动时，组合在两个阶段中反复由上述操作分隔。根据对象的不同，完成复杂的材料分离操作通常需要几分钟到几十分钟。可以看出，测量效率低。

目前，基于这一分析的产品质量测量和先进的控制技术是进一步提高产品质量的关键方向。在聚苯醚生产加工工业中，对聚苯醚产品中的o-cresol含量进行实时测量具有重要的开发意义。色谱分析显然不能满足高级控制技术对实时测量物质和信号反馈的要求。因此，我们提出了部分最小二乘回归（PLSR）方法，在NIRS数据与o-cresol浓度之间建立线性模型，实现了出口液聚苯醚产品中o-cresol含量的在线测量.

在多变量统计建模之前，NIRS 的预处理起着最重要的作用。NIRS波数在NIR光谱和生物样品的颗粒大小是可比的，所以它被称为意外的散射效应，对记录的样品光谱有影响。通过执行适当的预处理方法，这些影响很容易消除，^{基本上9。}NIRS中最常用的预处理技术分为散射校正和光谱导数方法。第一组方法包括乘法散射校正、去趋势、标准法向变量变换和规范化。光谱推导方法包括使用第一和第二导数。

在开发定量回归模型之前，从 NIRS 数据中删除非系统的散点变化非常重要，因为它们对预测模型的准确性、复杂性和简洁性有显著影响。选择合适的预处理方法应始终取决于后续的建模步骤。在这里，如果 NIR 光谱数据集不遵循 Lambert-Beer 定律，则其他因素往往会补偿预测组件的非理想行为。存在这些不必要因素的缺点是导致模型复杂性的增加，甚至很可能降低鲁棒性。因此，光谱导数的应用和对光谱数据的常规规范化是该方法的重要组成部分。

经过光谱预处理，获得高信噪比和低背景干扰的NIRS数据。现代 NIRS 分析可在适当的光谱范围内快速获得大量吸收。然后，通过使用光谱曲线中包含的信息提取相关变量来预测样品的化学成分。一般来说，NIRS与多变量分析技术相结合，用于定性或定量^分析10。多变量线性回归（MLR）分析通常用于开发和挖掘工业过程中数据与组件之间的数学关系，并在NIRS分析中得到了广泛的应用。

但是，在为预处理的 NIRS 数据实施 MLR 时，存在两个基本问题。一个问题是可变冗余。NIRS 数据的高维数通常使因变量的预测不可靠，因为包含的变量与组件无关。这些冗余变量降低了光谱数据的信息效率，影响了模型的精度。为了消除可变冗余，必须开发和最大化 NIRS 数据与预测组件之间的相关性。

另一个问题是NIRS数据中的多共线性问题。多个线性回归模型的重要假设之一是回归模型的任何解释变量之间没有线性关系。如果存在这种线性关系，则证明线性回归模型中存在多共线性，并违反了该假设。在多个线性回归（如普通最小二乘回归 （OLSR））中，变量之间的多重相关性会影响参数估计，增加模型误差，并影响模型的稳定性。为了消除近红外光谱数据之间的多线性相关性，我们使用可变选择方法，使样本的固有变异性最大化。

在这里，我们建议使用PLSR，这是多线性回归的概括，已广泛应用于NIRS^11，12领域。PLSR整合了MLR的基本功能、规范的相关分析（CCA）和主要成分分析（PCA），并将预测分析与非模型数据内涵分析相结合。PLSR 可以分为两部分。第一部分通过部分最小二乘分析（PLS）选择特征变量和预测分量的分量。PLS 通过在提取主组件时使主组件和预测组件的协方差尽可能大，从而最大化主要组件的固有变异性。接下来，为所选的主要成分建立O-cresol浓度的OLSR模型。PLSR 适用于分析具有大量强共线性和高度相关的独立变量的噪声数据，以及同时建模多个响应变量。此外，PLSR提取了样品光谱的有效信息，克服了多共线性问题，具有稳定性强、预测精度高^{的优点13、14。}

以下协议描述了使用 PLSR 模型使用近地红外光谱数据测量 o-cresol 浓度的过程。利用确定系数（）、预测相关系数（）和交叉验证（MSPECV）的均方预测误差对模型的可靠性和准确性进行了定量评价。此外，为了直观地展示 PLSR 的优点，评估指标在几个图中可视化，以便进行定性分析。最后，以表格式给出了实验的评价指标，定量说明了PLSR模型的可靠性和精度。

Protocol

1. 使用傅立叶变换（FT）-NIR工艺光谱仪进行NIR频谱数据采集 在聚苯醚产品出口处安装近红外光谱仪的液相光纤探头。打开连接到仪器的上部计算机上的OPUS软件，并开始配置测量。 连接到光谱仪 在”测量”菜单上，选择”光学设置和服务”命令，或单击工具栏中的图标。 在打开的对话框中，单击”光学工作台”</strong…

Representative Results

基于PLSR的近红外光谱获得了多苯醚产品中o-cresol杂质的预测值。图2和图3分别从决策系数曲线和误差解释百分比随主分量数量增加的要素选择阶段显示了该方法的可靠性。 具体来说，请注意，在选择主要组件时，为了最小化模型的复杂性，通常，当两个指标没有随着主要元素的数量显著增加时，可以?…

Discussion

该协议描述了在使用NIRS的聚苯醚液体产物中残留的o-cresol浓度测量PLSR的过程。

这个过程的两个关键步骤是原始近地红外光谱数据的预处理和高维近地红外光谱数据的变量选择。

一般来说，非系统背景干扰导致近红外光谱的非系统散射偏差或基线漂移。正确的近红外光谱预处理方法（导数、规范化、多变量散射校正等）作为第一个关键步骤，消除了背景?…

Materials

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