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

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.

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 produkter^1,2. 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 metoder^3,4.

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 kromatografi^7,8. 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 NIRS^11,12. 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 nøjagtighed^13,14.

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 (), prognose korrelationskoefficienten () 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.

Protocol

1. NIR Spectrum data erhvervelse med Fourier Transform (ft)-NIR Process spektrometer 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. Tilslutning til spektrometer Vælg kommandoen optisk opsætning og tjeneste i menuen måling , eller…

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 k…

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…

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