이 프로토콜은 근적외선 분광법 및 부분 최소 제곱 회귀를 사용하여 폴리페닐렌 에테르를 제조하는 동안 o-cresol 농도를 예측하는 방법을 설명합니다. 공정을 보다 명확하고 완전하게 설명하기 위해, 폴리페닐렌의 제조 동안 o-크레졸 농도를 예측하는 예가 단계를 명확히 하는 데 사용된다.
거시적 공정 변수와 달리 근적외선 분광법은 분자 수준에서 공정 정보를 제공하며 산업 공정에서 구성 요소의 예측을 크게 향상시킬 수 있습니다. 전처리 없이 고체 및 액체 시료에 대한 스펙트럼을 기록하는 기능이 유리하며 이 방법이 널리 사용됩니다. 그러나 고차원 근적외선 스펙트럼 데이터를 분석할 때의 단점은 스펙트럼 데이터의 정보 중복성 및 다중선성을 포함한다. 따라서, 우리는 전통적으로 데이터 차원을 줄이고 원래 의 기능 사이의 공선성을 제거하는 데 사용되어 왔다 부분 최소 제곱 회귀 방법을 사용하는 것이 제안한다. 폴리페닐렌 에테르의 제조 동안 o-크레졸 농도를 예측하는 방법을 구현한다. 제안된 접근 방식은 구성 요소 회귀 예측 방법에 비해 다음과 같은 이점을 제공합니다: 1) 부분 최소 제곱 회귀는 독립 변수의 다중 선형성 문제를 해결하고 효과적으로 과적합을 방지합니다. 독립 변수 간의 높은 상관 관계로 인한 회귀 분석; 2) 근적외선 스펙트럼의 사용은 현미경 및 분자 스케일에서 정보를 얻는 비파괴 및 비오염 방법이기 때문에 높은 정확도를 초래한다.
근적외선(NIR) 분광법(NIRS)은 빠르고 효율적이며 비파괴적이며 오염되지 않는 현대 분석 기술로 널리 인정받고 있습니다. 이 방법은 지난 몇 년 동안 산업 공정에서 제품 품질 검출 및 분석 및 화학 부품 측정에 사용되어 왔습니다. 이 방법의 가장 중요한 전문 분야는 전처리없이 고체 및 액체 샘플에 대한 스펙트럼을 기록 할 수있는 능력으로 NIRS는 천연 및 합성 제품의 직접적이고 신속한 검출 및 분석에 특히적합합니다 1,2. 거시적 스케일에서 공정 변수(예: 온도, 압력, 액체 레벨 등)를 측정하고 외부 소음 및 배경 간섭을 필연적으로 겪는 기존 센서와 달리 NIRS는 현미경 및 분자 스케일에서 화학 조성의 구조적 정보를 감지합니다. 따라서, 필수 정보는 다른 방법3,4보다더 정확하고 효과적으로 측정될 수 있다.
폴리 페닐 에테르, 엔지니어링 플라스틱 중 하나로서, 널리 때문에 내열성, 난연성, 절연, 전기 적 특성, 치수 안정성, 내충격성, 크리프 저항, 기계적 강도 및 기타 특성5로사용된다. 더 중요한 것은, 그것은 다른 엔지니어링 플라스틱에 비해 무독성무하다. 현재, 2,6-자일레놀은 폴리페닐렌 에테르의 합성을 위한 기본 원료 중 하나이며, 일반적으로 메탄올법6을이용한 페놀의 촉매 알킬화에 의해 제조된다. 이 준비 방법의 두 가지 주요 제품이 있습니다, o-cresol 과 2,6-자일레놀. 일련의 분리 및 추출 단계 후, 2,6 자일레놀은 폴리페닐렌 에테르를 생산하는 데 사용됩니다. 그러나, O-cresol의 미량은 2,6-xylenol에 남아 있습니다. O-크레솔은 폴리페닐렌 에테르의 합성에 참여하지 않으며 폴리페닐렌 에테르 제품에 남아 있어 제품 품질 또는 표준 이하의 감소를 초래합니다. 현재, 대부분의 기업들은 여전히 크로마토그래피7,8과같은 물리적 또는 화학적 분리 분석에 의해 불순물(예를 들어, o-cresol)을 함유하는 액체 상 폴리페닐 에테르 생성물과 같은 복합 유기 혼합물의 조성물을 분석하고 있다. 크로마토그래피의 분리 원리는 용해, 분석, 흡착, 탈착 또는 성능의 사소한 차이의 다른 친화성에서 고정 상 및 유동 상에서 조성물의 혼합물을 사용하는 것이다. 두 단계가 서로 를 기준으로 이동하면, 조성물은 두 단계에서 반복적으로 위의 동작에 의해 분리된다. 개체에 따라 복잡한 재료 분리 작업을 완료하는 데 보통 몇 분에서 수십 분정도 걸립니다. 측정 효율이 낮다는 것을 확인할 수 있습니다.
요즘에는 현대 미세 공정 화학 물질 산업에 대한 이러한 분석을 기반으로 한 제품 품질 및 첨단 제어 기술의 측정이 제품 품질을 더욱 향상시키는 핵심 방향입니다. 폴리페닐 에테르 생산 공정 산업에서 폴리페닐렌 에테르 제품의 o-cresol 함량의 실시간 측정은 개발의 중요성이 크다. 크로마토그래피 분석은 물질 및 신호 피드백을 실시간으로 측정하기 위한 고급 제어 기술의 요구 사항을 명확하게 충족할 수 없습니다. 따라서 NIRS 데이터와 o-cresol 농도 사이의 선형 모델을 확립하는 부분 최소 제곱 회귀(PLSR) 방법을 제안하여, 출구의 액체 폴리페닐렌 에테르 생성물에서 o-cresol 함량의 온라인 측정을 실현합니다. .
NIRS의 전처리는 다변량 통계 모델링 이전에 가장 중요한 역할을 합니다. NIR 스펙트럼의 NIRS 파번호와 생물학적 시료의 입자 크기는 비교할 수 있으므로 기록된 샘플 스펙트럼에 영향을 미치는 예기치 않은 산란 효과로 알려져 있습니다. 적절한 전처리 방법을 수행함으로써, 이러한 효과는 크게 제거하기 쉽다9. NIRS에서 가장 일반적으로 사용되는 전처리 기술은 산란 보정 및 스펙트럼 유도법으로 분류됩니다. 메서드의 첫 번째 그룹에는 곱셈 분산 보정, 추세 저하, 표준 법선 변이 변환 및 정규화가 포함됩니다. 스펙트럼 파생 방법은 제 1 및 제 2 유도체의 사용을 포함한다.
정량회 모델을 개발하기 전에 예측 모델의 정확도, 복잡성 및 동시성에 큰 영향을 미치기 때문에 NIRS 데이터에서 비체계적인 분산 변동을 제거하는 것이 중요합니다. 적합한 전처리 방법의 선택은 항상 후속 모델링 단계에 따라 달라집니다. 여기서 NIR 스펙트럼 데이터 집합이 램버트-맥주 법칙을 따르지 않는 경우 다른 요인은 예측된 구성 요소에 대한 예측의 이상적이지 않은 동작을 보상하는 경향이 있습니다. 이러한 불필요한 요인의 존재의 단점은 모델 복잡성의 증가로 이어질, 심지어 가장 가능성이, 견고성의 감소. 따라서, 스펙트럼 유도체의 적용 및 종래의 정규화 스펙트럼 데이터에 대한 방법은 필수적인 부분이다.
스펙트럼 전처리 후 신호 대 잡음 비가 높고 배경 간섭이 낮은 NIRS 데이터를 얻을 수 있습니다. 최신 NIRS 분석은 적절한 스펙트럼 범위에 걸쳐 많은 양의 흡광도를 신속하게 수집합니다. 샘플의 화학적 조성은 스펙트럼 곡선에 포함된 정보를 사용하여 관련 변수를 추출하여 예측됩니다. 일반적으로 NIRS는 정성적 또는 정량적 분석을 위한 다변량 분석 기법과결합되어 10. 다변량 선형 회귀(MLR) 분석은 일반적으로 산업 공정의 데이터와 구성 요소 간의 수학적 관계를 개발하고 마이닝하는 데 사용되며 NIRS 분석에 널리 사용되어 왔습니다.
그러나 사전 처리된 NIRS 데이터에 대한 MLR을 구현할 때 두 가지 근본적인 문제가 있습니다. 한 가지 문제는 변수 중복성입니다. NIRS 데이터의 높은 차원은 구성 요소와 상관 관계가 없는 변수가 포함되어 있기 때문에 종속 변수의 예측을 신뢰할 수 없게 만드는 경우가 많습니다. 이러한 중복 변수는 스펙트럼 데이터의 정보 효율성을 줄이고 모델의 정확도에 영향을 미칩니다. 변수 중복성을 제거하려면 NIRS 데이터와 예측된 구성 요소 간의 상관 관계를 개발하고 최대화하는 것이 필수적입니다.
또 다른 문제는 NIRS 데이터의 다중 선형성 문제입니다. 다중 선형 회귀 모델의 중요한 가정 중 하나는 회귀 모델의 설명 변수 간에 선형 관계가 없다는 것입니다. 이 선형 관계가 존재하는 경우 선형 회귀 모델에 다중 선선형이 있고 가정이 위반된다는 것이 입증됩니다. 일반 최소 제곱 회귀(OLSR)와 같은 여러 선형 회귀에서 변수 간의 여러 상관 관계는 매개 변수 추정에 영향을 미치고 모델 오류를 증가시키고 모델의 안정성에 영향을 미칩니다. NIR 스펙트럼 데이터 간의 다선형 상관 관계를 제거하기 위해 샘플의 고유 가변성을 최대화하는 가변 선택 방법을 사용합니다.
여기서, 우리는 NIRS11,12의분야에서 널리 사용되고 있는 다중 선형 회귀의 일반화인 PLSR을 사용하는 것을 제안한다. PLSR은 MLR, 표준 상관 분석(CCA) 및 주성분 분석(PCA)의 기본 기능을 통합하고 예측 분석을 비모델 데이터 의미 분석과 결합합니다. PLSR은 두 부분으로 나눌 수 있습니다. 첫 번째 부품은 특성 변수의 구성 요소와 PLS(부분 최소 제곱 분석)에 의해 예측된 구성요소를 선택합니다. PLS는 주 성분을 추출할 때 주 성분과 예측 된 구성 요소의 공변을 가능한 한 크게 만들어 주 성분의 고유 변동성을 최대화합니다. 다음으로, 선택된 주성분에 대해 o-크레솔 농도의 OLSR 모델이 확립된다. PLSR은 강력한 호선형 및 높은 상관 관계가 있는 수많은 독립 변수가 있는 시끄러운 데이터의 분석과 여러 응답 변수의 동시 모델링에 적합합니다. 또한, PLSR은 시료 스펙트럼의 효과적인 정보를 추출하고, 다중선성의 문제점을 극복하고, 강한 안정성과 높은 예측 정확도의 장점을 갖는다13,14.
다음 프로토콜은 NIR 스펙트럼 데이터를 사용하여 o-cresol 농도를 측정하기 위한 PLSR 모델을 사용하는 과정을 설명합니다. 모델의 신뢰성 및 정확도는 측정 계수(),예측 상관계(mSPECV)
및 평균 제곱 예측 오차를 사용하여 정량적으로 평가된다. 또한 PLSR의 장점을 직관적으로 보여주기 위해 평가 지표는 정성적 분석을 위해 여러 플롯으로 시각화됩니다. 마지막으로, PLSR 모델의 신뢰성과 정밀도를 정량적으로 설명하기 위해 실험의 평가 지표가 테이블 형식으로 제시된다.
이 프로토콜은 NIRS를 가진 폴리페닐렌 에테르의 액체 생성물에 남아 있는 o-크레졸 농도의 측정에 대한 PLSR을 수행하는 과정을 기술한다.
이 프로세스의 두 가지 중요한 단계는 원래 NIR 스펙트럼 데이터의 전처리와 고차원 NIR 스펙트럼 데이터의 변수 선택입니다.
일반적으로, 비체계적인 배경 간섭은 NIR 스펙트럼의 비체계적인 산란 편차 또는 기준선 드리…
The authors have nothing to disclose.
이 작품은 중국 국립 자연 과학 재단 (그랜트 번호 61722306 및 61473137)과 빛 산업 기술 및 공학의 국가 일류 징계 프로그램 (LITE2018-025)에 의해 지원되었다.
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 |