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.
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.
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 (), prediksjon korrelasjonskoeffisienten (
) 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.
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 …
The authors have nothing to disclose.
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).
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 |