Name: o-cresol concentration online measurement based on near infrared spectroscopy via partial least square regression
Uploaded: 2019-11-08T12:30:00
Description: Watch this Scientific Journal Video about O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression at JoVE.com

Ces travaux ont été soutenus par la National Natural Science Foundation of China (Grant Nos. 61722306 et 61473137) et le National First-class Discipline Program of Light Industry Technology and Engineering (LITE2018-025).

1. Acquisition de données de spectre NIR avec spectromètre de processus de transformation Fourier (FT)-NIR
<ol><li>Installez la sonde de fibre optique de phase liquide du spectromètre proche infrarouge à la sortie du produit d'éther de polyphényle. Et ouvrez le logiciel OPUS sur l'ordinateur supérieur connecté à l'instrument et commencez à configurer la mesure.</li>
	<li>Connexion au spectromètre
	<ol>
<li>Dans le menu Mesure, sélectionnez la commande <stro...

<ol>
	<li>Nicolai, B. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nondestructive+measurement+of+fruit+and+vegetable+quality+by+means+of+NIR+spectroscopy:+A+review.">Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review.</a> Postharvest Biology and Technology. 46 (2), 99-118 (2007).</li><li>Chang, C. W., Laird, D. A., Mausbach, M. J., Hurburgh, C. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Near-infrared+reflectance+spectroscopy-principal+components+regression+analyses+of+soil+properties.">Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties.</a> Soil Science Society of America Journal. 65 (2), 480-490 (2001).</li><li>Chen, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Near-infrared+spectroscopy+for+rapid+evaluation+of+different+processing+products+of+Sophora+japonica.">Near-infrared spectroscopy for rapid evaluation of different processing products of Sophora japonica.</a> L. Spectroscopy Letters. 51 (1), 37-44 (2018).</li><li>Cayuela, J. A., Garcia, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nondestructive+measurement+of+squalene+in+olive+oil+by+near+infrared+spectroscopy.">Nondestructive measurement of squalene in olive oil by near infrared spectroscopy.</a> LWT-FOOD SCIENCE AND TECHNOLOGY. 88, 103-108 (2018).</li><li>Joaquim, M., Rudnick, R. L., Shubkin, R. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Polyphenyl+Ether+Lubricants.">Polyphenyl Ether Lubricants.</a> Synthetic Lubricants and High-performance Functional. , 239 (1999).</li><li>Grabowska, H., Kaczmarczyk, W., Wrzyszcz, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Synthesis+of+2,6-Xylenol+by+Alkylation+of+Phenol+with+Methanol.">Synthesis of 2,6-Xylenol by Alkylation of Phenol with Methanol.</a> Applied Catalysis. 47 (2), 351-355 (1989).</li><li>Jeon, D. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Determination+of+volatile+organic+compounds,+catechins,+caffeine+and+theanine+in+Jukro+tea+at+three+growth+stages+by+chromatographic+and+spectrometric+methods.">Determination of volatile organic compounds, catechins, caffeine and theanine in Jukro tea at three growth stages by chromatographic and spectrometric methods.</a> FOOD CHEMISTRY. 219, 443-452 (2016).</li><li>Davidyuk, E. I., Demchenko, V. F., Klisenko, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Rapid+group+separation+and+identification+of+chlorinated+organic+compounds+by+high+performance+liquid+chromatography.">Rapid group separation and identification of chlorinated organic compounds by high performance liquid chromatography.</a> JOURNAL OF ANALYTICAL CHEMISTRY. 52 (11), 1058-1065 (1997).</li><li>Rinnan, A., Berg, F., Engelsen, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Review+of+the+most+common+pre-processing+techniques+for+near-infrared+spectra.">Review of the most common pre-processing techniques for near-infrared spectra.</a> TrAC Trends in Analytical Chemistry. 28 (10), 1201-1222 (2009).</li><li>Zou, X. B., Zhao, J. W., Povey, M. J. W., Holmes, M., Mao, H. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Variables+selection+methods+in+near-infrared+spectroscopy.">Variables selection methods in near-infrared spectroscopy.</a> Analytica Chimica Acta. (1-2), 14-32 (2010).</li><li>Dunn, B. W., Beecher, H. G., Batten, G. D., Ciavarella, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+potential+of+near-infrared+reflectance+spectroscopy+for+soil+analysis+-+a+case+study+from+the+Riverine+Plain+of+south-eastern+Australia.">The potential of near-infrared reflectance spectroscopy for soil analysis - a case study from the Riverine Plain of south-eastern Australia.</a> Australian Journal of Experimental Agriculture. 42 (5), 607-614 (2002).</li><li>Wang, C. K., Zhang, T. L., Pan, X. Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Potential+of+visible+and+near-infrared+reflectance+spectroscopy+for+the+determination+of+rare+earth+elements+in+soil.">Potential of visible and near-infrared reflectance spectroscopy for the determination of rare earth elements in soil.</a> Geoderma. 306, 120-126 (2017).</li><li>Gatius, F., Miralbes, C., David, C., Puy, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+of+CCA+and+PLS+to+explore+and+model+NIR+data.">Comparison of CCA and PLS to explore and model NIR data.</a> Chemometrics and Intelligent Laboratory Systems. , 76-82 (2017).</li><li>Wold, S., Sjostrom, M., Eriksson, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=PLS-regression:+a+basic+tool+of+chemometrics.">PLS-regression: a basic tool of chemometrics.</a> Chemometrics &amp; Intelligent Laboratory. 58 (2), 109-130 (2001).</li><li>Douglas, R. K., Nawar, S., Alamar, M. C., Mouazen, A. M., Coulon, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Rapid+prediction+of+total+petroleum+hydrocarbons+concentration+in+contaminated+soil+using+vis-NIR+spectroscopy+and+regression+techniques.">Rapid prediction of total petroleum hydrocarbons concentration in contaminated soil using vis-NIR spectroscopy and regression techniques.</a> SCIENCE OF THE TOTAL ENVIRONMENT. 616, 147-155 (2017).</li><li>Grassi, S., Alamprese, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Advances+in+NIR+spectroscopy+applied+to+process+analytical+technology+in+food+industries.">Advances in NIR spectroscopy applied to process analytical technology in food industries.</a> CURRENT OPINION IN FOOD SCIENCE. 22 (SI), 17-21 (2018).</li><li>Trung, T., Downes, G., Meder, R., Allison, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pulp+mill+and+chemical+recovery+control+with+advanced+analysers+-+from+trees+to+final+product.">Pulp mill and chemical recovery control with advanced analysers - from trees to final product.</a> APPITA. 68 (1), 39-46 (2015).</li><li>Vann, L., Sheppard, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> Journal of Industrial Microbiology&amp; Biotechnology. 44 (12), 1589-1603 (2017).</li><li>Modrono, S., Soldado, A., Martinez-Fernandez, A., de la Roza-Delgado, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Handheld+NIRS+sensors+for+routine+compound+feed+quality+control:+Real+time+analysis+and+field+monitoring.">Handheld NIRS sensors for routine compound feed quality control: Real time analysis and field monitoring.</a> TALANTA. 162, 597-603 (2017).</li></ol>

Ce protocole décrit le processus d'exécution du PLSR sur la mesure de la concentration d'o-cresol restant dans le produit liquide de l'éther de polyphénylène avec NIRS.
Les deux étapes critiques de ce processus sont le prétraitement des données spectrales NIR originales et la sélection des variables des données spectrales NIR de haute dimension.
En général, l'interférence de fond non systématique conduit à l'écart de diffusion non systématique ou à...

La spectroscopie infrarouge proche (NIR) a été largement acceptée en tant que technologie d'analyse moderne rapide, efficace, non destructive et non polluante; la méthode a été utilisée au cours des dernières années pour la détection et l'analyse de la qualité des produits et la mesure des composants chimiques dans les procédés industriels. La spécialité la plus essentielle de la méthode est sa capacité à enregistrer des spectres pour les échantillons solides et liquides sans aucun pré-traitement, ce qui rend NIRS particulièrement adapté à la détection directe et rapide et l'analyse des produits naturels et synthétiques1,2. Contrairement aux capteurs traditionnels qui mesurent les variables du processus (p. ex. température, pression, niveau de liquide, etc.) à une échelle macroscopique et subissent inévitablement le bruit extérieur et l'interférence de fond, le NIRS détecte les informations structurelles de la composition chimique à des échelles microscopiques et moléculaires. Ainsi, l'information essentielle peut être mesurée avec plus de précision et de efficacité qu'avec d'autres méthodes3,4.
L'éther de polyphényle, comme l'un des plastiques d'ingénierie, sont largement employés en raison de sa résistance à la chaleur, retardant la flamme, isolation, propriétés électriques, stabilité dimensionnelle, résistance d'impact, résistance de fluage, force mécanique et d'autres propriétés5. Plus important encore, il est non toxique et inoffensif par rapport à d'autres plastiques d'ingénierie. À l'heure actuelle, 2,6-xylenol est l'une des matières premières de base pour la synthèse de l'éther de polyphénylène, et il est généralement préparé par alkylation catalysée du phénol avec la méthode de méthanol6. Il existe deux produits principaux de cette méthode de préparation, o-cresol et 2,6-xylenol. Après une série d'étapes de séparation et d'extraction, 2,6 xylenol est utilisé pour produire de l'éther de polyphénylène. Cependant, des quantités infimes d'o-cresol demeurent dans 2,6-xylenol. O-cresol ne participe pas à la synthèse de l'éther de polyphénylène et restera dans le produit d'éther de polyphénylène, ayant pour résultat une diminution de la qualité du produit ou même de la qualité inférieure. À l'heure actuelle, la plupart des entreprises analysent encore les compositions de mélanges organiques complexes tels que les produits d'éther de polyphényle de phase liquide contenant des impuretés (p. ex., o-cresol) par analyse de séparation physique ou chimique comme la chromatographie7,8. Le principe de séparation de la chromatographie est l'utilisation du mélange des compositions dans la phase fixe et la phase de flux dans la dissolution, l'analyse, l'adsorption, la desorption ou toute autre affinité des différences mineures dans la performance. Lorsque les deux phases se déplacent l'une par rapport à l'autre, les compositions sont séparées par les actions ci-dessus à plusieurs reprises dans les deux phases. Selon l'objet, il faut généralement quelques minutes à quelques dizaines de minutes pour effectuer une opération complexe de séparation des matériaux. On peut voir que l'efficacité de mesure est faible.
Aujourd'hui, la mesure de la qualité du produit et la technologie de contrôle avancée basée sur cette analyse pour l'industrie moderne des matériaux chimiques de procédé fin est la direction clé pour améliorer davantage la qualité du produit. Dans l'industrie des procédés de production d'éther de polyphényle, la mesure en temps réel de la teneur en o-crésol dans le produit d'éther de polyphénylène est d'une grande importance de développement. L'analyse chromatographique ne peut manifestement pas répondre aux exigences de la technologie de contrôle avancée pour la mesure en temps réel des substances et la rétroaction du signal. Par conséquent, nous proposons la méthode partielle de régression des moindres carrés (PLSR) pour établir un modèle linéaire entre les données NIRS et la concentration o-cresol, qui réalisent la mesure en ligne de la teneur en o-cresol dans le produit d'éther de polyphénylène liquide de sortie .
Le prétraitement du NIRS joue le rôle le plus important avant la modélisation statistique multivariée. Le nombre d'ondes NIRS dans le spectre NIR et la taille des particules des échantillons biologiques sont comparables, de sorte qu'il est connu pour les effets de dispersion inattendus qui ont une influence sur les spectres de l'échantillon enregistré. En exécutant des méthodes de prétraitement appropriées, ces effets sont faciles à éliminer en grande partie9. Les techniques de prétraitement les plus couramment utilisées dans le NIRS sont classées comme la correction de la diffusion et les méthodes dérivées spectrales. Le premier groupe de méthodes comprend la correction de dispersion multiplicative, la tendance, les transformations variates normales standard et la normalisation. Les méthodes de dérivation spectrale comprennent l'utilisation des premier et deuxième dérivés.
Avant d'élaborer un modèle de régression quantitative, il est important de supprimer les variations de dispersion non systématiques des données du NIRS parce qu'elles ont une influence significative sur l'exactitude du modèle prédictif, sa complexité et sa parcimonie. Le choix d'une méthode de prétraitement appropriée doit toujours dépendre de l'étape de modélisation ultérieure. Ici, si l'ensemble de données spectrales NIR ne suit pas la loi Lambert-Beer, alors d'autres facteurs tendent à compenser le comportement non idéal de la prédiction des composants prédits. L'inconvénient de l'existence de tels facteurs inutiles conduit à l'augmentation de la complexité du modèle, même très probablement, une réduction de la robustesse. Ainsi, l'application de dérivés spectrals et une normalisation conventionnelle des données spectrales est une partie essentielle de la méthode.
Après le prétraitement spectral, les données NIRS avec un rapport signal-bruit élevé et une faible interférence de fond sont obtenues. L'analyse Moderne de NIRS fournit l'acquisition rapide de grandes quantités d'absorption sur une gamme spectrale appropriée. La composition chimique de l'échantillon est ensuite prédite en extrayant les variables pertinentes à l'aide de l'information contenue dans la courbe spectrale. En général, NIRS est combiné avec des techniques d'analyse multivariées pour les analyses qualitatives ou quantitatives10. Une analyse multivariée de régression linéaire (MLR) est couramment utilisée pour développer et extraire la relation mathématique entre les données et les composants dans les processus industriels et a été largement utilisée dans l'analyse Du NIRS.
Cependant, il y a deux problèmes fondamentaux lors de la mise en œuvre d'un MLR pour les données NIRS prétraitées. Un problème est la redondance variable. La dimensionnalité élevée des données NIRS rend souvent la prédiction d'une variable dépendante peu fiable parce que les variables sont incluses qui n'ont aucune corrélation avec les composants. Ces variables redondantes réduisent l'efficacité de l'information des données spectrales et affectent l'exactitude du modèle. Afin d'éliminer la redondance variable, il est essentiel de développer et de maximiser la corrélation entre les données Du NIRS et les composants prévus.
Un autre problème est la question de la multicollinearité dans les données Du NIRS. L'une des hypothèses importantes des modèles de régression linéaire multiple est qu'il n'y a pas de relation linéaire entre l'une des variables explicatives du modèle de régression. Si cette relation linéaire existe, il est prouvé qu'il y a multicollinearity dans le modèle de régression linéaire et l'hypothèse est violée. Dans les régressions linéaires multiples, telles qu'une régression ordinaire des moindres carrés (OLSR), les corrélations multiples entre les variables affectent l'estimation du paramètre, augmentent l'erreur du modèle et affectent la stabilité du modèle. Pour éliminer la corrélation multilinéaire entre les données spectrales NIR, nous utilisons des méthodes de sélection variables qui maximisent la variabilité inhérente des échantillons.
Ici, nous proposons d'utiliser le PLSR, qui est une généralisation de la régression linéaire multiple qui a été largement utilisé dans le domaine de NIRS11,12. Le PLSR intègre les fonctions de base du MLR, de l'analyse canonique de corrélation (CCA) et de l'analyse des composants principaux (PCA) et combine l'analyse de prévision avec une analyse de connotation de données non-modèle. Le PLSR peut être divisé en deux parties. La première partie sélectionne les composants des variables caractéristiques et les composants prévus par analyse partielle des moindres carrés (PLS). PLS maximise la variabilité inhérente des composants principaux en rendant la covariance des principaux composants et des composants prévus aussi grand que possible lors de l'extraction des principaux composants. Ensuite, le modèle OLSR de concentration d'o-cresol est établi pour les principaux composants sélectionnés. PLSR convient à l'analyse de données bruyantes avec de nombreuses variables indépendantes qui sont fortement collinear et fortement corrélées et pour la modélisation simultanée de plusieurs variables de réponse. En outre, PLSR extrait l'information efficace des spectres d'échantillon, surmonte le problème de la multicollinearité, et a les avantages d'une forte stabilité et d'une haute précision de prédiction13,14.
Le protocole suivant décrit le processus d'utilisation du modèle PLSR pour mesurer la concentration d'o-cresol à l'aide de données spectrales NIR. La fiabilité et l'exactitude du modèle sont évaluées quantitativement en utilisant le coefficient de détermination (<img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg">), le coefficient de corrélation de prédiction (<img alt="Equation 2" src="/files/ftp_upload/59077/59077eq2.jpg">) et l'erreur de prédiction carrée moyenne de la validation croisée (MSPECV). De plus, pour montrer intuitivement les avantages du PLSR, les indicateurs d'évaluation sont visualisés en plusieurs parcelles pour une analyse qualitative. Enfin, les indicateurs d'évaluation d'une expérience sont présentés sous forme de tableau pour illustrer quantitativement la fiabilité et la précision du modèle PLSR.

<table border="0" cellpadding="0" cellspacing="0" style="width:536px;" width="535">
	<tbody>
		<tr height="20">
			<td height="20" style="height:20px;width:319px;">MPA II Multi Purpose FT-NIR Analyzer</td>
			<td style="width:67px;">Bruker</td>
			<td style="width:88px;">1</td>
			<td style="width:63px;"></td>
		</tr>
		<tr height="20">
			<td height="20" style="height:20px;">Fiber Optic Probes(Liquid phase)</td>
			<td>Bruker</td>
			<td>1</td>
			<td></td>
		</tr>
		<tr height="20">
			<td height="20" style="height:20px;">Liquid chromatography analyzer&#160;</td>
			<td>/</td>
			<td>1</td>
			<td></td>
		</tr>
		<tr height="20">
			<td height="20" style="height:20px;">Laboratory Equipment and Supplies(e.g. test tube, etc.)</td>
			<td>/</td>
			<td></td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">MATLAB</td>
			<td>MathWork</td>
			<td>1</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">OPUS</td>
			<td>Bruker</td>
			<td>1</td>
			<td></td>
		</tr>
		<tr height="20">
			<td height="20" style="height:20px;">Principal computer</td>
			<td>DELL</td>
			<td>1</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">The Unscrambler</td>
			<td>CAMO</td>
			<td>1</td>
			<td></td>
		</tr>
	</tbody>
</table>

o-cresol concentration online measurement based on near infrared spectroscopy via partial least square regression

Contrairement aux variables de processus macroscopiques, la spectroscopie proche infrarouge fournit des informations sur les processus au niveau moléculaire et peut améliorer considérablement la prédiction des composants dans les processus industriels. La capacité d'enregistrer des spectres pour les échantillons solides et liquides sans aucun prétraitement est avantageuse et la méthode est largement utilisée. Cependant, les inconvénients de l'analyse des données spectrales à infrarouge proche de haute dimension comprennent la redondance de l'information et la multicollinedes des données spectrales. Ainsi, nous proposons d'utiliser la méthode partielle de régression des moindres carrés, qui a traditionnellement été utilisée pour réduire la dimensionnalité des données et éliminer la collinearité entre les caractéristiques d'origine. Nous mettons en œuvre la méthode pour prédire la concentration d'o-cresol pendant la production de l'éther de polyphénylène. L'approche proposée offre les avantages suivants par rapport aux méthodes de prédiction de régression des composants : 1) la régression partielle des moindres carrés résout le problème de multicollinerité des variables indépendantes et évite efficacement le surajustement, qui se produit dans un l'analyse de régression due à la forte corrélation entre les variables indépendantes; 2) l'utilisation des spectres proche infrarouge entraîne une grande précision parce qu'il s'agit d'une méthode non destructive et non polluante pour obtenir de l'information à des échelles microscopiques et moléculaires.

La valeur prévue de l'impureté o-cresol dans les produits d'éther de polyphényle est obtenue par la spectroscopie proche infrarouge basée sur PLSR. La figure 2 et la figure 3 montrent respectivement la fiabilité de la méthode à l'étape de sélection des entités à partir de la courbe du coefficient de décision et du pourcentage d'interprétation des erreurs qui augmente avec le nombre de composants principaux.
<p class="jove_content" fo:kee...

Watch this Scientific Journal Video about O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression at JoVE.com

O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression

Le protocole décrit une méthode de prévision de la concentration d'o-cresol pendant la production de l'éther de polyphénylène utilisant la spectroscopie proche infrarouge et la régression partielle de moins de carrés. Pour décrire le processus plus clairement et complètement, un exemple de prédiction de la concentration d'o-cresol pendant la production de polyphénylène est utilisé pour clarifier les étapes.

Unlike macroscopic process variables, near-infrared spectroscopy provides process information at the molecular level and can significantly improve the ...

L’importance de ce manuscrit expérimental réside dans les applications de la spectroscopie proche infrarouge et des algorithmes d’exploration de données à la surveillance en ligne de l’industrie réelle des procédés. Les plus grands avantages de cette technologie réside dans sa rapidité. La propriété non détruite de sa technologie de détection proche infrarouge et la pratique des moindres carrés partiels, ou PLS, algorithme.Pour commencer, connectez le spectromètre tel que décrit dans le protocole texte. Pour configurer les paramètres de mesure, utilisez le logiciel OPUS. Accédez au menu Mesurez et sélectionnez la commande De mesure avancée.Sur le dialogue qui s’ouvre, définissez les paramètres de mesure sur les différents onglets. Pour stocker le fichier d’expérience, cliquez sur l’onglet Advanced. Définissez la résolution comme quatre centimètres inverses.Définissez le nombre d’analyses comme 16 scans dans les champs d’entrée de temps de balayage d’arrière-plan de l’échantillon. Définissez le chemin pour stocker automatiquement les données de mesure de 4000 centimètres inverses à 12 500 centimètres inverses. Déterminez le type de données pour le spectre de résultat comme absorption, et enregistrez le fichier d’expérience.Cliquez maintenant sur l’onglet Optique. Cliquez sur la liste de décaissage de réglage d’ouverture et sélectionnez la même valeur utilisée pour acquérir un spectre d’échantillon. Cliquez ensuite sur l’onglet Basic.Cliquez sur le bouton Arrière-plan d’un seul canal et placez l’échantillon dans la trajectoire optique du spectromètre pour mesurer le spectre de l’échantillon. Définissez la description de l’échantillon et le formulaire d’échantillon dans le champ d’entrée particulier. Ces informations sont stockées avec le spectre.Cliquez maintenant sur le bouton Exemple de canal unique pour démarrer la mesure en ligne. Enregistrez le spectre NIR de chaque analyse en tant que fichier OPUS. Utilisez le logiciel OPUS pour lire l’ensemble spectral d’origine.Dans le menu Fichier, cliquez sur la commande Load File. Sur le dialogue qui s’ouvre, sélectionnez le fichier spectre particulier. Cliquez sur le bouton Ouvrir.Le spectre est affiché dans la fenêtre du spectre. Avec la fonction spectrale de pré-traitement, obtenir l’ensemble de données spectrales pré-traitées avec le dérivé de premier ordre. Ouvrez d’abord le Unscrambler, qui est un logiciel multivarié d’analyse de données et de conception expérimentale.Sélectionnez ensuite la commande Importation sous Fichier. Importez le fichier OPUS en tant qu’ensemble de données spectral nir original. Sélectionnez la commande Transform sous Modifier.Sélectionnez ensuite les dérivés Savitzky-Golay sous Dérivés. Définissez les échantillons et les variables comme tous les échantillons et toutes les variables de scope. Définissez également le nombre de points de lissage comme 13 et le dérivé comme premier dérivé dans Paramètres.Cliquez sur OK pour démarrer le dérivé. Effectuer la normalisation vectorielle sur les spectres de l’échantillon pour normaliser la valeur de l’absorption. Sélectionnez la commande de normalisation sous Modifier.Définissez les échantillons et les variables comme tous les échantillons et toutes les variables de scope. Sélectionnez la normalisation vectorielle dans le type. Cliquez sur OK pour effectuer la normalisation vectorielle.Pour sélectionner le nombre approprié de composants principaux, ouvrez MATLAB et importez le fichier MAT contenant les données spectrales proche infrarouge prétraitées en faisant glisser le fichier MAT vers l’espace de travail. Ouvrez le fichier M programmé dans l’éditeur. Cliquez sur Ouvrir sous l’option Éditeur, sélectionnez le fichier M compilé dans l’annuaire de stockage de fichiers, puis cliquez sur Confirmer.Travailler dans MATLAB pour extraire 15 composants principaux selon l’objectif d’optimisation et le modèle OLSR entre les composants principaux extraits et les valeurs prévues de la concentration d’O-cresol. Déterminez les valeurs au carré R et la tendance avec un nombre croissant de composants principaux. Sélectionnez 10 comme nombre approprié de composants principaux d’une valeur au carré R de 0,9917.Pour valider la qualité de l’ajustement et la précision du modèle PLSR, répétez le processus de modélisation avec 10 composants principaux. Évaluez le modèle en fonction d’une validation croisée 10 fois à l’aide des parcelles de la variance en pourcentage expliquées dans les données spectrales NIR, les résidus et l’erreur de prédiction carrée moyenne de validation croisée ou MSPECV. Les résidus sont tracés ici, qui se réfèrent à la différence entre la valeur de référence du contenu O-cresol et l’estimation du modèle PLSR.Les données tracées montrent que le PLSR pour la mesure de la teneur en O-cresol basé sur les données spectrales NIR a une grande précision. L’erreur carrée moyenne de validation croisée est une mesure du degré de différence entre la référence et le contenu O-cresol prévu. Plus la valeur est petite, meilleure est la précision du modèle prédictif décrivant le contenu d’O-cresol.Erreur de prédiction carrée moyenne de validation croisée pour la mesure de concentration o-cresol basée sur le PLSR diminue à mesure que le nombre de composants principaux augmente. L’erreur atteint un minimum acceptable à 10 composants principaux. Cela prouve que le PLSR se traduit par une grande stabilité pour la mesure de la concentration d’O-cresol à l’aide de NIRS.Tout en essayant cette procédure, l’étape la plus importante est d’obtenir avec précision les valeurs de référence des compositions, car c’est la base de tout le prétraitement et la modélisation effectuée dans la phase ultérieure. En plus de PLS, certains algorithmes d’apprentissage automatique populaires actuels tels que l’apprentissage profond et l’arbre de décision peuvent être utilisés dans cette procédure, aussi. Combiné avec la technologie de détection NIRS, nous croyons que l’exploration de données proposée est un modèle significatif pour l’application dans le processus d’automatisation industrielle à la transformation intelligente dans l’industrie moderne.

Research

JoVE Journal

Engineering

Proton Transfer and Protein Conformation Dynamics in Photosensitive Proteins by Time-resolved Step-scan Fourier-transform Infrared Spectroscopy

Proton transfert et la conformation des protéines photosensibles dans la dynamique des protéines par résolution temporelle étape-scan à transformée de Fourier spectroscopie infrarouge

Monitoring the dynamics of protonation and protein backbone conformation changes during the function of a protein is an essential step towards ...

Recherche

Ingénierie

Characterizing Far-infrared Laser Emissions and the Measurement of Their Frequencies

Caractérisation des émissions laser infrarouge lointain et la mesure de leurs fréquences

The generation and subsequent measurement of far-infrared radiation has found numerous applications in high-resolution spectroscopy, radio astronomy, and ...

Experimental Methods for Investigation of Shape Memory Based Elastocaloric Cooling Processes and Model Validation

Méthodes expérimentales pour les enquêtes de la mémoire de forme à base Elastocaloric processus de refroidissement et de validation du modèle

Shape Memory Alloys (SMA) using elastocaloric cooling processes have the potential to be an environmentally friendly alternative to the conventional vapor ...

The Evolution of Silica Nanoparticle-polyester Coatings on Surfaces Exposed to Sunlight

L&#39;évolution de la silice Nanoparticules polyester revêtements sur les surfaces exposées au soleil

Corrosion of metallic surfaces is prevalent in the environment and is of great concern in many areas, including the military, transport, aviation, ...

Optical Trap Loading of Dielectric Microparticles In Air

Piège optique Chargement de Dielectric Microparticules Dans Air

We demonstrate a method to trap a selected dielectric microparticle in air using radiation pressure from a single-beam gradient optical trap. Randomly ...

Generation of Size-controlled Poly (ethylene Glycol) Diacrylate Droplets via Semi-3-Dimensional Flow Focusing Microfluidic Devices

Generation of Size-controlled Poly ethylene Glycol Diacrylate Droplets via Semi-3-Dimensional Flow Focusing Microfluidic Devices

Génération de taille-contrôlée Poly (éthylène Glycol) Diacrylate gouttelettes via Semi-3-Dimensional Flow mise au point des dispositifs microfluidiques

Uniform and size-controllable poly (ethylene glycol) diacrylate (PEGDA) droplets could be produced via the flow focusing process in a microfluidic device. ...

A Fabrication and Measurement Method for a Flexible Ferroelectric Element Based on Van Der Waals Heteroepitaxy

Une Fabrication et une méthode de mesure pour un élément ferroélectrique Flexible basé sur l’épitaxie de Van Der Waals

Flexible non-volatile memories have received much attention as they are applicable for portable smart electronic device in the future, relying on ...

Near-Infrared Temperature Measurement Technique for Water Surrounding an Induction-heated Small Magnetic Sphere

Technique de mesure de température proche infrarouge pour l’eau qui entoure une sphère magnétique faible Induction chauffage

A technique to measure the temperature of water and non-turbid aqueous media surrounding an induction-heated small magnetic sphere is presented. This ...

In Situ Surface Temperature Measurement in a Conveyor Belt Furnace via Inline Infrared Thermography

Mesure de la température de surface in situ dans un four à convoyeur via la thermographie infrarouge inline

Measuring the surface temperature of objects that are processed in conveyor belt furnaces is an important tool in process control and quality assurance. ...

Study of Protein Dynamics via Neutron Spin Echo Spectroscopy

Study of Protein Dynamics via Neutron Spin Echo Spectroscopy

Étude de la dynamique des protéines par spectroscopie d’écho de spin neutronique

Most human body proteins' activity and functionality are related to configurational changes of entire subdomains within the protein crystal structure. The ...