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

Эта работа была поддержана Национальным фондом естественных наук Китая (Грант No 61722306 и 61473137) и Национальной первоклассной дисциплинарной программой легкой промышленности (LITE2018-025).

1. Приобретение данных спектра NIR с помощью спектрометра процессов Fourier transform (FT)-NIR
<ol><li>Установите жидкий фазовый оптический волоконный зонд ближнего инфракрасного спектрометра на выход продукта полифенилэфира. И откройте программное обеспечение OPUS на верхнем компьютере, по?...

<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>

Этот протокол описывает процесс выполнения PLSR по измерению концентрации o-cresol, оставшейся в жидком продукте полифенилена эфира с NIRS.
Двумя важнейшими шагами в этом процессе являются предварительная обработка исходных спектральных данных NIR и выбор переменных высокомер?...

Ближайшая инфракрасная (NIR) спектроскопия (NIRS) получила широкое признание как быстрая, эффективная, неразрушающая и не загрязняющая современные аналитические технологии; этот метод использовался в течение последних нескольких лет для обнаружения и анализа качества продукции и измерения химических компонентов в промышленных процессах. Наиболее важной специальностью метода является его способность записывать спектры для твердых и жидких образцов без предварительной обработки, что делает NIRS особенно подходящим для прямого и быстрого обнаружения и анализа натуральных и синтетических продуктов1,2. В отличие от традиционных датчиков, измеряющих переменные процесса (например, температуры, давления, уровня жидкости и т.д.) в макроскопическом масштабе и неизбежно терпящих внешний шум и фоновое вмешательство, NIRS обнаруживает структурную информацию химического состава в микроскопических и молекулярных масштабах. Таким образом, важную информацию можно измерить более точно и эффективно, чем с помощью других методов3,4.
Полифениловый эфир, как один из инженерных пластмасс, широко используются из-за его теплостойкости, огнезащитной, изоляции, электрических свойств, мерной устойчивости, сопротивления удара, устойчивость ползучести, механической прочности и других свойств5. Что еще более важно, он нетоксичен и безвреден по сравнению с другими инженерными пластмассами. В настоящее время 2,6-ксиленол является одним из основных сырьевых материалов для синтеза полифенилового эфира, и обычно готовится путем катализированной алкилирования фенола методом6. Есть два основных продукта этого метода приготовления, о-крезол и 2,6-ксиленол. После серии разъединения и извлечения шаги, 2,6 ксиленола используется для производства полифенилена эфира. Тем не менее, следовые количества о-крезола остаются в 2,6-ксиленол. O-крезол не участвует в синтезе полифенилена эфира и останется в полифениловом эфире, что приведет к снижению качества продукции или даже некачественному. В настоящее время большинство компаний до сих пор анализируют составы сложных органических смесей, таких как продукты жидкой фазы полифенилового эфира, содержащие примеси (например, o-cresol) с помощью физического или химического анализа разделения, таких как хроматография7,8. Принципом разделения хроматографии является использование смеси композиций в фиксированной фазе и фазы потока в процессе растворения, анализа, адсорбции, дезорпации или иного сродства незначительных различий в производительности. Когда две фазы движутся относительно друг к другу, композиции разделены вышеуказанными действиями неоднократно в двух фазах. В зависимости от объекта, обычно требуется от нескольких минут до нескольких десятков минут, чтобы завершить сложную операцию разделения материала. Видно, что эффективность измерений низка.
В настоящее время измерение качества продукции и передовые технологии управления, основанные на этом анализе для современной индустрии тонкого процесса химических материалов, является ключевым направлением для дальнейшего улучшения качества продукции. В отрасли производства полифенилового эфира измерение содержания о-крезоля в полифенилевом эфире имеет большое значение для развития. Хроматографический анализ явно не может отвечать требованиям передовой технологии управления для измерения веществ в реальном времени и обратной связи с сигналами. Поэтому мы предлагаем метод частичной регрессии наименьших квадратов (PLSR) для создания линейной модели между данными NIRS и концентрацией o-cresol, которые реализуют онлайн-измерение содержания о-крезола в жидком полифенилене эфирный продукт розетки .
Предварительная обработка NIRS играет самую важную роль до многовариантного статистического моделирования. Волновые числа NIRS в спектре NIR и размеры частиц биологических образцов сопоставимы, поэтому он известен неожиданными эффектами рассеяния, которые оказывают влияние на зарегистрированные спектры образцов. Выполняя соответствующие методы предварительной обработки, эти эффекты легко устранить в основном9. Наиболее часто используемые методы предварительной обработки в NIRS классифицируются как методы коррекции рассеяния и спектральных производных методов. Первая группа методов включает в себя мультипликационную коррекцию рассеяния, детрендионирование, стандартные нормальные изменения вариатов и нормализацию. Методы спектрального производного включают использование первой и второй производных.
Перед разработкой модели количественной регрессии важно удалить из данных NIRS вариации несистематического рассеяния, поскольку они оказывают значительное влияние на точность прогностической модели, ее сложность и скупость. Выбор подходящего метода предварительной обработки всегда должен зависеть от последующего этапа моделирования. Здесь, если спектральный набор данных NIR не соответствует закону Ламберта-Пива, то другие факторы, как правило, компенсируют неидеальное поведение прогноза для прогнозируемых компонентов. Недостаток существования таких ненужных факторов приводит к увеличению сложности модели, даже наиболее вероятно, снижению надежности. Таким образом, применение спектральных производных и условная нормализация к спектральным данным является неотъемлемой частью метода.
После спектральной предварительной обработки получаются данные NIRS с высоким соотношением сигнала к шуму и низким фоновым интерференцией. Современный анализ NIRS обеспечивает быстрое приобретение большого количества абсорбции в соответствующем спектральном диапазоне. Химический состав образца затем прогнозируется путем извлечения соответствующих переменных с использованием информации, содержащейся в спектральной кривой. Как правило, NIRS сочетается с многовариантными методами анализа для качественного или количественного анализа10. Многовариантный линейный регрессионный анализ (MLR) обычно используется для разработки и добычи математических связей между данными и компонентами в промышленных процессах и широко используется в анализе NIRS.
Однако при внедрении MLR для предварительно обработанных данных NIRS существуют две фундаментальные проблемы. Одной из проблем является избыточность переменной. Высокая размерность данных NIRS часто делает прогнозирование зависимой переменной ненадежным, поскольку включены переменные, не имеющие корреляции с компонентами. Эти избыточные переменные снижают информационную эффективность спектральных данных и влияют на точность модели. Для устранения избыточности переменной необходимо разработать и максимизировать корреляцию между данными NIRS и прогнозируемыми компонентами.
Еще одной проблемой является проблема многокомпонентности данных NIRS. Одним из важных предположений нескольких линейных моделей регрессии является отсутствие линейной связи между какими-либо из пояснительных переменных модели регрессии. Если эта линейная связь существует, доказано, что в модели линейной регрессии существует многокомпонентность и это предположение нарушается. В нескольких линейных регрессиях, таких как регрессия наименьших квадратов (OLSR), несколько корреляций между переменными влияют на оценку параметров, увеличивают погрешность модели и влияют на стабильность модели. Чтобы устранить многолинейную корреляцию между спектральными данными NIR, мы используем методы переменного отбора, которые максимизируют врожденную изменчивость образцов.
Здесь мы предлагаем использовать PLSR, который представляет собой обобщение нескольких линейных регрессии, которая широко используется в области NIRS11,12. PLSR интегрирует основные функции MLR, канонического анализа корреляции (CCA) и анализа основных компонентов (PCA) и сочетает анализ прогнозирования с немодельным анализом коннотации данных. PLSR можно разделить на две части. Первая часть выбирает компоненты характерных переменных и прогнозируемых компонентов путем частичного анализа наименьших квадратов (PLS). PLS максимизирует врожденную изменчивость основных компонентов, делая ковариантность основных компонентов и прогнозируемых компонентов как можно больше при извлечении основных компонентов. Далее для основных выбранных компонентов устанавливается модель концентрации OLSR о-кресола. PLSR подходит для анализа шумных данных с многочисленными независимыми переменными, которые сильно взаимосвязаны и сильно коррелируют, и для одновременного моделирования нескольких переменных ответа. Также PLSR извлекает эффективную информацию образцовых спектров, преодолевает проблему мультиколлинеритити, а также обладает преимуществами сильной стабильности и высокой точности прогнозирования13,14.
В следующем протоколе описывается процесс использования модели PLSR для измерения концентрации о-крезоля с использованием спектральных данных NIR. Надежность и точность модели оцениваются количественно с помощью<img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg">коэффициента определения (),<img alt="Equation 2" src="/files/ftp_upload/59077/59077eq2.jpg">коэффициента корреляции прогноза () и средней квадратной ошибки прогнозирования перекрестной проверки (MSPECV). Более того, чтобы интуитивно показать преимущества PLSR, индикаторы оценки визуализированы в нескольких участках для качественного анализа. Наконец, индикаторы оценки эксперимента представлены в формате таблицы, чтобы количественно проиллюстрировать надежность и точность модели 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

В отличие от макроскопических технологических переменных, ближнеинфракрасная спектроскопия обеспечивает информацию о процессах на молекулярном уровне и может значительно улучшить прогнозирование компонентов в промышленных процессах. Способность записывать спектры для твердых и жидких образцов без предварительной обработки является выгодным и метод широко используется. Однако недостатки анализа высокомерных ближнеинжекрасных спектральных данных включают избыточность информации и многокомпонентность спектральных данных. Таким образом, мы предлагаем использовать метод регрессии частичнонаили лишь квадратов, который традиционно используется для уменьшения размерности данных и устранения коллизионности между исходными объектами. Мы внедряем метод прогнозирования концентрации о-крезола при производстве полифенилена эфира. Предлагаемый подход предлагает следующие преимущества перед методами регрессии компонентов: 1) частичная регрессия наименьших квадратов решает проблему многокомпонентности независимых переменных и эффективно избегает переоборудования, которое происходит в регрессионный анализ из-за высокой корреляции между независимыми переменными; 2) использование ближнего инфракрасного спектра приводит к высокой точности, потому что это неразрушающий и не загрязняющий метод для получения информации в микроскопических и молекулярных масштабах.

Прогнозируемое значение нечистоты о-кресола в продуктах полифенилового эфира получено с помощью спектроскопии на основе ОКОЛО инфракрасного спектроскопии на основе PLSR. Рисунок 2 и рисунок 3 соответственно показывают надежность метода на этапе выбо...

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

Протокол описывает метод прогнозирования концентрации о-крезола во время производства полифенилового эфира с использованием ближней инфракрасной спектроскопии и частичной регрессии наименьших квадратов. Для более четкого и полного описания процесса используется пример прогнозирования концентрации о-крезола во время производства полифенилена.

O-кресол концентрации онлайн измерения на основе ближнего инфракрасной спектроскопии через частичную наименее квадратной регрессии

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

Значение этой экспериментальной рукописи заключается в применении ближней инфракрасной спектроскопии и алгоритмов сбора данных для онлайн-мониторинга реальной индустрии процессов. Самые большие преимущества этой технологии лежат в ее быстроте. Неразрушающий свойств его технологии ближнего инфракрасного обнаружения и практика частичного наименьшего квадрата, или PLS, алгоритма.Для начала подключите спектрометр, как описано в текстовом протоколе. Для настройки параметров измерений используйте программное обеспечение OPUS. Перейдите в меню «Мера» и выберите команду Advanced Measurement.На диалоге, который открывается, определите параметры измерения на разных вкладок. Чтобы хранить файл эксперимента, нажмите на вкладку Advanced. Определите разрешение как четыре обратных сантиметра.Определите количество сканирований как 16 сканирований в полях фонового сканирования времени. Определите путь автоматического хранения измерительных данных от 4000 обратных сантиметров до 12 500 обратных сантиметров. Определите тип данных для спектра результатов как абсорбанс и сохраните файл эксперимента.Теперь нажмите на вкладку Optic. Нажмите на список высадок параметров диафрагмы и выберите то же значение, которое используется для получения спектра выборки. Затем нажмите на вкладку Basic.Нажмите кнопку Background Single Channel и поместите образец в оптический путь спектрометра для измерения спектра образца. Определите описание образца и форму образца в определенном поле входа. Эта информация хранится вместе со спектром.Теперь нажмите кнопку Пример одного канала, чтобы начать онлайн измерения. Сохраните спектр NIR каждого сканирования в качестве файла OPUS. Используйте программное обеспечение OPUS для чтения оригинального спектрального набора.В меню Файла нажмите на команду Load File. На диалоге, который открывается, выберите конкретный файл спектра. Нажмите кнопку "Открыть".Спектр отображается в окне спектра. С помощью спектральной функции предварительной обработки получить спектральный набор данных, предварительно обработанный с помощью производной первого порядка. Сначала откройте Unscrambler, который является многовариантным анализом данных и экспериментальным программным обеспечением для проектирования.Затем выберите команду импорта под файлом. Импорт файла OPUS в качестве исходного спектрального набора данных NIR. Выберите команду Transform под изменением.Затем выберите производные Савицки-Голай под деривативами. Определите образцы и переменные как все образцы и все переменные в области. Также определите количество точек сглаживания как 13, а производное как первую производную в Параметрах.Нажмите OK, чтобы начать производные. Выполните нормализацию вектора на спектре образца, чтобы нормализовать значение поглощения. Выберите команду нормализации в соответствии с Изменением.Определите образцы и переменные как все образцы и все переменные в области. Выберите нормализацию вектора в типе. Нажмите OK, чтобы выполнить нормализацию вектора.Чтобы выбрать соответствующее количество основных компонентов, откройте MATLAB и импортируем файл MAT, содержащий предварительно обработанные данные ближнего инфракрасного спектра, перетащив файл MAT в рабочее пространство. Откройте запрограммированный M-файл в редакторе. Нажмите Open под опцией Editor, выберите составленный M-файл в каталоге хранения файлов, а затем нажмите Подтвердить.Работа в MATLAB по извлечению 15 основных компонентов в соответствии с целью оптимизации и моделью OLSR между извлеченными основными компонентами и прогнозируемыми значениями концентрации O-cresol. Определите значения R-квадрата и тренд с увеличением количества основных компонентов. Выберите 10 в качестве соответствующего числа основных компонентов со значением R-квадрата 0.9917.Чтобы проверить достоверность и точность модели PLSR, повторите процесс моделирования с 10 основными компонентами. Оцените модель на основе 10-кратной перекрестной проверки с использованием участков процентной дисперсии, разъясняясь в спектральных данных NIR, остатках и среднее квадратное предсказание ошибки перекрестной проверки или MSPECV. Здесь построены остатки, которые относятся к разнице между значением ссылки на содержание O-cresol и оценкой модели PLSR.Собранные данные показывают, что PLSR для измерения содержания O-cresol на основе спектральных данных NIR имеет высокую точность. Перекрестная проверка означает квадратную ошибку является мерой степени разницы между ссылкой и прогнозируемым содержанием O-cresol. Чем меньше значение, тем лучше точность прогностический модель, описывающая содержание O-cresol.Средняя квадратная ошибка прогнозирования перекрестной проверки для измерения концентрации O-cresol на основе PLSR уменьшается по мере увеличения числа основных компонентов. Ошибка достигает приемлемого минимума в 10 основных компонентов. Это доказывает, что PLSR приводит к высокой стабильности для измерения концентрации О-кресола с использованием NIRS.При попытке этой процедуры наиболее важным шагом является точное получение эталонных значений композиций, поскольку это является основой для всех предварительных процедур и моделирования, выполняемых на более позднем этапе. В дополнение к PLS, некоторые современные популярные алгоритмы машинного обучения, такие как глубокое обучение и дерево решений могут быть использованы в этой процедуре, тоже. В сочетании с технологией обнаружения NIRS, мы считаем, что предлагаемый анализ данных является значимым шаблоном для применения в процессе промышленной автоматизации к интеллектуальным преобразованиям в современной промышленности.

Research

JoVE Journal

Engineering

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

Протон Передача и конформации белка Динамика в светочувствительных белков с временным разрешением Шаг сканирования ИК-Фурье спектроскопии

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

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

Характеризуя Дальнего инфракрасного лазерного выбросов и измерения их частоты

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

Экспериментальные методы исследования формы памяти на основе процессов Охлаждение Elastocaloric и проверки достоверности моделей

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

Эволюция кремнезема Nanoparticle-полиэфирных покрытий на поверхностях, подверженных солнечному свету

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

Оптическая ловушка Загрузка Диэлектрические микрочастицами In 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

Поколение под контролем размер поли (этиленгликоля) Diacrylate каплями через Semi-3-мерной потока упором Microfluidic приборы

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

Изготовление и метод измерения для элемента гибкого сегнетоэлектриков, основанный на Heteroepitaxy ван-дер-Ваальса

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

Методика измерения температуры ближней ИК-области спектра для воды вокруг индукции подогреваемый маленький магнитный шар

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

Измерение температуры поверхности situ в печи конвейерной ленты с помощью инфракрасной термографии

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

Исследование динамики белка с помощью нейтронной спиновой эхо-спектроскопии

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