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

Este trabajo fue apoyado por la National Natural Science Foundation of China (Grant Nos. 61722306 y 61473137) y el National First First-class Discipline Program of Light Industry Technology and Engineering (LITE2018-025).

1. Adquisición de datos de espectro NIR con espectrómetro de proceso de transformación Fourier (FT)-NIR
<ol><li>Instale la sonda de fibra óptica de fase líquida del espectrómetro de infrarrojo cercano en la salida del producto de éter de polifenilo. Y abra el software OPUS en el ordenador superior conectado al instrumento y comience a configurar la medición.</li>
	<li>Conexión al espectrómetro
	<ol>
<li>En el menú Medir, seleccione el comando Configu...

<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>

Este protocolo describe el proceso de realización del PLSR en la medición de la concentración de o-cresol restante en el producto líquido de éter de polifenileno con NIRS.
Los dos pasos críticos en este proceso son el preprocesamiento de los datos espectrales NIR originales y la selección de variables de los datos espectrales NIR de alta dimensión.
Generalmente, la interferencia de fondo no sistemática conduce a la desviación de dispersión no sistemática...

La espectroscopia de infrarrojo cercano (NIR) (NIRS) ha obtenido una amplia aceptación como una tecnología analítica moderna rápida, eficiente, no destructiva y no contaminante; el método se ha utilizado durante los últimos años para la detección y análisis de la calidad del producto y la medición de componentes químicos en procesos industriales. La especialidad más esencial del método es su capacidad para registrar espectros para muestras sólidas y líquidas sin ningún preprocesamiento, haciendo que NIRS sea especialmente adecuado para la detección y análisis directo y rápido de productos naturales y sintéticos1,2. A diferencia de los sensores tradicionales que miden las variables de proceso (por ejemplo, temperatura, presión, nivel de líquido, etc.) a escala macroscópica e inevitablemente sufren el ruido externo y la interferencia de fondo, NIRS detecta la información estructural de la composición química a escalamicroscópica y molecular. Por lo tanto, la información esencial se puede medir con mayor precisión y eficacia que con otros métodos3,4.
El éter de polifenilo, como uno de los plásticos de ingeniería, se utilizan ampliamente debido a su resistencia al calor, retardante de llama, aislamiento, propiedades eléctricas, estabilidad dimensional, resistencia al impacto, resistencia a la fluencia, resistencia mecánica y otras propiedades5. Más importante aún, no es tóxico e inofensivo en comparación con otros plásticos de ingeniería. En la actualidad, 2,6-xilenol es una de las materias primas básicas para la síntesis de éter de polifenileno, y por lo general se prepara mediante alquilación catalizada de fenol con método de metanol6. Hay dos productos principales de este método de preparación, o-cresol y 2,6-xylenol. Después de una serie de pasos de separación y extracción, 2,6 xilenol se utiliza para producir éter de polifenileno. Sin embargo, las cantidades traza de o-cresol permanecen en 2,6-xylenol. O-cresol no participa en la síntesis de éter de polifenileno y permanecerá en el producto de éter de polifenileno, lo que resulta en una disminución en la calidad del producto o incluso el subestándar. En la actualidad, la mayoría de las empresas todavía analizan las composiciones de mezclas orgánicas complejas, como los productos de éter de polifenilo de fase líquida que contienen impurezas (por ejemplo, o-cresol) mediante análisis de separación física o química como la cromatografía7,8. El principio de separación de la cromatografía es el uso de la mezcla de composiciones en la fase fija y la fase de flujo en la disolución, análisis, adsorción, desorción u otra afinidad de las pequeñas diferencias en la interpretación. Cuando las dos fases se mueven en relación entre sí, las composiciones están separadas por las acciones anteriores repetidamente en las dos fases. Dependiendo del objeto, normalmente se tarda unos minutos a unas pocas decenas de minutos en completar una operación compleja de separación de materiales. Se puede ver que la eficiencia de medición es baja.
Hoy en día, la medición de la calidad del producto y la avanzada tecnología de control basada en este análisis para la industria moderna de materiales químicos de proceso fino es la dirección clave para mejorar aún más la calidad del producto. En la industria de procesos de producción de éter de polifenilo, la medición en tiempo real del contenido de o-cresol en el producto de éter de polifenileno es de gran importancia para el desarrollo. El análisis cromatográfico claramente no puede cumplir con los requisitos de la tecnología de control avanzada para la medición en tiempo real de sustancias y la retroalimentación de la señal. Por lo tanto, proponemos el método de regresión parcial de mínimos cuadrados (PLSR) para establecer un modelo lineal entre los datos NIRS y la concentración de o-cresol, que realiza la medición en línea del contenido de o-cresol en el producto de éter de polifenileno líquido de salida .
El preprocesamiento para NIRS desempeña el papel más importante antes del modelado estadístico multivariante. Los números de onda NIRS en el espectro NIR y los tamaños de partículas de muestras biológicas son comparables, por lo que es conocido por efectos de dispersión inesperados que influyen en los espectros de muestras registrados. Al realizar métodos de preprocesamiento adecuados, estos efectos son fáciles de eliminar en gran medida9. Las técnicas de preprocesamiento más utilizadas en NIRS se clasifican como métodos de corrección de dispersión y derivados espectrales. El primer grupo de métodos incluye corrección de dispersión multiplicativa, detrending, transformaciones de variación normales estándar y normalización. Los métodos de derivación espectral incluyen el uso de la primera y la segunda derivada.
Antes de desarrollar un modelo de regresión cuantitativa, es importante eliminar las variaciones de dispersión no sistemáticas de los datos NIRS porque tienen una influencia significativa en la precisión del modelo predictivo, su complejidad y parsimonia. La selección de un método de preprocesamiento adecuado siempre debe depender del paso de modelado posterior. Aquí, si el conjunto de datos espectral NIR no sigue la ley Lambert-Beer, otros factores tienden a compensar el comportamiento no ideal de la predicción de los componentes predichos. La desventaja de la existencia de tales factores innecesarios conduce al aumento de la complejidad del modelo, incluso lo más probable, una reducción de la robustez. Por lo tanto, la aplicación de derivados espectrales y una normalización convencional a los datos espectrales es una parte esencial del método.
Después del preprocesamiento espectral, se obtienen los datos NIRS con una alta relación señal-ruido y baja interferencia de fondo. El análisis NIRS moderno proporciona la rápida adquisición de grandes cantidades de absorbancia en un rango espectral adecuado. La composición química de la muestra se predice entonces extrayendo las variables relevantes utilizando la información contenida en la curva espectral. En general, NIRS se combina con técnicas de análisis multivariante para análisis cualitativos o cuantitativos10. Un análisis de regresión lineal multivariante (MLR) se utiliza comúnmente para desarrollar y extraer la relación matemática entre los datos y los componentes en los procesos industriales y se ha utilizado ampliamente en el análisis NIRS.
Sin embargo, hay dos problemas fundamentales al implementar un MLR para los datos NIRS preprocesados. Un problema es la redundancia variable. La alta dimensionalidad de los datos NIRS a menudo hace que la predicción de una variable dependiente no sea confiable porque se incluyen variables que no tienen correlación con los componentes. Estas variables redundantes reducen la eficiencia de la información de los datos espectrales y afectan a la precisión del modelo. Para eliminar la redundancia variable, es esencial desarrollar y maximizar la correlación entre los datos NIRS y los componentes predichos.
Otro problema es el problema de la multicolinealidad en los datos NIRS. Una de las suposiciones importantes de varios modelos de regresión lineal es que no hay ninguna relación lineal entre ninguna de las variables explicativas del modelo de regresión. Si existe esta relación lineal, se ha demostrado que hay multicolinealidad en el modelo de regresión lineal y se infringe la suposición. En varias regresiones lineales, como una regresión de mínimos cuadrados (OLSR) normal, las correlaciones múltiples entre las variables afectan a la estimación del parámetro, aumentan el error del modelo y afectan a la estabilidad del modelo. Para eliminar la correlación multilineal entre los datos espectrales NIR, utilizamos métodos de selección variable que maximizan la variabilidad inherente de las muestras.
Aquí, proponemos utilizar el PLSR, que es una generalización de la regresión lineal múltiple que ha sido ampliamente utilizado en el campo de NIRS11,12. El PLSR integra las funciones básicas del MLR, el análisis de correlación canónica (CCA) y el análisis de componentes principales (PCA) y combina el análisis de previsión con un análisis de connotación de datos no modelo. El PLSR se puede dividir en dos partes. La primera parte selecciona los componentes de las variables de característica y los componentes predichos mediante el análisis parcial de mínimos cuadrados (PLS). PLS maximiza la variabilidad inherente de los componentes principales haciendo que la covarianza de los componentes principales y los componentes predichos sea lo más grande posible al extraer los componentes principales. A continuación, se establece el modelo OLSR de concentración de o-cresol para los componentes principales seleccionados. PLSR es adecuado para el análisis de datos ruidosos con numerosas variables independientes que son fuertemente colineales y altamente correlacionadas y para el modelado simultáneo de varias variables de respuesta. Además, PLSR extrae la información efectiva de los espectros de muestra, supera el problema de la multicolinealidad, y tiene las ventajas de una fuerte estabilidad y alta precisión de predicción13,14.
El siguiente protocolo describe el proceso de utilización del modelo PLSR para medir la concentración de o-cresol utilizando datos espectrales NIR. La fiabilidad y precisión del modelo se evalúan cuantitativamente utilizando el coeficiente de determinación (<img alt="Equation 1" src="/files/ftp_upload/59077/59077eq1.jpg">), el coeficiente de correlación de predicción (<img alt="Equation 2" src="/files/ftp_upload/59077/59077eq2.jpg">) y el error de predicción cuadrada media de la validación cruzada (MSPECV). Además, para mostrar intuitivamente las ventajas del PLSR, los indicadores de evaluación se visualizan en varias gráficas para un análisis cualitativo. Por último, los indicadores de evaluación de un experimento se presentan en formato de tabla para ilustrar cuantitativamente la fiabilidad y precisión del modelo 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

A diferencia de las variables de proceso macroscópicos, la espectroscopia infrarroja cercana proporciona información del proceso a nivel molecular y puede mejorar significativamente la predicción de los componentes en los procesos industriales. La capacidad de registrar espectros para muestras sólidas y líquidas sin ningún pretratamiento es ventajosa y el método es ampliamente utilizado. Sin embargo, las desventajas de analizar datos espectrales de infrarrojo cercano de alta dimensión incluyen la redundancia de la información y la multicolinealidad de los datos espectrales. Por lo tanto, proponemos utilizar el método de regresión de mínimos cuadrados parciales, que tradicionalmente se ha utilizado para reducir la dimensionalidad de los datos y eliminar la colinealidad entre las entidades originales. Implementamos el método para predecir la concentración de o-cresol durante la producción de éter de polifenileno. El enfoque propuesto ofrece las siguientes ventajas sobre los métodos de predicción de regresión de componentes: 1) la regresión parcial de mínimos cuadrados resuelve el problema de la multicolinealidad de las variables independientes y evita eficazmente el sobreajuste, que se produce en un ajuste excesivo, que se produce en un análisis de regresión debido a la alta correlación entre las variables independientes; 2) el uso de los espectros infrarrojos cercanos da como resultado una alta precisión porque es un método no destructivo y no contaminante para obtener información a escalas microscópicas y moleculares.

El valor previsto de o-cresol Impurity en productos de éter de polifenilo se obtiene mediante espectroscopia de infrarrojo cercano basada en PLSR. La Figura 2 y la Figura 3 muestran respectivamente la fiabilidad del método en la etapa de selección de características a partir de la curva del coeficiente de decisión y el porcentaje de interpretación de errores aumentando con el número de componentes principales.
<p class="jove_content" fo:keep-to...

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

El protocolo describe un método para predecir la concentración de o-cresol durante la producción de éter de polifenileno utilizando espectroscopia de infrarrojo cercano y regresión parcial de mínimos cuadrados. Para describir el proceso de forma más clara y completa, se utiliza un ejemplo de predicción de la concentración de o-cresol durante la producción de polifenileno para aclarar los pasos.

Medición en línea de concentración de O-cresol basada en espectroscopia infrarroja cercana a través de la regresión parcial de mínimos cuadrados

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

La importancia de este manuscrito experimental radica en las aplicaciones de la espectroscopia de infrarrojo cercano y los algoritmos de minería de datos para el monitoreo en línea de la industria de procesos real. Las mayores ventajas de esta tecnología residen en su rapidez. La propiedad no destructiva de su tecnología de detección de infrarrojo cercano y la práctica de mínimos cuadrados parciales, o PLS, algoritmo.Para comenzar, conecte el espectrómetro como se describe en el protocolo de texto. Para configurar parámetros de medición, utilice el software OPUS. Vaya al menú Medir y seleccione el comando Medición avanzada.En el cuadro de diálogo que se abre, defina los parámetros de medición en las diferentes fichas. Para almacenar el archivo de experimento, haga clic en la ficha Avanzadas. Defina la resolución como cuatro centímetros inversos.Defina el número de exploraciones como 16 exploraciones en los campos de entrada de tiempo de análisis en segundo plano de muestra. Defina la ruta para almacenar automáticamente los datos de medición de 4.000 centímetros inversos a 12.500 centímetros inversos. Determine el tipo de datos para el espectro de resultados como absorbancia y guarde el archivo de experimento.Ahora haga clic en la pestaña Óptica. Haga clic en la lista desplegable de configuración de apertura y seleccione el mismo valor utilizado para adquirir un espectro de muestra. A continuación, haga clic en la pestaña Básico.Haga clic en el botón De fondo canal único y coloque la muestra en la ruta óptica del espectrómetro para medir el espectro de muestra. Defina la descripción de ejemplo y el formulario de muestra en el campo de entrada en particular. Esta información se almacena junto con el espectro.Ahora haga clic en el botón Sample Single Channel (Ejemplo de canal único) para iniciar la medición en línea. Guarde el espectro NIR de cada escaneo como un archivo OPUS. Utilice el software OPUS para leer el conjunto espectral original.En el menú Archivo, haga clic en el comando Cargar archivo. En el cuadro de diálogo que se abre, seleccione el archivo de espectro en particular. Haga clic en el botón Abrir.El espectro se muestra en la ventana de espectro. Con la función de preprocesamiento espectral en, obtenga el conjunto de datos espectrales preprocesado con la derivada de primer orden. Primero abra el Unscrambler, que es un software de análisis de datos multivariante y diseño experimental.A continuación, seleccione el comando Importar en Archivo. Importe el archivo OPUS como un dataset espectral NIR original. Seleccione el comando Transformar en Modificar.A continuación, seleccione los derivados de Savitzky-Golay en Derivados. Defina los ejemplos y variables como todos los ejemplos y todas las variables en scope. También defina el número de puntos de suavizado como 13 y la derivada como primera derivada en Parámetros.Haga clic en Aceptar para iniciar la derivada. Realice la normalización vectorial en los espectros de la muestra para normalizar el valor de la absorbancia. Seleccione el comando de normalización en Modificar.Defina los ejemplos y variables como todos los ejemplos y todas las variables en scope. Seleccione la normalización vectorial en el tipo. Haga clic en Aceptar para realizar la normalización vectorial.Para seleccionar el número adecuado de componentes principales, abra MATLAB e importe el archivo MAT que contiene los datos espectrales de infrarrojo cercano preprocesados arrastrando el archivo MAT al espacio de trabajo. Abra el archivo M programado en el editor. Haga clic en Abrir en la opción Editor, seleccione el archivo M compilado en el directorio de almacenamiento de archivos y, a continuación, haga clic en Confirmar.Trabajar en MATLAB para extraer 15 componentes principales según el objetivo de optimización y el modelo OLSR entre los componentes principales extraídos y los valores predichos de la concentración de O-cresol. Determine los valores R cuadrados y la tendencia con el número creciente de componentes principales. Seleccione 10 como el número adecuado de componentes principales con el valor R cuadrado de 0,9917.Para validar la bondad del ajuste y la precisión del modelo PLSR, repita el proceso de modelado con 10 componentes principales. Evalúe el modelo basándose en una validación cruzada de 10 veces utilizando las gráficas de la varianza porcentual explicada en los datos espectrales NIR, los residuos y el error de predicción cuadrada media de validación cruzada o MSPECV. Aquí se trazan los residuos, que hacen referencia a la diferencia entre el valor de referencia de contenido de O-cresol y la estimación del modelo PLSR.Los datos trazados muestran que PLSR para la medición del contenido de O-cresol basado en los datos espectrales NIR tiene una alta precisión. El error cuadrado medio de validación cruzada es una medida del grado de diferencia entre la referencia y el contenido de O-cresol predicho. Cuanto menor sea el valor, mejor será la precisión del modelo predictivo que describe el contenido de O-cresol.El error de predicción cuadrada media de validación cruzada para la medición de concentración de O-cresol basada en el PLSR disminuye a medida que aumenta el número de componentes principales. El error alcanza un mínimo aceptable en 10 componentes principales. Esto demuestra que el PLSR da como resultado una alta estabilidad para la medición de la concentración de O-cresol utilizando NIRS.Al intentar este procedimiento, el paso más importante es obtener con precisión los valores de referencia de las composiciones porque esta es la base para todo el preprocesamiento y el modelado realizado en la etapa posterior. Además de PLS, algunos algoritmos de aprendizaje automático populares actuales, como el aprendizaje profundo y el árbol de decisiones, también se pueden utilizar en este procedimiento. En combinación con la tecnología de detección NIRS, creemos que la minería de datos propuesta es una plantilla significativa para su aplicación en el proceso de automatización industrial a la transformación inteligente en la industria moderna.

Research

JoVE Journal

Engineering

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

Transferencia de Protones y Proteína Conformación Dinámica de proteínas fotosensibles por Time resuelto-Step-scan transformada de Fourier espectroscopia de infrarrojo

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

Investigación

Ingeniería

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

Caracterización de Emisiones láser infrarrojo lejano y la medición de sus frecuencias

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

Métodos experimentales para procesos de enfriamiento Elastocaloric Investigación de memoria de forma basada y validación del modelo

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

La evolución de sílice recubrimientos de nanopartículas-poliéster sobre superficies expuestas al sol

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

Cargando óptica Trampa de micropartículas en dieléctrica del aire

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

Generación de tamaño controlado poli (etilenglicol) Diacrylate gotas vía Semi 3-Dimensional del flujo centrándose dispositivos microfluídicos

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

Una fabricación y método de medición de un elemento ferroeléctrico Flexible basado en heteroepitaxias 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

Técnica de medición de temperatura infrarroja para el agua que rodea una esfera magnética pequeño calentado por inducción

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

In Situ Medición de Temperatura de Superficie en un Horno de Cinta Transportadora a través de Termografía Infrarroja 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

Estudio de la dinámica de proteínas a través de la espectroscopia de eco de espín de neutrones

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