一系列的化学组成的近红外光谱的预测
近红外光谱分析法测定欧美杨化学组成的研究
在 相 同 温 度 、 度 条 件 下 ， 样 品 在 密 封 袋 中放 置 湿 将 １ ｄ， 在 恒 温 （０ ） 室 内 ， 用 近 红 外 光 谱 仪 采 集 ４ 后 ２ ±２ ℃ 运
样 品谱 图。 将木 粉 样 品置于 ５ ｉ ０ｎｍ石英 杯 内， 品厚度 样 以 不透 光为宜 ， ０ ０ ２ ０ ｃ 围内， 在４ ０ ～ｌ ０ ０ ｍ。 范 扫描 ６ 次 ４
式 电阻炉 、 箱 ； 烘
段 的 吸 收 数 据 ， 据 采 样 点也 很 密 集 。 数
从谱 图 中可以 看出 ， 本研 究 的样 品在 全波 段上有多 处 吸收峰 ， 中在４ ０ ～９ ０ ｃ 。 １０ － ５ ０ ｎ 集 ０ ０ ０ ０ ｍ。 （１ ０ ２ ０ ｍ） 波 段。因此 ， 可以作为定 量分析 的依据 。 ２２ 近红 外校 正模型 ．
按 照 ＧＢ Ｔ２ ７ ． 一ｌ ９ ； 醇 抽 出 物 测 定 按 照 ＧＢ ／ ６ ７８ ４ 苯 ９ ／
Ｔ２ ７ ． １ ９ 灰 分 测 定 按 照 ＧＢ／ ６ ７ ３ ９ ３ ６ ７ ６ ９ ４； Ｔ２ ７ ． ｌ ９ 。
１４ 近 红 外 光 谱 的 采 集 ．
孟 莉莉 在读硕 士研 究生
现 重 叠 的 谱 图 。 此 要 充 分 利 用 光 谱 所 提 供 的 信 息 必 因
须采 用多波 长数 据 ， 目前常采 用全谱 数 据或 几个特 定波
ｌ 实 验 部 分
１１ 试剂 与仪器 ． 主要 试 剂 （ 标 注 外 ） 为 分 析 纯 ： ， 醇 ， 除 均 苯 乙 硫
酸 ， 酸 ， 醋 酸 ， 酮 ， 氯 酸 钠 （ 学 纯 ） 盐 冰 丙 亚 化 ； 电 子 天 平 、 环 水 式 真 空 泵 、 热 恒 温 水 浴 锅 、箱 循 电
远红外光谱、中红外光谱和近红外光谱
远红外光谱、中红外光谱和近红外光谱红外光谱是一种重要的分析技术，可用于确定分子的结构、化学成分和特性。
根据波长范围的不同，可以将红外光谱分为远红外光谱、中红外光谱和近红外光谱。
本文将分别介绍这三种光谱的原理、应用和优缺点。
一、远红外光谱远红外光谱的波长范围通常为400-10 cm-1，对应的波数为2500-1000 cm-1。
远红外光谱是红外光谱中波长最长、能量最低的一种，其能量范围适用于固体、高分子、矿物和金属等化合物的分析。
远红外光谱的应用广泛，包括但不限于以下领域：1. 软物质研究：远红外光谱可以用于研究软物质，如生物大分子（如蛋白质、纤维素等）和聚合物（如聚乙烯、聚丙烯等）的分子结构和动力学特性。
2. 矿物学研究：远红外光谱可以用于分析矿物的组分和结构，以及区分不同类型的矿物。
3. 化学研究：远红外光谱可以用于分析高分子和无机化合物，如纤维素、蛋白质、石墨、硅酸盐和金属氧化物等。
远红外光谱的优点包括分析广泛，分辨率高，可以用于研究分子结构和化学键的振动情况。
其缺点在于需要使用高级仪器和昂贵的样品制备，而且对于液体和气体等透明样品不够灵敏。
二、中红外光谱中红外光谱的波长范围通常为4000-400 cm-1，对应的波数为2.5-25 μm。
中红外光谱是较为常用的红外光谱，适用于研究有机化合物和小分子无机化合物的分析。
中红外光谱的应用领域较广泛，包括但不限于以下领域：1. 化学研究：中红外光谱可以用于分析各种化合物，如羟基、胺基、吡啶、醛基、酮基等有机官能团的振动情况，并在制药、医疗和能源等领域中发挥重要作用。
2. 表面分析：中红外光谱可以用于表面分析，例如检测薄膜、溶液和涂层的化学组成及结构，以及研究催化剂表面的反应。
3. 无机材料分析：中红外光谱可以用于分析各种无机材料，如石墨烯、氧化物和硅酸盐等。
中红外光谱的优点在于分辨率高，可灵敏地检测有机和无机化合物的分子结构。
其缺点是受到水分子的影响，因此需要采用专业的分析装置，且不能分析液体和气体等透明样品。
近红外光谱分析技术
近红外光谱定量分析的流程与步骤
近红外光谱仪器的主要类型
• 滤光片型 • 色散型 • 傅立叶变换型 • 声光可调滤光型 • 其中傅立叶变换型近红外光谱仪与其它类型仪器相比， 具有信噪比高、分辨率高、波长准确且重复性好、稳 定性好等优点，往往作为研究性仪器的首选。
近红外光谱技术的应用
• • • • • • 农业与食品行业 石油化工工业 制药工业 烟草与纺织行业 生物医学领域 ……
分析谱区的选定
• 近红外光谱定量分析数学模型所包含的谱区（光谱的 数据点）一般应根据样品的特点而选定；增加谱区的 范围就可以增加对光谱信息采集的范围，即提高信息 量；但因为每个光谱的数据点也包含了测量误差，因 此数学模型所利用的数据点越多，则包含的测量误差 也越大，为了减少近红外光谱中某些信息量小、失真 大的部分谱区，以避免这些谱区的测量误差影响数学 模型的稳定性，需要选择建立数学模型所用的谱区。 通常可以对谱图进行方差处理，光谱变化最明显的区 域即是光谱信息最丰富的区域，也就是最为有效的光 谱范围
样品中各待测成分化学值的测定
• 采用经典化学分析方法对各待测组分含量进行测定， 这些值测定的精确度是近红外光谱运用数学模型进行 定量分析精确度的关键。
剔除异常值
• 由上述 ① 、② 环节测定的校正样品集中样品的光谱 与化学值，有可能由于种随机的原因而有较严重的失 真，这些样品的测定值称为异常值。这些失真的样品， 若包含在校正校品集中，就会影响所建数学模型的可 靠性，因此在建立模型时应当剔除这些异常值。
样品近红外谱图的扫描
• 为了克服近红外光谱测定的不稳定性的困难，必须严 格控制包括制样、装样、测试条件、仪器参数等测量 参数在内的测量条件；利用该校正校品集建立的数学 模型，也只能适用于按这个的测量条件所测量光谱的 样品。
《化学近红外》PPT课件
19
在预测过程中，首先使用近红外光谱仪测 定待测样品的光谱图，通过软件自动对模 型库进行检索，选择正确模型计算待测质 量参数。
20
1.2.3近红外光谱的测量形式
近红外线有很强的穿透能力，其分析仪器 有三种测量形式；漫透射测量、透射测量 和漫反射测量
21
透射测量；是指将待测样品置于光源与 检测器之间，检测器所检测的光是透射 光或与样品分子相互作用后的光（光谱 （波长一般在780~1100nm范围内）承载 了样品结构与组成信息），透射光强度 与样品浓度之间的关系符合Beer定律。
10
被测物质的近红外光谱取决于样品的组 成和结构。样品的组成和结构和近红外 光谱之间有着一定的函数关系。使用化 学计量学方法确定出这些重要函数关系， 即经过校正，就可以根据被测样品的近 红外光谱，快速计算出各种数据。
11
1.2.2化学计量学方法
化学计量学是化学、计算机技术与数学 相互结合形成的一门崭新的边缘学科。 现代分析化学计量学已发展成数理统计、 数据处理、分类、解析、实验设计最优 化，最大限度地获取有关物质系统化学 信息等的有效方法。由于采用了计算机 技术，通过解析光谱数据获得物质的有 关化学信息，利用数学模型和数学方法 描述，消除基质和干扰组分的影响，从 而对复杂样品不经预处理直接进行多组 分分析。
34
(5)控制及数据处理分析系统 现代近红外光谱仪器的控制及数据处理 分析系统是仪器的重要组成部分。一般 由仪器控制、采谱和光谱处理分析两个 软件系统和相应的硬件设备构成。 (6)打印机
记录或打印样品的光谱或定性、定量分 析结果。
35
近红外光谱仪器的主要类型 近红外光谱仪的分类方式比较多，但市 场上分类主要还是按照仪器的分光器件 不同来分，一般可分为4种主要类型：滤 光片型、光栅色散型、傅里叶变换型和 声光调制滤光器型。其中光栅色散型又 有光栅扫描单通道和非扫描固定光路多 通道检测之分。
近红外光谱分析及其应用简介
近红外光谱分析及其应用简介1、近红外光谱分析及其在国际、国内分析领域的定位近红外光谱分析是将近红外谱区（800-2500nm）的光谱测量技术、化学计量学技术、计算机技术与基础测试技术交叉结合的现代分析技术，主要用于复杂样品的直接快速分析。
近红外分析复杂样品时，通常首先需要将样品的近红外光谱与样品的结构、组成或性质等测量参数（用标准或认可的参比方法测得的），采用化学计量学技术加以关联，建立待测量的校正模型；然后通过对未知样品光谱的测定并应用已经建立的校正模型，来快速预测样品待测量。
近红外光谱分析技术自上世纪60年代开始首先在农业领域应用，随着化学计量学与计算机技术的发展，80年代以来逐步受到光谱分析学家的重视，该项技术逐渐成熟，90年代国际匹茨堡会议与我国的BCEIA等重要分析专业会议均先后把近红外光谱分析与紫外、红外光谱分析等技术并列，作为一种独立的分析方法；2000年PITTCON 会议上近红外光谱方法是所有光谱法中最受重视的一类方法，这种分析方法已经成为ICC（International Association for Cereal Science and Technology国际谷物科技协会）、AOAC(American Association of Official Analytical Chemists美国公职化学家协会)、AACC （American Association of Cereal Chemists美国谷物化学家协会）等行业协会的标准；各发达国家药典如USP(United States Pharmacopoeia美国药典)均收入了近红外光谱方法；我国2005年版的药典也将该方法收入。
在应用方面近红外光谱分析技术已扩展到石油化工、医药、生物化学、烟草、纺织品等领域。
发达国家已经将近红外方法做为质量控制、品质分析和在线分析等快速、无损分析的主要手段。
我国对近红外光谱技术的研究及应用起步较晚，上世纪70年代开始，进行了近红外光谱分析的基础与应用研究，到了90年代，石化、农业、烟草等领域开始大量应用近红外光谱分析技术，但主要是依靠国外大型分析仪器生产商的进口仪器。
径向基函数神经网络和近红外光谱用于大黄中有效成分的定量预测
收 稿 日期 ：２０ —２３ 。修 订 日期 ：２ ０ —３２ ０ ５１ —０ ０ ６０ —８
入层 、一个隐含层和输出层组成 ， 入层节点 只传递输 入信 输 号到 隐含层 ，隐含层 节点由像 高斯函数那样的辐射状作 用函 数构 成 ， 而输出层节点通常是简单 的线 性 函数 。高斯 函数具
、
引 言
大黄 （ ｈ ｂｒ ） Ｒ ｕ ａｂ 是我 国重 要 的传 统 中药之一 ，它 的 医药
应用可追溯到几千年前 ， 有关其化学成 分的研究则是从 １ 但 ９ 世纪初开 始的。到 目前为止 ， 人们 已知的 主要有效成 分及其
相结合 ， ４ 对 ２种大黄 样品中的主要有效成分 ： 蒽醌类化合物
芪甙类 ，包括 土大黄甙 等 ， 具有雌性激素样作用 ；（ ） ４ 苯丁酮 甙类 ， 包括莲花掌 甙类等 ，具有抗炎 、 痛等作用 ；（ ） 镇 ５ 鞣质
类 ，包括 （ －） 茶 素 、没食子酸 等 ， 有降低血 清尿 素氮 ＋） Ｌ 具 等作用 。
国内外有 关大黄的分离及定量测定的研究 很多 ，常见的 方法有 ： 薄层 色谱法 （ Ｌ ） 高效液 相色谱法 （ Ｉ ） ］ Ｔ ＣＥ ， ＨＰＣ ［ ， ３
１ 基本原理
近红外光谱是介于可见区和中红 外区间 的电磁 波 ， 国 美 试验和材料协会（ Ｔ 规定其波长范围为 ７ ０ ０ Ｉ。 ＡＳ Ｍ） ０ ￣２５ ０ｎｎ ＮＩ Ｒ光谱属 分子 振 动 光谱 ，主要 反映 了含氢 基 团 （ ＣＨ， 如 ０Ｈ， Ｈ和 ＮＨ） Ｓ 的特征信息。ＮＩ Ｒ光谱 的优点有 ：可以使用 较长的光程 ； 复性 易控 制 ；抗 干扰性 好 ；可 由光 纤传 导 ， 重 便于在线测量 。 另一方 面 ， Ｒ光谱谱 带严重 重叠 ， 于组 ＮＩ 对
现代近红外光谱技术及应用进展
现代近红外光谱技术及应用进展一、本文概述近红外光谱（Near-Infrared Spectroscopy，NIRS）是一种基于物质对近红外光的吸收和散射特性的分析技术。
近年来，随着光谱仪器设备的不断改进和计算机技术的飞速发展，现代近红外光谱技术在分析化学、生物医学、农业食品等领域的应用日益广泛。
本文旨在综述现代近红外光谱技术的最新进展，特别是在仪器设备、数据处理方法、化学计量学以及应用领域的最新发展。
文章首先介绍了近红外光谱的基本原理和技术特点，然后重点论述了现代近红外光谱技术在不同领域的应用实例和取得的成果，最后展望了未来发展方向和潜在应用前景。
通过本文的阐述，旨在为读者提供一个全面、深入的现代近红外光谱技术及应用进展的概述。
二、现代近红外光谱技术的理论基础现代近红外光谱技术，作为一种高效、无损的分析手段，其理论基础源自电磁辐射与物质相互作用的原理。
近红外光谱区域通常是指波长在780 nm至2500 nm范围内的电磁波，其能量恰好对应于分子振动和转动能级间的跃迁。
因此，当近红外光通过物质时，分子中的化学键和官能团会吸收特定波长的光，产生振动和转动跃迁，从而形成独特的光谱。
现代近红外光谱技术的理论基础主要包括量子力学、分子振动理论和光谱学原理。
量子力学为近红外光谱提供了分子内部电子状态和行为的基本描述，而分子振动理论则详细阐述了分子在不同能级间的跃迁过程。
光谱学原理则将这些理论应用于实际的光谱测量和分析中，通过测量物质对近红外光的吸收、反射或透射特性，来获取物质的结构和组成信息。
现代近红外光谱技术还涉及到光谱预处理、化学计量学方法以及光谱解析等多个方面。
光谱预处理包括平滑、去噪、归一化等步骤，旨在提高光谱的质量和稳定性。
化学计量学方法则通过多元统计分析、机器学习等手段，实现对光谱数据的深入挖掘和信息提取。
光谱解析则依赖于专业的光谱数据库和算法，对光谱进行定性和定量分析，从而确定物质中的成分和含量。
近红外光谱(NIR)分析技术的应用
近红外光谱<NIR>分析技术的应用近红外光谱分析是近20年来发展最为迅速的高新技术之一,该技术分析样品具有方便、快速、高效、准确和成本较低,不破坏样品,不消耗化学试剂,不污染环境等优点,因此该技术受到越来越多人的青睐.一、近红外光谱的工作原理有机物以及部分无机物分子中各种含氢基团在受到近红外线照射时,被激发产生共振,同时吸收一部分光的能量,测量其对光的吸收情况,可以得到极为复杂的红外图谱,这种图谱表示被测物质的特征.不同物质在近红外区域有丰富的吸收光谱,每种成分都有特定的吸收特征.因此,NIR能反映物质的组成和结构信息,从而可以作为获取信息的一种有效载体.二、近红外光谱仪的应用NIR分析技术的测量过程分为校正和预测两部分〔如图一所示〕,<1>校正：①选择校正样品集,①对校正样品集分别测得其光谱数据和理化基础数据,①将光谱数据和基础数据,用适当的化学计量方法建立校正模型；<2>预测：采集未知样品的光谱数据,与校正模型相对应,计算出样品的组分.由此可知,建立一个准确的校正模型是近红外光谱分析技术应用中的重中之重.图一2.1定标建模2.1.1 为什么要建立近红外校正模型2.1.1.1 建立近红外校正模型的最终目标是获得一个长期稳定的和可预测的模型.2.1.1.2 近红外光谱分析是间接的〔第二手〕分析方法,所以①需要定标样品集；①利用定标样品集的参比分析数据与近红外光谱建立校正模型；③近红外分析准确度与参比方法数据准确度高度相关；④近红外分析精度一般优于参比方法分析精度.2.1.2 模型的建立与验证步骤2.1.2.1 扫描样品近红外光谱准确扫描校正样品集中各个样品规范的近红外光谱：为了克服近红外光谱测定的不稳定性的困难,必须严格控制包括制样、装样、测试条件、仪器参数等测量参数在内的测量条件.利用该校正校品集建立的数学模型,也只能适用于按这个的测量条件所测量光谱的样品.2.1.2.2 测定样品成分〔定量〕按照标准方法〔如饲料中的粗蛋白GB/T6432、水分GB/T6435、粗脂肪GB/T6433〕准确测定样品集中每个样品的各种待测成分或性质<称为参考数据>.这些值测定的精确度是近红外光谱运用数学模型进行定量分析精确度的理论极限.2.1.2.3 建立数据对应关系通过2.1.2.1所得光谱与2.1.2.2所得不同性质参数的参考数据相关联,使光谱图和其参考数据之间形成一一对应映射的关系,从而建立一个带参考数据的光谱文件.2.1.2.4 剔除异常值2.1.2.3建立的光谱文件中,样品参考值与光谱有可能由于各种随机的原因而有较严重的失真,这些样品的测定值称为异常值.为保证所建数学模型的可靠性,在建立模型时应当剔除这些异常值.2.1.2.5 建立模型选择算法、确定模型的参数、建立、检验与评价数字模型：常用的算法有逐步回归分析、偏最小二乘法、主成分回归分析等.这些算法的基本思想是应用近红外光谱的全光谱的信息,以解决近红外光谱的谱峰重叠与复杂背景的影响.2.1.2.6 模型验证用外部证实法检验和评价数学模型,以检验数学模型在时间空间上的稳定性.可以用另外几批独立的、待测量已知的检验样品集,用数学模型预测计算检验集中各样品的待测值；对实际值与预测值作线性相关,并用相关系数和预测标准差来表示预测效果.2.2 模型维护与扩展2.2.1 为什么要维护与扩展校正模型建立一个校正模型通常是从一个小的光谱数据库开始的.数据库小,模型的适用范围就必然受到限制.这也就意味着要想使一个模型更加稳定、适用范围更加宽广,就需要不断地对模型的数据库进行扩充.2.2.2 扩展校正模型步骤通过扫描光谱与实验数据建立具有数据对应关系的光谱文件,再使用该文件对旧方程进行扩展,形成新方程,并对新方程进行验证.2.3 具体例子分析2.3.1 方程选择使用改进偏最小二乘法<MPLS>建立校正模型,为消除光谱信号的基线漂移,随机噪音及颗粒度不均匀引起的散射,光谱采用三种去散射处理和三种导数处理结合,共9中光谱预处理方法.三种去散射处理包括无散射<None>,标准正态变量校正结合去除趋势校正<SNVD>,加权多元去散射校正<WMSC>；三种导数处理包括1,2,2,1; 1,4,4,1; 2,4,4,1,个数值依次代表导数处理阶数,导数数据间隔,平滑点数及二次平滑点数.模型建立过程中,定标集被分成6个交互验证组,以最小交互验证标准差<SECV>确定最佳主因子数.异常值判断与剔除是影响模型预测效果的关键因素.方程采用两轮异常值剔除过程,剔除光谱异常值<GH≥10>及化学异常值<T≥2.5>.以最高交互验证决定系数<1-VR>和最低SECV值确定最佳校正模型.如图二所示,蛋白最佳方程应为SNVD+2,4,4,1处理得到的.图二2.3.2 外部验证校正模型建立后,除用自身最高交互验证决定系数<1-VR>和最低SECV值衡量外,还需要用外部检验的方法来评价模型的可靠性,以保证模型在实际使用中的效果.选取已知样品对模型进行验证,如下图所示,样品〔粗蛋白〕预测值准确度较高,基本达到了分析要求〔表一可见,样品预测值与参考值误差较小；图三为蛋白化学值与预测值之间相关散点图,其中预测标准偏差<Sep>为0.447,系统偏差<Bias>为-0.059,相关系数<R>为0.957〕.表一图三三、近红外光谱分析技术的不足3.1 近红外光谱分析的灵敏度相对较低,不能用于微量分析.这主要是因为近红外光谱作为分子振动的非谐振吸收跃迁几率较低一般近红外倍频和合频谱带强度是其基频吸收的十万分之一.所以对组分的分析而言,其含量一般应大于0.1%才适合采用近红外光谱分析技术.当然这个数值并不是理论限值,随着近红外分析技术的不断发展,相信它的最小检出限还将会有所突破.3.2 分析必须要依赖模型,对模型的建立要求较高,投入较大.预测结果的准确性与校正模型建立的质量有很大关系,因此,建立校正模型一般需要有经验的专业人员和来源丰富的有代表性的大量样品,并配备精确的化学分析手段.3.3 模型传递技术尚不成熟.目前,由于校正模型受限于各种测量条件,只能适应一定的时间和空间范围,如果能建立成熟的模型传递,使在一台仪器上建立的定性或定量校正模型可靠地移植到其他相同或类似的仪器上使用,就能减少建模所需的时间和费用.四、结束语尽管近红外检测分析技术目前还有些许不足,但随着计算机技术、光谱学和化学计量学的快速发展和相互融合,该技术预测能力及预测精度等将得到进一步提高,建模难度也将进一步下降.当今粮食生产、食品安全和市场检查管理部门等各方面要求更使得需要深入研究近红外光谱检测技术,并在实践中得以普遍应用.今后,近红外光谱检测分析技术会拥有更广阔的应用前景.。
近红外光谱技术的应用及前景
近红外光谱技术的应用及前景光谱学是一种分析物质组成与结构的重要科技手段。
在科学、工业和医学等领域都有广泛的应用。
其中，红外光谱技术是目前应用最广泛的一种光谱学技术之一。
而在红外光谱技术中，近红外光谱技术也日渐受到人们的重视，被广泛应用于许多领域，比如农业、食品加工、制药、医疗等。
接下来，本文将探讨近红外光谱技术的应用及前景。
一、近红外光谱技术的基本原理近红外光谱技术是通过红外光经过样品后，检测其吸收光谱来确定物质组成的一种分析方法。
它与通常的红外光谱技术相似，但其工作波长范围略有不同。
近红外光谱技术所使用的工作波长范围一般为800-2500纳米，而在这个波段内，物质的光学吸收一般是由化学键振动和分子的二次振动引起的。
实际应用中，通过近红外光谱技术得到的光谱可以被用作定量分析或者鉴定过程中的指纹图谱。
这些光谱信息可以通过一系列数学统计学方法进行分析，用来研究样本中的结构和成分。
二、近红外光谱技术的应用近红外光谱技术被广泛应用于农业、制造业、食品加工、制药、医疗等行业。
下面将分别探讨这些应用场景。
1. 农业在农业中，近红外光谱技术被用来分析土壤质量、农作物的成分、动物饲料的成分等。
例如，利用近红外光谱技术，可以准确测量肉类和饲料中的蛋白质、脂肪和纤维素含量，帮助农民更好地调整饮食和生产方式。
2. 制造业在制造业中，近红外光谱技术可以作为一种无损检测方法，可以检测所需物料的成分、质量和其它属性，从而提高制造过程的质量和效率。
例如，在造纸厂，可以使用近红外光谱技术检测纸浆的厚度和纤维质量，使生产过程更加精确和高效。
3. 食品加工在食品加工业中，近红外光谱技术可以被用来检测食品中的成分、营养物质和质量。
例如，人们可以通过近红外光谱技术来检测牛奶中的脂肪、蛋白质和酸度等指标，这可以帮助从生产商到消费者有效地管理食品和营养素。
4. 制药在制药领域，近红外光谱技术可以被用来检测和定量化药物中的成分。
这项技术可以在制造过程中进行无损检测，从而提高药物的质量和成分的纯度。
化学物质的红外光谱分析与检测
化学物质的红外光谱分析与检测近年来，随着科技的飞速发展，化学物质的红外光谱分析与检测技术越来越受到广泛关注。
红外光谱分析作为一种非破坏性、快速、准确的分析手段，被广泛应用于药物研发、环境监测、食品安全等领域。
本文将介绍红外光谱分析的原理、方法以及在化学物质检测中的应用。
一、红外光谱分析的原理红外光谱分析是通过检测物质在红外区域的吸收谱图，来确定物质的结构和组成。
其原理基于分子的振动和转动，各分子都有特定的振动模式和频率，这些振动可以被吸收或散射红外光。
红外光谱分析使用红外光源照射样品，测量红外光经过样品后产生的光谱，通过比对标准库中的光谱图谱，确定样品的成分和结构。
二、红外光谱分析的方法红外光谱分析包括传统红外光谱法、傅里叶变换红外光谱法（FT-IR）和近红外光谱法（NIR）等多种方法。
1. 传统红外光谱法传统红外光谱法使用光栅光谱仪或磁致运动仪，能够获得较高的分辨率和准确性。
这种方法对于高精度和高分辨率的红外光谱分析非常有效，但需要较长的测试时间和繁琐的样品制备过程。
2. 傅里叶变换红外光谱法（FT-IR）傅里叶变换红外光谱法通过将红外光信号转换成时间信号，再通过傅里叶变换将其转换为频谱信号，从而获得高分辨率和高信噪比的红外光谱图谱。
与传统红外光谱法相比，FT-IR方法具有快速、高灵敏度和无须样品制备的优点。
3. 近红外光谱法（NIR）近红外光谱法是一种基于红外光谱的无损检测技术，适用于物质的快速定性分析和定量测定。
这种方法无需样品制备，测试过程简便快捷，能够在短时间内获取大量数据，因此在食品、农业、药品等领域得到广泛应用。
三、化学物质检测中红外光谱分析的应用红外光谱分析在化学物质检测中具有广泛的应用价值。
1. 化学物质鉴定与质量控制红外光谱分析可以用于化学物质的鉴定和质量控制。
通过比对待测样品的红外光谱与标准库中的光谱图谱，可以确定样品的成分和结构，判断其纯度和质量是否符合要求。
2. 药物研发红外光谱分析在药物研发中有着重要的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
近红外光谱对石油化工流程芳烃生产的一系列化学成分的测定摘要利用近红外光谱并结合化学计量学方法进行数据的处理，已经被广泛用于石油化学工业获得快速和质量控制适合的精确的方法。
在目前的工作中，近红外光谱多元校正模型被用来预测一系列复杂的石油化工芳烃生产过程的芳香族化合物和各种芳香族样品的化学成分，例如苯，甲苯，对二甲苯，邻二甲苯和混合二甲苯。
该模型被开发针对于非芳族和芳族含量来自催化重整装置的最终的邻二甲苯和对二甲苯的植物在完全不同的数据流中的预测。
非芳烃，苯，甲苯，乙苯，间二甲苯，邻二甲苯，对二甲苯，枯烯，总C8的芳烃和总C9的芳烃估计是从2130至2500年纳米傅立叶变换近红外光谱（4600估计 - 4000厘米≤1）的区域。
主成分分析是用来探索数据性分析和交叉验证一块部分偏最小二乘法被采用校准大约200个实际的样品。
平方根误差预测7–11 PLS因素模型接近测量的重复性值的参考方法。
依据主要结果里的偏差来确认每个模型的精度。
因此，通过近红外预测芳烃生产过程执行一个完整的化学成分分析的几个单位的质量控制要求，它已被证明是可行的了。
这个程序，基于一个单一的近红外光谱，提供了一个很简单和快速的分析是为了区分芳烃同分异构体的特征的光谱。
例如对二甲苯，间二甲苯和邻二甲苯。
关键词：近红外；PLS；芳烃；非芳烃；对二甲苯；碳氢化合物1.引言石化行业通常使用气态或液态（主要是石脑油）为原料去生产一系列范围广泛的基本烃类，其用于在第二代工业并得到各种产品，其中包括诸如聚合物，聚乙烯，聚丙烯和聚苯乙烯。
石脑油是一种轻石油馏分富含5-12个碳原子的化合物的主要是烷烃，,异构烷烃（烷烃）和（环烷烃），而水平较低的芳烃和烯烃化合物通常用一条蒸馏曲线表明从20到220℃的范围。
它能在一个进料热解炉里循环，在裂解过程中去生产乙烯或催化重整装置的化合物并将其转化为芳烃。
如图1所示，催化重整反应器的出口馏分含C6-C8芳烃被提交到一个分馏的序列，提取和反应的过程，目的是最终获得纯的芳族化合物如苯，甲苯，邻二甲苯和对二甲苯。
芳烃生产过程中，通常通过在线气相色谱（GC）分析仪进行控制和优化。
然而，由于成本高这样的设备和所涉及的过程和样品也复杂，通过该过程中一些关键的采样点的化学成分都需要从长凳GC中获得。
GC分析通常需要至少30分钟，以确保二甲苯异构体的准确和精确的得到满意的分离效果，因此，一个更快的方法将能为过程控制提供更好的响应时间。
近红外（NIR）光谱技术已被证明是相当适合的应用在石化企业中，为从单个样品的光谱[1-4]中预测许多化学和物理性能提供了。
一些作者报道了近红外成功的预测汽油的结果[5-10]，燃料[11]，石脑油[12,13]，重整[14]，烃类[15,16]，炼油馏分[5,17]和实验室设计烃混合物[18]。
他们中的大多数都与辛烷值有关，这些应用到网络组合预测在表1中突出显示了。
通过像PLS（偏最小二乘回归）多变量有力的技术手段，每个有兴趣的属性可以倒退的吸收近红外吸收光谱，结果可以用来预测该属性的值对于给定的测试样品的校准模型。
图1. 一个典型的石油化工工艺生产芳烃的简化原理图在目前的工作中，我们报告所取得的不同芳香的样品，包括异构体对二甲苯，邻二甲苯和间二甲苯，其通过测定色谱方法合适的分离十大成分股成功的多变量模型通常需要较长的分析时间，工作目的在通过芳烃生产过程重整的异构化单元得到的所有样品的单一模式用于各构成要素，尽管他们有不同的化学组合物，最大限度地减少了建模工作，并简化了技术人员处理。
2．实验2.1. 样品217个标本被采集超过了十八个月的催化重整，在分馏和二甲苯单位的七个不同的采样点（称为A，B，C，D，E，F和G）。
典型的化学组成显示于表2中。
50种实验室设计的样品（M）也被采集到，如下所述。
五种单纯形晶格设计被为了获得由于''失控''过程的情况下样品轮廓模拟的变化，来提高数据的方差，从而提高模型的鲁棒性[19,20]，根据表3的实验设计。
每五个设计提供的三个组成部分（从不同的采样点获得的过程中，并在5设计中使用的数据馏分中选出）10种混合物。
所有的设计混合物通过GC主要方法进行分析以供参考成分值。
n是包含在校准模型的样本数。
N是PLS因子的模型的数目。
RMSEP代表均方根预测误差平方。
2. 2 . 仪器仪表近红外透射光谱记录从1000-2500海里（10,000-4000厘米1）傅立叶变换近红外SpectrometerMB160系列区域（BOMEM/哈特曼和布朗，加拿大）连接到一个IBM的微机。
一个氟化钙样品池，型号SL-4，用0.5 mm光程（国际晶体实验室，新泽西州，美国），并在氮气吹扫下的砷化铟探测器被使用。
仪器参数，例如噪声水平和波长准确性是按照制造商的指示进行分析之前验证的，已经在别处描述[16]。
化学成分的参考结果是从每个样品中获得，用色谱（GC-FID）方法，为每个特定的样品，由于在各组分的浓度水平变化范围很广的样品A至G（表2）中进行了优化。
色谱数据（总的非芳烃，苯，甲苯，乙苯，间二甲苯，邻二甲苯，对二甲苯，乙烯，总C8的芳烃和总C9的芳族化合物）是从气相色谱与火焰离子化检测器中获得 60米×0.32毫米内径×0.50毫米HP-INOWAX柱（HP）使用ASTM D-2427作为参考方法。
X，Y和Z是工艺流程组分（例如，进料，顶部和一个分馏塔的底部）。
2.3. 数据处理每次分析之前记录下用干净的空单元格空气的背景光谱，然后从样品光谱中减去。
所有FT-NIR光谱收集的16次扫描的平均值为4 cm-1处的时间间隔和数字化在3113点到1000-2500纳米范围内。
近红外光谱与各样品的化学成分值一起送入理瓶7.6微软。
如下所述，在整个谱（1039点最大）的一小部分被选择的组件的校准。
第一代和第二阶导数和平均正常化也试过，但他们并没有提高模型的性能。
在此之前回归，波长变量以均值为中心和物业变量是自动缩放（平均为中心，还扩展到单位方差）。
预测的化学成分被归化到最后报告之前的100％。
2.4. 多元校正第一次使用PCA进行探索性分析auto-scaled数据校准设置搜索边远点,可能造成污染,抽样错误,分析错误或极端的组合设计混合物之间的差异和实际样品。
PCA分数学生化的残留与样本杠杆,和光谱残留与浓度剩余土地被用来识别和排除边远点。
从最初的267个样本,11个样本检测异常值和排除在校准和验证集。
一组43个样本被选中作为一个外部验证数据集,以便213个样本用于校准设置。
因此验证集也被留下作为校准设置,从PC1随机选择与PC2分数情节图2所示。
这种方法应用于确保校准和验证集都代表所有的不同的样本不同组件级别,也覆盖了整个实验领域。
因此,校准和验证样本选择来自不同地区的得分图,也至少有5种样品及每个采样点的样品(A-G)包含在验证集。
初始校准和验证集的情节是在分数图图2所示。
从这个初始校准设置的一些样本在每个模型细化过程中进一步排除,将在稍后讨论,以便校准样品的最终数量从178年到204年不等。
图.2.在主成分分析探索性分析的两个第一因素的得分图校准和验证样本（圆=校准数据集;平方=外部验证数据集）。
标签的实际过程（A-G）和实验室设计的样本（M）也显示出来。
校准是完成与偏最小二乘法（PLS）的技术。
留一法交叉验证方法被用来估计主成分，其中一个样本被随机遗留作为每个校准步骤[21]中的最佳数量。
均方根预测（RMSEP）方误差，预测与测量残差地块被用于模型评估。
经过连续的细化步骤，外部验证集来评估最后的校正模型。
预测值，通过成对t-检验[22]的方法相比所测量的值。
近红外预测是参考方法的结果之间的平均偏差与参比方法的重复性值之比。
3. 结果与讨论3.1. 近红外光谱特征在1670年至2500年纳米范围内的所有校准样品的近红外光谱图示于图. 3。
在2130至2500年纳米的光谱范围被选定为校准。
完整的光谱区域（1670至2500年纳米）尝试进行校准，但并没有提高模型的性能，也不是从整个范围内（1670年至2500年NM）1800年至2100年纳米中间区域排除在外。
低于1670纳米的区域是没有尝试过，因为它不进行相关的光谱信息，只能增加噪音。
正如文献[16,22-25]指出1600-1800 nm区域通常被分配到甲基C-H键，亚甲基C-H和C-H 芳伸缩振动，2100-2200 nm区域到C的第一泛音ħ芳环的组合波段，而2200 -2500nm 从甲基C-H和C-H芳环的组合波段的结果。
图. 3 .（一）FT-NIR在1670年至2500年纳米校准样品的光谱（6000 - 4000厘米1）区域，包括设计的混合物（16扫描平均4 cm-1处光谱分辨率）。
每个样本在同样的条件（二）典型频谱（A-G）和设计混合物（M）。
3.2. PCA的定性分析得分图在表2所示。
从PCA的探索性分析中得到允许样品的定性分析。
样品根据其在化学组成相似性使得几乎不同的区域可以被分配到某些样品分发自身在PC2与PC1域。
F和G的样品，属甲苯和对二甲苯的浓度最高，情节在右下侧显示的很清楚。
在左上侧，非芳族化合物的浓度较高的地方与其他分离的乙样品，在A样品绘制在上部区域，从中间到右边，由于邻二甲苯和总C9的芳族化合物的差异。
在C，D，E和M（设计的混合物）的样品，有类似的组份中，分别显示在相同的区域。
因此，可以观察到如果需要的一些具体应用可从PC的细节中找到对样品鉴定和定性分析的潜力。
3.3 PLS校正模型已经注意到其他地方[13]RMSEP和交叉验证校准模型的相关系数(r),广泛采用作者独特的参数模型评估,应当非常小心处理。
最好的结果,这些参数可能会导致一个过于精细的模型,其行为在常规分析是不能接受的,因为发生异常或偏离高参考价值。
这些参数应该用作指导模型中细化过程基地完全在他们身上避免就这样得出最终结论。
因此,在常规使用模型的鲁棒性之间的妥协和声音数据的优点(r和RMSEP)应该追求和最终评价与外部验证集是最合适的方式来完成的它。
在目前的工作我们获得了七个不同模型邻二甲苯通过每个校准模型的顺序优化过程中,样品较高浓度的残差被先后拆除。
因此,模型有更好的r值和RMSEP和减少数量的样本。
最后结果的评估针对每个模型相同的外部验证数据集,对其相关的参考方法和预测之间的平均误差和实际结果。
表4中的数据总结和证明的最终性能模型没有从第一行到最后一行的模型改善,尽管在r和RMSEP连续改进。
换句话说,最高的交叉验证r和/或最低RMSEP并不一定得到最好的模型。
从这一点来看,在这个例子中最高的模型数量的样本应首选在常规分析中减少离群值。