仪器信息网APP

选仪器、听讲座、看资讯

立即体验

当前位置：仪器社区 >光谱 > 近红外光谱（NIR） > 帖子详情

模型总体评价及在中试生产中的应用

导演叫我趴下脸着地

2020/09/17
Love to share

私聊

近红外光谱（NIR）

模型总体评价及在中试生产中的应用

表为经不同波段选择方法优化后得到的离线模型、在线模型及模型转移后的模型结果，图为相应的模型图。结合表和图得，经UVE波段选择方法优化后的离线模型结果最好，经RATC波段选择方法优化后的在线模型结果最好。模型转移后的模型经RATC优化后的结果较在线模型预测能力有所提高，R2c, R2cv, RMSEC, RMSECV分别为0.970，0.960，1.9053，2.1918，达到了实验预期的目的。这可能是由于模型转移后消除或者减轻了基线漂移、随机噪声等对光谱的干扰从而提高了光谱的质量。

表离线模型、在线模型及模型转移后的模型结果比较

模型参数		波段选择方法
模型参数		raw	CC	VIP	RATC	UVE
离线模型	R2c	0.971	0.98	0.969	0.967	0.977
	R2cv	0.961	0.972	0.952	0.954	0.973
	RMSEC	1.8904	1.5631	2.0328	2.0398	1.6776
	RMSECV	2.2385	1.8712	2.1722	2.1996	1.8588
在线模型	R2c	0.962	0.956	0.94	0.957	0.963
	R2cv	0.961	0.954	0.939	0.954	0.961
	RMSEC	2.5356	2.3997	2.7244	2.3103	2.4073
	RMSECV	2.5412	2.4103	2.7286	2.3143	2.4189
模型转移	R2c	0.96	0.965	0.96	0.970	0.96
	R2cv	0.95	0.959	0.952	0.960	0.954
	RMSEC	2.2368	2.0946	2.246	1.9053	2.2329
	RMSECV	2.5009	2.3404	2.4808	2.1918	2.4188

(a)

(b)

(c)
经过优化后的模型结果图(a) 优化后的离线模型；(b)优化后的在线模型；(c)模型转移后建模结果）

模型验证

利用模型转移后得到光谱建立的模型经过RATC波段选择优化后在中试流化床混合过程中实时监测API的含量，使用Micro NIR Pro v2.3导入PLS模型监测API理论含量分别为90%，100%，110%时混合过程API的含量。为了评估实时监测结果的准确性，在混合后期每60 s在混合过程中采集样品(约3 g)，用于离线数据的采集。通过离线测量数据与在线近红外光谱法的预测数值比较，评价了模型的预测能力，结果如图所示。图中绿色的曲线代表经过NIRS模型预测得到的API含量，橙色的点表示通过离线取样测得的API含量，从图中可以看出，两种方法之间有很好的相关性，API含量的近红外实时监测值和真实值整体拟合较好，但离线测量值较大，造成监测值和离线测量值差异的原因可能包括混合过程中物料状态变化异常、在线定量模型的预测精度不够、测定的一级数据有偏差等。此外，从图可以看出，近红外检测器能够及时地感知到吹扫装置进行吹扫（红色箭头处）、添加物料（红色椭圆处）、停机等造成的异常状况，这种便携的近红外传感器具有很大的在线监测潜力，可以用于流化床在线API含量的监测。

图在线API定量分析模型检测结果）

小结

本研究中对流化床混合过程离线光谱与在线光谱模型转移进行研究，经过模型转移后的结果对比，发现PRS模型转移后，模型准确性有所提高。为模型转移方法的应用体系和技术突破提供了参考价值，达到了预期的结果。对比预处理方法后，选择FD+SG3+SNV+meancenter为最优的预处理方法，模型的R2c，R2cv，RMSEC和RMSECV分别为0.960，0.950，2.2368和2.5009。

对比离线、在线和模型转移后的建模结果，经过模型转移后参数RMSECV值与离线模型相比升高，但是与在线模型相比下降，这说明模型转移策略提高了在线模型的建模结果。为了考查和对比模型转移的结果，建立了离线、在线及模型转移后建立的模型，并对比了相关系数、VIP、RATC、UVE光谱波段选择方法。此外，将模型转移后建立的模型用于中试混合在线监测，API含量的近红外实时监测值和真实值整体拟合较好。此外，近红外检测器能够及时地测量出吹扫装置进行吹扫（红色箭头处）、添加物料（红色椭圆处）、停机等造成的异常状况，这种便携的近红外传感器可以用于流化床在线API含量的监测。通过模型转移，降低了建模成本，提高了模型的准确性。

附件：

20.docx