色谱定量分析归法

纺织品纤维含量分析是决定纺织产品标识准确度的重要因素，多国制定相关技术法规，要求纺织服装产品上贴有永久性的标签，并在标签上按照规定的方法注明产品的纤维成分及含量。传统纺织品成分定量方法采用的化学溶解法存在着使用化学试剂、对环境污染、检测周期长、破坏样品等缺点。近红外光谱分析技术作为一种新兴检测技术已经开始迅速被应用于纺织品成分定性和定量检测，具有快速、无损、环保、便捷等优点。该技术主要利用在近红外光的照射下，不同的纤维成分呈现不同吸收峰，其成分含量不同则体现出不同大小、缓陡的吸收峰，利用相应的化学计量学方法和纤维成分数据库，即可获得准确的纤维成分及含量。但在纺织品纤维定量方面，由于近红外模型受仪器类型、实验室环境、织物结构、颜色、染料、纤维含量、检测条件等因素影响，校正模型建立好坏程度直接影响其预测效果，且目前仍存在定量模型无法统一或互通的问题。中国海关科学技术研究中心工业与消费品安全研究所联合深圳市菲雀兰博科技研究中心有限公司，在中国仪器仪表学会近红外光谱分会的大力支持下，于2021年成功举办了第二届（2021）近红外纤维定量分析比对试验，以期推动近红外光谱分析技术的发展和应用。本次比对试验，共涉及棉/氨纶、聚酯纤维/氨纶、棉/聚酯纤维、锦纶/氨纶、棉/聚酯纤维/氨纶 5 大类别，4 类二组分，1 类三组分。分别是棉/氨纶（1-3#）、聚酯纤维/氨纶（4-6#）、棉/聚酯纤维（7-9#）、锦纶/氨纶（10-12#）、棉/聚酯纤维/氨纶（13-15#），五组面料均由中国海关科学技术研究中心工业与消费品安全研究所提供。本次比对试验共有16个机构报名参加，包括中纺标检验认证股份有限公司、北京市毛麻丝织品质量监督检验站、天纺标检验认证股份有限公司、青岛市产品质量监督检验研究院、江苏省纺织产品质量监督检验研究院、南通市纤维检验所、上海英柏检测技术有限公司、上海冉紫实业有限公司、上海纺织集团检测标准有限公司、国家纺织服装产品质量监督检验中心（浙江桐乡）、浙江中纺标检验有限公司、福建省纤维检验中心晋江检验部、中山海关技术中心、广州亚诺检测技术有限公司、中纺标（深圳）检测有限公司、深圳市英柏检测技术有限公司等。在规定期限内有15家实验室反馈了测试结果，1家实验室取消了比对。在15个实验室中，Lab 1、2、3、7、11参加了全部模型比对；Lab 6、8、9、10、12参加了4个模型的比对；Lab 4、5、14、15参加了3个模型比对；Lab16参加1个模型比对。执行标准FZ/T 01144-2018。结果Z比分数图:从参试实验室比对结果可以看出，棉/氨纶、聚酯纤维/氨纶两类样品，各参试实验室所建模型预测结果较为理想，锦纶/氨纶、棉/聚酯纤维、棉/聚酯纤维/氨纶样品，存在少数参试实验室所建模型预测结果不理想的情况。由于纺织纤维种类众多，且复合织物的种类和比例各不相同，使得近红外光谱校正模型的建立难度较大，需要大量的样本数据，校正数据的准确性及合理的计量学方法都对测试结果有影响。针对此次近红外纤维定量分析比对计划，对于相关模型的建立，给出以下建议：1）样品筛选：某些较厚双层针织结构的织物，其谱图看不到明显的吸收峰，或与其他的谱图偏差较大，在建模过程中，此类样品对模型的建立会造成很大影响，不适宜做校正样品，应该去除。2）样品采集： 样品采集过程中，建议将样品折叠适宜厚度，一般4层，水平放置测试窗口上，并在样品上施加一固定压力。采集中对于吸收峰不明显、谱图偏移或漂移严重、光谱形态异常的应提前剔除。3）光谱数据预处理：仪器采集的原始光谱中除包含与样品组成有关的信息外，同时也包含来自各方面因素所产生的噪音信号。这些噪音信号会对谱图信息产生干扰，从而影响校正模型的建立和对未知样品组成或性质的预测。光谱数据预处理主要解决光谱噪音的滤除、数据的筛选、光谱范围的优化及消除其他因素对数据信息的影响，为下步校正模型的建立和未知样品的准确预测打下基础。常用的数据预处理方法有导数、滤噪（平滑）、多点基线校正、归一化处理等。在近红外分析中，对于样品不同组分之间的相互干扰导致吸收光谱谱线重叠的现象，可采用求导的方法进行处理。其中常用的是一阶导数和二阶导数。4）定量校正算法： 近红外光谱分析常用的计量方法有主成分分析（PCR），偏最小二乘法（PLS）和人工神经网络法（ANN）等，其有着各自的优点和局限。选择适合的校正算法，对模型的适用性，有效性有着显著帮助。比如：TQ Analyst提供了定量校正算法，包括了比尔定律、最小二乘法（CLS）、偏最小二乘法（PLS）和主成分回归法（PCR）等。其中在纺织纤维定量检测模型中，偏最小二乘法（PLS）较为经典和常用。5）光谱波长范围的选择：光谱范围的选择在NIR定量分析模型的建立中是最难的一步。至今为止，化学计量学领域仍无完美算法来选择最佳的光谱范围。目前，已有一些配套软件可实现自动化选择光谱范围。例如：TQ Analyst软件中自带Suggest向导进行自动选择光谱范围。光谱波长范围的选择会直接影响模型的精度，即相关系数与均方差。6）建模及模型优化：近红外光谱存在谱带宽、重叠较严重、吸收信号弱、信息解析复杂等问题，它依赖于化学计量学方法，在样品待测属性值与近红外光谱数据之间建立一个校正模型，再通过模型对未知样品的近红外光谱进行预测来得到各性质成分的预测值。目前，近红外建模方法大都以“光谱数据预处理，波长筛选进行特征降维和突出，再通过PLS、SVM算法进行建模”的方法为主。建模的优化常见于如何使用预处理算法对光谱进行预处理，来消除仪器变异所引起的偏差；如何使用波长选择算法，提取光谱中的有效特征；如何利用化学计量方法建立稳定可靠的模型。除此之外，随着人工智能技术的发展，深度学习可以利用现有的大规模已标记数据集训练出一个预测能力强、鲁棒性好的多层网络结构模型。此外深度学习方法建模，其对预处理、波长选择等依赖性很低，该法也将为近红外光谱检测带来新的机遇。

在现代分析化学领域，毛细管气相色谱技术因其分离效率和精确的分析能力而被广泛应用。尤其在面对组成复杂的样品时，毛细管气相色谱仪显示出其优势。本文将深入探讨它在处理复杂样品时的定性和定量分析能力，以及其在实验过程中的应用策略和注意事项。 　　毛细管气相色谱仪的核心部分是长而细的毛细管柱，内壁涂有固定相。这种设计极大地增加了相互作用的表面积，使得样品分子能在气相和固定相之间进行成千上万次的交互作用。通过精准控制色谱条件如载气流速、温度程序等，可以实现复杂混合物中各组分的有效分离。 　　在进行定性分析时，毛细管气相色谱通常与质谱（MS）或傅里叶变换红外光谱（FTIR）联用，以增强识别未知化合物的能力。例如，气相色谱-质谱联用技术可以提供样品中每个峰的质谱图，通过数据库比对实现快速鉴定。这种方法尤其适用于石油产品、植物提取物、香精香料等复杂样品的分析。 　　定量分析方面，仪器通过与标准物质的保留时间和峰面积或峰高对比，实现高精度的定量测定。使用内标法或外标法定量，可以根据实际需要选择最合适的方法。内标法通过添加已知浓度的内部标准物来校正样品处理过程中可能出现的损失，从而提高定量的准确性。外标法则依赖于标准曲线，适用于可以精确控制样品进样量的情况。 　　操作时，需特别注意温度的控制和优化。升温程序必须精心设计以确保所有组分都能得到有效分离而不致于峰展宽或峰形失真。载气的选择和流速的调整也至关重要，氮气和氦气是常用的载气，它们具有化学惰性，不会与样品发生反应。 　　维护和日常检查对于保持设备的最佳性能也是必要的。定期检查和更换进样口的隔垫、衬管和色谱柱，可以防止样品交叉污染并保证分析的重现性。 　　综上所述，毛细管气相色谱仪是分析复杂样品的强有力工具。通过优化分析条件和适当的操作维护，可以实现对复杂样品中各个组分的高效、准确的定性和定量分析。

要提高分析结果的准确度，必须考虑在分析过程中可能产生的各种误差，采取有效措施，将这些误差减到最小。01 样品处理过程中误差的来源样品的处理包括称量、溶解到标记稀释等步骤。样品处理要尽量减少操作者的技术问题带来的误差，样品的稀释次数、稀释工具都是误差的来源。02 手动进样误差的来源作为进样主力，仍是手动进样器。如果使用方法不当，会引起色谱图问题，标准曲线无线性，重复性差。定期对进样阀清洗和保养，可避免由进样阀引起的污染和堵塞，排除干扰峰，提高准确性。进样量要大于定量环的3倍以上，这样才能防止部分样品由溢流管溢出从而导致定量分析的误差。03仪器系统误差的来源输液泵在分析中因输液泵的故障而引起分析结果的不准确是很常见。如尘埃、垃圾等污染物进入输液流道内，引起配管堵塞，单向阀污染引起压力不稳，密封垫损坏导致系统漏液，柱塞杆损坏引起无流动相流出，压力波动。保证输液泵的稳定和正常运行对分析结果的准确性、降低误差是非常重要的。流动相引起流动相组成变化配置引起的误差、线上混合泵失灵引起的比例误差、放置后组成的变化。例如使用挥发性溶剂，真空脱气引起挥发性成分的损失；流动相吸收空气中二氧化碳引起pH改变。流动相组成变化对tR值大的组分影响zui大。反相溶剂微小的变化，会引起保留时间相当大的变化。温度的变化柱上没有恒温装置，通常会因温度引起保留时间的变化，应使用柱温箱，另外保持室内最小温差。色谱柱流动相对色谱柱进行冲洗30min后，每隔10min~20min重复进相同的样品，如保留时间不变表明已平衡。应注意，柱可能对某一组分平衡，而对其它组分尚未平衡。因此只有对所有的组分都平衡，才能正式分析样品。04 结论提高操作技能，工作认真谨慎，仔细观察可以控制的误差，尽量把能控制的误差减小到zui低，分析结果的准确度将更高。