甲基蒽醌

气相色谱法对维生素E的原料三甲基氢醌的检测摘要 三甲基氢醌即2，3，5－三甲基氢醌，又名2，3，5－三甲基对苯二酚，是生产维生素E的中间体，其主要用途是用作生产维生素E的主要原料。目前，维生素E已成为国际市场上用途广泛、产销量极大的主要维生素品种，国内外市场前景广阔。目前全国生产能力不能满足国内市场供应不足，部分依赖进口。因此对三甲基氢醌的需求日益增加。而对于三甲基氢醌检测目前国家和行业都没有一个统一的检测标准。为此南京科捷分析仪器应用研究所根据客户的要求应用GC5890C气相色谱仪对2，3，5－三甲基氢醌进行方法研究。实验结果表明：本方法简便，分析速度快。能满足生产质量控制的要求，从而降价低生产成本。关键词 2.3.5- 三甲基氢醌 2，3，5－三甲基对苯二酚 维生素E中间体 气相色谱法一.2.3.5三甲基氢醌气相色谱图 http://ng1.17img.cn/bbsfiles/images/2011/06/201106171053_300271_2242538_3.jpg三、仪器配置　检测项目2，3，5－三甲基氢醌及其杂质色谱仪器型号GC5890C型色谱仪 配有FID检测器毛细管色谱柱0.32*30*0.25专用柱色谱工作站N2000（电脑1台自备）氮氢空发生器 HGT300E 1台或高纯氮、氢气、空气钢瓶各一瓶

大黄总蒽醌来源于掌叶大黄的根茎，其颜色形状为棕黑色浸膏或棕色粉状结晶，是游离蒽醌、结合蒽醌、蒽酮、糖、鞣质等混合物，生物活性与大黄原药相同。对大黄进行研究之后，从大黄之中分离得到了此类化合物，药理研究表明，此类化合物具有泻下的作用。现在的中药提取物，都是采用一定的方法对药材进行提取，大黄中富含此类成分，提取得到的就为此类化合物的混合物，也就称为总蒽醌。以下为使用资生堂色谱柱对大黄药材检测得到的谱图，请参考。http://ng1.17img.cn/bbsfiles/images/2016/11/201611240934_01_2222981_3.jpg【色谱条件】色谱柱：CAPCELL PAK C18 S5; 4.6 mm i.d.×250 mm流动相：甲醇/0.1%磷酸溶液=70/30（原条件：甲醇/0.1%磷酸溶液=85/15）流　速：1.0mL/min温　度：30°C检　测：UV254nm进样量：20μL*摘自：解放军药学学报，2009年2月，第25卷，第1期，52-55

蒽醌（相对分子质量208）初始浓度10ppm（原来实验初始浓度0.5ppm），降解24h，流动相是甲酸水溶液，乙腈，乙腈从1%洗到90%，正离子和负离子各出一个比较明显的峰（已和空白流动相和0min样品做对比），现不清楚该如何做质谱谱图解析，求教大神指点！图1是负离子模式下，明显的峰有258 226 220 97图2是正离子模式下，明显的峰有171 101目前分析：97是苯甲基的峰，226是邻甲苯某酯，正离子模式分析不出来，但是226也不确定是邻甲苯某酯，求教大神该如何分析[img]https://ng1.17img.cn/bbsfiles/images/2018/10/201810191059427733_6411_3487194_3.png[/img][img=,690,1225]https://ng1.17img.cn/bbsfiles/images/2018/10/201810191100462555_5228_3487194_3.png[/img][img=,690,1225]https://ng1.17img.cn/bbsfiles/images/2018/10/201810191101001853_7802_3487194_3.png[/img]

[align=center][b]基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的2,3,5-三甲基苯醌粗品萃取过程定量模型优化研究[/b][/align][b]中文摘要：目的[/b]实际工业生产工艺中，萃取是一项耗时耗力的过程，萃取终点的确定通常采用离线的HPLC, [url=https://insevent.instrument.com.cn/t/Mp]gc[/url]或由熟练工人根据经验判断，这些方法操作较复杂或是不够准确，在实际生产中缺乏一种快速有效的检测手段以判断萃取终点，节省操作时间，避免过分萃取浪费溶剂。利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术可以明显改善萃取工艺。[b]方法[/b]本实验针对2,3,5-三甲基苯醌（TMBQ）粗品萃取环节，采用偏最小二乘法(PLS)建立模型，考察了不同预处理方法与变量选择方法对模型的影响以优化模型，采用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]结合PLS算法建立TMBQ萃取过程含量快速检测模型，并使用不同预处理方法与波段选择方法对模型进行优化，最终确定使用一阶导数+SG15点平滑预处理结合iPLS选择波段建立PLS模型。[b]结果[/b]建立模型的各项参数为：波普区间4385.33cm[sup]-1[/sup]-5152.86cm[sup]-1[/sup]， 5928.11cm[sup]-1[/sup]-6309.94cm[sup]-1[/sup]，模型决定系数R[sup]2[/sup]=0.996， RMSEP=0.1350。[b]结论[/b]建立的模型精密度与准确度良好，可以满足含量分析的需要，是TMBQ萃取过程含量快速检测的有效方法，可以快速准确的对三甲基苯醌粗品萃取过程进行在线监测，提供了一种用于该工艺环节的快速检测手段，如果应用于生产，可以节省操作时间，避免溶剂浪费。[b]关键词：[/b][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析；2,3,5-三甲基苯醌；萃取 2,3,5-三甲基苯醌是维生素E的主要中间体。2,3,5-三甲基苯醌在国外已有生产, 但国内尚未见文献报道。国内用2,3,5-三甲基苯醌主要依赖进口。因此,开展2,3,5-三甲基苯醌的合成研究对发展国内维生素 E 的生产具有重要意义。TMHQ的合成工艺国内外己有多种报道，较为先进的是TMP法与异佛尔酮法，TN[b]B[/b]Q粗品萃取过程是合成TMBQ的关键环节。在制药领域，NIRS作为一种重要的PAT工具，已成功用于药物的原辅料评价、关键过程的监测和控制、成品的快速放行和质量监测等各个环节，为保证产品质量、降低生产成本、革新生产过程发挥了重要的作用。[b]1实验材料与仪器1.1仪器[/b] Antaris Ⅱ傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]（美国Thermo Fisher公司），7890A[url=https://insevent.instrument.com.cn/t/Mp]气相色谱仪[/url]-氢焰离子化检测器（美国Agilent公司），HP-1毛细管色谱柱（美国Agilent公司）BT224S电子分析天平(德国Sartorius公司)，容量瓶，100ml圆底烧瓶，分液漏斗，[url=https://insevent.instrument.com.cn/t/9p][color=#3333ff][url=https://insevent.instrument.com.cn/t/9p][color=#3333ff]移液枪[/color][/url][/color][/url]（美国ThermoFisher公司）。RESULT[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]采集软件，TQAnalyst[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析软件，Matlab数据处理软件。[b]1.2试剂[/b] 2,3,6-三甲基苯醌（合成步骤见第二章），石油醚（天津富宇精细化工有限公司，沸程60℃-90℃）。[b]2方法2.1样品制备和处理[/b] 按照第二章步骤合成得TMBQ得其石油醚溶液，萃取水相合并有机相，旋蒸浓缩除去石油醚至橙黄色油状液体，称重，再用石油醚作为溶剂配置1ug/ml~50mg/ml一系列溶液。[b]2.2光谱采集[/b] 波长范围4000 cm[sup]-1[/sup]-10000cm[sup]-1[/sup]；扫描次数32；分辨率8 cm[sup]-1[/sup]，使用4mm光程的玻璃样品管乘装液体样品，采集样品前采集背景以消除背景干扰，每个样品重复采集三次光谱。光谱采集在恒定室温（24℃）与恒定湿度的条件下进行。[b]2.3样品集划分[/b] 使用K-S分类法将所有66个样品换分为48个校正集与18个验证集。[b]2.4模型建立与优化[/b] 采用导数、平滑等方法对原始光谱进行预处理，应用偏最小二乘法（PLS）建立模型，结合RMSEP等评价参数，通过变量选择方法选择特征波段优化模型。[b]2.5 重复性考察[/b] 选择3个验证集样品，每个样品连续采集10次光谱，使用建立好的模型预测每张光谱，并计算出每个样品十次预测值的均值和标准偏差。是第i个样品的第j张光谱，第i个样品共测定ri个光谱，第i个样品的预测平均值为：[align=center][img=,90,83]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311044_01_1626619_3.png[/img][/align] 复测定的标准偏差为：[align=center][img=,164,102]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311044_02_1626619_3.png[/img][/align] 用c[sup]2[/sup]检验来考察这些重复性标准偏差是否属于同一总体：[align=center][img=,271,245]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311045_01_1626619_3.png[/img][/align] z为需要重复测定的样品数，将所得χ[sup]2[/sup]与自由度（z-1）临界值比较，若χ[sup]2[/sup]在临界值以下，则重复测定的所有方差属于同一总体，标准偏差均值σ可以作为近红外测定的标准偏差，近红外分析方法的重复性为z××σ[sub]max[/sub]。如果χ[sup]2[/sup]大于临界值，近红外分析方法的重复性随样品组分浓度不同而不同，这时，近红外分析方法的重复性不大于z××σ[sub]max[/sub]（σ[sub]max[/sub]为σi中的最大值）。[b]2.6[url=https://insevent.instrument.com.cn/t/Mp]气相色谱[/url]检测[/b] 初始温度180℃恒温5min，以10℃/min的速率升温至240℃。进样口温度：300，检测器温度：300，载气：氮气，载气流速：3ml/min，进样量：0.5ul。[b]3结果3.1校正集与验证计划分[/b] 使用K-S分类法将所有66个样品换分为48个校正集与18个验证集。校正集与验证集的第一第二主成分分布图如图1，其中黑色符号代表校正集样品，红色符号代表验证集样品，验证集均匀分布于校正集中，可见使用该方法分类合理。[align=center][img=,553,217]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311047_01_1626619_3.png[/img][/align][align=center]图1 所有样品主成分分布图[/align][b]3.2预处理方法的选择[/b] 考察无预处理、一阶导数+SG5点平滑、一阶导数加SG9点平滑、一阶导数+SG15点平滑、二阶导数加15点平滑这几种方式的建模结果，以RMSEC、RMSECV、RMSEP以及R[sup]2[/sup]作为评价指标，结果见表1。[align=center]表1 预处理方法评价参数[/align][align=center][img=,566,164]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311104_01_1626619_3.png[/img][/align] 无预处理的模型结果最差，说明噪声对模型结果有较大影响，原始光谱如图2。SG15点平滑+一阶导数的预处理结果RMSEC、RMSECV以及RMSEP最小，R[sup]2[/sup]最高。因此选择SG15点平滑+一阶导数作为模型的预处理方法，预处理后光谱如图3。[align=center][img=,524,224]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311048_01_1626619_3.png[/img][/align][align=center]图2 原始光谱图[/align][align=center][img=,532,210]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311049_01_1626619_3.png[/img][/align][align=center]图3 一阶导数+SG15点平滑预处理光谱图[/align][b]3.2异常样本的剔除[/b] 图4为校正集样品在学生残差-杠杆值图中的分布。图中5号（红色方框标记）样品学生残差值与杠杆值都非常高，判定为异常样品，猜测为溶液配制错误或者在光谱采集过程中出现错误，因此在后期模型优化中剔除这一异常值。[align=center][img=,563,217]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311050_01_1626619_3.png[/img][/align][align=center]图4 学生残差-杠杆值关系图[/align][b]3.3波段选择结果[/b] 以一阶导数+SG15点平滑为最优预处理方法进行波段选择，主要考察ForwardiPLS、SPA、相关系数法三种方法。[b]3.3.1iPLS波段选择结果[/b] 设定20为最大主成分数，分别考察以50、100、200个变量为波段基础的建模效果。红色虚线是全波段建模的RMSECV，红色与绿色条带的高度代表以此条带的变量建模所得RMSECV，从图5中可见，绿色条带的RMSECV值最小，因此绿色条带是被选择用于建模的波段，红色条带则表示不被选择的区域。表2为各变量基础的模型参数。[align=center][img=,558,268]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311051_01_1626619_3.png[/img][/align][align=center]图5 以50个变量为基础的iPLS法波段选择效果图[/align][align=center][img=,572,266]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311052_01_1626619_3.png[/img][/align][align=center]图6 以100个变量为基础的iPLS法波段选择效果图[/align][align=center][img=,618,262]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311052_02_1626619_3.png[/img][/align][align=center]图7 以200个变量为基础的iPLS法波段选择效果图[/align][align=center]表2 不同变量基础的建模结果[/align][align=center][img=,646,111]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311053_01_1626619_3.png[/img][/align][b]3.3.2 SPA法波段选择结果[/b] SPA算法首先通过完成n个波长分组各M个波长选择，然后通过多元定量校正模型完成m（1￡m￡M）个最优波长的选定。图8为SPA法选择变量的效果图。 运行SPA算法共选择3个变量，对应波数为4188.65cm[sup]-1[/sup]，4885.50cm[sup]-1[/sup]，7503.50cm[sup]-1[/sup]，为图中红色方框标注，以此3个变量建立PLS模型，结果如表 所示，RMSECV与RMSEP均有所增加，R[sup]2[/sup]降低，表明模型预测能力与线性都有所降低。分析原因可能是此方法在选择波段过程中由1557个变量减少到3个，光谱变量删除过多，去除大量无关变量的同时导致许多有价值信息的丢失。[align=center][img=,501,246]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311053_02_1626619_3.png[/img][/align][align=center]图8 SPA算法变量选择结果图[/align][b]3.3.3相关系数法波段选择结果[/b] 将相关系数阈值设定为0.6、0.7、0.8，使用相关系数法计算出TMBQ含量值与波数的相关系数图，如图9，图中虚线为设定的相关系数阈值，虚线以上及以及的部分代表相关系数大于阈值的波段，阈值越高，被选择的波段越少，当阈值设为0.8时，大于阈值的波段已经较少。以超过阈值的波段建立PLS模型。模型结果如表3，可见将阈值设为0.6时模型结果最好。[align=center] a[img=,402,175]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311055_01_1626619_3.png[/img][/align][align=center] b[img=,409,187]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311056_01_1626619_3.png[/img][/align][align=center] c[img=,409,176]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311056_02_1626619_3.png[/img][/align][align=center]图9 不同阈值的波数相关图（a阈值设为0.6，b阈值设为0.7，c阈值设为0.8）[/align][align=center]表3 相关系数法建模参数[/align][align=center][img=,496,105]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311058_01_1626619_3.png[/img][/align][b]3.4 小结[/b] 综合比较全波段建模与三种波段选择方法建模结果，参数如表。其中使用iPLS法选取600个变量，波段区间为4385.33cm[sup]-1[/sup]-5152.86cm[sup]-1[/sup]，5928.11cm[sup]-1[/sup]-6309.94 cm[sup]-1[/sup]，分别对应双键上C-H第一组合频与一级倍频吸收，建模后具有最高的决定系数和最低的各项方差值，这些参数表明使用该方法建立的模型预测能力最好，与真实值最接近。因此本实验主要选择iPLS方法选择变量，结合一阶导数+SG15点平滑建立模型，应用于TMBQ萃取过程含量的快速检测。[align=center]表4 各变量选择方法比较[/align][align=center] [img=,374,136]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311059_01_1626619_3.png[/img][/align][align=center][img=,524,214]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311059_02_1626619_3.png[/img][/align][align=center]图10 优化后模型预测线性图[/align][b]3.5重复性试验考察[/b] 采集验证集8号、25号、36号样品，对TMBQ含量模型进行重复性测试，每样品采集10次光谱。预测结果见表5。[align=center]表5 重复性考察结果[/align][align=center][img=,578,337]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311100_01_1626619_3.png[/img][/align] 自由度为2时，χ[sup]2[/sup]临界值为5.99。实际χ[sup]2[/sup]小于临界值，[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析方法重复性为0.154，可以满足分析应用。[b]3.6NIR预测考察[/b] 第一次使用20ml石油醚萃取，之后每次使用等体积10ml石油醚萃取，共萃取8次，使用[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]测定TMBQ峰面积，并使用NIR采集8次萃取液[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]，使用优化好的定量模型对其含量进行预测。[align=center][img=,490,255]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311102_01_1626619_3.png[/img][/align][align=center]图11 NIR预测值[/align] 图11为NIR对萃取过程的预测结果，第一次萃取即将大部分产品萃取出，随后的每次萃取量呈逐渐下降的趋势，在第五次萃取后，萃取液中产品含量几乎为0，并且随后没有变化，表明已达到萃取终点。使用[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]检测第4~8次萃取液，记录TMBQ峰面积，结果如表6。[align=center]表6 [url=https://insevent.instrument.com.cn/t/Mp]gc[/url]检测结果表[/align][align=center][img=,529,66]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311103_01_1626619_3.png[/img][/align] 第五次萃取后，TMBQ峰面积已经很小，并且基本没有变化，因此在4次萃取完全可以将水相中的TMBQ萃取完全，继续萃取已经没有意义，[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]检测与NIR预测结果相符，表明此模型预测能力良好，对萃取工艺具有一定指导意义。[b]4讨论[/b] 本实验采用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]结合PLS算法建立TMBQ萃取过程含量快速检测模型，并使用不同预处理方法与波段选择方法对模型进行优化，最终确定使用一阶导数+SG15点平滑预处理结合iPLS选择波段建立PLS模型，建模所用波段区间为4385.33 cm[sup]-1[/sup]-5152.86cm[sup]-1[/sup]，5928.11 cm[sup]-1[/sup]-6309.94cm[sup]-1[/sup]，模型决定系数R[sup]2[/sup]=0.996，RMSEP=0.1350。使用[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]验证了NIR模型对萃取过程与终点的预测能力。以上结果表明模型精密度与准确度良好，可以满足含量分析的需要，是TMBQ萃取过程含量快速检测的有效方法。[b]5参考文献[/b]孙月婷. 维生素E 的合成与分析研究现状. 广州化工, 2011, 39(6): 34-35.O.A.Kholdeava Synthesis of Vitamia E J.Mol.Cotal,1992,88(5):235～ 244孔黎明, 周涛, 菅盘铭. 2, 3, 5- 三甲基苯醌和2, 3, 5- 三甲基氢醌的一种合成方法: 中国, 102219665. 2011-10-19.A BShishmakov, Yu V Mikushina, O V Koryakova. Oxidation of 2,3,6-Trimethylphenolon Titanium Dioxide Xerogel by Hydrogen Peroxide in the Absence of an OrganicSolvent. RUSSIAN JOURNAL OF APPLIED CHEMISTRY, 2011, 84（9）:1555-1559. O V Zalomaeva, N N Trukhan,I D Ivanchikova, et al. EPR study on the mechanism of H[b][sub]2[/sub][/b]O[b][sub]2[/sub][/b]-basedoxidation of alkylphenols over titanium single-site catalysts. J. Mol.Catal. A: Chem., 2007, 277(1-2), 185~192.褚小立. 化学计量学方法与分子光谱分析技术.北京 化学工业出版社. 2011.董学锋,戴连奎,黄承伟等.结合PLS-DA与SVM的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]软测量方法

[align=center][b]基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的2,3,5-三甲基氢醌干燥失重的建模研究[/b][/align][align=left][b]中文摘要：目的[/b]在传统的真空干燥过程中，工作人员在不同时间点多次采样，离线分析产品干燥失重，从而了解产品的干燥状态。干燥不足难以清除产品中水分与有机溶剂，需要重新抽真空延长干燥时间，期间就增加了产品暴露于空气中的时间，造成产品的氧化损失。过度干燥无疑又会浪费能源。传统方法费时费力，并且损失产品，因此研究简便快速的干燥失重分析测试与监控方法具有很大应用前景。[b]方法[/b]采用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术结合PLS算法建立TMHQ真空干燥过程水分含量的监控模型，考察多种预处理方法与波段选择方法对模型进行优化。[b]结果[/b]建立模型的各项参数为：RMSEC=0.0893,RMSECV=0.0943,RMSEP=0.0798,R[sup]2[/sup]C=0.9713，R[sup]2[/sup]P=0.9832。[b]结论[/b]所建立的方法，模型重复性与预测能力良好，可以满足TMHQ生产中真空干燥过程水分含量快速检测，以判断干燥终点。[/align][align=left][b]关键词：[/b][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析；2,3,5-三甲基氢醌；干燥2, 3, 5-三甲基氢醌(TMHQ)是合成维生素 E的重要中间体，可与异植醇缩合生产维生素 E。TMHQ 在空气中极易被氧化，其主要来源为人工合成以及从石油化工等行业的下脚料中提取。提取方法因工艺复杂、产率较低及产品纯度不高等问题，极大地限制了其应用范围 而人工合成方法因其原料易得、工艺相对简单、转化率高等优点获得了广泛应用。TMHQ干燥终点的确定在合成中起到关键作用。在制药领域，NIRS作为一种重要的PAT工具，已成功用于药物的原辅料评价、关键过程的监测和控制、成品的快速放行和质量监测等各个环节，为保证产品质量、降低生产成本、革新生产过程发挥了重要的作用。[/align][b]1 实验仪器与试剂1.1 仪器[/b] Antaris Ⅱ傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]（美国Thermo Fisher公司），光纤采样附件（美国SabIR）,SHB-III循环水式多用真空泵（郑州长城科工贸有限公司）,BT224S电子分析天平(德国Sartorius公司),ZKXFB-2真空干燥箱（上海树立仪器仪表有限公司）,扁形称量瓶（40×25mm）,圆底烧瓶、布氏漏斗、抽滤瓶。RESULT[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]采集软件，TQAnalyst[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析软件，Matlab数据处理软件。[b]1.2 试剂[/b] TMBQ（安耐吉试剂公司，含量99%），10%钯碳催化剂（国药集团化学试剂有限公司），无水乙醇（天津富宇精细化工），氢气（济南德祥）。[b]2 方法2.1TMHQ样品的制备[/b] 20ml无水乙醇溶解2gTMBQ纯品，加入到100ml两口圆底烧瓶中，加入钯碳催化剂，使用三通连接氢气气囊，封口膜密封连接处，隔膜泵抽尽圆底烧瓶内空气，再通入氢气，重复操作三次。25℃下磁力搅拌反应。反应结束后，旋蒸浓缩至剩余少量液体，蒸馏水洗涤瓶壁上产品，减压过滤后45℃真空干燥12h，称重计算产率。利用钯碳氢气还原2,3,5-三甲基苯醌得到TMHQ，反应完毕，使用硅藻土过滤除去钯碳，旋蒸过滤液得白色粉末及片状固体，依次用适量蒸馏水与石油醚快速洗涤。将湿样品分装于11个称量瓶中，放置在真空干燥箱中干燥。干燥箱保持恒温45℃，每隔0.5h取出装有样品的称量瓶，冷却至室温，称重并采集光谱。每个称量瓶中的样品采集11-13次光谱。[b]2.2TMHQ干燥失重的测定[/b] 根据2,3,5-三甲基氢醌化工行业标准（HG/T4415-2012）规定，测定TMHQ样品的干燥失重，取本品2.0~2.5g，在105℃条件下烘干至重量不再变化，水分平行测定结果应不大于0.20%，取其算数平均值。 干燥失重=（m1-m2）/（m1-m0）*100%，m1为干燥前重量，m2为干燥后重量，m0为瓶重。[b]2.3TMHQ[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的采集[/b] 设置波长范围4000 cm[sup]-1[/sup]-10000cm[sup]-1[/sup]；扫描次数32次；分辨率8 cm[sup]-1[/sup]，使用光纤附件漫反射方式采谱，采集样品前采集背景以消除背景干扰，每个样品重复采集三次光谱。环境温度20℃，湿度60%。[b]2.4样品集划分[/b] 以8个批次为校正集，3个批次为验证集，并根据主成分得分图验证校正集与验证集样品是否分布均匀。[b]2.5异常样本的剔除[/b] 采用主成分分布图和学生残差-杠杆值同时判别异常离群样本，并予以剔除。[b]2.6预处理方法选择[/b] 主要考察一阶导数、二阶导数、MSC、SNV四种预处理方法，并与无预处理的建模结果进行对比，选择出最优预处理方法。[b]2.7特征波段选择[/b] 使用最优预处理方法对原始光谱预处理，消除基线漂移与仪器噪声，考察GA算法、iPLS算法、与人工选择波段三种方法选择特征波段的建模效果。[b]2.8重复性考察[/b] 选择3个验证集样品，每个样品连续采集10次光谱，使用建立好的模型预测每张光谱，并计算出每个样品十次预测值的均值和标准偏差。[img=,18,27]http://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img]是第i个样品的第j张光谱，第i个样品共测定ri个光谱，第i个样品的预测平均值为：[align=center][img=,111,86]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310935_01_1626619_3.png[/img][/align] 复测定的标准偏差为：[align=center][img=,185,83]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310936_01_1626619_3.png[/img][/align] 用c[sup]2[/sup]检验来考察这些重复性标准偏差是否属于同一总体：[align=center] [img=,288,60]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310939_01_1626619_3.png[/img][img=,249,48]http://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img][/align][align=center] [img=,89,55]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310939_02_1626619_3.png[/img][img=,58,48]http://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img][/align][align=center][img=,128,60]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310940_01_1626619_3.png[/img][/align][align=center][img=,196,54]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310940_02_1626619_3.png[/img][/align] z为需要重复测定的样品数，将所得χ[sup]2[/sup]与自由度（z-1）临界值比较，若χ[sup]2[/sup]在临界值以下，则重复测定的所有方差属于同一总体，标准偏差均值σ可以作为近红外测定的标准偏差，近红外分析方法的重复性为z××σ[sub]max[/sub]。如果χ[sup]2[/sup]大于临界值，近红外分析方法的重复性随样品组分浓度不同而不同，这时，近红外分析方法的重复性不大于z××σ[sub]max[/sub]（σ[sub]max[/sub]为σi中的最大值）。[b]3结果3.1样品集划分[/b] 选择8个批次共88个样品为校正集，3个批次共39个样品为验证集。所有样品的主成分分布图如图1。 [img=,552,195]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311015_01_1626619_3.png[/img][align=center]图1 样品第一第二主成分分布图[/align] 其中黑色标记代表校正集样品，红色标记为验证集样品，验证集样品均匀分布于校正集中，表明验证计划分合理，可以用于建立模型。[b]3.2异常样品的判别[/b] 图2为校正集样品学生残差-杠杆值分布图，图为所有样品主成分分布图，图3中椭圆虚线内的范围为95%置信范围。由两图中可见17号样品杠杆值非常高，并且超出主成分95%置信范围，判断其为异常点，予以剔除。[img=,40,30]http://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img] [b][img=,690,235]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310946_01_1626619_3.png[/img][/b][align=center]图2 学生残差-杠杆值分布图[/align][img=,41,24]http://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img] [b][img=,690,235]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310947_01_1626619_3.png[/img][/b][align=center]图3 95%置信范围主成分分布图[/align][b]3.3预处理方法考察[/b] 图4为所有样品原始光谱，由于对固体样品采用光纤漫反射的采谱方式，固体颗粒对光的散射作用导致基线漂移严重。分别采用一阶导数、二阶导数、MSC、SNV四种方法对原始光谱预处理，谱图如图5。经过预处理后基线漂移都得到很好的改善，并且有吸收差异的特征波段凸现出来，为波段选择提供了参考。经过导数处理的光谱基线更加平坦，出现的尖峰表示原始光谱中相互重叠多重峰在求导后已明显分离。表1为使用以上预处理方法建立PLS模型后的评价参数汇总。[align=center][img=,397,182]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311031_01_1626619_3.png[/img][/align][align=center]图4 原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]图[/align] [align=center] [img=,690,416]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310949_01_1626619_3.png[/img]a[img=,690,416]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310949_02_1626619_3.png[/img]b[/align][align=center] [img=,690,416]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310951_01_1626619_3.png[/img]c [img=,690,416]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310951_02_1626619_3.png[/img]d[/align][align=center]图5 经过预处理后的光谱图（自上到下为abcd，a为一阶导数处理，b为二阶导数处理，c为MSC处理，d为SNV处理）[/align][align=center]表1 不同预处理方法建模结果[/align][align=center] [img=,394,136]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310953_01_1626619_3.png[/img][/align] MSC、SNV只是处理谱图数据，而没有考虑浓度阵，因此有可能损失有价值信息，或者对噪声去除不完全。经过求导预处理的的模型评价参数比MSC与SNV要好，其中一阶导数与二阶导数建模效果相差不大，但是一阶导数预处理的RMSEP值最小，预示模型预测值与真实值偏差最小，模型预测能力较强，因此以一阶导数为最佳预处理方法。[b]3.4特征波段的选择3.4.1iPLS方法选择结果[/b] 使用FordwardiPLS方法，最大主成分数设定为20，分别考察以50、100、200个变量为基础的建模效果。红色虚线是全波段建模的RMSECV，红色与绿色条带的高度代表以此条带的变量建模所得RMSECV，从图6中可见，绿色条带的RMSECV值最小，因此绿色条带是被选择用于建模的波段，红色条带则表示不被选择的区域。表2为不同变量基础的模型参数。变量基础为50，所选波段区间为5542 cm[sup]-1[/sup]-5731cm[sup]-1[/sup]，变量基础为100，所选波段区间为7085cm[sup]-1[/sup]-7467cm[sup]-1[/sup]，变量基础为200，所选波段区间为5542 cm[sup]-1[/sup]-6309cm[sup]-1[/sup]。[align=center][img=,690,316]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310954_01_1626619_3.png[/img][/align][align=center]图6 iPLS算法选择变量结果图（变量基础50）[/align][align=center]表2各变量基础的模型参数[/align][align=center] [img=,575,94]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310955_01_1626619_3.png[/img][/align][b]3.4.2 GA算法选择结果[/b] GA算法以遗传理论与自然选择为理论基础，对于一个光谱矩阵，随机产生一部分子集，计算每个自己的RMSECV，将RMSECV值高的子集舍弃，利用余下的子集繁衍并允许一定的变异率，迭代计算直至达到最低的RMSECV。[align=center] [img=,573,360]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311032_01_1626619_3.png[/img][/align][align=center]图7 GA算法运行结果图[/align] 图7为GA算法运行结果，变异率0.01%，交叉率50%，运行次数100次，重复运行3遍。b图中绿色折线表示最优适应性变化线，蓝色折线代表平均适应性变化线，两折线随迭代次数的增加逐渐相聚，在第21代时交汇，此时选择的变量为最优变量。c图表示变量数目随遗传代数的变化趋势，优势变量在遗传中将被多次采用，而与回归分析无关的变量在遗传筛选中被淘汰，变量总数较最初有所精简。d图表示在第21代时，每个个体平均选择的变量的数量。 图8中使用红色代表高RMSECV，蓝色代表低RMSECV，部分波段只有红色条带而没有蓝色条带，表示这一波段因RMSECV较高而没有被选择，例如图中a区域；图中蓝色条带部分例如b区域RMSECV值较低，在多次遗传迭代中被多次采用，表明这一波段包含较多有效信息。GA算法选出4003.85cm[sup]-1[/sup]-4077.07cm[sup]-1[/sup]，4312.13cm[sup]-1[/sup]-4385.35cm[sup]-1[/sup]，4543.34cm[sup]-1[/sup]-4616.56cm[sup]-1[/sup]，5391.11cm[sup]-1[/sup]-5464.33cm[sup]-1[/sup]，7472.00cm[sup]-1[/sup]-7545.22cm[sup]-1[/sup]，8319.77cm[sup]-1[/sup]-8392.99cm[sup]-1[/sup]，9784.10cm[sup]-1[/sup]-9857.32cm[sup]-1[/sup]7个波段共14个变量，在平均光谱图9中为红色标出部分。[align=center][img=,589,256]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311028_01_1626619_3.png[/img][/align][align=center]图8 GA算法运行结果图[/align][align=center][img=,690,316]http://ng1.17img.cn/bbsfiles/images/2017/08/201708310959_02_1626619_3.png[/img][/align][align=center]图9 GA算法选出的波段区间[/align][b]3.4.3人工选择结果[/b] 算法选择波段更倾向于数学意义，以参数值判断最优区间，对于目标物质的化学意义关注不够，虽然计算准确，但是缺乏灵活性，波段选择略显盲目。因此参考算法选择结果与水的近红外特征吸收人工选择特征波段。[align=center][img=,23,44]http://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img][img=,489,201]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311033_01_1626619_3.png[/img][/align][align=center]图10 人工选择变量[/align] 经过基线校正后，原始光谱与一阶导数预处理光谱在4966cm[sup]-1[/sup]-5317cm[sup]-1[/sup]，5646cm[sup]-1[/sup]-6000cm[sup]-1[/sup]，6787cm[sup]-1[/sup]-7195cm[sup]-1[/sup]吸收差异明显，在图10中为红色方框标注。上述使用iPLS与GA算法选择出的部分波段与这些波段也有交集，两种算法在5000[sup]-1[/sup]-6000[sup]-1[/sup]范围内均有选出波段。通常水的O-H伸缩振动一级倍频吸收在7000cm[sup]-1[/sup]左右，弯曲振动与伸缩振动的组合频在5155cm[sup]-1[/sup]左右，此三处波段与水的特征吸收波段极为相近。以这三个波段单独或组合建模结果如表3，通过对比可见，5646cm[sup]-1[/sup]-6000cm[sup]-1[/sup]与6787cm[sup]-1[/sup]-7195cm[sup]-1[/sup]两个波段组合建模的结果最好。[align=center]表3 人工选择波段模型评价参数[/align][align=center] [img=,572,243]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311003_01_1626619_3.png[/img][/align][b]3.5最终模型[/b] 对比几种方法的评价参数发现，通过人工选择的方法选择变量所建模型的RMSEC、RMSECV最低，R[sup]2[/sup]C最高，说明模型内部预测能力高；而通过iPLS方法选择变量所建模型的RMSEP最低，R[sup]2[/sup]p最高，说明模型对未知样品预测能力强。因此本实验iPLS方法确定的变量建立最终模型。最优模型预测值与HPLC参比值线性关系如图11，。[align=center]表4 不同波段选择方法模型参数对比[/align][align=center] [img=,579,100]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311004_01_1626619_3.png[/img][/align][align=center][img=,690,281]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311005_01_1626619_3.png[/img][/align][align=center]图11 最优模型NIR预测值与HPLC参考值对比图[/align][b]3.6重复性考察[/b] 采集3个验证集样品光谱，对TMBQ含量模型进行重复性测试，每样品采集10次光谱。预测结果见表5。[align=center]表5 重复性考察结果[/align][align=center][img=,573,324]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311006_01_1626619_3.png[/img][/align] 自由度为2时，χ[sup]2[/sup]临界值为5.99。实际χ[sup]2[/sup]小于临界值，[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析方法重复性为，可以满足分析应用。[b]3.7模型预测[/b] 通过主成分分析对数据降维，前三个主成分解释了光谱的94.17%的变异，其中第一主成分（PC1）占83.83%，第二主成分（PC2）占7.38%，第三主成分（PC3）占2.96%。PC1能够解释光谱83.83%的变异，解释了大部分光谱信息，其得分随采样时间点的变化可以代表总体样本的变化趋势，如图11。[align=center][img=,460,253]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311007_01_1626619_3.png[/img][/align][align=center]图12 验证集第一主成分得分值变化[/align] 比较验证集样品的参考值与预测值，能够更加清晰观察模型的预测能力，如图12所示，真空干燥过程中，水分含量的参考值与测定值变化趋势一致，数值相差不大，无明显差别，表明模型预测能力良好。 三批次验证集样品6h干燥失重均小于标准规定的0.2%，表明真空干燥6h已达到干燥终点，图13中6h处，水分含量趋近于0，并且曲线不再变化，这与近红外预测值一致。[align=center] [img=,571,365]http://ng1.17img.cn/bbsfiles/images/2017/08/201708311008_01_1626619_3.png[/img][/align][align=center]图13 验证集TMHQ样品水分含量预测结果[/align] 本实验采用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术结合PLS算法建立TMHQ真空干燥过程水分含量的监控模型，考察多种预处理方法与波段选择方法对模型进行优化。经考察，模型重复性与预测能力良好，可以满足TMHQ生产中真空干燥过程水分含量快速检测，以判断干燥终点。[b]参考文献[/b]杨礼义, 钱东, 张茂昆. 双金属催化剂催化合成三甲基氢醌工艺研究. 石化技术与应用, 2000,18(2): 68-69.[b][/b] Meng X J, Sun Z H, Lin S, etal. Catalytic hydroxylationof 2, 3, 6-trimethylphenol with hydrogen peroxide over copper hydroxyphosphate(Cu2(OH)PO4). Appl Catal A-Gen,. 2002,236(1): 17.[b][/b]钱东,唐成国,杨礼义等, 2,3,5-三甲基氢醌的合成及其质量的影响因素. 化学试剂, 2001, 23（5）, 265~266.[b][/b]杨国红，张玉珍，张茹英。RP—HPLC测定三甲基氢醌的含量. 天然气化工, 2006，31(4): 63-65.[b][/b] WORKMAN等著. [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]解析实用指南. 褚小立译. 北京 化学工业出版社，2009.[b][/b] Marcelo Blanco a[i],[/i] Miguel Castillo a, RafaelBeneyto. Study of reaction processes by in-line near-infrared spectroscopy incombination with multivariate curve resolution Esterification of myristic acidwith isopropanol. Talanta 2007.72(2), 519-525.[b] [/b]

[color=#444444]第一次测的红外光谱图，帮忙看下这两个光谱是否含有偶氮结构或者蒽醌结构，谢谢[/color][color=#444444][img=,499,408]https://ng1.17img.cn/bbsfiles/images/2019/09/201909031401119444_5108_1801607_3.png!w499x408.jpg[/img][img=,524,398]https://ng1.17img.cn/bbsfiles/images/2019/09/201909031401121134_1565_1801607_3.png!w524x398.jpg[/img][/color]

作者：崔岚;安富荣;夏玲红;（上海交通大学医学院附属仁济医院药剂科;上海交通大学医学院附属仁济医院药剂科 上海;）摘要：目的建立同时测定舒肝祛脂胶囊中4种大黄蒽醌类成分大黄酸、大黄素、大黄酚和大黄素甲醚含量的高效液相色谱方法。方法采用反相高效液相色谱法,Diamonsil C18色谱柱(5μm,4.6mm×150mm),流动相:甲醇-0.1%磷酸溶液(77∶23),检测波长:254nm,柱温:30℃,流速:1.0mL/min,进样量20μL。结果线性范围分别为:大黄酸0.0832～2.08μg/mL、大黄素0.1008～2.52μg/mL、大黄酚0.2912～7.28μg/mL和大黄素甲醚0.088～2.20μg/mL。平均加样回收率分别为:大黄酸97.3%、大黄素96.9%、大黄酚96.5%和大黄素甲醚95.9%。结论本方法灵敏,重现性好,适合于舒肝祛脂胶囊中这4种蒽醌含量的分析。谱图：http://ng1.17img.cn/bbsfiles/images/2012/08/201208131433_383501_1606903_3.jpg