NIRS在炉甘石及其炮制品质量控制中的应用研究

发布时间：2020-03-20 02:34

【摘要】：目的:利用主成分判别分析和聚类分析建立炉甘石生品、伪品及炮制品的近红外光谱鉴别模型。探索采用MIV优化的BP-ANN算法建立炉甘石所含ZnO含量的NIR快速测定模型。采用PLS算法建立煅炉甘石中氧化锌含量的近红外光谱快速测定模型,并探索炉甘石在煅制过程中终点判断的方法。实现对炉甘石、煅炉甘石的质量控制和对炉甘石煅烧过程的在线监控。方法:(1)采集炉甘石生品、伪品和炮制品的近红外图谱,每类样品随机划分为训练集和测试集。筛选光谱预处理方法及建模谱段,分别建立主成分判别分析模型及聚类分析模型。(2)采集炉甘石样品的NIR光谱图,用FD法对光谱作预处理。以EDTA滴定法测得的炉甘石中氧化锌含量为参考值。采用K-S算法将样品划分为校正集和测试集。首先,对训练集样品,采用相关系数的平方(r~2)-波数(σ)图初步筛选特征谱段,利用BP-ANN算法建立初步的炉甘石中氧化锌定量分析模型。再采用MIV算法对特征谱段再次优化。然后,以内部交叉验证和外部验证对BP-ANN的隐含层节点数进行筛选。最后,得到测定炉甘石氧化锌含量的BP-ANN模型。(3)取8批不同大小、质地的水锌矿来源的炉甘石样品,在不同的温度下煅烧。煅烧过程中测定ZnO含量、采集XRD图谱及近红外光谱,并对它们的变化规律进行分析。采用PLS算法建立煅炉甘石中ZnO含量的近红外光谱测定模型。另外,对样品的XRD图谱变化规律进行总结,采用“K值”定量方法定义特征T值,当T值等于1时,炉甘石即煅烧完全。将样品的XRD特征T值与近红外光谱进行匹配,采用PLS算法建立预测T值的近红外分析模型。结果:(1)光谱经一阶导数预处理,主成分判别分析模型的特征谱段为4 800~4 000 cm~(-1),聚类模型的特征谱段为7 300~7 000,4 800~4 000cm~(-1)。在主成分判别分析模型中,模型的预测准确率为94.34%;在聚类分析模型中,模型的预测准确率为96.23%。(2)所得到的测定炉甘石氧化锌含量的BP-ANN模型测定氧化锌含量范围为42.05~69.98%,在内部交叉验证中RMSECV为1.66%,R~2为95.75%,在外部验证中RMSEP为1.98%,R~2为97.94%,RPD为6.11。(3)煅炉甘石氧化锌含量测定模型,其测定范围为41.13~93.43%;训练集样品的内部交叉验证RMSECV为2.81%,验证集样品验证结果的R~2值为94.93%、RMSEV值为3.09%,RPD值为4.52;预测集样品预测结果的R~2值为97.75%、RMSEP值为1.89%,RPD值为6.44。T值的近红外光谱测定模型,内部交叉验证RMSECV为0.0721%,R~2为96.01%,RPD为5.01;在外部验证中,RMSEP为0.0829%,R~2为94.95%,RPD为4.64。由于模型对T值的预测准确率并不都是刚好100%,综合考虑模型对T等于1时预测值的平均相对偏差及实验中的误差,本研究规定当T值在1.00±5%时即可判断炉甘石煅烧完全。结论:经内部交叉验证和外部验证,建立的炉甘石定性、定量模型效果均良好,具有较强的预测能力。实现了炉甘石生品、伪品和炮制品的快速鉴别,炉甘石生品氧化锌含量的快速测定,煅炉甘石氧化锌含量的快速测定,和煅炉甘石煅烧程度的快速判断。为炉甘石及煅炉甘石的质量控制提供了方便、快捷、环保的方法,也为炉甘石煅烧加工过程提供了在线监控的新方法。
【学位授予单位】：湖北中医药大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R284.1

【相似文献】