基于硝酸钠内标物的山梨酸钾拉曼特征峰强校正

根据硝酸钠自身化学性质较稳定且拉曼特征峰与被测组分山梨酸钾谱峰能完全分离的特点,以硝酸钠为内标物对食品中常用防腐剂山梨酸钾的拉曼光谱进行校正;以质量分数为0.1的硝酸钠在拉曼特征位移1053cm~(-1)处的特征峰作为内标峰,分别计算其与49个样品中相同浓度硝酸钠特征峰强的相对比值,用相对比值分别校正49个样品的山梨酸钾特征峰强,采用一元线性回归分析对山梨酸钾进行定量建模分析。结果表明:校正后,山梨酸钾预测模型校正集和预测集的相关系数显著增大,山梨酸钾在1399cm~(-1)处特征峰强的一元线性回归定量预测模型校正集和预测集相关系数的平方分别为0.9885、0.9865,均方根误差分别为3.0384×10~(-3)、3.7643×10~(-3);基于最佳预测模型对新配制的18个新样品进行预测,预测值和真实值的相关系数的平方为0.9799,均方根误差为4.8702×10~(-3),说明用硝酸钠内标法可以有效减小检测仪器、检测环境以及人为因素对山梨酸钾拉曼峰强的影响,提高被测物预测模型的精度。     

中红外光谱结合向量夹角直接定量三氯蔗糖

多组分复杂体系的红外光谱由于成分多样、谱带严重重叠、背景干扰等导致谱图特征减弱,且体系中的红外光谱往往不是各组分光谱的简单叠加,需要借助于化学计量学技术以实现解析。基于朗伯-比尔定律（Lambert-Beer law）并且随着衰减全反射（ATR）技术取样普及,结合偏最小二乘回归法（PLS）、人工神经网络（artificial neural network, ANN）等化学计量法将数据进行累积、特征提取以及校正建模等工作解决红外光谱中严重重叠和非线性等问题,再采用二次测量定量分析已初步具有应用成效,而有效增强信息量表达,降低背景、噪声干扰,减少复杂的计算过程,进而保证定量分析结果的可靠性,则成为研究的主要方向。通过讨论光通道和背景对光谱强度变化的影响,结合向量角度转换提出一种新的近似线性定量方法。经初步理论计算,发现多组分混合物与该混合物中待测组分的相对含量二者间的向量夹角值存在一定的关系,而该关系并不受批次制样的影响,进一步通过高斯曲线模拟混合信号,充分说明选择合适的波长范围,二者在一定范围内存在线性相关性,相关性不受测量条件变化的影响。采用KBr压片法,向待测样品中逐步加入待测组分得到混合样本,分别得到待测组分光谱与混合样本光谱信号,先将其进行一阶求导,消除加性误差后,再将其转化为空间向量角度,消除批次制样中光程差异,再以百分比定义待测物样品的含量,所得到混合样的夹角值与其中所含参照品含量成简单线性关系,即以计算结果夹角值与含量作标准曲线,实现定量分析。本测量方法用于三氯蔗糖（Sucralose, TGS）与三氯蔗糖-6-乙酸酯（4,1,6-trichloro sucrose-6-acetate, TGS-6-A）二者进行一定比例混合（双组分体系）,以及TGS-6-A的脱酰产物（多组分体系）中的TGS的含量定量分析,在两种体系中定量均得到令人满意的结果,所建立标准曲线的相关系数r均达到0.995 0以上,相对误差均低于8.0%,所建立的分析方法对利用中红外透射光谱分析研究多组分样品具有重要的参考价值。     

拉曼光谱快速跟踪蔗糖水解过程组分含量及动力学研究

多元组分含量的在线定量检测对于大多数过程分析具有重要意义,但是,在多元统计方法中,由于组分光谱相似、叠加会导致多元统计误差增大,在高相似组分体系中尤为突出。基于子空间角度转换的化学计量学方法,求取体系拉曼光谱响应后将光谱降噪平滑,消除差异后求取待测组分的纯光谱的角度值,将待测物样品含量转为百分比,计算角度值与组分含量的线性关系,建立角度方差值与建模样本组分含量值的关系模型,可实现对组分含量的实时跟踪。以蔗糖水解过程为分析对象,以蔗糖含量为分析目标,采集蔗糖、果糖、葡萄糖不同浓度配比下的混合溶液拉曼光谱信号,先进行二阶求导消除加性误差,再经平滑降噪后,将其转化为空间向量角度以消除批次间光谱差异,建立移动窗口,求取系列夹角值的方差D_(xi),由此利用角度转换算法,建立了蔗糖含量和光谱夹角值方差的相关模型,相关系数r可达0.997,验证可得模型相对误差在-3.390%～7.333%,模型预测效果良好。通过拉曼光谱对不同条件下的蔗糖水解过程进行监测,分别计算出反应过程中光谱的系列角度值方差D_b,带入模型得到组分含量,进而求得不同条件下的反应速率r,发现反应速率随相应条件变化而变化,验证了蔗糖水解过程是一级反应,表明采用拉曼光谱结合角度转换法可快速跟踪蔗糖水解过程中组分含量。利用该方法采集的数据计算了26.5℃下蔗糖水解反应速率常数K_1为0.031,同温度下旋光法测定反应速率常数为0.031 5,二者相接近;利用该方法计算40℃下反应速率常数K_2为0.197 8,带入阿伦尼乌斯方程得到活化能E_a=107.1 kJ·mol~(-1),与文献值相符。表明光谱分析与角度值转换的化学计量学方法相结合可用于蔗糖水解过程动力学研究,为多组分定量分析提供一种高效快捷的方法。     

基于拉曼光谱解析的对二甲苯装置吸附塔循环液成分分析

采用拉曼光谱分析法实现PX(对二甲苯)装置中吸附塔循环液快速、准确的在线分析。由于循环液中各组分的拉曼谱峰相互重叠,且各组分的含量变化范围很大,需要收集大量的训练样本。为此,提出了基于拉曼光谱解析的循环液成分分析方法。首先,要获得循环液所含各组分纯物质的拉曼光谱,以及少量训练样本的拉曼光谱,对这些拉曼光谱进行基线扣除和均值归一化;其次,选取特征波段680～880 cm-1,对每一个训练样本预处理后的拉曼光谱在特征波段进行光谱分解,得到该训练样本中各组分的分解系数;然后,基于全部训练样本各组分的分解系数与对应的浓度数据,建立分解系数与浓度之间的定量分析模型。而对于某一测试样本,先获取其拉曼光谱,进行上述相同的光谱预处理,并在相同的特征波段基于纯组分的拉曼光谱对其进行谱分解,以获得该样本的光谱分解系数;再根据得到的分解系数和上述定量分析的模型,预测出该测试样本中各组分的含量。实验结果表明,一方面,由各纯组分混合得到的训练样本的拉曼光谱可以较精确地分解成各组分的拉曼光谱的线性加权和;另一方面,基于拉曼光谱分解系数建立的定量分析模型可以准确地预测出循环液中各组分的含量,对测试样本中甲苯、乙苯、对二甲苯、间二甲苯、邻二甲苯和对二乙基苯含量的标准预测误差分别为0.301%,0.088%,0.563%,0.384%,0.366%和0.536%。为PX装置中吸附塔循环液的在线分析提供了改进方法。     

变压器油中溶解糠醛拉曼光谱定量分析方法研究

本文开展了变压器油中溶解糠醛的定量分析研究,基于实验室搭建的拉曼光谱液体检测平台,对不同浓度糠醛含量的变压器油样进行光谱信号检测及预处理,运用主成分分析法对光谱数据进行数据降维并结合支持向量机建立油中溶解糠醛含量拉曼光谱定量分析回归模型,检测下限为0.625mg/L。结果表明,拉曼光谱技术结合支持向量机能有效地对变压器油中溶解糠醛进行定量分析,为实现油中溶解老化特征物的准确、快速检测提供新的手段。     

拉曼光谱结合PSO-LSSVM算法检测三组分食用调和油含量

提出了一种将拉曼光谱和基于粒子群的最小二乘支持向量机(PSO-LSSVM)算法相结合快速定量检测三组分食用调和油含量的方法。以三组分的食用调和油为研究对象,对拉曼光谱分四步进行了预处理,进而准确提取拉曼光谱的特征峰强度。以训练集样本的特征峰强度和调和油样品的百分比含量作为回归预测模型的输入值和输出值,建立LSSVM和PSO-LSSVM数学模型,通过测试集样本的相关系数和均方误差对模型的预测能力进行分析。非线性建模的最小二乘支持向量机(LSSVM)算法的核函数参数σ和正则化参数γ对模型的学习和泛化能力影响很大,导致模型的预测精度和泛化能力过度依赖于参数--在优化步长过小时耗时较长,过大时又无法得到全局最优值。提出的PSO-LSSVM算法,利用粒子群全局优化能力和收敛速度快的特点对LSSVM的模型参数σ和γ进行优化,从而克服LSSVM算法中耗时与盲目性的问题。分析结果表明,PSO-LSSVM算法对三组分食用调和油中大豆油、花生油和葵花仁油定量预测模型的测试集相关系数分别为0.967 7,0.997 2,0.995 3;均方误差分别为0.054 9,0.009 2,0.047 1。与LSSVM算法相比,PSO-LSSVM模型的预测精度更高。因此,该方法可以快速、准确地检测三组分食用调和油的含量。     

基于底物内标的蜂蜜中硝基呋喃妥因拉曼信号校正方法

针对表面增强拉曼光谱信号重复性欠佳的问题,利用实验室自行搭建的拉曼点检测系统,以蜂蜜中硝基呋喃妥因兽药为检测对象,探讨了基于蜂蜜固有内标的硝基呋喃妥因表面增强拉曼峰强校正方法。首先通过含不同浓度硝基呋喃妥因蜂蜜样品及硝基呋喃妥因标准品的拉曼光谱对比分析,确定739 cm-1处蜂蜜拉曼特征位移作为底物蜂蜜的内标峰,用比值法校正硝基呋喃妥因1 353和1 612 cm-1处拉曼特征峰强用于蜂蜜中硝基呋喃妥因定量分析。相同条件下分别采集了浓度为20 mg·kg-1的硝基呋喃妥因蜂蜜样品表面增强拉曼光谱30次,1 353和1 612 cm-1处硝基呋喃妥因特征峰强相对标准偏差（RSD）分别为11.515 6%和11.162 5%,利用739 cm-1处蜂蜜拉曼特征峰强作为内标分别校正1 353和1 612 cm-1处硝基呋喃妥因拉曼特征峰强后相对标准偏差分别降为4.852 6%和4.733 2%,显著提升了表面增强拉曼特征峰强的重复性和稳定性。因为仪器系统误差及表面增强过程中不可控因素引起的人为误差等对样品表面增强光谱中739 cm-1处蜂蜜特征峰强和1 353和1 612 cm-1处硝基呋喃妥因特征峰强的影响是完全相同的,所以通过内标比值法可以有效消除和减少拉曼信号稳定性和重复性差的问题。最后采集硝基呋喃妥因浓度范围为0.4~20 mg·kg-1的69个蜂蜜样品,基于硝基呋喃妥因1 353和1 612 cm-1处拉曼特征峰强和蜂蜜739 cm-1处拉曼特征峰强比值,分别建立了一元线性回归预测模型和多元线性回归模型,其中基于蜂蜜739 cm-1处内标校正硝基呋喃妥因1 612 cm-1处拉曼特征峰强的一元线性回归模型效果最佳,与校正前相比具有更高的精度和预测能力。该模型校正集决定系数（R2_C）和验证集决定系数（R2_Ｖ）分别为0.971 2和0.969 6,校正集均方根误差（RMSEC）和验证集均方根误差（RMSEP） 分别为1.115 1和1.242 2,相对分析误差（RPD）为4.306 0。结果表明,被测底物本身持有固有内标的样品可无需加入额外的内标物,简单用内标比值法可以有效消除仪器的系统误差以及表面增强剂与样品的混合时间等对拉曼信号强度的影响,显著提高了拉曼特征信号的重复性和稳定性,为表面增强拉曼光谱定量分析提供了技术参考。     

蜂蜜中乐果农药残留的表面增强拉曼光谱定量分析

应用表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)技术,结合线性回归算法,开展蜂蜜乐果中农药残留快速定量分析方法研究。含乐果农药残留的益母草蜂蜜样品30个作为被测对象,划分成建模集(20个)和预测集(10个)。采用具有规则倒四角锥体结构的Klarite基底作为增强基底,提高特征拉曼位移峰的相对强度。通过含乐果农药残留蜂蜜样品的SERS光谱与乐果标准品的常规拉曼光谱间的对比分析,找到了蜂蜜中乐果农药残留对应的四个特征拉曼位移峰867,1 065,1 317和1 453 cm-1。采用线性回归方法,建立了蜂蜜中乐果农药残留对应的四个特征拉曼位移峰强与乐果浓度间的线性回归模型。10个未参与建模的预测集样品,评价了模型的预测能力。经比较,采用867 cm-1处特征拉曼位移峰强建立的线性回归模型预测结果最优,模型预测相关系数为0.984,预测均方根误差为0.663 ppm。检测限达到2 ppm,接近我国农药残留最大限量标准的检测限。实验结果表明采用表面增强拉曼光谱技术结合线性回归算法实现蜂蜜中乐果农药残留的快速定量分析是可行的。可为其他农产品的农药残留快速定量分析提供参考依据。     

橡胶添加剂瓦斯炭黑的太赫兹光谱定量研究

瓦斯炭黑是橡胶中重要的添加剂之一,其含量对橡胶性能有重要的影响。丁腈橡胶是工业生产中应用比较广泛的合成橡胶,研究丁腈橡胶中瓦斯炭黑的含量具有重要意义。利用太赫兹时域光谱技术,对八种不同含量瓦斯炭黑与丁腈橡胶组成的混合物样本中的瓦斯炭黑含量进行测试,获取了混合物样本在0.3~1.4 THz频段的吸收光谱数据。分别利用偏最小二乘(PLS)和支持向量回归(SVR)建立混合物中瓦斯炭黑的定量分析模型,使用均匀梯度法来选择模型的校正集和预测集,获得瓦斯炭黑预测集的相关系数与均方根误差。偏最小二乘模型相关系数与均方根误差分别为0.985 8和2.098 9%,支持向量回归模型相关系数与均方根误差分别为0.998 0和0.785 4%。实验结果表明,支持向量回归定量分析模型的预测结果优于偏最小二乘模型。为进一步证明支持向量回归模型的稳定性,多次使用随机选择法选择它的校正集和预测集,并求得其相关系数与均方根误差。结果表明,无论是利用均匀梯度法还是随机选择法对支持向量回归定量分析模型的校正集和预测集进行选择,求得的相关系数和均方根误差均优于偏最小二乘模型。     

基于银溶胶表面增强拉曼光谱对菠菜毒死蜱农药的快速检测

利用表面增强拉曼光谱(SERS)技术,建立了一种用于菠菜中毒死蜱农药残留的非破坏、快速检测方法。以碱性环境下盐酸羟胺还原法制备的银溶胶作为表面增强剂滴涂于菠菜样品表面后,采用实验室自行搭建的拉曼系统直接采集样品的拉曼信息,该方法无需对样品进行前处理,可以实现菠菜中毒死蜱含量的实时在线定量分析。采集24片不同毒死蜱含量的菠菜样品拉曼光谱,每个样品采集20个点。拉曼信号采集后,用气相色谱法对24个菠菜样品中毒死蜱含量进行检测。为了消除光谱噪音以及荧光背景对分析建模的影响,分别采用Savitzky-Golay平滑和有效峰线性拟合法对原始拉曼光谱进行预处理。该表面增强拉曼方法具有较好的重复性,实验中对50个相同毒死蜱含量,但不同状态的菠菜进行光谱采集,其相对标准偏差为13.4%,说明该方法具有一定的普适性。光谱预处理后,选取615.5~626.4 cm-1波段为感兴趣区域,建立0.05~37.4 mg·kg-1浓度范围内毒死蜱含量的多元线性预测模型,结果表明感兴趣区域的拉曼信号和毒死蜱浓度呈良好的线性关系,其校正集和验证集相关系数R_C和R_P分别为0.961和0.954。该方法的最低检出含量为0.05 mg·kg-1,低于国家标准规定的农药残留最大限量。该方法简单快速,无需样品前处理,可以实现果蔬的农药残留快速、定量检测。