近红外光谱主成分-所有可能回归法定量分析烤烟、小麦样品中的组分含量

利用主成分-所有可能回归法,建立了烤烟、小麦样品不同组份的近红外光谱定量分析模型。结果表明,烤烟样品的总糖、还原糖以及小麦样品的蛋白质含量的预测模型均有好的定量分析结果,且其预测结果与PLS法预测结果相当。     

中心切割式多维气相色谱/质谱系统中中点限流器的改进及其在卷烟烟气中苯并[a]芘检测中的应用

对多维气相色谱的核心部件中点限流器进行了改进,用一段0.25mm i.d.毛细管柱取代石墨限流管,Y形玻璃压合连接器取代两孔石墨垫,显著提高了一维色谱保留时间的稳定性,保证了中心切割范围的准确性,且消除了石墨对苯并[a]芘的吸附残留。同时,将本系统应用于卷烟烟气中苯并[a]芘的检测。采用剑桥滤片捕集烟气粒相物,环己烷萃取,以氘代苯并[a]芘为内标,直接用中心切割式多维气相色谱/质谱(MDGC/MS)法测定。该法线性关系良好,其线性范围为1.47～29.4μg/L(r2=0.999 9);重复性好,测得实际样品中苯并[a]芘含量的相对标准偏差(RSD)为1.94%;回收率为90.74%～101.86%;检出限和定量限分别为0.31ng/支及1.03ng/支,可以满足检测要求。应用本系统对2R4F参比卷烟烟气中苯并[a]芘进行了检测,结果与文献报道值基本一致。     

高分辨质谱技术研究DART离子化条件下的背景离子及潜在应用

运用高分辨质谱技术对实时直接分析(DART)离子化条件下的多种背景离子进行研究和表征,追溯了这些信号可能的来源。研究表明:背景离子主要在阳离子条件下产生,且主要来自实验室环境中微量的增塑剂和聚二甲基硅氧烷,其中聚二甲基硅氧烷可能来自泵油挥发。了解和掌握这些背景离子有助于利用DART技术开展研究和测试方面的工作:(1)这些背景信号较弱,在DART的样品分析时不会产生显著干扰。可在不额外加入内标化合物的情况下,考察高分辨质谱质量轴的稳定性和准确度。(2)了解这些背景离子有助于DART质谱分析复杂体系时避免误判。     

拉曼光谱结合偏最小二乘同时测定烟草中叶黄素和β-胡萝卜素含量

色素是烟草中的重要组成成分，烟草的外观质量和内在品质都与色素相关。色素主要分为绿色素、黄色素和黑色素。在生长期，烟草中的绿色素主要是叶绿素，成熟期的烟草中黄色素则主要为叶黄素和胡萝卜素，黑色素则存在于成熟的烟叶中，或在调制和发酵的过程中产生。色素的检测对于烟草原料评价和成品质量都非常重要。鉴于烟草色素基于液相色谱的传统检测方法耗时较长、样品制备过程复杂，以及拉曼光谱操作简单、测定时间短、能提供有关分子官能团信息的特点，开发了一种应用拉曼光谱同时定量检测烟草中叶黄素和β-胡萝卜素的快检方法。烟草样品的有机溶剂提取物，密封在透明玻璃瓶中，将激光聚焦于瓶内溶液样品直接测定拉曼光谱。研究发现，不同于常见的514和785 nm激发波长，在短波455 nm激光作用下，可获得更理想的拉曼信号，光谱强度较高，荧光干扰较低。对色素萃取溶剂、焦平面与光学平台间的距离等实验条件进行了优化。考虑到不同检测日期仪器操作条件的变化可对拉曼光谱产生影响，以溶剂峰为内标峰，对光谱进行归一化处理，以校正因测定条件不稳定而引起的物理干扰。为了解决荧光干扰，以及色素分子之间的拉曼光谱干扰问题，采用偏最小二乘法（PLS）建立光谱分析的多元校正模型。建模中对波长区域以及光谱预处理方法进行了优化。研究结果表明，光谱归一化处理显著降低了因物理因素产生的光谱干扰，光谱求导运算对建模影响不大，而波长选择能明显改善模型的预测能力。利用798.2～1 752.8 cm-1波段建立叶黄素的PLS定量模型时，预测效果最佳，预测集的均方根误差（RMSEP）为6.68 μg·g-1；对于β-胡萝卜素，798.2～1 752.8 cm-1组合2 254.2～2 784.5 cm-1用来建模时得到的RMSEP最小，为2.56 μg·g-1。该方法操作简便、耗时少、结果准确可靠，为烟草样本中色素的定量分析提供了一种切实有效的新途径。     

卷烟主流烟气粒相物中中性化学成分的全二维气相色谱飞行时间质谱(GC×GC-TOF MS)谱图特征识别

建立了全二维气相色谱-飞行时间质谱(GC×GC-TOF MS)分析卷烟主流烟气中中性化学成分的方法。以较长的弱极性柱HP-5MS(50 m×0.2 mm i.d.×0.33μm)作为第一维柱,较短的薄液膜中等极性柱DB-17MS(1.7 m×0.1 mm i.d.×0.1μm)作为第二维柱,对优质烟叶单料卷烟烟气的中性成分进行定性分析,经过人工纠错等分析初步鉴定出匹配度大于700的1 464种成分,重点讨论了中性香味羰基化合物全二维点阵的谱图特征,为烟气和复杂体系的深入研究提供了方法学基础。     

中红外和近红外数据融合的香型风格判别

烤烟香型的判别一直是烟草行业的关注焦点。利用中红外和近红外光谱对189份不同香型的烟叶进行分析。分别从中红外谱图数据中提取21个特征波数处以及近红外谱图数据中13个特征波数处的吸光值作为影响因素。通过主成分分析方法分别对选取的中红外、近红外数据进行烟叶清香型、中间香型和浓香型三种香型风格的定性分析。结果表明基于中红外和近红外数据PCA投影图中三种香型混淆严重,区分界面不清晰。随后,将中红外、近红外数据进行融合,将提取的34个特征波数处的吸光值同时代入主成分分析, 得到基于中红外和近红外融合数据的PCA投影图。该投影图可以将不同香型的烟叶明显地区分出来。随后利用后退法和遗传算法对中红外和近红外融合后的34个吸光度值进行变量选择,后退法选择出了24个变量,遗传算法选择出了19个变量。对比34,24和19个变量的烟叶三种香型风格的主成分投影图,遗传算法虽然选择了比较少的变量,但其仍然可以将烟叶进行准确的分类。利用遗传算法对中红外和近红外融合后数据进行变量选择,剔除对烟叶香型分类影响小的因素。最后,利用支持向量机建立烟叶清香型、中间香型和浓香型分类判别模型。该模型的建模结果准确率为92.72%,其中清香型、中间香型和浓香型的准确率分别为93.75%,92.11%和91.84%。内部交叉验证留一法结果准确率为88.74%,其中清香型、中间香型和浓香型的准确率分别为90.63%,86.84%和87.76%。对未知样本预报结果的准确率为86.84%,其中清香型、中间香型和浓香型的准确率分别为88.24%,85.71%和85.71%。无论是建模结果、留一法结果和预报结果其准确率都大于85%。研究结果表明中红外和近红外数据融合可以提供更多的特征信息,利用这些信息可以建立烟叶香型风格的分类判别模型,为烟叶香型风格快速鉴别提供帮助。