基于FTIR的芝麻油真伪鉴别和掺伪定量分析模型

把低价油掺入到高价油是食用油脂中的常见掺伪现象,芝麻油由于品质好价格高,市场上时有假冒伪劣产品,因此应用FTIR并结合化学计量学,建立了芝麻油的真伪和掺伪的快速分析方法。首先分析了芝麻油与大豆油、葵花籽油在4 000～650 cm-1范围的FTIR谱图,由于食用植物油都是不同脂肪酸甘油三酯的混合物,其谱图极为相似,很难发现芝麻油与其他油脂的明显差异。但是不同食用油的脂肪酸组成不同,其1 800～650 cm-1红外指纹特征区也有所不同,因此可以选择该区域,对红外光谱数据用化学计量学方法进行分类识别。通过建立主成分分析(PCA)和簇类独立软模式识别(SIMCA)模型,进行了芝麻油的真伪鉴别,该模型聚类效果较为理想,识别正确率达到了100％;采用标准正态化校正(SNV)和偏最小二乘法(PLS),经过PCA分析计算,芝麻油中掺入大豆油、葵花籽油的掺伪检测限均为10%;利用FTIR和PLS,建立了芝麻油掺的定量分析模型,该模型预测值与实际值有着良好的对应关系,预测相对误差为-6.87％～8.07％之间,说明定量模型可行。本方法能够实现芝麻油的快速真伪鉴别和掺伪定量分析,其优点是模型一旦建立,分析简便、快速,可以满足大量样品的日常监测。     

基于近红外光谱法的多组分复杂溢油源定量建模分析

研究利用近红外光谱分析方法进行模拟复杂混合溢油源的定量分析问题。选取汽油、柴油、煤油三种轻质石油类产品,按照不同浓度比例配置成40个模拟混合溢油样本,利用傅里叶变换近红外光谱仪采集其在4 000～12 000 cm-1谱区范围内的近红外光谱;采用不同预处理方法,利用偏最小二乘算法建立混合溢油样本三组分各自的浓度定量模型。汽油、柴油和煤油的最优预处理方法均为二阶导数方法,分别在8 501.3～7 999.8 cm-1,6 102.1～4 597.8 cm-1,6 549.5～4 597.8 cm-1,7 999.8～7 498.4 cm-1和6 102.1～4 597.8 cm-1谱区范围内,预测模型的决定系数R2分别为0.998 2,0.990 2和0.993 6;RMSEP值分别为0.474 7,0.936 1和1.013 1;RPD值分别为25.126 9,10.517 3和13.072 0。实验结果表明：利用近红外光谱分析技术结合化学计量学方法能够定量确定模拟混合溢油样本中各组分的浓度,为海洋复杂溢油源的定量检测与分析提供有效手段。     

发展快速简单的植物油不皂化物提取方法

通过(1)超声加热法替代目前的回流加热法,提高皂化反应速度将皂化时间从现有的约1h缩短至10min;(2)设计并研制专用SPE小柱,一次性快速去除不皂化物溶液中残余的水和皂,同时将多次提取改为一次提取,使得不皂化物提取时间从约30min缩短至5min。采用新建方法获取的五种芝麻油、五种玉米油不皂化物红外光谱显示两种植物油不皂化红外谱图存在很大差异,而这两种植物油红外光谱几乎完全相同。因此可以预测在植物油红外光谱数据的基础上添加经分离、富集获取的植物油不皂化物红外光谱数据,有望大大提高鉴定/筛查掺伪植物油模型的敏感性和特异性,新建的方法将为红外光谱结合化学计量学方法全面分析植物油中各类物质,从而构建高敏感性高特异性的植物油鉴定/掺假植物油筛查模型奠定基础。     

基于自加权交替三线性分解的荧光检测油类污染物

设计水中油类污染物检测仪,采用脉冲氙灯作为光源,选择阶跃型多模纯石英光纤对激发光和发射光进行传输。采用非对称Czemy-Turner光路的高精度光栅单色器。应用该装置测定柴油、汽油和煤油的荧光光谱,0#柴油、97#汽油和煤油的最佳激发波长/发射波长分别为：290/330,270/300和280/330 nm。检出限：柴油(0.025 mg·L-1)、汽油(0.042 mg·L-1)和煤油(0.054 mg·L-1)。相对误差：柴油(2.55%),汽油(2.06%)和煤油(1.71%),实验表明所设计的检测仪具有较高的测量精度。配置不同浓度的柴油、汽油和煤油的混合溶液,测量其三维荧光光谱,采用自加权交替三线性分解算法对光谱数据进行分解,预测浓度及回收率均表明自加权交替三线性分解算法对混合油类物质有较高的分辨能力。     

微含量石油类污染物三维荧光光谱及平行因子解析

为解决微含量石油类污染物识别问题,采用三维荧光光谱(EEMs)与平行因子(PARAFAC)相结合的技术,研究了石油类样品荧光组分特征及平行因子组分识别方法。依据水体中石油类含量的标准规定,配制出与Ⅰ—Ⅴ类水体对应的CCL₄含油样品,用来模拟油类污染物成分。首先对97#汽油、0#柴油、普通煤油及CCL₄溶剂进行三维荧光光谱扫描,得到纯组分样品的三维荧光光谱图,其次对97#汽油、0#柴油及普通煤油的标准样品进行三维荧光光谱图测定,最后对97#汽油、0#柴油、普通煤油在CCL₄溶剂中的混合样品进行三维荧光光谱图测定。在掌握上述不同组分样品的三维荧光光谱特性的基础上,重点分析微含量下97#汽油、0#柴油及煤油混合液的三维荧光光谱,应用平行因子方法解析出样品中三种组分的激发与发射特征光谱以及组分间的浓度比。解决了混合样品荧光光谱出现叠加,用化学分离或单纯荧光分析方法较难识别荧光组分的问题,实现了对微含量含油混合样品的主要组分的识别,并得到混合样品溶液中不同组分间浓度比。     

光谱分析法鉴别丙烯酸丁酯废水中的阴离子交换膜污染物

以回收实际丙烯酸丁酯废水有机酸的双极膜电渗析膜堆中的阴离子交换膜为研究对象,对膜使用前后的性能进行了表征,并综合通过衰减全反射傅里叶变换红外光谱(ATR-FTIR)、扫描电镜-能谱(SEM-EDS)和X射线光电子能谱(XPS)等手段对膜表面组分变化进行了表征。膜性能分析结果表明,使用后的阴离子交换膜受到污染,膜电阻增大,迁移数减小。能谱分析结果表明, 使用后阴离子交换膜表面污染物C和O元素含量(以原子百分比计)显著升高,分别从78.10%,8.34%升高到81.76%,12.05%, 表明膜污染物为含碳含氧物质。XPS谱图C1s峰的分析表明,-COO-Na+化学态的百分含量从污染前的8.5%升高到污染后的13.7%,表明膜污染物中含有-COO-Na+。ATR-FTIR分析结果表明,阴离子交换膜使用后,在1 561 cm-1处的吸收增强,而此波长正是-COO-M+(M为金属)的反对称伸缩振动峰,进一步验证了XPS分析结果。由于丙烯酸丁酯废水中含有聚丙烯酸钠,因此采用聚丙烯酸钠溶液污染阴离子交换膜,并对污染后离子交换膜进行膜性能、XPS和ATR-FTIR的分析。结果表明,聚丙烯酸钠导致阴离子交换膜膜电阻增大,迁移数减小,XPS谱图-COO-Na+化学态的百分含量增加,ATR-FTIR谱图1 561 cm-1处吸收增强。综合上述结果,聚丙烯酸钠是废水中造成阴离子交换膜污染的重要物质。光谱分析方法是离子交换膜污染层表征和污染物鉴别的有效手段。     

不同蒴齿类型藓类植物的FTIR光谱分析及系统学意义初探

采用傅里叶变换红外光谱技术(FTIR)研究了分属不同蒴齿类型的23种藓类植物的红外光谱.通过比较光谱特征典型的5个代表藓种间红外光谱图的差异,确定了1 790～1 330 cm-1,1 200～960 cm-1,895～830 cm-1和725～655cm-1四个光谱特征区间.23种藓类植物在该四个特征区间的光谱数据分析结果表明,基于二阶导数红外光谱结合分级聚类分析(hierarchical cluster analysis,HCA)和主成分分析法(principal component analysis,PCA)能很好地区分出五大藓类植物类型:泥炭藓类、线齿类、顶蒴单齿类、顶蒴双齿类、侧蒴双齿类,与以蒴齿结构作为最基本特征的传统藓纲分类系统相一致.因此,FTIR光谱结合多元分析方法可作为一种实用的工具运用于苔藓植物系统学研究中.     

鱼翅干制品品质的ATR-FTIR鉴别研究

采用衰减全反射-傅里叶变换红外光谱法(ATR-FTIR)对64份鱼翅干制品(包括真鱼翅、仿鱼翅和素鱼翅)及明胶增重真鱼翅干制品进行快速无损检测鉴别。实验比较了上述四种样品的特征红外光谱图,结果显示,同一种样品的红外光谱具有较好的稳定性;四种鱼翅干制品的红外光谱图存在明显的差异,主要表现在蛋白质酰胺Ⅰ和Ⅱ峰(1 650, 1 544 cm-1)和多糖骨架(1 050 cm-1)等营养成分吸收峰的差异。真鱼翅样品由于蛋白质含量高、多糖组分含量较低,故其红外光谱图主要呈现强度较高的蛋白质特征吸收酰胺Ⅰ和 Ⅱ峰(1 650, 1 544 cm-1)与较弱的多糖骨架C—O—C伸缩振动峰(1 050 cm-1),前者峰面积和(A_pro)与后者峰面积和(A_pol)的比值(A_pro/A_pol)范围为5.58～25.38。仿鱼翅样品是由鲨鱼的边脚料、胶体及其他一些物质混合、压模而成的,其他添加物质导致减弱了蛋白质特征吸收酰胺Ⅰ和Ⅱ峰的强度,也使酰胺Ⅰ峰发生了约30 cm-1的蓝移,A_pro/A_pol范围为2.63～2.86。素鱼翅样品主要是由海藻酸钠等多糖类物质合成的,其红外光谱图上几乎不显示蛋白质的特征峰,而多糖的特征峰(～1 047 cm-1)表现明显,高于真鱼翅相应吸收峰的强度,A_pro/A_pol范围为0.60～0.72。真鱼翅样品涂覆明胶增重后,样品表面的红外光谱图显示蛋白质和多糖的特征峰均有所减弱,A_pro/A_pol值为1.16,而样品剖面的红外光谱图则与真鱼翅的谱图基本一致。可见,采用ATR-FTIR,利用样品间特征红外光谱图和A_pro/A_pol值的差异,可简便、快速、直观地实现鱼翅干制品品质的无损快速鉴别。     

衰减全反射红外光谱技术(ATR-FTIR)在琥珀检测与研究中的应用

红外光谱分析是矿物材料研究中常用的一种表征手段,而衰减全反射红外光谱(ATR-FTIR) 由于其快速、无损且能够进行微区检测等优势在而被广泛使用。以不同产地琥珀、柯巴树脂和覆膜处理琥珀为研究对象,通过BRUKER LUMOS独立式红外显微镜对样品的ATR-FTIR光谱进行测试与分析。结果表明：ν(CC)伸缩振动在1 643 cm-1和δ(芳C—H)弯曲振动在889 cm-1两处的红外吸收谱带均出现在多米尼加和俄罗斯琥珀中;由ν(C—O)伸缩振动在1 300～925 cm-1范围内的红外吸收谱带对于琥珀的产地具有一定的指示意义;ν_as(CH₂)不对称伸缩振动在3 080,1 643和887 cm-1三处的红外吸收谱带为柯巴树脂所特有,具有重要的鉴定意义;覆膜琥珀显示琥珀和人工树脂混合红外光谱,除琥珀特有的红外光谱之外,760和702 cm-1红外吸收谱带为人工树脂中γ(芳C—H)面外弯曲振动所致。ATR-FTIR在琥珀的成因、产地及优化处理品种的检测具有重要的意义。     

大血藤药材及不同提取物FTIR的比对分析

采用红外光谱法(FTIR)、二阶导数红外光谱法和二维相关光谱分析技术(Two-Dimensional Correlation Spectroscopy) 对江西和安徽大血藤药材、水提物、蒽醌类提取物和残渣进行了快速无损比对分析研究,从中发现两产地大血藤药材的谱图中均出现1 400～1 620 cm-1和1 000～1 200 cm-1两个强峰带,说明药材含有大量的药效成分蒽醌类和糖类物质;蒽醌提取物的谱图中也有上述2个谱带,但1 400～1 620 cm-1谱带明显强于1 000～1 200 cm-1谱峰,说明该提取工艺适宜提取蒽醌类物质;而水提物中2个谱峰带则是后者明显强于前者,证实该提取工艺适宜提取糖类物质;另外通过红外谱图和二阶导数红外谱图的对比发现在药材残渣中含有大量的草酸钙晶体。证明红外光谱技术不仅能对原药材及提取物的药效基团进行分析和指认,还能区分不同产地药材的提取物含量的高低,成功地建立了大血藤及其不同提取物药效成分比对分析的新方法。     

近红外光谱定量校正模型适用性研究

近红外光谱作为一种依靠模型进行分析的技术,对测定的样品进行模型适用性判断是得到可靠分析结果的前提。对于通过校正集样本近红外光谱测量和标准方法测定的基础数据依靠因子分析技术建立的多元校正模型,提出将因子分析与Mahalanobis距离相结合判断定量模型适用性的方法,以近红外光谱测定柴油十六烷值为例,对影响模型适用性判断的一些因素进行了讨论。     

基于光谱反射率数据的水面油种鉴别研究

为探讨一种快速、及时对水上油膜种类进行鉴别的方法,采用水上油膜反射率光谱数据结合聚类分析方法、主成分分析方法和小波变换分别对厚度为300,500和1 000 μm的煤油,300,1 000和1 500 μm的润滑油,50,300和500 μm的轻柴油和500,2 000 μm的180#柴油等四种常见溢油油种进行判别研究。聚类分析结果表明：采用欧氏距离计算样本间的聚类距离,在距离L=8.976以上能够将样本正确分类,准确率100%;对同一油种油膜而言,油膜厚度接近的更易聚类;主成分分析结果表明：对原始数据、小波概要系数和小波细节系数分别进行主成分分析,其中小波细节系数对油种区分效果最佳,四种油膜样品在主成分得分空间中独立分布。利用反射率光谱数据结合聚类分析和基于小波细节系数的主成分分析对水上油膜种类的鉴别是可行的。     

姜科植物长柄山姜及茴香砂仁精油原位拉曼光谱研究

常温下，将制备好的长柄山姜及茴香砂仁的水装片放在显微拉曼光谱仪的载物台上，寻找油细胞，并分析其中精油。长柄山姜油细胞上获得的拉曼光谱，较强峰出现在1 638，1 600，1 555，1 203和1 001 cm-1，次强峰出现在1 716，1 577，1 496，1 407，1 346，1 307，1 273，1 181，1 156，1 029，958，618和218 cm-1共获得26条光谱线，与肉桂酸甲酯拉曼光谱的29条谱线比较，长柄山姜油细胞有22条谱线与之有对应关系；茴香砂仁油细胞上获得的拉曼光谱较强峰出现在1 648，1 639，1 607，1 174，842和836 cm-1，次强峰出现在1 292，1 244，1 235，1 204和631 cm-1共获得24条光谱线，与4-烯丙基苯甲醚的拉曼光谱在300～1 700 cm-1区间内的29条谱线比较，茴香砂仁油细胞有23条谱峰与之有对应关系。说明长柄山姜挥发油的主要成分是肉桂酸甲酯，茴香砂仁挥发油的主要成分为4-烯丙基苯甲醚。用密度泛函理论计算了肉桂酸甲酯、4-烯丙基苯甲醚的拉曼光谱，并对谱线进行了初步的归属。姜科植物油细胞中精油不需提取就可直接快速的检测，用此方法可对姜科植物精油的提取进行质量控制及开发研究。     

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析（2D-LDA）对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻（KNN）分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类（柴油、汽油、航空煤油、润滑油）样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。     

近红外光谱法对甲醇柴油中甲醇含量测定

应用近红外光谱结合化学计量学方法实现了对甲醇柴油中的甲醇含量的定量分析。以实验室配制的32种不同浓度[浓度范围为2%～25.8%(φ)]的甲醇柴油溶液为研究对象,在4 500～7 000 cm-1光谱范围内,建立偏最小二乘(PLS)、支持向量机(SVM)和最小二乘支持向量机(LS-SVM)三种定量分析模型。在建立SVM模型时,经过比较分析,径向基函数(radial basis function,RBF)作为SVM模型的核函数时可以获得更高的预测精度。最终获得甲醇含量的PLS, SVM和LS-SVM三种模型的预测相关系数R_P分别为0.985 9, 0.990 3, 0.998 9,预测均方根误差RMSEP分别为0.405 2, 0.356 3, 0.062 4,可以看出,三种预测模型都可以达到很好的效果,最优的预测模型是使用LS-SVM建模。研究结果表明,利用近红外光谱法结合化学计量学方法对甲醇柴油中甲醇含量的检测具有可行性,并可以达到很好的效果。采用近红外光谱技术结合化学计量方法对甲醇柴油中甲醇含量进行定量分析,也为近红外光谱技术快速无损检测甲醇柴油甲醇含量提供参考和应用价值。     

基于人工神经网络的傅里叶变换中红外光谱法对食用油油烟种类识别研究

随着餐饮业的发展,餐饮烟气已经成为某些城市三大空气污染源之一。由于餐饮烟气对人体健康威胁很大,近年来对餐饮烟气的研究愈来愈热。餐饮烟气中包含有大量食用油加热过程中裂解而产生的不饱和烃类,危害着人类健康。不同食用油裂解出来的成分以及含量有所不同,通过构建一定的分类识别数学模型,从而实现对食用油分类识别。采用自主研发的傅里叶变换红外光谱仪,采集了不同食用油油烟烟气红外光谱数据。同时构建了主成分分析(PCA)分别结合概率神经网络(PNN)以及误差反向传播人工神经网络(BPANN)的分类识别算法。将两种分类识别算法对不同食用油油烟烟气的傅里叶变换红外光谱数据进行分析。通过样本数据对数学模型进行训练,将训练好的数学模型对未知光谱数据进行分析,来确定产生油烟烟气的食用油种类。实验结果表明,两种算法都能对不同的油烟种类进行较好地分类识别。在全波段识别时,识别率分别达到90.25%和97.0%。通过对烟气光谱数据的吸收波段进行分析,提取大气窗口并且具有较强可挥发性有机物(VOCs)吸收特征的波段(1 300～700 cm-1以及3 000～2 600 cm-1);将吸光度数据分成两个分离的吸收波段,两种算法在3 000～2 600 cm-1波段都有较好的识别效果,PCA-PNN算法识别率为90.25%,PCA-BPANN算法识别率为92.25%。可见,两种人工神经网络算法都能有效对食用油烟种类进行识别。     

基于分子光谱图像识别的食用油快速分类研究

分子光谱分析技术结合化学计量学已成为一种非常活跃的食用油鉴别方法。然而,当不同类型的样本之间的光谱差异极其微小时,利用传统的分类技术也很难将其分开。为了完成相似品种食用油的快速识别和分类,收集了包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油七种食用油的衰减全反射红外光谱,在此基础上,采用图像识别的方法对七种食用油进行快速分类。在所提出的图像识别方法中,首先,将通过多元散射校正预处理后的红外光谱吸光度矩阵进行自相关运算,利用等高线原理根据吸光度强度值的不同生成光谱图像,以扩大的光谱差异并提高光谱可视化。然后,根据图像膨胀的原理找到光谱图像的局部特征点,将其作为图像特征。最后,使用BP神经网络对特征点进行训练和分类预测。为了对比所提出的方法,PCA-BP和KL-BP的方法被用于与图像识别的方法进行比较,实验结果表明,图像识别方法的正确识别率为94.4%,高于PCA-BP的66.7%和KL-BP的83.3%。所提方法为实现食用油的快速识别和检测提供了一条新的有效途径。