主题：【第十三届原创】颗粒中水分含量监测

颗粒中水分含量监测

颗粒中的含水量是其关键质量属性之一[25]。水分含量受多种参数的影响，如进出口空气温度、进风量大小、进风湿度等都对颗粒的含水量造成影响[26]。水分含量的大小会影响颗粒的流动性、密度、粒径、溶出度、可压性及稳定性等性质。适宜的含水量能够促使颗粒的生长，促使物料粉末成粒。水分含量过高，部分粉末会附着在锅体内壁上，颗粒间也容易互相粘附结成块状，严重的会造成塌床；水分含量过低，颗粒生长缓慢，造成锅体内有过多的粉末。Beer[27]等人提出，压缩后的颗粒性质不仅与颗粒中剩余的结合水的水分有关，还与在整个流化床制粒过程中颗粒水分分布情况有关。因此对流化床制粒过程中水分含量进行实时监测与及时控制对提高制粒成功率起着非常重要的作用。为了达到实时了解制粒中颗粒含水量的目的，可以采用近红外（Near Infrared，NIR）光谱技术。

NIR技术预测颗粒水分研究现状

NIR技术被认为是一种可以对流化床制粒过程中物料关键质量属性进行实时监测的工具。NIR是一种振动光谱，对待测样本用NIR进行扫描可以得到样本中含有的有机分子的信息。NIR技术可以对采集的光谱数据进行分析，水分子在近红外光谱区域能够具有较高的吸光度。可以利用这种特性对物料进行扫描，测量物料的含水量，对药品中的水分含量进行实时的监控。

基于近红外光谱的过程分析技术因为仪器较简单，分析速度快、适合各类样品分析等特点，在流化床制粒预测颗粒水分中应用广泛。Rantanen[28]等人在流化床窗口上安装光线探头，采用近红外光谱结合温湿度预测颗粒中的含水量，并且对颗粒的水分进行了控制。这种无创不接触的检测方式，可以在不对样品生产过程产生影响的条件下，对颗粒的水分进行监测。然而，这种检测方式也存在明显的弊端，比如照射距离的增加或者窗口的玻璃都会影响近红外的采集精度。为了达到更加精确的测量，可以将近红外探头插入到流化床内部进行在线分析Barla[29]等人将近红外探头插入到流化床内部进行光谱采集，通过偏最小二乘法等多种回归算法进行建模预测颗粒水分含量，发现利用偏最小二乘法建立的模型预测的结果均方根误差较低并且相关系数较高。除了实验室制粒流化床应用近红外光谱进行预测颗粒水分，工业级的流化床上也应用近红外光谱技术进行实时监测。Peinado[30]等人采用近红外光谱技术，在线实时监测工业级（300L）流化床颗粒的含水率，通过含水率测定干燥终点。

制粒颗粒水分回归预测算法研究现状

为满足在制粒过程中颗粒水分含量预测的高精度、高适应度的条件，建立准确度高、泛化能力强的回归预测模型是其先决条件。选取合理的回归算法，对于准确、快速地实现水分的预测具有非常重要的意义。在近红外光谱预测颗粒水分中常用的回归模型有容易辨别系统噪声数据的偏最小二乘法、模拟生物界神经系统的人工神经网络算法和统计分析中常用的支持向量机算法。

偏最小二乘（Partial Least Square，PLS）法是1983年由Wold和Alban提出的一种具有广泛适应性和在多重线性数据条件下可以达到较高正确率的多元统计回归方法[31]。PLS主要是针对多自变量和多因变量条件下的归回建模方法，尤其是在各个自变量具有较高线性相关性的时候表现较好，并且可以在数据量较少的情况下建立较为准确的回归模型。苗雪雪[32]等人通过PLS建立近红外光谱数据与大米中水分含量的模型，实现了大米中水分含量的快速检测。陈洪亮[33]等人通过标准正态变换和无信息变量消除法对近红外光谱进行了光谱预处理和波长特征筛选，并且结合间隔偏最小二乘法建立了预测大豆油掺伪含量的回归模型。兰州大学的路敏[34]通过近红外光谱结合PLS等回归算法建模，快速无损的检测了可溶性固形物在薄皮水果中的含量。意大利热那亚大学的Mustorgi[35]等人从光谱数据出发，建立了PLS模型来评估特级初榨橄榄油的质量参数。De Assis[36]等人用近红外光谱技术结合PLS、iPLS和GA-PLS建立回归模型，用于预测杜鹃花果实的可溶性固体物和酸碱度的测定。研究证明，PLS回归模型以其高适应度与高准确率在近红外无损检测领域中具有较为广泛的应用。

人工神经网络（Artificial Neural Network，ANN）发展历史悠久，是由McCulloch和Pitts在1943年第一次提出，为神经网络模型的发展奠定了基础。人工神经网络以其较高的准确度，较强的适应性和能够逼近任何非线性函数的特点广泛应用于各个行业[37]。广西大学的陈超锋[38]以温度、干燥时间、水分含量和初始单宁含量作为特征向量输入到网络中，预测在干制过程中柿饼可溶性单宁的含量。重庆大学的代娟[39]通过近红外光对人体血糖进行采谱，得到人体血糖的浓度数据及其近红外光谱数据，利用粒子群算法优化ANN的权重系数，建立了两者之间的回归模型，并在实验中证明了该模型能够克服个体的差异性，具有较强的稳健性。中国海洋大学的周照艳[40]利用近红外光谱，研究对比了PLS模型与ANN模型在烟草定量分析中预测结果的差异，使用ANN弥补了PLS在建模过程中的不足。Costa[41]等人用PLS和ANN建立了基于近红外光谱的纸浆干燥度评估模型，结果表明，近红外光谱结合ANN和多元统计分析方法可以实时监测纸浆的重量变化。Afandi[42]等人通过室内分析测定水稻的氮含量，研究了利用ANN对水稻近红外反射率进行氮元素含量估算的方法。ANN在非线性、复杂程度高的回归预测中具有良好的表现，但同时ANN也有训练速度较慢，容易陷入局部最小值和过拟合的风险。

支持向量机（support vector machines，SVM）结合了统计学习理论和结构风险最小化原理，并在其基础之上建立起来的一种机器学习算法[43]。在非线性回归中，SVM利用核函数的方法将原始数据从低维空间映射到高维空间，然后在高维空间中利用线性回归的原理进行建模，这样不会增加计算的复杂度[44]。吉林大学的梁力文[45]对对近红外光谱的研究中，对光谱数据使用标准正态变换、多元散射校正、导数和小波降噪等方法进行预处理，在不同样本数目的条件下建立了甲硝唑的最佳SVM定量模型。牛晓颖[46]等人采集了驴肉的样本，扫描了近红外漫反射在4000~12500cm-1的光谱，分别使用主成分分析和偏最小二乘法对光谱数据进行处理，对处理后的数据使用SVM得到预测驴肉中蛋白质和脂肪含量的回归模型。在国外的研究中，Alves[47]等人应用SVM和PLS分别对近红外光谱进行建模，预测柴油含量，结果显示SVM模型预测效果较好。Li[48]等人利用近红外光谱和SVM建立了红松叶片中叶绿素含量的预测模型，得以准确地预测出红松叶片的叶绿素含量。Moura[49]等人对柴油的近红外光谱建立PLS和SVM回归模型，定量分析柴油含量，确定柴油中是否掺杂有煤油。