目的 采用近红外光谱(near-infrared spectroscopy,NIRS)技术,结合机器学习算法,实现热毒宁注射液(Reduning Injection,RI)金银花和青蒿(金青)萃取过程中固形物含量(solid content,SC)的在线监测,并基于NIRS技术建立萃取终点判别模型,以提高金青萃取过程的质量控制水平。方法 采用NIRS技术,结合偏最小二乘法(partial least squares,PLS)和多元自适应回归样条(multivariate adaptive regression splines,MARS)算法,模型经过光谱预处理方法的优选及特征变量筛选,建立最佳SC的在线监测模型;采用支持向量机(support vector machine,SVM)算法建立异常光谱判别模型,通过移动块标准偏差法(moving block standard deviation,MBSD)算法建立萃取终点判别模型。结果 PLS和MARS模型性能优异,相较于PLS模型,MARS模型性能有所提升,预测相对误差(relative standard error of prediction,RSEP)由2.87%降低至2.64%,性能偏差比(ratio of performance to deviation,RPD)由15.953 0升至17.376 1,2种算法模型均具有模型性能好、预测精度高的优点;MBSD算法用于萃取终点的判断,可有效提升萃取效率。结论 NIRS技术结合PLS算法和MARS算法,均可用于RI金青萃取过程SC的在线监测,MARS模型性能更佳;采用MBSD方法进行萃取终点判断,方法简便易行,可以满足生产实际需求。
暂无评论