在线近红外光谱快速测定废水厌氧发酵过程中底物和液相产物浓度变化.doc

在线近红外光谱快速测定废水厌氧发酵过程中底物及液相产物浓度变化 (美国LT工业集团.中国） 在废水厌氧生物处理过程中, 有机物经酸性发酵转变为简单的可溶性有机物, 再进一步降解为短链脂肪酸(如乙酸、丙酸和丁酸), 因为这些酸在常压下易挥发, 所以统称为挥发性脂肪酸(VFA). VFA 是一种很重要的厌氧发酵中间产物, 容易被甲烷菌利用转化为甲烷和二氧化碳, 但在高浓度下会对甲烷菌产生抑制作用. 因此通过监测废水厌氧发酵过程中VFA 的变化情况, 可以很好地了解有机物质的降解过程以及甲烷菌的活性和系统的运行情况13. 因此, 建立灵敏、快速的VFA 分析方法对于厌氧反应器运行过程的调控具有重要意义. 传统的VFA 测定方法主要有比色法、柱色谱法、纸色谱法、滴定法以及目前常用的气相色谱法. 然而这些方法都存在一定局限性, 如比色法只能测单个酸, 柱色谱法和纸色谱法分离时间长、准确度低、重现性差, 滴定法只能测定混合酸, 气相色谱法则需进行加酸酸化、过滤预处理1,3.近红外光谱技术(NIR)是近年来迅速发展起来的一种高新分析技术, 具有简便、快速、低成本、无污染、对样品无破坏性以及可实现多组分同时测定等优点, 被广泛应用于食品、纺织、制药、石油、化工、酿酒等行业的质量监测、控制和相关研究47. 近红外光是一种波长在7802526 nm 范围内的电磁波, 近红外光谱是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的,主要反映CH, OH, NH, SH 等化学键的信息8. 通过近红外光谱分析法能够快速测定绝大多数种类的化合物及其混合物, 检测方式多样, 并且能实现对几乎所有物态的有机样品的测定.在水溶液体系的近红外光谱定量分析中, 水的近红外吸收远远大于其他待测物质的吸收9, 且光谱中常常含有由于光散射和光程不同等原因造成的系统变化信息以及与待测品质不相关的其他组分的干扰信息等. 这些干扰信息会显著降低近红外光谱的分析的精度10. 因此, 在进行水溶液近红外定量分析前, 必须扣除干扰信息. 求导计算是一种较常用的信号处理方法, 但随着求导阶数的增加, 信噪比迅速下降, 往往使得求导信号分辨率较差10. 正交信号处理(OSC)技术11是另外一种用于扣除近红外光谱中的与浓度无关的系统干扰的有效方法. OSC 的核心思想是在建立原始测量数据(光谱) X 与待测信息(浓度)Y 之间的校正模型之前, 最大限度地删除与Y 无关的X 信息, 这一部分的X 信息被认为是光谱系统干扰.本文报道利用近红外光谱技术对废水厌氧发酵处理过程进行分析监测, 并采用正交信号处理技术建立厌氧发酵过程中蔗糖和挥发性脂肪酸浓度的校正模型, 进而对废水厌氧发酵过程中液相各组分的浓度变化进行了快速、准确的测定.1 材料及方法1.1 发酵罐运行厌氧发酵过程采用五联发酵罐运行, 反应器有效容积2 L, 温度30, 接种污泥取自某生物化学股份有限公司处理柠檬酸废水的UASB 反应器. 底物为蔗糖, 浓度分别为5, 7.5, 10, 15, 20 g/L, 按一定时间间隔取样测定液相和气相产物浓度, 共取样105个.1.2 样本化学成分测定挥发性脂肪酸(VFA)和醇的浓度采用气相色谱仪测定. 该仪器带一个火焰离子化检测器和一套自动进样系统, 色谱柱为30 m 0.25 mm 0.25 m 的熔融硅胶毛细管色谱柱(DB-FFAP). 总挥发性脂肪酸(TVFA)浓度为VFA 各组分浓度的总和.蔗糖采用蒽酮法进行测定, 先将样品在12000r/min 条件下离心5 min, 然后取上层清液2.0 mL, 加5.0 mL 蒽酮试剂, 搅拌摇匀后水浴煮沸10 min, 取出冷却至室温, 在620 nm 处测定其吸光度, 根据标准曲线计算水样中糖的浓度.1.3 近红外光谱测定实验采用LT工业公司在线近红外光谱仪采集液体样本近红外光谱, 光谱监测系统参数为: 测量波长范围1100-2400nm, 扫描次数:5次/秒, 每个样品平行测定两次光谱.1.4 数据处理采用LT化学计量软件进行计算. 采用了一种类似PCA/PLS 的解决途径.在NIRALS 迭代算法中, 权重矢量w 可以被任意修改以适应需满足的条件: OSC 除了在计算w 时需满足的条件( t = Xw, Yt = 0 )与 PLS 不一样以外, 其他步骤都与PLS 相同. 具体算法如下:在对原始数据进行处理时, OSC 可以保证所滤除的光谱信息尽可能同待测信息(比如浓度等)无关, 这使得OSC 的预处理具有传统方法无法比拟的优越性.本文采用预测集的均方根误差( RMSEP )值以及相关系数r2 做为模型判断依据:2 结果与讨论2.1 液相产物形成各发酵罐液相产物中VFA 浓度的变化如图1 所示. 在加入底物15 h 后, 各发酵罐内液相产物的浓度均增长缓慢, 而且1 号和2 号发酵罐还出现产物浓度降低的情况. 从图中还可以看出, 随着底物浓度的增高, 液相产物的浓度也相应增高.2.2 近红外谱图分析105 个样品的近红外谱图如图2 所示. 主要的吸收峰为1650nm左右的吸收OH 伸缩振动一级倍频. 1250nm 区域对应CH 伸缩振动的一级倍频吸收, 1100nm对应CH 伸缩振动的二级倍频吸收, 在数据处理过程中, 采用1100-1700nm范围进行建模预测.2.3 校正模型的建立共有105 个样品, 选取其中74 组样品对应的数据作为校正集, 剩余31 组数据作为预测集. 对校正集中的74 个出水样品, 用正交信号校正偏最小二乘法分别建立液相各组分的定量分析模型. 对底物蔗糖以及VFA 各组分底物蔗糖以及VFA 各组分乙酸、丙酸、丁酸以及乙醇的建模统计结果如图3 所示. 图3 显示了校正集中各样品值的化学方法测定值与经OSC 处理后回归预测值的相关性, 其相关系数为0.9110.966. 由图中可以看出, 这74 个出水样品的近红外光谱预测值与其化学测定值基本一致, 说明建立的底物蔗糖以及VFA 各组分近红外光谱的数学模型具有较好的预测效果. 因此, 采用近红外光谱分析技术能够实现对厌氧发酵过程中液相产物含量的快速预测.2.4 预测结果使用校正集中建立的各定量分析模型, 分别对预测集中的31 个样品进行分析预测, 并比较了经原始光谱、一阶导数和OSC 方法等预处理方法处理后的预测结果, 如表1 所示. 可以看出, 采用OSC 方法对于各组分都能得到比较好的预测结果, 并且PLS主因子数减少, 说明OSC 校正算法确实有效扣除了原光谱集中与浓度值无关的广义噪声信息, 使得模型变得简洁, 拟合能力更强. 在使用较少的主因子数情况下, 模型的预测能力反而得到加强, 不仅在一定程度上提高了校正模型的相关系数和预测性能, 而且降低了RMSEP 值, 这是评价一个模型好坏的一个重要标准. 由此可见, 与传统的其他预处理方法相比,OSC 法具有独特的优势, 能更有效地扣除水溶液近红外光谱中的主要干扰信息, 从而显著提高定量模型的预测精度.3 结论本文主要利用近红外光谱技术对废水厌氧发酵处理过程进行了监测分析, 建立了厌氧发酵过程中蔗糖和挥发性脂肪酸浓度的预测模型. 然而在水溶液的近红外光谱分析中, 待测物质的吸收谱信息总是被淹没于水的吸收谱中, 而且噪音及与浓度无关的光谱系统干扰也会对定量分析结果造成较大的影响. 为解决这一问题, 采用OSC 算法扣除与浓度无关的背景信息,