近红外光谱法：参芪扶正注射液醇沉工艺质控的创新路径

近红外光谱法：参芪扶正注射液醇沉工艺质控的创新路径一、绪论1.1研究背景与意义药品作为维护人类健康的特殊商品，其质量直接关系到患者的生命安全和治疗效果。随着人们对医疗健康的关注度不断提高，药品质量控制在整个医药行业中占据着愈发重要的地位。严格的药品质量控制不仅能够确保药品的安全性和有效性，还能提升医药企业的信誉，促进医药产业的健康发展。参芪扶正注射液是一种中药注射剂，主要由党参和黄芪组成，具有益气扶正的功效，在临床上广泛应用于治疗肺脾气虚引起的神疲乏力、少气懒言、自汗眩晕等症状，尤其对肺癌、胃癌等患者具有较好的辅助治疗作用，能够改善患者的免疫功能及生活质量，是肿瘤患者理想的辅助治疗药物，同时也用于冠心病、心绞痛、中风患者的治疗。醇沉工艺是参芪扶正注射液生产过程中的关键环节。该工艺主要是利用有效成分能溶于乙醇而杂质不溶于乙醇的特性，在浓缩的水提取液中加入一定量的乙醇，使不溶于冷乙醇的成分如淀粉、树胶、粘液质、糖类、蛋白质等从溶液中沉淀析出，从而达到除去杂质、保留药物有效成分、提高药液纯度和均一度的目的，为生产高质量的参芪扶正注射液奠定基础。然而，传统的醇沉工艺存在一些问题，如操作周期长、排渣困难等，而且其质量控制主要依赖于传统的检测方法，这些方法往往需要复杂的样品制备过程，耗费大量的时间和人力，且易受人为因素的影响，难以满足现代药品生产对高效、准确质量控制的要求。近红外光谱法是一种快速、无损检测物品成分质量的分析技术，其原理是当近红外光照射到样品时，样品中的分子会吸收特定波长的光，引发分子振动能级的跃迁，通过分析样品对不同波长光的吸收情况，可获得样品的成分信息，进而实现对样品的定性和定量分析。该方法具有诸多优点：无需对样品进行预处理或破坏即可完成检测，不会对样品造成损伤，能保持样品的原始状态；检测速度极快，通常只需几秒钟即可完成一次测量，能够实现对生产过程的实时监控；数据采集与传输同步进行，检测结果可立即反馈至控制系统，便于及时调整生产参数；还能够同时检测多种成分，为生产提供更全面的数据支持；并且仪器易于操作和维护，对技术人员的要求较低，便于推广和应用。近年来，近红外光谱法已广泛应用于中药、食品、化工等领域，并逐渐被用于药品的生产质量控制中。将近红外光谱法应用于参芪扶正注射液醇沉工艺的质量控制具有重要的研究价值。一方面，它能够实现对醇沉过程的实时监测，及时发现工艺中的异常情况，提高生产效率和产品质量的稳定性；另一方面，有助于推动中药注射剂生产质量控制技术的创新与发展，为中药现代化提供技术支持，提升中药药品技术的研究水平和生产工艺的质量监管能力，为民众提供更加安全、有效、稳定的中药注射剂产品。1.2醇沉工艺研究现状1.2.1醇沉过程的影响因素醇沉过程受多种因素影响，这些因素相互作用，共同决定了醇沉的效果和产品质量。乙醇浓度是影响醇沉效果的关键因素之一。不同的乙醇浓度对杂质和有效成分的沉淀和溶解作用不同。当乙醇浓度较低时，一些杂质可能无法完全沉淀，导致产品纯度不高；而当乙醇浓度过高时，可能会使部分有效成分也沉淀下来，造成有效成分的损失。研究表明，通常当含醇量为50-60%时可除去淀粉等杂质；含醇量达60%时，无机盐开始沉淀；含醇量达75%以上时，可除去蛋白质等杂质，当含醇量达80%时，几乎可除去全部淀粉、多糖、蛋白质、无机盐类杂质，但是鞣质、水溶性色素、树脂等不易除去。醇沉液中含醇量的高低与药物有效成分的溶解有着密切的关系，随着醇沉液含醇量的增加沉淀加快，通常醇沉液的含醇量在60-75%之间。醇沉的含醇量如在70-75%之间，一般宜用90%左右的乙醇，此时所耗乙醇体积较少，与用95%浓度的乙醇相比，回收蒸馏要容易得多，乙醇单耗和能源消耗亦低；若醇沉液含醇量低，则所用乙醇浓度亦可相应低些。醇沉温度与时间对醇沉效果也有重要影响。醇沉时间与罐内液温有直接的关系。醇沉温度低，沉淀物析出与沉降的速度加快，所需的静置时间短，反之则长。加醇时药液温度不能过高，主要以防止乙醇挥发损耗。一般等含醇药液慢慢降至室温时，再移至冷库中，于5-10℃下静置24-48h，若含醇药液降温太快，微粒碰撞机会减少，沉淀颗粒较细，难于过滤。可见，静置时间过长是导致操作周期过长的主要原因。加醇方式和搅拌速度同样不可忽视。在中药生产过程的醇沉工艺中，主要是将乙醇导入常温或低温浸膏中，进行沉析，醇沉初始就加入大量高浓度乙醇，倘若搅拌不匀未能将乙醇分散，造成局部区域含醇量过高，淀粉、蛋白质类迅速沉析并包裹浓缩液。随着乙醇的增加包裹层质地越来越致密而难以分散，势必影响醇沉效果。分次醇沉或以梯度递增方式逐步提高乙醇浓度，有利于除去杂质，以减少有效成分的损失，但此时醇沉操作较为麻烦，乙醇用量也大。搅拌在醇沉过程中的作用与在其他工艺过程中的作用相似，有利于提高药液与乙醇的相际接触面积，提高药液与乙醇的均一性。一般情况下，随着醇含量的增加，沉析速度加快，沉析完全，当醇含量达到80%时，几乎可除去全部蛋白质、多糖和无机盐类杂质。但是随着醇沉浓度的升高，有效成分易被沉淀物包裹而造成损失。因此，醇沉时应提高搅拌速度，缓缓加入乙醇，以避免药液中局部乙醇浓度过高造成有效成分被沉淀物包裹所造成的损失。搅拌速度过快则能耗增大，噪音增强，且对设备材质的要求有所提高，此外，过快的搅拌速度会使生成的沉淀颗粒过小，难于过滤；搅拌速度过慢，药液中局部乙醇浓度过高，造成沉析物包裹有效成分，造成有效成分的损失，同时也会造成沉淀物黏连，难以过滤分离。因此，在醇沉时应根据物系的特征，选择适宜的搅拌速度以及乙醇的加入速度。1.2.2醇沉过程的质控现状传统的醇沉过程质量控制主要依赖于一些常规的检测方法。例如，通过测定沉淀物的重量或体积来评估醇沉的除杂效果，通过检测上清液中有效成分的含量来判断有效成分的保留情况。然而，这些传统方法存在诸多局限性。一方面，它们往往需要对样品进行复杂的预处理，如离心、过滤、萃取等，这不仅耗费大量的时间和人力，而且在预处理过程中可能会引入误差，影响检测结果的准确性。另一方面，传统检测方法大多只能进行离线检测，无法实时反映醇沉过程中的质量变化，难以及时发现工艺中的异常情况并进行调整，从而影响产品质量的稳定性和一致性。近红外光谱法作为一种新型的分析技术，在醇沉过程质控中具有显著的优势。它无需对样品进行复杂的预处理，可直接对样品进行快速检测，大大缩短了检测时间，提高了检测效率。而且该方法能够实现实时在线监测，及时获取醇沉过程中样品的成分信息，为工艺控制提供及时准确的数据支持，有助于及时调整工艺参数，保证产品质量的稳定性。此外，近红外光谱法还可以同时检测多种成分，能够全面反映醇沉过程中样品的质量变化，为醇沉工艺的优化和质量控制提供更丰富的信息。1.3近红外光谱定量分析法1.3.1近红外光谱定量分析流程近红外光谱定量分析是一项系统性工作，其流程主要包括样品检测、光谱采集、数据预处理、模型建立与验证等关键步骤。在样品检测环节，需选取具有代表性的参芪扶正注射液醇沉工艺样品。这些样品应涵盖不同生产批次、不同醇沉条件下的产品，以确保后续建立的模型具有广泛适用性。例如，可收集不同季节、不同生产设备生产的样品，以及在不同乙醇浓度、醇沉时间、温度等条件下制备的样品。为保证检测结果的准确性和可靠性，每个样品通常需进行多次重复检测，一般重复次数不少于3次。对每次检测得到的数据进行详细记录，包括样品编号、检测时间、检测条件等信息。完成样品检测后，利用近红外光谱仪进行光谱采集。将样品置于光谱仪的样品池中，确保样品均匀分布且充满光路，以获取准确的光谱信息。光谱仪发射的近红外光穿过样品，样品中的分子吸收特定波长的光，产生吸收光谱。在采集过程中，需设置合适的采集参数，如扫描范围、扫描次数、积分时间等。扫描范围一般设定在780-2500nm，以覆盖样品中主要成分的近红外吸收信息；扫描次数可根据实际情况选择，通常为32-128次，多次扫描可提高光谱的信噪比；积分时间则根据样品的特性和信号强度进行调整，一般在几十毫秒到数秒之间。采集得到的原始光谱数据以图谱形式呈现，横坐标为波长，纵坐标为吸光度或透过率。由于原始光谱数据中可能包含噪声、基线漂移等干扰信息，会影响后续分析结果的准确性，因此需要进行数据预处理。数据预处理的方法众多，常见的有平滑处理、基线校正、归一化等。平滑处理可采用Savitzky-Golay滤波法，通过对相邻数据点进行加权平均，消除噪声干扰，使光谱曲线更加平滑。基线校正则用于消除由于仪器本身或样品背景等因素导致的基线漂移，常用的方法有多项式拟合、线性回归等。归一化处理能够将不同样品的光谱数据统一到相同的尺度，便于后续比较和分析，常见的归一化方法有最大-最小归一化、Z-score归一化等。经过预处理后，光谱数据的质量得到显著提升，为后续建立准确的定量分析模型奠定了基础。基于预处理后的光谱数据，采用化学计量学方法建立定量分析模型。常用的化学计量学方法有偏最小二乘法（PLS）、主成分回归法（PCR）等。以偏最小二乘法为例，该方法通过提取光谱数据中的主成分，将多个相关变量转化为少数几个互不相关的综合变量，同时考虑光谱数据与样品中目标成分含量之间的相关性，建立起两者之间的数学关系模型。在建立模型过程中，需对模型参数进行优化，如确定主成分数、选择合适的核函数等。主成分数的确定可通过交叉验证法进行，以避免模型过拟合或欠拟合。模型建立完成后，得到一个能够根据样品近红外光谱预测其目标成分含量的数学表达式。1.3.2近红外光谱定量分析法的验证思路为确保建立的近红外光谱定量分析模型的准确性、可靠性和重复性，需要对模型进行全面验证。准确性验证是模型验证的关键环节，主要通过比较模型预测值与参考值来评估。参考值通常采用传统的化学分析方法测定，如高效液相色谱法（HPLC）、气相色谱法（GC）等。选取一定数量的样品，分别用近红外光谱定量分析模型预测其目标成分含量，并同时采用传统化学分析方法测定其真实含量。计算预测值与真实值之间的偏差，常用的评估指标有相对误差（RE）、均方根误差（RMSE）等。相对误差计算公式为RE=\frac{\vert预测值-真实值\vert}{真实值}\times100\%，均方根误差计算公式为RMSE=\sqrt{\frac{\sum_{i=1}^{n}(预测值_{i}-真实值_{i})^{2}}{n}}，其中n为样品数量。若相对误差和均方根误差在可接受范围内，表明模型具有较高的准确性。可靠性验证主要考察模型在不同条件下的稳定性和适用性。对不同时间、不同仪器采集的光谱数据，以及不同操作人员测定的样品进行模型预测，观察预测结果的一致性。若模型在这些不同条件下都能给出较为稳定且准确的预测结果，说明模型具有较好的可靠性。例如，在不同的实验室环境下，由不同的技术人员使用相同型号但不同台次的近红外光谱仪对同一批样品进行检测，并利用建立的模型进行预测。若预测结果的偏差在合理范围内，即可证明模型不受时间、仪器和操作人员等因素的显著影响，具有较高的可靠性。重复性验证旨在检验模型对同一批样品多次测量结果的一致性。对同一批样品进行多次重复测量，每次测量后均利用模型进行预测，计算多次预测结果的相对标准偏差（RSD）。相对标准偏差计算公式为RSD=\frac{S}{\overline{X}}\times100\%，其中S为多次预测结果的标准偏差，\overline{X}为多次预测结果的平均值。若相对标准偏差较小，说明模型的重复性良好，即多次测量得到的结果具有较高的一致性，能够为实际生产中的质量控制提供稳定可靠的数据支持。1.4近红外光谱分析法在中药生产质控中的应用近年来，近红外光谱分析法在中药生产质控中发挥着日益重要的作用，涵盖了多个关键环节。在中间体和成品快速检测方面，近红外光谱分析法展现出显著优势。中药生产过程中的中间体成分复杂，传统检测方法耗时费力。利用近红外光谱技术，可快速获取中间体的光谱信息，通过建立的模型迅速判断其成分含量和质量状况。例如，在六味地黄丸的生产中，对其浓缩液中间体进行近红外光谱检测，能够快速确定其中地黄、山药等主要药材成分的含量，大大缩短了检测周期，提高了生产效率。对于中药成品，近红外光谱同样能够实现快速无损检测，可在短时间内对大量成品进行抽检，确保产品质量符合标准，及时发现不合格产品，减少损失。在过程在线监测中，近红外光谱分析法实现了对中药生产过程的实时监控。在中药提取过程中，通过在线近红外光谱仪实时监测提取液的成分变化，可及时调整提取时间、温度等参数，保证有效成分的充分提取，提高提取效率和产品质量。在中药制剂的制粒过程中，利用近红外光谱技术监测颗粒的水分含量、粒度分布等关键指标，能及时发现制粒过程中的异常情况，如水分过高导致颗粒粘连、粒度不均匀等问题，以便及时采取措施进行调整，确保制粒质量的稳定性。多变量统计过程控制也是近红外光谱分析法在中药生产质控中的重要应用。中药生产过程涉及多个变量，如原材料的质量差异、生产设备的运行状态、生产环境的变化等，这些变量相互影响，对产品质量产生复杂的作用。运用多变量统计过程控制方法，结合近红外光谱技术采集的数据，可对生产过程中的多个变量进行综合分析和监控。通过主成分分析（PCA）、偏最小二乘判别分析（PLS-DA）等方法，能够将多个相关变量转化为少数几个互不相关的主成分，提取数据中的关键信息，建立生产过程的质量控制模型。一旦生产过程中的变量偏离正常范围，模型会及时发出预警，提示操作人员进行调整，从而实现对中药生产过程的全面监控和优化，有效提高产品质量的稳定性和一致性。1.5研究思路与内容本研究旨在探索近红外光谱法在参芪扶正注射液醇沉工艺质量控制中的应用，具体研究思路与内容如下：建立近红外光谱分析模型：选取不同批次、不同醇沉条件下的参芪扶正注射液醇沉样品，涵盖生产过程中的各种变化情况，使用近红外光谱仪采集样品的光谱数据。同时，采用传统的化学分析方法，如高效液相色谱法（HPLC）、紫外分光光度法等，精确测定样品中有效成分（如党参炔苷、黄芪甲苷等）的含量以及杂质（如多糖、蛋白质等）的含量，将这些数据作为参考值。运用化学计量学方法，如偏最小二乘法（PLS）、主成分回归法（PCR）等，对光谱数据与参考值进行关联分析，建立近红外光谱分析模型，以实现通过光谱数据快速预测样品中有效成分和杂质的含量。验证模型的准确性：利用建立好的近红外光谱分析模型，对另一组独立的参芪扶正注射液醇沉样品进行预测分析，得到样品中有效成分和杂质的预测含量。将预测结果与采用传统检测方法得到的实际含量进行对比，通过计算相对误差（RE）、均方根误差（RMSE）等指标，评估模型的准确性。若模型预测结果与实际含量之间的误差在可接受范围内，则表明模型具有较高的准确性和可靠性。确定近红外光谱法检测参芪扶正注射液醇沉工艺的最佳参数：对近红外光谱检测过程中的参数，如光谱采集范围、扫描次数、积分时间、数据预处理方法（平滑处理、基线校正、归一化等）、模型参数（主成分数、核函数等）进行系统研究。通过对比不同参数组合下模型的性能，如准确性、稳定性、重复性等，确定出最适合参芪扶正注射液醇沉工艺检测的参数组合，以提高检测的精度和效率。对参芪扶正注射液醇沉工艺进行实际检测：将建立的近红外光谱分析模型和确定的最佳参数应用于实际的参芪扶正注射液醇沉生产过程中，对醇沉工艺进行实时在线监测或离线抽检。及时获取醇沉过程中样品的成分信息，根据检测结果判断醇沉工艺是否正常运行，如乙醇浓度是否合适、有效成分是否损失过多、杂质去除是否达标等。同时，与传统检测方法的结果进行对比，进一步验证近红外光谱法在实际生产中的可行性和优势，为参芪扶正注射液醇沉工艺的质量控制提供有力支持。二、黄芪一次醇沉过程的多变量统计过程控制研究2.1引言中药生产过程的复杂性和多变量性对质量控制提出了极高的要求。参芪扶正注射液作为一种重要的中药注射剂，其生产过程中的醇沉工艺直接关系到产品的质量和疗效。黄芪一次醇沉过程涉及众多因素，如乙醇浓度、醇沉温度、搅拌速度等，这些因素相互关联、相互影响，任何一个因素的微小变化都可能对醇沉效果和产品质量产生显著影响。多变量统计过程控制（MSPC）作为一种有效的数据分析和过程监控工具，能够综合考虑多个变量之间的复杂关系，对生产过程进行全面、系统的监测和分析。在黄芪一次醇沉过程中应用多变量统计过程控制，可实时采集和分析过程数据，及时发现工艺中的异常情况，准确判断异常来源，为操作人员提供及时、准确的决策支持，从而有效保证醇沉工艺的稳定性和产品质量的一致性。通过建立多变量统计模型，还能够深入挖掘数据背后的信息，揭示醇沉过程的内在规律，为工艺优化和改进提供科学依据，进一步提高生产效率和产品质量，降低生产成本，增强产品在市场中的竞争力，推动参芪扶正注射液生产的现代化和标准化进程。2.2实验部分2.2.1仪器与试剂实验使用的近红外光谱仪为型号[具体型号]，由[生产厂家]生产。该光谱仪配备了[具体的光源和探测器类型]，能够在780-2500nm的波长范围内进行快速、准确的光谱采集。其波长精度可达±[具体精度数值]nm，扫描速度为[具体扫描速度数值]次/秒，可满足实验对光谱采集的高精度和高效率要求。高效液相色谱仪选用[具体型号]，购自[生产厂家]。该仪器具备[具体的泵、检测器等关键部件的特点和性能参数]，能够实现对样品中多种成分的高灵敏度分离和检测。如其泵的流量精度可达±[具体流量精度数值]mL/min，检测器的最小检测限可达[具体最小检测限数值]g/mL，为准确测定样品中有效成分和杂质的含量提供了可靠保障。电子天平的型号为[具体型号]，由[生产厂家]提供。其称量精度高达±[具体精度数值]mg，可满足实验中对样品和试剂精确称量的需求。无论是称取少量的标准品，还是大量的药材原料，都能保证称量结果的准确性，减少因称量误差对实验结果的影响。实验所用的黄芪药材均采购自[具体产地]，并经过专业人员鉴定，确保其品种的纯正和质量的可靠。乙醇为分析纯，购自[试剂供应商]，其纯度≥99.5%，能够满足醇沉工艺对乙醇纯度的要求。其他试剂如甲醇、乙腈等也均为色谱纯，来源于[具体的试剂供应商]，以保证在高效液相色谱分析过程中不引入杂质，确保检测结果的准确性。2.2.2实验设计实验选取了[X]个正常操作工艺条件下的黄芪一次醇沉批次。在每个批次的醇沉过程中，使用透反射光纤探头，以空气为参比，每1min采集一次醇沉体系的近红外光谱。扫描波数范围设定为4500-10000cm-1，分辨率为8cm-1，扫描次数为32次，以获取全面且准确的光谱信息。同时，对每个批次醇沉过程中的关键参数进行精确测量和记录。使用高精度的密度计测量浓缩液的密度，精确到±0.001g/mL；采用高精度的温度计测量醇沉温度，精度可达±0.1℃；通过流量传感器准确记录乙醇的加入量，误差控制在±1mL；利用转速传感器实时监测搅拌速度，精度为±1r/min。这些关键参数的准确测量，为后续建立多变量统计过程控制模型提供了丰富的数据支持。此外，还对醇沉过程中的其他相关信息进行详细记录，如投料量、批次编号、生产时间等，以便在数据分析和模型建立过程中综合考虑各种因素对醇沉效果的影响。2.2.3数据处理方法采用主成分分析（PCA）对采集到的近红外光谱数据进行降维处理。主成分分析是一种常用的多元统计分析方法，它能够将多个相关变量转化为少数几个互不相关的主成分，这些主成分能够最大限度地保留原始数据的信息。通过主成分分析，可以提取光谱数据中的主要特征，降低数据的复杂性，便于后续的分析和处理。例如，在处理大量的近红外光谱数据时，通过主成分分析可以将高维的光谱数据转化为几个主成分，从而更直观地观察数据的分布和变化规律。利用多向偏最小二乘（MPLS）方法建立监控统计模型。多向偏最小二乘方法是一种适用于多维数据的分析方法，它能够有效地处理批次×时间×过程变量的三维数据矩阵。在本实验中，将经主成分分析处理后的二维光谱矩阵与时间响应向量相结合，使用多向偏最小二乘方法建立模型，能够准确地描述醇沉过程中光谱数据与关键参数之间的关系，从而实现对醇沉过程的有效监控。通过该模型，可以根据实时采集的光谱数据预测醇沉过程中的关键参数变化，及时发现工艺中的异常情况。计算各正常操作批次在不同时间点处的HotellingT2统计量和SPE统计量。HotellingT2统计量用于衡量样本点与模型中心的距离，反映了样本数据在主成分空间中的变化程度；SPE统计量则用于衡量模型的预测误差，反映了样本数据与模型的拟合程度。通过绘制这两个统计量随时间变化的趋势图，并设立控制限，可以直观地判断醇沉过程是否处于正常状态。当统计量超出控制限时，表明醇沉过程可能出现了异常，需要及时进行分析和调整。2.3结果与讨论2.3.1黄芪一次醇沉过程光谱通过透反射光纤探头采集到的黄芪一次醇沉过程光谱，清晰地展示了在醇沉过程中光谱的变化特征。在醇沉初期，随着乙醇的逐渐加入，体系中的成分开始发生变化，光谱也随之改变。从光谱图中可以看出，在某些特定波长处，吸光度出现了明显的波动。例如，在5400-6000cm-1和7900-9000cm-1波段，这两个波段包含了与黄芪中有效成分和杂质相关的特征信息。在5400-6000cm-1波段，可能与黄芪中的多糖、皂苷等成分的吸收有关；而7900-9000cm-1波段则可能与蛋白质、鞣质等杂质的吸收相关。随着醇沉的进行，不溶性沉淀逐渐增多，这些沉淀对光的散射和吸收作用增强，导致光谱受到不同程度的噪声干扰。在4500-5000cm-1与9000-10000cm-1段，噪声严重，掩盖了有用信息，因此在后续的建模过程中舍弃了这两个波段。同时，6900cm-1处主要为水吸收峰，经过分别建模比较发现，除去该段后所得模型更优。2.3.2过程控制模型的建立采用多向偏最小二乘（MPLS）方法建立监控统计模型。将经主成分分析（PCA）处理后的二维光谱矩阵与时间响应向量相结合，建立起能够描述醇沉过程中光谱数据与关键参数之间关系的模型。在建立模型过程中，对模型参数进行了细致的优化。例如，通过交叉验证法确定了最优的主成分数，以避免模型出现过拟合或欠拟合的情况。经过多次试验和分析，最终确定主成分数为[具体主成分数]时，模型的性能最佳。此时，模型能够准确地反映醇沉过程中光谱数据的变化与关键参数（如乙醇浓度、醇沉温度、搅拌速度等）之间的关系。对模型的性能进行评估，结果显示模型具有较高的准确性和稳定性。模型的决定系数R2达到了[具体数值]，表明模型能够解释大部分的光谱数据变异；均方根误差（RMSE）为[具体数值]，说明模型的预测误差较小，能够较为准确地预测醇沉过程中的关键参数变化。2.3.3正常批次监控利用建立的过程控制模型对正常操作工艺条件下的黄芪一次醇沉批次进行监控。通过计算各正常操作批次在不同时间点处的HotellingT2统计量和SPE统计量，并绘制这两个统计量随时间变化的趋势图。在正常批次中，HotellingT2统计量和SPE统计量均在设定的控制限内波动。这表明醇沉过程处于稳定状态，工艺参数的变化在正常范围内，模型能够有效地监控正常批次的醇沉过程，及时发现工艺中的微小变化，为保证产品质量的稳定性提供了有力支持。2.3.4投料异常批次当出现投料异常时，如黄芪药材的投料量不足或过多，会对醇沉过程产生显著影响。在投料异常批次中，由于黄芪中有效成分和杂质的含量发生改变，导致醇沉过程中体系的化学组成和物理性质发生变化。从光谱数据来看，与正常批次相比，异常批次的光谱特征出现明显差异。在某些波长处的吸光度变化更为剧烈，这反映了体系中成分的变化。利用建立的模型对投料异常批次进行检测，结果显示HotellingT2统计量和SPE统计量均超出了控制限。这表明模型能够准确地检测出投料异常情况，及时发出预警信号，为操作人员采取相应措施提供了依据，有助于避免因投料异常导致的产品质量问题。2.3.5醇浓度异常醇浓度是醇沉过程中的关键参数之一，醇浓度异常可能由多种原因引起，如乙醇的添加量不准确、乙醇的挥发等。醇浓度异常会直接影响醇沉效果，导致有效成分的损失或杂质去除不彻底。当醇浓度异常时，体系中成分的溶解和沉淀平衡被打破。在光谱图中，表现为与醇浓度相关的特征波长处的吸光度发生明显变化。利用模型对醇浓度异常情况进行检测，发现模型能够及时捕捉到光谱的变化，HotellingT2统计量和SPE统计量超出控制限，从而准确判断出醇浓度异常，为调整醇浓度提供了数据支持。2.3.6醇料比异常醇料比是指乙醇与黄芪浓缩液的比例，醇料比异常会对醇沉效果产生重要影响。若醇料比过低，可能导致杂质沉淀不完全；若醇料比过高，则可能使有效成分过度沉淀，造成损失。在醇料比异常的情况下，体系中乙醇和浓缩液的混合比例发生改变，影响了成分的溶解和沉淀过程。从光谱数据可以看出，与正常醇料比时相比，异常醇料比下的光谱特征存在明显差异。通过模型检测发现，当醇料比异常时，HotellingT2统计量和SPE统计量会超出控制限，这表明模型能够有效地检测出醇料比异常情况，为优化醇料比提供了参考，有助于提高醇沉效果和产品质量。2.3.7醇沉温度的异常醇沉温度对醇沉过程的影响也不容忽视。醇沉温度异常可能导致沉淀速度过快或过慢，影响杂质的去除和有效成分的保留。在醇沉温度异常时，体系中分子的运动速度和反应速率发生改变，从而影响醇沉效果。从光谱数据可以观察到，不同温度下的光谱特征存在差异。利用模型对醇沉温度异常情况进行检测，结果表明模型能够准确地识别出温度异常，HotellingT2统计量和SPE统计量超出控制限。当检测到醇沉温度异常时，可及时调整温度，将其控制在合适范围内，以保证醇沉过程的正常进行。2.3.8搅拌故障搅拌在醇沉过程中起着重要作用，它能够促进乙醇与浓缩液的混合，使沉淀均匀分布。当搅拌出现故障时，如搅拌速度不稳定或搅拌停止，会导致乙醇与浓缩液混合不均匀，影响醇沉效果。在搅拌故障情况下，体系中不同部位的成分分布不均匀，反映在光谱数据上，会出现光谱的波动和不一致性。利用模型对搅拌故障进行检测，发现模型能够通过光谱数据的变化及时判断出搅拌故障，HotellingT2统计量和SPE统计量超出控制限。针对搅拌故障，可采取检查搅拌设备、修复故障部件等措施，确保搅拌正常运行，保证醇沉过程的顺利进行。2.3.9泵故障泵在醇沉过程中用于输送乙醇和浓缩液，泵故障可能导致乙醇添加量不准确或输送中断。泵故障的原因可能有多种，如泵的机械故障、管道堵塞等。泵故障会直接影响醇沉过程的连续性和稳定性。当泵出现故障时，体系中乙醇的添加量和流速发生变化，从而影响醇沉效果。从光谱数据可以看出，泵故障时的光谱特征与正常情况存在明显差异。利用模型对泵故障进行检测，结果显示模型能够准确地检测出泵故障，HotellingT2统计量和SPE统计量超出控制限。对于泵故障，应及时检查泵和管道，排除故障，确保乙醇和浓缩液的正常输送，以保障醇沉过程的正常进行。2.4小结本研究通过对黄芪一次醇沉过程的深入研究，成功建立了基于多变量统计过程控制的监控模型。利用近红外光谱技术实时采集醇沉过程中的光谱数据，并结合主成分分析和多向偏最小二乘等数据处理方法，有效提取了光谱数据中的关键信息，建立了能够准确描述醇沉过程中光谱数据与关键参数之间关系的模型。通过对正常批次和各种异常批次的监控分析，验证了该模型的有效性和可靠性。该模型能够及时准确地检测出投料异常、醇浓度异常、醇料比异常、醇沉温度异常、搅拌故障和泵故障等多种异常情况，为操作人员提供了及时的预警信息，有助于及时采取措施进行调整，保证醇沉工艺的稳定性和产品质量的一致性。与传统的质量控制方法相比，多变量统计过程控制方法能够综合考虑多个变量之间的复杂关系，更全面、准确地反映醇沉过程的实际情况，具有更高的灵敏度和准确性。本研究为参芪扶正注射液醇沉工艺的质量控制提供了一种新的有效方法，具有重要的实际应用价值，也为中药生产过程的质量控制提供了有益的参考和借鉴，有助于推动中药生产过程的现代化和标准化进程。三、党参一次醇沉上清液中多指标快速测定3.1引言党参作为参芪扶正注射液的重要原料之一，其一次醇沉上清液的质量直接关系到注射液的最终品质和疗效。党参一次醇沉上清液中包含多种关键成分，如党参炔苷、总黄酮、多糖、色素等，这些成分的含量和比例不仅影响着注射液的药理活性，还与产品的稳定性和安全性密切相关。准确、快速地测定这些多指标成分，对于控制醇沉工艺的质量、确保参芪扶正注射液的质量一致性和稳定性具有至关重要的意义。传统的测定方法，如高效液相色谱法（HPLC）、紫外分光光度法等，虽然具有较高的准确性，但存在操作繁琐、分析时间长、需要消耗大量化学试剂等缺点，难以满足现代药品生产对快速、高效质量控制的需求。近红外光谱法作为一种快速、无损、多组分同时分析的技术，为党参一次醇沉上清液中多指标的快速测定提供了新的解决方案。通过建立近红外光谱与多指标成分含量之间的数学模型，能够实现对上清液中多种成分的快速、准确测定，从而及时监控醇沉工艺的运行状态，为工艺优化和质量控制提供有力的数据支持。3.2实验部分3.2.1仪器与试剂本实验选用的近红外光谱仪为[具体型号]，由[生产厂家]制造。该仪器配备了[具体的光源和探测器类型]，能够在780-2500nm的波长范围内进行快速、准确的光谱采集。其波长精度可达±[具体精度数值]nm，扫描速度为[具体扫描速度数值]次/秒，具备高度的稳定性和灵敏度，可满足实验对光谱采集的高精度和高效率要求。在党参一次醇沉上清液的光谱采集过程中，能精确捕捉到上清液中多种成分在近红外波段的特征吸收信息，为后续的数据分析和模型建立提供可靠的数据基础。高效液相色谱仪为[具体型号]，购自[生产厂家]。该仪器配备了[具体的泵、检测器等关键部件的特点和性能参数]，能够实现对样品中多种成分的高灵敏度分离和检测。其泵的流量精度可达±[具体流量精度数值]mL/min，能够保证流动相流速的稳定，从而实现对样品中各成分的精确分离；检测器的最小检测限可达[具体最小检测限数值]g/mL，能够准确检测出党参一次醇沉上清液中党参炔苷、总黄酮等微量成分的含量，为建立近红外光谱分析模型提供准确的参考值。电子天平的型号为[具体型号]，由[生产厂家]提供。其称量精度高达±[具体精度数值]mg，可满足实验中对样品和试剂精确称量的需求。在称取党参药材、标准品以及配制溶液等操作中，能够保证称量结果的准确性，减少因称量误差对实验结果的影响，确保实验数据的可靠性。实验所用的党参药材均采购自[具体产地]，并经过专业人员鉴定，确保其品种的纯正和质量的可靠。这些党参药材具有典型的外观特征，如根头部有多数疣状突起的茎痕及芽，每个茎痕的顶端呈凹下的圆点状；根头下有致密的环状横纹，向下渐稀疏，有的达全长的一半；支根断落处常有黑褐色胶状物。通过对药材的有效成分含量、重金属含量、农药残留等指标进行检测，均符合相关标准要求。乙醇为分析纯，购自[试剂供应商]，其纯度≥99.5%，能够满足醇沉工艺对乙醇纯度的要求，确保在醇沉过程中有效去除杂质，保留有效成分。其他试剂如甲醇、乙腈等也均为色谱纯，来源于[具体的试剂供应商]，以保证在高效液相色谱分析过程中不引入杂质，确保检测结果的准确性。3.2.2实验方法实验选取了[X]批党参一次醇沉上清液样品，这些样品来自不同的生产批次和生产条件，具有广泛的代表性。在采集光谱之前，将样品摇匀，以确保样品的均匀性。然后，使用[具体型号]近红外光谱仪，采用漫反射方式采集样品的近红外光谱。扫描波数范围设定为4000-10000cm-1，分辨率为8cm-1，扫描次数为32次，以获取全面且准确的光谱信息。在扫描过程中，保持环境温度和湿度的稳定，避免外界因素对光谱采集的干扰。每次采集光谱前，均以空气为参比进行背景扫描，以消除仪器本身和环境因素对光谱的影响。采用高效液相色谱法（HPLC）测定党参炔苷和总黄酮的含量。具体色谱条件如下：色谱柱为[具体型号]C18柱（[具体规格，如250mm×4.6mm，5μm]）；流动相为[具体的流动相组成及比例，如甲醇-水（30:70，v/v）]，通过优化流动相的组成和比例，能够实现党参炔苷和总黄酮与其他杂质的有效分离；流速为[具体流速数值，如1.0mL/min]，保证样品在色谱柱中的分离效果；检测波长为[具体检测波长数值，如270nm（党参炔苷）、360nm（总黄酮）]，根据党参炔苷和总黄酮的紫外吸收特征，选择在其最大吸收波长处进行检测，以提高检测的灵敏度和准确性；柱温为[具体柱温数值，如30℃]，保持色谱柱温度的稳定，有利于提高分析结果的重复性。在测定过程中，使用外标法进行定量分析，通过配制一系列不同浓度的党参炔苷和总黄酮标准溶液，绘制标准曲线，根据样品的峰面积在标准曲线上计算出样品中党参炔苷和总黄酮的含量。利用苯酚-硫酸法测定多糖含量。准确吸取适量的党参一次醇沉上清液样品于试管中，加入适量的苯酚溶液，摇匀后迅速加入浓硫酸，充分混合。在沸水浴中加热一定时间，使多糖与苯酚-硫酸试剂充分反应，生成橙黄色物质。冷却至室温后，在490nm波长处测定吸光度。通过与葡萄糖标准曲线进行对比，计算出样品中多糖的含量。在测定过程中，严格控制反应条件，如试剂的加入量、反应温度和时间等，以确保测定结果的准确性。同时，进行空白对照实验，消除试剂和其他因素对测定结果的影响。采用分光光度法测定色素含量。将党参一次醇沉上清液样品用适当的溶剂稀释至合适浓度，以溶剂为参比，在[具体波长范围，如400-700nm]内扫描吸收光谱，根据色素在该波长范围内的特征吸收峰，选择最大吸收波长处的吸光度进行测定。通过与已知浓度的色素标准溶液的吸光度进行比较，计算出样品中色素的含量。在测定过程中，注意选择合适的稀释倍数，确保样品的吸光度在仪器的线性范围内，以提高测定的准确性。3.2.3数据处理方法采用多种数据预处理方法对采集到的近红外光谱数据进行处理，以提高数据质量。使用Savitzky-Golay滤波法进行平滑处理，该方法通过对相邻数据点进行加权平均，能够有效消除光谱中的噪声干扰，使光谱曲线更加平滑。采用多元散射校正（MSC）进行基线校正，通过对光谱数据进行标准化处理，消除由于样品颗粒大小、散射等因素引起的基线漂移，使不同样品的光谱数据具有更好的可比性。对光谱数据进行归一化处理，将其统一到相同的尺度，常用的归一化方法有最大-最小归一化、Z-score归一化等，以消除不同样品之间由于浓度、测量条件等因素导致的光谱强度差异。运用偏最小二乘法（PLS）建立近红外光谱与各指标含量之间的定量模型。偏最小二乘法是一种有效的多元统计分析方法，它能够在自变量存在多重共线性的情况下，建立起自变量与因变量之间的关系模型。在建立模型过程中，通过交叉验证法确定最佳的主成分数，以避免模型出现过拟合或欠拟合的情况。经过多次试验和分析，确定主成分数为[具体主成分数]时，模型的性能最佳。此时，模型能够准确地反映近红外光谱与党参炔苷、总黄酮、多糖和色素含量之间的关系，为样品中各指标的快速测定提供可靠的工具。采用内部交叉验证和外部验证相结合的方式对建立的模型进行验证。在内部交叉验证中，将建模样品集随机分为若干个子集，每次用其中一个子集作为验证集，其余子集作为建模集，建立模型并对验证集进行预测，计算预测值与真实值之间的误差。通过多次交叉验证，得到模型的平均预测误差，如均方根误差（RMSE）、平均绝对误差（MAE）等，以评估模型的内部预测能力。在外部验证中，使用独立的验证样品集对模型进行验证，将验证样品集的光谱数据输入模型，得到预测值，并与真实值进行比较，计算相关的误差指标。通过内部交叉验证和外部验证，全面评估模型的准确性、可靠性和泛化能力。3.3结果与讨论3.3.1样本集异常值检验采用马氏距离（MahalanobisDistance）法对样本集进行异常值检验。马氏距离是一种考虑数据分布和变量间相关性的距离度量方法，能够有效识别数据集中与其他样本差异较大的异常值。对于给定的样本集X，其马氏距离的计算公式为：D_M^2=(x-\overline{x})^TS^{-1}(x-\overline{x})，其中x为样本向量，\overline{x}为样本集的均值向量，S为样本集的协方差矩阵。通过计算每个样本的马氏距离，并与设定的临界值进行比较。若某个样本的马氏距离大于临界值，则判定该样本为异常值。在本实验中，设定临界值为D_{M_{critical}}^2=\chi^2_{\alpha,p}，其中\alpha为显著性水平，取0.05；p为变量个数。经计算，发现有[X]个样本的马氏距离大于临界值，将这些样本判定为异常值并予以剔除。这是因为异常值可能是由于实验操作失误、仪器故障或样品本身的特殊性质等原因导致的，其存在会严重影响模型的准确性和可靠性，剔除异常值能够使模型更加准确地反映数据的真实特征，提高模型的性能。3.3.2样本集划分将经过异常值检验后的样本集按照7:3的比例随机划分为训练集和验证集。其中，训练集用于建立近红外光谱与各指标含量之间的定量模型，验证集则用于评估模型的准确性和泛化能力。采用随机划分的方式，能够确保训练集和验证集在数据分布上具有相似性，避免因划分方式不当导致模型出现过拟合或欠拟合的情况。例如，在划分过程中，利用随机数生成器对样本进行编号，然后按照编号顺序依次将样本分配到训练集和验证集，使得每个样本都有同等的机会被划分到不同的集合中。这样，训练集能够充分学习到样本的特征和规律，验证集则可以对模型在未知样本上的表现进行客观评价，从而保证模型的可靠性和有效性。3.3.3回归算法的选择对比了偏最小二乘法（PLS）和主成分回归法（PCR）两种回归算法在建立定量模型中的性能。偏最小二乘法是一种有效的多元统计分析方法，它能够在自变量存在多重共线性的情况下，通过提取主成分的方式，建立起自变量与因变量之间的关系模型。主成分回归法则是先对自变量进行主成分分析，然后将主成分作为新的自变量进行回归分析。通过计算两种算法建立的模型在验证集上的预测均方根误差（RMSEP）和决定系数（R2）来评估模型性能。预测均方根误差反映了模型预测值与真实值之间的偏差程度，其值越小，说明模型的预测准确性越高；决定系数则衡量了模型对数据的拟合优度，其值越接近1，表明模型对数据的解释能力越强。经计算，偏最小二乘法建立的模型在验证集上的RMSEP为[具体数值1]，R2为[具体数值2]；主成分回归法建立的模型在验证集上的RMSEP为[具体数值3]，R2为[具体数值4]。由于偏最小二乘法建立的模型RMSEP更小，R2更接近1，说明其在预测准确性和数据拟合优度方面表现更优，因此选择偏最小二乘法作为建立定量模型的回归算法。3.3.4光谱预处理探讨了多种光谱预处理方法对模型性能的影响，包括Savitzky-Golay滤波法（SG）、多元散射校正（MSC）、标准正态变量变换（SNV）和一阶导数（1stDerivative）等。Savitzky-Golay滤波法通过对相邻数据点进行加权平均，能够有效消除光谱中的噪声干扰，使光谱曲线更加平滑。多元散射校正则通过对光谱数据进行标准化处理，消除由于样品颗粒大小、散射等因素引起的基线漂移，使不同样品的光谱数据具有更好的可比性。标准正态变量变换是对每个光谱数据点进行标准化处理，以消除样品间的光程差异和颗粒散射效应。一阶导数处理则可以突出光谱的变化特征，增强光谱的分辨率，消除基线漂移和背景干扰。分别采用上述预处理方法对光谱数据进行处理，并利用处理后的数据建立偏最小二乘模型，计算模型在验证集上的RMSEP和R2。结果表明，经过SG+SNV预处理后的模型RMSEP最小，为[具体数值5]，R2最大，为[具体数值6]。这说明SG+SNV预处理方法能够有效提高光谱数据的质量，增强光谱与各指标含量之间的相关性，从而提高模型的预测准确性和稳定性，因此选择SG+SNV作为最佳的光谱预处理方法。3.3.5变量筛选采用无信息变量消除法（UVE）结合竞争自适应重加权采样法（CARS）对光谱变量进行筛选。无信息变量消除法通过计算变量的回归系数与回归系数标准差的比值，剔除比值较小的无信息变量，从而减少变量的数量，降低模型的复杂性。竞争自适应重加权采样法则是基于蒙特卡罗采样，每次从全变量集中随机选择一部分变量建立模型，根据模型的预测能力对变量进行加权，多次采样后，保留被选择次数较多的变量，进一步筛选出与目标成分相关性较强的变量。首先利用UVE方法对光谱变量进行初步筛选，剔除了[X1]个无信息变量。然后，在UVE筛选的基础上，采用CARS方法进行进一步筛选，最终选择出了[X2]个有效变量。通过对筛选前后变量建立的模型性能进行比较，发现筛选后的变量建立的模型在验证集上的RMSEP从[具体数值7]降低到了[具体数值8]，R2从[具体数值9]提高到了[具体数值10]。这表明经过变量筛选后，模型能够更准确地捕捉到光谱与各指标含量之间的关系，提高了模型的预测精度和稳定性，减少了计算量和模型的过拟合风险。3.3.6主成分数的确定采用交叉验证法确定偏最小二乘模型的主成分数。交叉验证法是一种常用的模型评估方法，它将训练集划分为若干个子集，每次用其中一个子集作为验证集，其余子集作为训练集，建立模型并对验证集进行预测，计算预测误差。通过多次交叉验证，得到模型在不同主成分数下的平均预测误差，以平均预测误差最小为准则确定最佳主成分数。在本实验中，将训练集划分为5个子集，分别计算在主成分数从1到20时模型的平均预测误差。随着主成分数的增加，模型的拟合能力逐渐增强，但当主成分数过多时，模型会出现过拟合现象，导致预测误差增大。当主成分数为[具体主成分数]时，模型的平均预测误差最小，此时模型在训练集和验证集上都具有较好的预测性能。因此，确定最佳主成分数为[具体主成分数]，在该主成分数下建立的模型能够在保证拟合能力的同时，有效避免过拟合，提高模型的泛化能力。3.3.7定量模型的建立利用经过预处理和变量筛选后的光谱数据，采用偏最小二乘法建立党参一次醇沉上清液中党参炔苷、总黄酮、多糖和色素含量的定量模型。在建立模型过程中，将主成分数设定为前面确定的最佳主成分数[具体主成分数]。得到党参炔苷含量的定量模型为：Y_{党参炔苷}=a_1X_1+a_2X_2+\cdots+a_nX_n+b_1，其中Y_{党参炔苷}为党参炔苷含量的预测值，X_i为筛选后的光谱变量，a_i为回归系数，b_1为常数项。总黄酮含量的定量模型为：Y_{总黄酮}=c_1X_1+c_2X_2+\cdots+c_nX_n+d_1，其中Y_{总黄酮}为总黄酮含量的预测值，c_i为回归系数，d_1为常数项。多糖含量的定量模型为：Y_{多糖}=e_1X_1+e_2X_2+\cdots+e_nX_n+f_1，其中Y_{多糖}为多糖含量的预测值，e_i为回归系数，f_1为常数项。色素含量的定量模型为：Y_{色素}=g_1X_1+g_2X_2+\cdots+g_nX_n+h_1，其中Y_{色素}为色素含量的预测值，g_i为回归系数，h_1为常数项。利用验证集对建立的定量模型进行评估，计算模型的预测均方根误差（RMSEP）、平均绝对误差（MAE）和决定系数（R2）。结果显示，党参炔苷含量模型的RMSEP为[具体数值11]，MAE为[具体数值12]，R2为[具体数值13]；总黄酮含量模型的RMSEP为[具体数值14]，MAE为[具体数值15]，R2为[具体数值16]；多糖含量模型的RMSEP为[具体数值17]，MAE为[具体数值18]，R2为[具体数值19]；色素含量模型的RMSEP为[具体数值20]，MAE为[具体数值21]，R2为[具体数值22]。各模型的RMSEP和MAE值较小，R2值接近1，表明建立的定量模型具有较高的准确性和可靠性，能够准确地预测党参一次醇沉上清液中各指标的含量。3.4小结本研究成功建立了基于近红外光谱法的党参一次醇沉上清液中多指标快速测定方法。通过对样本集进行异常值检验和合理划分，确保了数据的可靠性和模型的泛化能力。在回归算法选择上，偏最小二乘法展现出优于主成分回归法的性能，能够更准确地建立近红外光谱与各指标含量之间的关系。经过对多种光谱预处理方法和变量筛选方法的深入研究，确定了SG+SNV预处理方法结合UVE-CARS变量筛选方法为最佳组合，有效提高了光谱数据质量，降低了模型复杂度，增强了模型的预测精度和稳定性。通过交叉验证法确定了合适的主成分数，进一步优化了偏最小二乘模型。最终建立的党参炔苷、总黄酮、多糖和色素含量的定量模型具有较高的准确性和可靠性，各项误差指标均在可接受范围内，能够快速、准确地测定党参一次醇沉上清液中多指标含量。该模型的建立为党参一次醇沉工艺的质量控制提供了一种高效、便捷的检测手段，有助于及时监控醇沉过程，保证产品质量的稳定性和一致性，具有重要的实际应用价值和推广前景。四、黄芪二次醇沉过程在线监测方法的开发4.1引言在参芪扶正注射液的生产过程中，黄芪二次醇沉工艺对于保证产品质量起着至关重要的作用。黄芪二次醇沉过程的关键在于进一步去除一次醇沉后上清液中的杂质，同时保留和富集有效成分，其效果直接影响到注射液中活性成分的含量、纯度以及产品的稳定性和安全性。传统的黄芪二次醇沉工艺质量控制主要依赖于离线检测方法，如高效液相色谱法（HPLC）、紫外分光光度法等。这些方法虽然具有较高的准确性，但存在操作繁琐、分析时间长、需要大量样品前处理以及无法实时监测等缺点，难以满足现代药品生产对高效、实时质量控制的要求。在实际生产中，由于醇沉过程是一个动态变化的过程，离线检测无法及时反映过程中的参数变化和质量波动，容易导致生产过程出现偏差，影响产品质量的一致性和稳定性。近红外光谱法作为一种快速、无损、实时的分析技术，为黄芪二次醇沉过程的在线监测提供了新的解决方案。通过建立近红外光谱与黄芪二次醇沉过程中关键质量指标之间的定量关系模型，能够实现对醇沉过程的实时监测和关键质量指标的快速预测，及时发现工艺中的异常情况，为操作人员提供及时的决策依据，有助于优化生产工艺，提高产品质量，降低生产成本。因此，开发基于近红外光谱法的黄芪二次醇沉过程在线监测方法具有重要的现实意义和应用价值。4.2实验部分4.2.1仪器与试剂选用[具体型号]近红外光谱仪，由[生产厂家]制造，配备了[具体的光源和探测器类型]，可在780-2500nm的波长范围内快速、准确地采集光谱，波长精度可达±[具体精度数值]nm，扫描速度为[具体扫描速度数值]次/秒，为黄芪二次醇沉过程的光谱采集提供了稳定、可靠的数据支持。高效液相色谱仪（HPLC）为[具体型号]，购自[生产厂家]，配备了[具体的泵、检测器等关键部件的特点和性能参数]，泵的流量精度可达±[具体流量精度数值]mL/min，检测器的最小检测限可达[具体最小检测限数值]g/mL，能够实现对黄芪二次醇沉过程中多种成分的高灵敏度分离和检测，为建立近红外光谱分析模型提供准确的参考值。蒸发光散射检测器（ELSD）型号为[具体型号]，由[生产厂家]提供，其具有高灵敏度、宽线性范围等特点，能够有效检测黄芪二次醇沉过程中无紫外吸收或紫外吸收较弱的成分，如黄芪甲苷等皂苷类成分。电子天平的型号为[具体型号]，由[生产厂家]生产，称量精度高达±[具体精度数值]mg，可满足实验中对样品和试剂精确称量的需求，确保实验数据的准确性。实验所用的黄芪药材均采购自[具体产地]，并经过专业人员鉴定，确保其品种的纯正和质量的可靠。这些黄芪药材根呈圆柱形，表面淡棕黄色或淡棕褐色，有不整齐的纵皱纹或纵沟，皮孔横长，质地硬而韧，断面纤维性强，并显粉性，嚼之有豆腥味。经过对药材的有效成分含量、重金属含量、农药残留等指标进行检测，均符合相关标准要求。乙醇为分析纯，购自[试剂供应商]，其纯度≥99.5%，能够满足醇沉工艺对乙醇纯度的要求，确保在醇沉过程中有效去除杂质，保留有效成分。其他试剂如甲醇、乙腈等也均为色谱纯，来源于[具体的试剂供应商]，以保证在高效液相色谱分析过程中不引入杂质，确保检测结果的准确性。4.2.2实验方法选取[X]批黄芪二次醇沉过程中的样品，这些样品来自不同的生产批次和生产条件，具有广泛的代表性。使用光纤探头将近红外光谱仪与醇沉罐相连，实现对醇沉过程的在线监测。以空气为参比，每1min采集一次醇沉体系的近红外光谱，扫描波数范围设定为4000-10000cm-1，分辨率为8cm-1，扫描次数为32次，以获取全面且准确的光谱信息。在采集光谱过程中，保持环境温度和湿度的稳定，避免外界因素对光谱采集的干扰。采用高效液相色谱-紫外-蒸发光散射检测法（HPLC-UV-ELSD）测定黄芪二次醇沉过程中关键成分的含量，如毛蕊异黄酮苷、芒柄花苷、黄芪甲苷等。具体色谱条件如下：色谱柱为[具体型号]C18柱（[具体规格，如250mm×4.6mm，5μm]）；流动相为[具体的流动相组成及比例，如乙腈-水（梯度洗脱）]，通过优化流动相的组成和比例，能够实现各成分与其他杂质的有效分离；流速为[具体流速数值，如1.0mL/min]，保证样品在色谱柱中的分离效果；检测波长为[具体检测波长数值，如260nm（毛蕊异黄酮苷、芒柄花苷），ELSD检测参数为：漂移管温度[具体温度数值，如100℃]，气体流量[具体流量数值，如2.5L/min]（黄芪甲苷）]，根据各成分的紫外吸收特征和ELSD的检测原理，选择合适的检测条件，以提高检测的灵敏度和准确性；柱温为[具体柱温数值，如30℃]，保持色谱柱温度的稳定，有利于提高分析结果的重复性。在测定过程中，使用外标法进行定量分析，通过配制一系列不同浓度的标准溶液，绘制标准曲线，根据样品的峰面积在标准曲线上计算出样品中各成分的含量。4.2.3数据处理方法对采集到的近红外光谱数据进行预处理，以提高数据质量。采用Savitzky-Golay滤波法进行平滑处理，通过对相邻数据点进行加权平均，有效消除光谱中的噪声干扰，使光谱曲线更加平滑。运用多元散射校正（MSC）进行基线校正，通过对光谱数据进行标准化处理，消除由于样品颗粒大小、散射等因素引起的基线漂移，使不同样品的光谱数据具有更好的可比性。对光谱数据进行归一化处理，将其统一到相同的尺度，常用的归一化方法有最大-最小归一化、Z-score归一化等，以消除不同样品之间由于浓度、测量条件等因素导致的光谱强度差异。运用偏最小二乘法（PLS）建立近红外光谱与各成分含量之间的定量模型。偏最小二乘法是一种有效的多元统计分析方法，它能够在自变量存在多重共线性的情况下，建立起自变量与因变量之间的关系模型。在建立模型过程中，通过交叉验证法确定最佳的主成分数，以避免模型出现过拟合或欠拟合的情况。经过多次试验和分析，确定主成分数为[具体主成分数]时，模型的性能最佳。此时，模型能够准确地反映近红外光谱与毛蕊异黄酮苷、芒柄花苷、黄芪甲苷等成分含量之间的关系，为样品中各成分的快速测定提供可靠的工具。采用内部交叉验证和外部验证相结合的方式对建立的模型进行验证。在内部交叉验证中，将建模样品集随机分为若干个子集，每次用其中一个子集作为验证集，其余子集作为建模集，建立模型并对验证集进行预测，计算预测值与真实值之间的误差。通过多次交叉验证，得到模型的平均预测误差，如均方根误差（RMSE）、平均绝对误差（MAE）等，以评估模型的内部预测能力。在外部验证中，使用独立的验证样品集对模型进行验证，将验证样品集的光谱数据输入模型，得到预测值，并与真实值进行比较，计算相关的误差指标。通过内部交叉验证和外部验证，全面评估模型的准确性、可靠性和泛化能力。4.3结果与讨论4.3.1HPLC-UV-ELSD分析法的验证采用高效液相色谱-紫外-蒸发光散射检测法（HPLC-UV-ELSD）对黄芪二次醇沉过程中关键成分的含量进行测定，对该分析法进行全面验证。精密度试验中，对同一黄芪二次醇沉样品进行6次重复进样，测定毛蕊异黄酮苷、芒柄花苷、黄芪甲苷等关键成分的含量。结果显示，各成分峰面积的相对标准偏差（RSD）均小于2%，表明该分析法的仪器精密度良好，能够保证多次测量结果的一致性。重复性试验里，取同一批次的黄芪二次醇沉样品6份，按照相同的方法进行处理和测定。各成分含量测定结果的RSD均小于3%，说明该分析法具有良好的重复性，不同操作人员在相同条件下进行测定时，能够得到较为一致的结果。稳定性试验中，将同一黄芪二次醇沉样品溶液在室温下放置0、2、4、6、8、12h后进行测定。结果表明，各成分含量在12h内基本保持稳定，RSD均小于3%，证明该样品溶液在12h内具有良好的稳定性，能够满足实验分析的时间要求。加样回收率试验中，精密称取已知含量的黄芪二次醇沉样品，分别加入不同量的毛蕊异黄酮苷、芒柄花苷、黄芪甲苷等标准品，按照上述色谱条件进行测定，计算加样回收率。各成分的加样回收率在95%-105%之间，RSD均小于3%，表明该分析法具有较高的准确性和可靠性，能够准确测定样品中各成分的含量。4.3.2黄芪二次醇沉过程光谱通过光纤探头在线采集的黄芪二次醇沉过程光谱呈现出明显的变化规律。在醇沉开始阶段，随着乙醇的逐渐加入，光谱在某些特征波段出现明显的变化。例如，在5500-6000cm-1波段，该波段主要与黄芪中多糖、皂苷类成分的C-H、O-H等化学键的伸缩振动和弯曲振动有关。随着乙醇浓度的增加，多糖、皂苷等成分逐渐沉淀，导致该波段的吸光度发生变化。在7000-7500cm-1波段，与蛋白质、鞣质等杂质的相关吸收峰也随着醇沉过程发生改变，反映了杂质在醇沉过程中的去除情况。随着醇沉的进行，沉淀逐渐增多，体系的物理性质发生变化，对光的散射和吸收作用增强，导致光谱的噪声增加。特别是在4000-4500cm-1和9500-10000cm-1波段，噪声干扰严重，有用信息被掩盖，不利于后续的数据分析和建模。而在6500-7000cm-1波段，主要为水的吸收峰，由于醇沉过程中水分含量的变化相对较小，该波段的光谱变化相对平稳，可用于辅助判断醇沉过程中体系的水分含量变化。4.3.3波段筛选与光谱预处理根据光谱分析结果，选择5500-6000cm-1、7000-7500cm-1等包含关键成分信息的波段作为有效波段，舍去噪声严重的4000-4500cm-1和9500-10000cm-1波段。采用Savitzky-Golay滤波法对光谱进行平滑处理，通过对相邻数据点进行加权平均，有效消除了光谱中的噪声干扰，使光谱曲线更加平滑。运用多元散射校正（MSC）对光谱进行基线校正，消除了由于样品颗粒大小、散射等因素引起的基线漂移，使不同样品的光谱数据具有更好的可比性。对光谱数据进行归一化处理，采用Z-score归一化方法，将光谱数据的均值调整为0，标准差调整为1，消除了不同样品之间由于浓度、测量条件等因素导致的光谱强度差异。经过预处理后的光谱数据，其质量得到显著提升，特征信息更加突出，为后续建立准确的定量模型奠定了良好的基础。例如，在5500-6000cm-1波段，预处理后的光谱曲线更加平滑，与黄芪中多糖、皂苷类成分相关的吸收峰更加明显，有助于提高模型对这些成分含量的预测准确性。4.3.4定量模型的建立运用偏最小二乘法（PLS）建立近红外光谱与毛蕊异黄酮苷、芒柄花苷、黄芪甲苷等关键成分含量之间的定量模型。在建立模型过程中，通过交叉验证法确定最佳的主成分数。将建模样品集随机分为5个子集，每次用其中一个子集作为验证集，其余子集作为建模集，建立模型并对验证集进行预测，计算预测值与真实值之间的误差。当主成分数为[具体主成分数]时，模型的预测均方根误差（RMSEP）最小，决定系数（R2）最大，表明此时模型的性能最佳。得到毛蕊异黄酮苷含量的定量模型为：Y_{毛蕊异黄酮苷}=a_1X_1+a_2X_2+\cdots+a_nX_n+b_1，其中Y_{毛蕊异黄酮苷}为毛蕊异黄酮苷含量的预测值，X_i为筛选后的光谱变量，a_i为回归系数，b_1为常数项。芒柄花苷含量的定量模型为：Y_{芒柄花苷}=c_1X_1+c_2X_2+\cdots+c_nX_n+d_1，其中Y_{芒柄花苷}为芒柄花苷含量的预测值，c_i为回归系数，d_1为常数项。黄芪甲苷含量的定量模型为：Y_{黄芪甲苷}=e_1X_1+e_2X_2+\cdots+e_nX_n+f_1，其中Y_{黄芪甲苷}为黄芪甲苷含量的预测值，e_i为回归系数，f_1为常数项。利用验证集对建立的定量模型进行评估，计算模型的预测均方根误差（RMSEP）、平均绝对误差（MAE）和决定系数（R2）。结果显示，毛蕊异黄酮苷含量模型的RMSEP为[具体数值1]，MAE为[具体数值2]，R2为[具体数值3]；芒柄花苷含量模型的RMSEP为[具体数值4]，MAE为[具体数值5]，R2为[具体数值6]；黄芪甲苷含量模型的RMSEP为[具体数值7]，MAE为[具体数值8]，R2为[具体数值9]。各模型的RMSEP和MAE值较小，R2值接近1，表明建立的定量模型具有较高的准确性和可靠性，能够准确地预测黄芪二次醇沉过程中各关键成分的含量。4.4小结本研究成功开发了基于近红外光谱法的黄芪二次醇沉过程在线监测方法。通过对实验方法的合理设计，利用高效液相色谱-紫外-蒸发光散射检测法（HPLC-UV-ELSD）准确测定了黄芪二次醇沉过程中关键成分的含量，并对该分析法进行了精密度、重复性、稳定性和加样回收率等全面验证，确保了含量测定结果的准确性和可靠性。在光谱分析方面，对采集的黄芪二次醇沉过程光谱进行了深入研究，筛选出包含关键成分信息的有效波段，并采用Savitzky-Golay滤波法、多元散射校正（MSC）和归一化等方法进行光谱预处理，显著提升了光谱数据质量，为后续建模奠定了良好基础。运用偏最小二乘法（PLS）建立了近红外光谱与毛蕊异黄酮苷、芒柄花苷、黄芪甲苷等关键成分含量之间的定量模型。通过交叉验证法确定了最佳主成分数，使模型具有较高的准确性和可靠性。验证结果表明，各模型的预测均方根误差（RMSEP）和平均绝对误差（MAE）值较小，决定系数（R2）接近1，能够准确地预测黄芪二次醇沉过程中各关键成分的含量。该在线监测方法具有快速、无损、实时等优点，能够实现对黄芪二次醇沉过程的实时监测，及时获取关键成分含量信息，为醇沉工艺的质量控制提供了有效的技术手段，有助于优化生产工艺，提高产品质量，降低生产成本，具有重要的实际应用价值和推广前景。五、黄芪二次醇沉过程在线监测方法的验证5.1引言在成功开发基于近红外光谱法的黄芪二次醇沉过程在线监测方法后，对该方法进行全面验证至关重要。这是确保监测方法准确性、可靠性和适用性的关键步骤，直接关系到其在实际生产中的应用效果。准确可靠的在线监测方法能够实时、精准地反映黄芪二次醇沉过程中关键成分的含量变化，为生产过程的质量控制提供有力支持。若监测方法不准确，可能导致对醇沉过程的判断失误，无法及时发现工艺中的异常情况，从而影响产品质量，甚至可能导致产品不合格，造成经济损失。验证过程能够评估方法在不同条件下的性能表现，如不同批次样品、不同仪器设备、不同操作人员等，考察其稳定性和重复性，确保在实际生产环境中能够稳定运行，不受外界因素的干扰。通过验证，还可以确定方法的适用范围，明确其在何种条件下能够发挥最佳效果，为实际生产提供科学依据，指导操作人员合理使用该方法，提高生产效率，保障产品质量的稳定性和一致性。5.2实验部分5.2.1仪器与试剂选用[具体型号]近红外光谱仪，该仪器由[生产厂家]制造，配备了[具体的光源和探测器类型]，具备在780-2500nm波长范围内快速、准确采集光谱的能力，其波长精度可达±[具体精度数值]nm，扫描速度为[具体扫描速度数值]次/秒，能为黄芪二次醇沉过程的光谱采集提供稳定、可靠的数据支持，确保采集到的光谱数据准确反映醇沉过程中物质成分的变化。高效液相色谱仪（HPLC）为[具体型号]，购自[生产厂家]，配备的泵流量精度可达±[具体流量精度数值]mL/min，能够精确控制流动相的流速，保证样品在色谱柱中的分离效果；检测器的最小检测限可达[具体最小检测限数值]g/mL，具备高灵敏度，能够准确检测出黄芪二次醇沉过程中多种成分的含量，为建立近红外光谱分析模型提供准确的参考值。电子天平的型号为[具体型号]，由[生产厂家]生产，称量精度高达±[具体精度数值]mg，在实验中用于精确称量样品和试剂，确保实验数据的准确性，减少因称量误差对实验结果的影响。实验所用的黄芪药材均采购自[具体产地]，并经过专业人员鉴定，确保其品种的纯正和质量的可靠。这些黄芪药材根呈圆柱形，表面淡棕黄色或淡棕褐色，有不整齐的纵皱纹或纵沟，皮孔横长，质地硬而韧，断面纤维性强，并显粉性，嚼之有豆腥味。经过对药材的有效成分含量、重金属含量、农药残留等指标进行检测，均符合相关标准要求。乙醇为分析纯，购自[试剂供应商]，其纯度≥99.5%，能够满足醇沉工艺对乙醇纯度的要求，确保在醇沉过程中有效去除杂质，保留有效成分。其他试剂如甲醇、乙腈等也均为色谱纯，来源于[具体的试剂供应商]，以保证在高效液相色谱分析过程中不引入杂质，确保检测结果的准确性。5.2.2实验方法选取[X]批独立的黄芪二次醇沉过程样品用于验证实验，这些样品与建模样品来自不同的生产批次和生产条件，以全面考察模型在不同情况下的性能。使用光纤探头将近红外光谱仪与醇沉罐相连，实现对醇沉过程的在线监测。以空气为参比，每1min采集一次醇沉体系的近红外光谱，扫描波数范围设定为4000-10000cm-1，分辨率为8cm-1，扫描次数为32次，确保获取全面且准确的光谱信息。在采集光谱过程中，严格控制环境温度在[具体温度范围]，相对湿度在[具体湿度范围]，避免外界因素对光谱采集的干扰。采用高效液相色谱-紫外-蒸发光散射检测法（HPLC-UV-ELSD）测定黄芪二次醇沉过程中关键成分的含量，如毛蕊异黄酮苷、芒柄花苷、黄芪甲苷等。具体色谱条件如下：色谱柱为[具体型号]C18柱（[具体规格，如250mm×4.6mm，5μm]）；流动相为[具体的流动相组成及比例，如乙腈-水（梯度洗脱）]，通过优化流动相的组成和比例，实现各成分与其他杂质的有效分离；流速为[具体流速数值，如1.0mL/min]，保证样品在色谱柱中的分离效果；检测波长为[具体检测波长数值，如260nm（毛蕊异黄酮苷、芒柄花苷），ELSD检测参数为：漂移管温度[具体温度数值，如100℃]，气体流量[具体流量数值，如2.5L/min]（黄芪甲苷）]，根据各成分的紫外吸收特征和ELSD的检测原理，选择合适的检测条件，提高检测的灵敏度和准确性；柱温为[具体柱温数值，如30℃]，保持色谱柱温度的稳定，有利于提高分析结果的重复性。在测定过程中，使用外标法进行定量分析，通过配制一系列不同浓度的标准溶液，绘制标准曲线，根据样品的峰面积在标准曲线上计算出样品中各成分的含量。5.2.3数据处理方法对采集到的近红外光谱数据进行预处理，以提高数据质量。采用Savitzky-Golay滤波法进行平滑处理，通过对相邻数据点进行加权平均，有效消除光谱中的噪声干扰，使光谱曲线更加平滑。运用多元散射校正（MSC）进行基线校正，通过对光谱数据进行标准化处理，消除由于样品颗粒大小、散射等因素引起的基线漂移，使不同样品的光谱数据具有更好的可比性。对光谱数据进行归一化处理，采用Z-score归一化方法，将光谱数据的均值