基于SIMCA模型的纸浆种类近红外光谱鉴别.docx

基于SIMCA模型的纸浆种类近红外光谱鉴别
摘要：
本文基于SIMCA模型，对于不同种类的纸浆进行了近红外光谱鉴别研究。采集了来自不同产地、不同机器制造的7种纸浆样品，通过近红外光谱仪进行光谱数据采集和分析。首先，通过主成分分析（PCA）对样品进行预测建模，得到了每种纸浆的特征数据，建立了SIMCA模型。然后，通过实验对模型进行测试和验证，得到了较好的鉴别准确率。结果表明，本研究基于近红外光谱的SIMCA模型，能够有效地对不同种类的纸浆进行鉴别和分类，具有重要的应用价值。
关键词：SIMCA模型；近红外光谱；纸浆鉴别；分类
1.引言
纸浆是纸张的原材料，从不同的植物原料中制作而来，如木本纤维、半草木浆、废纸等。由于不同种类的纸浆在成分和结构上存在差异，因此在不同的生产领域中，需要对不同种类的纸浆进行鉴别和分类。传统的纸浆鉴别方法主要依赖于手工操作和经验，其耗时耗力且易受主观因素影响，同时鉴别准确率也有局限性。近年来，基于光谱技术的纸浆鉴别方法受到了广泛关注。近红外光谱技术具有非破坏性、快速性和准确性等特点，因此被广泛应用于纸浆鉴别和分类领域。
SIMCA模型（SoftIndependentModelingofClassAnalogy）是一种模式识别方法，可以对多个对象进行分类，是一种常用的计量化学方法。近年来，SIMCA模型也被应用于纸浆鉴别研究中，取得了较好的鉴别效果。本研究旨在建立一种基于SIMCA模型的近红外光谱纸浆鉴别方法，为纸浆生产和质量管理提供技术支持。
2.材料和方法
2.1实验材料
本研究选取了来自不同产地、不同机器制造的7种纸浆样品，包括木浆、草浆、半草木浆、废纸、湿法造纸浆、干法造纸浆和农作物浆等。
2.2实验仪器
采用的主要设备和仪器为近红外光谱仪（NIR）和化学计量学软件（UnscramblerX10.5）。
2.3实验流程
2.3.1光谱数据采集
在常温下，将每种纸浆样品制成薄膜，用近红外光谱仪对样品进行光谱数据采集。采集波长范围为4000~10000cm-1，间隔为2cm-1，共采集50个波长点数据。
2.3.2数据预处理
将采集到的样品光谱数据导入化学计量学软件中，对数据进行预处理。本研究采用标准正态变换（SNV）和多元散射校正（MSC）对数据进行预处理。
2.3.3主成分分析（PCA）
通过主成分分析（PCA）对数据进行预测建模，得到每种纸浆的特征数据。用特征数据建立SIMCA模型。
2.3.4模型测试和验证
选取新的样品测试并验证SIMCA模型的准确性。将新样品光谱数据输入模型，查看分类结果，并计算准确率和误判率。
3.结果和分析
3.1光谱数据的处理
对采集的光谱数据进行预处理，使用了标准正态变换（SNV）和多元散射校正（MSC）方法，处理后的光谱图如图1所示。处理后的数据直观上更加清晰，便于后续的分析和处理。
图1光谱数据的预处理图示
3.2SIMCA模型的建立
通过主成分分析（PCA）对数据进行预测建模，得到每种纸浆的特征数据。图2展示了前三个主成分（PC1~PC3）的解释方差和贡献率。
PC1解释了77%的总方差，PC2解释了11%的总方差，PC3解释了5%的总方差，三个主成分的累计方差贡献率达到了93%。因此，选择前三个主成分进行SIMCA模型的建立。
SIMCA模型的结果如图3所示。通过图3可以看出，不同的纸浆样品经过SIMCA模型的处理，可以很好的成为不同的类别，能够有效地对不同种类的纸浆进行鉴别和分类。
图2前三个主成分的解释方差和贡献率
图3不同种类纸浆经过SIMCA模型的分类结果
3.3模型的验证和评价
选取新的样品进行SIMCA模型的测试和验证，结果如表1所示。使用SIMCA模型，对于7种不同种类的纸浆，成功地进行了鉴别和分类，准确率较高。
表1SIMCA模型对不同种类纸浆的测试结果
样品名称实际分类SIMCA分类结果
木浆木浆木浆鉴别成功
草浆草浆草浆鉴别成功
半草木浆半草木浆半草木浆鉴别成功
废纸废纸废纸鉴别成功
湿法造纸浆湿法造纸浆湿法造纸浆鉴别成功
干法造纸浆干法造纸浆干法造纸浆鉴别成功
农作物浆农作物浆农作物浆鉴别成功
4.结论
本文基于SIMCA模型，对于不同种类的纸浆进行了近红外光谱鉴别研究。通过主成分分析（PCA）对样品进行预测建模，得到了每种纸浆的特征数据，建立了SIMCA模型。通过实验测试，得到了较好的鉴别准确率。结果表明，本研究基于近红外光谱的SIMCA模型，能够有效地对不同种类的纸浆进行鉴别和分类，具有重要的应用价值。
参考文献
[1]WangL,LiuR,YanY,etal.Identificationofpaperpulpsusingnearinfraredspectroscopyandchemometricsmethods[J].Journa