戴 平，曾敬其，胡小艷，王 靜，韓燕雨，王曉萌，張曉夢，杜 菁，戚武振，林 羽，吳志生,

·藥劑與工藝·

中藥制造煉蜜過程中水分的近紅外光譜在線檢測方法研究

戴 平1，曾敬其1，胡小艷1，王 靜2, 3，韓燕雨2, 3，王曉萌2, 3，張曉夢1，杜 菁4，戚武振2, 3，林 羽1*，吳志生1, 2, 3*

1. 福建中醫(yī)藥大學(xué)藥學(xué)院，福建 福州 350122 2. 北京中醫(yī)藥大學(xué)中藥學(xué)院，北京 102488 3. 中藥制藥與新藥開發(fā)教育部工程研究中心，北京 102488 4. 北京同仁堂股份有限公司科學(xué)研究所 中藥復(fù)方新藥開發(fā)國家工程研究中心，北京 100079

建立一種在中試規(guī)模穩(wěn)定的中藥制造煉蜜過程水分在線檢測方法，提高煉蜜產(chǎn)品的質(zhì)量均一性。采用旁路外循環(huán)策略構(gòu)建中試規(guī)模煉蜜過程中近紅外光譜（near infrared spectroscopy，NIRS）的在線測量裝備，開發(fā)減壓工藝煉蜜過程水分的NIRS在線檢測方法。引入灰色關(guān)聯(lián)度作為NIRS在線檢測模型的性能評價指標，采用系統(tǒng)優(yōu)化策略，分別對模型的光譜預(yù)處理方法、建模波段和多元校正算法進行優(yōu)化。煉蜜原料批次間差異是影響模型預(yù)測性能的關(guān)鍵因素，建模波段和多元校正算法優(yōu)化可以降低煉蜜原料批次間差異對模型的影響。最終，最優(yōu)模型參數(shù)為光譜預(yù)處理方法選擇傅里葉變換，建模波段1880～2040 nm，多元校正算法選擇支持向量回歸，模型校正集與預(yù)測集樣品預(yù)測結(jié)果的相對偏差均小于5.00%。所建方法快速、無損且準確可靠，可以監(jiān)測煉蜜過程中水分的動態(tài)變化，提高煉蜜產(chǎn)品質(zhì)量一致性。

中藥制造；煉蜜；近紅外光譜；水分；在線檢測；灰色關(guān)聯(lián)度

煉蜜過程是中藥制造的關(guān)鍵環(huán)節(jié)，水分含量是煉蜜過程的關(guān)鍵質(zhì)量屬性。目前，判斷煉蜜過程終點的方法是基于人工經(jīng)驗結(jié)合折光率法離線取樣檢測煉蜜水分，然而人工經(jīng)驗、蜂蜜天然屬性和環(huán)境設(shè)備等因素的不確定性嚴重制約了煉蜜水分的穩(wěn)定性。煉蜜過程存在生產(chǎn)過程高耗，工藝控制粗放等問題，迫切需要引入在線檢測技術(shù)控制煉蜜過程水分。光譜信號與質(zhì)量信息相關(guān)聯(lián)形成智能診斷是近紅外光譜（near infrared spectroscopy，NIRS）技術(shù)在中藥智能制造方向的研究趨勢[1-2]。NIRS在普通的低羥基石英光纖中傳輸損耗很小，可利用光纖探頭傳輸信號，通過多元校正模型，實現(xiàn)復(fù)雜樣品體系中水分信息檢測[3-6]。NIRS分析技術(shù)在對蜂蜜品質(zhì)的研究方面已經(jīng)取得了許多成果。這些研究主要集中在對蜂蜜中糖類物質(zhì)、水分含量及微量成分的定量分析和對蜂蜜的摻假、植物花蜜來源和產(chǎn)地鑒別的定性分析。NIRS分析技術(shù)在煉蜜水分含量的在線檢測方面具有顯著優(yōu)勢[7-9]，但現(xiàn)有研究多停留在小試階段。在實際生產(chǎn)中，要在不解除減壓煉蜜設(shè)備真空環(huán)境的條件下實現(xiàn)水分含量的實時檢測，仍然存在一定的挑戰(zhàn)。這主要涉及到近紅外光譜儀器的選擇、樣品采樣等問題，需要進一步深入研究和大規(guī)模生產(chǎn)實踐的支持。因此，未來的研究需要尋求更加適合實際生產(chǎn)的方案，開發(fā)出適用于大規(guī)模生產(chǎn)工藝的水分含量在線檢測方法，提高其對真空環(huán)境的穩(wěn)定性和適應(yīng)能力，在不影響蜂蜜煉制過程的前提下，實現(xiàn)煉蜜水分含量的實時在線檢測，為蜂蜜煉制提供有效的技術(shù)保障。

煉蜜過程NIRS的在線檢測裝備包括煉蜜罐和近紅外光譜儀2個主要模塊，減少煉蜜罐中環(huán)境因素對NIRS檢測的影響，是在線檢測裝備設(shè)計的關(guān)鍵問題。課題組前期研究結(jié)果表明，采用旁路外循環(huán)系統(tǒng)可以使取樣過程在罐內(nèi)煉蜜樣品循環(huán)流動的狀態(tài)下進行，且可以有效控制光程、溫度等因素對NIRS檢測的影響[10]。本研究基于一套中試規(guī)模的煉蜜過程NIRS在線檢測裝備，以同仁牛黃清心丸生產(chǎn)真實世界的蜂蜜樣品為研究載體，采用旁路外循環(huán)系統(tǒng)進行光譜檢測，同時引入灰色關(guān)聯(lián)度作為模型性能的評價指標，系統(tǒng)優(yōu)化提高模型穩(wěn)健性，最終建立穩(wěn)定、可靠的煉蜜過程水分在線檢測方法，實現(xiàn)中藥制造煉蜜過程水分的實時監(jiān)測，提高煉蜜產(chǎn)品質(zhì)量的均一性。

1 儀器與材料

1.1 儀器

QXNS20L型球形減壓蒸發(fā)器，華強中天流體設(shè)備有限公司，采用夾套式油浴加熱，內(nèi)置刮板式攪拌器，配備真空和冷凝裝備；XDS Rapid Liquid Analyzer型全息光柵近紅外光譜儀，瑞士萬通中國有限公司，配備透射光纖；2WAJ型單目阿貝折光儀，上海力辰邦西儀器科技有限公司；601型超級恒溫水浴鍋，金壇市文華儀器有限公司。

1.2 材料

Y2、Y3、Y4共3批蜂蜜，每批15 L，批號2005-07501、2005-07502、2005-07503，來源于北京同仁堂大興生產(chǎn)基地生產(chǎn)用蜜，由北京同仁堂股份有限公司科學(xué)研究所提供，經(jīng)北京中醫(yī)藥大學(xué)東方醫(yī)院劉志祿副主任藥師鑒定，為蜜蜂科蜜蜂屬昆蟲中華蜜蜂Fabricius所釀的蜜，符合《中國藥典》2020年版標準。

2 方法與結(jié)果

2.1 煉蜜樣品的水分測定

按照《中國藥典》2020年版0622折光率測定法測定煉蜜樣品的水分，預(yù)先連接阿貝折光儀與恒溫水浴，并將水浴溫度調(diào)至（40.0±0.1）℃至恒溫，用新沸過的冷水校正折光計的折光指數(shù)為1.330 5，取蜂蜜1～2滴，滴于棱鏡上測定，讀取折光指數(shù)，計算煉蜜樣品含水量。40 ℃下煉蜜折光指數(shù)與水分轉(zhuǎn)換公式如下。

＝100－[78＋390.7(－1.476 8)]

為煉蜜水分，為煉蜜在40 ℃時的折光指數(shù)

2.2 中試規(guī)模煉蜜過程中樣品的收集與NIRS數(shù)據(jù)采集

如圖1所示，煉蜜過程NIRS在線檢測裝備主要包括9個部分，其中煉蜜罐（1）和近紅外光譜儀通過旁路外循環(huán)系統(tǒng)進行關(guān)聯(lián)。煉蜜罐（1）用于蜂蜜煉制，配備真空和冷凝裝備，下方接入旁路外循環(huán)管道。閥門（2）用于控制旁路外循環(huán)系統(tǒng)與煉蜜罐系統(tǒng)的交互連接。氣動隔膜泵（3）用于為旁路外循環(huán)系統(tǒng)提供動力。取樣口（4）用于收集煉蜜過程樣品。流通池（5）用于控制旁路外循環(huán)系統(tǒng)中光譜檢測的光程。入射光纖（6）和出射光纖（7）分別用于NIRS的輸入和輸出。近紅外光譜儀（8）用于旁路外循環(huán)系統(tǒng)的NIRS檢測。計算機（9）用于NIRS模型的開發(fā)，配置具有光譜采集、存儲、處理等功能的光譜分析軟件。

圖1 煉蜜過程NIRS在線檢測裝備

量取蜂蜜15 L置于20 L球形減壓蒸發(fā)器，煉蜜罐溫度設(shè)置為50～60 ℃，真空度為0.08 MPa，煉蜜罐達到設(shè)定溫度后間隔取樣，每次取樣前需解除真空環(huán)境。煉蜜過程中，首先通過氣動隔膜泵，使蜂蜜在旁路外循環(huán)系統(tǒng)中循環(huán)20 s，循環(huán)結(jié)束后進行NIRS檢測。光譜檢測的模式為透射，光程2 mm，光譜范圍800～2200 nm，掃描次數(shù)32次，分辨率0.5 nm。NIRS檢測完成后，再通過取樣口收集煉蜜過程樣品，每個樣品30 mL。以傳統(tǒng)經(jīng)驗?zāi)碇霈F(xiàn)長白絲為終點結(jié)束采樣，收集Y2、Y3和Y4 3個批次減壓工藝煉蜜樣品，水分變化如圖2-a所示，其中，Y2批次煉蜜時間330 min，采樣間隔約10 min，水分范圍19.38%～24.11%，共收集樣品32個；Y3批次煉蜜時間315 min，采樣間隔約15 min，水分范圍14.81%～25.36%，共收集樣品24個；Y4批次煉蜜時間380 min，采樣間隔約20 min，水分范圍13.56%～26.34%，共收集樣品23個。3個批次減壓煉蜜過程共收集樣品79個，結(jié)果顯示，3個批次原蜜的水分含量差值最大為2.23%，煉蜜過程終點水分含量差值最大為5.82%，傳統(tǒng)經(jīng)驗判斷煉蜜工藝具有明顯的主觀性，影響煉蜜過程終點水分的穩(wěn)定性。圖2-b是Y2、Y3和Y4 3個批次蜂蜜減壓工藝煉蜜過程的NIRS原始光譜圖，3個批次煉蜜NIRS的特征吸收波段基本一致，在1400～1500 nm、1900～1950 nm和2050～2150 nm波段存在明顯的水分特征吸收[11-12]。

a-Y2、Y3、Y4批次水分變化圖 b-NIRS原始光譜圖

2.3 灰色關(guān)聯(lián)度算法

灰色關(guān)聯(lián)度是衡量不同比較變量與參考變量間關(guān)聯(lián)程度高低的相對指標，通過對不同變量幾何形狀差異的量化，評價變量之間發(fā)展趨勢的相似或相異程度?；疑P(guān)聯(lián)度越大，變量間的相關(guān)程度越高?；疑P(guān)聯(lián)度受參考變量與所有比較變量的全局最小差和全局最大差影響，因此，為評價不同比較變量與參考變量間關(guān)聯(lián)程度的高低，需將不同比較變量與參考變量同時計算灰色關(guān)聯(lián)度[13-15]。

灰色關(guān)聯(lián)度的計算過程如下：

（1）確定參考變量（0）和比較變量（x，＝1, 2, …,），并對變量中各個參數(shù)進行歸一化，消除參數(shù)間的量綱差異。

（2）確定變量中各個參數(shù)權(quán)重（w，＝1, 2, …,），通常各個參數(shù)的權(quán)重均為1/，也可根據(jù)具體問題賦值參數(shù)的權(quán)重。

（3）計算灰色關(guān)聯(lián)系數(shù)。

（4）計算灰色關(guān)聯(lián)度。

r為比較變量x與參考變量0間的灰色關(guān)聯(lián)度

2.4 數(shù)據(jù)處理

通過灰色關(guān)聯(lián)度算法，分辨系數(shù)為0.5，計算模型預(yù)測結(jié)果與參考值的灰色關(guān)聯(lián)度（ref），并與模型的交叉驗證均方根誤差（root mean square error of cross-validation，RMSECV）、校正均方根誤差（root mean square error of calibration，RMSEC）、預(yù)測均方根誤差（root mean square error of prediction，RMSEP）、校正決定系數(shù)（cal2）、預(yù)測決定系數(shù)（pre2）和殘差預(yù)測偏差（residual predictive deviation，RPD）共同作為模型的性能評價指標。

數(shù)據(jù)分析均在MATLAB R2019a軟件（美國Math Works公司）和The Unscrambler X 10.4（挪威CAMO公司）完成，圖片繪制在Origin 2017函數(shù)繪圖軟件（美國Origin Lab公司）完成。

2.5 光譜預(yù)處理方法優(yōu)化

采用偏最小二乘法（partial least squares，PLS）進行光譜分析建模，3個批次兩兩組合為校正集，另1批次為預(yù)測集進行驗證，優(yōu)化光譜預(yù)處理方法。通過PLS模型的留一交叉驗證策略，優(yōu)化標準正態(tài)變換（standard normal variate，SNV）、Savitzky～Golay二階11點平滑（SG11）、Savitzky～Golay一階導(dǎo)數(shù)（SG＋1D）和Savitzky～Golay二階導(dǎo)數(shù) （SG＋2D）等光譜預(yù)處理方法的潛變量因子數(shù)（LVs），其中，SNV預(yù)處理的模型性能較優(yōu)。進一步，采用傅里葉變換（fourier transform，F(xiàn)T）濾除高頻信號噪音，截取前40個低頻信號即FT（40）預(yù)處理后，模型的耐用性提高。另外，優(yōu)化小波變換（wavelet transform，WT）的變換方法，分別采用Haar，Daubechies，Symlets和Coiflets小波函數(shù)對原光譜進行預(yù)處理，經(jīng)Haar函數(shù)小波變換即WT（Haar）處理后，模型的性能明顯提高。SNV、FT（40）、WT（Haar）3種光譜預(yù)處理的模型性能如表1所示，與原光譜相比，SNV預(yù)處理后模型的RMSEP較優(yōu)，但pre2和RPD較差；FT（40）和WT（Haar）預(yù)處理后模型的RMSEP、pre2和RPD的表征結(jié)果同樣不統(tǒng)一，因此通過計算不同預(yù)處理后模型預(yù)測結(jié)果與參考值的灰色關(guān)聯(lián)度，直接對比不同預(yù)處理方法的優(yōu)劣。FT（40）預(yù)處理后模型的ref最高，因此，選擇FT（40）為最優(yōu)光譜預(yù)處理方法。研究結(jié)果發(fā)現(xiàn)，不同預(yù)處理后模型預(yù)測結(jié)果的差異較小，然而Y3作為預(yù)測集時預(yù)測結(jié)果與參考值之間存在明顯偏差，說明蜂蜜的批次間差異影響模型的準確性與耐用性，僅通過光譜預(yù)處理不能消除樣品批次對模型的影響，需進一步優(yōu)化模型。

2.6 建模波段優(yōu)化

二維相關(guān)光譜（two-dimensional correlation spectroscopy，2D-COS）技術(shù)將一定形式的微擾（溫度、樣品成分、反應(yīng)時間、壓力等）作用在樣品體系上使樣品激發(fā)產(chǎn)生動態(tài)變化，對其動態(tài)變化進行數(shù)學(xué)上的相關(guān)分析。以煉蜜時間為擾動因素，采用2D-COS特征提取煉蜜過程NIRS中水的特征吸收（圖3-a），二維相關(guān)同步譜關(guān)于對角線對稱，自相關(guān)峰位于對角線上，其強度代表對外部干擾因素的敏感程度[16-18]，結(jié)果顯示1400～1500 nm和1850～2050 nm波段處的對角線位置出現(xiàn)峰頂，表明該波段為水分的特征吸收波段。另外，光譜預(yù)處理為FT（40），潛變量因子數(shù)均為2，分別采用變量重要性投影（variable importance in the projection，VIP），移動窗口偏最小二乘（moving window partial least squares，MWPLS）和間隔偏最小二乘（interval partial least squares，IPLS）等變量選擇算法篩選建模波段。以1為VIP閾值，建模波段的優(yōu)化結(jié)果為1880～2040 nm（圖3-b）。MWPLS的窗口大小為31，建模波段的優(yōu)化結(jié)果為1300～1580 nm和1980～2100 nm（圖3-c）。IPLS間隔數(shù)為20，建模波段的優(yōu)化結(jié)果為940～1150 nm、1500～1570 nm、1710～1850 nm和1990～2130 nm（圖3-d）。

表1 不同光譜預(yù)處理的模型性能

Table 1 Modeling results in different spectrum pretreatments

預(yù)測集預(yù)處理方法LVsRcal2RMSEC/%Rpre2RMSEP/%RPDrref Y2 (n＝32)Raw20.991 50.330 60.987 40.831 08.910.609 3 SNV20.990 20.355 00.983 40.750 67.760.583 7 FT(40)20.991 50.331 60.987 40.827 68.910.609 8 WT(Haar)20.992 10.318 90.985 60.830 88.330.561 9 Y3 (n＝24)Raw30.986 80.343 00.977 11.130 46.610.663 9 SNV30.985 50.360 30.976 11.074 96.470.664 2 FT(40)30.986 80.343 20.977 31.123 06.640.666 8 WT(Haar)30.986 80.343 90.983 61.128 27.810.658 8 Y4 (n＝23)Raw20.977 60.350 70.991 20.978 010.660.613 5 SG＋1D30.991 10.221 70.976 41.030 26.510.570 7 FT(40)20.977 60.351 40.991 30.975 410.720.615 6 WT(Haar)20.979 10.339 30.990 20.809 410.100.605 1

a-二維相關(guān)同步譜 b-VIP變量篩選結(jié)果 c-MWPLS變量篩選結(jié)果 d-IPLS變量篩選結(jié)果

不同建模波段模型的性能評價結(jié)果顯示（表2），不同批次蜂蜜作為預(yù)測集時，水光譜解析、2D-COS、VIP、MWPLS和IPLS優(yōu)化后建模波段的模型性能差異較大。以Y2和Y4批次為預(yù)測集，IPLS優(yōu)化后模型的性能最高，RMSEP、RPD和ref均較優(yōu)，以Y3批次為預(yù)測集，則VIP優(yōu)化后模型的性能最高，說明建模波段的優(yōu)化仍不能消除批次間差異對模型的影響。相比Y2和Y4批次，以Y3批次為預(yù)測集的模型預(yù)測結(jié)果與參考值之間差異較小，且1880～2040 nm屬于煉蜜過程NIRS水分信息的關(guān)鍵波段，因此選擇VIP作為波段優(yōu)化方法，1880～2040 nm為最優(yōu)建模波段。

表2 建模波段優(yōu)化后模型的性能評價結(jié)果

Table 2 Performance evaluation results of model after modeling band optimization

預(yù)測集優(yōu)化方法LVsRcal2RMSEC/%Rpre2RMSEP/%RPDrref Y2 (n＝32)水光譜解析20.990 20.355 30.976 80.763 56.560.567 7 2DCOS20.990 20.354 90.976 60.762 06.540.566 0 VIP20.989 70.363 10.979 30.749 96.950.582 2 MWPLS20.990 90.343 00.983 90.886 17.880.588 5 IPLS20.990 80.343 90.987 60.859 58.980.656 1 Y3 (n＝24)水光譜解析20.978 60.436 90.983 10.551 27.690.716 4 2DCOS20.978 60.437 50.983 10.415 67.690.716 0 VIP20.978 90.434 10.984 40.536 88.010.732 7 MWPLS20.983 70.381 90.966 21.172 85.440.617 7 IPLS20.979 10.432 40.982 30.711 97.520.705 2 Y4 (n＝23)水光譜解析20.976 80.357 40.988 00.965 99.130.551 9 2DCOS20.976 20.361 60.987 50.948 88.940.550 4 VIP20.977 80.349 30.986 90.923 48.740.537 4 MWPLS20.975 00.370 90.994 40.974 413.360.705 9 IPLS20.966 10.431 70.994 60.728 013.600.761 8

2.7 多元校正算法優(yōu)化

對比主成分回歸（principle component regression，PCR）、PLS等線性校正與（support vector regression，SVR）線性校正算法的模型性能。首先，通過模型的RMSECV全局優(yōu)化懲罰參數(shù)（）和核函數(shù)參數(shù)（），設(shè)置SVR的誤差要求參數(shù)（）＝0.1，優(yōu)化SVR模型的核函數(shù)為linear，為1。

不同多元校正算法模型的性能評價結(jié)果顯示（表3），同為多元線性校正算法，PLS模型的耐用性優(yōu)于PCR模型，PCR模型在Y2和Y4批次為預(yù)測集時RPD和ref較好，在Y3批次為預(yù)測集時RPD和ref均較差，表明PCR模型受原料批次影響較大。另外，非線性校正算法SVR建模后模型的RPD和ref均優(yōu)于PLS模型，表明SVR模型的預(yù)測性能較優(yōu)，且可靠性高。因此，確定SVR為多元校正建模算法。

2.8 煉蜜過程水分在線NIRS定量模型評價

基于上述研究結(jié)果，確定光譜預(yù)處理方法為FT（40），建模波段為1880～2040 nm，采用K-S法按2∶1的比例將79個減壓工藝煉蜜過程樣品劃分為校正集和驗證集。采用SVR建立煉蜜過程水分的NIRS在線檢測模型。如圖4所示，模型校正集樣品的cal2＝0.983 9，RMSEC＝0.449 5%，預(yù)測集樣品的pre2＝0.967 3，RMSEP＝0.459 0%，RPD＝5.52。此外，校正集樣品參考值與預(yù)測值的相對偏差范圍為0.15%～4.70%，預(yù)測集的相對偏差范圍為0.22%～4.78%，所有樣品預(yù)測結(jié)果的相對偏差范圍均小于5.00%，表明煉蜜過程水分的NIRS在線檢測模型準確、可靠。

表3 不同多元校正算法的模型性能

Table 3 Modeling results in different multivariate correction algorithms

預(yù)測集校正算法Rcal2RMSEC/%Rpre2RMSEP/%RPDrref Y2 (n＝32)PLS0.989 70.363 10.979 30.749 96.950.569 2 PCR0.983 60.463 30.985 00.880 78.160.662 4 SVR0.989 50.402 70.984 90.680 08.140.608 5 Y3 (n＝24)PLS0.978 90.434 10.984 40.536 88.010.680 6 PCR0.963 80.579 40.975 30.597 66.360.646 7 SVR0.983 80.392 80.985 80.717 38.390.697 4 Y4 (n＝23)PLS0.977 80.349 30.986 90.923 48.740.537 4 PCR0.952 70.522 90.995 70.745 715.250.818 8 SVR0.978 30.355 70.992 11.040 311.250.632 1

圖4 煉蜜過程中樣品水分參考值和NIRS模型預(yù)測值的相關(guān)性

3 結(jié)論

本研究基于中藥制造煉蜜過程的NIRS在線檢測裝備，開發(fā)了一套在中試規(guī)模穩(wěn)定的減壓煉蜜過程水分在線檢測方法，在不影響蜂蜜減壓煉制過程的前提下，實現(xiàn)了煉蜜過程水分含量的實時在線檢測。針對煉蜜過程水分的NIRS在線檢測模型的優(yōu)化問題，引入灰色關(guān)聯(lián)度作為模型性能的評價指標，以中試規(guī)模煉蜜過程水分的NIRS數(shù)據(jù)為載體，采用系統(tǒng)優(yōu)化策略，分別對模型的光譜預(yù)處理，建模波段和多元校正算法進行優(yōu)化。其中，研究發(fā)現(xiàn)，煉蜜原料批次間變異是影響模型預(yù)測性能的關(guān)鍵因素，通過光譜預(yù)處理，建模波段篩選和非線性校正，可以降低批次間變異對模型預(yù)測結(jié)果的影響。最終，優(yōu)化模型的光譜預(yù)處理方法為FT（40），建模波段為1880～2040 nm，多元校正算法為SVR。在最優(yōu)條件下，減壓工藝煉蜜過程水分NIRS在線檢測模型pre2＝0.967 3，RMSEP＝0.459 0%，RPD＝5.52，表明模型具有較高的準確性和可靠性，可用于煉蜜過程水分的在線檢測，有利于保障煉蜜過程終點水分的穩(wěn)定性，提高煉蜜產(chǎn)品質(zhì)量一致性。

利益沖突 所有作者均聲明不存在利益沖突

[1] 吳志生, 喬延江. 中藥制造測量學(xué) [M]. 北京: 科學(xué)出版社, 2022: 1-8.

[2] 吳志生, 喬延江, 肖偉, 等. 論中藥制造測量學(xué)之四個關(guān)鍵工程技術(shù)難題[J/OL]. 中國中藥雜志, 2023, doi: 10.19540/j.cnki.cjcmm.20230330.301.

[3] 魏宇楠, 黃興國, 曾敬其, 等. 中藥大品種制造關(guān)鍵質(zhì)量屬性表征：水分含量化學(xué)屬性的同仁牛黃清心丸NIR現(xiàn)場檢測方法研究 [J]. 中國中藥雜志, 2021, 46(7): 1592-1597.

[4] 曾敬其, 張靜, 張芳語, 等. 中藥大品種制造關(guān)鍵質(zhì)量屬性表征：沸騰時間狀態(tài)屬性的提取過程在線NIR質(zhì)量控制研究 [J]. 中國中藥雜志, 2021, 46(7): 1644-1650.

[5] 王晴, 徐芳芳, 張欣, 等. 在線近紅外光譜監(jiān)測桂枝茯苓膠囊流化床干燥過程水分的方法研究 [J]. 中草藥, 2019, 50(22): 5429-5438.

[6] Hu Y J, Zhang H J, Liang W Q,. Rapid and simultaneous measurement of praeruptorin A, praeruptorin B, praeruptorin E, and moisture contents inusing near-infrared spectroscopy and chemometrics [J]., 2020, 103(2): 504-512.

[7] 邱琳, 劉瑩, 張媛媛, 等. 近紅外光譜法測定蜂蜜中主要成分的研究 [J]. 世界科學(xué)技術(shù)—中醫(yī)藥現(xiàn)代化, 2015, 17(9): 1949-1952.

[8] 付賽, 林龍飛, 劉宇靈, 等. 近紅外光譜丸劑關(guān)鍵輔料煉蜜水分的快速測定 [J]. 光譜學(xué)與光譜分析, 2019, 39(8): 2590-2594.

[9] Li X Y, Wu Z S, Feng X,. Quality-by-design: Multivariate model for multicomponent quantification in refining process of honey [J]., 2017, 13(49): 193-198.

[10] 隋丞琳. 中藥提取過程在線NIR分析平臺的開發(fā)與適用性研究 [D]. 北京: 北京中醫(yī)藥大學(xué), 2013.

[11] Han L, Sun Y, Wang S Y,. Understanding the water structures by near-infrared and Raman spectroscopy [J]., 2022, 53(10): 1686-1693.

[12] Bázár G, Romvári R, Szabó A,. NIR detection of honey adulteration reveals differences in water spectral pattern [J]., 2016, 194: 873-880.

[13] 劉思峰, 蔡華, 楊英杰, 等. 灰色關(guān)聯(lián)分析模型研究進展 [J]. 系統(tǒng)工程理論與實踐, 2013, 33(8): 2041-2046.

[14] 石依姍, 萬青, 汪秋蘭, 等. 基于熵權(quán)TOPSIS法和灰色關(guān)聯(lián)度分析的藤茶藥材等級研究 [J]. 中草藥, 2022, 53(17): 5504-5512.

[15] 馮治國, 趙祺, 朱強, 等. 基于熵權(quán)法和灰色關(guān)聯(lián)分析法評價安徽省不同產(chǎn)地黃精藥材質(zhì)量 [J]. 中草藥, 2021, 52(12): 3689-3695.

[16] 劉亞超, 李永玉, 彭彥昆, 等. 近紅外二維相關(guān)光譜的摻和大米判別 [J]. 光譜學(xué)與光譜分析, 2020, 40(5): 1559-1564.

[17] 侯英, 袁天軍, 徐娟, 等. 不同產(chǎn)區(qū)天麻近紅外光譜多變量選擇及二維相關(guān)光譜識別研究 [J]. 中國中藥雜志, 2019, 44(4): 740-749.

[18] Park Y, Jin S, Noda I,. Continuing progress in the field of two-dimensional correlation spectroscopy (2D-COS), part I. Yesterday and today [J]., 2022, 281: 121573.

Development on near infrared spectroscopy method of in-process quantitative analysis of moisture content during honey refining

DAI Ping1, ZENG Jing-qi1, HU Xiao-yan1, WANG Jing2, 3, HAN Yan-yu2, 3, WANG Xiao-meng2, 3, ZHANG Xiao-meng1, DU Jing4, QI Wu-zheng2, 3, LIN Yu1, WU Zhi-sheng1, 2, 3

1. College of Pharmacy, Fujian University of Traditional Chinese Medicine, Fuzhou 350122, China 2. School of Chinese Materia Medica, Beijing University of Chinese Medicine, Beijing 102488, China 3. Engineering Research Center of Chinese Medicine Production and New Drug Development, Ministry of Education, Beijing 102488, China 4. National Engineering Research Center for R&D of TCM Multi-ingredient Drugs, Institute of Science, Beijing Tongrentang Co., Ltd., Beijing 100079, China

To establish an online moisture detection method for the honey refining procedure of traditional Chinese medicine manufacturing at a stable pilot production scale, improving the uniformity of refined honey.A bypass external circulation strategy was adopted to construct online near-infrared spectroscopy (NIRS) measurement equipment for the pilot-scale refining process, and a method for online detection of moisture during the decompressed honey refining process using NIRS was developed. The grey correlation degree was introduced as the performance evaluation index of the NIRS online detection model, and a system optimization strategy was adopted to optimize the spectral preprocessing method, modeling bands, and multivariate correction algorithm.The variations between batches of the refining materials were found to be a key factor affecting the model prediction performance, and optimization of the modeling bands and multivariate correction algorithm could reduce the impact of the variations between batches of the refining materials on the model. Finally, the optimal parameters of the detection method were obtained as follows: the spectral preprocessing method was Fourier transform, the modeling band was 1880—2040 nm, and the multivariate correction algorithm was support vector regression. The relative deviations between the reference value and the predicted value of all samples from the calibration set and prediction set were all less than 5.00%.The method had the advantages of quickness, non-destructiveness and precision, which could be applied to monitor the dynamic change of moisture content during honey refining and to improve the consistency of refined honey.

traditional Chinese medicine manufacturing; honey refining procedure; near infrared spectroscopy; moisture; online detection; grey correlation relation

R283.6

A

0253 - 2670(2023)17 - 5522 - 08

10.7501/j.issn.0253-2670.2023.17.006

2023-05-24

國家優(yōu)秀青年科學(xué)基金資助項目（82022073）；國家自然科學(xué)基金資助項目（82274110）；中央高?；究蒲袠I(yè)務(wù)費北京中醫(yī)藥大學(xué)揭榜掛帥項目（2022-JYB-JBZR-018）；中央高?；究蒲袠I(yè)務(wù)費北京中醫(yī)藥大學(xué)揭榜掛帥項目（2022-JYB-JBZR-019）；國家醫(yī)學(xué)攻關(guān)產(chǎn)教融合創(chuàng)新平臺——中藥智能制造工程（90010062820031）

戴 平，碩士研究生，從事中藥智能制造研究。E-mail: dp18811190891@163.com

林 羽，教授，博士生導(dǎo)師，研究方向為藥物檢驗與分析研究。E-mail: yulam@163.com

吳志生，研究員，博士生導(dǎo)師，從事中藥智能制造與名方新藥創(chuàng)制研究。E-mail: wzs@bucm.edu.cn

[責(zé)任編輯 鄭禮勝]