乌醋溶液中乌洛托品含量的近红外光谱温度校正模型的研究

1 引 言

奥克托今(HMX)是目前应用最广泛的炸药之一,现在世界各国普遍采用的生产方法是醋酐法[1]。醋酐法生产HMX的过程中原材料的料比会影响工艺参数的稳定性,进而影响产品质量和生产成本。乌洛托品-醋酸(乌醋，HA-HAc)溶液是生产HMX过程中重要的原材料,乌洛托品含量的分析是工艺分析中的一个重要环节,其含量的快速检测具有重要意义[2]。目前,HMX生产过程中乌洛托品含量的分析检测主要采用化学分析方法,化学分析过程需要使用有机溶剂,操作过程繁琐,分析周期长,数据分析滞后,不能够及时地反馈生产工艺,容易造成生产工艺不稳定,进而影响产品质量; 另外有机溶剂会造成环境污染且存在安全隐患,传统化学方法已经无法满足乌洛托品含量快速检测要求。所以,亟需一种快速、无损、安全的检测乌醋溶液中乌洛托品含量的分析方法。

对四足机器人的斜面运动方式进行规划，提出了一种应用于四足机器人斜面运动的模糊控制方案。使用Matlab与Adams的联合仿真进行仿真实验，证明了所设计的斜面运动规划满足四足机器人的正常运动，所设计的模糊控制系统可以有效增加机器人的运动稳定性，达到较好的控制效果。

近红外光谱(NIR)技术是20世纪80年代发展起来的一项检测技术,具有快速、无损、环保,人力成本低等优点,越来越广泛地应用于过程分析、在线监测控制和传统的离线检测中,例如用于推进剂、发射药、混合炸药组分的快速检测[3-12]。王菊香等[3]用近红外光谱法分析了混胺组分中三乙胺和二甲苯胺含量。解国玲等[4]进行了近红外光谱技术在含能材料成分分析中的建模研究。苏鹏飞等[5]研究了近红外漫反射技术快速测定混合炸药组分含量的新方法。Hardmeyer[6]在扩散反射模型中利用扫描近红外分光计确定了单、双基推进剂中安定剂的浓度。随着近红外光谱技术的普及,人们对近红外分析的要求也越来越高: 如结果精确稳定,适用于各种环境条件。现有的近红外光谱都是在室温条件下采集的,光谱吸收与样品成分间的定量关系没有考虑温度波动的影响。但近红外光谱相对于温度变化较为敏感[13],一些研究表明,如果近红外仪器的环境温度或样品温度发生变化,近红外光谱分析仪的结果会有明显的变化[14]。而工业环境的温度又无法精确控制,因此需要对温度变化时的光谱分析结果进行修正。为此,本研究提出在现有近红外光谱仪的基础上,增加温度影响因子,将温度作为测量参数,参与回归计算,对测量结果进行温度修正,建立近红外光谱图和乌洛托品含量间的温度校正模型,以为乌醋溶液中乌洛托品含量的测定提供一种快速、无损、准确可靠的方法,从根本上解决了测量现场温度变化大的问题。

2 实验部分

2.1 样品与仪器

冰醋酸,分析纯,北京市通广精细化工公司; 乌洛托品,分析纯,北京化工厂。

AntarisⅡ型傅里叶变换近红外光谱仪,Thermo-Nicolet公司; 低温恒温反应浴,温度波动范围±0.5 ℃,西安安泰仪器科技有限公司; 分析天平,分度值0.1mg,上海奥豪斯仪器有限公司。

2.2 乌醋溶液样品的制备

乌洛托品在105 ℃下烘干12 h,醋酸采用蒸馏预处理,按照实验设计,用分析天平准确称取干燥的乌洛托品和醋酸,配制不同质量百分比的乌醋溶液66份,乌洛托品质量分数为7%～12%,且质量分数分布均匀。从中选取50个样品作为校正集,校正集用来建模,剩余16个样品作为验证集,验证集用来对所建模型进行外部验证。

2.3 近红外光谱采集

同时也可以看出,无论是单温度模型,还是温度校正模型1,当采用一阶导数+Savitzky-Golay filter法对原始光谱进行预处理时,所建立的模型预测性能最好,最佳的预处理方法为一阶导数+Savitzky-Golay filter法。

以往净水器在安装上需要两个水龙头的搭配，直饮与生活用水需要分别独立安装，常规水龙头主要洗菜、淘米，直饮水龙头则方便用户饮用。但双水管不仅增添安装工作量，有些台盆也并没有双水管的设计，还需专业人员打孔作业。有了这款智能龙头，只需一个位置就可以实现两个功能。

2.4 模型的建立与评价

利用Thermo-Nicolet公司的TQ Analyst光谱分析软件,选用最小二乘法(PLS,partial least squares)和主成分回归法(PCR,principal component regression)作为建立校正模型的化学计量学方法[15],与一阶导数+Savitzky-Golay filter、一阶导数+Norris-derivative filter、二阶导数+Savitzky-Golay filter、二阶导数+Norris-derivative filter四种光谱预处理方法[16]组合分别建立了乌洛托品的温度校正模型和单温度模型。

模型评价[17]采用性能指标PI(performance index)、相关系数R2、均方差RMSEC(root-mean square error)、内部交互验证均方差RMSECV(root-mean square error of cross-validation)和预测均方差RMSEP(root-mean square error of prediction)。

3 结果与讨论

3.1 近红外光谱分析

3.1.1 相同温度下乌洛托品质量分数不同的乌醋溶液原始NIR光谱图

醋酸和乌洛托品中普遍存在着C—H、O—H等键,这些键在近红外谱区都有特征吸收带。在醋酸中,O—H的一级倍频出现在6900～7000 cm-1区域,C—H的第一组合频出现在4545～4500 cm-1区域,C—H的第二组合频出现在6666～7690 cm-1区域,C—H的一级倍频出现在5555～5882 cm-1区域。在乌洛托品中,含H基团只有—CH2,C—H的一级倍频出现在5797～5665 cm-1区域,C—H的二级倍频出现在8264 cm-1区域,C—H的组合频出现在4366～4081 cm-1区域[15]。由于不同种类和数量的基团产生的光谱在吸收峰位和强度上有所不同,光谱特征就随着体系样品组成的变化而变化,为近红外光谱定量分析乌洛托品的含量奠定了基础。

从表1可以看出,八种模型的相关系数均大于0.99,说明拟合得非常好,拟合值与真实值趋于一致; RMSEC、RMSEP和RMSECV均在0.12以内,说明模型的精确度很高,预测准确度也很高。当选用不同的光谱预处理方法和化学计量学方法对同一体系进行建模时,所得到的不同模型之间的性能参数具有一定的差别,因此我们需要综合评价模型的所有参数,选择出最优模型。模型1的性能指数(PI=99.8)最接近于100,且相关系数(R2=0.9997)最接近于1,内部交互验证均方差(RMSECV=0.0441)、均方差(RMSEC=0.0388)和预测均方差(RMSEP=0.0350)都近似于0,综合考虑选择模型1作为最优模型。模型1交叉验证的预测值与真实值的线性关系见图5,偏差分布见图6。从图5可以看出,定标模型预测值与真实值有良好的线性关系,相关系数达到0.9997,拟合效果较好,从图6得所有偏差均在±0.20%以内,说明该模型的预测能力良好,可用于乌醋溶液中乌洛托品含量的快速定量分析。

（1）园内相互学习，分享交流。幼儿园定期组织教师开展教研活动，鼓励教师总结教育教学过程中的经验，并在活动中分享交流。也可将日常教育环节中遇到的困惑提出，共同探讨，寻求有效的解决方案。

 

图1 25 ℃时校正集样品原始近红外光谱图

Fig.1 Original NIR spectra of calibration set samples at 25 ℃

3.1.2 温度对乌醋溶液近红外吸收光谱的影响

3.2.1 温度校正模型

患者男性，76岁，半月前因黑便于地方医院检查发现腹主动脉瘤，瘤体最大直径约5 cm，无腹痛、腹胀。于2018年1月10日收入我院，有冠心病、高血压、吸烟史。心脏CT检查提示：主动脉及其主要分支管壁增厚、毛糙，并见多发钙化。左肾动脉起始处明显狭窄，主动脉下段梭形瘤样扩张，瘤壁不规则增厚，瘤腔内有附壁血栓。

 

图2 同一样品在不同温度下的近红外吸收谱图

Fig.2 NIR spectra of the same sample at different temperature

3.1.3 光谱的预处理

分析表1和表2,比较单温度模型和温度校正模型1的评价参数,可以得知温度校正模型1的PI(PI=99.8)大于单温度模型的PI(PI=98.6),更接近于100; R2(R2=0.9997)大于单温度模型的R2(R2=0.9979),更接近于1; RMSEC(RMSEC=0.0388)和RMSECV(RMSECV=0.0441)均小于单温度模型的RMSEC(RMSEC=0.0994)和RMSECV(RMSECV=0.1300),更接近于0,说明温度校正模型1的预测效果好于单温度模型的预测效果。探其原因,主要是与单温度模型相比,温度校正模型包含有不同的温度信息,更具有整体性和代表性; 此外,温度校正模型1建模的光谱数比较多,建模集在满足准均匀含量的分布条件外,其相对的随机误差也会减小。所以,当用它来预测不同温度的样品时,预测效果会更加理想。

导数处理可以消除基线漂移、强化谱带特征、克服谱带重叠,是净化图谱较常用的方法,可根据需要进行一阶或二阶微分处理。一阶微分可以去除同波长无关的漂移; 二阶微分可以去除同波长线性相关的漂移[9]。导数处理后的光图谱示于图3。与原始光谱图相比,经过导数预处理谱图中的光谱分辨率得到了提高,很好地消除了基线漂移和其他背景的干扰,从而更加细致地反映了样品的光谱特征。同时,导数处理可以起到一定的放大和分离重叠信息的作用,然而在这个过程中噪声信号也会被放大,降低了信噪比,因此通常在微分处理前需要对光谱数据做平滑处理。

平滑可以提高分析信号的信噪比,减小随机噪音,提高模型的稳健性[15]。TQ Analyst光谱分析软件中有两种平滑方法可供使用,一种是经典的Savitzky-Golay滤波,它是一种多项式滤波方法; 一种是Norris-derivative滤波,它只能用于一阶或二阶导数光谱,是NIR光谱分析中一种很好的滤波方法。导数加平滑处理后的光谱图示于图4。与图3相比,从图4可以看出,用平滑法对光谱数据做平滑处理,提高了信噪比,减小了随机噪音。

  

a. NIR spectra after first-order derivative treatment

  

b. NIR spectra after second-order derivative treatment

图3 导数处理后的近红外光谱图

Fig.3 NIR spectra after derivative treatment

  

a. NIR spectra after first-order derivative and Norris-derivative treatment

  

b. NIR spectra after second-order derivative and Savitzky-Golay treatment

图4 导数加平滑处理后的近红外光谱图

Fig.4 NIR spectra after derivative and smooth treatment

平滑和导数两种预处理方法相结合,可以达到更好的效果,所以我们采用一阶导数+Savitzky-Golay filter、一阶导数+Norris-derivative filter、二阶导数+Savitzky-Golay filter、二阶导数+Norris-derivative filter四种不同的光谱预处理方法,对采集到的谱图进行预处理。

3.2 建模分析

在实际工作中,采集乌醋溶液的近红外光谱图时,若是样品温度发生变化,分子振动能级的跃迁几率也随之变化,导致样品溶液的近红外吸收光谱发生变化,这就必然会对测定模型的扩展应用带来影响。因此,为了减小温度对模型准确性的影响,提高模型的稳健性,在建立模型时将温度作为一个影响因子考虑在内,建立包含6个温度(5,10,15,20,25,30 ℃)建模光谱集的温度校正模型。

第一类“VP”的语义主要表描摹，描摹的本义是照原样描写，这里具体指对人或事物的情状、特性进行客观描述。例如：

将各个温度下预处理过的近红外谱图,利用TQ Analyst光谱分析软件建模,根据模型的评价参数比较不同模型的预测性能,八种模型的评价参数见表1。

表1 8种校正模型的评价参数

Table 1 The evaluation parameters of eight calibration models

  

numberchemometricsmethodspretreatmentmethodR2RMSECRMSEPRMSECVPImainfactornumber1PLS1st+Norris⁃derivative0．99970．03880．03500．044199．8721st+Savitzky⁃Golay0．99920．05970．03760．074697．01032nd+Norris⁃derivative0．99970．03860．02220．043698．2442nd+Savitzky⁃Golay0．99870．07810．05380．090995．7105PCR1st+Norris⁃derivative0．99890．07070．02680．074997．91061st+Savitzky⁃Golay0．99760．10600．03510．112097．21072nd+Norris⁃derivative0．99970．03600．02320．038598．11082nd+Savitzky⁃Golay0．99750．10700．06280．112099．710

Note： 1st, first-order derivative; 2nd, second-order derivative.

25 ℃下采集到的校正集样品原始近红外光谱图示于图1。乌洛托品吸收的光谱变化范围为5708～5561 cm-1,7308～6560 cm-1,7443～7316 cm-1,8593～7785 cm-1。从图1可看出,在同一温度下,乌洛托品质量分数不同的样品在同一波谱范围内的吸光度是有明显差异的,说明随着乌洛托品质量分数的改变,乌醋溶液的吸光度也发生改变。基于这一规律,乌醋溶液的近红外吸收光谱可以用作其成分-乌洛托品的定量分析。

⑪Neil M．Richards，Jonathan H．King，“Three Paradoxes of Big Data”，Stanford Law Review Online，66，2013，pp．41 ～46．

模型1的光谱预处理方法为一阶导数+Norris-derivative,化学计量学方法为最小二乘法,模型的主因子数为7。通过留一法交互验证研究主因子数和RMSECV间的关系,两者关系图如图7所示。

3.2.2 单温度模型

将单温度下预处理过的近红外谱图,利用TQ Analyst光谱分析软件建模,根据模型的评价参数比较不同模型的预测性能,分析过程同3.2.1,最优建模参数见表2。

 

图5 交叉验证的预测值与真实值的关系

Fig.5 Relation of the predicted values and actual ones for cross-validation

 

图6 校正集样品中乌洛托品含量的预测值和真实值的偏差分布图

Fig.6 Deviation distribution diagram between predicted values and actual ones for HA content in calibration set samples

 

图7 RMSECV和主因子数的关系

Fig.7 Relationship between RMSECV and main factor number

仪器采集到的原始光谱中往往受到许多不确定因素的干扰,比如样品的状态、仪器响应、信号噪声等因素带来的干扰,导致了近红外光谱的基线漂移和光谱的不重复,因此如果直接使用原始光谱进行建模,必然会影响最终的分析结果的准确性,因此对原始光谱进行预处理是非常必要的[18-20]。

以空的透射测样液体样品管为背景,光谱扫描范围: 12000～4000 cm-1,光谱分辨率8 cm-1,扫描次数64次,每个样品重复扫描3次,进行连续扫描采集光谱,取其平均光谱。每份溶液分别在5,10,15,20,25,30 ℃下获得6个近红外光谱,66份样品一共采集到396条谱图。

部分汉日语IT新词在表记方式上都出现了缩略化的特征，这也是上述构词经济、效率原则的体现，即“用最经济的手段达到交际的目的”。

表2 单温度模型最终建模参数

Table 2 Final modeling parameters of single temperature model

  

chemometricsmethodspretreatmentmethodR2RMSECRMSEPRMSECVPImainfactornumberPCR1st+Norris⁃derivative0．99790．09940．02310．130098．610

3.3 模型的准确度

为了进一步比较温度校正模型1和单温度模型预测的准确度,实验配置16个验证集样品,对两个模型进行外部验证。将样本在不同温度下采集到的近红外光谱输入到获得的两个模型中,得到乌洛托品的预测值,比较近红外预测值和真实值,分析误差,评价模型,结果列于表3。由表3可见,相比于单温度模型,温度校正模型1的最大绝对误差、最小绝对误差、平均绝对误差和平均相对误差都减小,平均绝对误差减小了80.00%,平均相对误差减小了81.74%。以上结果充分表明,加入温度因子后,模型的预测误差减小,预测能力提高,具有更高的温度适应性,模型更加精确和稳定。

随机抽取样品,其乌洛托品质量百分数为8.66%,温度变化对乌醋溶液近红外吸收影响示于图2。分析图2认为,在5～30 ℃范围内,随着温度的升高,虽然吸收峰位置没有明显的偏移,但是吸光度发生了明显的变化,说明温度变化对溶液近红外吸收的影响是不可忽略的,建立抗温度变化的稳健模型是必要的。

 

表3 温度校正模型1和单温度模型预测误差比较

 

Table 3 Comparison of prediction error between temperature correction model 1 and single temperature model %

  

modelsingletemperaturemodeltemperaturecorrectionmodel1percentageofforecasterrorreductionmaximumabsoluteerror0．220．0672．73minimumabsoluteerror0．010．00100．00averageabsoluteerror0．100．0280．00averagerelativeerror1．150．2181．74

3.4 模型的精密度

取六个独立的乌醋溶液样品,用温度校正模型1对乌洛托品的含量进行测定,每个样品平行测定10次,计算每个样品预测的平均值和标准偏差,6个样品平行测定10次的结果如表4所示。假设是第i个样品的第j个光谱,第i个样品总共测定了ri个光谱,那么第i个样品的预测平均值为:

 

重复测定的标准偏差为:

 

用χ2检验来考察这些重复性标准偏差是否属于同一总体:

融媒体在本质上就是要实现资源的整合、优势的互补，不仅要将技术形态整合起来，同时更要实现资源内容的有机统一。县级广播电视台若想实现融媒体的发展格局，就要将自身的改革作为驱动，确定受众在发展中的地位，保证传播内容的质量，坚持以人为本的理念，规避舍本逐末的问题。

 

式中,

 

 

表4 乌洛托品定量模型的重复性验证结果

Table 4 Repeatability verification results of quantitative model for HA

  

numberw/%No．1No．2No．3No．4No．5No．617．898．629．4010．2211．1111．9927．908．609．4310．2211．1211．9937．898．619．4310．2611．1312．0047．888．589．4010．2411．1112．0057．898．629．4010．2611．1311．9867．878．609．4110．2211．1111．9877．868．599．4210．2011．1312．0287．898．609．4110．2311．1411．9997．868．619．4210．2411．1111．96107．878．599．4110．2411．1111．95averagevalue7．888．609．4110．2311．1211．99actualvalue7．868．639．4410．2811．1612．01error0．02-0．03-0．03-0．05-0．04-0．02σi0．01410．01310．01160．01890．01150．0201σ0．0153χ25．7820

将得到的χ2值与自由度为z-1的临界值比较(z为进行重复测量的样品数),如果χ2小于临界值,那么重复测定的所有方差属于同一总体,标准偏差的平均值σ可以作为近红外测定的标准偏差,近红外的重复性为如果χ2大于临界值,那么近红外分析方法的重复性随样品的组分浓度的不同而不同,在这种情况下,近红外分析方法的重复性不大于为σi中的最大值)。本实验中自由度z-1=5(z=6),当自由度为5时,95%置信水平下的χ2临界值为11.07,χ2=5.7820﹤11.07,说明温度校正模型1重复测定样品的所有方差属于同一总体,乌洛托品的平均标准偏差为0.0153%,此方法的重复性为0.1298%,表明温度校正模型1的重复性良好,准确性较高。

4 结 论

用AntarisⅡ型傅里叶变换近红外光谱仪采集乌醋溶液样品的光谱图,对样品中乌洛托品含量进行定量分析,分别建立了乌洛托品含量的单温度模型和温度校正模型,可以获得以下结论:

(1)与单温度模型相比,温度校正模型1的建模参数更加优良: 性能指数(PI=99.8)更接近于100,相关系数(R2=0.9997)更接近于1,均方差(RMSEC=0.0388)和内部交互验证均方差(RMSECV=0.0441)更接近于0。此外,温度校正模型1的外部验证误差小于单温度模型,平均绝对误差减小了80.00%,平均相对误差减小了81.74%。以上结果说明,加入温度因子后,模型预测的准确性大大提高,结果准确可靠,具有较高的温度适应性。所以,在对乌醋溶液中乌洛托品的含量建立预测模型时,不可忽视温度这一因素。

(2)对建立的近红外光谱分析方法进行了重复性验证,温度校正模型1的重复性标准偏差为0.0153%,近红外分析方法的重复性为0.1298%,说明此模型重复性良好。

(3)利用近红外光谱技术,加入温度因子,建立的乌醋溶液中乌洛托品含量的温度校正模型,既为乌洛托品含量的测定提供一种快速可靠的分析方法,也解决了测量现场温度变化大的问题。

《中国学术期刊（网络版）》出版平台的发布，是改变我国学术期刊出版落后于学术研究这一现象的有效途径，学术成果在《中国学术期刊（网络版）》的首发能够被学术界、社会届认同，提升中国学术在世界上的影响力。

一是调水引流，将长江的水调到太湖，引清释污。这样既提升了太湖水位，改善了太湖的水文结构，还提高了湖体的环境容量。二是蓝藻打捞。近年时有暴发的蓝藻如果放任其生长，就会腐烂并产生新的污染。将蓝藻打捞出来既可以避免蓝藻产生的生态危害，也可以减轻湖体的污染。三是生态清淤。长期积累在湖底的污染底泥，特别是游动的底泥对水体的污染很大，把它用科学的办法清除掉，减少对水体的污染，对整个水体的质量乃至整个生态环境改善非常有利。四是控源治污。即在面上对工业污染源、对生活污染源有效治理。这几年太湖的水质不仅没有恶化，而且还在稳步改善，蓝藻暴发的强度也明显下降。江苏水利为保障区域供水安全作出了积极贡献。

参考文献:

[1] 李巧玲, 叶毓鹏. 奥克托今的精制新工艺[J]. 兵工学报, 2002, 23(4): 555-557.

LI Qiao-ling, YE Yu-peng. A novel process for the refining of HMX[J]. Acta Armamentarii, 2002, 23(4): 555-557.

[2] 李全良, 王建龙, 陈军. 一段反应时间对HMX制备的影响[J]. 含能材料, 2007, 15(2): 112-113.

LI Quan-liang, WANG Jian-long, CHEN Jun. Effect of the first reaction time on the preparation of HMX[J]. Chinese Journal of Energetic Materials(Hanneng Cailiao), 2007, 15(2): 112-113.

[3] 王菊香, 申刚, 邢志娜, 等. 近红外光谱快速测定混胺组分含量[J]. 分析化学, 2004, 2(4): 459-463.

WANG Ju-xiang, SHEN Gang, XING Zhi-na, et al. Determination of triethylamine and xylidine in mixed amine by near-infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry, 2004, 2(4): 459-463.

[4] 解国玲, 任芊, 董守龙, 等. 近红外光谱技术在含能材料成分分析中的建模研究[J]. 火炸药学报, 2003, 26(4): 78-80.

XIE Guo-ling, REN Qian, DONG Shou-long, et al. Study on modeling of multicomponent analysis in propellants products with NIR spectroscopy[J]. Chinese Journal of Explosives & Propellant, 2003, 26(4): 78-80.

[5] 苏鹏飞, 张皋, 温晓燕, 等. 近红外漫反射光谱法快速测定混合炸药组分含量[J]. 火炸药学报, 2008, 31(5): 62-65.

SU Peng-fei, ZHANG Gao, WEN Xiao-yan, et al. Determination of the component in composite explosive by near infrared diffuse reflectance spectroscopy[J]. Chinese Journal of Explosives & Propellant, 2008, 31(5): 62-65.

[6] Hardmeyer E K. Stabilizer determination in solid propellant using near infrared spectroscopy[C]∥ 30th Propellant Development and Characterization Subcommittee Meeting, Colorado: CPIA, 2002: 129-135.

[7] 温晓燕, 苏鹏飞, 刘红妮, 等. 近红外漫反射光谱法测定硝化棉含氮量的数值模拟及实验研究[J]. 火炸药学报, 2014, 37(6): 87-90.

WEN Xiao-yan, SU Peng-fei, LIU Hong-ni, et al. Numerical simulation and experimental study on the nitrogen content in nitrocellulose by near infrared diffuse reflectance spectroscopy[J]. Chinese Journal of Explosives & Propellants, 2014, 37(6): 87-90.

[8] 温晓燕, 谯娟, 刘红妮, 等. 近红外光谱法测定HMX中α-HMX杂质晶形的含量[J]. 火炸药学报, 2016, 39(3): 61-65.

WEN Xiao-yan, QIAO Juan, LIU Hong-ni, et al. Determination of α-HMX impurity content in HMX by near infrared spectroscope[J]. Chinese Journal of Explosives & Propellants, 2016, 39(3): 61-65.

[9] 周帅, 邓国栋, 王志强, 等. 近红外光谱法快速检测单基发射药中的二苯胺含量[J]. 火炸药学报, 2016,39(3): 95-100.

ZHOU Shuai, DENG Guo-dong, WANG Zhi-qiang, et al. Fast determination of diphenylamine content in single-base gun propellant by near infrared spectroscope[J]. Chinese Journal of Explosives & Propellants, 2016, 39(3): 95-100.

[10] 蒋忠亮, 张皋, 苏鹏飞, 等. HMX含量实时检测NIRS模型的建立与优化[J]. 火炸药学报, 2014, 37(1): 66-69.

JIANG Zhong-liang, ZHANG Gao, SU Peng-fei, et al. Establishment and optimization of NIRS model for real-time detection of HMX content[J]. Chinese Journal of Explosives & Propellant, 2014, 37(1): 66-69.

[11] 王菊香, 邢志娜, 申刚, 等.光谱预处理和波长选择对混胺燃料各指标近外光谱定量分析结果的影响比较[J]. 计算机与应用化学, 2013, 30(1): 39-42.

WANG Ju-xiang, XING Zhi-na, SHEN Gang, et al. Effects ofspectral preprocessing and wavelength selection on content determination in mixed-amine by NIR spectroscopy[J]. Computers and Applied Chemistry, 2013, 30(1): 39-42.

[12] 尹作柱, 邓国栋, 朱陈森, 等. 火药吸收药中硝化棉含量快速检测方法[J]. 火炸药学报, 2014, 37(6): 79-82.

YIN Zuo-zhu, DENG Guo-dong, ZHU Chen-sen, et al. A rapid detection method of the NC content in gunpowder intermediate[J]. Chinese Journal of Explosives & Propellant, 2014, 37(6): 79-82.

[13] Delwiche Stephen R, Norris Karl H, Pitt Ronald E. Temperature sensitivity of near-infrared scattering transmittance spectra of water-absorbed starch and cellulose[J]. Appl. Spectr,1992, 46: 782-789.

[14] Wang Y, Kowalski B R. Temperature-compensating calibration transfer for near-infrared filter instruments[J]. Anal Chem, 1993, 65: 1301-1303.

[15] 陆婉珍. 现代近红外光谱分析技术(第二版)[M]. 北京: 中国石化出版社, 2006: 38-46.

LU Wan-zhen. Modern near infrared spectroscopy analytical technology(second edition)[M]. Beijing: China Petrochemical Press, 2006: 38-46.

[16] 姚冰洁. 中红外技术在HMX制备过程中应用研究[D]. 北京: 北京理工大学, 2011.

YAO Bing-jie. Application study on the preparation of octahydro-1,3,5,7-tetranitro-1,3,5,7-tetrazocine (HMX) by mid-infrared spectroscopy[D]. Beijing: Beijing Institute of Technology, 2011.

[17] 于晓菲. HMX制备过程快速分析研究[D]. 北京: 北京理工大学, 2011.

YU Xiao-fei. Analysis study on the preparation process of octahydro-1,3,5,7-tetranitro-1,3,5,7-tetrazocine(HMX)[D]. Beijing: Beijing Institute of Technology, 2011.

[18] Williams P C, Sobering D C. Comparison of commercial near infrared transmittance and reflectance instruments for analysis of whole grains and seeds[J]. Journal of Near Infrared Spectroscopy, 1993, 1(1): 25-32.

[19] 江泽慧, 费本华, 杨忠. 光谱预处理对近红外光谱预测木材纤维素结晶度的影响[J]. 光谱学与光谱分析, 2007, 27(3): 435-438.

JIANG Ze-hui, FEI Ben-hua, YANG zhong. Effects of spectral pretreatment on the prediction of crystallinity of wood cellulose using near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2007, 27(3): 435-438.

[20] 王远辉, 黎庆涛, 姜毅, 等. 在线检测白砂糖近红外光谱的预处理方法研究[J]. 食品科技, 2009, 34(8): 283-286.

WANG Yuan-hui, LI Qing-tao, JIANG Yi, et al. Study on near infrared spectrum pretreatment of on-line white granulated sugar determination[J]. Food Science and Technology, 2009, 34(8): 283-286.