针对中药制造过程原料单元蜜炙饮片水分含量关键质量属性离线静态检测具有滞后性及破坏性等问题,以蜜炙款冬、蜜炙黄芪、蜜炙甘草为载体,采用烘干法测定水分含量作为参考值,采用运动载物台模拟实际现场传输带生产过程样品运动过程,采集...针对中药制造过程原料单元蜜炙饮片水分含量关键质量属性离线静态检测具有滞后性及破坏性等问题,以蜜炙款冬、蜜炙黄芪、蜜炙甘草为载体,采用烘干法测定水分含量作为参考值,采用运动载物台模拟实际现场传输带生产过程样品运动过程,采集近红外(near infrared,NIR)光谱,结合机器学习方法,建立多品种蜜炙饮片水分含量NIR现场动态检测模型。结果表明,采用二阶导数法对光谱进行预处理,决策树数量(ntree)、随机特征数量(max feature)、生成叶节点的最小样本数(node size)分别选择46、76、8时,建立的水分含量定量分析模型效果最优。模型的预测决定系数(the prediction coefficient of determination,R2pre)及预测均方根误差(root mean square error of prediction,RMSEP)分别为0.9032和0.3302。本研究建立的多品种蜜炙饮片水分含量NIR通用定量模型具有良好的预测性能,可实现同时对蜜炙款冬、蜜炙黄芪、蜜炙甘草水分含量的快速检测,为中药制造过程原料单元蜜炙饮片的水分测定提供方法。展开更多
文摘针对中药制造过程原料单元蜜炙饮片水分含量关键质量属性离线静态检测具有滞后性及破坏性等问题,以蜜炙款冬、蜜炙黄芪、蜜炙甘草为载体,采用烘干法测定水分含量作为参考值,采用运动载物台模拟实际现场传输带生产过程样品运动过程,采集近红外(near infrared,NIR)光谱,结合机器学习方法,建立多品种蜜炙饮片水分含量NIR现场动态检测模型。结果表明,采用二阶导数法对光谱进行预处理,决策树数量(ntree)、随机特征数量(max feature)、生成叶节点的最小样本数(node size)分别选择46、76、8时,建立的水分含量定量分析模型效果最优。模型的预测决定系数(the prediction coefficient of determination,R2pre)及预测均方根误差(root mean square error of prediction,RMSEP)分别为0.9032和0.3302。本研究建立的多品种蜜炙饮片水分含量NIR通用定量模型具有良好的预测性能,可实现同时对蜜炙款冬、蜜炙黄芪、蜜炙甘草水分含量的快速检测,为中药制造过程原料单元蜜炙饮片的水分测定提供方法。
