隋 莉,郭团结,杨红伟,江海兰,郭吉原
(山东新希望六和集团有限公司,山东 青岛266555)
饲料企业近红外规模化应用关键控制点
隋 莉,郭团结,杨红伟,江海兰,郭吉原*
(山东新希望六和集团有限公司,山东 青岛266555)
近红外光谱分析技术在我国饲料行业已经得到了广泛应用,大型饲料企业普遍配备了近红外光谱分析设备并在实际应用中取得了良好的经济效益.本文从饲料行业的需求出发,从设备选择、预测模型建立、预测结果评价、网络化管理等多方面阐述了规模化应用近红外光谱分析技术的控制要点并对近红外在饲料行业应用前景进行了展望.
近红外;饲料;规模化应用
目前,饲料行业已将近红外光谱分析技术广泛应用于原料验收和成品出厂检测.近红外光谱分析技术具备检测效率高、无化学试剂消耗、操作简单等优势,使企业获得了良好的社会效益和经济效益[1].本文基于新希望六和的研究实践,对规模化应用近红外关键控制点进行阐述,旨在为此项技术规模化应用提供参考方案.
饲料行业需要进行检测分析的原料品种众多且检测项目庞杂.饲料厂的震动源较多,大型货车引起的地面震动、车间生产带来的机械噪音都会对近红外的光谱质量造成影响.因此需要配置光谱范围宽、稳定性能好的近红外光谱分析仪,这是实现饲料行业近红外技术规模化应用的前提.不同类型的近红外光谱仪在工作原理上有较大差异,按分光原理可分为滤光片型、光栅色散型、傅里叶变换型及声光可调滤光器型[2].
1.1 滤光片型近红外光谱仪 滤光片型近红外光谱仪可分为固定滤光片和可调滤光片2种类型.固定滤光片型近红外光谱仪根据测定样品的光谱特征选择适当的滤光片.可调滤光片型有的配备了1个或2个固定滤光片,还有的配备了由8个滤光片构成的滤光轮,这种仪器可以根据需要比较方便地在1个或多个波长下进行测定.
1.2 色散型近红外光谱仪 色散型近红外光谱仪的分光元件是棱镜或光栅,扫描型仪器中多使用全息光栅作为分光元件,通过光栅的转动使单色光依次通过测样单元.
固定光路多通道近红外光谱仪是光源发出的光经过样品池再由光栅分光.光栅不转动,经光栅色散的光由多通道检测器同时检测.
1.3 傅里叶变换近红外光谱仪 傅里叶变换近红外光谱仪的主要光学元件是迈克尔逊(Michel-son)干涉仪,其原理是将光源发出的光分成2束,并造成一定的光程差,再使之复合以产生干涉,所得的干涉图函数包含了光源的全部频率和强度信息,用计算机将样品干涉图函数及光源干涉图函数经傅里叶变换为强度频率分布图,两者的比值即样品的近红外谱图.
1.4 声光可调滤光器近红外光谱仪 声光可调近红外光谱仪的分光器件为声光可调滤光器.根据各向异性双折射晶体的声光衍射原理,采用具有较高的声光品质因素和较低声衰减的双折射晶体制成分光器件.晶体对一固定的超声频率仅有很窄的光谱带被衍射,因而连续改变超声频率就能实现衍射光波长的快速扫描.
饲料行业常见的近红外光谱分析仪有傅里叶变换型的MATRIX-I、TANGO,光栅型的DS2500和NIRsystems5000型.NIRsystems5000型设备抗噪性能较差,模型传递需要进行光谱标准化等繁琐工作,现在此款设备已经停产.
企业选用稳定的近红外分析设备非常重要.虽然有各种模拟运算和处理方法进行近红外模型的转移,但具体的实施需要消耗大量的人力、物力,而且差异难以避免.随着硬件技术的提升,市场上已有近红外光谱分析设备可以实现定标模型的直接拷贝,采用这种设备将使日后的管理工作事半功倍.
近红外光是指波长为780~2 500 nm的电磁波.相对于其他分子基团(如C=O)而言,含氢基团(如C-H、O-H、N-H等)在近红外光谱区的吸收强度较高,因此近红外光谱主要反映的是含氢基团的振动吸收信息[3].
近红外光谱不但可以承载样品的化学信息还可以承载其物理信息甚至生物信息.近红外光能够深入样品内部,不同谱区的近红外光的吸收率相差达到几个量级,它们可以进入样品内部不同深度,取得其不同层次物质的信息,因此近红外光谱不仅可以用于粗蛋白质、粗脂肪、淀粉和氨基酸等营养指标的分析,还能够分析样品的物理状态,如容重、硬度等.
2.1 波长范围 波长范围是指仪器能够有效检测到的光谱范围.近红外光谱仪器的波长范围通常分为2段:700~1 100 nm的短波区域和1 100~2 500 nm的长波区域.短波区域的光透射性强,吸光系数小,不适合深色样本的分析.长波光谱区相对信息较为丰富,吸收波带的重叠没有短波区严重,适合各类样品的测量.
2.2 分辨率 分辨率是指区分2个相邻吸收峰能力的量度,其主要取决于光谱仪器的分光系统.光栅型分光仪器的分辨率与狭缝的设计有关,狭缝越窄分辨率越高,但光通量也会下降,显著降低光谱的信噪比.阵列检测器的分辨率还与检测器的像素有关.傅里叶型近红外光谱仪的分辨率由移动反光镜移动距离决定.
2.3 波长准确性 光谱仪器波长准确性是指仪器测定标准物质某一谱峰的波长/波数与该谱峰的标定波长/波数之差.波长准确性对近红外光谱仪器间良好的模型传递非常重要.
2.4 波长重复性 波长的重复性是指对标准物质进行多次扫描谱峰位置间的差异.通常用多次测量某一谱峰位置所得波长或波数的标准偏差表示.波长重复性是体现仪器稳定性的一个重要指标,对校正模型的建立以及模型的传递均有较大影响,同样也会影响最终分析结果的准确性.
2.5 吸光度准确性 吸光度准确性是指仪器所测某标准物质的吸光度值与该物质标定值之差.波长和吸光度的准确性是实现模型在仪器间直接拷贝的关键指标.测量光谱仪的吸光度准确性可选择合适的标准物质,如标准溶液或标准滤光片,在规定的波长处,连续取10个吸光度的平均值,与标准吸光度之差,即为吸光度准确度.在近红外光谱区域,目前国际上尚未制定评价吸光度准确性的标准方法,仪器生产厂商大多采用企业内部标准,也有不少厂商对吸光度的准确性不作要求.
2.6 吸光度重复性 吸光度重复性是指在同一条件下对同一样本连续在同一仪器上进行多次光谱测量之间的差异.通常用整个光谱区间或某一特征谱峰的吸光度标准偏差表示.吸光度重复性对近红外检测来说是一个极其重要的指标,它直接影响模型建立的质量以及预测结果的准确性和重复性.一般要求吸光度重复性要优于0.000 4AU.
2.7 噪声 吸光度噪声是影响吸光度准确性和重复性的主要因素之一,尤其对低吸光度样本噪声的影响更加显著.噪声通常在零吸光度即光路中没有样本的情况下,通过峰/峰值测量来评价,称为零基线噪声.一般近红外光谱仪的零基线噪声要小于5.0X10-5AU,目前有些仪器的零基线噪声(1min扫描,分辨率16 cm-1)已小于5.0 X 10-6AU.对比不同类型仪器的噪声时,应注意扫描时间和分辨率的影响,同类型仪器须在相同的测试条件下才有可比性.由于检测器等因素的影响,噪声、吸光度的重复性及准确性在不同波长区域存在差异,通常仪器所测波长范围两端的噪声较高.
2.8 杂散光 杂散光为非分析光的其他光线到达样品和检测器的光量总和,是导致仪器测量出现非线性的主要原因.杂散光是影响吸光度和浓度之间线性关系的主要因素之一.杂散光对仪器的噪音、基线及光谱的稳定性均有影响.一般近红外光谱区域的杂散光要求小于0.01T%.
国际各近红外光谱仪器厂商一直在追求仪器的高信噪比、高稳定性以及仪器间的高一致性,这些性能需要通过仪器信噪比、波长(波数)准确性和重现性、吸光度重现性等指标来体现[4].
饲料行业现有的近红外检测标准有GB/T 18868-2002《饲料中水分、粗蛋白、粗纤维、粗脂肪、赖氨酸、蛋氨酸快速测定 近红外光谱法》.在粮油检测方面我国已经颁布了十余项国家标准,如GB/T 24870-2010《粮油检验 大豆蛋白质、粗脂肪含量的测定 近红外法》等,这些检验标准有利地支持了饲料行业近红外应用技术的发展.此外,GB/T 24895-2010《粮油检验近红外分析定标模型验证和网络管理与维护通用规则》、GB/T 29858-2013《分子光谱多元校正定量分析通则》完整地为近红外技术从业人员提供了建模技术方案和方法.在国际上,农业领域也有诸多的近红外光谱分析标准,如《AACC Method 39-00.01 Near-Infrared Methods-Guidelines for Model Development and Maintenance》等.
近年来,各科研单位和饲料企业在近红外定标数据库的建设方面做了大量工作,建立了丰富的预测模型.饲料大宗原料定量预测模型的分析项目[5]有水分、粗蛋白质、粗脂肪、粗纤维、中性洗涤纤维、酸性洗涤纤维、淀粉、氢氧化钾蛋白溶解度、赖氨酸、蛋氨酸等;在维生素、氨基酸等添加剂定性定量预测方面也有单位进行了研究和应用[6-8];在原料表观代谢能、净能的预测模型建立方面亦取得了的丰硕的研究成果[9-10].饲料成品模型主要用于预测常规营养组分(如水分、粗蛋白质、粗脂肪、粗纤维等).
近红外光谱分析通常属于常量分析,由于近红外光谱具有吸收弱、摩尔吸光系数低的特点,0.1%含量是天然产物近红外光谱定量分析公认的检测限[2].对于农药残留以及三聚氰胺、霉菌毒素等微量成分的直接测定是近红外光谱分析技术力所不及的.虽然某些项目在特定的实验室设计过程中得到了理想的实验结果,但在工业化的生产中却难以实现应用.采用真实的样品而不是特殊制备的样品建立预测模型,是近红外分析技术在生产中得以成功应用的关键.
此外,不注重近红外光谱分析的基础原理,仅仅基于化学计量学算法做出的模型会给生产带来不可估量的风险.如采用近红外预测饲料中钙的含量,建立一个满足分析要求的模型并不困难,但由于饲料中的钙主要来源于石粉和氢钙等矿物原料,当发生窜仓等生产事故的时候,此方法没有能力给出警示,易造成严重的市场问题.采用近红外光谱分析的目的不是简单的提供大量数据,而是要通过数据进行生产过程的监控,促进产品品质的提升.
5.1 样品的收集 在近红外光谱分析中,定标样品的选择要具有广泛性和代表性.广泛性是指定标样品集要具有足够大的覆盖范围尤其是目标组分的浓度范围要宽,代表性是指定标样品需涵盖日常分析样品的特性.
样品进行光谱收集前需要通过镜检等检测方法确定样品是否正常,杜绝掺假样品进入定标集.
在近红外定标样品的初始收集阶段,可以根据不同年份、季节、产区、品种、加工工艺、生产厂商等差异性进行有目的的样品收集;在所收集样品到达实验室后,亦可通过样品的近红外光谱进行二次筛选,可采用聚类法、主成分因子法等;在实验室数据检测完成后,可依据样品目标成分的浓度进行定标样品集选择;定标模型初步建立后,可将光谱马氏距离异常、光谱残差报警或是超出定标范围的样品选择性的补充到定标样品集中.经过反复的训练,定标样品数量逐步扩大,预测能力也能达到相应的要求.
5.2 样品的制备 样品的粉碎粒度对近红外光的漫反射强度有很大的影响,需对粉碎环节进行统一要求.常见的样品磨有万能粉碎机、超离心研磨仪等.要注意样品的粉碎制备过程不应出现组分的变化,样品粉碎后需混合混匀.
5.3 光谱的采集 定标样品扫描时的粒度需和实际预测样品扫描时的粒度一致.如要求预测整粒玉米的营养指标就需要采集整粒玉米样品的光谱.但对于均匀性差的原料则必须进行样品制备以保证样品组分的均匀,以确保预测结果的准确.
建模时所用的扫描参数与测量时的扫描参数应一致.仪器厂家会对不同近红外设备扫描条件提供推荐值,如扫描波长范围、仪器的分辨率、噪声背景的扣除、扫描次数的设定等.
5.4 化学值的检测 化学值的准确度将决定近红外预测模型的准确度,所以在进行化学数据检测之前,需要先对实验室的理化检测能力进行考核评估.实验室管理状况、检测人员技能、采用的检测方法、化学分析设备的性能等都是不确定度的来源.可通过人员比对、留样复测、能力验证、测量审核等方式来确定实验室的分析能力.
建模人员只有熟悉理化分析方法和测量值的不确定度等内容才能对定标模型的建立有更好的把握.
5.5 预测模型的建立 近红外模型应具有稳定性、可靠性及动态适应性等特点.模型的稳定性取决于定标样品的覆盖面是否广泛.样品集需包含丰富的样品信息,同时还要尽可能的包含适当的背景、噪音等信息.模型的可靠性是指预测结果准确度高,这取决于准确的理化数据、客观稳定的光谱信息、适宜的数学处理方法.模型的动态适应性是指时间或空间的变化对预测结果不至于造成显著的影响,甚至于不同型号的近红外设备通过模型转移,定标模型也能够表现稳定[11].
5.6 模型的独立验证 独立验证样品集是用来检验定标模型预测能力的样品集合,通常用预测标准误差SEP评价所建立模型的质量.验证样品作为评价模型质量的重要参数需要具有独立、准确、匹配的特点.验证样品理化分析数据应严谨准确,以防错误评价近红外模型的预测能力.这一点,在近红外网络化应用过程中尤为重要.有些实验室分析能力不稳定或存在较大的系统偏差,自身认识不足的情况下开展独立验证往往会得出错误的结论.
验证样品集需要与定标样品集相匹配,如建立近红外定标模型的目标是能够准确预测国产玉米的粗蛋白质,选择的定标样品是来源于国内各省份的样品,验证样品也应来自于相应地域范围.如果采用美国或阿根廷的玉米进行验证,则不能客观体现所验证近红外定标模型的质量.如需扩展定标模型的预测范围则需从定标集样品的扩充开始.
建立稳定、准确的近红外预测模型,需要丰富的样品资源、稳定的近红外仪器、良好的实验室分析数据、经验丰富的近红外管理人员.建立良好的预测模型是一个长期系统的工作,需要整体的策划和设计,需要耐心和坚持,关注每一个细节方能实现.
集团化的饲料企业要求近红外分析对品质管理的贡献是可复制的,不同分子公司的检测数据需要有可比性,即同一样品在A厂和在B厂的检测结果应该趋于一致.这就需要对近红外光谱分析技术进行统一技术管理并对近红外的使用状态进行监管.通过参比样品和实验室比对,可以较好地实现近红外预测准确度的监控.
6.1 参比样品 参比样品是指赋予准确浓度含量的样品.将参比样品定期的在近红外光谱设备上进行扫描,可以监控仪器的稳定性以保证分析结果的稳定.
6.2 实验室比对 采用实验室比对的方法,通过对人员理化检测数据和NIR预测数据的比对统计,说明近红外预测性能的优劣.即通过分发比对样品到若干个NIR实验室和具有良好分析能力的理化分析实验室.比较2种分析方法的中位值和标准化四分位距,来监控近红外预测结果的准确度和精确度.
表1化学分析值与NIR预测值比对
如表1所示,比对实验数据由50个工厂实验室分别进行理化分析及NIR预测所得.
中位值和标准化四分位距法是一种简单的稳健统计方法.应用此法计算得到数据总体均值和总体标准差的估计值--中位值(Med)和标准化四分位距(NIQR).中位值和标准化四分位距是数据集中和分散的度量,与平均值和标准差相似.中位值是分布中间位置的一个估计.标准化四分位距等于四分位距(IQR)乘以因子 0.7413.四分位距是高四分位数和低四分位数的差值.由表1可见,2种方法的中位值非常接近,可以说明所监控近红外预测结果准确度令人满意.近红外方法的NIQR值大多小于化学分析方法的NIQR值,说明多个工厂的近红外方法预测结果变异更小.采用实验室比对的方法监控近红外的预测效果是客观且公正的,但需要有实力的组织单位.集团化企业可以联合企业内外的实验室开展此项工作.
6.3 评价模型建立效果/预测效果的指标 预测模型的质量评价指标非常多,广泛关注的有校正标准误差SEC、交互验证标准误差SECV、预测标准误差SEP、相关系数R或决定系数R2.除以上这些指标之外,模型的维数选择和RPD值也是特别需要关注的.
维数过低,模型有可能没有充分利用光谱信息出现欠拟合现象,导致准确度下降;维数过高,模型有可能引入噪声出现过拟合现象,导致模型不稳健.随着维数的增加校正标准误差或交互验证标准误差应呈下降趋势,在适宜的维数点之后则出现波动且无下降的趋势.
RPD是定标集某组分的SD值与该模型的预测标准偏差SEP的商.AACC method 39-00给出了模型的评价范围,要求RPD≥5可以用于定量控制.合理的进行聚类扩大样本的SD值对建立适用性好的模型非常有效.
6.4 影响近红外分析精确度和准确性的关键因素近红外分析操作过程简单,却也一定要规范操作.近红外分析误差源主要来源于样品制备、环境控制及扫描过程.样品粉碎的方法要统一要求,粉碎粒度需要与定标集的样品粒度保持一致.环境控制包括设备所处环境和样品所处环境,特别在冬季,样品取回后需要自然回温到20℃左右再进行扫描分析.扫描前应再次混匀样品,特别是棉粕等均匀度差的样品.需要注意扫描窗口的清洁,遗落的粉尘对分析结果将产生较大的影响.
大规模应用近红外光谱分析设备的集团企业,统一建立近红外模型并实施管理无疑是最经济和有效的方式,近红外应用的效果主要取决于系统全面的管理能力.
近红外网络化是指利用互联网、服务器或其他方式将多台近红外分析设备连接为一个整体的质量分析系统.客户终端产生的数据可以实时传递至服务器,管理人员可以调取、查看产生的数据和光谱并进行统计分析,实现近红外预测结果的实时监控,亦为饲料原料价值精细化利用提供数据基础.
近红外网络化管理的初期主要是用于仪器性能的日常监控和预测模型的更新.利用网络可实现对分布在各地的近红外光谱设备进行快捷的管理.而今随着近红外测预测结果的准确性和一致性的提高可以借此实现大数据的价值挖掘,为各部门搭建一个信息共享平台.如采购部可以利用近红外分析结果得到原料质量的综合分析报告;生产部可以及时地监控产品质量;技术部可以实现原料分析数据与饲料配方软件的对接,为配方调整提供实时有效的数据实现精细化生产.
网络化能够将近红外的技术优势发挥到极致.法国、德国和丹麦等国家的近红外网络已经覆盖几乎所有的粮食收购点,实现了谷物的优质优价及按质分类储存[1].
近红外应用的最大价值空间在于原料营养价值的深度挖掘.通过划小检测单元,监测原料变异,进而实现优质优价及分类储存,这将给饲料企业带来巨大的利润空间.已经有研究单位和企业尝试在饲料生产线中使用在线近红外对生产关键控制点进行监控,这将是饲料生产方式的一场革命.但由于仓位管理的局限、繁多的质量监控点和昂贵的配置费用,导致在线近红外的应用还有比较长的路要走.随着行业的发展、生产技术和近红外应用技术的更新,在线近红外必然会普及.通过在线分析实现对饲料原料的实时监测,监测数据反馈到饲料配方体系中实现自动化微调.这对饲料原料物尽其用、精准饲料配方、稳定产品质量均具有重要的意义.随着社会认可度的提高、人力成本的上升,近红外光谱技术必然在饲料行业得到广泛而深入的应用.
[1] 褚小立. 近红外光谱分析技术实用手册[M].北京:机械工业出版社, 2016:257‐289.
[2] 严衍禄, 陈斌, 朱大洲, 等. 近红外光谱分析的原理、技术与应用[M].北京:中国轻工业出版社, 2013: 82‐94.
[3] 褚小立, 陆婉珍. 近五年我国近红外光谱分析技术研究与应用进展[J].光谱学与光谱分析, 2014, 34(10): 2595‐2605.
[4] 田高友, 褚小立, 袁洪福, 等. 近红外光谱仪器主要技术指标与评价方法概述[J].现代科学仪器, 2005, (4): 17‐20.
[5] 杨英, 范凌, 王明仙, 等. 近红外分析技术在饲料工业中的发展[J].饲料工业, 2000, 21(2): 21‐23.
[6] 石冬冬, 刘志英, 常淑平, 等. 利用近红外图谱技术同时检测预混料中多种维生素含量的研究[J].粮食与饲料工业 , 2015, 12(8): 61‐65.
[7] 任继平, 黄苏西. 应用近红外技术快速测定饲料原料氨基酸含量[J].中国饲料, 2005, (5): 24‐26.
[8] 李军涛, 杨文军, 陈义强, 等. 近红外反射光谱技术快速测定小麦中必须氨基酸含量的研究[J].中国畜牧杂志,2014, 50(9): 50‐55.
[9] 丁丽敏, 计成, 戎易. 近红外(NIRS)和粗蛋白预测氨基酸含量的精度比较研究[J].饲料工业, 2002, 32(4): 15‐18.
[10] Li Jun‐tao, Li Quan‐feng, Li De‐fa, et al. Use of near‐infrared reflectance spectroscopy for the rapid determination of the digestible energy and metabolizable energy content of corn fed to growing pigs[J].Anim Sci Biotech, 2016, 7(1): 45.
[11] 王倩, 黄家明. 豆粕品质近红外光谱分析模型传递方法研究[J].中国畜牧杂志, 2014, 50(13): 83‐86.
S818.9
A
10.19556/j.0258-7033.2017-11-108
2016-11-24;
2017-02-13
青岛市民生科技计划项目(14-2-3-46-nsh)
隋莉(1978-),女,硕士,主要从事饲料相关产品的质量分析工作,E-mail:suili@newhope.cn
*通讯作者:郭吉原,E-mail:guojy@newhope.cn