具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1～7，本发明实施例中，一种地贞颗粒醇提过程在线质量监控方法，其监控方法步骤如下：

步骤一：提取液样品收集；

称取五味子药材和女贞子药材各60g，打成粗粉，并过二号筛，置于1000mL三颈烧瓶中，三颈烧瓶置于85℃水浴锅中预热，并安装回流装置，加入温度为75℃、体积为840mL的95％乙醇，自溶剂完全加入起开始计时，每间隔5min取样3mL醇提液，整个提取时间为90min，共取得18个醇提样本；

步骤二：取样试验设计；

设计12批试验，试验条件见表1所示，包括A1-A8和B1-B4，A1-A8是正常批次，B1-B2为工艺异常批次，其中B1在提取开始后立即移除加热源，B2将提取温度保持在40℃，模拟工厂生产过程中设备损坏或断电等异常情况，B3-B4模拟了投料异常情况，B3减少了原药材的投料量，B4增加了原药材的投料量；

表1 醇提过程实验设计

步骤三：近红外光谱采集；

醇提样本取出后立即扫描其近红外透射光谱，以空气为背景，设置分辨率为8cm-1，光程为2mm，扫描次数为32次，采集10000～4000cm-1的光谱信息，每个样品扫描三次，并求得平均光谱；

步骤四：醇提样品含量测定；

其测定具体步骤如下：

S1：色谱条件如下：

色谱柱为Xselect HSS T3(4.6×250mm,5μm)；检测波长230nm，流速1mL·min-1，进样量为10μL，以0.1％磷酸为流动相A，乙腈为流动相B，按以下程序梯度洗脱：0～10min：18～20％B，10～20min：20～25％B，20～35min：25～70％B，35～50min：70～75％B，50～60min：75％B；

S2：对照品溶液制备；

取适量五味子醇甲，五味子甲素，五味子乙素和特女贞苷对照品，精密称定，加适量95％乙醇配制成每1mL含有特女贞苷1099μg，五味子醇甲504.0μg，五味子甲素113μg，五味子乙素302μg的混合对照品溶液；

S3：供试品溶液制备

取适量醇提液样本，滤过，取续滤液，即得供试品溶液。

步骤五：建立定量模型；

模型评价指标包括校正集误差均方根(RMSECV)、校正集相关系数(Rc)、校正集误差均方根(RMSEC)、校正集相对偏差(RSEC)、验证集相关系数(Rp)、验证集误差均方根(RMSEP)、验证集相对偏差(RSEP)；一般认为，Rc和Rp越接近于1，则校正集拟合值、验证集预测值与样品实测值的相关性越强，当RMSECV、RMSEC、RMSEP三个指标越小且相互接近，RSEC和RSEP越小，所建立的定量分析模型精度和稳定性越高，性能越佳；

其建立方法步骤如下：

S1:异常点剔除及样本集划分；

通过MATLAB R2018b软件实现蒙特卡洛交叉验证算法，用以剔除异常样本，并采用SPXY算法将样本集以3:1的比例划分为校正集和验证集；

S2:特征波长筛选；

对有效成分特女贞苷、五味子醇甲、五味子甲素和五味子乙素数据均采用siPLS、CARS、RF、MC-UVE筛选特征波长。特女贞苷筛选组合区间为5403.5～5600.2、6005.2～6201.9、8010.8～8207.5和8211.4～8408.1cm-1；五味子醇甲筛选组合区间为5457.5～5696.7、6417.9～6653.2、7135.3～7370.6和8809.2～9044.5cm-1；五味子甲素筛选组合区间为6005.2～6201.9、7609.7～7806.4、7810.3～8007.0和8612.5～8809.2cm-1；五味子乙素筛选组合区间为5403.5～5600.2、5604.1～5800.8、6005.2～6201.9和6406.3～6603.0cm-1；

S3:定量模型建立与评价

完成对异常样本的剔除和特征波长筛选后，分别建立各指标成分PLSR定量分析模型，各指标成分不同波长筛选方法建立的PLSR模型参数汇总见表2所示，表2中可以看出，四种波长筛选方法得到的关键变量与全光谱建立的PLSR定量模型相比，其模型性能均有一定的提升，同时大大减少了建模所需的变量数。四种波长筛选方法中，RF在4个指标模型中均表现出了较优异的特征提取能力，该方法能在保证模型精度和稳定性优异的同时，剔除近红外光谱中大部分的无关变量。在最佳性能的PLSR定量模型中，特女贞苷、五味子醇甲、五味子甲素和五味子乙素的RMSEC值分别为0.0570、0.0060、0.0018和0.0031，RMSEP值分别为0.0613、0.0054、0.0034和0.0037，RMSEC和RMSEP值均较接近且较小，四个指标模型的Rc和Rp均接近或高于0.9，验证集中RSEP均小于5％，RPD值均在2以上，基本满足过程分析的要求。特女贞苷、五味子醇甲、五味子甲素和五味子乙素的验证集和校正集中实测值与预测值的相关性图见图1，图中可见校正集中实测值与预测值点均匀分布于直线y＝x的两侧，验证集的实测值与预测值比较接近，可以达到未知样本含量预测的要求；

表2醇提样本各指标成分NIRs模型参数

步骤六：建立多变量统计过程控制(MSPC)质量监控模型；

采用PCA得分图、Hotelling T2和DModX控制图绘制过程轨迹图，PCA得分图表示某批次样本的PC1得分在醇提过程中的变化趋势，由于PC1解释了94.46％，因此PC1的变化趋势基本代表了样本的总体变化趋势。Hotelling T²控制图显示样本到主成分模型的距离，根据其偏离程度提示异常，DModX控制图是主成分模型外部残差矩阵，反映了模型的外部数据变化，两种控制图通常联用，相互补充，使得过程判断更加准确。

通过SIMCA 14.1数据分析软件计算训练集数据的PC1得分、Hotelling T²值和DModX值，同时计算训练数据在醇提各时间点PC1得分的平均值(Avg)和标准方差(σ)，上下限设置为均值±3σ，设置Hotelling T2的95％为控制上限，DModX设置均值+3σ作为控制上限。

步骤七：验证多变量统计过程控制(MSPC)质量监控模型；

选择A4，A5两个正常批次对所建立的统计监控模型进行验证，其醇提过程趋势轨迹图如图5所示，A4和A5批次在三种监控模型中均未超过所设置的控制限，且走势与建模的6各批次训练样本基本一致，说明建立的模型不存在故障误报的情况。

注意事项：

1、在生产过程中常常遇到诸如工艺参数设置错误、断电等设备故障，生产过程中若能够发现这些故障并及时排除能极大减少原料的浪费，批次B1和B2分别模拟了工艺异常情况，B1在提取开始后立即停止加热，B2则低于提取温度，在40℃下完成提取过程。图6为B1和B2批次在MSPC模型中的情况，在PCA得分图中，B1和B2的主成分在整个醇提过程均低于得分下限。Hotelling T²控制图未超过统计量T²的95％控制限，但远远高于正常批次样本的T²统计量，在DModX控制图中，B1和B2均高于DModX控制上限；

2、除了工艺异常外，投料固液比异常也会导致生产过程产生较大的质量波动，B3和B4分别模拟了药材投料过少或过多的情况，如图7所示，PCA得分图显示B3由于药材投料低于正常情况，其PC1得分全程在其控制下限附近运行，B4由于药材投料高于正常，在其初始阶段PC1得分在受控范围，20min后逐渐升高至超过控制上限，说明其内在成分高于正常值。Hotelling T²控制图显示B3和B4在接近95％控制限下运行，最终B4超过了控制限出现异常。在DModX控制图中B3和B4均高于控制上限，两种异常情况均证明了建立的监控模型可以作为判别工艺异常的工具，在生产过程中可以起到及时报错的作用。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。