论文部分内容阅读
作为天然植物纤维,麻是纺织加工中重要的纤维原料。麻纤维具有吸湿性好、强度高等特点,麻织物挺爽、穿着舒适。常用的麻主要有苎麻、亚麻、红麻、黄麻、大麻、罗布麻等。不同种类麻纤维外观形态与化学性能相似,但是最终产品的市场价值却差别极大。其中,亚麻纤维被誉为“植物纤维中的皇后”,亚麻及其混纺产品以其“绿色保健”的特点成为国际市场上最为畅销的纺织品之一。麻纤维种包含多种化学成分,其中纤维素、半纤维素、木质素等含量作为反映纤维质量的主要性能参数指标,能够有效指导我国麻类纺织领域的原料评价、科学研究及市场应用。目前,对麻类纤维的定性鉴别还没有统一的标准,且受人为因素、环境因素等影响较大;对于麻类纤维化学成分以及麻纤维与其他纤维混纺产品的定量研究大部分还处于传统的湿化学分析阶段。本研究以湿化学分析为基础,利用现代的近红外光谱分析技术结合化学计量学方法等,构建了相对准确、快速的近红外分析模型,实现不同麻类纤维的有效鉴别、亚麻单种纤维模型主要化学成分的定量预测、亚麻红麻综合模型主要化学成分定量预测及亚麻/粘胶、亚麻/棉混合纤维中亚麻含量的定量预测。本文开展的主要工作及所得结论包括以下几个方面:（1）以亚麻纤维为研究对象,确定最优样品粒径尺度、样品填装厚度等光谱采集参数,为提高近红外模型的预测精度提供基础。对比重复测试30次的长纤维束、5mm纤维段、20目纤维粉、40目纤维粉、60目纤维粉等同一种样品在5种不同亚麻纤维尺度下的近红外光谱图,研究结果表明,随着样品粒径的减小,光谱离散度（同一波数处最大吸光度与最小吸光度差值）逐渐减小,样品粒径为60目亚麻纤维粉时,光谱离散度最小,均方差（SD）波动值最小。对比重复测试30次的0.2g、0.4g、0.6g、0.8g、1.0g、1.2g六种不同测试克重（厚度）下的样品近红外光谱图,结果显示,随着测试克重（厚度）的增加,光谱离散度先减小再增大,当测试克重（厚度）为1.0g时,光谱离散度最小,均方差（SD）波动值最小。（2）采集不同种类麻纤维的近红外光谱,通过光谱预处理,结合主成分分析并使用簇类独立软模式SIMCA（Soft Independent Modeling Class Analog）识别技术,有效鉴别多种麻类纤维。研究结果表明,分别建立苎麻、亚麻、红麻、黄麻、大麻、罗布麻六种纤维的主成分分析模型,模型中选取主成分变量因子为3时,六种模型的累计方差高达97%以上,很大程度上保留了原数据信息。根据SIMCA模式识别分析中的类间距、识别率与拒绝率等数据进行分类判别。六种纤维相对分布距离最大为9216.139,最小为72.138,具体类间距大小顺序为:亚麻～大麻＞亚麻～苎麻＞亚麻～黄麻＞亚麻～红麻＞亚麻～罗布麻＞黄麻～苎麻＞黄麻～大麻＞黄麻～罗布麻＞苎麻～大麻＞罗布麻～大麻＞红麻～黄麻＞红麻～罗布麻＞苎麻～罗布麻＞红麻～大麻＞红麻～苎麻,表明该方法能较好的区分出六种纤维。在SIMCA识别模式中,六种纤维的训练集及预测集都得到100%的识别率和100%的拒绝率,实现了纤维的快速、无损、简便、准确鉴别。（3）以传统麻类纤维湿化学分析体系为基础,采用近红外光谱法结合化学计量分析,建立43种亚麻纤维中纤维素、半纤维素和木质素三种主要化学成分近红外模型并进行快速准确地定量预测。结果表明,针对纤维素、半纤维素、木质素化学成分进行建模,应用PLS（偏最小二乘法回归,Partial Least Squares Regression）方法建模质量均优于PCR（主成分回归,Principal Component Regression）方法。选择特征波段光谱范围为10000-4000 cm-1时,采用一阶导数结合标准正态变量校正（FD+SNV）预处理方法,构建的纤维素近红外模型效果最佳:RC~2（校正决定系数）为0.968,RP~2（预测决定系数）为0.955,RMSEC（校正均方根误差）为0.777%,RMSEP（预测均方根误差）为1.060%,RPD（相对分析误差）为4.641;选择特征波段范围为10000-4000 cm-1时,采用基线消除结合一阶导数（Baseline+FD）的预处理方法,构建的半纤维素近红外模型效果最佳:RC~2为0.958,RP~2为0.931,RMSEC为0.511%,RMSEP为0.678%,RPD为3.305;选择特征波段范围为6900-5600 cm-1时,结合一阶导数（FD）预处理方法,构建的木质素近红外模型效果最佳:RC~2为0.936,RP~2为0.769,RMSEC为0.351%,RMSEP为0.455%,RPD为2.366。（4）建立亚麻红麻主要成分纤维素、半纤维素、木质素的综合模型,探索麻类纤维定性分析与定量分析的有机结合,扩展近红外模型预测能力并进行模型稳定性研究。建立亚麻与红麻纤维素、半纤维素、木质素校正集样品的主成分分析模型,利用有监督的SIMCA模式识别方法,对预测集中的样品进行归类,结果表明,在5%置信区间内,纤维素、半纤维素与木质素的预测集中,亚麻红麻纤维样品均实现100%鉴别。利用PLS方法分别建立亚麻与红麻主要成分纤维素、半纤维素、木质素的综合模型,选择特征波段光谱范围为10000-4000 cm-1时,采用一阶导数结合标准正态变量校正（FD+SNV）预处理方法,构建的纤维素近红外模型效果最佳:RC~2为0.975,RP~2为0.961,RMSEC为0.961%,RMSEP为0.952%,RPD为6.756。;选择特征波段范围为10000-4000 cm-1时,采用基线消除结合一阶导数（Baseline+FD）的预处理方法,构建的半纤维素近红外模型效果最佳:RC~2为0.957,RP~2为0.878,RMSEC为0.492%,RMSEP为0.712%,RPD为2.882;选择特征波段范围为6900-5600 cm-1时,结合一阶导数（FD）预处理方法,构建的木质素近红外模型效果最佳:RC~2为0.990,RP~2为0.981,RMSEC为0.616%,RMSEP为0.788%,RPD为7.471。（5）对比分析单种亚麻纤维主要化学成分模型及亚麻红麻纤维主要化学成分综合模型,结果表明,两种麻的纤维素及木质素成分含量综合模型整体质量优于单种纤维模型,半纤维素成分含量单种纤维模型整体质量优于两种纤维综合模型。综合模型中,纤维素与半纤维素的最佳波段范围均为10000-4000 cm-1,最优预处理方式分别为一阶导数结合标准正态变量校正（FD+SNV）和基线消除结合一阶导数（Baseline+FD）,木质素的最佳波段范围为6900-5600 cm-1,最优预处理方式为一阶导数（FD）。对比分析亚麻原麻纤维与α纤维素近红外光谱、亚麻原麻纤维各胶质成分去除前后近红外光谱发现,在8000-4000 cm-1波段范围内,亚麻原麻与α纤维素的近红外光谱波峰及走势均一致,在12500-8000cm-1范围内受其他化学成分基团光谱吸收及颜色、噪声影响略有差异;半纤维素去除前后全光谱范围内近红外光谱吸光度有所差异,但光谱趋势相同。结合近红外合频、一倍频、二倍频吸收区间范围,从理论上证明纤维素与半纤维素的最优建模区间在10000-4000 cm-1波段范围是合理的。（6）采用近红外光谱法结合化学计量学方法对亚麻/粘胶、亚麻/棉混合纤维中的亚麻含量进行了定量预测。自行制备11组亚麻配比依次增加（0%、10%、20%、30%、40%、50%、60%、70%、80%、90%、100%）的亚麻/粘胶、亚麻/棉纤维样品,选择平滑、基线偏移结合多元散射校正（Smoothing+Baseline+MSC）结合的最佳光谱预处理方式,并根据光谱特征分析确定了与纤维素的化学键密切相关的七个特征谱带:A:4000-4080 cm-1,B:4227-4442 cm-1,C:4658-4891 cm-1,D:5110-5253 cm-1,E:5556-5701 cm-1,F:5756-5936 cm-1,G:6666-7067 cm-1。针对亚麻/粘胶、亚麻/棉纤维样品以亚麻偶数含量比（0%、20%、40%、60%、80%、100%）作为训练集分别构建多元线性回归模型与偏最小二乘法PLS模型,奇数含量比（10%、30%、50%、70%、90%）作为预测集进行含量预测。结果显示,两种模型均能较为准确的实现亚麻/粘胶、亚麻/棉混合纤维中亚麻含量预测,PLS模型质量优于多元线性回归模型质量。利用PLS方法以特征波段建模,亚麻/粘胶纤维样品中亚麻含量预测模型决定系数RP~2为0.998,RMSEP为1.182%,RPD为24.336,预测结果与参考值吻合很好;亚麻/棉纤维样品中亚麻含量预测模型决定系数RP~2为0.992,RMSEP为2.529%,RPD为11.239,模型预测精度较高。综合分析表明,通过现代近红外光谱技术与化学计量学分析相结合,可以有效建立常用麻纤维属性系统鉴别方法,实现麻类纤维的快速、准确定性鉴别;建立亚麻单种纤维主要化学成分含量近红外定量分析模型可实现亚麻纤维中纤维素、半纤维素、木质素含量的快速、准确预测;建立亚麻红麻纤维主要化学成分含量的综合近红外定性定量分析模型可在实现两种纤维的快速定性鉴别的基础上拓宽建模数据库,并准确预测每种纤维中纤维素、半纤维素、木质素含量;建立亚麻/粘胶、亚麻/棉混合纤维中亚麻含量的定量分析模型,可实现亚麻/粘胶、亚麻/棉含量的精准预测。研究结果为更好地开展麻类纤维的原料评价、科学研究奠定了较好的基础。