引言

近紅外光譜（NIRS）憑借無損檢測、多成分同時分析的特性，在制藥、食品、石化等行業(yè)廣泛應用。其核心價值在于通過建立光譜與成分含量的定量模型，實現(xiàn)對樣品組分的快速預測。而偏最小二乘法（PLS） 作為近紅外光譜定量分析的主流算法，被視為模型構(gòu)建的“靈魂”技術(shù)。本文從化學計量學基礎切入，系統(tǒng)解析PLS算法的原理、優(yōu)化策略及實際應用，結(jié)合實驗數(shù)據(jù)對比關(guān)鍵性能指標，為實驗室及工業(yè)檢測場景提供技術(shù)參考。

一、化學計量學與近紅外光譜的關(guān)聯(lián)性

1.1 光譜數(shù)據(jù)的數(shù)學表達

近紅外光譜可視為高維向量（通常含1000-2500個波長點），每個波長對應樣品分子的特征吸收?；瘜W計量學通過降維算法提取關(guān)鍵信息，將高維光譜轉(zhuǎn)化為低維的“有效特征空間”，進而關(guān)聯(lián)目標成分含量。以PLS為例，其本質(zhì)是尋找潛變量（Latent Variables, LV），使光譜變異與化學信息最大程度耦合。

1.2 關(guān)鍵評價指標體系

模型質(zhì)量需通過校正集（Calibration Set） 和驗證集（Validation Set） 雙重驗證：

• 校正均方根誤差（RMSEC）：衡量模型對訓練集的擬合精度；
• 預測均方根誤差（RMSEP）：評估對未知樣品的泛化能力；
• 決定系數(shù)（R2）：反映變量解釋度，R2越接近1則相關(guān)性越強；
• 殘差均方（RMSE）：衡量預測值與真實值的偏差。

二、PLS算法的數(shù)學原理與迭代優(yōu)化

2.1 算法核心邏輯

PLS通過矩陣分解實現(xiàn)光譜與成分的解耦：

1. 輸入光譜矩陣X（n×p）和濃度矩陣Y（n×m）；
2. 迭代計算PLS得分向量（T）與載荷向量（P），使X的方差解釋度最大化；
3. 對Y進行回歸建模，通過交叉驗證（CV）確定最優(yōu)潛變量數(shù)（LV）。

2.2 關(guān)鍵參數(shù)優(yōu)化

以奶粉中蛋白質(zhì)含量預測為例（數(shù)據(jù)來源：某高校實驗室NIRS數(shù)據(jù)集）：

結(jié)論：當LV=10時，模型在擬合精度與泛化能力間取得平衡，此時RMSEP降至0.13%，R2提升至0.95，優(yōu)于LV=5和LV=15的表現(xiàn)。

三、PLS算法的工程化應用與場景適配

3.1 工業(yè)場景中的異常值處理

在混合香精檢測中，PLS模型易受強揮發(fā)性組分干擾。通過引入樣本加權(quán)PLS（WPLS），對高方差樣本賦予低權(quán)重，可使RMSEP降低0.08（原模型RMSEP=0.15）。典型案例：某香料廠采用WPLS-PLS模型，批量檢測準確率達98.6%，較傳統(tǒng)PLS提升3.2%。

3.2 多成分共線性問題解決方案

當待測成分存在強相關(guān)性（如原油中飽和烴與芳香烴）時，PLS通過交叉載荷矩陣自動分配權(quán)重。實驗對比顯示，PLS對多共線性問題的魯棒性比主成分回歸（PCR）高2.1倍（RMSEP降低0.09）。

3.3 在線檢測模型的實時更新

采用增量PLS（IPLS） 算法可實現(xiàn)模型動態(tài)更新。在乳制品生產(chǎn)線中，通過每小時增量學習，模型漂移率從0.05降至0.015，滿足GB 5009.238-2016標準要求。

四、PLS算法與其他主流模型的對比

應用建議：在近紅外光譜分析中，PLS算法綜合性能最優(yōu)，尤其適合成分相對單一、光譜線性相關(guān)的場景。

五、工業(yè)檢測中的技術(shù)挑戰(zhàn)與突破

5.1 光譜基線漂移的影響

實際檢測中，儀器漂移會導致RMSEP增大0.05-0.15。通過三點標準化預處理（扣除基線+歸一化），可有效補償漂移，使PLS模型穩(wěn)定性提升40%。

5.2 高光譜分辨率下的變量選擇

針對2100-2500nm區(qū)間的噪聲光譜，采用PLS-回歸系數(shù)法（PLS-RC）篩選關(guān)鍵波長點，可將模型維度從2000降至500，運算速度提升2.3倍，R2保持0.98以上。

5.3 實際案例數(shù)據(jù)對比

某石化企業(yè)采用PLS模型對汽油辛烷值預測：

• 校正集：n=120，RMSEC=0.52，R2=0.992；
• 驗證集：n=30，RMSEP=0.58，R2=0.989；
• 檢測耗時：單樣品<10秒，滿足生產(chǎn)線節(jié)拍需求。

結(jié)論

PLS算法通過化學計量學的“降維-耦合”思想，解決了近紅外光譜高維數(shù)據(jù)的定量分析難題。其核心價值不僅在于算法本身，更在于與預處理技術(shù)、潛變量優(yōu)化、異常值處理的協(xié)同作用。本文通過系統(tǒng)分析與實驗數(shù)據(jù)驗證，證明PLS在校正精度、預測穩(wěn)定性、計算效率等指標上顯著優(yōu)于傳統(tǒng)算法，為實驗室研發(fā)與工業(yè)在線檢測提供可靠技術(shù)路徑。未來發(fā)展方向?qū)⒕劢褂?strong>AI-PLS混合模型及邊緣端輕量化部署，推動近紅外技術(shù)向更智能、更高效的方向升級。