近紅外光譜技術快速測定手洗餐具洗滌劑中總活性物
手洗餐具洗滌劑（簡稱“洗潔精”）是人們生活中經常使用的清潔劑，主要用于清洗餐具、廚房用具等家庭用具，其主要成分是表面活性劑，它的去污原理是表面活性劑以水為介質，對污物進行滲透、乳化、分散、懸浮，通過清水的漂洗使污物從餐具表面分離出去，達到潔凈餐具的效果。手洗餐具洗滌劑中表面活性劑的量以總活性物含量來代表，通常情況下，總活性物含量越高，去污能力越強、去污效果越好，所以總活性物含量是手洗餐具洗滌劑性能的體現，可以反映出該產品本身的成本和質量水平，是生產過程中質量控制的重要指標。
手洗餐具洗滌劑中總活性物含量的通用檢測方法是GB/T13173－2021《表面活性劑洗滌劑試驗方法》標準中第7章洗滌劑中總活性物含量的測定，包括乙醇萃取法（A法）和三氯甲烷萃取（B法）兩種方法，其中乙醇萃取法（A法）適用于市面上大部分手洗餐具洗滌劑總活性物含量的測定，該方法為傳統的理化手工方法，操作步驟繁雜，測試時間一般至少需要4h，檢測時效性較差，在生產過程中不能快速出具檢測結果，制約著生產的效率和產能的提高。
近紅外光譜分析技術是近年來快速發展的一種定性、定量分析測試技術，具有操作簡單、速度快、對樣品無破壞、綠色環保等優勢，在農業產品、食品、***、藥品、石油化工等領域得到廣泛的應用，但在日化產品分析檢測中的應用較少，本文利用近紅外光譜分析技術對手洗餐具洗滌劑中總活性物含量快速檢測方法進行了研究，結合偏*小二乘回歸方法建立了總活性物含量的近紅外光譜定量模型，并進行應用驗證，以期為日化產品質量分析提供一種快速、無損的分析手段。
材料與儀器
手洗餐具洗滌劑，去離子水，95%乙醇、無水乙醇、鉻酸鉀、酚酞、硝酸、氫氧化鈉、硝酸鈣、硝酸銀標準滴定溶液等均為分析純；
德國BRUKER（布魯克）TANGO-T傅立葉變換近紅外光譜儀，搭配OPUS軟件；理化實驗室常用儀器設備。
收集同一配方生產的具有代表性的手洗餐具洗滌劑樣品60個，濃度范圍為(15.6±1)%，用于校正模型的建立，另外隨機收集20個同一配方樣品用于校正模型的驗證。
試驗方法
樣品總活性物含量測定
總活性物含量化學分析方法按GB/T13173－2021《表面活性劑洗滌劑試驗方法》標準中第7章A法進行測定，每個樣品進行2次平行測試，平行測試結果的**偏差不大于0.2%，以平均值作為建模樣品總活性物含量的理論值。
樣品近紅外光譜采集
小心將樣品裝入配套的石英樣品管（直徑8mm），樣品量約為樣品管容積4/5左右，避免產生氣泡，擦凈樣品管外壁，用布魯克TANGO傅立葉變換近紅外光譜儀進行光譜采集，儀器設置30℃，掃描范圍4000cm-1～12500cm-1，樣品及背景掃描次數64次，分辨率8cm-1，光譜采集方式為透射方式，以空氣做參比，每個樣品掃描2次。
結果與討論
活性化合物的特征被水強吸收所掩蓋，表明近紅外光譜信息的提取需要化學計量算法及預處理方法進行優化，本文使用BRUKER公司的OPUS軟件自動優化功能對光譜預處理方法，使用軟件中消除常數偏移、一階導數、一階導數+減去一條直線、一階導數+矢量歸一化（SNV）、一階導數+附加散射校正（MSV）等預處理選項進行優化，選擇交叉檢驗均方根誤差（RMSEVC）*小的、波段范圍*大的參數作為建模參數，得到*佳的建模波段、光譜預處理的方法為：9403.8～7498.3cm-1，一階導數。
以偏*小二乘法（PLS）為建模算法，應用優化得到的建模方案，采用交叉檢驗方法，剔除異常值，建立校正模型，以交叉檢驗均方根誤差（RMSEVC）、殘差預測偏差（RPD）、模型決定系數（R2）來評價模型預測的**度，當RMSEVC小于0.15，RPD大于3，R2越接近1時，表明所建模型較為理想，可以較好地用于實際檢測。模型的各參數為：RMSECV為0.101，R2為0.9547，RPD為4.7，依據評價標準，可知該模型預測的準確度較高。
為驗證所建立的近紅外光譜校正模型對實際生產樣品是否具備良好的預測性能，選用20個樣品作為驗證集，采用外部驗證的方法對所建模型的預測效果進行檢驗，以模型預測值與國標方法實測值的差值是否小于0.3%（GB/T13173－2001中總活性物含量測定精密度要求）作為是否通過的依據，樣品預測值與實測值的**差值均小于0.3%，*大差值為0.16%，滿足對測試結果的要求。由此可以看出，所建立的模型對樣品預測結果較為可靠，具有很好的應用價值。
結論
將近紅外光譜法和化學計量法相結合，運用偏*小二乘法建立了手洗餐具洗滌劑中總活性物的近紅外定量校正模型，模型RMSECV和R2值表明模型具有較好的擬和效果和預測性能，通過外部樣品驗證，證明使用所建立的近紅外分析模型所得檢測結果與國標檢測結果十分接近，說明該方法穩定可行。本方法與國標方法相比檢測時間由4h縮短至3min，極大縮短了檢測時間，在生產控制中可減少品種轉換、放行的等待時間，提高生產效率。
在實際應用中，通過添加更多有代表性的樣品，對模型進行再校正和優化，可以提高模型的穩定性和準確性，同時不同品種的產品因配方成分不同需要分別建立校正模型，以達到準確的預測效果。
