杜國(guó)榮，馬莉，馬雁軍，劉德水,3，史素娟，矯海楠，黃越*

基于近紅外光譜和K線圖的煙絲總糖實(shí)時(shí)監(jiān)測(cè)方法

杜國(guó)榮1,2，馬莉2，馬雁軍2，劉德水2,3，史素娟2，矯海楠2，黃越1,2*

1 中國(guó)農(nóng)業(yè)大學(xué)食品科學(xué)與營(yíng)養(yǎng)工程學(xué)院，北京海淀區(qū)清華東路17號(hào) 100083；2 上海煙草集團(tuán)有限公司技術(shù)中心北京工作站，北京通州區(qū)萬(wàn)盛南街99號(hào) 101121；3 北京生命科技研究院有限公司，北京 102211

【背景和目的】針對(duì)傳統(tǒng)生產(chǎn)過(guò)程監(jiān)控中對(duì)特定化學(xué)成分的變化趨勢(shì)往往無(wú)法實(shí)時(shí)獲取和判斷的問(wèn)題，提出一種基于金融領(lǐng)域中K線圖計(jì)算和趨勢(shì)判斷的質(zhì)量監(jiān)控方法。【方法】通過(guò)顏色趨勢(shì)和長(zhǎng)短均線策略實(shí)現(xiàn)對(duì)批次內(nèi)、批次間結(jié)果的比對(duì)分析并預(yù)測(cè)未來(lái)批次走勢(shì)，并與常用的誤差棒圖和箱線圖進(jìn)行對(duì)比分析?！窘Y(jié)果】牌號(hào)A和B的煙絲總糖趨勢(shì)判斷準(zhǔn)確率最高分別為 75.00%和84.62%，采用K線圖能判斷批次前期、后期的物料化學(xué)成分變化?！窘Y(jié)論】該方法具有較好的直觀性和時(shí)效性，對(duì)同類產(chǎn)品的其他生產(chǎn)指標(biāo)監(jiān)控具有良好的拓展應(yīng)用價(jià)值。

煙絲；K線圖；過(guò)程監(jiān)控；總糖含量；近紅外光譜

煙絲的質(zhì)量控制對(duì)于卷煙生產(chǎn)非常重要，如何監(jiān)控?zé)熃z化學(xué)成分的變化是實(shí)現(xiàn)質(zhì)量控制和管理的重要環(huán)節(jié)。近紅外光譜具有樣品前處理簡(jiǎn)單、不需要破壞樣品，檢測(cè)速度快，易于實(shí)現(xiàn)原位實(shí)時(shí)分析等優(yōu)點(diǎn)而備受關(guān)注[1-3]。近紅外光譜已廣泛應(yīng)用于煙草行業(yè)的各個(gè)領(lǐng)域[4-7]。實(shí)時(shí)分析后的結(jié)果可用于快速獲取物料的實(shí)時(shí)品質(zhì)，對(duì)產(chǎn)品質(zhì)量的穩(wěn)定控制有重要的指示作用。實(shí)時(shí)分析結(jié)果的展示方法大多采用點(diǎn)線圖，批次統(tǒng)計(jì)結(jié)果大多使用柱狀圖、誤差棒圖等方式[7-8]。批次內(nèi)數(shù)據(jù)的點(diǎn)線圖可以反應(yīng)出當(dāng)前批次化學(xué)成分的變化情況，但是因?yàn)闆](méi)有歷史批次信息，無(wú)法看出當(dāng)前批次和歷史批次的對(duì)比情況。多批次的點(diǎn)線趨勢(shì)圖[9]、箱線圖[10]或誤差棒圖[11]可以反應(yīng)出歷史批次成分的變化趨勢(shì)，但無(wú)法及時(shí)查看當(dāng)前批次的波動(dòng)情況。

K線圖是金融領(lǐng)用常用的一種技術(shù)指標(biāo)[12-15]，最早出現(xiàn)在日本，用于預(yù)測(cè)大米價(jià)格的走勢(shì)。K線圖也稱為蠟燭圖，指基于市場(chǎng)特定交易品種的最高價(jià)、最低價(jià)、開(kāi)盤價(jià)、收盤價(jià)4項(xiàng)數(shù)據(jù)構(gòu)成的類似于蠟燭形狀的圖形。如果收盤價(jià)高于開(kāi)盤價(jià)，則蠟燭圖中空，被稱為陽(yáng)線[15-16]，國(guó)內(nèi)大多用紅色實(shí)體表示；反之，則蠟燭圖為實(shí)心，被稱為陰線，國(guó)內(nèi)常用綠色實(shí)體表示?；谮厔?shì)、反轉(zhuǎn)理論，結(jié)合K線圖和常用的技術(shù)指標(biāo)如移動(dòng)平均線、平滑異同移動(dòng)均線、KDJ隨機(jī)指標(biāo)、相關(guān)性等，可以快速判斷市場(chǎng)行情的走勢(shì)[16]。

煙絲常規(guī)化學(xué)成分，如總糖、總植物堿、氯、鉀等，是煙絲質(zhì)量重要的品質(zhì)指標(biāo)[17]，使用近紅外技術(shù)在離線和在線的場(chǎng)景對(duì)其實(shí)現(xiàn)快速測(cè)定。為提高方法準(zhǔn)確度，在數(shù)據(jù)處理時(shí)常使用光譜預(yù)處理[18-19]、異常樣品識(shí)別[20-21]、變量篩選[22-24]等技術(shù)以獲取更加穩(wěn)健的模型。鑒于現(xiàn)有監(jiān)測(cè)結(jié)果實(shí)時(shí)顯示方法較單一，且無(wú)法同時(shí)對(duì)批次內(nèi)、批次間結(jié)果進(jìn)行快速比對(duì)分析，難以快速預(yù)測(cè)未來(lái)批次走勢(shì)，本研究以生產(chǎn)過(guò)程煙絲總糖含量為研究對(duì)象，提出一種基于K線圖的煙絲化學(xué)成分監(jiān)測(cè)方法。通過(guò)對(duì)兩種牌號(hào)連續(xù)多批次的結(jié)果分析，快速判斷批次內(nèi)、批次間的變化情況及未來(lái)批次走勢(shì)，具有較好的潛在應(yīng)用價(jià)值。

1 材料與方法

1.1 儀器與試劑

傅里葉變換近紅外光譜儀（布魯克Matrix-E，德國(guó)），連續(xù)流動(dòng)分析儀（Seal AA3，德國(guó)）。高純度蒸餾水（≥18 MΩ），冰醋酸（≥99.5%），鹽酸（36%），氫氧化鈉（98%），對(duì)羥基苯甲酸酰肼（98%），聚乙氧基月桂醚（Brij 35）溶液，硫氰酸汞溶液，硝酸鐵溶液，氯化鈉溶液等根據(jù)實(shí)際條件配制。

1.2 建模樣品

選取制絲生產(chǎn)過(guò)程中間環(huán)節(jié)的特定時(shí)段的煙絲作為分析對(duì)象。使用在線傅里葉變換近紅外光譜儀采集370個(gè)煙絲樣品的原位近紅外光譜。儀器采用漫反射模式，波數(shù)范圍為12000～4000 cm-1，波數(shù)間隔約為4 cm-1，共獲得2074個(gè)波長(zhǎng)點(diǎn)，掃描次數(shù)64次，分辨率8 cm-1。按照行業(yè)標(biāo)準(zhǔn)[25]YC/T 159—2002測(cè)定樣品總糖含量。按照4：1將樣品分為建模集和驗(yàn)證集，分別含有樣品269個(gè)和68個(gè)。

1.3 樣品批次信息

牌號(hào)A煙絲采集2017年3月4日至2022年7月19日期間的煙絲總糖數(shù)據(jù)，其中包含該牌號(hào)煙絲的生產(chǎn)日期有108 d，其中平均每個(gè)批次持續(xù)約50 min，最終采集牌號(hào)A煙絲合計(jì)186個(gè)批次的近紅外光譜19802條。牌號(hào)B煙絲采集2017年2月21日至2022年7月14日期間的煙絲總糖數(shù)據(jù)，其中包含該牌號(hào)煙絲的生產(chǎn)日期有135 d，平均每個(gè)批次持續(xù)約50 min，最終采集牌號(hào)B煙絲合計(jì)339個(gè)批次的近紅外光譜36224條。

1.4 計(jì)算部分

建模計(jì)算使用近紅外光譜儀配套軟件OPUS 6.5（布魯克，德國(guó)），計(jì)算及作圖采用Python v3.8.8軟件。

K線構(gòu)造方法采用IQR法去除異常點(diǎn)，IQR為第三四分位數(shù)Q3減去第一四分位數(shù)Q1的差，大于Q3+1.5*IQR或小于Q1-1.5*IQR的值被認(rèn)為是異常值。批次前1/2時(shí)間的預(yù)測(cè)指標(biāo)的中位值作為開(kāi)盤價(jià)，批次后1/2時(shí)間的預(yù)測(cè)指標(biāo)的中位值作為收盤價(jià)，批次數(shù)據(jù)的90%分位數(shù)作為最高價(jià)，10%分位數(shù)作為最低價(jià)。

使用K線圖方法進(jìn)行判斷時(shí)，若前1/2批次的數(shù)值大于后1/2的數(shù)值，則K線為實(shí)心綠柱，反之K線實(shí)心紅柱。通過(guò)K線是否陰線或者K線顏色可以快速判斷批次前期和后期化學(xué)成分變化情況，通過(guò)觀察K線的上下影線可以快速觀察出當(dāng)前批次數(shù)據(jù)的上10%分位數(shù)和下10%分位數(shù)。通過(guò)構(gòu)建長(zhǎng)短均線，可以用于判斷未來(lái)批次數(shù)據(jù)走勢(shì)。當(dāng)短期均線從下至上穿過(guò)長(zhǎng)期均線時(shí)，未來(lái)批次數(shù)據(jù)有上升的可能，本研究用下穿進(jìn)行表示；反之，當(dāng)短期均線從上至下穿過(guò)長(zhǎng)期均線時(shí)，未來(lái)數(shù)據(jù)有下降的可能，用上穿進(jìn)行表示。本文長(zhǎng)期和短期均線計(jì)算參數(shù)分別選取20和5，該參數(shù)可以通過(guò)歷史數(shù)據(jù)進(jìn)行設(shè)置。

2 結(jié)果與討論

2.1 煙絲總糖模型

預(yù)處理方法為一階導(dǎo)數(shù)和多元散射校正組合方法，選擇的波段為7502.1～6098.1 cm-1和5450.1～4246.7 cm-1，如圖1A所示，灰色區(qū)域?yàn)榻?jīng)過(guò)預(yù)處理后的光譜選定波段區(qū)域。在此波段范圍內(nèi)建立偏最小二乘回歸（PLS）模型（圖1B），模型參數(shù)和結(jié)果見(jiàn)表1，可知建立模型回歸系數(shù)2為99.47%，預(yù)測(cè)均方根誤差RMSEP為0.385，殘差預(yù)測(cè)偏差RPD值遠(yuǎn)大于3，具有較好的預(yù)測(cè)能力。

圖1 建模變量分布和模型驗(yàn)證結(jié)果統(tǒng)計(jì)圖

表1 煙絲中總糖PLS模型參數(shù)統(tǒng)計(jì)表

2.2 牌號(hào)A的K線圖趨勢(shì)

圖2為牌號(hào)A的混合煙絲中總糖成分的K線圖，共186個(gè)批次。其中，藍(lán)色線為5批均線，黃線為20批均線。可以看出該牌號(hào)所有批次中煙絲總糖值最小為22.5（質(zhì)量分?jǐn)?shù)%），最大為28.3。經(jīng)統(tǒng)計(jì)得到，5批均線從上向下穿過(guò)20批均共有8次，統(tǒng)計(jì)穿越點(diǎn)前5批的5批均值和后5批的5批均值結(jié)果見(jiàn)表2?？梢钥闯觯?次中有6次突破后的均值小于突破前，準(zhǔn)確率為75.00%。短期均線從下向上穿過(guò)長(zhǎng)期均線一共8次，其中5次判斷正確，隨后均值上升，正確率為62.50%。

圖2 牌號(hào)A煙絲總糖含量變化K線圖

通過(guò)圖2可以快速判斷出批次生產(chǎn)工程中總糖的變化。批次前期物料總糖低于批次后期時(shí)K線主體為藍(lán)色，反之為黃色。批次前期和后期總糖變化越大，K線主體柱越長(zhǎng)。通過(guò)K線圖的上下影線可以快速判斷批次中的極端數(shù)值。如圖2中第二個(gè)批次，測(cè)定值最小值為22.84，最大值為28.17，極差為5.33，明顯不同于其它批次。將該批次數(shù)據(jù)做折線圖（圖3），該批次持續(xù)時(shí)間較長(zhǎng)，有928個(gè)數(shù)據(jù)點(diǎn)，合計(jì)檢測(cè)時(shí)間接近618 min。經(jīng)核查該批次數(shù)據(jù)的批次信息有誤，實(shí)際為6個(gè)不同的批次，且生產(chǎn)的物料也有所不同，因此批次上下影線差異很大。此外，K線圖也能了解到生產(chǎn)調(diào)整或配方調(diào)整的實(shí)際工況，如在140批次后，總糖數(shù)據(jù)有明顯的升高，從24%一直增加到27%，可以回溯數(shù)據(jù)了解到這個(gè)階段其實(shí)是原料配方的調(diào)整階段，從圖中可以明顯看到配方調(diào)整前后的目標(biāo)成分的變化情況。

圖3 牌號(hào)A煙絲第二批次總糖含量變化圖

2.3 牌號(hào)B的K線圖趨勢(shì)

圖4為牌號(hào)B的混合煙絲總糖的K線圖，一共339個(gè)批次。從K線顏色看出，大部分批次的后期比前期的總糖值要高。同樣地，短期均線和長(zhǎng)期均線交叉時(shí)數(shù)據(jù)變化情況見(jiàn)表3?？芍?，短期均線從上向下穿過(guò)長(zhǎng)期均線13次，其中11次發(fā)生了批次數(shù)據(jù)數(shù)值下降情況，準(zhǔn)確率為84.62%。短期均線從下向上穿過(guò)長(zhǎng)期均線12次，其中10次發(fā)生了批次數(shù)據(jù)數(shù)值上升的情況，準(zhǔn)確率為83.33%。

圖4 牌號(hào)B煙絲總糖含量變化K線圖

表3 牌號(hào)B短期均線上下穿長(zhǎng)期均線前后總糖變化統(tǒng)計(jì)表

Tab.3 Statistics of changes in total sugar before and after the short-term average crossing the long-term average of brand B

2.4 其他趨勢(shì)圖的分析結(jié)果

采用生產(chǎn)物料質(zhì)量監(jiān)控中常用的趨勢(shì)變化分析誤差棒圖、箱線圖與K線圖方法進(jìn)行對(duì)比。圖5分別為牌號(hào)A和B歷史批次中煙絲總糖含量變化的誤差棒圖。為便于和K線圖比較，圖中誤差棒的上下限分別為批次下十分位和上十分位值。通過(guò)誤差棒圖的上下限可以快速判斷批次內(nèi)總糖的波動(dòng)情況，通過(guò)誤差棒的走勢(shì)也可以分析批次的走勢(shì)。但是通過(guò)誤差棒圖無(wú)法快速判斷批次前期、后期總糖的變化情況。如采用K線圖結(jié)合長(zhǎng)短均線可以更準(zhǔn)確的預(yù)測(cè)未來(lái)批次的走勢(shì)，通過(guò)顏色判斷批次前后總糖的大小變化和數(shù)值大小，其相比于誤差棒圖更具有優(yōu)勢(shì)。

圖5 牌號(hào)A和B的煙絲總糖含量變化誤差棒圖

圖6分別為牌號(hào)A和B的箱線分析圖。從箱線圖的主體可以看出批次數(shù)據(jù)的上下四分位位置，從上下箱線可以看出批次數(shù)據(jù)的上下限。和誤差棒圖類似，箱線圖也可用于直觀表達(dá)批次總糖的走勢(shì)和批次內(nèi)數(shù)據(jù)的波動(dòng)大小，但是無(wú)法判斷批次前期、后期的物料化學(xué)成分變化。對(duì)于最新批次的實(shí)時(shí)變化情況，這兩種方法的圖形表現(xiàn)都稍遜于K線圖方法。

圖6 牌號(hào)A和B的煙絲總糖含量變化箱線圖

3 結(jié)論

本研究以生產(chǎn)過(guò)程煙絲總糖含量為研究對(duì)象，提出一種基于金融領(lǐng)域K線圖的煙絲化學(xué)成分監(jiān)測(cè)方法。正如金融研究中監(jiān)測(cè)實(shí)時(shí)股票數(shù)據(jù)，本方法可以實(shí)現(xiàn)快速判斷煙絲生產(chǎn)中特定批次的目標(biāo)成分含量數(shù)值的變化情況。同時(shí)，通過(guò)顏色趨勢(shì)可以快速判斷特定批次前期和后期的變化，方便直觀地進(jìn)行當(dāng)前批次和歷史批次對(duì)比。最后，結(jié)合金融領(lǐng)域的長(zhǎng)短均線策略，本方法可用于對(duì)批次數(shù)據(jù)走勢(shì)的快速判斷，其中，對(duì)于A牌號(hào)批次趨勢(shì)判斷的最高準(zhǔn)確率為75.00%；對(duì)于B牌號(hào)批次趨勢(shì)判斷的最高準(zhǔn)確率為84.62%。本研究也將現(xiàn)行常用的生產(chǎn)批次監(jiān)控方法與本方法進(jìn)行了比對(duì)，結(jié)果表明本方法在直觀性和實(shí)用性上仍具有較大的應(yīng)用潛力。該方法可用于煙絲其他指標(biāo)的實(shí)時(shí)分析如總煙堿、氯、鉀等，具有良好的擴(kuò)展性。

[1] Shao X G, Bian X H, Liu J J, et al. Multivariate calibration methods in near infrared spectroscopic analysis[J]. Anal. Methods, 2010, 2(11): 1662-1666

[2] Pasquini C. Near infrared spectroscopy: A mature analytical technique with new perspectives e A review[J]. Anal. Chim. Acta, 2018, 1026: 8-36.

[3] 褚小立，陳瀑，李敬巖，等. 近紅外光譜分析技術(shù)的最新進(jìn)展與展望[J]. 分析測(cè)試學(xué)報(bào)，2020, 39(10): 1181-1188.

CHU Xiaoli, CHEN Pu, LI Jingyan, et al. Progresses and perspectives of near infrared spectroscopy analytical technology[J]. J. Instrum. Anal, 2020, 39(10): 1181-1188.

[4] 張翼，楊征宇，葛炯，等. 近紅外分析技術(shù)在煙草中的應(yīng)用[J].計(jì)算機(jī)與應(yīng)用化學(xué)，2016, 33(02): 251-254.

ZHANG Yi, YANG Zhengyu, GE jiong, et al. The application of near-infrared spectroscopy in tobacco[J]. Comput. Appl. Chem, 2016, 33(02): 251-254.

[5] 邱軍，張懷寶，宋巖，等. 近紅外光譜分析技術(shù)在煙草行業(yè)的應(yīng)用[J]. 中國(guó)煙草科學(xué)，2008, 01: 55-59.

QIU Jun, ZHANG Huaibao, Song Yan, et al. Application of near infrared spectroscopic analytical techniques in tobacco industry[J]. Chin. Tobacco Sci, 2008, 1: 55-59.

[6] 劉華友，周順?lè)?，朱傳才，? 基于在線近紅外光譜分析的原煙精選均質(zhì)化調(diào)控方法[J]. 安徽農(nóng)業(yè)科學(xué)，2021, 49(03): 193- 195.

LIU Huayou, ZHOU Shunfeng, ZHU Chuancai, et al. Raw tobacco selective homogenization regulation method based on online NIRS[J]. J. Anhui Agric. Sci, 2021, 49(3): 193-195.

[7] 王毅，馬翔，溫亞?wèn)|，等. 近紅外光譜與多元統(tǒng)計(jì)方法用于生產(chǎn)過(guò)程實(shí)時(shí)分析[J]. 光譜學(xué)與光譜分析，2013, 33(5): 1226-1229.

WANG Yi, MA Xiang, WEN Yadong, et al. Near infrared spectroscopy and multivariate statistical process analysis for real-time monitoring of production process[J]. Spectrosc. Spec. Anal, 2013, 33(5): 1226-1229.

[8] 李偉，馮洪濤，周桂圓，等. Hotelling T2結(jié)合多組分NIR校正模型在卷煙生產(chǎn)過(guò)程質(zhì)量監(jiān)測(cè)中的應(yīng)用[J]. 煙草科技，2014,324: 5-9.

LI Wei, FENG Hongtao, ZHOU Guiyuan, et al. Quality Monitoring in Cigarette Manufacturing Process by Combining Hotelling T2 Statistics and Multicomponent NIR Calibration Model[J]. Tobacco Sci. Tech, 2014, 324: 5-9.

[9] Wang Y, Han F, Zhu L, et al. Line graph or scatter plot? Automatic selection of methods for visualizing trends in time series[J]. IEEE Transactions on Visualization and Computer Graphics, 2018, 24(2):1141-1154.

[10] Larson H J. Moving beyond the bar plot and the line graph to create informative and attractive graphics[J]. Modern Lang. J, 2017, 101(1): 244-270.

[11] Kim J, Lee J S, Jang S J. Drawing guideline for 'hip and pelvis': plot with error bar [J]. Hip Pelvis, 2020, 32(4): 161-169.

[12] Lee K H, Jo G S. Expert system for predicting stock market timing using a candlestick chart [J]. Expert Syst. Appl, 1999, 16(4): 357-364.

[13] Hung C C, Chen Y J. DPP: Deep predictor for price movement from candlestick charts[J]. PLoS ONE 16(6): e0252404.

[14] Lan Q, Zhang D, Xiong L L. Reversal pattern discovery in financial time series based on fuzzy candlestick lines[J]. Syst. Eng. Proc, 2011, 2: 182-190.

[15] Ho T T, Huang Y. Stock price movement prediction using sentiment analysis and candlestick chart representation[J]. Sensors, 2021, 21(23): 7957.

[16] 呂濤，郝泳濤. 基于K線序列相似性搜索的股票價(jià)格預(yù)測(cè)[J]. 計(jì)算機(jī)應(yīng)用，2017, 37(S2): 229-235.

LV Tao, HAO Yongtao. Stock price prediction based on K-line series similarity search[J]. J. Comput. Appl. 2017, 37(S2): 229- 235.

[17] 李跑，馬雁軍，馬莉，等. 基于近紅外漫反射光譜和化學(xué)計(jì)量學(xué)方法的曬紅煙常規(guī)化學(xué)指標(biāo)的快速測(cè)定[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2018,44(03):251-255.

LI Pao, MA Yanjun, MA Li, et al. Rapid determination of routine chemical index in dark sun-cured tobacco by near-infrared diffuse reflectance spectroscopy and chemometrics methods[J]. J. Hunan Agric. Univ, 2018, 44(03): 251-255.

[18] Shao X G, Leung A K, Chau F T. Wavelet: a new trend in chemistry[J]. Accounts Chem. Res, 2003, 36(4): 276-283.

[19] Bian X H, Wang K Y, Tan E X. A selective ensemble preprocessing strategy for near-infrared spectral quantitative analysis of complex samples[J]. Chemometr. Intel. Lab. Syst, 2020, 197(15): 103916.

[20] Liu Z C, Cai W S, Shao X G. Outlier detection in near-infrared spectroscopic analysis by using Monte Carlo cross-validation[J]. Sci. China, Series B-Chem, 2008, 51(8): 751-759.

[21] 王家俊，李正風(fēng)，王蘿萍，等. 蒙特卡洛交叉驗(yàn)證用于偏最小二乘建模數(shù)據(jù)質(zhì)量的評(píng)價(jià). 計(jì)算機(jī)與應(yīng)用化學(xué)，2015, 32(12): 1530-1536.

WANG Jiajun, LI Zhengfeng, WANG Luoping, et al. Evaluation of calibration data for partial least squares modeling by using Monte Carlo cross validation. Comput. Appl. Chem, 2015, 32(12): 1530-1536.

[22] Shao X G, Du G R, Jing M, et al. Application of latent projective graph in variable selection for near infrared spectral analysis[J]. Chemometr. Intel. Lab. Syst, 2012, 114: 44-49.

[23] Li P, Du G R, Ma Y J. A novel multivariate calibration method based on variable adaptive boosting partial least squares algorithm[J]. Chemometr. Intel. Lab. Syst, 2018, 176:157-161.

[24] Li P, Du G R, Cai W S. Rapid and nondestructive analysis of pharmaceutical products using near-infrared diffuse reflectance spectroscopy[J]. J. Pharm. Biomed. Anal, 2012, 70: 288-294.

[25] YC/T 159—2002，煙草及煙草制品水溶性糖的測(cè)定連續(xù)流動(dòng)法[S].

YC/T 159-2002，Tobaccoa ndt obaccop roducts-Detelrminationo fw ater solubles ugars- Continuousf low method[S].

K-line tracking method of total sugar changes in cut tobacco

DU Guorong1,2, MA Li2, MA Yanjun2, LIU Deshui2,3, SHI Sujuan2, JIAO Hainan2, HUANG Yue1,2*

1 College of Food Science and Nutritional Engineering, China Agricultural University, Beijing 100083, China;2 Technology Center, Shanghai Tobacco Group Beijing Cigarette Factory Co., Ltd., Beijing 101121, China;3 Beijing Life Science Academy（BLSA）, Beijing 102211, China

The change of total sugar content in cut tobacco in the cigarettes production is one of the main indicators affecting the stability of the product. Aiming at the problem that the change trend of specific chemical components cannot be obtained and judged in real time in traditional production process monitoring, this study proposed a quality monitoring method based on K-line chart calculation and trend judgment from the financial field. First, based on the data of cut tobacco obtained by online near-infrared spectroscopy, the total sugar content of 525 batches from two brands was analyzed before and after the short-term moving average or the long-term moving average. Comparative analysis of intra-batch and inter-batch results and prediction of future batch trends were successfully realized. Results showed that the highest accuracy rates of judging the trend of total sugar in cut tobacco of brands A and B were 75.00 % and 84.62 %, respectively. Subsequently, the commonly used error bar chart and boxplot were compared with the K-line analysis and the results revealed that the K-line combined with the long and short moving averages can accurately predict the trend of future batches better. This approach has good intuition and timeliness, and has a good expansion and application value for the monitoring of other indicators of similar products.

cut tobacco; K-line; process monitoring; total sugar; near infrared spectroscopy

Corresponding author. Email：huangyue@cau.edu.cn

北京市自然科學(xué)基金項(xiàng)目（No. 8222070）；興化健康食品產(chǎn)業(yè)研究基金（No. 201905）；上海煙草集團(tuán)有限責(zé)任公司科技項(xiàng)目（No. K2015-2-017p）；上海煙草集團(tuán)北京卷煙廠有限公司科技項(xiàng)目（No. TP2019-C1）

杜國(guó)榮（1984—），博士，高級(jí)工程師，主要研究方向?yàn)榉治龌瘜W(xué)，Tel：010-59028225，Email：nkchem09@126.com

黃越（1985—），博士，副教授，主要研究方向?yàn)槭称焚|(zhì)量監(jiān)控和智能化檢測(cè)，Tel：15810052357，Email：huangyue@cau.edu.cn

2022-09-27；

2023-06-06

杜國(guó)榮，馬莉，馬雁軍，等. 基于近紅外光譜和K線圖的煙絲總糖實(shí)時(shí)監(jiān)測(cè)方法[J]. 中國(guó)煙草學(xué)報(bào)，2023，29（5）. DU Guorong, MA Li, MA Yanjun, et al. K-line tracking method of total sugar changes in cut tobacco[J]. Acta Tabacaria Sinica, 2023,29(5). doi:10.16472/j.chinatobacco.2022.T0274