[发明专利]分布式分析系统

说明书

技术领域

本发明涉及分布式分析系统以及一种使用所述系统来分析材料的方法。具体地，该系统和方法涉及对材料进行光学分析，以确定该材料的特征。

背景技术

在广泛的各种工业中，为了定量和/或定性地确定各种材料样本的各种特征，诸如该材料组分的浓度和物理属性，采用诸如光学分光光度计，典型的为近红外(NIR)分光光度计之类的分析仪器来分析这些材料样本。例如，在农业和食品工业中，可以使用NIR分析来确定以下各个方面：谷物和其它农作物的油、蛋白质和水分含量；肉的脂肪含量；奶的脂肪、蛋白质、乳糖和尿素含量；谷物以及葡萄酒和其它葡萄产品的质量。事实上，还已知的是在医疗、制药、化学和石化工业中可以应用类似的NIR分析。

因为光学测量值只是一种对正被确定的特征的间接指示，所以这样的样本光学分析被称为“间接”确定。典型地约几分钟内就可获得这些结果，与此相反的是，传统的“直接”的，通常为化学的分析方法，可能要花几小时或几天的时间去完成，并且通常是在远离取样位置的中心实验室执行的。

由于光学分析是一种间接确定，所以必须在光学测量值和所关注的特征或属性(下文称作“特性”)之间建立联系。如本领域内所公知的，可以用加权系数与由分析仪器获取的光学吸收或透射光谱的导数值的乘积的求和公式来表示该特性。典型地，使用吸收光谱的一阶导数，但是也或替代地可以使用较高阶的导数。依据上下文的需要，将未分化的吸收(或在某些情况下是透射)光谱和其任意一个导数或所有导数共同或分别称作“样本光谱”或更一般地称作“样本数据”。为了测量未知样本的期望特性，则需要从类似于该未知样本的多种已知样本材料中收集光谱。这些所要确定的特性，不管是物理特征或组分浓度，在已知样本中都是已知的。使用从已知样本或从相关特性的知识获得的收集样本光谱，通过多次回归、通过偏最小二乘回归或通过包括使用人工神经网络在内的其它统计技术来确定那些涉及收集光谱的已知特性的公式的加权系数。该确定加权系数的值的过程通常称作“校准”。在已确定校准系数之后，可以使用分析仪器(或被认为是在性能上基本相同的仪器，以便可以应用相同的校准系数)与从已知样本材料推导的校准系数一起来分析未知样本。典型地，在已知的仪器中，不是测量已知或假设与该特性相关的所选特定波长下的光谱响应，而是在适合于该特性的整个光谱区域(最普通的是NIR光谱区域)内分布的波长下收集样本光谱，并且得出那些使该特性和整个光谱区域内的光谱测量值相关的系数和等式。校准系数对于有待确定的每个特性和每种类型的样本材料都是需要的，并且通常被收集在“校准库”中，以供数据处理器访问和使用，所述数据处理器被编程来执行对期望特性的确定。这样的校准库可以附加地或替代地包括供数据处理器使用的完整的校准公式，该校准公式包括校准系数。术语“校准模型”，依据此处使用它的上下文的需要，被用来共同或分别指校准系数和与特定特性相关的校准公式。应理解，可以对被其它类型分析仪器采用的其它间接测量形式产生的其它类型样本数据应用类似的方法。

例如，从Hall等人的US 6,751,576和从Burling-Claridge等人的US 2003/0122080(其二者的内容通过引用而合并于此)可了解到使用了NIR分光光度计的分析系统，在该分析系统中数据处理器位于远离分析仪器的位置，并且在该系统中，提供通信链路以实现分析仪器和数据处理器之间的数据传输。

该已知的分布式分析系统也配有存储装置，所述存储装置也位于远离分析仪器的位置，典型地与数据处理器放在一起，并且该存储装置保留供数据处理器访问和使用的校准库。数据处理器适于根据通过链路从特定远程分析仪器接收的数据来从该库选择适当的校准模型，并且接着对也是通过链路提供的样本数据应用该所选模型。然后使用相同的远程通信链路，将作为所选校准模型的应用结果而确定的特性提供回本地位置，优选地提供给生成样本数据的分析仪器附近的输出设备。以这种方式，可以中央化维护校准模型库，这有助于它们的更新，例如当增加了新的已知样本或开发了统计分析方法时。此外，由于校准库的开发昂贵并且耗时，所以通过中央化保存库和使分析仪器用户位于远处，可以对该库的模型的访问和使用提供更大的控制。