Post on 04-Jul-2020
Page 1
ANÁLISIS CUALITATIVO NIRS
VIABILIDAD
EN EL DESARROLLO
DE NUEVAS APLICACIONES
20 JUNIO 2019
Page 2
NUEVOS DESARROLLOS
NIRS
STANDARIZACIONES
REDES NIRS
GRANDES MUESTREOS
ISO 1702512099EQUIPOS
PORTATILES
BASES DE DATOS ROBUSTAS
RECAPITULEMOS ...
Page 3
¿Cómo PODEMOS APLICAR ESTO EN LA FABRICA?
Page 4
• YA TENEMOS LA INVERSIÓN
• ¿PODEMOS HACER MÁS?
1. Análisis Cualitativo: Control De Calidad
2. Nuevos Desarrollos: MMPP, Piensos, Parámetros
¿Cómo PODEMOS APLICAR ESTO EN LA FABRICA?
Page 5
APLICACIÓN: Análisis Cualitativo
• Espectroscopía NIR en Control de Calidad
o Un espectro NIR de una muestra tiene un perfil de absorción único
o Los datos espectroscópicos están correlacionados con el contenido en humedad, fibra, grasa, textura…
o Cuando analizamos un producto muy homogéneo, el conjunto de espectros es muy similar
Page 6
Dos vías para analizar:
Huella Espectral WINISI
Ecuaciones Discriminantes Sistema PASA / NO PASA
APLICACIÓN: Análisis
Cualitativo
Page 7
HUELLA ESPECTRAL
Control de Calidad
- Control de productosEspectros de metionina: DL y L
Page 8
HUELLA ESPECTRAL
Control de Calidad
- Control de productosEspectros de metionina: DL y L
Page 9
Control de Calidad
- Control de Producción: lotes homogéneos Espectros de Butirex C4
HUELLA ESPECTRAL
Page 10
HUELLA ESPECTRAL
Control de Calidad
- Control de Producción: lotes homogéneos Espectros de Butirex C4
Page 11
HUELLA ESPECTRAL
Control de Calidad
- Control de Producción: lotes homogéneos Espectros de Butirex C4
Page 12
Dos vías para analizar:
Huella Espectral WINISI
Ecuaciones Discriminantes Sistema PASA / NO PASA
APLICACIÓN: Análisis
Cualitativo
Page 13
ECUACIONES DISCRIMINANTES
• Conjuntos con características únicas
Vitamina B2Vitamina B12
Vitamina D2
Page 14
• Conjuntos con características
únicas
• Se construye una librería
espectral
ECUACIONES DISCRIMINANTES
Page 15
ECUACIONES DISCRIMINANTES
• Conjuntos con características
únicas
• Se construye una librería
espectral
Page 16
• Conjuntos con características únicas
• Se construye una librería espectral
• Tantos grupos como productos queremos diferenciar
• Conjuntos con poblaciones ponderadas
ECUACIONES DISCRIMINANTES
Page 17
• Se construye una librería espectral
• Conjuntos con características únicas• Tantos grupos como productos queremos diferenciar
• Conjuntos con poblaciones ponderadas• Fichero PSD
ECUACIONES DISCRIMINANTES
Page 18
• Fichero PSD
ECUACIONES DISCRIMINANTES
Page 19
• Fichero PSD
ECUACIONES DISCRIMINANTES
Page 20
• Fichero PSD
ECUACIONES DISCRIMINANTES
Page 21
• Fichero PSD
ECUACIONES DISCRIMINANTES
Page 22
• Fichero PSD
ECUACIONES DISCRIMINANTES
Page 23
• Fichero PSD
ECUACIONES DISCRIMINANTES
Page 24
• Conjuntos con características únicas
• Se construye una librería espectral
• Tantos grupos como productos diferenciados
• Conjuntos con poblaciones ponderadas
• Fichero PSD
• En rutina nos “clasifica” la muestrao Si es correcto aceptamos el lote (PASA)
ECUACIONES DISCRIMINANTES
Page 25
• En rutina nos “clasifica” la muestrao Si es correcto aceptamos el lote (PASA)
ECUACIONES DISCRIMINANTES
Page 26
• En rutina nos “clasifica” la muestrao Si es correcto aceptamos el lote (PASA)
ECUACIONES DISCRIMINANTES
Page 27
• En rutina nos “clasifica” la muestrao Si es correcto aceptamos el lote (PASA)
ECUACIONES DISCRIMINANTES
Page 28
• En rutina nos “clasifica” la muestrao Si es correcto aceptamos el lote (PASA)
o Si hay anomalías, lo ponemos en espera (NO PASA)
ECUACIONES DISCRIMINANTES
Page 29
• En rutina nos “clasifica” la muestrao Si es correcto aceptamos el lote (PASA)
o Si hay anomalías, lo ponemos en espera (NO PASA)
ECUACIONES DISCRIMINANTES
Page 30
• Conjuntos con características únicas
• Se construye una librería espectral• Tantos grupos como productos diferenciados
• Conjuntos con poblaciones ponderadas• Fichero PSD• En rutina nos “clasifica” la muestra
o Si es correcto aceptamos el lote (PASA)
o Si hay anomalías, lo ponemos en espera (NO PASA)
ECUACIONES DISCRIMINANTES
Page 31
APLICACIÓN: Análisis
Cualitativo
¡¡ Una nueva aplicación para nuestro Equipo NIR !!
Page 32
Viabilidad en el desarrollo de nuevas aplicaciones
• NIR: Buena herramienta para ……..
… ¿ y si tengo nuevos productos o quiero ampliar los parámetros?
• Factores que influyen
1 Muestreo2 Errores3 Rango de la población
Los conozco?Cómo me influye?Lo puedo mejorar?
Page 33
LEGISLACIÓN VIGENTE
• REGLAMENTO (UE) nº 152/2009 DE LA COMISIÓN de 27 de enero de 2009 por el que se establecen los métodos de muestreo y análisis para el control oficial de los piensos.
• REGLAMENTO (UE) nº 691/2013 DE LA COMISIÓN de 19 de julio de 2013 que modifica REGLAMENTO (UE) nº 152/2009 en cuanto a los métodos de muestreo y análisis.
• NOTA DEL MINISTERIO: AUTOCONTROLES DE HOMOGENEIDAD Y CONTAMINACIONES CRUZADAS ( Marzo 2014)
1. MUESTREO
TOMA DE MUESTRAS
Page 34
Productos a granel
Productos envasados
Número mínimo de muestras elementales por partida
7
√ 20 x Nº de Tn del lote muestreado*
7 x 2,5
(√ 20 x Nº de Tn del lote muestreado*) x 2,5
100* Max 40, redondeando a nº superior
Tamaño de la partida (Tn)
< 2,5
> 2,5
2,5 - 79
ANALITO UNIFORME
ANALITO NO UNIFORME
< 2,5
> 80 Tn
1. MUESTREOTOMA DE MUESTRAS reglamento 691/2013
Page 35
2. ERRORES
- Estadístico: SEP: Error estándar de Predicción
ETP2 = SEP2 = ET 2NIR + ET 2MODELO + ETL2
ETNIR = Error típico del método NIR (repetibilidad)
ET MODELO = Error del modelo de calibración para describir la relación entre las dos medidas
ETL = Error típico del método de referencia
Page 36
2. ERRORES
- Estadístico: SEP: Error estándar de Predicción
ETP2 = SEP2 = ET 2NIR + ET 2MODELO + ETL2
ETNIR = Error típico del método NIR (repetibilidad)
RMS
Page 37
2. ERRORES
- Estadístico: SEP: Error estándar de Predicción
ETP2 = SEP2 = ET 2NIR + ET 2MODELO + ETL2
ETNIR = Error típico del método NIR (repetibilidad)
Page 38
2. ERRORES
- Estadístico: SEP: Error estándar de Predicción
ETP2 = SEP2 = ET 2NIR + ET 2MODELO + ETL2
ET MODELO = Error del modelo de calibración para describir la relación entre las dos medidas
AMPLIACION DE EQAS
Recalibración y validación
Page 39
Estadístico: SEP: Error estándar de Predicción
ETP2 = SEP2 = ET 2NIR + ET 2MODELO + ETL2
ETL = Error típico del método de referencia
2. ERRORES
Page 40
Estadístico: SEP: Error estándar de Predicción
ETP2 = SEP2 = ET 2NIR + ET 2MODELO + ETL2
ETL = Error típico del método de referencia
2. ERRORES
NO PODEMOS DISMINUIRLO… ¡DEBEMOS CONOCERLO!
SEP2 = ET 2NIR + ET 2MODELO + ETL2
SEP2 ≥ ETL2 Exactitud de predicción
Page 41
2. ERRORES
�� � � 2; � �∑ �� � ���
�
2�
Nº Muestra
PB FB
Réplica 1 Réplica 2 Réplica 1 Réplica 2
(y1) (y2) (y1) (y2)
1 16,0 17,1 4,5 4,8
2 13,0 13,5 6,4 7,6
3 16,2 17,0 5,4 5,9
4 14,2 15,2 4,8 5,4
5 11,6 11,9 7,6 6,6
6 15,8 15,4 4,2 4,8
CÁLCULO DE ETL → Estudio de la exactitud de predicción Pienso porcino (Proteína y Fibra)
Page 42
2. ERRORES
CÁLCULO DE ETL → Estudio de la exactitud de predicción Pienso porcino (Proteína y Fibra)
Nº Muestra
PB FB
Réplica 1 Réplica 2 Réplica 1 Réplica 2
(y1) (y2) (y1) (y2)
1 16,0 17,1 4,5 4,8
2 13,0 13,5 6,4 7,6
3 16,2 17,0 5,4 5,9
4 14,2 15,2 4,8 5,4
5 11,6 11,9 7,6 6,6
6 15,8 15,4 4,2 4,8
ETL PB= 0,53 ETL FB= 0,54
Page 43
2. ERRORES
PB FB
ETL 0,53 0,54
SEP (n=15) 0,57 0,61
SEP/ETL 1,08 1,13
CÁLCULO DE ETL → Estudio de la exactitud de predicción Pienso porcino (Proteína y Fibra)
SEP = 1-1,5 ETL excelente exactitudSEP = 2-3 ETL buena exactitudSEP = 4 ETL exactitud mediaSEP = 5 ETL exactitud baja
Page 44
2. ERRORES
PB FB
ETL 1,06 1,08
SEP 1,14 1,22
SEP/ETL 1,08 1,13
PB FB
ETL 0,53 0,54
SEP (n=15) 0,57 0,61
SEP/ETL 1,08 1,13
CÁLCULO DE ETL → Estudio de la exactitud de predicción Pienso porcino (Proteína y Fibra)
SEP = 1-1,5 ETL excelente exactitudSEP = 2-3 ETL buena exactitudSEP = 4 ETL exactitud mediaSEP = 5 ETL exactitud baja
Page 45
3. RANGO DE LA POBLACIÓN
� �∑ �� � ���
�
2�
ETL ALM= 2,10
DT = 4,95
ERROR DEL LAB ALTOAMPLIO RANGO
Nº MuestraRéplica 1 Réplica 2
(y1) (y2)
1 43,2 42,5
2 48,5 47,2
3 54,2 53,9
4 36,0 36,5
5 38,9 38,2
6 50,4 49,6
7 45,6 46,3
8 35,6 36,1
CÁLCULO DE ETL → Estudio de Viabilidad: Nuevo parámetro
Pienso Porcino (Almidón)
Page 46
3. RANGO DE LA POBLACIÓN
� �∑ �� � ���
�
2�
ETL ALM= 2,10
DT = 4,95
R2max= 1-(ETL/DT)2
Coeficiente de determinación: mide la capacidad explicativa
del modelo
Nº MuestraRéplica 1 Réplica 2
(y1) (y2)
1 43,2 42,5
2 48,5 47,2
3 54,2 53,9
4 36,0 36,5
5 38,9 38,2
6 50,4 49,6
7 45,6 46,3
8 35,6 36,1
CÁLCULO DE ETL → Estudio de Viabilidad: Nuevo parámetro
Pienso Porcino (Almidón)
Page 47
3. RANGO DE LA POBLACIÓN
� �∑ �� � ���
�
2�
R2max = 0,821
CÁLCULO DE ETL → Estudio de Viabilidad: Nuevo parámetro
Pienso Porcino (Almidón)
Nº MuestraRéplica 1 Réplica 2
(y1) (y2)
1 43,2 42,5
2 48,5 47,2
3 54,2 53,9
4 36,0 36,5
5 38,9 38,2
6 50,4 49,6
7 45,6 46,3
8 35,6 36,1
ETL ALM= 2,10
DT = 4,95
R2max= 1-(ETL/DT)2
Page 48
Shenk y Westerhaus (1996)
• Excelente ajuste
R 2 ≥ 0.9
• Buen ajuste
R 2 = 0.7 – 0.89
• Buena separación entre valores bajos, medios y altos
R 2 = 0.5 – 0.69
• Correcta separación entre valores bajos y altos
R 2 = 0.30 – 0.49
• Mejor que no analizar
R 2 = 0.05 – 0.29
3. RANGO DE LA POBLACIÓN
Page 49
Viabilidad en el desarrollo de nuevas aplicaciones
• NIR: Buena herramienta para ……..
… ¿ y si tengo nuevos productos o quiero ampliar los parámetros?
• Factores que influyen
1 Muestreo2 Errores3 Rango de la población
Page 50
Viabilidad en el desarrollo de nuevas aplicaciones
• Factores que influyen
1 Muestreo: mejora con una buena toma de muestras, siguiendo las recomendaciones de los reglamentos
2 Errores: análisis de submuestras, recalibraciones, conocimiento de las técnicas de análisis laboratoriales
3 Rango de la población: Rangos amplios, con alta desviación estándar, nos dan regresiones con R2 viables
Page 51
¿Cómo PODEMOS APLICAR ESTO EN LA FABRICA?
Page 52
CONCLUSIONES
Hacer un buen muestreo, tanto si hacemos análisis NIR como vía húmeda tradicional
Usuarios de REDES NIR:
Bases de datos amplias
Ecuaciones ROBUSTAS y PRECISAS
Uso de DISCRIMINANTES
Normas de CALIDAD ISO 17025 / 12099: Acreditación nos da CONFIANZA en los resultados
Equipos PORTÁTILES: Análisis más allá del Laboratorio
Page 53
CONCLUSIONES
Page 54
Muchas gracias
smartinez@nutega.com