CN104833652A - 一种混合材料中纤维素硝酸酯含量的快速分析方法 - Google Patents

Abstract

本发明涉及一种混合材料中纤维素硝酸酯含量的快速分析方法，属于炸药检测、近红外光谱定量分析技术领域。具体步骤包括：收集与制备某浓度范围样品；化学法分析纤维素硝酸酯含量；采集所有样品光谱，由光谱残留F值剔除异常光谱；采集纯组分光谱，经分析选择建模波段；采用偏最小二乘法建立模型；由均方根预测误差，PRESS值/维数曲线，确定最优模型的波段，预处理方式为矢量归一化；由预测标准差与定标标准差的比值评判模型的稳健性；由配对t检验、重复性检测标准偏差评估方法的精确性；加入其它浓度范围的样品光谱，可扩充方法的检测限。本发明可替代已有化学分析方法，能够快速获得分析结果，不使用任何溶剂、环保，可降低人力成本、材料成本。

Description

一种混合材料中纤维素硝酸酯含量的快速分析方法

技术领域

本发明涉及一种混合材料中纤维素硝酸酯含量的快速分析方法，属于炸药检测、近红外光谱定量分析技术领域。

背景技术

纤维素硝酸酯又名硝化棉，1832年首先由法国制得，其压装药柱可用作猛炸药。自50年代塑料粘结炸药问世以来，它用作某些配方的粘结剂，也可用于铸装混合炸药的粘度调节剂。

对混合炸药中纤维素硝酸酯组分含量的分析，目前采用的是溶剂回流化学法。该方法对一个样品进行分析需两名技术人员配合操作，耗时4个小时。

近红外光谱定量分析技术因其快速、无损、环保，节约人力成本等优势在各行业取得了广泛的应用。随着该项技术的普及，该项技术逐渐在炸药检测领域得以应用。

2012年，西安近代化学研究所温晓燕等人申报的名为“近红外光谱测定PBX炸药中PCTFE含量的方法”的专利公开了一种采用近红外光谱技术检测混合炸药中三氟氯乙烯(PCTFE)的方法。2010年，西安近代化学研究所苏鹏飞等人发表的《近红外漫反射光谱法快速测定混合炸药中HMX的含量》论文中公开了一种检测混合炸药中HMX含量的方法。

显然，这些方法不能用作混合炸药中纤维素硝酸酯含量的快速分析，因此，要实现对某混合材料中纤维素硝酸酯含量的快速分析，需要创建一种新的方法。

发明内容

本发明的目的是为了解决现有技术中分析速度慢、消耗溶剂、成本高的问题，以及现有技术不适用于检测纤维素硝酸酯含量的问题提供一种对混合材料中纤维素硝酸酯含量快速分析的方法。通过该方法，对样品进行简单的前处理，采集样品近红外光谱，通过建立的模型可快速测得纤维素硝酸酯的含量。

本发明的目的是通过下述技术方案实现的。

一种混合材料中纤维素硝酸酯含量的快速分析方法，具体步骤如下：

(1)收集与制备样品共171个。其中生产批75个，制备的样品的浓度范围为质量分数0.04％～1.26％，共96个批次。在制备样品的浓度时，通过相关系数确定纤维素硝酸酯与其它组分间没有强相关性，避免组分浓度之间呈线性相关。

(2)测定纤维素硝酸酯的含量。采用溶剂回流洗脱化学法测定所有样品中纤维素硝酸酯的含量，作为参考值。

(3)采集所有样品的光谱，每个样品采集3次光谱。在采集样品图谱时，随机采样，避免按照组分浓度的单调增加或单调减小采样，避免温度等错误的线性信息加载到模型中。通过光谱残留F值判断与剔除异常光谱。

(4)采集各纯组分的光谱，进行光谱分析，选择用于建模的波数段。

(5)将所有样品分为校正集与验证集。将所有样品按照纤维素硝酸酯的浓度由小到大排序，前两个样品纳入校正集，第三个样品纳入验证集，依此类推。校正集共114个样品，验证集共57个样品。

(6)使用步骤(4)选择的波段与光谱预处理方法进行组合，通过偏最小二乘法(PLS)建立模型，根据均方根预测误差(RMSEP)，以及PRESS值/维数曲线的理想程度，确定最优模型。PRESS值/维数曲线理想情况下时，PRESS值先随着维数的增加逐渐减小，达到最低点后随着维数的增加逐渐增加。

确定本方法最优方法采用的波数范围为：8790.2～7891.5cm^-1，7478.8～6410.4cm^-1，6063.24～5970.67cm^-1，5924.4～5789.4cm^-1，5002.6～4767.3cm^-1，4709.4～4535.9cm^-1。光谱预处理方式为：矢量归一化(SNV)。所选择的化学计量学方法为偏最小二乘法。

(7)对本方法模型的稳健性、方法的准确性、精确性进行评估。采用预测标准差与定标标准差的比值(SEP/SEC)评判模型的稳健性，当SEP/SEC≤1.2，说明模型稳健性较好。采用配对t检验的方法比较本方法与化学法对于样品纤维素硝酸酯组分浓度含量的检测结果有没有显著性差异，确定本方法的准确性。通过对同一个样品纤维素硝酸酯组分浓度分别采用本方法与化学法进行10次重复检测，通过检测结果的标准偏差，判断两种方法重复性的差异。

(8)采集未知样品的近红外光谱，通过本方法建立的模型，可直接获得纤维素硝酸酯的浓度值。

(9)根据实际需求，在现有模型基础上，通过加入其它浓度范围的样品光谱，可扩充方法的检测限。

有益效果

1、使用本发明的方法进行某混合材料中纤维素硝酸酯含量的分析可替代已有化学分析方法，能够快速获得分析结果，不使用任何溶剂、环保，可降低人力成本、材料成本。

2、采用近红外光谱法测定某混合材料中纤维素硝酸酯含量，在设计样品浓度时，避免了其它组分浓度与纤维素硝酸酯含量的强线性相关，通过光谱残留F值判断并剔除异常光谱，通过对纯组分光谱的分析，有效选取了涵盖纤维素硝酸酯信息的波段范围，这些可为建立优异模型奠定基础。建立模型时，通过波数范围、预处理方法、化学计量学方法的有效组合，提取了与浓度相关联的有效光谱信息。采用预测标准差与定标标准差的比值(SEP/SEC)评判模型的稳健性，采用配对t检验，判断本发明的方法与化学方法的测量结果是否有显著性差异，通过对验证集某一样品进行10次重复的测量并计算其标准偏差，比较本方法与化学法在重复性上的区别，从而通过评估保证方法的稳健性、准确性与精确性。

附图说明

图1表示本申请RMSEP随维数变化理想情况下的曲线；

图2表示本申请RMSEP随维数变化不理想情况下的曲线。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

实施例1

一、制备和收集含有纤维素硝酸酯的样品

收集与制备样品共171个，用于建模、模型评估与模型优化。收集生产批样品75个。设计并制备质量分数在0.04％～1.26％浓度范围样品96个。在进行样品组分浓度设计时，避免组分浓度之间呈线性相关，从而避免错误的信息加载到模型中。通过对纤维素硝酸酯组分浓度与其它组分浓度的相关性统计，确保纤维素硝酸酯与其它组分的浓度间无强相关性。统计结果显示，相关系数R²均小于0.06。

相关系数的公式为：

$R^2={\left(\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[(x_i-\stackrel{\‾}{x})\·(y_i-\stackrel{\‾}{y})]}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}}\right)}^2$

其中，x_i为第i个样品的纤维素硝酸酯组分的浓度，为所有样品纤维素硝酸酯组分的浓度的平均值；y_i为第i个样品的另一组分的浓度，y为所有样品另一组分的浓度的平均值；n为样品总数。

二、采用化学法测定样品中纤维素硝酸酯的含量

采用溶剂回流洗脱法测量所有样品中纤维素硝酸酯含量。

三、采集样品的图谱、通过光谱残留F值判断并剔除异常光谱

采集171个样品的图谱，在采集样品图谱时，随机采样，避免按照浓度单调增加或减小采样，避免温度等错误信息加载到模型中。

每个样品重复采集三次光谱，分辨率为8cm^-1，扫描次数为32次。

通过计算每张光谱的光谱残留，从而获得光谱残留F值，根据光谱残留F值判断该光谱是否为异常光谱，当F值明显区别于其它光谱时，该光谱为异常光谱，应进行剔除。

光谱残留(SpecRes)的公式为：

$\mathrm{Spec}{\mathrm{Res}}_i=\sqrt{\mathrm{\Σ}{(p_i-s_i)}^2}$

p_i为原始光谱建模波数点对应的强度值，s_i为经数学模型处理后所得光谱对应波数点的强度值。

光谱残留F值(SpReFvalue)的公式为：

$\mathrm{SpReFv}{\mathrm{alue}}_i=\frac{(M-1){\left(\mathrm{Spec}{\mathrm{Res}}_i\right)}^2}{\underset{j\≠i}{\mathrm{\Σ}}{\left(\mathrm{Spec}{\mathrm{Res}}_j\right)}^2}$

对171个样品，513张光谱计算光谱残留F值(SpReFvalue)，按照F值由大到小排序，前10个光谱的数据如表1所示：

表1光谱残留F值最大的10个光谱

光谱序号	光谱残留	光谱残留F值
			1	0.0164	48.6
2	0.00465	3.89
			3	0.00461	3.83
4	0.00446	3.58
			5	0.00439	3.48
6	0.00412	3.06
			7	0.00381	2.62
8	0.0037	2.46
			9	0.00364	2.38
10	0.00352	2.23

很明显，第一个光谱的SpReFvalue明显大于其它512张光谱的值，因此，该光谱为异常光谱，应将其剔除。

四、采集纯组分光谱，光谱分析，选择用于建模的波数范围

由于纤维素硝酸酯组分与其它任意组分间的含量值均没有较强的相关性。因而，即使纤维素硝酸酯光谱的吸收波段与其它组分的吸收波段相重合，其它组分随浓度变化的线性信息也不会加载到纤维素硝酸酯线性模型上。因而，从纤维素硝酸酯吸收波段中选取用于建模的波段可以与其它组分的吸收波段相重合。

另外，纤维素硝酸酯的含量在0.04％～1.26％浓度范围，仪器对于1％浓度以下的信息理应检测不到，但如果将纤维素硝酸酯的吸收信息加载到其它组分的吸收上面，就可以进行检测。因而，为了保证建模所选取的波数段涵盖纤维素硝酸酯的信息，选取的波数段需有其它组分的吸收，通过在其它组分相应光谱波段上叠加纤维素硝酸酯的信息，达到对纤维素硝酸酯光谱信息的检测。

因此，为了正确选取波数范围，需要采集混合材料中各组分在单质情况下的图谱，即纯组分的光谱图。初步选择波数范围(单位为cm^-1)为：8790.2～7891.5，7501.9～7478.8，7478.8～6410.4，6410.4～6098，6098～6063.24，6063.24～5970.67，5924.4～5789.4，5453.8～5322.7，5322.7～5191.6，5191.6～5002.6，5002.6～4767.3，4767.3～4709.4，4709.4～4597.6，4597.6～4535.9，4196.44～4154.01。

五、选择校正集与验证集样品

将171个样品的谱图按照纤维素硝酸酯的浓度按照从小到大顺序排序，前两个样品纳入校正集，接下来的一个样品纳入验证集，依此类推，校正集样品中间隔一个验证集样品，验证集样品之间隔两个校正集样品。校正集共114个样品，验证集共57个样品。

六、建立模型与选择最优模型

通过步骤四选取的波数范围，选取该范围内的各种子范围与各种光谱预处理方法的组合，使用偏最小二乘法(PLS)建立各种模型。确定了下列4个推荐模型。模型参数与性能如表2所示。

表2选取的4个推荐模型的RMSEP值与PRESS/维数曲线汇总

其中，RMSEP为均方根预测误差，其公式为：

$\mathrm{RMSEP}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(a_i-b_i)}^2}{n}}$

式中，a_i为模型对验证集样品的预测值，b_i为化学法测得验证集样品的参考值，n为验证集样品数量。

PRESS为预测残差平方和，其公式为：

$\mathrm{PRESS}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(a_i-b_i)}^2$

式中，a_i为模型对验证集样品的预测值，b_i为化学法测得验证集样品的参考值。

PRESS/维数曲线理想情况下，随着维数的增加，PRESS值单调减小，当达到一个最低值时，PRESS值单调增加，如附图1所示。维数即加入PLS因子的数目。该理想曲线的含义是，随着维数的增加，即有效因子数的增加，模型获得了更多的有效信息，使得模型的预测能力逐渐增加。当有效PLS因子全部加载完毕，模型预测能力达到最佳，之后加载的因子为无效因子、噪音因子，因而，随着这些无效PLS因子的加入，模型的预测能力逐渐降低。不理想的PRESS/维数曲线如附图2所示。

综合考虑，选取序号为4的模型作为最优模型。

七、方法的评估

下面对本方法最优模型的稳健性，方法的准确性、精确性进行评估。

(1)模型的稳健性

采用预测标准差与定标标准差的比值(SEP/SEC)评判模型的稳健性，国际组织ICC、AOAC等规定SEP/SEC小于等于1.2，说明模型稳健性较好。

SEP的公式为：

$\mathrm{SEP}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(a_i-b_i-\mathrm{Bias})}^2}{n-1}}$

其中，Bias值的公式为：

$\mathrm{Bias}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(a_i-b_i)}{n}$

其中，a_i为模型对验证集样品的预测值，b_i为化学法测得验证集样品的参考值，n为验证集样品数量。

SEC的公式为：

$\mathrm{SEC}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({a02}_i-{b02}_i-\mathrm{Bias}02)}^2}{n_{02}-1}}$

其中， $\mathrm{Bias}02=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({a02}_i-{b02}_i)}{n_{02}}$

其中，a02_i为模型对于校正集样品的预测值，b02_i为对应样品化学法测得的参考值，n₀₂为校正集样品数量。

模型对于验证集的预测结果如表3所示，

表3模型对于验证集的预测结果

模型对于校正集的预测结果如表4所示。

表4模型对于校正集样品的预测结果

样品序号	参考值％	拟合值％	残差％
				1	0.53	0.54	-0.01
2	0.51	0.52	-0.01
				3	0.47	0.52	-0.05
4	0.46	0.56	-0.10
				5	0.54	0.54	0.00
6	0.59	0.54	0.05
				7	0.53	0.55	-0.02
8	0.53	0.53	0.00
				9	0.52	0.53	-0.01
10	0.55	0.52	0.03

11	0.57	0.53	0.04
				12	0.58	0.58	0.00
13	0.57	0.56	0.01
				14	0.55	0.54	0.01
15	0.53	0.54	-0.01
				16	0.56	0.54	0.02
17	0.55	0.57	-0.02
				18	0.53	0.54	-0.01
19	0.59	0.55	0.04
				20	0.55	0.57	-0.02
21	0.51	0.56	-0.05
				22	0.56	0.54	0.02
23	0.55	0.55	0.00
				24	0.57	0.54	0.03
25	0.57	0.55	0.02
				26	0.53	0.56	-0.03
27	0.52	0.54	-0.02
				28	0.6	0.54	0.06
29	0.57	0.57	0.00
				30	0.57	0.60	-0.03
31	0.56	0.57	-0.01
				32	0.61	0.60	0.01
33	0.59	0.58	0.01
				34	0.51	0.53	-0.02
35	0.58	0.58	0.00
				36	0.56	0.58	-0.02
37	0.63	0.59	0.04
				38	0.62	0.59	0.03
39	0.56	0.56	0.00
				40	0.56	0.56	0.00
41	0.54	0.52	0.02
				42	0.27	0.25	0.02
43	0.72	0.72	0.00
				44	0.72	0.71	0.01
45	0.18	0.17	0.01
				46	0.45	0.44	0.01
47	0.63	0.62	0.01

48	0.63	0.61	0.02
				49	0.09	0.08	0.01
50	0.81	0.85	-0.04
				51	0.18	0.18	0.00
52	0.18	0.20	-0.02
				53	0.72	0.70	0.02
54	0.54	0.55	-0.01
				55	0.09	0.08	0.01
56	0.27	0.25	0.02
				57	0.9	0.92	-0.02
58	0.72	0.70	0.02
				59	0.18	0.16	0.02
60	0.45	0.42	0.03
				61	0.45	0.42	0.03
62	1.12	1.13	-0.01
				63	0.41	0.42	-0.01
64	0.22	0.24	-0.02
				65	0.18	0.18	0.00
66	1.01	1.02	-0.01
				67	0.11	0.11	0.00
68	0.36	0.36	0.00
				69	0.07	0.05	0.02
70	0.83	0.80	0.03
				71	0.65	0.67	-0.02
72	0.04	0.04	0.00
				73	0.34	0.33	0.01
74	0.57	0.57	0.00
				75	0.95	0.96	-0.01
76	0.88	0.85	0.03
				77	0.76	0.75	0.01
78	1.06	1.06	0.00
				79	1.1	1.10	0.00
80	0.81	0.83	-0.02
				81	0.62	0.62	0.00
82	0.79	0.78	0.01
				83	0.06	0.11	-0.05
84	0.05	0.09	-0.04

85	0.59	0.55	0.04
				86	0.74	0.76	-0.02
87	0.86	0.85	0.01
				88	0.27	0.29	-0.02
89	0.23	0.24	-0.01
				90	0.9	0.87	0.03
91	0.7	0.74	-0.04
				92	0.68	0.67	0.01
93	0.51	0.51	0.00
				94	0.49	0.48	0.01
95	0.94	0.92	0.02
				96	0.29	0.30	-0.01
97	0.13	0.12	0.01
				98	0.43	0.43	0.00
99	0.99	0.99	0.00
				100	0.38	0.38	0.00
101	1.04	1.06	-0.02
				102	0.32	0.33	-0.01
103	0.16	0.19	-0.03
				104	0.52	0.57	-0.05
105	0.57	0.58	-0.01
				106	0.56	0.58	-0.02
107	0.54	0.58	-0.04
				108	0.54	0.54	0.00
109	0.63	0.57	0.06
				110	0.55	0.55	0.00
111	0.53	0.57	-0.04
				112	0.56	0.55	0.01
113	0.56	0.55	0.01
				114	0.61	0.58	0.03
Bias02			0.00
				SEC			0.02

从而，SEP/SEC＝1，小于1.2，因此，模型具有很好的稳健性。

(2)方法的准确性

采用配对t检验，判断本发明的方法与化学方法的测量结果是否有显著性差异。

从模型对验证集的结果表格中选取20组结果，如表5所示：

表5模型对于验证集样品的预测值与化学方法测得参考值的对比

其中， $\stackrel{\‾}{d}=\frac{\mathrm{\Σd}}{n},S_d=\sqrt{\frac{\mathrm{\Σ}{d}^2-\frac{{\left(\mathrm{\Σd}\right)}^2}{n}}{n-1}}=0.02.$

①建立检验假设，确定检验水准

H0：两方法差异不显著，P>α

H1:两方法差异显著，P<α

双侧：α＝0.05

②计算统计量

$t=\frac{\stackrel{\&OverBar;}{d}}{S_d/\sqrt{n}}=-0.6708$

其中，n为样品总数。

③确定P值，做出统计推断

查表，t小于临界值t(0.05，19)＝2.093，P>0.5，显然，P>α。按α＝0.05水准，接受H0，差异无统计学意义，两方法无明显差异。从而，本发明的方法在准确性上可以替代化学法进行纤维素硝酸酯组分的分析。

(3)方法的精确性

通过对验证集某一样品进行10次重复的测量并计算其标准偏差，比较本方法与化学法在重复性上的区别。结果如表6所示。

表6验证集某一样品中纤维素硝酸酯含量平行10次的测定结果

测定次数	化学法％	模型预测％
			1	0.55	0.54
2	0.54	0.53
			3	0.52	0.54
4	0.53	0.54
			5	0.52	0.53
6	0.54	0.54
			7	0.52	0.53
8	0.55	0.53
			9	0.53	0.54
10	0.52	0.54
			标准偏差	0.0123	0.0052

由标准偏差可以看出，本方法的重复性、精确性要好于化学法。因而，本发明的方法无论在准确性还是精确性上，都能替代化学法。

八、检测待测样品

本方法的模型建好以后，便可对未知样品中纤维素硝酸酯的浓度进行快速检测。采集待测样品的光谱，使用模型可直接获得样品纤维素硝酸酯组分的含量。

运用本方法对另外收集的30个样品的测定结果如表7所示。

表7本方法对另外收集的30个样品的预测结果

样品序号	参考值％	本方法预测值％	偏差％
				1	0.53	0.54	0.01
2	0.54	0.53	-0.01
				3	0.55	0.56	0.01
4	0.59	0.59	0
				5	0.54	0.55	0.01
6	0.62	0.62	0
				7	0.72	0.71	-0.01
8	0.81	0.82	0.01
				9	0.72	0.72	0
10	0.18	0.17	-0.01
				11	0.07	0.08	0.01
12	0.34	0.34	0
				13	0.57	0.57	0
14	0.76	0.76	0
				15	1.06	1.05	-0.01
16	1.1	1.1	0
				17	0.81	0.82	0.01
18	0.62	0.61	-0.01
				19	0.78	0.78	0
20	0.09	0.11	0.02
				21	0.56	0.55	-0.01
22	0.76	0.76	0
				23	0.84	0.85	0.01
24	0.29	0.29	0
				25	0.24	0.24	0
26	0.89	0.87	-0.02

27	0.7	0.74	0.04
				28	0.66	0.67	0.01
29	0.57	0.58	0.01
				30	0.56	0.54	-0.02

九、模型的扩展

当所需检测的范围在0.04％～1.26％浓度范围外时，通过增加其它范围浓度样品的光谱，可以扩展方法的检测限。

具体步骤为：

1、收集与制备其它浓度范围的样品。注意事项参照实施例步骤一。

2、重复实施例步骤二到步骤八。

Claims (2)

1.一种混合材料中纤维素硝酸酯含量的快速分析方法，其特征在于：具体步骤如下：

(1)收集与制备样品共171个；其中生产批75个，制备的样品的浓度范围为质量分数0.04％～1.26％，共96个批次；在制备样品的浓度时，通过相关系数确定纤维素硝酸酯与其它组分间没有强相关性，避免组分浓度之间呈线性相关；

(2)测定纤维素硝酸酯的含量；采用溶剂回流洗脱化学法测定所有样品中纤维素硝酸酯的含量，作为参考值；

(3)采集所有样品的光谱，每个样品采集3次光谱；在采集样品图谱时，随机采样，避免按照组分浓度的单调增加或单调减小采样，避免温度等错误的线性信息加载到模型中；通过光谱残留F值判断与剔除异常光谱；

(4)采集各纯组分的光谱，进行光谱分析，选择用于建模的波数段；

(5)将所有样品分为校正集与验证集；将所有样品按照纤维素硝酸酯的浓度由小到大排序，前两个样品纳入校正集，第三个样品纳入验证集，依此类推；校正集共114个样品，验证集共57个样品；

(6)使用步骤(4)选择的波段与光谱预处理方法进行组合，通过偏最小二乘法(PLS)建立模型，根据均方根预测误差(RMSEP)，以及PRESS值/维数曲线的理想程度，确定最优模型；PRESS值/维数曲线理想情况下时，PRESS值先随着维数的增加逐渐减小，达到最低点后随着维数的增加逐渐增加；

确定本方法最优方法采用的波数范围为：8790.2～7891.5cm^-1，7478.8～6410.4cm^-1，6063.24～5970.67cm^-1，5924.4～5789.4cm^-1，5002.6～4767.3cm^-1，4709.4～4535.9cm^-1；光谱预处理方式为：矢量归一化(SNV)；所选择的化学计量学方法为偏最小二乘法；

(7)对本方法模型的稳健性、方法的准确性、精确性进行评估；采用预测标准差与定标标准差的比值(SEP/SEC)评判模型的稳健性，当SEP/SEC≤1.2，说明模型稳健性较好；采用配对t检验的方法比较本方法与化学法对于样品纤维素硝酸酯组分浓度含量的检测结果有没有显著性差异，确定本方法的准确性；通过对同一个样品纤维素硝酸酯组分浓度分别采用本方法与化学法进行10次重复检测，通过检测结果的标准偏差，判断两种方法重复性的差异；

(8)采集未知样品的近红外光谱，通过本方法建立的模型，可直接获得纤维素硝酸酯的浓度值。

2.如权利要求1所述的一种混合材料中纤维素硝酸酯含量的快速分析方法，其特征在于：在所述步骤(8)后，根据实际需求，在现有模型基础上，通过加入其它浓度范围的样品光谱，可扩充方法的检测限；具体方法为：先收集与制备其它浓度范围的样品；注意事项参照实施例步骤一；再重复实施例步骤二到步骤八。