当智能化工具将专业门槛降至"零基础"，甚至能自动识别材料成分，热分析正在从"专家工具"变成"普惠技术"。

DSC测试结果显示在屏幕上，工程师盯着曲线发愁：这个峰是什么？温度怎么算？材料成分怎么判断？热分析的专业门槛，让不少生物基材料团队"有设备用不好"。

11月30日，在杭州举办的第四届绿色复合材料论坛上，德国耐驰仪器制造有限公司 市场与应用副总经理 曾智强博士分享了一套智能化解决方案——从"零基础"操作到"全自动"数据计算，再到基于云计算的材料识别，这套工具正在改变热分析的使用门槛。

01

热分析的"三道坎"

差示扫描量热仪（DSC）、热重分析仪（TGA）是生物基材料研发中常用的表征工具。

通过DSC测试，可以获取玻璃化转变温度（Tg）、熔融温度（Tm）、结晶度等关键参数，进而判断材料的热稳定性、加工性能和降解特性。

但从测试到结果应用，存在"三道坎"：

第一道坎是操作复杂。 传统热分析测试需要设置实验参数、进行仪器校正、处理数据等多个环节，对操作人员要求至少具备本科相关专业水平。对于不熟悉的人员及材料，操作难度大，易出错。

第二道坎是数据处理耗时。 一条DSC曲线的手动分析，熟练人员需要15-20分钟；一个项目动辄几十上百条曲线，数据处理就要耗掉几天时间。研究人员需要在软件中手动计算峰面积、识别玻璃化转变、标注熔融峰，还容易因人为判断差异导致结果不一致。

第三道坎是结果解读困难。 即使拿到了峰面积、特征温度等数据，如何判断材料成分？如何建立与工艺过程的关联？对于不熟悉的材料体系，研究人员往往需要查阅大量文献或依赖专家经验。

曾智强在演讲中提出的目标很明确："仪器拿来就会用，数据直接蹦出来，图谱解析不用愁。"

02
三个场景，三套方案——智能化工具如何降低门槛

智能化的核心思路不是从理论或方法上创新，而是通过工具让DSC的测试和处理变得更简单。这体现在三个典型用户场景中。

场景一：新手操作——"5分钟学会DSC"

DSC内置的SmartMode功能将操作流程模块化。用户打开软件后，直接选择预设的测试方法（如"塑料材料DSC测试"），系统自动调用参数模板。

测量向导逐步引导用户完成样品信息输入、温度范围设置，参数输入错误时界面显示红色，正确时显示绿色。

操作人员可在5分钟内学会基本操作，要求从本科专业水平降至基础认知水平。

场景二：日常分析——"告别手动计算"

除了降低操作门槛，耐驰还开发出 AutoEvaluation功能 基于人工智能算法，自动识别DSC曲线中的玻璃化转变、冷结晶、熔融等热效应特征，并自动计算峰值、起始温度（Onset）、峰面积等参数。

来源：曾智强，《复杂聚合物成分分析 – 热分析谱图的智能化检索与云计算》

精度对比：自动分析 vs 手动分析

对12条DSC曲线进行测试，温度差异≤1℃：

玻璃化转变温度差异：0.7℃

冷结晶温度差异：0℃

熔融温度差异：1℃

系统并非"黑箱"操作，用户可以将自动分析结果与手动分析比对，不满意仍可手动修改。

这种基于方法的自动分析，人工智能算法远优于传统的"宏命令（Macro）"方式——传统宏命令只能执行固定计算流程，而AI算法能根据曲线特征自适应调整分析策略。

场景三：复杂鉴定——"材料成分'一键识别'"

对于不熟悉的材料体系，研发人员最关心的问题是："这是什么材料？混合物中有哪些成分？各成分的比例是多少？"

耐驰智能化工具提供了两层解决方案：Identify解决"这是什么"，Proteus解决"有多少"。

第一层：Identify检索——图谱比对"找相似"

Identify功能将测试曲线与数据库中的参考曲线进行比对，通过纯数学计算给出相似度。

案例： PP/LDPE混合物识别

主成分：聚丙烯（PP）

相似度：99.72%

次要成分：少量低密度聚乙烯（LDPE）

这是热分析领域唯一具备检索与聚类功能的工具。

第二层：Proteus云计算——20万条数据"喂"出的专家系统

基于云计算的 Proteus® Now Quantify 系统已投喂约20万条热分析数据，用户只需上传测试曲线，系统就能自动识别材料成分及其占比。

案例：四组分混合物定量分析

包含LDPE、HDPE、PP、LLDPE四种材料的混合物，系统通过多轮迭代，最终给出的定量结果与实际成分高度吻合。

03
实战价值——质量控制的"聚类"新思路

智能化工具的价值，不仅在于降低操作门槛，更在于解决实际生产中的质量控制难题。

在材料生产过程中，企业常常面临批次质量判定的问题：如何快速判断新批次产品是否合格？

传统方法依赖具体的特征值（如峰值温度、斜率等），但对于复杂的热分析曲线，这些特征值往往难以量化，也难以设定明确的判定标准。

Identify的"匹配"功能 提供了一种新思路：通过"聚类"进行质量控制。

操作步骤：

1. 将合格样品（OK样品）的DSC曲线建立为"合格类"

2. 将不合格样品（NOK样品）的DSC曲线建立为"不合格类"

3. 对新批次样品进行测试，系统自动计算其与"合格类"的相似度

4. 设定QC阈值（如99%），系统自动判定质量是否合格

这种方法的核心优势在于无需依赖具体的特征值或斜率数字，只通过相似度比较即可快速判定材料批次质量。

对于失效分析（Failure Analysis）场景，系统能够自动识别问题批次，帮助企业快速定位质量问题。

04

展望——从"专家工具"到"普惠技术"

当20万条数据"喂"出的专家系统上线，热分析的门槛将从"需要专业背景"降至"只需上传曲线"——这不仅是工具的进化，更是行业研发模式的变革。

曾智强在演讲中透露，基于云计算的智能识别服务计划在明年正式推出。

用户只需登录云端平台，上传测试曲线，系统就能自动给出材料成分及占比的分析结果。

当一个非专业背景的技术员也能在5分钟内完成DSC测试，当材料成分识别从"查文献"变成"上传曲线"，热分析的智能化正在让生物基材料的研发效率跨上新台阶——这或许才是技术进步最该有的样子。

关于德国耐驰：

德国耐驰集团成立于1873年，至今已有超过150年历史，是热分析技术的奠基者与全球市场领导者。耐驰在热分析、流变学、火灾测试等领域提供世界顶尖的仪器解决方案。

▌ 参考信息：本文部分素材来自第四届绿色复合材料论坛现场演讲，由作者重新编写，系作者个人观点，本平台发布仅为了传达一种不同观点，不代表对该观点或支持。如果有任何问题，请联系我们：15381397601（微信同号）。