云端智能微型近紅外光譜儀的酒醅定量分析模型開發(fā)

王小琴，郭 艷，宋廷富，羅 珠，李楊華，安明哲，張國宏，王 毅，李光堯，閆曉劍

(1.宜賓五糧液股份有限公司，四川 宜賓 644000；2.四川長虹電器股份有限公司，四川 綿陽 621000)

傳統(tǒng)固態(tài)白酒釀造是一個(gè)典型的釀酒微生物群落共生、共酵、代謝調(diào)控的過程，出入窖酒醅質(zhì)量是整個(gè)釀酒生產(chǎn)系統(tǒng)運(yùn)行控制的關(guān)鍵因子，對(duì)白酒最終品質(zhì)有著極為重要和關(guān)鍵的影響力。長期以來，傳統(tǒng)理化檢測方法落后，耗時(shí)耗力，成為了困擾整個(gè)行業(yè)的技術(shù)難點(diǎn)。近紅外光譜儀可以實(shí)現(xiàn)對(duì)酒醅的快速檢測，具有快速、無藥品消耗、無污染、分析簡單、多組分同時(shí)分析、檢測量大、數(shù)據(jù)準(zhǔn)確、重現(xiàn)性好的特點(diǎn)，可及時(shí)為釀酒生產(chǎn)現(xiàn)場提供數(shù)據(jù)，將原來的事后驗(yàn)證轉(zhuǎn)為事前調(diào)控。然而傳統(tǒng)的近紅外光譜儀體積大、需要專業(yè)人員操作、價(jià)格昂貴、使用環(huán)境條件嚴(yán)格，無法現(xiàn)場檢測。采用國產(chǎn)微型近紅外光譜儀及配套的端云一體光譜智能建模系統(tǒng)可以解決以上問題，而且方便推廣，有望形成大規(guī)模的近紅外光譜應(yīng)用。

1 材料與方法

1.1 材料、儀器

原料：酒醅實(shí)驗(yàn)樣品為出窖酒醅150 個(gè)、入窖酒醅150個(gè)。

儀器設(shè)備：PV400R-I 型微型智能近紅外光譜儀；特制的酒醅壓緊工裝。

1.2 試驗(yàn)方法

1.2.1 樣本組分含量的測定

酒醅水分、淀粉、酸度、殘?zhí)堑壤砘笜?biāo)均由車間經(jīng)驗(yàn)豐富化驗(yàn)員按常規(guī)化學(xué)方法測定所得。

1.2.2 樣品的近紅外光譜采集

采用手機(jī)智能光譜APP進(jìn)行光譜采集，具體操作方式是先用手機(jī)藍(lán)牙連接微型光譜儀，操作人員通過手機(jī)上的安卓APP 即可實(shí)現(xiàn)對(duì)酒醅光譜的采集、觀測、分析、記錄。同時(shí)使用定制的酒醅壓緊工裝進(jìn)行制樣，保證酒醅樣品的一致性。采用PV400R-I 型微型智能近紅外光譜儀對(duì)壓緊后的每個(gè)酒醅樣本進(jìn)行光譜掃描并上傳數(shù)據(jù)，測量方式為漫反射，每個(gè)酒醅樣品需要掃描6 次光譜。智能光譜系統(tǒng)的系統(tǒng)框架如圖1所示。

圖1 端云一體光譜智能建模系統(tǒng)

酒醅的近紅外光譜數(shù)據(jù)如圖2所示。

圖2 酒醅近紅外光譜(平滑+1階導(dǎo))

2 結(jié)果與分析

2.1 校正集樣本的選擇

采用Kennard Stone（K-S）算法對(duì)樣本進(jìn)行劃分，該算法按照歐氏距離進(jìn)行均勻劃分，能夠避免人為劃分樣本時(shí)的隨機(jī)性。本文按照校正集67%，驗(yàn)證集33%的比例劃分，選取100 個(gè)樣本為校正集，50個(gè)樣本作為驗(yàn)證集。

2.2 光譜預(yù)處理及建模

近紅外光譜曲線的穩(wěn)定性、可靠性會(huì)受到噪聲、基線漂移、樣品顆粒分布不均勻等因素的干擾，為了避免這些因素的干擾需要運(yùn)用適當(dāng)?shù)墓庾V預(yù)處理方法。

光譜的預(yù)處理及建模采用WEB 方式登錄，在服務(wù)器端進(jìn)行光譜數(shù)據(jù)預(yù)處理和建模。預(yù)處理方法包括平滑、標(biāo)準(zhǔn)正態(tài)變量變換（SNV）、歸一化、求導(dǎo)、線性校正、LOG、中心化、去趨勢化等等20 多種預(yù)處理算法。近紅外光譜分析的定量建模方法包括多元線性回歸（MLR）、主成分回歸（PCR）、偏最小二乘回歸（PLS）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）等。其中，PLS 算法應(yīng)用最為廣泛，本文選用PLS 算法進(jìn)行建模。通過不同的預(yù)處理方法、預(yù)處理方法的參數(shù)選擇、PLS 成分?jǐn)?shù)選擇組合建立定量模型，選擇出酒醅的水分、酸度、淀粉、殘?zhí)堑淖罴呀７椒ā８鱾€(gè)模型內(nèi)部交叉驗(yàn)證得到的預(yù)測值和參考值對(duì)比如圖3所示。

圖3 出入窖各指標(biāo)PLS定量模型內(nèi)部交叉驗(yàn)證結(jié)果

2.3 模型預(yù)測效果

為了對(duì)模型的實(shí)際預(yù)測能力進(jìn)行校驗(yàn)，采用模型外的50 個(gè)樣本對(duì)所建模型進(jìn)行盲樣測試，模型外盲測驗(yàn)證結(jié)果與五糧液公司常規(guī)化學(xué)方法測定的酒醅水分、淀粉、酸度、殘?zhí)堑暮繉?duì)比，實(shí)現(xiàn)了水分絕對(duì)偏差≤1%、淀粉絕對(duì)偏差≤1%、酸度絕對(duì)偏差≤0.3%、殘?zhí)墙^對(duì)偏差≤0.3%的效果。所開發(fā)的模型覆蓋了多個(gè)車間的實(shí)際樣品，而且模型對(duì)應(yīng)的建模樣本庫覆蓋了全年的春夏秋冬4 個(gè)季節(jié)。各個(gè)指標(biāo)模型內(nèi)部交叉驗(yàn)證參數(shù)與預(yù)測準(zhǔn)確率如表1所示。

表1 各指標(biāo)模型內(nèi)部交叉驗(yàn)證參數(shù)與盲樣預(yù)測準(zhǔn)確率

3 結(jié)論

基于國產(chǎn)的微型智能近紅外光譜儀及智能光譜建模系統(tǒng)，針對(duì)復(fù)雜的5 種糧食構(gòu)成的混合物酒醅進(jìn)行了近紅外光譜建模并驗(yàn)證，實(shí)現(xiàn)了出窖酒醅、入窖酒醅成分現(xiàn)場快速分析功能。相比傳統(tǒng)的實(shí)驗(yàn)室用近紅外光譜分析設(shè)備，具有以下幾點(diǎn)顯著優(yōu)勢。

體積小巧，輕便，易攜帶，非常適合對(duì)釀酒車間酒醅進(jìn)行現(xiàn)場快速分析。

具備適用于光譜數(shù)據(jù)管理、分析、建模的云端數(shù)據(jù)庫架構(gòu)，采用了嚴(yán)格的用戶管理體系，不同權(quán)限的用戶有不同的操作許可，以此來實(shí)現(xiàn)不同用戶之間相關(guān)光譜數(shù)據(jù)庫和光譜模型的隔離，不但簡化了光譜儀終端的復(fù)雜度，而且提高了光譜數(shù)據(jù)和模型的安全性。

采用智能手機(jī)操作，在光譜分析時(shí)僅需選擇待測物質(zhì)對(duì)應(yīng)的模型即可完成現(xiàn)場快速分析，檢測人員不需要具備專業(yè)知識(shí)背景，有利于做到生產(chǎn)車間、窖池班組全覆蓋，以科學(xué)的準(zhǔn)確的分析數(shù)據(jù)代替?zhèn)鹘y(tǒng)的工人師傅經(jīng)驗(yàn)數(shù)據(jù)，實(shí)現(xiàn)看糟配料的精細(xì)化管理，做到釀酒發(fā)酵過程酒醅變化情況全程可追溯，實(shí)現(xiàn)生產(chǎn)工藝的智能化管理，積累釀酒生產(chǎn)數(shù)據(jù)，形成以智能光譜數(shù)據(jù)為核心的生產(chǎn)大數(shù)據(jù)，進(jìn)而在此基礎(chǔ)上豐富更多的生產(chǎn)數(shù)據(jù)信息，挖掘數(shù)據(jù)價(jià)值，為釀酒生產(chǎn)提質(zhì)增效提供可靠的數(shù)據(jù)基礎(chǔ)。