近紅外光譜技術(shù)在北方濃香型白酒釀造糟醅理化指標(biāo)快速檢測中的應(yīng)用

王 啟，馬輝峰，蔡建波，朱立寧*

（河北鳳來儀酒業(yè)有限公司 河北省泥窖釀酒技術(shù)創(chuàng)新中心，河北 邢臺(tái) 055550）

濃香型白酒作為我國國家名優(yōu)白酒品牌最多、產(chǎn)量最大、最受國內(nèi)飲酒者喜愛的酒種，在生產(chǎn)中富集利用了自然微生物進(jìn)行生產(chǎn)發(fā)酵，所以受地理環(huán)境、氣候條件的影響較大，各個(gè)地區(qū)生產(chǎn)的濃香型白酒香氣味道也還存在較大差異。以我廠珍藏級(jí)原漿的封壇酒為例，其取自百年窖池、由雙輪底酒醅發(fā)酵蒸餾而出的中段酒，每年限產(chǎn)。原漿中特有的窖香、陳香、糧香，口感豐厚，香氣優(yōu)雅，儲(chǔ)存價(jià)值高。

發(fā)酵糟醅的檢測是白酒生產(chǎn)過程中預(yù)測白酒產(chǎn)量、質(zhì)量，評(píng)估生產(chǎn)工藝參數(shù)合理性的重要環(huán)節(jié)，其中主要的理化指標(biāo)有水分、酸度以及淀粉等。這些指標(biāo)用傳統(tǒng)的化學(xué)分析方法檢測相當(dāng)繁瑣且十分費(fèi)時(shí)，存在嚴(yán)重滯后性，無法直接對(duì)生產(chǎn)起到指導(dǎo)作用，并且需使用大量的化學(xué)藥品，增加環(huán)保壓力[1-3]。所以，亟需要一種快速、簡便的檢測方法來提高發(fā)酵糟醅理化指標(biāo)的檢測效率。

近紅外光譜法具有檢測樣品快速、樣品無損耗、不需要化學(xué)藥品、分析重現(xiàn)性好、建模后投資及操作費(fèi)用低等優(yōu)點(diǎn)，因此，采用近紅外光譜建立糟醅的理化指標(biāo)的定量分析模型，代替常規(guī)分析方法，可實(shí)現(xiàn)糟醅檢測的及時(shí)、準(zhǔn)確、高效[4-6]。

本研究以某北方濃香型白酒的糟醅為研究對(duì)象，檢測發(fā)酵糟醅理化指標(biāo)（水分、酸度、淀粉含量），以期建立出入窖糟醅理化指標(biāo)的近紅外定量分析模型，實(shí)現(xiàn)發(fā)酵糟醅的快速檢測，以便及時(shí)為釀酒生產(chǎn)提供數(shù)據(jù)參考。

1 材料與方法

1.1 材料與試劑

1.1.1 原料

發(fā)酵糟醅樣品：來自河北鳳來儀酒業(yè)有限公司釀造車間的入窖糟醅和出窖糟醅，每天取16個(gè)窖池的樣品，輪流取樣，4排70 d，共4 480個(gè)樣品，其中入窖糟醅2 240個(gè)，出窖糟醅2 240個(gè)。樣品覆蓋整個(gè)生產(chǎn)周期，具有代表性。

1.1.2 試劑

超純水：符合國標(biāo)GB/T 6682—2008《分析實(shí)驗(yàn)室用水規(guī)格和試驗(yàn)方法》規(guī)定一級(jí)水要求。

1.2 儀器與設(shè)備

G3000光柵型近紅外光譜分析儀（配有積分球漫反射系統(tǒng)，內(nèi)置PTFE參比模塊和聚苯乙烯波長標(biāo)準(zhǔn)片，光譜范圍為11 000～4 000 cm-1，可采集濃香型白酒基酒樣品在近紅外光譜整個(gè)區(qū)域的光譜信息）：四川威斯派克科技有限公司；UPT-I-10T超純水系統(tǒng)：四川優(yōu)普超純科技有限公司；AX224ZH電子天平：常州奧斯儀器有限公司。

1.3 實(shí)驗(yàn)方法

1.3.1 樣品制備

用攪拌器將樣品攪拌均勻，光譜采集時(shí)裝入樣品杯，輕微壓實(shí)。

1.3.2 樣品理化指標(biāo)分析方法

發(fā)酵糟醅理化指標(biāo)（水分、酸度、淀粉含量）：采用參考文獻(xiàn)[7]的方法測定。利用G3000光柵型近紅外光譜儀采集光譜，測量前將儀器預(yù)熱20 min，通過PQ測試和校正后方可使用。選擇0.2 mm的間隙，采集光譜時(shí)環(huán)境溫度保持在（25±2）℃范圍內(nèi)。

1.3.3 光譜采集和數(shù)據(jù)預(yù)處理

近紅外光譜儀參數(shù)設(shè)置：①光譜掃描范圍：900～2 500 nm；②分辨率：12 nm；③光譜掃描次數(shù)：8次；重復(fù)掃描：1次；④光譜采集方式：漫反射。每個(gè)樣品設(shè)置3次生物學(xué)重復(fù)，取3次采集的光譜平均值作為樣本的原始光譜，且在測量過程中，溫度、濕度等環(huán)境條件盡量保持一致[8-9]。

為了減少光譜數(shù)據(jù)采集過程中的隨機(jī)誤差和噪聲的影響，提高光譜數(shù)據(jù)信噪比，優(yōu)化光譜信息；所以，在建模前需要通過對(duì)原始光譜的預(yù)處理來提高模型的穩(wěn)定性。

1.3.4 數(shù)據(jù)處理

（1）建立模型數(shù)據(jù)，進(jìn)行數(shù)據(jù)運(yùn)算：選取修改日期最近的運(yùn)算方法為最優(yōu)運(yùn)算方法；

（2）進(jìn)行模型優(yōu)化操作，剔除異常樣品：即基于特征峰判定，偏離正常數(shù)據(jù)范圍的異常糟醅；

（3）通過內(nèi)部交叉驗(yàn)證和K折系統(tǒng)抽樣法，經(jīng)過改進(jìn)型偏最小二乘（partial least squares，PLS）算法建立預(yù)測模型。

2 結(jié)果與分析

2.1 酒醅樣品理化指標(biāo)的化學(xué)法測定結(jié)果

由表1可知，出窖糟醅的水分含量（57.73%～67.84%）、酸度（1.30～5.53 mmol/10 g）、淀粉含量（8.22%～17.22%）與入窖糟醅的水分含量（48.60%～61.35%）、酸度（0.79～2.23 mmol/10 g）、淀粉含量（17.73%～27.83%）均符合理化要求。出入窖糟醅水分的標(biāo)準(zhǔn)偏差均相對(duì)偏大，原因可能是糟醅中含有揮發(fā)性成分，影響水分的測定。與出窖糟醅相比，入窖糟醅淀粉和酸度的標(biāo)準(zhǔn)偏差相對(duì)偏大，原因可能是經(jīng)過人工調(diào)控和長期發(fā)酵，出窖糟醅質(zhì)地均勻；而受投放原料呈顆粒狀、實(shí)際投放情況等原因影響，使得入窖糟醅淀粉分布不勻，因此影響淀粉測定結(jié)果；根據(jù)入窖溫度、入窖淀粉濃度，生產(chǎn)要求等，需要對(duì)糟醅酸度進(jìn)行調(diào)控，導(dǎo)致入窖糟醅酸度測定結(jié)果的標(biāo)準(zhǔn)偏差相對(duì)偏大。

表1 糟醅樣品的理化指標(biāo)Table 1 Physicochemical indexes of fermented grains samples

2.2 出入窖糟醅樣品的近紅外吸收光譜

入窖、出窖糟醅樣品的近紅外光譜見圖1。由圖1可知，入窖、出窖糟醅樣品的近紅外光譜吸光度值為0.5～1.6；在波數(shù)1 000～2 100 nm-1范圍內(nèi)樣品中含大量氫基團(tuán)，有明顯的吸收峰，糟醅樣品光譜表現(xiàn)出一定的離散，證明存在一定的基線漂移。為消除基線漂移、樣品顆粒度不均勻以及光散射等噪聲的影響，充分提取樣品的光譜信息，采用自動(dòng)組合導(dǎo)數(shù)處理、多元散射校正、矢量歸一化以及標(biāo)準(zhǔn)正態(tài)變量變換等方法以提高模型的預(yù)測能力[10-13]。

圖1 入窖（A）和出窖（B）糟醅樣品近紅外吸收光譜圖Fig.1 Near infrared spectroscopy of pit-loading (A) and pit-unloading (B) fermented grains samples

2.3 定量預(yù)測模型的建立

利用SpecMC軟件中基于杠桿值和光譜殘差比的F檢驗(yàn)的異常樣品識(shí)別方法對(duì)樣品集中的異常樣本進(jìn)行識(shí)別并剔除，建立酒醅的偏最小二乘（PLS）定量模型。建模過程中，校正集樣品交叉驗(yàn)證，再次識(shí)別并剔除異常樣品[14-18]。采用光譜-理化值共生距離（sample set partitioning based on joint x-y distances，SPXY）方法對(duì)出入池糟醅的水分、酸度、淀粉確定校正集與驗(yàn)證集，再分別用兩組數(shù)據(jù)進(jìn)行建模和驗(yàn)證。得到的出入窖糟醅建模結(jié)果如圖2、圖3所示。對(duì)建模結(jié)果進(jìn)行方差分析，結(jié)果見表2。

圖2 入窖糟醅樣品水分含量（A）、酸度（B）、淀粉含量（C）模型建模結(jié)果Fig.2 Modeling results of moisture contents (A), acidity (B) and starch contents (C) in pit-loading fermented grains samples

圖3 出窖糟醅樣品水分含量（A）、酸度（B）、淀粉含量（C）模型建模結(jié)果Fig.3 Modeling results of moisture contents (A), acidity (B) and starch contents (C) in pit-unloading fermented grains samples

根據(jù)實(shí)驗(yàn)數(shù)據(jù)，眾多處理方式中，經(jīng)過多元散射校正（multiplicative scatter correction，MSC）處理后的模型決定系數(shù)（R2）最高，因此，確定MSC為處理方式。由圖2、圖3和表2的建模結(jié)果可知，出入窖糟醅的3個(gè)指標(biāo)模型均有很好的建模效果，入窖糟醅水分含量、酸度、淀粉含量模型的決定系數(shù)（R2）分別為0.86、0.79、0.65，交互驗(yàn)證均方根誤差（root mean square errors cross validation，RMSECV）分別為0.77%、0.11 mmol/10 g、0.11%；出窖糟醅水分含量、酸度、淀粉含量模型的決定系數(shù)（R2）分別為0.90、0.92、0.79，均方根誤差分別為0.54%、0.16 mmol/10 g、0.49%，都在可接受范圍內(nèi)。

2.4 模型預(yù)測效果的驗(yàn)證

為進(jìn)一步驗(yàn)證模型的預(yù)測效果，采用光譜-理化值共生距離（SPXY）算法，按3∶1的比例劃分校正集和驗(yàn)證集[19-22]，得到出入窖糟醅校正集與驗(yàn)證集化驗(yàn)結(jié)果統(tǒng)計(jì)見表3。

表3 出入窖糟醅校正集與驗(yàn)證集檢測結(jié)果Table 3 Test results of calibration set and verification set of pit-unloading and pit-loading fermented grains

由表3可知，校正集樣品的指標(biāo)含量范圍可涵蓋驗(yàn)證集樣品，校正集出窖糟醅水分、酸度、淀粉的標(biāo)準(zhǔn)偏差分別為1.71%、0.56 mmol/10 g、1.13%，入窖糟醅水分、酸度、淀粉的標(biāo)準(zhǔn)偏差分別為2.03%、0.25 mmol/10 g、1.50%；驗(yàn)證集出窖糟醅水分、酸度、淀粉的標(biāo)準(zhǔn)偏差分別為1.61%、0.56 mmol/10 g、1.13%，入窖糟醅水分、酸度、淀粉的標(biāo)準(zhǔn)偏差分別為2.10%、0.22 mmol/10 g、1.32%。校正集和驗(yàn)證集的標(biāo)準(zhǔn)偏差相近，這表明該校正集能很好的反映樣本的離散程度，用來構(gòu)建的近紅外模型的預(yù)測能力較好[23-25]。

3 結(jié)論

本研究利用近紅外光譜技術(shù)建立了北方濃香型白酒發(fā)酵糟醅理化指標(biāo)的快速分析模型。入窖糟醅水分、酸度、淀粉模型的決定系數(shù)（R2）分別為0.86、0.79、0.65，交互驗(yàn)證均方根誤差分別為0.77%、0.11 mmol/10 g、0.11%；出窖糟醅水分、酸度、淀粉模型的決定系數(shù)（R2）分別為0.90、0.92、0.79，交互驗(yàn)證均方根誤差分別為0.54%、0.16 mmol/10 g、0.49%，均能滿足使用時(shí)對(duì)分析精度的要求。并通過驗(yàn)證集樣品對(duì)預(yù)測模型進(jìn)行外部驗(yàn)證，入窖糟醅水分、酸度、淀粉的標(biāo)準(zhǔn)偏差分別為2.10%、0.22 mmol/10 g、1.32%，出窖糟醅水分、酸度、淀粉的標(biāo)準(zhǔn)偏差分別為1.61%、0.56 mmol/10 g、1.13%。以上數(shù)據(jù)表明，建立的近紅外定量模型效果較好，預(yù)測能力強(qiáng)，準(zhǔn)確度高，能滿足日常生產(chǎn)檢測的需求。

采用近紅外光譜分析技術(shù)對(duì)酒醅進(jìn)行檢測后，企業(yè)能夠省去大量傳統(tǒng)分析方法的繁瑣操作和試劑消耗，能大大降低分析時(shí)間和人力成本，使得分析工作效率顯著提高，為企業(yè)“降本增效”奠定了基礎(chǔ)。