谷成玲 何秀芝 呂 靜

（萊蕪職業(yè)技術學院 機電工程系，山東 萊蕪271100）

0 引言

啤酒工業(yè)是中國食品工業(yè)中重要的一個產(chǎn)業(yè)部門。據(jù)統(tǒng)計目前中國的啤酒年產(chǎn)量達2300 多萬噸,居世界第2 位。 中國啤酒企業(yè)有800多家,1500 多個品牌。 啤酒在出廠前必須提供酒精度、原麥汁濃度、總酸、雙乙酰以及CO2 的含量等5 項質量指標。 酒精度是影響啤酒質量的一個重要的理化指標。如何對其進行快速準確的測定對降低成本提高產(chǎn)品質量都具有重要的意義.

1 基于BP 神經(jīng)網(wǎng)絡的啤酒酒精度近紅外光譜快速檢測[1-2]

BP(Back.Propagation Network)算法的原理是一種誤差反向傳播算法，給網(wǎng)絡各種訓練樣本，把網(wǎng)絡的實際輸出和正確的目標值相比較，然后根據(jù)偏差情況修改各節(jié)點的連接權重,網(wǎng)絡不斷朝誤差減小的方向進行變化，直到輸出值與正確的目標值的偏差滿足工作所需要的精度。 設計的BP 神經(jīng)網(wǎng)絡分3 層，即輸入層、隱含層和輸出層，采用Sigmoid 激發(fā)函數(shù)。在利用人工神經(jīng)網(wǎng)絡進行建模之前，首先要對近紅外光譜數(shù)據(jù)進行壓縮和降維，用它壓縮的主成分作為BP 神經(jīng)網(wǎng)絡輸入。

采用美國Perkin—Elmer 公司Spectrum GX 傅里葉變換紅外光譜儀，InGaAs 檢測器，2mm 的石英樣品池。在1200"1900am 波長范圍內，對原始光譜進行二階導數(shù)預處理，然后進行主成分分析。 建立PCA—BP 校正模型，根據(jù)預測效果選擇最佳主成分數(shù)，并與PLS 模型最佳主成分數(shù)進行了比較.BP 神經(jīng)網(wǎng)絡是通過輸入與輸出之間的不斷循環(huán)迭代建立起的一種基于連接權重的非線性關系。

2 基于偏最小二乘法的啤酒的酒精度的近紅外光譜法測定[3]

2.1 原理

遺傳算法（Genetic Algorithms，GA）算法是由John Holland 于1975年首先提出的一種仿生優(yōu)化算法，是建立在自然選擇和進化概念基礎上的一種非導數(shù)的隨機優(yōu)化方法。 GA 算法基于生物進化論和遺傳學說，針對采用偏最小二乘法（Partial Least Squares,PLS）建立近紅外光譜預測模型時波長篩選問題，提出將相關系數(shù)法與相結合提取光譜有效信息，基于相關系數(shù)法，選取相關系數(shù)r 大于閾值的波長參加預測模型的建立,基于遺傳算法，對所有波長編碼，每個波長作為1 個基因，對基因進行0-1 二進制編碼，若編碼是,1，建模時包括此波長；若為0，則反之。 1 種0-1 編碼組合稱為1 條染色體，其長度為被編碼的波長數(shù)。提高預測模型的精度的方法。結果表明：該方法應用于啤酒酒精度近紅外光譜檢測中，吸收光譜和一階導數(shù)光譜的預測建模的波長個數(shù)分別減少了83%、82%， 預測平均相對誤差分別降低了0.42%，0.64%，不僅簡化、優(yōu)化了模型，而且增強了預測建模型的預測能力，是一種采用PLS 法建立預測模型前行之有效的降低和優(yōu)選波長的方法.。

2.2 實驗部分及數(shù)據(jù)處理

對啤酒樣品利用Vector22/N 型傅里葉變換近紅外光譜儀，波數(shù)范圍為4000-15000cm-1。 自行配制80 個標準樣品作為校驗集，29 個標準樣品作為預測集。 每個1 樣品分別連續(xù)測定3 個近紅外光譜。 光譜數(shù)據(jù)依次進行基線校正和17 點移動平滑處理， 然后每個樣品的3 個光譜取一平均光譜。最后，利用定量分析軟件包，輸入校驗集的標準光譜和相應的數(shù)據(jù)， 選定適當?shù)念A處理方法后用PLS 計算程序在Windows2000 下進行運算。 實驗結果表明：啤酒酒精度（V%）的最大絕對偏差僅為0.05，平均絕對偏差只有0.012，最大相對偏差1.20%，平均相對偏差只有0.25%,其預測模型對酒精、原麥汁和總酸的預測結果是滿意的。

3 基于氣相色譜法的啤酒酒精度的快速測定[4]

原理：試樣進入氣相色譜儀中的色譜柱時，由于在氣固兩相中吸附系數(shù)不同，而使乙醇與其他組分得以分離，利用氫火焰離子化檢測器進行檢測，與標樣對照，根據(jù)保留時間定性，利用內標法定量。

采用All 級乙醇和AR 級異丙醇試劑，色譜柱長2m，內徑3mm 的玻璃柱， 柱材料為chlomosorb GDX—102 60-80 目用泵抽法裝柱,于240℃通氮老化24 小時，所用的色譜條件為：柱溫200℃，汽化室與檢測器240%，載氣為N2 流量為40ml／min，空氣0.5kg/cm2，氫氣0.5kg/cm2。 采用超級恒溫水浴， 稱取經(jīng)雙層中速濾紙過濾脫氣的啤酒，于10ml 容量瓶中，準確添加正丙醇(內標)0.5ml，混勻后即可供進樣。

實驗結果表明，采用氣相色譜法測定啤酒酒精度含量操作方法簡單，準確度高，消除了比重瓶法蒸餾、恒溫等操作過程帶來的誤差；分析時間短，并且操作過程基本不受溫度影響。

4 正交信號校正(OSC)方法在啤酒酒精度近紅外光譜分析中的應用[5]

從市場上收集包括“錢江”、“雪花”、“金威”、“燕京”、“青島”等多種品牌的啤酒，酒精的含量范圍為2.033%vol-4.859%vol,對原始光譜分別進行一階導數(shù)、二階導數(shù)、正交信號校正(OSC)等預處理方法后，用偏最小二乘法(PLS)建立了啤酒酒精度校正模型，然后用所建模型對預測集進行預測。

S.Woldr 等人第一次提出了OSC 方法的思想，其具體算法如下：

①將原始定標集光譜陣X(nxm)和濃度陣Y(nxl)進行均值化、中心化或標準化處理(n 為定標集樣品數(shù)，m 為波長點數(shù),下同)；

②計算光譜陣X 的第一主成分得分向量t；

③將t 對Y，作正交處理，tnew=(I-y(y’y)-1y’)t；

④計算權重向量w,w 為X 與tnew進行PLS 或PCR 運算得到的回歸系數(shù)：

⑤計算新的t，t=Xw：

結果表明，光譜經(jīng)OSC 方法預處理后，啤酒模型主因子數(shù)僅為2，而模型的預測能力卻并沒有減弱反而得到加強。 說明OSC 算法確實有效濾除了與濃度陣正交而不相關的光譜信號， 減少了建模的因子數(shù)，達到了簡化模型及提高模型預測能力和穩(wěn)健性的目的。

5 非蒸餾法測定啤酒的酒精度和原麥汁濃度[6-8]

在綜合分析幾種啤酒快速分析儀的工作原理后，設計歸納了一套相對快速、不經(jīng)蒸餾的測定啤酒酒精度和原麥汁濃度的方法(簡稱非蒸餾法)。 第一步，將預先在冰箱中掙至10-15℃的啤酒，啟蓋后，經(jīng)決速單層濾紙過濾至200 向容量瓶中， 收集啤酒過濾原液約150ml 即可。第二步，用已知質量的蒸發(fā)皿稱取啤酒過濾原液100.0g，于沸水浴上蒸發(fā)至原體積的1／3，取下冷卻，加水恢復至原質量.混勻后得到啤酒真濃液，第三步，用DMA58 數(shù)字密度儀（奧地利Anton parr 生產(chǎn))或比重瓶法分別按ASBC 標準和GB4928—9l 標準測定啤酒過濾原液和啤酒真濃液的密度或比重。 第四步，在普通計算機上運行設計開發(fā)的軟件程序，分別輸入啤酒過濾原液和啤酒真濃液的比重，計算機程序給出啤酒樣的酒精度。

非蒸餾法克服了蒸餾操作單個蒸餾慢的缺點，可同時連續(xù)操作多個啤酒樣。 測定結果更為準確可靠。 最后用計算機運行軟件程序代替了人工查表計算，從而較快提高了操作效率。

6 結束語

本文以啤酒酒精度的快速測定為研究對象，綜述了基于BP 神經(jīng)網(wǎng)絡與PCA、氣相色譜法、非蒸餾法、正交信號校正(OSC)法的酒精度的測定，并指出了各自建立的模型的結果。 結果表明：使用BP 神經(jīng)網(wǎng)絡后，能夠減少光譜中隨機誤差等非線性因素的影響，提高模型預測能力和穩(wěn)健性；GA 算法不僅能夠減少建模波長個數(shù)，簡化模型，而且能夠有效地提高預測精度，這些對進一步研究啤酒酒精度測定方法的發(fā)展有很大的參考價值。

［1］白英奎，盂憲江.利用神經(jīng)網(wǎng)絡提高偏最小二乘法的MR 多組分分析精度[J].光譜學與光譜分析，2005，253：381-383.

［2］林敏，呂進.基于神經(jīng)網(wǎng)絡與近紅外光譜的玉米成分檢測方法[J].紅外技術,2004，26(3)：8-81.

［3］李代禧,吳智勇,徐端鈞,等.啤酒主要成分的近紅外光譜法測定[J].分析化學研究簡報，2004,8:1070-1073.

［4］張叢文.一種快速測定啤酒酒精含量的方法:氣相色譜法[J].計量與測試技術，2005,32,7:46-48.

［5］馮尚坤，徐海菊.正交信號校正方法在啤酒酒精度近紅外光譜分析中的應用[J].釀酒科技，2008,2:119-121.

［6］陸婉珍,袁洪福,徐廣通,等.現(xiàn)代近紅外光譜分析技術[M].北京:中國石化出版社,2000.

［7］程勁松，田松.非蒸餾法測定啤酒的酒精度和原麥汁濃度[J].釀酒科技,2000,3:70-73

［8］李曉華，王霓.啤酒酒精度測定方法研究[J].中國釀造，2013,32:152-155.

［9］Inan Guler, Elif Derya ECG. Beat Classifier Designed by Combined Neural Network Model[J].Rattern Recognition，2005,38：199-298.

［10］Philos.W.H.Infrared spectrometry[J].Clinical Chemistry,1999,45:1651-1658.