劉明坤，韓奇穎，閆長(zhǎng)杰，宣麗君，左 翔，于榮榮，鄭 蓉，焦祥啟，李 濤

（1.山東蘭陵美酒股份有限公司，山東 臨沂 277700；2.臨沂市環(huán)保局，山東 臨沂 277700；3.山東省魯輕食品有限公司，山東 濟(jì)南 250000）

蘭陵濃香型白酒是采用五糧原料，使用“雙輪底”混蒸混燒工藝發(fā)酵而成。在生產(chǎn)發(fā)酵過(guò)程中，原料需要進(jìn)行多次發(fā)酵，每個(gè)排次出入池酒醅中常規(guī)成分如水分、酸度、淀粉等指標(biāo)的變化對(duì)酒質(zhì)的好壞有著關(guān)鍵影響。但是傳統(tǒng)的酒醅樣品常規(guī)指標(biāo)分析不僅過(guò)程繁瑣、消耗藥品試劑量大，整個(gè)分析過(guò)程還會(huì)消耗較長(zhǎng)的時(shí)間，造成檢測(cè)結(jié)果滯后，無(wú)法滿足現(xiàn)代釀酒工藝控制的檢測(cè)需求。亟需一種快速、簡(jiǎn)便的檢測(cè)方法來(lái)提高酒醅常規(guī)指標(biāo)分析的檢測(cè)效率。

近紅外光譜分析技術(shù)具有簡(jiǎn)單快速、不破壞樣品、不消耗試劑、無(wú)污染等優(yōu)勢(shì)。目前，近紅外光譜分析技術(shù)在水果分選、糧油食品加工、煙草、制藥以及石油化工等行業(yè)也有著十分廣泛的應(yīng)用。近紅外光譜分析技術(shù)在白酒酒醅檢測(cè)方面也有應(yīng)用，但大多以某排次或分輪次進(jìn)行建模分析，模型維護(hù)較為繁瑣。

本研究以蘭陵濃香型白酒的發(fā)酵酒醅為研究對(duì)象，使用蘭陵濃香型白酒整個(gè)發(fā)酵全過(guò)程共四個(gè)排次的酒醅樣品，通過(guò)人工檢測(cè)結(jié)果與近紅外光譜建模技術(shù)相結(jié)合，建立出、入池酒醅常規(guī)指標(biāo)的全局定量分析模型，實(shí)現(xiàn)濃香型白酒酒醅質(zhì)量的快速檢測(cè)，為提高酒醅分析檢測(cè)效率、降低模型維護(hù)和分析成本奠定基礎(chǔ)。

1 材料與方法

1.1 材料、儀器

酒醅樣品：本實(shí)驗(yàn)所用樣品為蘭陵美酒股份有限公司釀造車間的出池酒醅和入池酒醅，在整個(gè)釀造過(guò)程（共4 排）中共收集600 個(gè)樣品，每排樣品數(shù)量為130～180 個(gè)。為保證建模集的代表性，采用K-Stone 方法選擇其中500 個(gè)作為建模集樣品進(jìn)行建模，剩余的100個(gè)樣品做驗(yàn)證集。

儀器設(shè)備：IAS-3120 近紅外光譜儀，無(wú)錫迅杰光遠(yuǎn)科技有限公司；ME3002E 電子天平（梅特勒-托利多），DHG-9070A 電熱恒溫干燥箱，上海申賢恒溫設(shè)備廠；恒溫水浴鍋，酒度計(jì)，溫度計(jì)。

1.2 實(shí)驗(yàn)方法

1.2.1 樣品的化學(xué)測(cè)定值分析方法

酒醅常規(guī)指標(biāo)（水分、淀粉、酸度、酒精度）的分析采用DB34/T 2264 固態(tài)發(fā)酵酒醅分析方法進(jìn)行測(cè)定。

1.2.2 光譜采集

近紅外光譜儀參數(shù)：波長(zhǎng)范圍為1000～1600 nm，光譜分辨率為12 nm。

由于酒醅是多種原糧、稻殼、酒曲的發(fā)酵后混合體，均勻性較差，因此在測(cè)量過(guò)程中需要采用多次平均的方式來(lái)降低由于樣品均勻性不佳造成的檢測(cè)結(jié)果重現(xiàn)性較差的問(wèn)題。因此，采用旋轉(zhuǎn)樣品杯采集酒醅樣品的近紅外光譜，光譜掃描次數(shù)為120次，同時(shí)每個(gè)樣品需要重裝2次取平均。

2 結(jié)果與分析

2.1 入池酒醅建模分析

酒醅樣品的光譜由于受到固體顆粒散射的影響，存在一定的基線漂移（如圖1 所示）。為降低這些因素對(duì)建模的影響，建模前需要對(duì)光譜進(jìn)行預(yù)處理。本實(shí)驗(yàn)采用的光譜預(yù)處理方法為移動(dòng)窗口平滑（窗口大小為5）和標(biāo)準(zhǔn)變量變換（SNV）。

圖1 入池酒醅近紅外光譜

采用偏最小二乘（PLS）分別建立入池酒醅樣品的水分、淀粉、酸度近紅外光譜定量分析模型，得到的結(jié)果和誤差分布如表1和圖2所示。

表1 入池酒醅定量分析模型結(jié)果

圖2 入池酒醅模型建模結(jié)果

由上述建模結(jié)果可知，入池酒醅的3 個(gè)指標(biāo)模型均有較好的建模效果，水分、淀粉、酸度模型的預(yù)測(cè)偏差分別為±1.1 %、±1.4 %、±0.25°，都在可接受范圍內(nèi)。為進(jìn)一步驗(yàn)證模型的預(yù)測(cè)效果，我們用所建立的模型分別對(duì)100 個(gè)預(yù)測(cè)樣品進(jìn)行預(yù)測(cè)，結(jié)果如圖3所示。

圖3 入池酒醅模型預(yù)測(cè)集預(yù)測(cè)結(jié)果

由圖3 可知，入池酒醅的3 個(gè)指標(biāo)模型對(duì)100個(gè)預(yù)測(cè)樣品的預(yù)測(cè)效果與建模結(jié)果相當(dāng)，水分、淀粉、酸度模型的相對(duì)預(yù)測(cè)標(biāo)準(zhǔn)偏差（Root Mean Square of Prediction,RMSEP）和預(yù)測(cè)偏差分別為0.60 %、0.70 %、0.11°和±1.2 %、±1.5 %，±0.25°，均能滿足客戶對(duì)入池酒醅檢測(cè)的精度要求，模型可以投入實(shí)際使用。

2.2 出池酒醅建模分析

500 個(gè)出池酒醅樣品的近紅外光譜如圖4 所示。與入池酒醅樣品相同，出池酒醅在建模前也采用移動(dòng)窗口平滑（窗口大小為5）和標(biāo)準(zhǔn)變量變換（SNV）的方法進(jìn)行光譜預(yù)處理。

圖4 出池酒醅近紅外光譜

采用偏最小二乘（PLS）分別建立出池酒醅樣品的水分、淀粉、酸度、酒精度近紅外光譜定量分析模型，得到的結(jié)果如表2和圖5所示。

圖5 出池酒醅模型建模結(jié)果

表2 出池酒醅定量分析模型結(jié)果

由上述建模結(jié)果可知，入池酒醅的3 個(gè)指標(biāo)模型建模效果良好，水分、淀粉、酸度、酒精度模型的預(yù)測(cè)偏差分別為±1.0%、±1.6%、±0.4°和±0.5%vol，都在可接受范圍內(nèi)。為進(jìn)一步驗(yàn)證模型的預(yù)測(cè)效果，我們用所建立的模型分別對(duì)100 個(gè)預(yù)測(cè)樣品進(jìn)行預(yù)測(cè)，結(jié)果如圖6所示。

圖6 出池酒醅模型預(yù)測(cè)集預(yù)測(cè)結(jié)果

由圖6 可知，出池酒醅的4 個(gè)指標(biāo)模型對(duì)100個(gè)預(yù)測(cè)樣品的預(yù)測(cè)效果與建模結(jié)果相當(dāng)，水分、淀粉、酸度、酒精度模型的RMSEP 值和預(yù)測(cè)偏差分布分別為0.50%、0.72%、0.20°、0.23%vol和±1.1%、±1.6 %、±0.4°、±0.5 %vol，均能滿足客戶對(duì)出池酒醅檢測(cè)的精度要求，模型可以投入實(shí)際使用。

3 結(jié)論

由上述實(shí)驗(yàn)結(jié)果可知，采用近紅外光譜分析法對(duì)酒醅進(jìn)行檢測(cè)具有良好的可行性。其中，入池酒醅水分、淀粉、酸度模型對(duì)100個(gè)預(yù)測(cè)集樣品的預(yù)測(cè)誤差分別為±1.2%、±1.5%和±0.25°；出池酒醅水分、淀粉、酸度和酒精度模型對(duì)100 個(gè)預(yù)測(cè)集樣品的預(yù)測(cè)誤差分別為±1.1%、±1.6%、±0.4°和±0.5%vol，均能滿足使用時(shí)對(duì)分析精度的要求。同時(shí)，建模過(guò)程中采用全發(fā)酵過(guò)程樣品整體建模，避免了模型維護(hù)時(shí)需要按排次進(jìn)行維護(hù)的情況，大大降低了用戶模型維護(hù)的成本。

這一結(jié)果表明，采用近紅外光譜分析技術(shù)對(duì)酒醅進(jìn)行檢測(cè)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)。