宋 艷，楊 洋，張學(xué)平，許 馳，王 毓，蔡 亮*，李子文

（1.瀘州老窖股份有限公司，四川 瀘州 646000；2.中國食品發(fā)酵工業(yè)研究院有限公司，北京 100015）

白酒作為我國特有的酒種，種類繁多，根據(jù)香型的不同，可分為濃香型、清香型、醬香型、米香型等十二大香型[1-2]。而濃香型白酒因具有窖香濃郁、綿甜爽洌、尾凈味長的特色風(fēng)味，深受我國消費者的青睞[3-4]。其中，濃香型白酒基酒是指白酒酒醅在濃香型獨有的泥窖池中充分發(fā)酵再經(jīng)過蒸餾摘酒工藝后得到的基礎(chǔ)酒，經(jīng)過入庫存儲及陳釀勾調(diào)后即可得到濃香型成品白酒[5-6]。因此，基酒的質(zhì)量與成品白酒的品質(zhì)直接相關(guān)，各酒廠對于基酒關(guān)鍵品質(zhì)指標(biāo)的把控也極為嚴格[7]。對于濃香型白酒來說，酯類是其酒體中含量最多的芳香成分，約占風(fēng)味成分總量的60%左右[8]。其中己酸乙酯是構(gòu)成濃香型白酒主體香味的主要物質(zhì)，而乳酸乙酯及乙酸乙酯也對酒體的風(fēng)味協(xié)調(diào)起著不可忽視的作用，尤其在當(dāng)下濃香型白酒生產(chǎn)中乳酸乙酯及乙酸乙酯含量偏高的問題已在行業(yè)內(nèi)備受關(guān)注[9-10]。目前，傳統(tǒng)國標(biāo)方法規(guī)定這兩項指標(biāo)的分析方法為色譜法，檢測流程復(fù)雜同時耗費時間長，行業(yè)中需要一種快速、準(zhǔn)確的檢測方法，以便于即時得到分析結(jié)果，對基酒的品質(zhì)進行把控，從而對基酒入庫等生產(chǎn)環(huán)節(jié)進行指導(dǎo)及調(diào)整。

近年來，近紅外及中紅外光譜分析技術(shù)因具有分析速度快、操作簡便、不消耗化學(xué)試劑，能夠?qū)崿F(xiàn)大批量樣品快速檢測的優(yōu)勢，在白酒行業(yè)中得到了廣泛的應(yīng)用[11]。有較多的白酒企業(yè)已成功將近紅外光譜分析技術(shù)應(yīng)用于酒醅關(guān)鍵成分的快速檢測，同時也有較多學(xué)者針對近紅外光譜分析技術(shù)在白酒領(lǐng)域的應(yīng)用進行了相關(guān)研究[12-16]。然而，由于近紅外光譜分析技術(shù)對含量較低的成分進行分析時存在誤差偏大的問題，使其在白酒基酒風(fēng)味成分的分析方面存在困難。而中紅外區(qū)域為有機物的基頻吸收區(qū)域，具有比近紅外區(qū)域倍頻及組合頻吸收強數(shù)十倍的特點，在對白酒液體樣品進行分析時可能存在優(yōu)勢。然而，目前關(guān)于中紅外光譜技術(shù)在液體白酒關(guān)鍵指標(biāo)分析方面的研究較少，基本集中在構(gòu)建酒精度、總酯等相對含量較高的指標(biāo)方面，同時未對模型的構(gòu)建及優(yōu)化進行深入的分析[17-18]。此外，考慮到采用全譜區(qū)建立模型時可能會引入噪聲以及其他無關(guān)信息的干擾，嚴重影響模型的準(zhǔn)確性及穩(wěn)定性，因此，對特征建模變量進行優(yōu)化篩選就顯得尤為重要，特征變量篩選已成為數(shù)據(jù)分析、模型建立的重要方法[19]。

為獲得更好的模型效果，本研究采用中紅外光譜分析技術(shù)結(jié)合競爭性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）對濃香型白酒基酒中的乳酸乙酯及乙酸乙酯的特征波長變量進行篩選后，建立濃香型白酒基酒中乳酸乙酯及乙酸乙酯的偏最小二乘（partial least squares，PLS）模型，并對其進行驗證。以期為白酒基酒乳酸乙酯及乙酸乙酯的快速分析及模型構(gòu)建提供一定參考，為白酒行業(yè)在釀造過程基酒品質(zhì)快速監(jiān)控方面提供新的方法。

1 材料與方法

1.1 材料與試劑

522個濃香型白酒基酒樣品：由瀘州老窖釀酒有限責(zé)任公司提供。

乙酸乙酯、乳酸乙酯、乙酸正戊酯、乙酸正丁酯：美國Sigma公司；無水乙醇：國藥集團化學(xué)試劑有限公司。以上試劑均為色譜純。

1.2 儀器與設(shè)備

Lacto-Scope FT-B傅里葉變換紅外光譜儀：珀金埃爾默股份有限公司；儀器光源為黑體空腔光源；檢測器類別為DTGS；配有36微米直徑透射樣品室；利用配套軟件Result Plus采集基酒樣品的紅外光譜信息。GC-7890B氣相色譜儀：安捷倫科技有限公司。

1.3 方法

1.3.1 白酒基酒樣品的紅外光譜的采集

采用透射方式采集白酒基酒樣品的紅外光譜。中紅外光譜的掃描條件：為保證光譜采集的準(zhǔn)確及穩(wěn)定性，待紅外光譜儀開機預(yù)熱30 min后對設(shè)備管路進行清洗，同時進行設(shè)備調(diào)零工作。光譜掃描時儀器分辨率為8 cm-1，光譜范圍為波數(shù)4000～397cm-1，掃描次數(shù)為32次，每個樣品設(shè)置自動進樣重復(fù)掃描3次，取3次平均值作為該樣品的最終光譜數(shù)值。

1.3.2 校正集與驗證集的劃分

在對樣品數(shù)據(jù)進行篩選后，對3個異常樣品進行了剔除，同時隨機保留60個樣品作為獨立預(yù)測集，以驗證最終模型的預(yù)測準(zhǔn)確性。在此基礎(chǔ)上采用Kennard-Stone（K-S）法[20]通過樣品之間的馬氏距離對剩余參與建模的459個基酒樣品以2∶1的比例進行校正集及驗證集劃分，以保證校正集樣品的代表性。

1.3.3 模型的建立與評價

本研究采用偏最小二乘（PLS）法建立基酒中乙酸乙酯及乳酸乙酯指標(biāo)的定標(biāo)模型。定標(biāo)模型的準(zhǔn)確度與穩(wěn)定性通過決定系數(shù)R2、預(yù)測均方根誤差（root mean square error of prediction，RMSEP）及相對分析誤差（relative percent deviation，RPD）來評價。R2越接近1，RMSEP越接近0，RPD越大，表明模型分辨能力越高、效果越好[21]。

1.3.4 建模譜區(qū)的特征波長選擇

本研究采用CARS法對基酒中紅外光譜乙酸乙酯及乳酸乙酯指標(biāo)的特征波長進行選擇。CARS算法是以蒙特卡洛取樣及偏最小二乘回歸系數(shù)為基本原則的特征波長提取算法，其通過自適應(yīng)重加權(quán)取樣和指數(shù)衰減函數(shù)對偏最小二乘模型中回歸系數(shù)絕對值大的波長點進行選擇，同時排除權(quán)重小的變量點，如此循環(huán)對變量逐步剔除，最后選擇交叉驗證均方根誤差（root mean square error of cross validation，RMSECV）值最小的偏最小二乘模型所對應(yīng)的波長點，即為最優(yōu)變量組合[22-23]。

1.3.5 分析檢測

乙酸乙酯及乳酸乙酯含量：根據(jù)GB/T 10345—2007《白酒分析方法》，采用氣相色譜法進行分析測定。

1.3.6 數(shù)據(jù)處理與分析

偏最小二乘模型運算及構(gòu)建采用UnscramblerX10.3光譜分析軟件進行實現(xiàn)，CARS算法程序在Matlab（2018a）環(huán)境下運行進行模型特征變量優(yōu)化工作。

2 結(jié)果與分析

2.1 白酒基酒的中紅外光譜圖

白酒基酒的中紅外光譜圖如圖1所示，因白酒中的主要成分為水及乙醇，約占總量的98%左右，因此在白酒樣品的紅外光譜中，水及乙醇體現(xiàn)出非常強的吸收，本研究在選擇波段建立乙酸乙酯及乳酸乙酯預(yù)測模型時，要避開水及乙醇的干擾。其中液態(tài)水分子以氫鍵H-O…H締合存在，在紅外譜區(qū)內(nèi)呈現(xiàn)較寬的吸收譜帶，如以波數(shù)3 400 cm-1處為主峰的寬吸收帶中包含的水分子對稱及反對稱伸縮振動，以及變角振動的一級倍頻峰。此外水分子的變角振動也存在于波數(shù)1 645 cm-1處的寬吸收譜帶位置，搖擺振動吸收譜帶則是位于以波數(shù)700 cm-1左右為主峰的寬吸收帶處。對于乙醇分子而言，在波數(shù)3 400～3 330 cm-1范圍存在醇羥基O-H伸縮振動的強吸收譜帶以及在波數(shù)1 050～1 090 cm-1處飽和醇中C-O鍵的伸縮振動[24]。由圖1亦可知，白酒基酒樣品在中紅外光譜區(qū)范圍的圖譜高度相似，在上述水及乙醇的特征吸收區(qū)域附近均有較為明顯的強吸收噪聲，分別為波數(shù)400～918 cm-1、1 041～1 095 cm-1、1 616～1 678 cm-1及3 050～3 600 cm-1，因此在構(gòu)建模型時，應(yīng)排除上述區(qū)域，避免噪聲對于模型的干擾。

圖1 白酒基酒樣品的中紅外光譜圖Fig.1 Mid-infrared spectra of Baijiu base liquor samples

2.2 校正集與驗證集的劃分結(jié)果

校正集、驗證集樣品數(shù)量及乙酸乙酯、乳酸乙酯含量統(tǒng)計結(jié)果見表1。由表1可知，經(jīng)k-s法進行選擇后，分別得到校正集、驗證集樣品306、153個，兩項指標(biāo)校正集樣品范圍均包含驗證集樣品范圍，充分體現(xiàn)了校正集樣品的代表性。

表1 兩指標(biāo)的校正集與驗證集統(tǒng)計結(jié)果Table 1 Statistical results of calibration set and validation set of two indexes

2.2 偏最小二乘法模型建立

在剔除上述明顯的噪聲區(qū)域后，采用剩余光譜波段對白酒基酒乙酸乙酯及乳酸乙酯兩項指標(biāo)建立PLS預(yù)測模型，采用校正集建立模型，驗證集進行模型評價，PLS模型及性能分析結(jié)果見表2。

表2 白酒基酒兩項指標(biāo)的偏最小二乘法模型及性能分析結(jié)果Table 2 PLS models and performance evaluation results of two indexes of Baijiu base liquor

由表2可知，剔除了明顯噪聲后，建立的模型效果較好，乙酸乙酯及乳酸乙酯模型的相關(guān)系數(shù)R2分別為0.945、0.959，RMSEP分別為37.08、8.32，RPD值分別為3.03、4.69。當(dāng)RPD值＞3時，建立的預(yù)測模型已可用于實際生產(chǎn)檢驗過程中。

2.3 特征波長的選擇

為嘗試取得更好的模型預(yù)測效果，同時進一步排除無用信息對于模型的影響，本實驗采用CARS算法分別對乙酸乙酯及乳酸乙酯兩個指標(biāo)的特征波長變量進行篩選，對兩項指標(biāo)進行特征波長變量選擇的篩選結(jié)果見圖2，三張曲線圖相互關(guān)聯(lián)，最上方的曲線圖展示了建模變量數(shù)隨著蒙特卡洛運行次數(shù)的增加而逐步減少的過程；中間的曲線圖展示了隨建模變量的逐漸優(yōu)化減少，所建PLS模型的交互驗證均方差（RMSECV）值先減少后增加的變化趨勢；下方曲線圖展示了每個波長變量回歸系數(shù)的變化，其中豎條“*”標(biāo)志代表RMSECV值最低點，對應(yīng)最上方即為選擇的特征建模變量[25]。分別在所得RMSECV值最小為13.12及4.78時，乙酸乙酯及乳酸乙酯指標(biāo)分別對應(yīng)選擇了15、12個波長變量，占全光譜的1.6%及1.3%。

圖2 競爭性自適應(yīng)重加權(quán)算法變量篩選結(jié)果Fig.2 Variable selection results of CARS

2.4 基于特征波長的偏最小二乘模型建立與評價

基于CARS算法對于篩選出的乙酸乙酯及乳酸乙酯指標(biāo)的特征波長，分別對兩項指標(biāo)建立CARS-PLS預(yù)測模型，并與上述建立的剔除明顯噪聲區(qū)域的全光譜模型進行比較，不同PLS模型及性能評價結(jié)果見表3。

表3 白酒基酒兩項指標(biāo)的不同偏最小二乘法模型及性能評價結(jié)果Table 3 Different PLS models and performance evaluation results of two indexes of Baijiu base liquor

由表3可知，選用CARS算法優(yōu)選特征變量，并基于此建立的預(yù)測模型效果均有明顯提升，乙酸乙酯及乳酸乙酯預(yù)測模型的相關(guān)系數(shù)R2分別從0.945、0.959提升為0.995、0.989，預(yù)測均方根誤差（RMSEP）分別由37.08、8.32降低至12.80及4.54，僅為原模型的34.5%及54.6%，同時RPD值分別由3.03、4.69提升至8.78及8.60，均＞8，代表兩項指標(biāo)CARS-PLS模型的預(yù)測準(zhǔn)確性較高[26]。與此同時，建模變量數(shù)有極大程度地減少，也相應(yīng)減少了模型的最佳主成分數(shù)，有效地降低了模型的復(fù)雜程度，提高了模型的預(yù)測穩(wěn)定性，充分說明了采用特征變量選擇方法進行建模波長優(yōu)化對于中紅外定量模型構(gòu)建的可操作性及重要性。

乙酸乙酯及乳酸乙酯兩項指標(biāo)經(jīng)過CARS算法優(yōu)選的建模變量在白酒基酒中紅外譜區(qū)的分布位置見圖3，圖中五角星標(biāo)注的點位即為優(yōu)選出的特征建模變量，與酯類物質(zhì)C-O、C-H、C=O等主要基團的吸收峰位置相對應(yīng)。

圖3 競爭性自適應(yīng)重加權(quán)算法選擇的變量分布情況Fig.3 Distribution of variables selected by CARS

由圖3a可知，2 980 cm-1附近飽和C-H的特征吸收，1 242 cm-1附近分別與羰基及烷基相連的C-O伸縮振動吸收，圖3a及圖3b均出現(xiàn)1 740 cm-1附近飽和脂肪酸酯羰基C=O基團伸縮振動的強吸收等[24]，均表現(xiàn)出了基酒乙酸乙酯及乳酸乙酯指標(biāo)的特征吸收。

2.5 CARS-PLS模型驗證

將本研究預(yù)留的60個獨立預(yù)測集白酒基酒樣品光譜通過建立的CARS-PLS模型進行預(yù)測，并將模型預(yù)測值與理化真值繪制模型效果對比，結(jié)果見圖4。由圖4可知，代入乙酸乙酯及乳酸乙酯模型中的獨立預(yù)測基酒樣品數(shù)據(jù)點緊密貼近標(biāo)準(zhǔn)擬合線，同時經(jīng)過成對t檢驗計算，模型預(yù)測值與理化檢驗值間無顯著差異（P＞0.05）。乙酸乙酯及乳酸乙酯模型驗證數(shù)據(jù)相關(guān)系數(shù)R2分別為0.994及0.992，RMSEP分別為13.55及4.86，代表采用中紅外分析技術(shù)結(jié)合CARS特征變量提取建立的預(yù)測模型分析結(jié)果準(zhǔn)確。

圖4 競爭性自適應(yīng)重加權(quán)算法-偏最小二乘法模型預(yù)測效果Fig.4 Predicted effects of CARS-PLS models

3 結(jié)論

本研究采用中紅外光譜分析技術(shù)結(jié)合競爭性自適應(yīng)重加權(quán)變量算法（CARS）對濃香型白酒基酒的乙酸乙酯及乳酸乙酯進行了定量分析。結(jié)果表明，剔除明顯噪聲區(qū)域建立的PLS模型效果較好，已可初步用于實際生產(chǎn)對于乙酸乙酯及乳酸乙酯的快速監(jiān)控中，充分說明了中紅外光譜分析技術(shù)可用于液體白酒關(guān)鍵指標(biāo)的分析，尤其是一些白酒基酒中含量較低的風(fēng)味組分。而采用CARS算法建立的CARS-PLS模型效果更佳，乙酸乙酯及乳酸乙酯兩項指標(biāo)模型經(jīng)測試集獨立驗證均取得了較高的預(yù)測精度，表明了特征波長篩選對中紅外建模分析的重要性，在剔除無關(guān)信息的同時保留了指標(biāo)特征吸收波長，說明中紅外光譜分析技術(shù)結(jié)合特征變量篩選在白酒生產(chǎn)過程品質(zhì)控制中的巨大潛力，所建立的濃香型基酒重要風(fēng)味組分定量分析模型，具有準(zhǔn)確、穩(wěn)定的特點，為白酒品質(zhì)的快速分析方法開發(fā)提供技術(shù)借鑒。