近红外光谱在兰陵浓香型白酒发酵酒醅检测中的应用研究

刘明坤，韩奇颖，闫长杰，宣丽君，左 翔，于荣荣，郑 蓉，焦祥启，李 涛

（1.山东兰陵美酒股份有限公司，山东 临沂 277700；2.临沂市环保局，山东 临沂 277700；3.山东省鲁轻食品有限公司，山东 济南 250000）

兰陵浓香型白酒是采用五粮原料，使用“双轮底”混蒸混烧工艺发酵而成。在生产发酵过程中，原料需要进行多次发酵，每个排次出入池酒醅中常规成分如水分、酸度、淀粉等指标的变化对酒质的好坏有着关键影响。但是传统的酒醅样品常规指标分析不仅过程繁琐、消耗药品试剂量大，整个分析过程还会消耗较长的时间，造成检测结果滞后，无法满足现代酿酒工艺控制的检测需求。亟需一种快速、简便的检测方法来提高酒醅常规指标分析的检测效率。

近红外光谱分析技术具有简单快速、不破坏样品、不消耗试剂、无污染等优势。目前，近红外光谱分析技术在水果分选、粮油食品加工、烟草、制药以及石油化工等行业也有着十分广泛的应用。近红外光谱分析技术在白酒酒醅检测方面也有应用，但大多以某排次或分轮次进行建模分析，模型维护较为繁琐。

本研究以兰陵浓香型白酒的发酵酒醅为研究对象，使用兰陵浓香型白酒整个发酵全过程共四个排次的酒醅样品，通过人工检测结果与近红外光谱建模技术相结合，建立出、入池酒醅常规指标的全局定量分析模型，实现浓香型白酒酒醅质量的快速检测，为提高酒醅分析检测效率、降低模型维护和分析成本奠定基础。

1 材料与方法

1.1 材料、仪器

酒醅样品：本实验所用样品为兰陵美酒股份有限公司酿造车间的出池酒醅和入池酒醅，在整个酿造过程（共4 排）中共收集600 个样品，每排样品数量为130～180 个。为保证建模集的代表性，采用K-Stone 方法选择其中500 个作为建模集样品进行建模，剩余的100个样品做验证集。

仪器设备：IAS-3120 近红外光谱仪，无锡迅杰光远科技有限公司；ME3002E 电子天平（梅特勒-托利多），DHG-9070A 电热恒温干燥箱，上海申贤恒温设备厂；恒温水浴锅，酒度计，温度计。

1.2 实验方法

1.2.1 样品的化学测定值分析方法

酒醅常规指标（水分、淀粉、酸度、酒精度）的分析采用DB34/T 2264 固态发酵酒醅分析方法进行测定。

1.2.2 光谱采集

近红外光谱仪参数：波长范围为1000～1600 nm，光谱分辨率为12 nm。

由于酒醅是多种原粮、稻壳、酒曲的发酵后混合体，均匀性较差，因此在测量过程中需要采用多次平均的方式来降低由于样品均匀性不佳造成的检测结果重现性较差的问题。因此，采用旋转样品杯采集酒醅样品的近红外光谱，光谱扫描次数为120次，同时每个样品需要重装2次取平均。

2 结果与分析

2.1 入池酒醅建模分析

酒醅样品的光谱由于受到固体颗粒散射的影响，存在一定的基线漂移（如图1 所示）。为降低这些因素对建模的影响，建模前需要对光谱进行预处理。本实验采用的光谱预处理方法为移动窗口平滑（窗口大小为5）和标准变量变换（SNV）。

图1 入池酒醅近红外光谱

采用偏最小二乘（PLS）分别建立入池酒醅样品的水分、淀粉、酸度近红外光谱定量分析模型，得到的结果和误差分布如表1和图2所示。

表1 入池酒醅定量分析模型结果

图2 入池酒醅模型建模结果

由上述建模结果可知，入池酒醅的3 个指标模型均有较好的建模效果，水分、淀粉、酸度模型的预测偏差分别为±1.1 %、±1.4 %、±0.25°，都在可接受范围内。为进一步验证模型的预测效果，我们用所建立的模型分别对100 个预测样品进行预测，结果如图3所示。

图3 入池酒醅模型预测集预测结果

由图3 可知，入池酒醅的3 个指标模型对100个预测样品的预测效果与建模结果相当，水分、淀粉、酸度模型的相对预测标准偏差（Root Mean Square of Prediction,RMSEP）和预测偏差分别为0.60 %、0.70 %、0.11°和±1.2 %、±1.5 %，±0.25°，均能满足客户对入池酒醅检测的精度要求，模型可以投入实际使用。

2.2 出池酒醅建模分析

500 个出池酒醅样品的近红外光谱如图4 所示。与入池酒醅样品相同，出池酒醅在建模前也采用移动窗口平滑（窗口大小为5）和标准变量变换（SNV）的方法进行光谱预处理。

图4 出池酒醅近红外光谱

采用偏最小二乘（PLS）分别建立出池酒醅样品的水分、淀粉、酸度、酒精度近红外光谱定量分析模型，得到的结果如表2和图5所示。

图5 出池酒醅模型建模结果

表2 出池酒醅定量分析模型结果

由上述建模结果可知，入池酒醅的3 个指标模型建模效果良好，水分、淀粉、酸度、酒精度模型的预测偏差分别为±1.0%、±1.6%、±0.4°和±0.5%vol，都在可接受范围内。为进一步验证模型的预测效果，我们用所建立的模型分别对100 个预测样品进行预测，结果如图6所示。

图6 出池酒醅模型预测集预测结果

由图6 可知，出池酒醅的4 个指标模型对100个预测样品的预测效果与建模结果相当，水分、淀粉、酸度、酒精度模型的RMSEP 值和预测偏差分布分别为0.50%、0.72%、0.20°、0.23%vol和±1.1%、±1.6 %、±0.4°、±0.5 %vol，均能满足客户对出池酒醅检测的精度要求，模型可以投入实际使用。

3 结论

由上述实验结果可知，采用近红外光谱分析法对酒醅进行检测具有良好的可行性。其中，入池酒醅水分、淀粉、酸度模型对100个预测集样品的预测误差分别为±1.2%、±1.5%和±0.25°；出池酒醅水分、淀粉、酸度和酒精度模型对100 个预测集样品的预测误差分别为±1.1%、±1.6%、±0.4°和±0.5%vol，均能满足使用时对分析精度的要求。同时，建模过程中采用全发酵过程样品整体建模，避免了模型维护时需要按排次进行维护的情况，大大降低了用户模型维护的成本。

这一结果表明，采用近红外光谱分析技术对酒醅进行检测后，企业能够省去大量传统分析方法的繁琐操作和试剂消耗，能大大降低分析时间和人力成本，使得分析工作效率显著提高，为企业“降本增效”奠定了基础。