高 暢，張宇飛，辛 穎，李艷敏，魏金旺，朱婷婷 *，李子文，孫海波

（1.北京順鑫農(nóng)業(yè)股份有限公司牛欄山酒廠，北京 101301；2.中國食品發(fā)酵工業(yè)研究院有限公司，北京 100015）

白酒是以淀粉質(zhì)原料或糖質(zhì)原料，加入糖化發(fā)酵劑，經(jīng)固態(tài)、半固態(tài)或液態(tài)發(fā)酵、蒸餾、貯存、勾兌而制成的蒸餾酒。發(fā)酵后的酒醅經(jīng)過蒸餾后得到基酒，基酒經(jīng)過存儲陳化處理后進行勾兌得到成品酒。不同酒廠成品酒勾兌的方法不同，但基酒組分分析是必不可少的，總酯作為基酒品質(zhì)的關(guān)鍵指標，用國家標準所規(guī)定的化學滴定法，存在操作過程復雜、工作量大，消耗大量化學試劑、耗時長以及對環(huán)境產(chǎn)生污染的缺點[1]，且對化驗人員的技術(shù)水平有一定要求，無法滿足基酒快速分析的需求。因此，為了滿足釀酒生產(chǎn)需要、降低實驗成本、保護環(huán)境，開發(fā)一種快速、精準、高效的分析技術(shù)來檢測釀酒生產(chǎn)中的關(guān)鍵性指標顯得尤為重要。

近紅外光譜（near-infrared spectroscopy，NIRS）法具有檢測快速、樣品無損耗、操作簡單、分析效率高，無需前處理且無污染，可同時對樣品的多項指標進行檢測等優(yōu)點[2-4]，已被廣泛應用于酒類行業(yè)中原料、半成品及成品酒質(zhì)量檢測中[5-7]。薛磊等[8]用近紅外光譜技術(shù)對黃酒風格進行判別。謝廣發(fā)等[9]建立了能夠同時定量分析黃酒中酒精度、總酸以及氨基酸態(tài)氮的校正模型。熊雅婷等[10]利用近紅外光譜技術(shù)對白酒酒醅主要成分進行定量分析，通過偏最小二乘法建立分析模型，實現(xiàn)對白酒酒醅主要成分的快速檢測。盧中明等[11]對白酒酒醅近紅外模型進行分析研究，酒醅中低含量組分測定時存在的數(shù)據(jù)差異進行了說明，并找到了影響數(shù)據(jù)準確性的因素。劉建學等[12-14]將基酒中酸類、醇類、醛類物質(zhì)含量用氣相色譜法與近紅外光譜進行關(guān)聯(lián)，建立了快速準確的檢測方法。買書魁等[15-16]應用近紅外光譜技術(shù)對高粱中直鏈淀粉和支鏈淀粉含量進行定量分析，通過建立模型能夠快速、準確地測定釀酒原料高粱中直鏈淀粉和支鏈淀粉含量；并且研究了近紅外光譜技術(shù)在白酒原酒中分析與應用。何超等[17]針對等級酒近紅外模型建立的可靠性上進行了初步探索。田育紅等[18]以近紅外光譜分析技術(shù)為基礎(chǔ)，采用偏最小二乘法（partial least squares，PLS）分別建立酒精度、總酸、總酯的定量檢測模型，為快速測定白酒中重要指標提供參考。以上研究均表明近紅外光譜分析技術(shù)可應用于白酒釀造生產(chǎn)中，但目前對于基酒品質(zhì)指標的近紅外分析研究仍較少，往往大部分只停留理論研究，未將深入優(yōu)化的模型應用于白酒實際釀造過程的分析檢測中。

針對白酒基酒中的重要品質(zhì)指標總酯含量進行快速分析研究，采用向后間隔偏最小二乘法（backward interval PLS，BiPLS）對基酒光譜的整個譜區(qū)進行波段篩選，探究光譜波段選擇對白酒總酯指標建模分析的影響，并結(jié)合偏最小二乘法（PLS）[19-20]構(gòu)建快速分析模型，為白酒基酒品質(zhì)的快速分析提供一定參考依據(jù)。

1 材料與方法

1.1 材料與試劑

基酒樣品（共743個，涵蓋不同季節(jié)、排次以一年為周期的基酒）：牛欄山酒廠釀酒生產(chǎn)車間。

氫氧化鈉（分析純）：國藥集團化學試劑有限公司；硫酸（分析純）：天津光復科技發(fā)展有限公司；酚酞：北京化工廠。

1.2 儀器與設備

N500傅里葉變換近紅外光譜儀（光源為鹵鎢燈，檢測器為溫控InGaAs，配有固體測量池及透反射蓋）：瑞士步琦有限公司。

1.3 實驗方法

1.3.1 總酯含量測定方法

基酒總酯含量根據(jù)國標GB/T 10345—2007《白酒分析方法》中的指示劑法測定。

1.3.2 近紅外光譜采集

將基酒樣品倒入配套的測量池中，壓上透反射蓋，從測量池底部檢查無氣泡。利用配套軟件NIRWare Operator采集白酒基酒樣品的近紅外光譜信息，光譜范圍為10 000～4 000 cm-1，分辨率為8 cm-1，掃描次數(shù)為32次。采用透反射方式掃描采集近紅外光譜，標準正態(tài)變量變換（standard normal variate transform，SNV）方法對光譜進行預處理。

1.3.3 校正集與驗證集的劃分

在剔除掉5個異常點的基礎(chǔ)上，以2∶1的比例對剩余738個基酒樣品進行校正集和驗證集劃分。本實驗采取Kennard-Stone（K-S）法[21]進行建模樣品劃分。最終分別選擇了校正集及驗證集樣本492個、246個。校正集與驗證集基酒樣品的總酯含量統(tǒng)計如表1所示。

表1 校正集與驗證集統(tǒng)計結(jié)果Table 1 Statistical results of calibration set and validation set

1.3.4 光譜變量選擇

本實驗擬采用后向間隔偏最小二乘法（BiPLS）[22]對全光譜1501個變量進行選擇，該方法的特點是將參與運算篩選的譜區(qū)劃分為一定數(shù)量的間隔（子區(qū)間），然后分別計算各子區(qū)間的交叉驗證均方差（root mean square error of cross validation，RMSECV）值，每次剔除最大值所對應的區(qū)間，在剩余區(qū)間上建立PLS模型并給出相應的RMSECV值，如此循環(huán)，直至剩下單一子區(qū)間建立PLS模型，在此一一排除過程中，各PLS模型RMSECV值最小時所對應的多個區(qū)間即為所優(yōu)化出的最佳建模組合區(qū)間。

1.3.5 數(shù)據(jù)處理與分析

BiPLS程序在MATLAB環(huán)境下運行，偏最小二乘計算應用UnscramblerX10.3光譜分析軟件（挪威CAMO公司）實現(xiàn)，模型的精確度與穩(wěn)定性通過決定系數(shù)R2、校正均方根誤差（RMSEC）、預測均方根誤差（RMSEP）來評價，R2越接近1，RMSEP越接近0，RMSEC與RMSEP越接近，表明模型效果越好[23-24]。

2 結(jié)果與分析

2.1 光譜波段優(yōu)選

在運用后向間隔偏最小二乘法（BiPLS）優(yōu)選譜曲波段時，如果間隔數(shù)量過少容易遺漏細節(jié)信息，過多時則會導致最后的結(jié)果過于復雜[25]。因此在考慮到區(qū)間分割數(shù)對選擇結(jié)果及模型的影響后，本研究將白酒基酒全光譜數(shù)據(jù)共1 501個波數(shù)點等分為k個子區(qū)間（k=10～40，間隔5），在每種分割情況下運行BiPLS程序，采用留一法來計算RMSECV值。如表2所示，當分割數(shù)為20時，BiPLS所得RMSECV值最小為0.177 1，入選子區(qū)間為[7，2]，所對應的信息區(qū)間分別是波數(shù)4 304～4 600 cm-1和5 804～6 100 cm-1，BiPLS共選擇了150個波長點，占全譜的10.0%。

表2 20個區(qū)間數(shù)的后向間隔偏最小二乘法優(yōu)化結(jié)果Table 2 BiPLS optimization results of 20 intervals

續(xù)表

2.2 偏最小二乘法分析模型的建立與評價

在上述波段篩選的基礎(chǔ)上，建立白酒基酒總酯含量指標的全光譜-PLS及BiPLS-PLS，定量分析模型，并通過對決定系數(shù)R2、校正標準偏差RMSEC和預測標準偏差RMSEP進行分析對比，從整體上來對模型效果進行評價，具體模型各指標效果見表3。

表3 基酒總酯指標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 total esters in base liquor

由表3可知，白酒基酒的總酯模型在使用全光譜進行建立時，效果并不理想，RMSEC與RMSEP值分別達到0.490及0.476，而決定系數(shù)（R2）僅有0.484，代表模型整體的相關(guān)線性效果并不理想，預測誤差較大，難以滿足基酒實際生產(chǎn)中的快速分析使用。而在經(jīng)BiPLS的系統(tǒng)篩選波段后，模型效果有了顯著的提升，決定系數(shù)R2提升至0.937，為全光譜建模時決定系數(shù)（R2）的194.6%，近乎成倍的增長提升，同時RMSEC及RMSEP值分別下降至0.172和0.177，分別為原先的35.1%及37.2%，代表模型的預測精度有了非常顯著的提升，變量數(shù)也從1 501個降低至150個，充分說明了波段篩選能夠有效地對白酒關(guān)鍵指標模型進行優(yōu)化，在保留關(guān)鍵波長信息的同時，降低了模型復雜程度，加快模型計算速度，顯著提升模型預測效果。

BiPLS方法篩選的變量在白酒基酒完整光譜中的分布情況見圖1。由圖1可知，白酒基酒的吸收全譜在波數(shù)為5 164 cm-1及6 884 cm-1處能夠看出明顯的吸收峰，這兩處是吸收峰分別是白酒中水分O-H伸縮和HOH彎曲的組合頻，以及O-H伸縮的一級倍頻吸收[26]，經(jīng)波段篩選后，并未選用以上兩組波數(shù)所在的譜段，有效避免了在使用全譜區(qū)建立模型時水分的強吸收對于總酯含量分析的干擾。圖1中紅色譜段為BiPLS方法篩選出的特征譜段，與C-H、C=O等主要官能團的基頻與組合頻振動吸收峰位置相對應，如波數(shù)4 504 cm-1處C-H伸縮振動和C=O伸縮振動的組合頻吸收，波數(shù)4 514 cm-1處C-H彎曲振動和羰基伸縮振動的組合頻吸收以及波數(shù)5 960 cm-1處羰基相連甲基的C-H吸收等[27]，體現(xiàn)出了白酒基酒樣品中總酯成分的特征吸收。

圖1 后向間隔偏最小二乘法選擇的變量分布情況Fig.1 Distribution diagram of variables selected by BiPLS

2.3 模型驗證

將優(yōu)化后的白酒總酯模型導入儀器，獲取實際生產(chǎn)中50個基酒樣品的光譜進行模型驗證并繪制模型對比圖見圖2。由圖2可知，白酒基酒樣品的總酯實測值與模型預測值點呈對角線分布，且經(jīng)成對t檢驗，各項指標預測值與實測值無明顯差異（P＞0.05）。經(jīng)驗證，驗證數(shù)據(jù)R2為0.939，RMSEP為0.176；說明模型預測結(jié)果較為準確。

圖2 基酒總酯后向間隔偏最小二乘法模型理化值與預測值分布Fig.2 Distribution idealized value and predicted value of total esters in base liquor by BiPLS model

3 結(jié)論

本研究采用近紅外光譜技術(shù)結(jié)合向后間隔偏最小二乘法（BiPLS）對白酒基酒的總酯指標進行了定量分析，分析速度快，無需樣本預處理，克服了傳統(tǒng)檢測方法費時費力的缺點。

經(jīng)波段優(yōu)化篩選后，采用特征波段所建模型效果相比全譜區(qū)所建模型獲得了改善，不僅剔除了譜圖中的無用信息，減輕了模型的復雜程度，也提升了模型的準確性與穩(wěn)定性，充分說明了優(yōu)化波段對建模分析的重要性，表明了BiPLS算法結(jié)合偏最小二乘法建模在白酒品質(zhì)分析應用的巨大潛力，BiPLS方法所建立的基酒總酯定量分析模型，經(jīng)實際生產(chǎn)驗證，具有快速、穩(wěn)定、準確的特點，可實現(xiàn)對基酒總酯含量的快速無損檢測，也可以用于生產(chǎn)過程中的實時在線監(jiān)測。