袁 強，吉 喆，王 丹，馬 康，張 琴，蘭 余，曹曉念，楊 潔，劉小剛

（瀘州老窖養(yǎng)生酒業(yè)有限責任公司，四川瀘州 646000）

近紅外譜區(qū)指波長介于可見區(qū)與中紅外區(qū)之間的電磁波，其光譜波長介于780～2526 nm，可以獲得含氫基團的合頻及倍頻振動吸收，主要包括C-H、N-H、O-H、S-H 等含氧基團的倍頻與合頻吸收帶[1]。近紅外光譜吸收峰位置及強度隨組分變化而變化，故可以對含氫有機物實現(xiàn)定性及定量分析。近紅外是近幾十年來發(fā)展最快的光譜技術，具有檢測速度快、操作簡單、穩(wěn)定性好、樣品用量少及適合在線檢測等特點，在窖泥[2]、酒醅[3]、白酒基酒[4]、黃酒[5]等酒相關行業(yè)內(nèi)已經(jīng)廣泛應用。

養(yǎng)生酒是以傳統(tǒng)白酒為基礎，經(jīng)過科學合理的醫(yī)藥學理論論證，將食藥材中的風味、活性等成分有機地融入傳統(tǒng)白酒中，滿足消費者對更高生活品質(zhì)追求的需求和對飲酒更愉悅舒適體驗的需求[6]。養(yǎng)生酒產(chǎn)品的酒精度是一個要求連續(xù)監(jiān)測的指標，也是影響產(chǎn)品質(zhì)量的一個重要理化指標，如何對其進行快速、準確的測定，對降低成本、提高產(chǎn)能及產(chǎn)品質(zhì)量都具有重要的意義，且酒精度檢測不同于傳統(tǒng)白酒，在國家標準GB 5009.225—2016《酒中乙醇濃度的測定》中的方法有密度瓶法、酒精計法，這兩種方法都存在受溫度波動及酒內(nèi)溶解的其他醇類物質(zhì)影響、方法步驟比較繁瑣、費時、費力等不足，而且不適合生產(chǎn)過程中在線快速檢測。鑒于此，本研究解析了養(yǎng)生酒樣品的近紅外光譜圖，采用偏最小二乘法作為建立數(shù)學模型的化學計量學方法，并使用內(nèi)部交叉驗證法對養(yǎng)生酒酒精度含量模型進行優(yōu)化和驗證，結果重復性、穩(wěn)定性均較好，為養(yǎng)生酒的酒源生產(chǎn)、調(diào)配，即時快速分析提供了一種高效、準確、快速的新方法[7]。

1 材料與方法

1.1 材料、儀器

樣品：瀘州老窖養(yǎng)生酒公司綠豆大曲、茗釀、滋補大曲、天之圣液等共計200 個樣品，其樣品的酒精含量范圍為：38%vol～52%vol。

儀器設備：AntarisII傅立葉變換NIR光譜儀，美國Thermo Fisher 公司，配有透射采樣系統(tǒng)、Result操作軟件、TQ Analyst 光譜分析軟件；DMA5000 密度儀，奧地利安東帕Anton Paar 公司；STAW100 智能酒精度檢測儀，濟南盛泰電子科技有限公司。

1.2 試驗方法

1.2.1 酒精度含量的化學值測定

參照國家標準GB 5009.225—2016《酒中乙醇濃度的測定》的檢測方法[8]，過程使用STAW100 智能酒精度檢測儀進行蒸餾，收集液進DMA5000 密度儀進行酒精度測量，單位為%vol。

1.2.2 近紅外光譜的采集與分析

1.2.2.1 數(shù)據(jù)測量參數(shù)

調(diào)用RESULTTM集成軟件編寫采集流程，再設置儀器工作參數(shù)。本試驗的儀器工作參數(shù)為：光譜掃描范圍（data range）：12 000～4 000 cm-1；樣本和背景的光譜掃描次數(shù)（number of scan）：32次（所需時間約30 s）；光譜掃描的分辨率（resolution）：8 cm-1；以空氣作為掃描背景，每次測量前均進行背景掃描。每個樣品重復掃描3次，開機預熱光譜儀2 h。

1.2.2.2 光譜采集

采用l mL 的移液槍吸取酒樣，將酒液樣品注入1 mm 比色皿中，每次測樣前用試紙將比色皿外壁擦干凈，放入液體透射腔中進行掃描。

1.2.2.3 數(shù)據(jù)處理方法

將全部酒樣按酒精度從低到高排序后隨機選取30 個酒樣作為驗證集，另隨機選出10 個酒樣用于檢驗模型重現(xiàn)性和穩(wěn)定性，其余的160 個樣品用于建立定標模型。

在建模過程中光譜數(shù)據(jù)經(jīng)標準歸一化(Standard Nomral Variate，SNV)處理和Norris導數(shù)平滑濾波后采用偏最小二乘回歸法（Partial least square，PLS）建立定量校正模型，以校正集樣品的交叉驗證均方差(RMSECV)及其相關系數(shù)(R)為指標來優(yōu)化模型，以對驗證集樣品的預測均方差(RMSEP)來考察模型的預測準確度。

RMSECV 值小，表明定量模型具有良好的預測精度和穩(wěn)定性；RMSEP 值小表明定量分析模型較好，其值和RMSEC的差值較小，表明該模型具有更好的穩(wěn)定性[3]。

RMSECV、R、RMSEP 的計算法如下[9]。所有數(shù)據(jù)處理均在儀器自帶的TQ Analyst 軟件中進行。

式中：Ci是標準化學測量值，是NIR 預測值，是化學平均值，n 是校正集樣品數(shù)，m是驗證集樣品數(shù)。

2 結果與討論

2.1 養(yǎng)生酒的近紅外透射光譜圖

養(yǎng)生酒中含有的主要組分為水和乙醇，因此水的吸收峰特別強。由近紅外吸收光譜圖（圖1）可以看出，所有樣品的譜圖極為相似，圖示中A、B 表示水分子的特性吸收區(qū)域，分別在6900 cm-1與5200 cm-1附近；乙醇分子在近紅外光譜區(qū)也有明顯的特征吸收，主要表現(xiàn)為氫與基團（如OH，CH，CH2和CH3）伸縮振動能級躍遷所引起的倍頻和合頻，在近紅外光譜區(qū)內(nèi)這些含氫基團的吸收頻率特別強，同時又比較穩(wěn)定。如圖1 中II 和III，在5917～5617 cm-1是C-H 一級倍頻的伸縮振動以及O-H 彎曲振動，4405～4225 cm-1是C-H 和O-H 的彎曲和伸縮振動，8800～7800 cm-1即圖1 中I 是C-H 的第二倍頻[10]。

圖1 養(yǎng)生酒樣品的近紅外光譜圖

2.2 定量分析模型的建立

2.2.1 光譜預處理方法的選擇

光譜的標準歸一化法（SNV)是用于消除光程變化或樣品稀釋等變化對光譜產(chǎn)生的影響，同時，對光譜進行求導和平滑來消除光譜基線產(chǎn)生的偏移或漂移，提高光譜的信噪比，從而得到樣品更為明顯的特征光譜[1]，如圖2。表1為分別采用原始光譜、一階導數(shù)光譜和二階導數(shù)光譜進行建模時的RMSECV 和R 值。從表1 可知，采用二階導數(shù)和Norris 導數(shù)平滑對光譜預處理時RMSECV 值最小，R值最大，因此效果最好。

圖2 二階導數(shù)近紅外光譜圖

表1 光譜預處理方法對分析模型的影響

2.2.2 光譜范圍的選擇

表2為使用不同譜區(qū)的光譜：全譜帶3999.64～10001.03 cm-1、軟件推薦光譜帶8519.97～8361.83 cm-1、6429.51～6178.81 cm-1、4890.59～4813.45 cm-1與自選光譜帶6058.26～5523.13 cm-1、4697.74～4601.32 cm-1的信息建立模型時的RMSECV值，其結果表明，在8519.97～8361.83 cm-1、6429.51～6178.81 cm-1、4890.59～4813.45 cm-1范圍內(nèi)RMSECV 值最小，R 值最大。因此，其最佳譜區(qū)為6429.51～6178.81 cm-1、8519.97～8361.83 cm-1、4890.59～4813.45 cm-1。

表2 不同光譜范圍的選擇對參數(shù)的影響

2.2.3 PLS主因子數(shù)的選擇

采用PLS 法建立定量校正模型時，為充分利用光譜信號的有效信息，同時避免過度擬合現(xiàn)象，需對主因子的階數(shù)進行合理選擇[11]。試驗表明，隨著因子數(shù)增加，RMSECV 下降至最低點后略有上升（如表3），因此選用主因子階數(shù)為7。

表3 交互驗證均方差隨主因子的變化表

2.3 數(shù)學模型的可靠性評價

利用建立的定標模型，預測驗證集的30 個樣品，由表4和圖3可以看出，近紅外光譜預測值與實測值之間存在高度相關性，30個樣品近紅外光譜預測值與實測值的R 為0.9986，預測標準偏差(RMSEP)為0.175，說明由此建立的模型預測效果很好，能滿足生產(chǎn)中養(yǎng)生酒酒精度的檢測精度要求。并用成對t 檢驗判斷兩種方法是否存在顯著差異，結果顯示在0.05 顯著性水平下，兩種測定方法不存在顯著性差異，表明兩種方法不存在系統(tǒng)誤差。進一步說明，所建的校正模型具有良好的預測能力，可以達到常規(guī)分析方法的精度要求。

圖3 驗證集樣品酒精度預測值與實測值相關圖

表4 驗證集預測值與真實值的比較

2.4 穩(wěn)定性試驗

隨機選取10 個樣品，采用近紅外光譜法分別對其進行10 次重復光譜測定，統(tǒng)計結果見表5。由表5 可知，各樣品的標準差（STDEV）都較小。因此，該方法具有良好的穩(wěn)定性。

表5 穩(wěn)定性試驗

3 結論

本研究利用近紅外建立養(yǎng)生酒酒精度的定量分析模型，相關系數(shù)R為0.9994，RMSECV 為0.163，主因子數(shù)為7，說明模型建立的方法較好；進一步對模型進行驗證和評價，驗證集的30 個樣品近紅外光譜預測值與實測值的R 為0.9986，RMSEP為0.175，說明模型的預測效果很好，能滿足生產(chǎn)中養(yǎng)生酒酒精度的檢測精度要求。通過穩(wěn)定性試驗得到STDEV 為0.040～0.076。因此，傅立葉變換近紅外光譜利用標準歸一化法（SNV）預處理后，通過偏最小二乘法（PLS）構建養(yǎng)生酒酒精度預測模型在應用上是可行可靠的，并具有良好的穩(wěn)定性。