劉明坤，韓奇穎，閆長杰，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)酵過程中，原料需要進行多次發(fā)酵，每個排次出入池酒醅中常規(guī)成分如水分、酸度、淀粉等指標的變化對酒質(zhì)的好壞有著關(guān)鍵影響。但是傳統(tǒng)的酒醅樣品常規(guī)指標分析不僅過程繁瑣、消耗藥品試劑量大，整個分析過程還會消耗較長的時間，造成檢測結(jié)果滯后，無法滿足現(xiàn)代釀酒工藝控制的檢測需求。亟需一種快速、簡便的檢測方法來提高酒醅常規(guī)指標分析的檢測效率。

近紅外光譜分析技術(shù)具有簡單快速、不破壞樣品、不消耗試劑、無污染等優(yōu)勢。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)在白酒酒醅檢測方面也有應(yīng)用，但大多以某排次或分輪次進行建模分析，模型維護較為繁瑣。

本研究以蘭陵濃香型白酒的發(fā)酵酒醅為研究對象，使用蘭陵濃香型白酒整個發(fā)酵全過程共四個排次的酒醅樣品，通過人工檢測結(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)指標的全局定量分析模型，實現(xiàn)濃香型白酒酒醅質(zhì)量的快速檢測，為提高酒醅分析檢測效率、降低模型維護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：本實驗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，在整個釀造過程（共4 排）中共收集600 個樣品，每排樣品數(shù)量為130～180 個。為保證建模集的代表性，采用K-Stone 方法選擇其中500 個作為建模集樣品進行建模，剩余的100個樣品做驗證集。

儀器設(shè)備：IAS-3120 近紅外光譜儀，無錫迅杰光遠科技有限公司；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，溫度計。

1.2 實驗方法

1.2.1 樣品的化學測定值分析方法

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

1.2.2 光譜采集

近紅外光譜儀參數(shù)：波長范圍為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，因此在測量過程中需要采用多次平均的方式來降低由于樣品均勻性不佳造成的檢測結(jié)果重現(xiàn)性較差的問題。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，同時每個樣品需要重裝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）。為降低這些因素對建模的影響，建模前需要對光譜進行預(yù)處理。本實驗采用的光譜預(yù)處理方法為移動窗口平滑（窗口大小為5）和標準變量變換（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 個指標模型均有較好的建模效果，水分、淀粉、酸度模型的預(yù)測偏差分別為±1.1 %、±1.4 %、±0.25°，都在可接受范圍內(nèi)。為進一步驗證模型的預(yù)測效果，我們用所建立的模型分別對100 個預(yù)測樣品進行預(yù)測，結(jié)果如圖3所示。

圖3 入池酒醅模型預(yù)測集預(yù)測結(jié)果

由圖3 可知，入池酒醅的3 個指標模型對100個預(yù)測樣品的預(yù)測效果與建模結(jié)果相當，水分、淀粉、酸度模型的相對預(yù)測標準偏差（Root Mean Square of Prediction,RMSEP）和預(yù)測偏差分別為0.60 %、0.70 %、0.11°和±1.2 %、±1.5 %，±0.25°，均能滿足客戶對入池酒醅檢測的精度要求，模型可以投入實際使用。

2.2 出池酒醅建模分析

500 個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窗口平滑（窗口大小為5）和標準變量變換（SNV）的方法進行光譜預(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 個指標模型建模效果良好，水分、淀粉、酸度、酒精度模型的預(yù)測偏差分別為±1.0%、±1.6%、±0.4°和±0.5%vol，都在可接受范圍內(nèi)。為進一步驗證模型的預(yù)測效果，我們用所建立的模型分別對100 個預(yù)測樣品進行預(yù)測，結(jié)果如圖6所示。

圖6 出池酒醅模型預(yù)測集預(yù)測結(jié)果

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

3 結(jié)論

由上述實驗結(jié)果可知，采用近紅外光譜分析法對酒醅進行檢測具有良好的可行性。其中，入池酒醅水分、淀粉、酸度模型對100個預(yù)測集樣品的預(yù)測誤差分別為±1.2%、±1.5%和±0.25°；出池酒醅水分、淀粉、酸度和酒精度模型對100 個預(yù)測集樣品的預(yù)測誤差分別為±1.1%、±1.6%、±0.4°和±0.5%vol，均能滿足使用時對分析精度的要求。同時，建模過程中采用全發(fā)酵過程樣品整體建模，避免了模型維護時需要按排次進行維護的情況，大大降低了用戶模型維護的成本。

這一結(jié)果表明，采用近紅外光譜分析技術(shù)對酒醅進行檢測后，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)。