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(guó)食品發(fā)酵工業(yè)研究院有限公司，北京 100015）

白酒作為我國(guó)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(zhǎng)的特色風(fēng)味，深受我國(guó)消費(fèi)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(dú)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(kù)存儲(chǔ)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(duì)于基酒關(guān)鍵品質(zhì)指標(biāo)的把控也極為嚴(yán)格[7]。對(duì)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(duì)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(guó)標(biāo)方法規(guī)定這兩項(xiàng)指標(biāo)的分析方法為色譜法，檢測(cè)流程復(fù)雜同時(shí)耗費(fèi)時(shí)間長(zhǎng)，行業(yè)中需要一種快速、準(zhǔn)確的檢測(cè)方法，以便于即時(shí)得到分析結(jié)果，對(duì)基酒的品質(zhì)進(jìn)行把控，從而對(duì)基酒入庫(kù)等生產(chǎn)環(huán)節(jié)進(jìn)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(jiǎn)便、不消耗化學(xué)試劑，能夠?qū)崿F(xiàn)大批量樣品快速檢測(cè)的優(yōu)勢(shì)，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(cè)，同時(shí)也有較多學(xué)者針對(duì)近紅外光譜分析技術(shù)在白酒領(lǐng)域的應(yīng)用進(jìn)行了相關(guān)研究[12-16]。然而，由于近紅外光譜分析技術(shù)對(duì)含量較低的成分進(jìn)行分析時(shí)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?yàn)橛袡C(jī)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(qiáng)數(shù)十倍的特點(diǎn)，在對(duì)白酒液體樣品進(jìn)行分析時(shí)可能存在優(yōu)勢(shì)。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(duì)含量較高的指標(biāo)方面，同時(shí)未對(duì)模型的構(gòu)建及優(yōu)化進(jìn)行深入的分析[17-18]。此外，考慮到采用全譜區(qū)建立模型時(shí)可能會(huì)引入噪聲以及其他無(wú)關(guān)信息的干擾，嚴(yán)重影響模型的準(zhǔn)確性及穩(wěn)定性，因此，對(duì)特征建模變量進(jìn)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(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）對(duì)濃香型白酒基酒中的乳酸乙酯及乙酸乙酯的特征波長(zhǎng)變量進(jìn)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(duì)其進(jìn)行驗(yàn)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(gè)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(guó)Sigma公司；無(wú)水乙醇：國(guó)藥集團(tuán)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(cè)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(jī)預(yù)熱30 min后對(duì)設(shè)備管路進(jìn)行清洗，同時(shí)進(jìn)行設(shè)備調(diào)零工作。光譜掃描時(shí)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(gè)樣品設(shè)置自動(dòng)進(jìn)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(yàn)證集的劃分

在對(duì)樣品數(shù)據(jù)進(jìn)行篩選后，對(duì)3個(gè)異常樣品進(jìn)行了剔除，同時(shí)隨機(jī)保留60個(gè)樣品作為獨(dú)立預(yù)測(cè)集，以驗(yàn)證最終模型的預(yù)測(cè)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(duì)剩余參與建模的459個(gè)基酒樣品以2∶1的比例進(jìn)行校正集及驗(yàn)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(píng)價(jià)

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(cè)均方根誤差（root mean square error of prediction，RMSEP）及相對(duì)分析誤差（relative percent deviation，RPD）來評(píng)價(jià)。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(zhǎng)選擇

本研究采用CARS法對(duì)基酒中紅外光譜乙酸乙酯及乳酸乙酯指標(biāo)的特征波長(zhǎng)進(jìn)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(zhǎng)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(duì)偏最小二乘模型中回歸系數(shù)絕對(duì)值大的波長(zhǎng)點(diǎn)進(jìn)行選擇，同時(shí)排除權(quán)重小的變量點(diǎn)，如此循環(huán)對(duì)變量逐步剔除，最后選擇交叉驗(yàn)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(duì)應(yīng)的波長(zhǎng)點(diǎn)，即為最優(yōu)變量組合[22-23]。

1.3.5 分析檢測(cè)

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(jìn)行分析測(cè)定。

1.3.6 數(shù)據(jù)處理與分析

偏最小二乘模型運(yùn)算及構(gòu)建采用UnscramblerX10.3光譜分析軟件進(jìn)行實(shí)現(xiàn)，CARS算法程序在Matlab（2018a）環(huán)境下運(yùn)行進(jìn)行模型特征變量?jī)?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(qiáng)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(cè)模型時(shí)，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(duì)稱及反對(duì)稱伸縮振動(dòng)，以及變角振動(dòng)的一級(jí)倍頻峰。此外水分子的變角振動(dòng)也存在于波數(shù)1 645 cm-1處的寬吸收譜帶位置，搖擺振動(dòng)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(duì)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(dòng)的強(qiáng)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(dòng)[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(qiáng)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(shí)，應(yīng)排除上述區(qū)域，避免噪聲對(duì)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(yàn)證集的劃分結(jié)果

校正集、驗(yàn)證集樣品數(shù)量及乙酸乙酯、乳酸乙酯含量統(tǒng)計(jì)結(jié)果見表1。由表1可知，經(jīng)k-s法進(jìn)行選擇后，分別得到校正集、驗(yàn)證集樣品306、153個(gè)，兩項(xiàng)指標(biāo)校正集樣品范圍均包含驗(yàn)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(yàn)證集統(tǒng)計(jì)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(duì)白酒基酒乙酸乙酯及乳酸乙酯兩項(xiàng)指標(biāo)建立PLS預(yù)測(cè)模型，采用校正集建立模型，驗(yàn)證集進(jìn)行模型評(píng)價(jià)，PLS模型及性能分析結(jié)果見表2。

表2 白酒基酒兩項(xiàng)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(shí)，建立的預(yù)測(cè)模型已可用于實(shí)際生產(chǎn)檢驗(yàn)過程中。

2.3 特征波長(zhǎng)的選擇

為嘗試取得更好的模型預(yù)測(cè)效果，同時(shí)進(jìn)一步排除無(wú)用信息對(duì)于模型的影響，本實(shí)驗(yàn)采用CARS算法分別對(duì)乙酸乙酯及乳酸乙酯兩個(gè)指標(biāo)的特征波長(zhǎng)變量進(jìn)行篩選，對(duì)兩項(xiàng)指標(biāo)進(jìn)行特征波長(zhǎng)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(yùn)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(yàn)證均方差（RMSECV）值先減少后增加的變化趨勢(shì)；下方曲線圖展示了每個(gè)波長(zhǎng)變量回歸系數(shù)的變化，其中豎條“*”標(biāo)志代表RMSECV值最低點(diǎn)，對(duì)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(shí)，乙酸乙酯及乳酸乙酯指標(biāo)分別對(duì)應(yīng)選擇了15、12個(gè)波長(zhǎng)變量，占全光譜的1.6%及1.3%。

圖2 競(jìng)爭(zhēng)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(zhǎng)的偏最小二乘模型建立與評(píng)價(jià)

基于CARS算法對(duì)于篩選出的乙酸乙酯及乳酸乙酯指標(biāo)的特征波長(zhǎng)，分別對(duì)兩項(xiàng)指標(biāo)建立CARS-PLS預(yù)測(cè)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(jìn)行比較，不同PLS模型及性能評(píng)價(jià)結(jié)果見表3。

表3 白酒基酒兩項(xiàng)指標(biāo)的不同偏最小二乘法模型及性能評(píng)價(jià)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(cè)模型效果均有明顯提升，乙酸乙酯及乳酸乙酯預(yù)測(cè)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(cè)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(shí)RPD值分別由3.03、4.69提升至8.78及8.60，均＞8，代表兩項(xiàng)指標(biāo)CARS-PLS模型的預(yù)測(cè)準(zhǔn)確性較高[26]。與此同時(shí)，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?jǐn)?shù)，有效地降低了模型的復(fù)雜程度，提高了模型的預(yù)測(cè)穩(wěn)定性，充分說明了采用特征變量選擇方法進(jìn)行建模波長(zhǎng)優(yōu)化對(duì)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(xiàng)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(diǎn)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(tuán)的吸收峰位置相對(duì)應(yīng)。

圖3 競(jìng)爭(zhēng)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(dòng)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(tuán)伸縮振動(dòng)的強(qiáng)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(yàn)證

將本研究預(yù)留的60個(gè)獨(dú)立預(yù)測(cè)集白酒基酒樣品光譜通過建立的CARS-PLS模型進(jìn)行預(yù)測(cè)，并將模型預(yù)測(cè)值與理化真值繪制模型效果對(duì)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(dú)立預(yù)測(cè)基酒樣品數(shù)據(jù)點(diǎn)緊密貼近標(biāo)準(zhǔn)擬合線，同時(shí)經(jīng)過成對(duì)t檢驗(yàn)計(jì)算，模型預(yù)測(cè)值與理化檢驗(yàn)值間無(wú)顯著差異（P＞0.05）。乙酸乙酯及乳酸乙酯模型驗(yàn)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(cè)模型分析結(jié)果準(zhǔn)確。

圖4 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法-偏最小二乘法模型預(yù)測(cè)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(jìng)爭(zhēng)性自適應(yīng)重加權(quán)變量算法（CARS）對(duì)濃香型白酒基酒的乙酸乙酯及乳酸乙酯進(jìn)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(shí)際生產(chǎn)對(duì)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(xiàng)指標(biāo)模型經(jīng)測(cè)試集獨(dú)立驗(yàn)證均取得了較高的預(yù)測(cè)精度，表明了特征波長(zhǎng)篩選對(duì)中紅外建模分析的重要性，在剔除無(wú)關(guān)信息的同時(shí)保留了指標(biāo)特征吸收波長(zhǎng)，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(diǎn)，為白酒品質(zhì)的快速分析方法開發(fā)提供技術(shù)借鑒。