近紅外光譜技術(shù)在茅臺酒酒醅檢測中的應(yīng)用

（貴州茅臺酒股份有限公司，貴州仁懷 564501）

茅臺酒作為傳統(tǒng)工藝的發(fā)酵產(chǎn)品，長期以來主要以匠人的經(jīng)驗判斷為主，理化檢測數(shù)據(jù)為輔實現(xiàn)對生產(chǎn)過程的監(jiān)控。隨著人工智能與大數(shù)據(jù)生產(chǎn)模式的發(fā)展，發(fā)酵過程中理化數(shù)據(jù)在茅臺酒生產(chǎn)管控中發(fā)揮著越來越重要的作用。然而，酒醅理化數(shù)據(jù)以酸度、糖分、水分、淀粉為主，存在檢測耗時長、覆蓋率低等問題，不能滿足“生產(chǎn)數(shù)據(jù)+經(jīng)驗”的需求，常常只能作為事后總結(jié)分析，不能很好地滿足生產(chǎn)管控工作中及時發(fā)現(xiàn)問題、及時糾偏的需求[1-2]。伴隨著“經(jīng)驗+數(shù)據(jù)”生產(chǎn)模式的發(fā)展，如何快速獲得有效數(shù)據(jù)是白酒檢測行業(yè)的關(guān)鍵痛點。

近紅外光譜分析技術(shù)（near-infrared spectroscopy，NIR）作為一種快速檢測方法，具有操作便捷、無化學藥品消耗、對檢測樣品無污染等優(yōu)點[3-5]，能滿足白酒生產(chǎn)對酒醅樣品大批量、快速檢測的需求，同時減少因采用常規(guī)方法對環(huán)境造成的污染，是一種理想的檢測方法[6-8]。盛曉慧等[9]采用近紅外光譜分析技術(shù)結(jié)合特征波長提取算法建立偏最小二乘模型，實現(xiàn)了對菠蘿啤中果汁含量的定量測定，提高了分析速度和預(yù)測能力。陳辰等[10]采用可見/近紅外漫反射技術(shù)對貯藏玫瑰香葡萄果實進行了無損測定，并采用改進偏最小二乘法建立了以可溶性固形物、總酸為評價指標的糖酸品質(zhì)數(shù)學模型。目前近紅外光譜技術(shù)對茅臺酒生產(chǎn)過程中理化指標的研究尚少，針對茅臺酒的生產(chǎn)工藝特點建立一套適合茅臺酒生產(chǎn)在制品的檢測和分析方法尤為重要。該技術(shù)的引入對實現(xiàn)白酒生產(chǎn)在制品的大批量、快速檢測具有極為重要意義[11-12]。近紅外光譜法的測量過程分為建模和預(yù)測兩部分：建模是將樣品光譜信息與其理化數(shù)據(jù)通過適當?shù)幕瘜W計量方法建立校正模型；預(yù)測是通過校正模型分析未知樣品的近紅外光譜信息，通過預(yù)測模型計算出樣品的各項組分。要保證近紅外檢測的準確性，建立一個穩(wěn)定、可靠的校正模型至關(guān)重要[13-14]。近紅外光譜準確性取決于建模數(shù)據(jù)的代表性及樣本量等因素，而茅臺酒酒醅類型多、變化大、性狀差異明顯，決定了建立校正模型存在獲取建模數(shù)據(jù)工作量大、單一模型適用性差、預(yù)測結(jié)果精確度不理想等困難[15]。因此，必須結(jié)合茅臺酒生產(chǎn)工藝的特點進行建模，并借鑒精益六西格瑪?shù)乃悸罚\用抽樣檢驗的方法，探索精準度與實用性的平衡[16]。

1 材料與方法

1.1 儀器設(shè)備

丹麥福斯公司生產(chǎn)的DS2500F 型近紅外光譜儀，波長范圍850～2500 nm。上海實驗儀器有限公司產(chǎn)的101A-2B 型電熱恒溫鼓風干燥箱，梅特勒-托利多PL602E型電子天平。

1.2 酒醅樣品

以五點取樣法從茅臺酒廠各車間獲得各輪次的堆心、入窖、窖內(nèi)及出窖的酒醅樣品。

1.3 采集數(shù)據(jù)

利用DS2500F 型近紅外光譜儀掃描收集光譜信息，每個樣品測量2 次。根據(jù)食品安全國家標準GB 5009—2016 的常規(guī)方法獲取酸度、糖分、水分、淀粉等指標的測量數(shù)據(jù)[17]。利用WINISI 計量軟件通過偏最小二乘法建立光譜信息和理化數(shù)據(jù)之間的映射關(guān)系。

1.4 檢驗?zāi)Ｐ?/h3>

模型標準差（Standard error of prediction,SEP）為驗證樣品各項指標的近紅外光譜法測定值與常規(guī)方法測定值之間的標準差，常用于表征模型預(yù)測的精確度[8，18]。根據(jù)中國酒業(yè)協(xié)會相關(guān)標準DB 34/T 2264—2014，使用近紅外光譜法檢測酒醅各項理化指標，其精確性應(yīng)滿足表1要求[17，19]。

1.5 校正模型

精益六西格瑪是精益生產(chǎn)與六西格瑪管理的結(jié)合，其目的是通過整合精益生產(chǎn)與六西格瑪管理，吸收兩種生產(chǎn)模式的優(yōu)點，彌補單個生產(chǎn)模式的不足，提高過程或產(chǎn)品的穩(wěn)健性。抽樣檢驗是六西格瑪最常用的統(tǒng)計分析方法[20]。過程能力指數(shù)（Process capability index,Cpk）是用于評判生產(chǎn)能力水平的參數(shù)，可反映產(chǎn)品合格率的高低[21]。

表1 酒醅近紅外分析法的基本要求

2 結(jié)果與分析

2.1 建模與檢驗

以輪次進行劃分，建立適用于某輪次4 種類型酒醅的校正模型A。以酒醅類型進行劃分，建立適用于某個輪次的堆心、入窖、窖內(nèi)和出窖酒醅的單一類型模型B。根據(jù)酒醅性狀特征劃分，將輪次、類型不同但性狀表現(xiàn)相近的酒醅進行適當組合，分別建立輪次和類型組合模型C。將各個輪次、各種類型酒醅的建模數(shù)據(jù)完全整合，建立一個適用于全年生產(chǎn)過程酒醅檢測的校正模型D。

以80 個未知入窖樣品為例，探究上述4 類模型的適用性。隨機選取80 個入窖樣品，使用上述4 類模型進行預(yù)測，同時通過常規(guī)方法獲取標準值，最后計算預(yù)測值與標準值之間的標準差，結(jié)果如表2所示。輪次、類型組合模型除淀粉指標的SEP 值略高于單類型模型外，其余各項指標的SEP 值均為最小，且能滿足相關(guān)標準的要求，說明該模型能夠?qū)γ┡_酒酒醅的組分實現(xiàn)較為準確的預(yù)測，因此選用輪次、類型組合建模法作為茅臺酒生產(chǎn)檢測的最終建模方法。

2.2 模型修正

近紅外光譜法作為二級分析方法，通過組合建模的方法提高了其在茅臺酒生產(chǎn)過程檢測中的適應(yīng)性，但是其準確性取決于建模數(shù)據(jù)的代表性及樣本量等因素，穩(wěn)定性有所欠缺。因此借鑒了“精益六西格瑪”的思路，將近紅外檢測數(shù)據(jù)視作“產(chǎn)品”，并用“數(shù)據(jù)偏差”來評價“產(chǎn)品質(zhì)量”，進而運用抽樣檢驗的方法，來判斷近紅外數(shù)據(jù)的“合格率”[22]。

根據(jù)GB/T 2828.1—2012《計數(shù)抽樣檢驗程序》標準，在使用近紅外光譜法檢測過的300 個樣品中，隨機抽取50 個進行常規(guī)檢測，并將該50 個樣品的近紅外檢測及常規(guī)檢測的水分數(shù)據(jù)進行比對，其過程能力指數(shù)的相關(guān)參數(shù)和結(jié)果見表3，部分樣品比對結(jié)果如表4 所示。由表3 可知，樣品的平均偏差為0.19，說明整體數(shù)據(jù)較規(guī)格中心（0.00）偏移0.19。對近紅外數(shù)據(jù)輔以修正值-0.19，使其平均偏差歸為0。修正后的水分數(shù)據(jù)及偏差情況見表3 修正后數(shù)值。過程能力指數(shù)（Cpk）與產(chǎn)品不良率可進行相應(yīng)轉(zhuǎn)換[16-18]，部分對應(yīng)關(guān)系如表5 所示。可知，當Cpk 值為0.63 時，產(chǎn)品不良率為58758 PPM，換算成合格率為94.124%。由表3 還可知，修正后能力指數(shù)Cpk為0.67，高于修正前的0.63，換算成合格率為95.557 %，較修正前提升1.433 個百分點。通過抽樣檢測和數(shù)據(jù)修正，提高了近紅外光譜預(yù)測模型的準確性。

表2 近紅外模型預(yù)測值與常規(guī)方法測定值之間標準差

表3 過程能力指數(shù)相關(guān)參數(shù)及計算結(jié)果

表4 部分抽樣檢驗數(shù)據(jù)

表5 過程能力指數(shù)與不良率對照表

3 結(jié)論

本文利用近紅外光譜技術(shù)結(jié)合茅臺酒的生產(chǎn)工藝，以酒醅的輪次和類型為劃分依據(jù)建立了4 類模型。通過比較4 類預(yù)測模型適應(yīng)性得知，利用輪次和類型組合建立的預(yù)測模型對各項指標的預(yù)測標準差小于中國酒業(yè)協(xié)會標準DB 34/T 2264—2014 的要求，在實現(xiàn)快速檢測的同時保證了精確性。此外，通過借鑒“精益六西格瑪”和“抽樣檢驗”的思路，通過抽樣檢驗和數(shù)據(jù)修正，近紅外預(yù)測模型合格率提高至95.557 %，預(yù)測準確度提高了1.433 個百分點。本文提供的近紅外光譜預(yù)測模型能提高樣品覆蓋率，預(yù)測茅臺酒發(fā)酵過程中酒醅基質(zhì)的理化指標，實現(xiàn)了近紅外光譜在茅臺酒生產(chǎn)過程線上的數(shù)據(jù)監(jiān)測，對于指導(dǎo)實際生產(chǎn)調(diào)整工藝方向具有十分重要的支撐，并為近紅外光譜在白酒生產(chǎn)檢測中的應(yīng)用奠定了基礎(chǔ)。