中紅外光譜分析技術(shù)結(jié)合化學(xué)計量學(xué)方法快速分析醬香型白酒酸酯含量

唐云容，龐 臻，鐘 敏，路 虎，潘成康，文 永，李子文*

（1.貴州習(xí)酒股份有限公司，貴州 遵義 564622；2.中國食品發(fā)酵工業(yè)研究院有限公司，北京 100015）

白酒作為我國特色的酒種，位列世界三大蒸餾酒之一，深受消費者喜愛[1]。而根據(jù)地域及釀造工藝的不同，白酒逐漸形成了當(dāng)前以醬香型、濃香型、清香型為代表的十二種香型，其中醬香型白酒以其醬香突出、優(yōu)雅細(xì)膩、酒體醇厚、回味悠長的特點在近年來備受市場青睞[2]。傳統(tǒng)醬香型白酒嚴(yán)格遵守“12987”工藝，在一年的制作周期中經(jīng)歷7次取酒，各輪次酒經(jīng)過盤勾、分級分類貯存后重新組合，使得醬香型白酒風(fēng)味成分更加復(fù)雜、獨特[3-5]，因此其酒體品質(zhì)與各輪次基酒的質(zhì)量密不可分，對輪次酒進(jìn)行品質(zhì)檢測一直是各大醬香酒廠對于產(chǎn)品品質(zhì)把控的重點[6-7]?？偹岷涂傰プ鳛橛绊戄喆尉破焚|(zhì)的重要指標(biāo)，當(dāng)前國標(biāo)GB/T 10345—2022《白酒分析方法》所規(guī)定的檢測方法為指示劑法，尤其是總酯的檢測方法中需要經(jīng)過加熱回流使酯類皂化，整體復(fù)雜耗時，對分析人員的操作水平有一定要求，行業(yè)中迫切需要一種準(zhǔn)確、穩(wěn)定的方法能夠快速得到分析結(jié)果，便于對輪次酒的酒體品質(zhì)進(jìn)行把控[8-10]。

中紅外光譜技術(shù)作為能夠?qū)崿F(xiàn)快速檢測的分析技術(shù)，具有中紅外峰型尖銳、檢出限比其他光譜低1～3個數(shù)量級的特點，將其應(yīng)用于液體酒類主要指標(biāo)的定量研究中[11-13]。中紅外光譜技術(shù)用于測量基礎(chǔ)酒，無需使用藥品試劑、對照品，無需樣品預(yù)處理，是一種快速、省時、經(jīng)濟(jì)和環(huán)保的檢測方法[14]。但目前關(guān)于液體白酒關(guān)鍵成分快速分析方面的研究仍較少，且基本集中在構(gòu)建濃香型白酒指標(biāo)的快速分析模型方面[15-16]，同時研究數(shù)據(jù)量較少，也并未對白酒關(guān)鍵指標(biāo)分析模型的構(gòu)建優(yōu)化進(jìn)行深入的研究分析[17-18]。

本研究擬采用中紅外光譜分析技術(shù)結(jié)合化學(xué)計量學(xué)方法對醬香型白酒輪次酒中關(guān)鍵品質(zhì)指標(biāo)總酸及總酯含量進(jìn)行建模分析，采用標(biāo)準(zhǔn)正態(tài)變量（standard normal variate，SNV）對光譜進(jìn)行預(yù)處理，同時應(yīng)用遺傳算法（genetic algorithms，GA）分別結(jié)合偏最小二乘法（partial least squares，PLS）及最小二乘支持向量機(jī)（least squares-support vector machine，LS-SVM）建立定標(biāo)模型，探究中紅外建模波段優(yōu)化及建模算法對于模型性能的改善情況，為中紅外光譜模型優(yōu)化及醬香型白酒輪次酒品質(zhì)指標(biāo)的快速分析提供參考依據(jù)。

1 材料與方法

1.1 材料與試劑

本實驗共收集醬香輪次酒樣品（2022年度1～7輪次）995個，由貴州習(xí)酒股份有限公司提供。

無水乙醇、氫氧化鈉、濃硫酸（均為分析純）：天津市科密歐化學(xué)試劑有限公司；酚酞（分析純）：天津市大茂化學(xué)試劑廠；鄰苯二甲酸氫鉀標(biāo)準(zhǔn)品（純度≥99.99%）、無水碳酸鈉標(biāo)準(zhǔn)品（純度≥99.95%）：中國計量科學(xué)研究院；調(diào)零劑、清潔劑：珀金埃爾默儀器有限公司。

1.2 儀器與設(shè)備

Lacto-Scope FT-B傅里葉變換紅外光譜儀（紅外光譜儀配套軟件Result Plus）：美國PerkinElmer公司；XSR205DU電子天平：梅特勒（托利多（上海）有限公司；HH-8數(shù)顯恒溫水浴鍋：江蘇科析儀器有限公司；SX2-4-10箱式電阻爐：滬南電爐烘箱廠；DHG-9070B電熱恒溫鼓風(fēng)干燥箱：上海培因?qū)嶒瀮x器有限公司。

1.3 實驗方法

1.3.1 總酸及總酯的檢測

總酸含量：根據(jù)GB 12456—2021《食品安全國家標(biāo)準(zhǔn)食品中總酸的測定》中的第一法酸堿指示劑滴定法進(jìn)行測定；總酯含量：根據(jù)GB/T 10345—2007《白酒分析方法》中的指示劑法進(jìn)行測定。

1.3.2 中紅外光譜的掃描條件

為確保儀器光譜采集的準(zhǔn)確及穩(wěn)定性，在打開紅外光譜儀預(yù)熱40 min后，對設(shè)備管路進(jìn)行自動清洗工作，待清洗工作完成后進(jìn)行設(shè)備調(diào)零，通過后開始對輪次酒樣品的光譜進(jìn)行采集工作，儀器檢測器類別為DTGS，透射樣品池直徑為36 μm，光譜掃描范圍為4 000～397 cm-1，儀器分辨率為8 cm-1，掃描次數(shù)為32次，每個樣品無需進(jìn)行前處理，利用配套軟件Result Plus設(shè)置自動進(jìn)樣，光譜掃描3次，取3次光譜平均值作為該樣品的最終光譜數(shù)值。

1.3.3 建模樣本集的選擇

本實驗在對輪次酒樣品數(shù)據(jù)進(jìn)行篩選后，對4個光譜譜型明顯異常的樣品光譜進(jìn)行了剔除，同時隨機(jī)保留100個樣品構(gòu)成獨立預(yù)測集，不參與模型構(gòu)建，用于對最終的模型預(yù)測效果進(jìn)行驗證判斷。在上述基礎(chǔ)上，以2∶1的分配比例對剩余891個輪次酒樣品進(jìn)行校正集及驗證集樣品劃分，為保證校正集樣品的代表性，本實驗采用Kennard-Stone（K-S）法[19]通過對樣品間的馬氏距離進(jìn)行計算，依次選擇相對最長距離所對應(yīng)的樣品，最終確定校正集樣品594個，剩余297個作為驗證集樣品參與模型構(gòu)建。校正集、驗證集樣品數(shù)量及各集合總酸、總酯含量值統(tǒng)計結(jié)果見表1。

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 特征變量選擇及定標(biāo)模型建立

本實驗采用遺傳算法（GA）[20]對醬香輪次酒紅外光譜中總酸及總酯的特征吸收波長進(jìn)行選?。℅A運行參數(shù)設(shè)置為：初始種群大小30，變異概率Pm=0.01，交叉概率Pc=0.5，最大因子數(shù)10，共進(jìn)行遺傳迭代100次，最終以交叉驗證均方差（root mean square error of cross validation，RMSECV）值確定出最優(yōu)建模波長。遺傳算法是一種源于物種自然選擇與遺傳原理的隨機(jī)搜索與優(yōu)化方法，方法在運行過程中會對有利于目標(biāo)屬性的特征子集進(jìn)行選擇，并且在逐代分類中均選擇當(dāng)前最優(yōu)的特征集合，進(jìn)行繁殖、交叉、變異等重要步驟并不斷循環(huán)，直至給出最終優(yōu)化結(jié)果。在特征變量優(yōu)化后，實驗分別采用偏最小二乘法（PLS）及最小二乘支持向量機(jī)（LS-SVM）[21]算法建立兩項指標(biāo)的定標(biāo)模型，并對模型的各項指標(biāo)性能進(jìn)行對比評價。

1.3.5 數(shù)據(jù)處理與分析

GA及LS-SVM算法運算均在MATLAB環(huán)境下運行，SNV預(yù)處理及PLS模型運行通過UnscramblerX10.3光譜分析軟件進(jìn)行實現(xiàn)，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)測均方根誤差（root mean square error of prediction，RMSEP）及相對分析誤差（relative percent deviation，RPD）來評價。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[22]。

2 結(jié)果與分析

2.1 醬香型白酒基酒中紅外光譜圖

醬香型輪次酒樣品的中紅外光譜原始數(shù)據(jù)圖見圖1。由圖1a可知，基酒樣品在397～4 000 cm-1的中紅外譜區(qū)中譜型明顯、有明顯的吸收，但可能由于散射等方面的影響，光譜在Y軸方向存在基線漂移的現(xiàn)象，同時可發(fā)現(xiàn)光譜在400～918 cm-1、1 041～1 095 cm-1、1 616～1 678 cm-1及3 050～3 600 cm-1區(qū)域存在較為明顯的噪聲，可能是由于基酒樣品中占據(jù)主要含量的水及乙醇的強(qiáng)吸收所造成的，如水分子以700 cm-1左右為主峰的搖擺振動寬吸收帶、1 645cm-1處變角振動的吸收譜帶、3 400 cm-1附近伸縮振動的寬吸收帶以及乙醇分子1 050～1 090 cm-1處飽和醇中C-O鍵的伸縮振動等[23]。由圖1b可知，經(jīng)標(biāo)準(zhǔn)正態(tài)變量（SNV）預(yù)處理后的基酒光譜的基線漂移現(xiàn)象得到了解決，同時各樣品的光譜差異更為明顯，吸收峰強(qiáng)度也得到了增強(qiáng)，有利于對光譜進(jìn)行進(jìn)一步的分析處理。

圖1 醬香型白酒基酒樣品的原始（a）及經(jīng)標(biāo)準(zhǔn)正態(tài)變量預(yù)處理（b）的中紅外光譜圖Fig.1 Mid-infrared spectra of the original (a) and pre-treated with standard normal variables (b) of the base liquor of sauceflavor Baijiu

2.2 特征波長選擇

在剔除上述4段明顯的噪聲區(qū)域后，本實驗采用遺傳算法對基酒光譜中總酸及總酯兩項指標(biāo)的特征吸收波長分別進(jìn)行選擇。遺傳算法在運行過程中各波長變量被選用的頻次圖見圖2。

圖2 各變量被選用的總酸（a）、總酯（b）頻次圖Fig.2 Plots of the frequency of total acid (a) and total ester (b)selected for each variable

由圖2可知，總酸及總酯兩項指標(biāo)的運行結(jié)果均根據(jù)最小RMSECV值選擇了被選用頻次4次波長點以上的樣品數(shù)分別共計38、25個，分別占全光譜935個樣品數(shù)的4.0%和2.7%。

2.3 偏最小二乘法定標(biāo)模型建立

采用偏最小二乘法（PLS）分別結(jié)合剔除明顯噪聲區(qū)域的光譜及經(jīng)GA優(yōu)選的特征波長建立總酸及總酯的定標(biāo)模型，PLS模型性能評價結(jié)果見表2。

表2 白酒基酒總酸、總酯不同偏最小二乘法模型性能評價結(jié)果Table 2 Performance evaluation results of different partial least square model of total acid and total ester in Baijiu base liquor

由表2可知，在采用對明顯噪聲進(jìn)行剔除后的光譜區(qū)域建立的PLS模型效果較好，總酸及總酯兩項指標(biāo)模型的相關(guān)系數(shù)R2＞0.95，RPD值分別為5.84、6.38，達(dá)到了實際生產(chǎn)模型的初步使用要求。而采用經(jīng)SNV預(yù)處理后光譜建立的模型效果更好，RMSEP值分別由0.063及0.103降低至0.056、0.097，R2分別由0.971、0.980提升至0.977、0.982，RPD值分別由5.84、6.38提升至6.57、6.78，代表預(yù)處理方法對光譜質(zhì)量的提升有一定效果。

采用GA篩選特征建模變量后建立的PLS模型效果有進(jìn)一步的提升，相關(guān)系數(shù)R2分別提升至0.987、0.983，RMSEP值分別降低至0.041、0.091，為全譜建模效果的65.1%、88.3%。與此同時，經(jīng)特征篩選后的建模變量數(shù)有了極大程度地減少，建模主成分?jǐn)?shù)也有一定程度的降低，代表模型的準(zhǔn)確度及穩(wěn)定性均得到了提升，充分表明了采用遺傳算法對建模變量進(jìn)行特征選取對于中紅外定量模型構(gòu)建的可操作性，同時能夠采用挑選的少量波長完成樣品的分析目標(biāo)，也有利于降低光譜儀的制造成本，便于技術(shù)在白酒行業(yè)中的推廣[24]。

GA算法選擇的總酸、總酯光譜圖見圖3。由圖3a可知，經(jīng)過上述遺傳算法優(yōu)選總酸及總酯的特征波長在整個紅外譜區(qū)的分布位置，圖中紅色三角所標(biāo)注的點位即為針對兩項指標(biāo)優(yōu)選出的特征建模變量，與C=O、C-O等酸酯中主要官能團(tuán)的基頻振動吸收相對應(yīng)，如2 500～2 700 cm-1羰基COOH的O-H伸縮振動所帶來的彌散吸收譜帶，1 310 cm-1附近羧酸的C-OH伸縮振動特征譜帶以及（1 740±10）cm-1處飽和脂肪酸酯的羰基伸縮振動強(qiáng)吸收、1 240～1 290 cm-1處酯類與C=O相連的C-O伸縮振動吸收、1 040～1 010 cm-1處與烷基相連的C-O伸縮振動吸收等[23]，均體現(xiàn)出了白酒基酒樣品總酸及總酯的特征吸收[23]。

圖3 遺傳算法選擇的總酸（a）、總酯（b）中紅外光譜圖Fig.3 Mid-infrared spectra of total acid (a) and total ester (b)selected by genetic algorithm

2.4 最小二乘支持向量機(jī)定標(biāo)模型建立及性能評價

采用最小二乘支持向量機(jī)（LS-SVM）結(jié)合遺傳算法優(yōu)化的特征變量建立模型，選用徑向基函數(shù)（radial basis function，RBF）作為核函數(shù)，用于減輕模型建立過程中的復(fù)雜性，同時實驗采用耦合模擬退火算法和留一交叉驗證法對RBF的正則化參數(shù)γ以及核參數(shù)σ2進(jìn)行確定，以最優(yōu)（最小）RMSEP值為判斷依據(jù)，保證模型的靈敏度及泛化性[25]。白酒基酒總酸、總酯的最小二乘支持向量機(jī)（LS-SVM）建模結(jié)果見表3。

表3 白酒基酒總酸、總酯的最小二乘支持向量機(jī)建模結(jié)果Table 3 Modeling results of least-squares support vector machinefor total acids and esters of base liquor

由表3可知，LS-SVM的建模效果較好，總酸及總酯兩項指標(biāo)模型的R2分別為0.994、0.987，預(yù)測均方根誤差（RMSEP）分別降低至0.031、0.082，相對分析誤差（RPD）值分別為11.94、8.05，RPD值均＞8，代表模型的準(zhǔn)確度較好。為了將LS-SVM及上述表現(xiàn)較好的GA-PLS模型效果更為清晰的進(jìn)行對比，對相關(guān)系數(shù)R2、RMSEP及RPD進(jìn)行比較，結(jié)果見圖4。

圖4 偏最小二乘法模型與最小二乘支持向量機(jī)模型相關(guān)系數(shù)（A）、預(yù)測標(biāo)準(zhǔn)偏差（B）、相對分析誤差（C）對比Fig.4 Comparison of correlation coefficient (A), prediction standard deviation(B),and relative percent deviation(C)of the model by partial least square and least square support vector machine

如圖4所示，可以發(fā)現(xiàn)對于總酸及總酯模型的三項評價指標(biāo)，LS-SVM均比PLS模型體現(xiàn)出了更好的效果，代表LS-SVM模型的準(zhǔn)確度更佳?？赡苁怯捎贚S-SVM作為一種在經(jīng)典向量機(jī)基礎(chǔ)上發(fā)展的非線性建模方法，能夠進(jìn)行線性及非線性的多元建模，可以更好地利用樣品光譜間的非線性信息，在模型構(gòu)建過程中提升特征變量與總酸及總酯指標(biāo)含量間的相關(guān)性，優(yōu)化模型的定標(biāo)效果。

2.5 最小二乘支持向量機(jī)模型效果獨立驗證

將隨機(jī)保留、不參與模型構(gòu)建的100個獨立預(yù)測集樣品光譜分別代入至總酸及總酯指標(biāo)的LS-SVM定標(biāo)模型中進(jìn)行預(yù)測，并將得到的樣品模型預(yù)測值與傳統(tǒng)理化值數(shù)據(jù)繪制模型預(yù)測效果圖見圖5。由圖5可知，可發(fā)現(xiàn)兩項指標(biāo)獨立預(yù)測集數(shù)據(jù)緊密圍繞在標(biāo)準(zhǔn)擬合線兩側(cè)，并且經(jīng)過成對t檢驗（P＞0.05），兩項指標(biāo)預(yù)測值與理化值數(shù)據(jù)并無明顯差異?？偹峒翱傰ヲ炞C數(shù)據(jù)的R2分別為0.993、0.985，RMSEP分別為0.036、0.089，代表采用中紅外分析技術(shù)結(jié)合化學(xué)計量學(xué)方法建立的預(yù)測模型分析結(jié)果準(zhǔn)確，可應(yīng)用于實際生產(chǎn)使用中。

圖5 基于最小二乘支持向量機(jī)模型總酸（a）、總酯（b）預(yù)測效果圖Fig.5 Prediction of total acid (a) and total ester (b) based on least square support vector machine model

3 結(jié)論

本研究采用紅外光譜分析技術(shù)結(jié)合化學(xué)計量學(xué)方法對醬香型白酒輪次酒中的關(guān)鍵品質(zhì)指標(biāo)總酸及總酯含量進(jìn)行快速分析，采用遺傳算法（GA）對特征吸收波長進(jìn)行變量選取，并分別結(jié)合偏最小二乘法（PLS）及最小二乘支持向量機(jī)（LS-SVM）建立定標(biāo)模型。結(jié)果表明，光譜預(yù)處理方法能有效地提升樣品光譜質(zhì)量，同時采用優(yōu)選出的特征變量建立的PLS模型效果更佳，提高模型精度的同時大幅減少了建模變量，而通過對PLS及LS-SVM模型建立方法進(jìn)行比較發(fā)現(xiàn)，LS-SVM模型效果更佳，總酸及總酯模型的決定系數(shù)（R2）分別提升至0.994及0.987，預(yù)測均方根誤差（RMSEP）分別降低至0.031、0.082，相對分析誤差（RPD）值分別為11.94、8.05，表明采用中紅外光譜結(jié)合化學(xué)計量學(xué)方法建立的定量分析模型準(zhǔn)確度及穩(wěn)定性較好，可快速檢測醬香型白酒中的總酸和總酯含量，可應(yīng)用于白酒實際生產(chǎn)過程的分析，為醬香型白酒釀造過程的快速監(jiān)控提供技術(shù)方法和新的思路。