中紅外光譜分析技術結合化學計量學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.貴州習酒股份有限公司，貴州 遵義 564622；2.中國食品發酵工業研究院有限公司，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]。而根據地域及釀造工藝的不同，白酒逐漸形成了當前以醬香型、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、優雅細膩、酒體醇厚、回味悠長的特點在近年來備受市場青睞[2]。傳統醬香型白酒嚴格遵守“12987”工藝，在一年的制作周期中經歷7次取酒，各輪次酒經過盤勾、分級分類貯存后重新組合，使得醬香型白酒風味成分更加復雜、獨特[3-5]，因此其酒體品質與各輪次基酒的質量密不可分，對輪次酒進行品質檢測一直是各大醬香酒廠對于產品品質把控的重點[6-7]?？偹岷涂傰プ鳛橛绊戄喆尉破焚|的重要指標，當前國標GB/T 10345—2022《白酒分析方法》所規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過加熱回流使酯類皂化，整體復雜耗時，對分析人員的操作水平有一定要求，行業中迫切需要一種準確、穩定的方法能夠快速得到分析結果，便于對輪次酒的酒體品質進行把控[8-10]。

中紅外光譜技術作為能夠實現快速檢測的分析技術，具有中紅外峰型尖銳、檢出限比其他光譜低1～3個數量級的特點，將其應用于液體酒類主要指標的定量研究中[11-13]。中紅外光譜技術用于測量基礎酒，無需使用藥品試劑、對照品，無需樣品預處理，是一種快速、省時、經濟和環保的檢測方法[14]。但目前關于液體白酒關鍵成分快速分析方面的研究仍較少，且基本集中在構建濃香型白酒指標的快速分析模型方面[15-16]，同時研究數據量較少，也并未對白酒關鍵指標分析模型的構建優化進行深入的研究分析[17-18]。

本研究擬采用中紅外光譜分析技術結合化學計量學方法對醬香型白酒輪次酒中關鍵品質指標總酸及總酯含量進行建模分析，采用標準正態變量（standard normal variate，SNV）對光譜進行預處理，同時應用遺傳算法（genetic algorithms，GA）分別結合偏最小二乘法（partial least squares，PLS）及最小二乘支持向量機（least squares-support vector machine，LS-SVM）建立定標模型，探究中紅外建模波段優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化及醬香型白酒輪次酒品質指標的快速分析提供參考依據。

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）：天津市科密歐化學試劑有限公司；酚酞（分析純）：天津市大茂化學試劑廠；鄰苯二甲酸氫鉀標準品（純度≥99.99%）、無水碳酸鈉標準品（純度≥99.95%）：中國計量科學研究院；調零劑、清潔劑：珀金埃爾默儀器有限公司。

1.2 儀器與設備

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電熱恒溫鼓風干燥箱：上海培因實驗儀器有限公司。

1.3 實驗方法

1.3.1 總酸及總酯的檢測

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

1.3.2 中紅外光譜的掃描條件

為確保儀器光譜采集的準確及穩定性，在打開紅外光譜儀預熱40 min后，對設備管路進行自動清洗工作，待清洗工作完成后進行設備調零，通過后開始對輪次酒樣品的光譜進行采集工作，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，掃描次數為32次，每個樣品無需進行前處理，利用配套軟件Result Plus設置自動進樣，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值。

1.3.3 建模樣本集的選擇

本實驗在對輪次酒樣品數據進行篩選后，對4個光譜譜型明顯異常的樣品光譜進行了剔除，同時隨機保留100個樣品構成獨立預測集，不參與模型構建，用于對最終的模型預測效果進行驗證判斷。在上述基礎上，以2∶1的分配比例對剩余891個輪次酒樣品進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行計算，依次選擇相對最長距離所對應的樣品，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建。校正集、驗證集樣品數量及各集合總酸、總酯含量值統計結果見表1。

表1 校正集與驗證集統計結果Table 1 Statistical results of calibration set and validation set

1.3.4 特征變量選擇及定標模型建立

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行選?。℅A運行參數設置為：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10，共進行遺傳迭代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搜索與優化方法，方法在運行過程中會對有利于目標屬性的特征子集進行選擇，并且在逐代分類中均選擇當前最優的特征集合，進行繁殖、交叉、變異等重要步驟并不斷循環，直至給出最終優化結果。在特征變量優化后，實驗分別采用偏最小二乘法（PLS）及最小二乘支持向量機（LS-SVM）[21]算法建立兩項指標的定標模型，并對模型的各項指標性能進行對比評價。

1.3.5 數據處理與分析

GA及LS-SVM算法運算均在MATLAB環境下運行，SNV預處理及PLS模型運行通過UnscramblerX10.3光譜分析軟件進行實現，定標模型的準確度與穩定性通過決定系數R2、預測均方根誤差（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據圖見圖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象，同時可發現光譜在400～918 cm-1、1 041～1 095 cm-1、1 616～1 678 cm-1及3 050～3 600 cm-1區域存在較為明顯的噪聲，可能是由于基酒樣品中占據主要含量的水及乙醇的強吸收所造成的，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，經標準正態變量（SNV）預處理后的基酒光譜的基線漂移現象得到了解決，同時各樣品的光譜差異更為明顯，吸收峰強度也得到了增強，有利于對光譜進行進一步的分析處理。

圖1 醬香型白酒基酒樣品的原始（a）及經標準正態變量預處理（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的特征吸收波長分別進行選擇。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的運行結果均根據最小RMSECV值選擇了被選用頻次4次波長點以上的樣品數分別共計38、25個，分別占全光譜935個樣品數的4.0%和2.7%。

2.3 偏最小二乘法定標模型建立

采用偏最小二乘法（PLS）分別結合剔除明顯噪聲區域的光譜及經GA優選的特征波長建立總酸及總酯的定標模型，PLS模型性能評價結果見表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行剔除后的光譜區域建立的PLS模型效果較好，總酸及總酯兩項指標模型的相關系數R2＞0.95，RPD值分別為5.84、6.38，達到了實際生產模型的初步使用要求。而采用經SNV預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，代表預處理方法對光譜質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模型效果有進一步的提升，相關系數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，經特征篩選后的建模變量數有了極大程度地減少，建模主成分數也有一定程度的降低，代表模型的準確度及穩定性均得到了提升，充分表明了采用遺傳算法對建模變量進行特征選取對于中紅外定量模型構建的可操作性，同時能夠采用挑選的少量波長完成樣品的分析目標，也有利于降低光譜儀的制造成本，便于技術在白酒行業中的推廣[24]。

GA算法選擇的總酸、總酯光譜圖見圖3。由圖3a可知，經過上述遺傳算法優選總酸及總酯的特征波長在整個紅外譜區的分布位置，圖中紅色三角所標注的點位即為針對兩項指標優選出的特征建模變量，與C=O、C-O等酸酯中主要官能團的基頻振動吸收相對應，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定標模型建立及性能評價

采用最小二乘支持向量機（LS-SVM）結合遺傳算法優化的特征變量建立模型，選用徑向基函數（radial basis function，RBF）作為核函數，用于減輕模型建立過程中的復雜性，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γ以及核參數σ2進行確定，以最優（最?。㏑MSEP值為判斷依據，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（LS-SVM）建模結果見表3。

表3 白酒基酒總酸、總酯的最小二乘支持向量機建模結果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模型的R2分別為0.994、0.987，預測均方根誤差（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，代表模型的準確度較好。為了將LS-SVM及上述表現較好的GA-PLS模型效果更為清晰的進行對比，對相關系數R2、RMSEP及RPD進行比較，結果見圖4。

圖4 偏最小二乘法模型與最小二乘支持向量機模型相關系數（A）、預測標準偏差（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，可以發現對于總酸及總酯模型的三項評價指標，LS-SVM均比PLS模型體現出了更好的效果，代表LS-SVM模型的準確度更佳?？赡苁怯捎贚S-SVM作為一種在經典向量機基礎上發展的非線性建模方法，能夠進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，在模型構建過程中提升特征變量與總酸及總酯指標含量間的相關性，優化模型的定標效果。

2.5 最小二乘支持向量機模型效果獨立驗證

將隨機保留、不參與模型構建的100個獨立預測集樣品光譜分別代入至總酸及總酯指標的LS-SVM定標模型中進行預測，并將得到的樣品模型預測值與傳統理化值數據繪制模型預測效果圖見圖5。由圖5可知，可發現兩項指標獨立預測集數據緊密圍繞在標準擬合線兩側，并且經過成對t檢驗（P＞0.05），兩項指標預測值與理化值數據并無明顯差異?？偹峒翱傰ヲ炞C數據的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結合化學計量學方法建立的預測模型分析結果準確，可應用于實際生產使用中。

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

3 結論

本研究采用紅外光譜分析技術結合化學計量學方法對醬香型白酒輪次酒中的關鍵品質指標總酸及總酯含量進行快速分析，采用遺傳算法（GA）對特征吸收波長進行變量選取，并分別結合偏最小二乘法（PLS）及最小二乘支持向量機（LS-SVM）建立定標模型。結果表明，光譜預處理方法能有效地提升樣品光譜質量，同時采用優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模型建立方法進行比較發現，LS-SVM模型效果更佳，總酸及總酯模型的決定系數（R2）分別提升至0.994及0.987，預測均方根誤差（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合化學計量學方法建立的定量分析模型準確度及穩定性較好，可快速檢測醬香型白酒中的總酸和總酯含量，可應用于白酒實際生產過程的分析，為醬香型白酒釀造過程的快速監控提供技術方法和新的思路。