采用近紅外光譜測定糖蜜發(fā)酵液中酒精含量

郭曉菲，姚志湘，童張法，粟 暉，張小玲

（1.廣西大學化學化工學院，廣西南寧530004；2.廣西工學院生物與化學工程系，廣西柳州545006）

采用近紅外光譜測定糖蜜發(fā)酵液中酒精含量

郭曉菲1，姚志湘2，童張法1，粟 暉2，張小玲2

（1.廣西大學化學化工學院，廣西南寧530004；2.廣西工學院生物與化學工程系，廣西柳州545006）

采用近紅外光譜分析可滿足糖蜜發(fā)酵酒精生產(chǎn)中酒精含量實時檢測需求。本文以蒸出酒精后的發(fā)酵原液作參比獲取的近紅外透射光譜，通過最小二乘法建立酒精含量定量模型，用“殘差平方和”和“獨立變量數(shù)”兩種方法判斷模型主成分數(shù)，模型預測能力評價表明“獨立變量數(shù)”判斷更準確。所建模型具有良好的精確度和穩(wěn)定性，可用于糖蜜酒精發(fā)酵的常規(guī)檢測，符合酒精發(fā)酵過程的在線監(jiān)測要求。

糖蜜發(fā)酵液，近紅外光譜，酒精，偏最小二乘法，獨立變量數(shù)

測定發(fā)酵液中酒精含量的傳統(tǒng)方法有氣相色譜法［1］、酒精計法［2］、重鉻酸鉀氧化法［3］和高效液相色譜法［4］等。酒精計法是酒精檢測的標準方法，原理是根據(jù)乙醇含量與密度呈一定反比關(guān)系，利用酒精計（表）進行測定，所測得的誤差比較大。重鉻酸鉀氧化法過程繁瑣，污染大。氣相色譜法和高效液相色譜法需要對樣品進行前處理，試劑消耗大，測定時間較長。近紅外光譜分析是20世紀90年代以來發(fā)展最快、最引人注目的光譜分析技術(shù)，具有無試劑消耗，不需對樣品進行復雜處理，不破壞樣本等優(yōu)點，近紅外光譜技術(shù)在分析領(lǐng)域發(fā)揮著越來越重要的作用。目前，國內(nèi)外關(guān)于采用近紅外光譜分析技術(shù)檢測酒類中酒精度的研究較多［5-9］，但是對于測定谷物發(fā)酵液中酒精含量研究較少，更多采用傳統(tǒng)測定方法。在發(fā)酵相關(guān)測試中，Zeaiter［10］等人利用近紅外檢測葡萄酒發(fā)酵過程中溫度變化產(chǎn)生的影響；Georgina［11］等人利用近紅外與偏最小二乘法相結(jié)合監(jiān)測啤酒發(fā)酵過程的生物量和化學變化；李燕萍［12］等人采用近紅外反射法與偏最小二乘法相結(jié)合，交互驗證法驗證模型，比較了發(fā)酵液原液和發(fā)酵液上清液近紅外定標模型對預測酒精含量的差異。糖蜜發(fā)酵液錘度大，顏色深，其中含有大量糖、酸、酯、醛、雜醇油、金屬離子等，從中直接、準確地測定乙醇含量，是發(fā)酵過程監(jiān)測的關(guān)鍵問題。針對這一問題，本文采用近紅外透射結(jié)合偏最小二乘回歸建立了糖蜜發(fā)酵液中乙醇定量模型，實現(xiàn)糖蜜發(fā)酵液中乙醇的直接測定。

1 材料與方法

1.1 材料與儀器

糖蜜發(fā)酵液廢液 柳州市鳳山糖廠；無水乙醇分析純；二次蒸餾水 實驗室自制。

近紅外光纖光譜儀NIR256-2.5 InGaAs檢測器，波長范圍800～2550nm，海洋光學公司（Ocean Opticas Inc.美國）。

1.2 實驗方法

1.2.1 樣本的配制 酒精發(fā)酵的濃度檢測范圍通常處于5%～15%。首先，隨機選取不同發(fā)酵階段取樣的發(fā)酵液，將原液中酒精蒸出，無水乙醇按照濃度范圍6%～20.5%（V/V），間隔0.25%（V/V），加入到10mL容量瓶中，用蒸后發(fā)酵液原液定容，配制58個樣本。先將發(fā)酵液原液中酒精蒸出，再加入酒精做法的好處，一是可以精確設定酒精含量，避免采用其他分析手段測量引入的誤差；二是提高實驗效率。另外，配制58個樣本采用的發(fā)酵原液并不相同，目的是盡可能使體系背景符合實際情況。

1.2.2 近紅外光譜的采集 采用近紅外透射光譜法對58個樣本進行采集，用10mm玻璃比色皿作樣品池，以濃度較大的不含酒精的發(fā)酵液原液作參比，調(diào)整光譜積分時間為7ms，測量波長區(qū)間為 800～2500nm，如圖1所示，橫坐標為波長，縱坐標為吸光度A。由于發(fā)酵液原液錘度大，顏色最深，發(fā)酵液中加入酒精后，錘度會降低，顏色變淺，以發(fā)酵液原液為參比，會導致吸光度為負值，朗伯比爾定律并未限定吸光度的正負，但負吸收測定卻避免了背景高吸收導致的乙醇響應靈敏度下降問題。

圖1 樣品近紅外吸收光譜圖

1.2.3 主成分數(shù)的確定和建模樣本的收集 主成分數(shù)量，或稱系統(tǒng)變量數(shù)，是保證偏最小二乘模型效果的關(guān)鍵因素，本文分別采用預測殘差平方和（Prediction Residual Error Sum of Square，PRESS）方法［13］和判斷系統(tǒng)獨立變量數(shù)方法［14］來確定系統(tǒng)主成分數(shù)目，對該因素作比較和探討。運用主成分分析結(jié)合歐氏空間距離判斷58個樣本的空間分布情況，然后對樣本進行聚類分析，選取40個樣本作為校正集。兩種分量數(shù)目確定方法所選的校正集存在差異，各自剩余的18個樣本的交集為10個樣本，選取此10個樣本作為預測集，比較模型預測效果。

1.2.4 光譜數(shù)據(jù)預處理 采用變量標準化（SNV）和基線去除（Detrend）進行預處理，以扣除光譜中線性平移的影響，之后選擇均值中心化（Mean Center）方法對光譜進一步優(yōu)化［15］。

1.2.5 模型的建立 根據(jù)PRESS方法［13］和判斷系統(tǒng)獨立變量數(shù)方法［14］來確定系統(tǒng)主成分數(shù)所篩選的建模樣本，采用偏最小二乘法建立定量模型，確定近紅外光譜與酒精濃度的定量關(guān)系。

1.2.6 模型效果的驗證與精密度檢驗 通過比較兩個模型的校正集的均方根誤差RMSEC和線性相關(guān)系數(shù)rc、預測集的均方根誤差RMSEP和線性相關(guān)系數(shù)rp來衡量模型的質(zhì)量，并通過相對誤差、殘差的標準差來衡量模型的準確度和精密度。

2 結(jié)果與分析

2.1 主成分數(shù)的確定

2.1.1 預測殘差平方和（PRESS） 將原始光譜數(shù)據(jù)進行標準化處理，應用經(jīng)典的PRESS判據(jù)分析，再用交互驗證法驗證，所得均方根誤差RMSECV與主成分數(shù)的關(guān)系如圖2所示，橫坐標為主成分數(shù)目，縱坐標為RMSECV值，根據(jù)RMSECV值最小點，選擇主成分數(shù)為6。

圖2 PRESS判據(jù)決策圖

2.1.2 判斷系統(tǒng)獨立變量數(shù) 將原始光譜數(shù)據(jù)進行標準化處理，根據(jù)該方法中的二階差分值所出現(xiàn)的“折點”位置判斷系統(tǒng)主成分數(shù)為7，如圖3所示，橫坐標為主成分數(shù)目，縱坐標為二階差分值。

圖3 二階差分值的變化

2.2 模型的建立與驗證

根據(jù)主成分數(shù)6和主成分數(shù)7，運用偏最小二乘法分別建立酒精含量定量模型，所得兩個模型的校正集線性關(guān)系如圖4所示。

對預測集分別用兩個模型進行預測，所得模型預測集線性關(guān)系如圖5所示。

圖4 校正集線性關(guān)系

圖5 預測集線性關(guān)系

兩個模型的校正集的均方根誤差RMSEC和線性相關(guān)系數(shù)rc、預測集的均方根誤差RMSEP和線性相關(guān)系數(shù)rp對比如表1。

表1 模型對比

從圖4、圖5和表1可知，主成分數(shù)選取7比主成分數(shù)選取6所得模型擬合度好，預測能力高。說明PRESS法丟失了有效信息，而通過判斷系統(tǒng)獨立變量數(shù)選取的主成分數(shù)，可以建立預測能力良好的定量模型。

2.3 模型的精密度檢驗

根據(jù)判斷系統(tǒng)獨立變量數(shù)方法確定系統(tǒng)主成分數(shù)建立的定量模型的精密度檢驗結(jié)果如表2，樣本酒精含量均值15.00%，殘差標準差為0.22%，預測集的最大相對誤差-3.6%，結(jié)果表明此模型具有良好的準確度和精密度。

表2 模型精密度檢驗

3 結(jié)論

本文采用近紅外透射方法，以扣除待測物的糖蜜發(fā)酵液作為參比，被測樣品無需預處理，通過偏最小二乘法建模，建立的酒精含量模型可以滿足糖蜜發(fā)酵液中酒精定量測定的需求。對于偏最小二乘法體系變量數(shù)目確定這一關(guān)鍵問題，“系統(tǒng)獨立變量數(shù)”判斷方法，相對于通用的PRESS方法，變量數(shù)目的判斷更為準確，所建立的模型預測能力良好，滿足酒精測定常規(guī)要求并且可以用于酒精發(fā)酵過程的在線監(jiān)控。

［1］李杰，羅廉，余世袁.氣相色譜法測定亞硫酸鹽廢液發(fā)酵過程中的醋酸、糠醛和乙醇［J］.色譜，1990，8（2）：119-120.

［2］易弋，蔣常德，伍時華.木薯酒精濃醪發(fā)酵液化糖化工藝的研究［J］.安徽農(nóng)業(yè)科學，2008，36（25）：11091-11092，11101.

［3］王洪臣，李建姝，劉洪祥，等.馬丁儀微量測定醋酸發(fā)酵液的酒精度［J］.化學與生物工程，2008，25（2）：73-75.

［4］陳毅堅，周元清，張灼.高效液相色譜法測定細菌發(fā)酵液中的糖、甘油和乙醇的研究［J］.生物技術(shù)，2004，14（4）：31-32.

［5］Cozzdlino D，Kwiatkowski M J，Waters E J，et al.A feasibility study on the use of visible and short wavelengths in the nearinfrared region for the non-destructive measurement of wine composition［J］.Anal Bioanal Chem，2006，563：319-324.

［6］Fernandes H L，Raimundo Jr Ivo M，Pasquini C，et al. Simultaneous determination of methanol and ethanol in gasoline using NIR spectroscopy：Effect of gasoline composition［J］. Talanta，2008，75：804-810.

［7］Liebmann B.Determination of glucose and ethanol in bioethanolproduction by near infrared spectroscopy and chemometrics［J］.Anal Chim Acta，2008（10）：1016.

［8］彭幫柱，龍明華，岳田利.用偏最小二乘法及傅立葉變換近紅外光譜快速檢測白酒酒精度［J］.農(nóng)業(yè)工程學報，2007，23（4）：233-237.

［9］馮尚坤，徐海菊.基于BP神經(jīng)網(wǎng)絡的啤酒酒精度近紅外光譜快速檢測［J］.紅外技術(shù)，2008，30（1）：58-60.

［10］Zeaiter M，Roger J M，Bellon-Maurel V.Dynamic orthogonal projection，a new method to maintain the on-line robustness of multivariate calibrations.Application to NIR-based monitoring of wine fermentations［J］.Chemometrics and Intelligent Laboratory Systems，2006，80：227-235.

［11］McLeod G，Clelland K，Tapp H.A comparison of variate pre-selection methods for usein partial least squares regression：A case study on NIR spectroscopy applied to monitoring beer fermentation［J］.Journal of Food Engineering，2009，90：300-307.

［12］李燕萍，許宏賢，錢瑩.發(fā)酵液中乙醇含量的近紅外光譜NIRS定量分析與驗證［J］.食品與發(fā)酵工業(yè)，2008，34（7）：136-140.

［13］Wold S.Cross validatory estimation of the number of components for best reconstruction［J］.Technometrics，1978，20：397-406.

［14］姚志湘，蹇華麗，劉煥彬.多變量統(tǒng)計分析中獨立變量數(shù)目的判定方法［J］.華南理工大學學報：自然科學版，2007，35（1）：123-127.

［15］嚴衍祿.近紅外光譜分析與應用［M］.北京：中國輕工業(yè)出版社，2005：110-112.

Using near infrared spectroscopy to determine alcohol in molasses fermentation broth

GUO Xiao-fei1，YAO Zhi-xiang2，TONG Zhang-fa1，SU Hui2，ZHANG Xiao-ling2
（1.College of Chemistry and Chemical Engineering，Guangxi University，Nanning 530004，China；2.Department of Biology and Chemistry Engineering，Guangxi Technical College，Liuzhou 545006，China）

Near lnfrared Spectroscopy Analysis meets the demand of real-time determination of alcohol in molasses fermentation broth.The near-infrared transmission spectrum were fetched from fermentation broth and the references were selected as the fermentation broth which had been steamed out of alcohol.The quantitative models of alcohol was molded using the Partial Least Squares（PLS）method.The numbers of Principal Components（PCs）for PLS were discussed following“Prediction Residual Error Sum of Square，PRESS”and“Number of lndependent Variables，NlV”.The model predictive capability showed that the number of PCs from NlV was more accurate.The model had good accuracy and stability and could be used for normal determination of molasses alcoholic fermentation，but it also fit the on-line monitoring for the alcoholic fermentation process.

molasses fermentation broth；near-infrared spectroscopy；alcohol；partial least squares；number of independent variable

TS261.7

A

1002-0306（2010）11-0369-03

2009-12-30

郭曉菲（1982-），女，碩士研究生，研究方向：過程監(jiān)測控制。

廣西科學基金（0832064）；廣西教育廳科研項目（200608MS055；200708MS067）。