基于電子鼻和氣質聯用技術的濃香型白酒分類

劉芳，楊康卓，張建敏，何張蘭，彭志云，鄭佳

(宜賓五糧液股份有限公司，技術研究中心，四川 宜賓，644007)

中國傳統固態白酒采用糧谷類為原料(如高粱、大米、糯米、玉米、小麥等)，以大曲為糖化發酵劑，經發酵、蒸餾、貯存、勾調等工藝制成，與白蘭地、威士忌、朗姆酒、伏特加、金酒并稱為世界6大蒸餾酒[1]。白酒的品質往往決定于酒體中的微量和痕量風味成分，近年來，色譜等現代分析儀器已廣泛應用于白酒品質的分析，目前白酒中已知的風味化合物超過1 400種[2-4]。白酒中的風味成分含量極低，僅占總質量的1%～2%，是決定白酒香型、風格及品質的關鍵成分。

電子鼻技術是一種快速、新穎的無損仿生嗅覺感知手段，該方法通過特定的感應原件(傳感器)獲得被測樣品中揮發性成分的整體信息，再將獲得的樣本信息傳輸至數據分析平臺完成對不同類型樣本的快速分型判別操作[5]。該技術目前已廣泛應用于水果[6-7]、乳制品[8]、茶葉[9]、酒類[10-11]等領域，近年來電子鼻也被應用于白酒風味研究中：王立川等[12]采用7只TGS傳感器對8種市售白酒進行檢測，并基于主成分分析分別對樣品品牌、香型、產地、酒精度等特征進行判定，結果表明，傳感器信號在上述特征上均具有較好的區分度，且同一品牌具有較好的聚類性。李靜等[13]利用zNoseTM電子鼻結合感官評價對同一企業生產的不同等級白酒樣品進行分析，結果表明，基于峰面積總和的評分結果與感官評價結果一致；采用主成分分析(principal component analysis, PCA)與典型判別分析(canonical discriminate ffunction, CDA)對指紋圖譜進行分析，結果顯示CDA分析準確區分率為100%，且區分度更大，較于PCA分析更適用于白酒指紋圖譜統計分析。ZHANG等[14]采用納米ZiO傳感器對5種白酒進行分析，并對主成分分析結合判別分析(principal component analysis incorporating with discriminant analysis, PCA-DA)、反向傳播人工神經網絡(back-propagation artificial neural network, BP-ANN)及學習向量量化神經網絡(learning vector quantization, LVQ)分類能力進行比較，結果顯示LVQ為最適合的識別模式算法。頂空固相微萃取-氣質聯用(head space - solid phase microextraction/gas chromatography-mass spectrometry, HS-SPME/GC-MS)技術是目前研究白酒香氣物質的主要方法之一[15-16]，其克服了傳統樣品前處理技術的缺陷，集采樣、萃取、濃縮、進樣于一體，大大加快了分析檢測的速度。

本文研究了電子鼻結合GC-MS在濃香型白酒分類分析應用的可行性，采用PCA分析對電子鼻傳感器進行優選，基于優選后的電子鼻傳感器響應值比較了PCA與線性判別分析(linear discriminant analysis, LDA)對濃香型白酒的識別分類效果，并結合GC-MS分析結果，進一步分析濃香型白酒風味物質含量的差異，為濃香型白酒快速分類及風味快速分析提供理論依據和有效方法。

1 材料與方法

1.1 試驗材料

試驗選擇不同品牌濃香型白酒，樣品信息如表1所示，所有酒樣均購于本地市場。

表1 濃香型白酒樣品

甲醇(HPLC級)，Honeywell公司；二氯甲烷(色譜純)，阿拉丁試劑有限公司；4-辛醇(內標)，Sigma-aldrich公司。

1.2 儀器與設備

PEN3便攜式電子鼻(含有10個金屬氧化物傳感器，各傳感器主要性能如下[17]：S1(W1C)對方香成分敏感，S2(W5S)對氮氧化合物敏感，S3(W3C)對氨類芳香族化合物敏感，S4(W6S)對氫化物敏感，S5(W6S)對烷烴芳香族化合物敏感，S6(W1S)對甲烷類化合物敏感，S7(W1W)對無機硫化物敏感，S8(W2S)對醇類物質敏感，S9(W2W)對芳香成分和有機硫化物敏感，S10(W3S)對高濃度烷烴敏感)，德國Airesense公司;7890B-5977B氣質聯用儀，美國Agilent公司;DVB/CAR/PDMS固相微萃取纖維頭，美國Supelco公司。

1.3 樣品前處理

將酒樣與水按照體積比1∶5進行稀釋，取稀釋液10 μL于50 mL進樣瓶中，擰緊瓶蓋，室溫(24℃)平衡20 min后進行測試。

1.4 電子鼻分析

按1.3所述平衡后的樣品直接進樣，電子鼻參數設置如下：傳感器清洗時間90 s，調零時間10 s，數據采集時間60 s，進樣流量300 mL/min，每個樣品做5個平行。

1.5 香氣成分測定

萃取條件：取一定量樣品，用飽和食鹽水稀釋100倍，取5 mL稀釋后的酒樣于20 mL頂空瓶中，加入50 μL內標(4-辛醇，質量濃度為0.1 g/L)；50 ℃平衡15 min，插入萃取頭，萃取45 min后，在GC進樣口中解析3 min。

GC條件：DB-WAXETR色譜柱(30 m×0.250 mm×0.25 μm)，載氣為高純度氦氣，流速1 mL/min，分流比10∶1；進樣口溫度250℃；升溫程序：起始溫度40 ℃，保持5 min，以4℃/min升至230℃，保持5 min。

MS條件：全掃描模式；EI離子源，電子能量70 eV；離子源溫度230℃，四級桿溫度150℃，掃描范圍30～350 amu。

定性和定量：化合物的定性參考文獻[18-19]，將物質的質譜圖與NIST 12 數據庫相比對，再計算物質的保留指數與文獻值進行比對后確認；化合物的定量以4-辛醇為內標，用內標法進行半定量計算。

1.6 數據分析

利用電子鼻配備的WinMuster軟件進行PCA和LDA分析。

2 結果與分析

2.1 不同品牌白酒電子鼻分析

2.1.1 電子鼻對白酒的信號響應

電子鼻10種傳感器響應曲線如圖1所示，不同顏色曲線對應不同傳感器在對應時間的響應信號。樣品采集前，各傳感器響應值(G/G0或G0/G)均為1，隨著揮發性氣體在傳感器上富集，傳感器響應值逐漸增大，并在30 s后趨于穩定。10種傳感器對白酒揮發性香氣成分的響應程度不同，其中S7傳感器響應值最高，其次為S6和S9、S2傳感器。為提取各傳感器的特征值，選取第45 s各傳感器響應值用于后續數據分析。各樣品在45 s的雷達圖如圖2所示，圖2-a為不同酒度五糧液的雷達圖，可知，不同酒度的五糧液氣味圖譜相似，主要區別為含量的差異，其中35%vol五糧液的圖譜與39%vol五糧液圖譜基本重合，表明上述2個樣本揮發性成分最為接近；圖2-b為不同品牌濃香型白酒的雷達圖，可知，不同品牌白酒在同一保留時間S6傳感器(甲烷類)響應值差異較大，其次為S7傳感器(無機硫化物)，剩余8個傳感器響應值無明顯差異。

圖1 電子鼻10個傳感器對52 %vol五糧液的響應曲線

a-不同酒度五糧液；b-不同品牌白酒

2.1.2 傳感器優化分析

PCA分析是模式識別中最重要的降維方法之一，其主要思想是通過線性變換減少數據維度，最終經過變換的數據依然保留樣本的主要信息。主成分分析中，第一變量具有最大方差，為第一主成分，第二變量方差次之，稱做第二主成分，依次類推，一般前2個主成分包含了原始數據的主要信息[17]。

對濃香型白酒樣本電子鼻采集的數據進行PCA分析，分析結果如圖3所示。傳感器在第一主成分的貢獻率為94.52%，在第二主成分的貢獻率為3.5%，其中W1C、W3C、W3S、W5S、W6S五個傳感器對第一主成分及第二主成分貢獻率幾乎為0，表明上述5個傳感器無法有效識別白酒的香氣成分；W1S傳感器對第一主成分的貢獻率最大，W2W傳感器對第一和第二主成分均具有較高的貢獻率，W5S、W2W傳感器對第二主成分具有較高的貢獻值。根據傳感器對不同化合物的敏感可知，W1S傳感器對烷烴類化合物敏感，W1W傳感器對無機硫化物靈敏，W5S傳感器對氮氧化合物靈敏，W2W傳感器對有機硫化物物靈敏，這表明濃香型白酒中第一主成分為烷烴類物質、無機/有機硫化物、氮氧化合物等，而第一主成分所代表的氣體大類可以作為濃香型白酒差異的特征指標來衡量。

基于傳感器載荷值，對傳感器進行優選，以去除冗余信息，選擇貢獻率較高且載荷值不重疊的4個傳感器進行后續分析，即S2(W1W)、S6(W1S)、S7(W1W)、S9(W2W)，這與上述傳感器的響應結果相印證。

圖3 基于電子鼻響應值的PCA分析

2.1.3 PCA分析不同度數的濃香型白酒

采用PCA方法對不同酒度五糧液的分析結果，由4圖可知主成分1(PC1)的方差貢獻率為94.45%，主成分2(PC2)方差貢獻率為4.27%，累計貢獻率達到98.72%，說明這2個主成分包含原始數據的絕大部分信息，可以反映不同酒度五糧液揮發性氣體成分的整體信息。不同酒度五糧液分屬不同區域且界線清晰，說明樣本之間的揮發性氣體成分有差異，電子鼻能夠有效識別這種差異。PCA載荷圖中，可用樣品間的距離表征間的差異，35%vol五糧液與39%vol五糧液在第一主成分及第二主成分距離均較短，表明這2個樣品相似度較高；45%vol五糧液與68%vol五糧液在第一主成分距離較近，在第二主成分距離較遠，由此可知，這兩個樣本的差異主要表現在第二主成分。

圖5為不同品牌濃香型白酒PCA分析結果，主成分1(PC1)的方差貢獻率為98.26%，主成分2(PC2)方差貢獻率為1.15%，累計貢獻率達到99.41%，表明這2個主成分包含原始數據的絕大部分信息。PCA方法對11個樣本區分度較高，表明該方法能夠有效區分不同樣本。

圖4 不同度數五糧液電子鼻響應值的PCA分析

圖5 不同品牌濃香型白酒電子鼻響應值的 PCA 分析

2.1.4 LDA分析不同品牌濃香型白酒

LDA也稱為Fisher判別分析，是模式識別的經典算法。其主要思想是給定樣本分類標簽，將分類后的樣本投射到一維直線上,使得投影后類內方差最小，類間方差最大[20]。

本研究采用LDA法分析不同品牌濃香型白酒的電子鼻響應值，結果如圖6所示。對于LDA分析，總貢獻率超過70%～85%的方法即可使用，由圖6可知第一判別式的貢獻率為68.45%，第二判別式的貢獻率為16.42%，總貢獻率為84.87%。11個樣本中，52%vol五糧液、水井坊及劍南春相互重疊，分離度較差。與PCA方法比較，該方法對同一樣的本聚合度較高，但對個別樣較差，推測可能是這3種白酒均產自四川，而這三者在生產工藝和地域上存在一定的相似性和關聯性，揮發性風味成分的差異有可能主要體現在量比關系，進而在傳感器層面無法獲得更精細的差異信息，因此基于傳感器數據的LDA分析暫時還不適用于對該類樣本進行區分。

圖6 不同品牌濃香型白酒電子鼻響應值的LDA分析

2.2 不同品牌濃香型白酒主要風味物質差異

為進一步揭示不同類型樣品之間的關系，尤其是導致LDA分類相互影響的原因，本研究利用GC-MS分析了這些濃香型白酒的風味成分。圖7為樣本基于酯類物質含量均一化處理后的樣本聚類分析，不同酒度五糧液酯類物質構成比例類似，隨著酒度升高，酯類物質含量增加，39%vol五糧液、45%vol五糧液、52%vol五糧液及水井坊中酯類物質的類型及含量類似，被歸為一類；豐谷、國緣、天之藍、全興、1573及35%vol五糧液酯類物質含量相對較低，被歸為一類；68%vol五糧液除異戊酸乙酯與乳酸乙酯外，其他酯類物質遠高于另10個樣本，被區別于上述兩類，單獨歸為一類。

圖7 不同品牌濃香型白酒酯類物質聚類分析

醇類物質依據含量被分為兩類：39%vol五糧液、45%vol五糧液、52%vol五糧液、68%vol五糧液及水井坊中醇類物質含量相對較高，被歸為一類；35%vol五糧液、1573、劍南春、國緣、天之藍、豐谷中醇類物質含量相對低，被歸為一類(圖8-a)。11個樣本其他風味物質含量差異較大，68%vol五糧液除壬醛及萘，其他風味物質含量明顯高于另10個樣本；國緣、1573及天之藍其他風味物質含量相對較低被歸為一類；1573、水井坊、豐谷、劍南春、35%vol五糧液、39%vol五糧液、45%vol五糧液及52%vol五糧液其他風味物質含量及組成類似、被歸為一類(圖8-b)。

a-白酒醇類物質；b-其他風味物質

3 結論

濃香型白酒揮發性風味物質復雜，不同品牌濃香型白酒香氣特性具有較大差異，本研究使用電子鼻對11種濃香型白酒進行檢測。結果表明，電子鼻對不同品牌濃香型白酒揮發性風味成分具有較好的響應值，優選的S2、S6、S7、S9四種傳感器數據可進行數據采集和分析。基于4種傳感器的響應值，PCA對不同品牌濃香型白酒區分度較LDA好，該方法更適用于濃香型白酒的分類分析。GC-MS分析表明,不同品牌濃香型白酒風味物質含量存在明顯差異，在PCA分析中關系較近的樣品在風味成分層面存在一定的相似性。建立關于不同地域、質量等級以及不同類型白酒的電子鼻分類模型以及在生產中的實際應用將是后續的重點課題。