基于傅立葉變換中紅外光譜技術的濃香型基酒快速檢測

韓云翠,呂志遠,劉玉濤,張夢夢,張晨曦,盧春玲,邱振清,汪俊卿

1(齊魯工業大學 生物工程學院,山東 濟南,250353)2(濟南趵突泉釀酒有限責任公司,山東 濟南,250115)

白酒釀造過程中,基酒等級劃分的準確性決定摘酒工序的成敗,但釀酒工人利用“看花摘酒”的傳統經驗方法很難做到基酒不同等級餾分的準確摘取。研究者們從酒精度檢測模型[1-2]、紅外光譜快速檢測技術[3]、酒花圖像特征[4-8]等方面,通過研究酒精度、紅外光譜、酒花圖像與基酒等級之間的關系,結合偏最小二乘法(partial least square, PLS)、聚類分析、線性判別、支持向量機、反向神經網絡等大數據分析手段建立了基酒分級模型,探索了自動化摘酒的可行性和準確性。白酒生產環境是半敞開式的,冬季嚴寒、夏季酷暑,基酒溫度可從4 ℃升高到30 ℃,巨大的環境溫差變化會影響酒精度、紅外光譜吸收、酒花特征圖的穩定性,降低分級模型的準確度。通過檢測基酒中關鍵風味物質含量并解決環境溫差對檢測的干擾是實現自動化量質摘酒的一種有效方式。

濃香型白酒中的風味物質包括醇類、酯類、酸類、醛酮類、酚類及其他微量成分。醇類化合物使酒體醇和綿甜,是酯類化合物的前體物質[9],傳統“看花摘酒”即是看的乙醇含量,乙醇含量越高,酒花越大;己酸乙酯、丁酸乙酯、乙酸乙酯、乳酸乙酯是濃香型白酒中含量最大、最有代表性的酯類,其中己酸乙酯有明顯的窖香是濃香型白酒中最重要的風味物質之一[10];酸類化合物有呈味助香作用,可以降低酒的苦味和雜味,提高白酒協調度,乳酸、己酸、乙酸、丁酸是濃香型白酒中含量最多的酸類,其中己酸可促進窖香風味物質成分的生成[11]。張競一等[12]研究了不同季節各段餾分的含量變化,二段酒中己酸乙酯以及乙酸乙酯、乙酸丁酯等酯類含量更高,乳酸乙酯、乙酸、苯乙酸乙酯等在三段酒中含量更高。倪書干等[13]利用層次聚類熱圖分析將34種餾分按照風味物質將基酒分為4類,利用正交偏最小二乘法判別分析找到丁酸乙酯、乙醛、己酸乙酯、正丁醇、乙酸乙酯5種骨架成分。乙醇、乙酸乙酯、己酸乙酯、乳酸乙酯、丁酸乙酯、乙酸、己酸、丁酸8種風味物質在酒中含量高[9-16],是影響量質摘酒的關鍵呈香呈味物質。

傅立葉變換紅外光譜技術無需樣品制備,在基酒分類、定量酒體風味組分的研究中展現出極大優勢,與光纖傳感技術的聯用將是未來實現工業自動化控制的發展趨勢[17]。目前,關于酒中微量成分快速檢測方面僅劉建學等[18]利用近紅外光譜與PLS結合建立了乙酸、己酸定量分析模型;孫宗保等[19]利用傅立葉變換中紅外光譜結合區間PLS檢測過己酸乙酯、乙酸乙酯、丁酸乙酯、乳酸乙酯。利用傅立葉變換中紅外快檢技術同時檢測濃香型基酒中乙醇、乙酸乙酯、己酸乙酯、乳酸乙酯、丁酸乙酯、乙酸、己酸、丁酸8種成分的研究尚未有相關報道。此外,溶液中分子振動與轉動易受溫度影響,對溫度波動范圍大的樣品的紅外吸收光譜進行修正是十分必要的。朱余等[20]通過反演算法分溫度區間給出修正系數來改善溫度導致的系統誤差。付慶波等[21]利用直接校正、全局校正、正交信號處理、廣義最小二乘加權法4種方法校正了溫度變化導致乙醇水溶液短波近紅外光譜吸收誤差大的問題。本研究以企業實際生產應用為出發點,結合儀器檢測能力與量質摘酒需求,對基酒中8種關鍵風味物質建立定量分析模型并通過溫度補償全局校正的方法降低環境溫度變化對模型預測準確性的影響,為實現中紅外在線自動化量質摘酒提供了一種實踐方法。

1 材料與方法

1.1 材料與試劑

無水乙醇(色譜純),福晨化學試劑有限公司;叔戊醇、乙酸正戊酯、2-乙基丁酸(色譜純),天津市津科精細化工研究所;標準物質混合溶液,北京食品發酵工業研究院;純水,優普超純水系統制造。

濃香型基酒樣品:取山東濟南某公司生產車間摘酒工藝過程中的濃香型基酒,從正常流酒開始,每隔1 min取1個基酒樣品,直至流酒結束,共取了90個樣品。

1.2 儀器與設備

FTATR-600傅立葉在線紅外分析儀,津九光科技發展有限責任公司;7890B氣相色譜儀,美國Agilent科技有限公司;UPR-11-10T優普超純水系統,四川優普超純科技有限公司。

1.3 實驗方法

1.3.1 樣品化學值測定

酒精度的測定:按照GB 5009.225—2016 《食品安全國家標準 酒中乙醇濃度的測定》中規定的酒精計法測定,用酒精計測得酒精體積分數示值,按照標準中附錄B進行溫度校正,折算成20 ℃時乙醇含量的體積分數即為酒精度(%vol)。

氣相色譜條件:色譜柱為 CP-Wax 57 CB(50 m×0.25 mm,0.2 μm),檢測器為火焰離子化檢測器(flame ionization detector,FID),溫度為250 ℃,高純N2(≥99.999%)為載氣,空氣流量400 mL/min,H2流量30 mL/min,進樣量1 μL,分流進樣方式,分流比40∶1;進樣口溫度250 ℃;色譜柱流量1 mL/min,升溫程序:初溫35 ℃,保持4 min,以4 ℃/min升溫至60 ℃,再以10 ℃/min升溫到130 ℃,再以15 ℃/min 升溫至210 ℃,210 ℃保持20 min。

標準樣品、基酒樣品的配制:用100 μL移液器準確吸取100 μL內標混合溶液(用體積分數為50%乙醇溶液配制,叔戊醇含量161.7 mg/L為醇類化合物的內標,乙酸正戊酯含量182.6 mg/L為酯類化合物的內標,2-乙基丁酸含量184.1 mg/L為酸類化合物的內標)于樣品瓶中,再用1 000 μL移液器準確吸取1 mL標準樣品或基酒樣品于樣品瓶中,擰緊樣品瓶瓶塞,混勻后放入樣品盤中,由自動進樣器進樣后檢測。

1.3.2 基酒樣品中紅外光譜信息采集

使用Unsb軟件進行光譜采集和數據分析,室溫23～26 ℃,以純水的光譜作為背景,將50 mL基酒樣品置于燒杯中進行光譜采集。光譜掃描范圍800～5 000 cm-1,儀器分辨率2 cm-1,信噪比45 000∶1,波數精度0.01 cm-1,干涉儀為免維護角鏡干涉儀,光源燈為長壽命碳化硅光源,檢測器為電制冷MCT,采用金剛石ATR探頭,衰減全反射2次。

將90個基酒樣品按化學值從低到高均分成3份,從每份樣品中均勻選出22個作為測試集,3個作為驗證級,5個作為溫度校正測試樣品,按照表1采集基酒樣品中紅外光譜信息。

表1 濃香型基酒樣品紅外光譜采集方案Table 1 Infrared spectrum acquisition scheme of strong-flavor base Baijiu samples

2 結果與分析

2.1 濃香型基酒樣品化學值測定

2.1.1 氣相色譜圖分析

從圖1可知,4種酯類化合物的峰形是標準的尖窄峰,3種酸類化合物的峰形會有拖尾,這與酸的極性大有關系。7種化合物的分離比均大于1.5,可以完全分離,成分分析時不受相鄰化合物干擾。

2.1.2 繪制標準曲線

試驗采用內標法計算化合物含量,以基酒樣品中乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸、丁酸7種化合物的質量濃度與相應內標物質的含量比值為橫坐標X,以化合物的面積與對應內標物質的面積比值為Y,做線性回歸方程,由表2可知,7種化合物的標準曲線相關系數均大于0.999,表明7種化合物的峰面積與質量濃度之間有很好的線性關系。

7.272-乙酸乙酯;11.131-丁酸乙酯;14.654-乙酸正戊酯內標;16.008-己酸乙酯;18.160-乳酸乙酯;19.737-乙酸; 21.699-丁酸;23.623-2-乙基丁酸;24.552-己酸圖1 濃香型基酒樣品氣相色譜圖Fig.1 Gas chromatogram of strong-flavor base Baijiu sample

表2 濃香型基酒7種化合物標準曲線參數Table 2 Standard curve parameters of 7 compounds in strong-flavor base Baijiu

2.2 濃香型基酒中紅外模型建立與優化

2.2.1 基酒樣品中紅外光譜

濃香型基酒中主要成分是乙醇和水,乙醇體積分數約占50%～78%,水體積分數約占20%～48%,香味物質成分體積占比在2%以內。實驗以純水為背景做基線校準,由圖2可知,3 000 cm-1后面為噪聲,化合物的特征吸收在900～3 000 cm-1,乙醇特征吸收在1 050 cm-1左右,乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸、丁酸的特征吸收在1 100～3 000 cm-1。

2.2.2 光譜信息預處理和模型參數優化

試驗采集了測試集光譜66條,溫度補償校正光譜174條,重復性實驗光譜12條,溫度驗證光譜54條。將測試集樣品66條光譜與溫度校正樣本的15條室溫時采集的光譜合并,這81條光譜結合PLS參與建立8種化合物中紅外基酒定量分析模型1;將66條測試集光譜與174條溫度校正光譜合并,共240條光譜結合PLS建立中紅外溫度補償基酒檢測模型2。

圖2 濃香型酒基酒樣品紅外光譜總圖Fig.2 General infrared spectrums of strong-flavor base Baijiu samples

建模過程中,為平緩背景和基線漂移引起的干擾,分辨重疊峰,提高分辨率,對光譜信息進行一階導數處理,以找到建模最優光譜區。使用Unsb軟件分析篩選出回歸系數最優的光譜區,乙醇最優建模波譜區為980～1 118 cm-1,乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸、丁酸最優建模波譜區為1 120～1 792 cm-1。這與化合物官能團的特征吸收有關,乙醇在980～1 118 cm-1和3 000～3 650 cm-1有強吸收,980～1 118 cm-1是碳氧官能團的強吸收區;3 000～3 650 cm-1是醇羥基和水羥基的強吸收區,水羥基對醇羥基產生嚴重干擾,經過優化,980～1 118 cm-1是建立酒精度檢測模型的最優波譜區。酯類化合物和酸類化合物中都包含羰基、烷基,二者光譜吸收區會相近,但酯類中羰基與—OR相連,酸中羰基與—OH相連,二者光譜吸收區域又有明顯區別,經過優化,1 120～1 792 cm-1是酸類化合物和酯類化合物的特征吸收光譜區。

樣品光譜采集過程中,可能出現采集誤差,為減少誤差光譜對模型整體效果的干擾,采用蒙特卡羅交叉驗證法[22]通過殘差對光譜異常的樣本進行分析,校準殘差大的樣品屬于需剔除的離群樣本,剔除的樣本數不可超過總樣品數的5%,以免影響樣本建模的整體性。異常數據剔除結果見圖3,剔除了酒精度預測模型2中4個殘差值較大的數據,模型的R2提高了0.53。

圖3 酒精度預測模型2中離群樣品剔除結果Fig.3 Elimination results of outlier samples in alcohol prediction model 2

為研究溫度對中紅外光譜采集的影響,建立了定量分析模型1和溫度校正檢測模型2,由表3可知,都采用一階導數求導處理光譜信息,且建模光譜區一致時,隨著模型2基酒樣品溫度信息的加入,8種化合物影響模型擬合度的因子數增加了1～3個,表明樣品溫度的變化使化合物的吸收光譜信息更復雜,構建模型需要的影響因素更多。

表3 濃香型基酒中8種化合物預測模型的參數優化結果Table 3 Parameter optimization results of 8 compounds prediction models in strong-flavor base Baijiu

2.2.3 模型1與模型2模型擬合度分析

利用PLS建立含量預測模型,采用校正集(圖4中藍色點)和驗證集(圖4中紅色點)留一交叉驗證法檢驗模型效果,由均方根誤差(root mean square error, RMSE)和相關系數R2評估模型效果,RMSE越小,R2越接近1,驗證集與校正集的參數越接近,模型的擬合效果越好。

a-酒精度模型1;b-酒精度模型2圖4 酒精度檢測模型預測值與化學值的相關性Fig.4 Correlation between predicted value and chemical value of alcohol detection model

由圖4和表4可知,與模型1相比,模型2的酒精度、乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸驗證集的R2下降了0.003～0.043,丁酸驗證集的R2提高了0.103;RMSE有增有減,RMSE差別均≤0.194,說明溫度光譜信息的加入稍降低了模型預測值與化學值的相關性,但對模型預測能力的影響很小。模型2中,酒精度、乙酸乙酯、乳酸乙酯驗證集的R2可達到0.99,己酸乙酯的R2為0.95,這4種化合物模型擬合度高,預測結果準確性好;丁酸乙酯、乙酸、己酸的R2約為0.90左右,模型擬合度較好,可以滿足自動化摘酒的生產檢測需求。丁酸的R2為0.79,表明丁酸乙酯預測值和化學值間存在線性關系,但由于基酒中丁酸含量只有0.06～0.14 g/L,含量低,含量范圍窄,導致中紅外光譜采集信息有限,預測結果較差。酒精度、乙酸乙酯、乳酸乙酯、己酸乙酯、乙酸、己酸、丁酸乙酯、丁酸的含量范圍依次降低,模型預測決定系數也依次降低,表明基酒的紅外光譜吸收與化合物含量之間存在良好的線性關系,當化合物含量范圍越寬,含量分布越均勻時,模型擬合效果越好,預測結果準確性越高;反之,則模型擬合效果越差,預測結果準確性越低。

表4 濃香型基酒中7種化合物模型1與模型2結果Table 4 Results of model 1 and model 2 for 7 compounds in strong-flavor base Baijiu

2.2.4 模型預測穩定性和精密度

從驗證集9個基酒樣品中,選擇4個樣品,盡量均勻覆蓋8種待測化合物的化學值范圍。實驗室溫度下每個樣品重復采集4次光譜,用檢測模型2預測8種成分的含量。由表5可知,4個樣品4次重復性實驗預測結果與化學值的平均絕對偏差,酒精度、乙酸乙酯、己酸乙酯、乳酸乙酯≤3%,丁酸乙酯、乙酸、己酸≤7%,己酸≤12%,除己酸外,其他7種化合物的測量偏差均較小;酒精度相差范圍≤0.70%vol,其他7種化合物的相差范圍均≤0.15 g/L,相差范圍小,模型精密度較高,穩定性好。

表5 八種化合物模型2預測值穩定性試驗結果Table 5 Stability test results of 8 compounds predicted values by model 2

續表5

2.3 溫度對中紅外定量分析模型的影響

同一溫度校正集樣品在4、10、15、20、25、30 ℃下采集光譜如圖5所示。

a-乙醇;b-酯類、酸類圖5 同一樣品不同溫度時乙醇紅外光譜圖 和酯類、酸類化合物紅外光譜圖Fig.5 Infrared spectra of alcohol and ester and acid compounds in the same sample at different temperatures

由圖5可知,同一樣品不同溫度下,紅外光譜吸收峰高和峰谷差異明顯,這是由于不同溫度下分子振動躍遷所需的光譜輻射能量不同導致的。由圖5-a可知,溫度導致酒精度兩個關鍵吸收峰共同增加或減少,但2個峰增減的量不一樣。由圖5-b可知,酯類、酸類特征譜區的吸收峰在1 120～1 496 cm-1,30 ℃吸收光譜在上,4 ℃吸收光譜在下,而1 588～1 792 cm-1二者順序相反,表現出溫度影響化合物不同波段吸收的差異性。

由圖6可知,酒精度模型2的偏差≤2%,模型1達到了6%;乙酸乙酯、己酸乙酯、乳酸乙酯模型2預測結果絕對偏差均≤10%,而模型1的偏差可達到32%;丁酸乙酯、乙酸、己酸、丁酸模型2的偏差在15%以內,模型1的偏差達到了42%。模型1與模型2在20、25 ℃時預測結果比較接近且預測結果偏差小;在4、10、15 ℃時預測結果偏差相對較大,尤其是模型1在低溫時預測結果偏差比模型2大0.8～3.9倍。綜上可知,模型2的測量偏差可以滿足在線檢測酒中8種化合物的需求,溫度補償全局校正方法能夠減少溫度對定量分析模型的干擾,是解決環境溫差導致定量分析模型系統偏差大的一種有效方法。

a-酒精度;b-乙酸乙酯;c-丁酸乙酯;d-己酸乙酯;e-乳酸乙酯;f-乙酸;g-己酸;h-丁酸圖6 不同溫度下8種化合物模型1和模型2預測偏差對比圖Fig.6 Comparison of prediction deviations between Model 1 and Model 2 for 8 compounds at different temperatures注:同一樣品有12根偏差條形柱,從左往右依此為4、10、15、20、25、30 ℃時的絕對偏差,每個溫度有兩根, 左邊為模型2的預測結果偏差,右邊為模型1的預測結果偏差。

3 總結

在工業4.0的背景下,智能化釀造是白酒行業轉型升級的熱點,在線檢測基酒中關鍵風味物質含量,實現自動劃分基酒餾分質量等級是智能釀造的關鍵一環。利用傅立葉變換中紅外光譜建立酒精度、乙酸乙酯、丁酸乙酯、己酸乙酯、乳酸乙酯、乙酸、己酸預測模型的R2≥0.90,重復性實驗偏差在10%以內,準確性和系統穩定性都滿足在線檢測需求。丁酸預測模型的R2僅為0.79,由于其含量小且范圍窄,對摘酒分級影響小;如果基酒中丁酸含量大,鑒于檢測模型的R2與待測化合物含量呈正相關,只需補充高含量丁酸樣品的光譜信息完善丁酸檢測模型即可。此外,溫度補償全局校正方法解決了環境溫度變化引起的檢測系統偏差大的問題,為傅里葉變換中紅外在線檢測儀的實際應用提供了數據支持。