電子鼻結合化學計量法用于檢測黃酒酒齡

張 振 李臻鋒，2，3 宋飛虎，2 李 靜，2 徐晚秀

（1.江南大學機械工程學院，江蘇 無錫 214122；2.江蘇省食品先進制造裝備技術重點實驗室，江蘇 無錫 214122；3.紹興縣魁聯機電科技有限公司，浙江 紹興 312030）

黃酒歷史悠久，被譽為中國的“國粹酒”，是中華民族特有酒種，具有香氣濃郁、口味醇厚、營養豐富的特點，深受廣大消費者喜愛。黃酒的風味和質量隨著年份的增加而相應提高，在工廠中是按照年限跟風味質量對黃酒進行分類，它的酒齡（即幾年陳）成為其重要標志，進而在黃酒行業內常以酒齡來評定黃酒品質。

研究［1－3］表明，酒齡對黃酒中的揮發性風味物質的影響比較大。近年來，大部分研究是采用氣相色譜［4，5］、GCMS［6－9］、高效液相色譜［10］、近紅外光譜［11，12］、電子鼻［13，14］等分析技術，實現對黃酒的品質、釀造年份及產地的鑒別。

色譜與光譜方法的優點是可以定性定量測定黃酒中的風味成分，但在不同程度上存在不足之處。GC、GC－MS檢測黃酒氣味中不同化學成分時需準備各種內標物，工作量極大。采用光譜法檢測時，樣品狀態、測量條件、水的存在等會掩蓋其他成分吸收光譜的信號［15］。色譜與光譜方法所需要的常規高精密儀器，分析過程復雜、耗時耗力且分析成本高，受限制較多。

電子鼻分析法，即人工嗅覺技術，近年來在食品檢測中應用廣泛，它通過特定傳感器的交叉特性聯合模式識別檢測混合氣體，得到樣品揮發物的綜合信息，進而從整體上對樣品進行檢測判別［16］。電子鼻已經在食品及添加劑方面［17－20］發揮出重要作用。對于酒精類飲料檢測中，電子鼻技術在葡萄酒、黃酒、白酒的鑒定和分類方面也有相關應用。Li Zhen-feng等［21］總結了電子鼻在葡萄酒方面的應用進展。曾金紅等［22］采用金屬氧化物型電子鼻對不同產地的黃酒采樣分析，利用數理統計方法建模，成功區分了紹興原產地、紹興非原產地及紹興以外地區的黃酒樣品。江濤等［23］使用Flash GC型電子鼻對不同酒齡的黃酒采樣分析，建立數學模型對酒齡預測，發現PLS模型對不同酒齡的塔牌黃酒預測結果較好，對其他廠家的則毫無準確性和規律性。Zhang Qin-yi等［24］則使用金屬氧化物型電子鼻成功區分了5種不同的白酒。

從2002年開始，一種叫zNose的新型的電子鼻被研制出來并且開始商業化應用。從原理上講，zNose作為一種獨特的微型高速氣相色譜儀，主要由一個短色譜分離柱（DB-5）、聲表面波傳感器和電路系統組成。zNose的檢測器是一個未涂覆的高質量的壓電石英晶體。石英晶體工作時，表面保持高頻率的聲波。待測物質到達并粘在傳感器表面，傳感器頻率發生變化［25］。頻率變化（單位是Counts）通過微型控制器獲得，根據頻率變化可以表征氣體的濃度。進一步經軟件處理，對待測物進行定性和定量測定。在揮發物到達傳感器之前，它們被短色譜分離柱分離，這個短分離柱含結合液相的內部涂層。揮發物溶解在液相中，在不同的時刻揮發出分離柱，這種分離通過一個可編程的溫度控制柱加熱進一步增強。一種化學物質停留在分離柱的時間成為該種物質的停留時間，對每一種分離物質，停留時間都是獨一的。每個峰的面積被當作揮發量的度量。zNose能在數秒鐘檢測出化學物質。蜂蜜中的揮發物［24］，蘋果氣味的揮發物［26］，蔬菜油的揮發物［27］已經通過zNose檢測出來。

本研究擬通過表面聲波型電子鼻zNose分析古越龍山黃酒揮發性氣味的特征變化，找出不同年份黃酒之間的差異，快速實時判斷古越龍山黃酒的酒齡。

1 材料和方法

1.1 樣品準備

試驗選用浙江古越龍山有限公司提供的3年陳，5年陳，8年陳，10年陳不同生產日期黃酒樣品，每個年份各取6瓶。

1.2 儀器設備

電子鼻：Model 4200型，Electronic Sensor Technology，USA；

Transferpette移液器：5mL，德國普蘭德公司。

1.3 試驗過程

電子鼻對4種不同年份的古越龍山黃酒進行檢測，采用頂空和鼓泡技術。側式針作為樣本的氣味注入工具，火花針為氣泡發生器。旋轉閥用于取樣位置和注射位置的轉換，分離器用于揮發物的預濃縮和保持，高純氦（99.999%）作為運載氣體。

采樣時，用40mL的頂空瓶（高度98mm，直徑28mm）對每種檢測的黃酒樣品，取樣10mL。在室溫下放置1h，頂空進樣。用側式針取樣（10s），揮發性物質在運載氣體（高純氦）作用下進入短色譜分離柱內進行分離（14s），在20s內每隔0.02s一次數據采集，測量得到氣味圖譜后，焙烤傳感器30s，清理本次酒樣揮發物在傳感器上的殘留。為修正電子鼻停留時間偏移這一問題，在每次測量前須預熱電子鼻，并用正構烷烴標準溶液對其進行標定。

電子鼻每次采樣的過程設置為90s，試驗采用的電子鼻為分體式，分為采樣器和底架，采樣器尺寸為31.8cm×10.9cm×17.3cm，底架尺寸為31.8cm×26.4cm×14.5cm，兩者通過一根電纜線連接，兩者重量之和為11.1kg左右。儀器整體尺寸較小，重量較輕，一次充氣之后，可以持續運行5h左右，便于實時實地檢測。

2 結果與分析

2.1 一階導數圖譜

電子鼻的傳感器檢測到的原始頻率信號通過電腦采集，然后得到它們的一階導數。一階導數的正數部分，經過平滑化，用來繪制樣品的圖譜，這一點與氣相色譜儀類似。從每個文件的一階導數圖譜中選取8種特征峰，每個峰的峰面積代表黃酒中相應揮發性物質的數量。通過電子鼻系統軟件（MicroSense 4.0）預處理后，得到的數據進行統計分析。

圖1展示了正構烷烴標準液跟4種不同年份古越龍山黃酒的氣味圖譜。在圖1中，為了方便比對，每條圖譜均進行了縱向的偏移，即各圖譜的基線均進行了一定程度的偏移。正構烷烴的數字6～14代表C6～C14（碳原子數目），樣品圖譜中的數字編號1～8代表特征峰1～8，是從中選取出來用于酒齡鑒別的特征峰。選取的原則是：在某一年份的樣品中，某一特征峰的峰面積在面積總和中所占百分率較大。在不同年份的黃酒中，篩選出來的8個特征峰的峰面積之和占相應年份所有峰的峰面積和的百分數分別為96%，95%，95%，96%，且8個峰的峰面積和與所有峰的峰面積之和隨酒齡的變化趨勢非常吻合，見圖2。而在峰4與峰5之間、峰5與峰6之間某些圖譜存在一些較小的峰，將它們去除的原因是在不同年份的黃酒中，該特征峰有時會缺失，或峰面積值很小（小于100Counts）。通過比對正構烷烴的圖譜，黃酒中大部分的揮發物是在C6～C14（6至14個碳原子的化合物）。實際上通過zNose得到的每個峰代表的是一組物質，即具有相同碳原子數目的化合物，給予的是一個綜合的整體響應，不能精確到是哪一種化合物。由于不同酒齡的黃酒揮發性成分含量存在一定的差異，圖2各圖譜特征峰的峰面積值也有所不同。

對圖1所示氣味圖譜進行分析，將各年份黃酒氣味圖譜中的8個峰面積加和，結果見表1。由表1可知，面積總和數值的順序跟黃酒年份及價格的順序一致，這表明總體來看價格高的高酒齡黃酒在揮發物上含量更高，這一結論與黃酒年份越高，香氣更濃郁，口味更醇厚是一致的［4］。

2.2 統計分析

2.2.1 主成分分析結果 圖3為主成分分析分類圖，展示了4種不同酒齡黃酒的區分情況。前3個主成分占據了累計方差貢獻率的100%，其中第一主成分為58.688%，第二主成分為25.133%。由圖3可知，4種不同年份的黃酒可以區分開來，說明可使用主成分分析區分不同酒齡的黃酒。

圖1 正構烷烴（C6～C14）和4種黃酒樣品的一階導數圖譜Figure 1 First derivatives of n-alkanes（C6～C14）and four samples

圖2 8種峰的峰面積和與所有峰的峰面積和的變化趨勢Figure 2 Variation trend of sum of eight peaks and all peaks in area

表1 4種黃酒酒樣8種峰的峰面積總和Table 1 Sum of the peak areas of four samples

2.2.2 判別因子分析結果 利用判別因子分析法對不同酒齡黃酒電子鼻數據建立數學模型，進而對不同酒齡的黃酒樣品進行區分鑒別，結果見表2。由表2可知，對于每種年份樣品的6次重復試驗中均沒有出現判別錯誤的情況，4種不同年份黃酒的鑒別正確率均為100%。

2.2.3 回歸分析 對選出的8種特征峰進行回歸分析，相關峰的散點圖、回歸線及回歸方程見圖4～10。

圖3 主成分分析分類圖Figure 3 Classification sketch of principal component analysis

表2 黃酒酒齡鑒別模型的分析結果Table 2 Result of discriminant function analysis

圖4 峰1、峰2、峰3、峰4、峰5、峰7的峰面積值的變化趨勢Figure 4 Variation trend of peak1，peak2，peak3，peak4，peak5，peak7in area

圖4展示峰1、峰2、峰3、峰4、峰5、峰7的峰面積值的變化趨勢，峰6與峰8的面積值較小，不列在其中。峰1面積的平均值為468.625Counts，峰2面積的平均值為1 074.75Counts，峰3面積的平均值為852.166 7Counts，峰4面積的平均值為956Counts，峰5面積的平均值為1 764Counts，峰7面積的平均值為1 060.625Counts。

峰1呈現上升、下降再上升的趨勢。峰2呈現下降再上升的趨勢。峰3呈現上升、下降再上升的趨勢。峰4呈現上升的趨勢。峰5呈現下降的趨勢。峰7呈現下降、上升再下降的趨勢。

圖5 峰6的峰面積值散點圖及回歸線Figure 5 Scatter figure and regression line of peak6in area

圖6 峰8的峰面積值散點圖及回歸線Figure 6 Scatter figure and regression line of peak8in area

圖7 峰2的峰面積值散點圖及回歸線Figure 7 Scatter figure and regression line of peak2in area

圖8 峰4的峰面積值散點圖及回歸線Figure 8 Scatter figure and regression line of peak4in area

圖9 峰5的峰面積值散點圖及回歸線Figure 9 Scatter figure and regression line of peak5in area

圖10 8個峰的峰面積和的散點圖及回歸線Figure 10 Scatter figure and regression line of sum of eight peaks in area

從分析結果可以看出，峰4、峰5的增長或減小的變化趨勢較為明顯。峰1、峰2、峰3、峰7的面積值較大，呈現不穩定的變化趨勢，可能是在陳釀過程中，在不同的階段，醇、醛、酸、酯類發生了化學反應，引起某些變化。黃酒的香氣是一種復合香氣，在多種成分相互作用下產生。其中，醇酯類是構成黃酒芳香成分的主要物質。研究［4－9］表明，黃酒的風味物質由大量的微量成分構成，包括醇類、醛類、酸類、酯類及雜環類化合物，這些微量成分種類繁多但含量極少，共同作用形成黃酒獨特的風味。這些風味成分主要來自兩個方面，一是發酵過程，一是陳釀過程。黃酒在陳釀過程中，許多物理及化學反應會在不同風味成分之間發生，因此黃酒揮發性物質會發生一些改變，進一步引起黃酒風味的改變，使得黃酒隨著陳釀時間的增加，不同組分之間逐漸協調，風味變得更好。

對于峰6，4種年份黃酒面積的平均值較小，僅為246.166 7Counts，從3年到5年呈現上升的趨勢，之后基本保持不變（圖5）。根據峰6可以將3年陳與其他年份的黃酒區分開來。而峰8，4種年份黃酒面積的平均值保持在320 Counts左右，且從3年到5年呈現下降的趨勢，之后上升（圖6），8年陳和10年陳的面積值略高于3年陳，5年陳最小，根據峰8可以將5年陳與其他年份的黃酒區分開來。

雖然電子鼻給出的是黃酒揮發性氣味的整體信息，而不是黃酒中某特定成分的定性定量信息，通過電子鼻得到的特征峰仍能與其他儀器測得的化學物質找到一些對應關系。

峰2（圖7）呈現下降再上升的趨勢。酯類物質在黃酒中種類最多，隨著黃酒陳釀時間的增加，其中的酯類物質含量先下降再上升。在黃酒的陳釀初期，酒體不穩定，由酵母菌生成的酯類物質會不斷地水解，出現含量下降的情況。隨著陳釀時間的增加，黃酒中的醇類與酯類發生酯化反應或者酯交換反應，使得酯類物質的含量不斷增加［6，9］。峰2的變化趨勢與酯類的變化趨勢一致。

峰4隨著年限的增加，呈現遞增的趨勢（圖8）。醛類物質屬于羰基化合物，在黃酒中，醛類物質的含量遠遠低于酯類和醇類物質，只占風味物質總量的2%，但醛類物質與黃酒的風味老化非常相關，是形成其獨特風味的重要組分。隨著陳釀時間的增加，黃酒中醛類物質的含量不斷上升，此現象說明醛類物質產生于黃酒的陳釀過程［6，8］。峰4的變化趨勢與醛類的變化趨勢一致。

峰5則呈現遞減的趨勢（圖9）。在陳釀過程中，雖然黃酒中的醇類物質含量會發生變化，總體來講隨著年限的增加，黃酒的醇類物質含量逐漸下降，產生這種變化的主要原因是醇類物質被不斷氧化成酸所致［6，9］。峰5的變化趨勢與醇類的變化趨勢一致。

8個峰的面積總和也呈現遞增的趨勢（圖10）。

總的來講，峰4、峰5、8個峰的面積總和的回歸線，隨著年限的增加，接近線性分布，因此，可以通過峰4、峰5、8個峰的面積總和對4種不同年份的古越龍山黃酒進行區分。特征峰4跟特征峰5的面積以及兩者之和所占百分比較大（表3），峰4、峰5、8個峰的面積總和通過距離分析（表4），判斷三者的相關性，峰5與峰4、8個峰的面積總和為強相關，峰4與8個峰的面積總和為中等相關。根據峰4、峰5在8個峰的面積總和中的百分率及其三者之間的相關性判斷，采用峰4、峰5、8個峰的面積總和來區分不同酒齡的黃酒比較合理。

表3 峰4、峰5占峰面積總和的百分率Table 3 Percentage of peak4，peak5in area%

表4 近似矩陣Table 4 Approximate matrix

3 結論

本研究為不同年份黃酒的分類提供了一個新的思路和方法。通過揮發性信號，4種不同年份的古越龍山黃酒可以很好地區分開來。不同酒齡黃酒之間的差異可以通過電子鼻檢測到的氣味信息加以分辨。電子鼻檢測到的不同峰的峰面積在黃酒的鑒別和分類中可作為有用的參數。化學計量方法結合電子鼻傳感器信息可較好地用于黃酒酒齡鑒別。

在這項研究中，通過特征峰4、峰5、8個峰的面積總和，可簡單快速地區分4種不同年份的古越龍山黃酒。主成分分析法、判別因子分析法以及回歸分析都是非常有用的工具。然而，在這項研究中，只有很有限的黃酒應用其中，這一限制也可以解釋為什么通過判別因子分析時結果能達到100%。在企業中，需要用更多的樣品來進行試驗，來驗證其分類能力。

1 范懷德，喬自林.黃酒營養價值的研究［J］.西北民族學院學報（自然科學版），2000（6）：47～49.

2 江濤，李博斌，鄭云峰，等.黃酒品質評價方法的研究進展［J］.釀酒科技，2012（5）：17～19.

3 王家林，張穎，于秦峰.黃酒風味物質成分的研究進展［J］.釀酒科技，2011（8）：96～98，103.

4 嚴冬霞，高紅波.靜態頂空—氣相色譜法分析不同年份黃酒中主要香氣成分［J］.釀酒科技，2011（7）：114～117，120.

5 胡健，池國紅，吳苗葉，等.利用風味物質鑒別黃酒產地［J］.釀酒科技，2009（6）：17～19.

6 江偉，蘭玉倩，黃毅，等.固相微萃取與氣相色譜—質譜聯用法對不同酒齡黃酒的微量風味分析與應用［J］.食品與發酵工業，2011，37（2）：144～148.

7 李博斌，李祖光，劉興泉，等.黃酒風味物質與黃酒香氣感官評分的定量關系［J］.釀酒科技，2008（11）：90～92，96.

8 鮑忠定，孫培龍，許榮年.動態頂空進樣GC/MS法測定不同酒齡紹興酒的揮發性醛類化合物［J］.釀酒科技，2007（1）：97～98.

9 鮑忠定，孫培龍，許榮年.吹掃捕集與氣相色譜—質譜聯用測定不同酒齡紹興酒的揮發性醇酯類化合物［J］.釀酒科技，2008（9）：104～107.

10 諸葛慶，李博斌，鄭云峰，等.反相高效液相色譜法測定黃酒中的β－苯乙醇［J］.食品科學，2009，30（14）：175～177.

11 劉飛，王莉，何勇，等.應用可見/近紅外光譜進行黃酒品種的判別［J］.光譜學與光譜分析，2008，28（3）：587～588.

12 于海燕，應義斌，傅霞萍，等.近紅外透射光譜應用于黃酒酒齡的定性分析［J］.光譜學與光譜分析，2007，27（5）：921～922.

13 魯小利，張秋菊，蔡小慶.實用仿生電子鼻在黃酒檢測中的應用［J］.釀酒科技，2014（3）：53～55.

14 顧海鋒，張世慶，孫力，等.黃酒識別的電子鼻系統設計［J］.食品科技，2014，39（4）：248～251.

15 尹猛猛.基于可視化陣列傳感器的白酒鑒別系統設計及應用研究［D］.重慶：重慶大學，2010.

16 閆李慧，王金水，渠琛玲，等.仿生電子鼻及其在食品工業中的應用研究［J］.食品與機械，2010，26（6）：156～159.

17 王寵，梁琪，甘伯中，等.電子鼻在干酪風味檢測中的應用［J］.食品與機械，2012，28（2）：250～253.

18 張燕燕，蔡靜平，蔣澎.儲糧微生物危害檢測技術研究進展［J］.食品與機械，2013，29（6）：267～270，272.

19 張瑤，丁武.利用電子鼻區分羊奶中不同濃度抗生素［J］.食品與機械，2011，27（6）：144～146，156.

20 秦藍，李鳳華，田懷香，等.雞精調味料人工感官評價與電子鼻感官分析的相關性研究［J］.食品與機械，2014，30（4）：11～13，42.

21 Li Zhen-feng，Wang Ning，Vigneault C.Electronic nose and electronic tongue in food production and processing［J］.Stewart Postharvest Review，2006（4）：1～6.

22 曾金紅，江濤，鄭云峰，等.基于仿生嗅覺特征的黃酒產地判別研究［J］.釀酒科技，2012（2）：23～26.

23 江濤，李博斌，鄭云峰，等.電子鼻對紹興黃酒酒齡的定量判別研究［J］.釀酒科技，2012（1）：39～41，46.

24 Zhang Qin-yi，Xie Chang-sheng，Zhang Shun-ping，et al.Identification and pattern recognition analysis of Chinese liquors doped nano ZnO gas sensor array［J］.Sensors Actuators B，2005，2（110）：370～376.

25 Jeroen Lammertyn，Els A Veraverbeke，Joseph Irudayaraj.zNose technology for the classification of honey based on rapid aroma profiling［J］.Sensors Actuators B，2004（98）：54～62.

26 Li Chang-ying，Paul Heinemann，Richard Sherry.Neural network and Bayesian network fusion models to fuse electronic nose and surface acoustic wave sensor data for apple defect detection［J］.Sensors and Actuators.B，Chemical，2007（125）：301～310.

27 H L Gan，Y B Che Man，C P Tan，et al.Characterization of vegetable oils by surface acoustic wave sensing electronic nose［J］.Food Chemistry，2004（89）：507～518.