云端智能微型近紅外光譜儀的酒醅定量分析模型開發

王小琴，郭 艷，宋廷富，羅 珠，李楊華，安明哲，張國宏，王 毅，李光堯，閆曉劍

(1.宜賓五糧液股份有限公司，四川 宜賓 644000；2.四川長虹電器股份有限公司，四川 綿陽 621000)

傳統固態白酒釀造是一個典型的釀酒微生物群落共生、共酵、代謝調控的過程，出入窖酒醅質量是整個釀酒生產系統運行控制的關鍵因子，對白酒最終品質有著極為重要和關鍵的影響力。長期以來，傳統理化檢測方法落后，耗時耗力，成為了困擾整個行業的技術難點。近紅外光譜儀可以實現對酒醅的快速檢測，具有快速、無藥品消耗、無污染、分析簡單、多組分同時分析、檢測量大、數據準確、重現性好的特點，可及時為釀酒生產現場提供數據，將原來的事后驗證轉為事前調控。然而傳統的近紅外光譜儀體積大、需要專業人員操作、價格昂貴、使用環境條件嚴格，無法現場檢測。采用國產微型近紅外光譜儀及配套的端云一體光譜智能建模系統可以解決以上問題，而且方便推廣，有望形成大規模的近紅外光譜應用。

1 材料與方法

1.1 材料、儀器

原料：酒醅實驗樣品為出窖酒醅150 個、入窖酒醅150個。

儀器設備：PV400R-I 型微型智能近紅外光譜儀；特制的酒醅壓緊工裝。

1.2 試驗方法

1.2.1 樣本組分含量的測定

酒醅水分、淀粉、酸度、殘糖等理化指標均由車間經驗豐富化驗員按常規化學方法測定所得。

1.2.2 樣品的近紅外光譜采集

采用手機智能光譜APP進行光譜采集，具體操作方式是先用手機藍牙連接微型光譜儀，操作人員通過手機上的安卓APP 即可實現對酒醅光譜的采集、觀測、分析、記錄。同時使用定制的酒醅壓緊工裝進行制樣，保證酒醅樣品的一致性。采用PV400R-I 型微型智能近紅外光譜儀對壓緊后的每個酒醅樣本進行光譜掃描并上傳數據，測量方式為漫反射，每個酒醅樣品需要掃描6 次光譜。智能光譜系統的系統框架如圖1所示。

圖1 端云一體光譜智能建模系統

酒醅的近紅外光譜數據如圖2所示。

圖2 酒醅近紅外光譜(平滑+1階導)

2 結果與分析

2.1 校正集樣本的選擇

采用Kennard Stone（K-S）算法對樣本進行劃分，該算法按照歐氏距離進行均勻劃分，能夠避免人為劃分樣本時的隨機性。本文按照校正集67%，驗證集33%的比例劃分，選取100 個樣本為校正集，50個樣本作為驗證集。

2.2 光譜預處理及建模

近紅外光譜曲線的穩定性、可靠性會受到噪聲、基線漂移、樣品顆粒分布不均勻等因素的干擾，為了避免這些因素的干擾需要運用適當的光譜預處理方法。

光譜的預處理及建模采用WEB 方式登錄，在服務器端進行光譜數據預處理和建模。預處理方法包括平滑、標準正態變量變換（SNV）、歸一化、求導、線性校正、LOG、中心化、去趨勢化等等20 多種預處理算法。近紅外光譜分析的定量建模方法包括多元線性回歸（MLR）、主成分回歸（PCR）、偏最小二乘回歸（PLS）、人工神經網絡（ANN）和支持向量機（SVM）等。其中，PLS 算法應用最為廣泛，本文選用PLS 算法進行建模。通過不同的預處理方法、預處理方法的參數選擇、PLS 成分數選擇組合建立定量模型，選擇出酒醅的水分、酸度、淀粉、殘糖的最佳建模方法。各個模型內部交叉驗證得到的預測值和參考值對比如圖3所示。

圖3 出入窖各指標PLS定量模型內部交叉驗證結果

2.3 模型預測效果

為了對模型的實際預測能力進行校驗，采用模型外的50 個樣本對所建模型進行盲樣測試，模型外盲測驗證結果與五糧液公司常規化學方法測定的酒醅水分、淀粉、酸度、殘糖的含量對比，實現了水分絕對偏差≤1%、淀粉絕對偏差≤1%、酸度絕對偏差≤0.3%、殘糖絕對偏差≤0.3%的效果。所開發的模型覆蓋了多個車間的實際樣品，而且模型對應的建模樣本庫覆蓋了全年的春夏秋冬4 個季節。各個指標模型內部交叉驗證參數與預測準確率如表1所示。

表1 各指標模型內部交叉驗證參數與盲樣預測準確率

3 結論

基于國產的微型智能近紅外光譜儀及智能光譜建模系統，針對復雜的5 種糧食構成的混合物酒醅進行了近紅外光譜建模并驗證，實現了出窖酒醅、入窖酒醅成分現場快速分析功能。相比傳統的實驗室用近紅外光譜分析設備，具有以下幾點顯著優勢。

體積小巧，輕便，易攜帶，非常適合對釀酒車間酒醅進行現場快速分析。

具備適用于光譜數據管理、分析、建模的云端數據庫架構，采用了嚴格的用戶管理體系，不同權限的用戶有不同的操作許可，以此來實現不同用戶之間相關光譜數據庫和光譜模型的隔離，不但簡化了光譜儀終端的復雜度，而且提高了光譜數據和模型的安全性。

采用智能手機操作，在光譜分析時僅需選擇待測物質對應的模型即可完成現場快速分析，檢測人員不需要具備專業知識背景，有利于做到生產車間、窖池班組全覆蓋，以科學的準確的分析數據代替傳統的工人師傅經驗數據，實現看糟配料的精細化管理，做到釀酒發酵過程酒醅變化情況全程可追溯，實現生產工藝的智能化管理，積累釀酒生產數據，形成以智能光譜數據為核心的生產大數據，進而在此基礎上豐富更多的生產數據信息，挖掘數據價值，為釀酒生產提質增效提供可靠的數據基礎。