云端智能微型近红外光谱仪的酒醅定量分析模型开发

王小琴，郭 艳，宋廷富，罗 珠，李杨华，安明哲，张国宏，王 毅，李光尧，闫晓剑

(1.宜宾五粮液股份有限公司，四川 宜宾 644000；2.四川长虹电器股份有限公司，四川 绵阳 621000)

传统固态白酒酿造是一个典型的酿酒微生物群落共生、共酵、代谢调控的过程，出入窖酒醅质量是整个酿酒生产系统运行控制的关键因子，对白酒最终品质有着极为重要和关键的影响力。长期以来，传统理化检测方法落后，耗时耗力，成为了困扰整个行业的技术难点。近红外光谱仪可以实现对酒醅的快速检测，具有快速、无药品消耗、无污染、分析简单、多组分同时分析、检测量大、数据准确、重现性好的特点，可及时为酿酒生产现场提供数据，将原来的事后验证转为事前调控。然而传统的近红外光谱仪体积大、需要专业人员操作、价格昂贵、使用环境条件严格，无法现场检测。采用国产微型近红外光谱仪及配套的端云一体光谱智能建模系统可以解决以上问题，而且方便推广，有望形成大规模的近红外光谱应用。

1 材料与方法

1.1 材料、仪器

原料：酒醅实验样品为出窖酒醅150 个、入窖酒醅150个。

仪器设备：PV400R-I 型微型智能近红外光谱仪；特制的酒醅压紧工装。

1.2 试验方法

1.2.1 样本组分含量的测定

酒醅水分、淀粉、酸度、残糖等理化指标均由车间经验丰富化验员按常规化学方法测定所得。

1.2.2 样品的近红外光谱采集

采用手机智能光谱APP进行光谱采集，具体操作方式是先用手机蓝牙连接微型光谱仪，操作人员通过手机上的安卓APP 即可实现对酒醅光谱的采集、观测、分析、记录。同时使用定制的酒醅压紧工装进行制样，保证酒醅样品的一致性。采用PV400R-I 型微型智能近红外光谱仪对压紧后的每个酒醅样本进行光谱扫描并上传数据，测量方式为漫反射，每个酒醅样品需要扫描6 次光谱。智能光谱系统的系统框架如图1所示。

图1 端云一体光谱智能建模系统

酒醅的近红外光谱数据如图2所示。

图2 酒醅近红外光谱(平滑+1阶导)

2 结果与分析

2.1 校正集样本的选择

采用Kennard Stone（K-S）算法对样本进行划分，该算法按照欧氏距离进行均匀划分，能够避免人为划分样本时的随机性。本文按照校正集67%，验证集33%的比例划分，选取100 个样本为校正集，50个样本作为验证集。

2.2 光谱预处理及建模

近红外光谱曲线的稳定性、可靠性会受到噪声、基线漂移、样品颗粒分布不均匀等因素的干扰，为了避免这些因素的干扰需要运用适当的光谱预处理方法。

光谱的预处理及建模采用WEB 方式登录，在服务器端进行光谱数据预处理和建模。预处理方法包括平滑、标准正态变量变换（SNV）、归一化、求导、线性校正、LOG、中心化、去趋势化等等20 多种预处理算法。近红外光谱分析的定量建模方法包括多元线性回归（MLR）、主成分回归（PCR）、偏最小二乘回归（PLS）、人工神经网络（ANN）和支持向量机（SVM）等。其中，PLS 算法应用最为广泛，本文选用PLS 算法进行建模。通过不同的预处理方法、预处理方法的参数选择、PLS 成分数选择组合建立定量模型，选择出酒醅的水分、酸度、淀粉、残糖的最佳建模方法。各个模型内部交叉验证得到的预测值和参考值对比如图3所示。

图3 出入窖各指标PLS定量模型内部交叉验证结果

2.3 模型预测效果

为了对模型的实际预测能力进行校验，采用模型外的50 个样本对所建模型进行盲样测试，模型外盲测验证结果与五粮液公司常规化学方法测定的酒醅水分、淀粉、酸度、残糖的含量对比，实现了水分绝对偏差≤1%、淀粉绝对偏差≤1%、酸度绝对偏差≤0.3%、残糖绝对偏差≤0.3%的效果。所开发的模型覆盖了多个车间的实际样品，而且模型对应的建模样本库覆盖了全年的春夏秋冬4 个季节。各个指标模型内部交叉验证参数与预测准确率如表1所示。

表1 各指标模型内部交叉验证参数与盲样预测准确率

3 结论

基于国产的微型智能近红外光谱仪及智能光谱建模系统，针对复杂的5 种粮食构成的混合物酒醅进行了近红外光谱建模并验证，实现了出窖酒醅、入窖酒醅成分现场快速分析功能。相比传统的实验室用近红外光谱分析设备，具有以下几点显著优势。

体积小巧，轻便，易携带，非常适合对酿酒车间酒醅进行现场快速分析。

具备适用于光谱数据管理、分析、建模的云端数据库架构，采用了严格的用户管理体系，不同权限的用户有不同的操作许可，以此来实现不同用户之间相关光谱数据库和光谱模型的隔离，不但简化了光谱仪终端的复杂度，而且提高了光谱数据和模型的安全性。

采用智能手机操作，在光谱分析时仅需选择待测物质对应的模型即可完成现场快速分析，检测人员不需要具备专业知识背景，有利于做到生产车间、窖池班组全覆盖，以科学的准确的分析数据代替传统的工人师傅经验数据，实现看糟配料的精细化管理，做到酿酒发酵过程酒醅变化情况全程可追溯，实现生产工艺的智能化管理，积累酿酒生产数据，形成以智能光谱数据为核心的生产大数据，进而在此基础上丰富更多的生产数据信息，挖掘数据价值，为酿酒生产提质增效提供可靠的数据基础。