采用近红外光谱测定糖蜜发酵液中酒精含量

郭晓菲，姚志湘，童张法，粟 晖，张小玲

（1.广西大学化学化工学院，广西南宁530004；2.广西工学院生物与化学工程系，广西柳州545006）

采用近红外光谱测定糖蜜发酵液中酒精含量

郭晓菲1，姚志湘2，童张法1，粟 晖2，张小玲2

（1.广西大学化学化工学院，广西南宁530004；2.广西工学院生物与化学工程系，广西柳州545006）

采用近红外光谱分析可满足糖蜜发酵酒精生产中酒精含量实时检测需求。本文以蒸出酒精后的发酵原液作参比获取的近红外透射光谱，通过最小二乘法建立酒精含量定量模型，用“残差平方和”和“独立变量数”两种方法判断模型主成分数，模型预测能力评价表明“独立变量数”判断更准确。所建模型具有良好的精确度和稳定性，可用于糖蜜酒精发酵的常规检测，符合酒精发酵过程的在线监测要求。

糖蜜发酵液，近红外光谱，酒精，偏最小二乘法，独立变量数

测定发酵液中酒精含量的传统方法有气相色谱法［1］、酒精计法［2］、重铬酸钾氧化法［3］和高效液相色谱法［4］等。酒精计法是酒精检测的标准方法，原理是根据乙醇含量与密度呈一定反比关系，利用酒精计（表）进行测定，所测得的误差比较大。重铬酸钾氧化法过程繁琐，污染大。气相色谱法和高效液相色谱法需要对样品进行前处理，试剂消耗大，测定时间较长。近红外光谱分析是20世纪90年代以来发展最快、最引人注目的光谱分析技术，具有无试剂消耗，不需对样品进行复杂处理，不破坏样本等优点，近红外光谱技术在分析领域发挥着越来越重要的作用。目前，国内外关于采用近红外光谱分析技术检测酒类中酒精度的研究较多［5-9］，但是对于测定谷物发酵液中酒精含量研究较少，更多采用传统测定方法。在发酵相关测试中，Zeaiter［10］等人利用近红外检测葡萄酒发酵过程中温度变化产生的影响；Georgina［11］等人利用近红外与偏最小二乘法相结合监测啤酒发酵过程的生物量和化学变化；李燕萍［12］等人采用近红外反射法与偏最小二乘法相结合，交互验证法验证模型，比较了发酵液原液和发酵液上清液近红外定标模型对预测酒精含量的差异。糖蜜发酵液锤度大，颜色深，其中含有大量糖、酸、酯、醛、杂醇油、金属离子等，从中直接、准确地测定乙醇含量，是发酵过程监测的关键问题。针对这一问题，本文采用近红外透射结合偏最小二乘回归建立了糖蜜发酵液中乙醇定量模型，实现糖蜜发酵液中乙醇的直接测定。

1 材料与方法

1.1 材料与仪器

糖蜜发酵液废液 柳州市凤山糖厂；无水乙醇分析纯；二次蒸馏水 实验室自制。

近红外光纤光谱仪NIR256-2.5 InGaAs检测器，波长范围800～2550nm，海洋光学公司（Ocean Opticas Inc.美国）。

1.2 实验方法

1.2.1 样本的配制 酒精发酵的浓度检测范围通常处于5%～15%。首先，随机选取不同发酵阶段取样的发酵液，将原液中酒精蒸出，无水乙醇按照浓度范围6%～20.5%（V/V），间隔0.25%（V/V），加入到10mL容量瓶中，用蒸后发酵液原液定容，配制58个样本。先将发酵液原液中酒精蒸出，再加入酒精做法的好处，一是可以精确设定酒精含量，避免采用其他分析手段测量引入的误差；二是提高实验效率。另外，配制58个样本采用的发酵原液并不相同，目的是尽可能使体系背景符合实际情况。

1.2.2 近红外光谱的采集 采用近红外透射光谱法对58个样本进行采集，用10mm玻璃比色皿作样品池，以浓度较大的不含酒精的发酵液原液作参比，调整光谱积分时间为7ms，测量波长区间为 800～2500nm，如图1所示，横坐标为波长，纵坐标为吸光度A。由于发酵液原液锤度大，颜色最深，发酵液中加入酒精后，锤度会降低，颜色变浅，以发酵液原液为参比，会导致吸光度为负值，朗伯比尔定律并未限定吸光度的正负，但负吸收测定却避免了背景高吸收导致的乙醇响应灵敏度下降问题。

图1 样品近红外吸收光谱图

1.2.3 主成分数的确定和建模样本的收集 主成分数量，或称系统变量数，是保证偏最小二乘模型效果的关键因素，本文分别采用预测残差平方和（Prediction Residual Error Sum of Square，PRESS）方法［13］和判断系统独立变量数方法［14］来确定系统主成分数目，对该因素作比较和探讨。运用主成分分析结合欧氏空间距离判断58个样本的空间分布情况，然后对样本进行聚类分析，选取40个样本作为校正集。两种分量数目确定方法所选的校正集存在差异，各自剩余的18个样本的交集为10个样本，选取此10个样本作为预测集，比较模型预测效果。

1.2.4 光谱数据预处理 采用变量标准化（SNV）和基线去除（Detrend）进行预处理，以扣除光谱中线性平移的影响，之后选择均值中心化（Mean Center）方法对光谱进一步优化［15］。

1.2.5 模型的建立 根据PRESS方法［13］和判断系统独立变量数方法［14］来确定系统主成分数所筛选的建模样本，采用偏最小二乘法建立定量模型，确定近红外光谱与酒精浓度的定量关系。

1.2.6 模型效果的验证与精密度检验 通过比较两个模型的校正集的均方根误差RMSEC和线性相关系数rc、预测集的均方根误差RMSEP和线性相关系数rp来衡量模型的质量，并通过相对误差、残差的标准差来衡量模型的准确度和精密度。

2 结果与分析

2.1 主成分数的确定

2.1.1 预测残差平方和（PRESS） 将原始光谱数据进行标准化处理，应用经典的PRESS判据分析，再用交互验证法验证，所得均方根误差RMSECV与主成分数的关系如图2所示，横坐标为主成分数目，纵坐标为RMSECV值，根据RMSECV值最小点，选择主成分数为6。

图2 PRESS判据决策图

2.1.2 判断系统独立变量数 将原始光谱数据进行标准化处理，根据该方法中的二阶差分值所出现的“折点”位置判断系统主成分数为7，如图3所示，横坐标为主成分数目，纵坐标为二阶差分值。

图3 二阶差分值的变化

2.2 模型的建立与验证

根据主成分数6和主成分数7，运用偏最小二乘法分别建立酒精含量定量模型，所得两个模型的校正集线性关系如图4所示。

对预测集分别用两个模型进行预测，所得模型预测集线性关系如图5所示。

图4 校正集线性关系

图5 预测集线性关系

两个模型的校正集的均方根误差RMSEC和线性相关系数rc、预测集的均方根误差RMSEP和线性相关系数rp对比如表1。

表1 模型对比

从图4、图5和表1可知，主成分数选取7比主成分数选取6所得模型拟合度好，预测能力高。说明PRESS法丢失了有效信息，而通过判断系统独立变量数选取的主成分数，可以建立预测能力良好的定量模型。

2.3 模型的精密度检验

根据判断系统独立变量数方法确定系统主成分数建立的定量模型的精密度检验结果如表2，样本酒精含量均值15.00%，残差标准差为0.22%，预测集的最大相对误差-3.6%，结果表明此模型具有良好的准确度和精密度。

表2 模型精密度检验

3 结论

本文采用近红外透射方法，以扣除待测物的糖蜜发酵液作为参比，被测样品无需预处理，通过偏最小二乘法建模，建立的酒精含量模型可以满足糖蜜发酵液中酒精定量测定的需求。对于偏最小二乘法体系变量数目确定这一关键问题，“系统独立变量数”判断方法，相对于通用的PRESS方法，变量数目的判断更为准确，所建立的模型预测能力良好，满足酒精测定常规要求并且可以用于酒精发酵过程的在线监控。

［1］李杰，罗廉，余世袁.气相色谱法测定亚硫酸盐废液发酵过程中的醋酸、糠醛和乙醇［J］.色谱，1990，8（2）：119-120.

［2］易弋，蒋常德，伍时华.木薯酒精浓醪发酵液化糖化工艺的研究［J］.安徽农业科学，2008，36（25）：11091-11092，11101.

［3］王洪臣，李建姝，刘洪祥，等.马丁仪微量测定醋酸发酵液的酒精度［J］.化学与生物工程，2008，25（2）：73-75.

［4］陈毅坚，周元清，张灼.高效液相色谱法测定细菌发酵液中的糖、甘油和乙醇的研究［J］.生物技术，2004，14（4）：31-32.

［5］Cozzdlino D，Kwiatkowski M J，Waters E J，et al.A feasibility study on the use of visible and short wavelengths in the nearinfrared region for the non-destructive measurement of wine composition［J］.Anal Bioanal Chem，2006，563：319-324.

［6］Fernandes H L，Raimundo Jr Ivo M，Pasquini C，et al. Simultaneous determination of methanol and ethanol in gasoline using NIR spectroscopy：Effect of gasoline composition［J］. Talanta，2008，75：804-810.

［7］Liebmann B.Determination of glucose and ethanol in bioethanolproduction by near infrared spectroscopy and chemometrics［J］.Anal Chim Acta，2008（10）：1016.

［8］彭帮柱，龙明华，岳田利.用偏最小二乘法及傅立叶变换近红外光谱快速检测白酒酒精度［J］.农业工程学报，2007，23（4）：233-237.

［9］冯尚坤，徐海菊.基于BP神经网络的啤酒酒精度近红外光谱快速检测［J］.红外技术，2008，30（1）：58-60.

［10］Zeaiter M，Roger J M，Bellon-Maurel V.Dynamic orthogonal projection，a new method to maintain the on-line robustness of multivariate calibrations.Application to NIR-based monitoring of wine fermentations［J］.Chemometrics and Intelligent Laboratory Systems，2006，80：227-235.

［11］McLeod G，Clelland K，Tapp H.A comparison of variate pre-selection methods for usein partial least squares regression：A case study on NIR spectroscopy applied to monitoring beer fermentation［J］.Journal of Food Engineering，2009，90：300-307.

［12］李燕萍，许宏贤，钱莹.发酵液中乙醇含量的近红外光谱NIRS定量分析与验证［J］.食品与发酵工业，2008，34（7）：136-140.

［13］Wold S.Cross validatory estimation of the number of components for best reconstruction［J］.Technometrics，1978，20：397-406.

［14］姚志湘，蹇华丽，刘焕彬.多变量统计分析中独立变量数目的判定方法［J］.华南理工大学学报：自然科学版，2007，35（1）：123-127.

［15］严衍禄.近红外光谱分析与应用［M］.北京：中国轻工业出版社，2005：110-112.

Using near infrared spectroscopy to determine alcohol in molasses fermentation broth

GUO Xiao-fei1，YAO Zhi-xiang2，TONG Zhang-fa1，SU Hui2，ZHANG Xiao-ling2
（1.College of Chemistry and Chemical Engineering，Guangxi University，Nanning 530004，China；2.Department of Biology and Chemistry Engineering，Guangxi Technical College，Liuzhou 545006，China）

Near lnfrared Spectroscopy Analysis meets the demand of real-time determination of alcohol in molasses fermentation broth.The near-infrared transmission spectrum were fetched from fermentation broth and the references were selected as the fermentation broth which had been steamed out of alcohol.The quantitative models of alcohol was molded using the Partial Least Squares（PLS）method.The numbers of Principal Components（PCs）for PLS were discussed following“Prediction Residual Error Sum of Square，PRESS”and“Number of lndependent Variables，NlV”.The model predictive capability showed that the number of PCs from NlV was more accurate.The model had good accuracy and stability and could be used for normal determination of molasses alcoholic fermentation，but it also fit the on-line monitoring for the alcoholic fermentation process.

molasses fermentation broth；near-infrared spectroscopy；alcohol；partial least squares；number of independent variable

TS261.7

A

1002-0306（2010）11-0369-03

2009-12-30

郭晓菲（1982-），女，硕士研究生，研究方向：过程监测控制。

广西科学基金（0832064）；广西教育厅科研项目（200608MS055；200708MS067）。