基于电子鼻和气质联用技术的浓香型白酒分类

刘芳，杨康卓，张建敏，何张兰，彭志云，郑佳

(宜宾五粮液股份有限公司，技术研究中心，四川 宜宾，644007)

中国传统固态白酒采用粮谷类为原料(如高粱、大米、糯米、玉米、小麦等)，以大曲为糖化发酵剂，经发酵、蒸馏、贮存、勾调等工艺制成，与白兰地、威士忌、朗姆酒、伏特加、金酒并称为世界6大蒸馏酒[1]。白酒的品质往往决定于酒体中的微量和痕量风味成分，近年来，色谱等现代分析仪器已广泛应用于白酒品质的分析，目前白酒中已知的风味化合物超过1 400种[2-4]。白酒中的风味成分含量极低，仅占总质量的1%～2%，是决定白酒香型、风格及品质的关键成分。

电子鼻技术是一种快速、新颖的无损仿生嗅觉感知手段，该方法通过特定的感应原件(传感器)获得被测样品中挥发性成分的整体信息，再将获得的样本信息传输至数据分析平台完成对不同类型样本的快速分型判别操作[5]。该技术目前已广泛应用于水果[6-7]、乳制品[8]、茶叶[9]、酒类[10-11]等领域，近年来电子鼻也被应用于白酒风味研究中：王立川等[12]采用7只TGS传感器对8种市售白酒进行检测，并基于主成分分析分别对样品品牌、香型、产地、酒精度等特征进行判定，结果表明，传感器信号在上述特征上均具有较好的区分度，且同一品牌具有较好的聚类性。李静等[13]利用zNoseTM电子鼻结合感官评价对同一企业生产的不同等级白酒样品进行分析，结果表明，基于峰面积总和的评分结果与感官评价结果一致；采用主成分分析(principal component analysis, PCA)与典型判别分析(canonical discriminate ffunction, CDA)对指纹图谱进行分析，结果显示CDA分析准确区分率为100%，且区分度更大，较于PCA分析更适用于白酒指纹图谱统计分析。ZHANG等[14]采用纳米ZiO传感器对5种白酒进行分析，并对主成分分析结合判别分析(principal component analysis incorporating with discriminant analysis, PCA-DA)、反向传播人工神经网络(back-propagation artificial neural network, BP-ANN)及学习向量量化神经网络(learning vector quantization, LVQ)分类能力进行比较，结果显示LVQ为最适合的识别模式算法。顶空固相微萃取-气质联用(head space - solid phase microextraction/gas chromatography-mass spectrometry, HS-SPME/GC-MS)技术是目前研究白酒香气物质的主要方法之一[15-16]，其克服了传统样品前处理技术的缺陷，集采样、萃取、浓缩、进样于一体，大大加快了分析检测的速度。

本文研究了电子鼻结合GC-MS在浓香型白酒分类分析应用的可行性，采用PCA分析对电子鼻传感器进行优选，基于优选后的电子鼻传感器响应值比较了PCA与线性判别分析(linear discriminant analysis, LDA)对浓香型白酒的识别分类效果，并结合GC-MS分析结果，进一步分析浓香型白酒风味物质含量的差异，为浓香型白酒快速分类及风味快速分析提供理论依据和有效方法。

1 材料与方法

1.1 试验材料

试验选择不同品牌浓香型白酒，样品信息如表1所示，所有酒样均购于本地市场。

表1 浓香型白酒样品

甲醇(HPLC级)，Honeywell公司；二氯甲烷(色谱纯)，阿拉丁试剂有限公司；4-辛醇(内标)，Sigma-aldrich公司。

1.2 仪器与设备

PEN3便携式电子鼻(含有10个金属氧化物传感器，各传感器主要性能如下[17]：S1(W1C)对方香成分敏感，S2(W5S)对氮氧化合物敏感，S3(W3C)对氨类芳香族化合物敏感，S4(W6S)对氢化物敏感，S5(W6S)对烷烃芳香族化合物敏感，S6(W1S)对甲烷类化合物敏感，S7(W1W)对无机硫化物敏感，S8(W2S)对醇类物质敏感，S9(W2W)对芳香成分和有机硫化物敏感，S10(W3S)对高浓度烷烃敏感)，德国Airesense公司;7890B-5977B气质联用仪，美国Agilent公司;DVB/CAR/PDMS固相微萃取纤维头，美国Supelco公司。

1.3 样品前处理

将酒样与水按照体积比1∶5进行稀释，取稀释液10 μL于50 mL进样瓶中，拧紧瓶盖，室温(24℃)平衡20 min后进行测试。

1.4 电子鼻分析

按1.3所述平衡后的样品直接进样，电子鼻参数设置如下：传感器清洗时间90 s，调零时间10 s，数据采集时间60 s，进样流量300 mL/min，每个样品做5个平行。

1.5 香气成分测定

萃取条件：取一定量样品，用饱和食盐水稀释100倍，取5 mL稀释后的酒样于20 mL顶空瓶中，加入50 μL内标(4-辛醇，质量浓度为0.1 g/L)；50 ℃平衡15 min，插入萃取头，萃取45 min后，在GC进样口中解析3 min。

GC条件：DB-WAXETR色谱柱(30 m×0.250 mm×0.25 μm)，载气为高纯度氦气，流速1 mL/min，分流比10∶1；进样口温度250℃；升温程序：起始温度40 ℃，保持5 min，以4℃/min升至230℃，保持5 min。

MS条件：全扫描模式；EI离子源，电子能量70 eV；离子源温度230℃，四级杆温度150℃，扫描范围30～350 amu。

定性和定量：化合物的定性参考文献[18-19]，将物质的质谱图与NIST 12 数据库相比对，再计算物质的保留指数与文献值进行比对后确认；化合物的定量以4-辛醇为内标，用内标法进行半定量计算。

1.6 数据分析

利用电子鼻配备的WinMuster软件进行PCA和LDA分析。

2 结果与分析

2.1 不同品牌白酒电子鼻分析

2.1.1 电子鼻对白酒的信号响应

电子鼻10种传感器响应曲线如图1所示，不同颜色曲线对应不同传感器在对应时间的响应信号。样品采集前，各传感器响应值(G/G0或G0/G)均为1，随着挥发性气体在传感器上富集，传感器响应值逐渐增大，并在30 s后趋于稳定。10种传感器对白酒挥发性香气成分的响应程度不同，其中S7传感器响应值最高，其次为S6和S9、S2传感器。为提取各传感器的特征值，选取第45 s各传感器响应值用于后续数据分析。各样品在45 s的雷达图如图2所示，图2-a为不同酒度五粮液的雷达图，可知，不同酒度的五粮液气味图谱相似，主要区别为含量的差异，其中35%vol五粮液的图谱与39%vol五粮液图谱基本重合，表明上述2个样本挥发性成分最为接近；图2-b为不同品牌浓香型白酒的雷达图，可知，不同品牌白酒在同一保留时间S6传感器(甲烷类)响应值差异较大，其次为S7传感器(无机硫化物)，剩余8个传感器响应值无明显差异。

图1 电子鼻10个传感器对52 %vol五粮液的响应曲线

a-不同酒度五粮液；b-不同品牌白酒

2.1.2 传感器优化分析

PCA分析是模式识别中最重要的降维方法之一，其主要思想是通过线性变换减少数据维度，最终经过变换的数据依然保留样本的主要信息。主成分分析中，第一变量具有最大方差，为第一主成分，第二变量方差次之，称做第二主成分，依次类推，一般前2个主成分包含了原始数据的主要信息[17]。

对浓香型白酒样本电子鼻采集的数据进行PCA分析，分析结果如图3所示。传感器在第一主成分的贡献率为94.52%，在第二主成分的贡献率为3.5%，其中W1C、W3C、W3S、W5S、W6S五个传感器对第一主成分及第二主成分贡献率几乎为0，表明上述5个传感器无法有效识别白酒的香气成分；W1S传感器对第一主成分的贡献率最大，W2W传感器对第一和第二主成分均具有较高的贡献率，W5S、W2W传感器对第二主成分具有较高的贡献值。根据传感器对不同化合物的敏感可知，W1S传感器对烷烃类化合物敏感，W1W传感器对无机硫化物灵敏，W5S传感器对氮氧化合物灵敏，W2W传感器对有机硫化物物灵敏，这表明浓香型白酒中第一主成分为烷烃类物质、无机/有机硫化物、氮氧化合物等，而第一主成分所代表的气体大类可以作为浓香型白酒差异的特征指标来衡量。

基于传感器载荷值，对传感器进行优选，以去除冗余信息，选择贡献率较高且载荷值不重叠的4个传感器进行后续分析，即S2(W1W)、S6(W1S)、S7(W1W)、S9(W2W)，这与上述传感器的响应结果相印证。

图3 基于电子鼻响应值的PCA分析

2.1.3 PCA分析不同度数的浓香型白酒

采用PCA方法对不同酒度五粮液的分析结果，由4图可知主成分1(PC1)的方差贡献率为94.45%，主成分2(PC2)方差贡献率为4.27%，累计贡献率达到98.72%，说明这2个主成分包含原始数据的绝大部分信息，可以反映不同酒度五粮液挥发性气体成分的整体信息。不同酒度五粮液分属不同区域且界线清晰，说明样本之间的挥发性气体成分有差异，电子鼻能够有效识别这种差异。PCA载荷图中，可用样品间的距离表征间的差异，35%vol五粮液与39%vol五粮液在第一主成分及第二主成分距离均较短，表明这2个样品相似度较高；45%vol五粮液与68%vol五粮液在第一主成分距离较近，在第二主成分距离较远，由此可知，这两个样本的差异主要表现在第二主成分。

图5为不同品牌浓香型白酒PCA分析结果，主成分1(PC1)的方差贡献率为98.26%，主成分2(PC2)方差贡献率为1.15%，累计贡献率达到99.41%，表明这2个主成分包含原始数据的绝大部分信息。PCA方法对11个样本区分度较高，表明该方法能够有效区分不同样本。

图4 不同度数五粮液电子鼻响应值的PCA分析

图5 不同品牌浓香型白酒电子鼻响应值的 PCA 分析

2.1.4 LDA分析不同品牌浓香型白酒

LDA也称为Fisher判别分析，是模式识别的经典算法。其主要思想是给定样本分类标签，将分类后的样本投射到一维直线上,使得投影后类内方差最小，类间方差最大[20]。

本研究采用LDA法分析不同品牌浓香型白酒的电子鼻响应值，结果如图6所示。对于LDA分析，总贡献率超过70%～85%的方法即可使用，由图6可知第一判别式的贡献率为68.45%，第二判别式的贡献率为16.42%，总贡献率为84.87%。11个样本中，52%vol五粮液、水井坊及剑南春相互重叠，分离度较差。与PCA方法比较，该方法对同一样的本聚合度较高，但对个别样较差，推测可能是这3种白酒均产自四川，而这三者在生产工艺和地域上存在一定的相似性和关联性，挥发性风味成分的差异有可能主要体现在量比关系，进而在传感器层面无法获得更精细的差异信息，因此基于传感器数据的LDA分析暂时还不适用于对该类样本进行区分。

图6 不同品牌浓香型白酒电子鼻响应值的LDA分析

2.2 不同品牌浓香型白酒主要风味物质差异

为进一步揭示不同类型样品之间的关系，尤其是导致LDA分类相互影响的原因，本研究利用GC-MS分析了这些浓香型白酒的风味成分。图7为样本基于酯类物质含量均一化处理后的样本聚类分析，不同酒度五粮液酯类物质构成比例类似，随着酒度升高，酯类物质含量增加，39%vol五粮液、45%vol五粮液、52%vol五粮液及水井坊中酯类物质的类型及含量类似，被归为一类；丰谷、国缘、天之蓝、全兴、1573及35%vol五粮液酯类物质含量相对较低，被归为一类；68%vol五粮液除异戊酸乙酯与乳酸乙酯外，其他酯类物质远高于另10个样本，被区别于上述两类，单独归为一类。

图7 不同品牌浓香型白酒酯类物质聚类分析

醇类物质依据含量被分为两类：39%vol五粮液、45%vol五粮液、52%vol五粮液、68%vol五粮液及水井坊中醇类物质含量相对较高，被归为一类；35%vol五粮液、1573、剑南春、国缘、天之蓝、丰谷中醇类物质含量相对低，被归为一类(图8-a)。11个样本其他风味物质含量差异较大，68%vol五粮液除壬醛及萘，其他风味物质含量明显高于另10个样本；国缘、1573及天之蓝其他风味物质含量相对较低被归为一类；1573、水井坊、丰谷、剑南春、35%vol五粮液、39%vol五粮液、45%vol五粮液及52%vol五粮液其他风味物质含量及组成类似、被归为一类(图8-b)。

a-白酒醇类物质；b-其他风味物质

3 结论

浓香型白酒挥发性风味物质复杂，不同品牌浓香型白酒香气特性具有较大差异，本研究使用电子鼻对11种浓香型白酒进行检测。结果表明，电子鼻对不同品牌浓香型白酒挥发性风味成分具有较好的响应值，优选的S2、S6、S7、S9四种传感器数据可进行数据采集和分析。基于4种传感器的响应值，PCA对不同品牌浓香型白酒区分度较LDA好，该方法更适用于浓香型白酒的分类分析。GC-MS分析表明,不同品牌浓香型白酒风味物质含量存在明显差异，在PCA分析中关系较近的样品在风味成分层面存在一定的相似性。建立关于不同地域、质量等级以及不同类型白酒的电子鼻分类模型以及在生产中的实际应用将是后续的重点课题。