大麦芽中品质指标分析检测方案(近红外光谱仪)

近红外光谱分析技术应用于大麦芽品质指标分析 关键词 FT-NIR、漫反射、大麦芽、α-氨基氮、脆度、浸出率、库尔巴哈值、 总氮、总酸、水分 引言 啤酒以大麦芽、酒花、水为主要原料，经酵母发酵作用酿制而成的饱含二氧化碳的低酒精度酒，即为啤酒，其中大麦是啤酒工业酿酒的原料中货值最高的原料。 大麦需要贮存、精选、浸麦、发芽、焙燥、贮存过程，再进行酿造工艺进行啤酒生产，大麦芽的质量指标决定酿造出啤酒的质量，大麦芽的品质是各个酿酒企业非常关注的； ·α-氨基氮是酵母生长发育的主要氮源，麦汁中a-氨基氮含量对风味物质双乙酰的含量变化、高级醇含量的变化有着重要影响； 大麦芽脆度表示麦芽的疏松度，关系到大麦芽的溶解度； 大麦芽浸出率是指从麦芽中浸出并溶解于水的干物质占麦芽干物质的百分比，浸出率高收得率就高，麦芽浸出率一般用标准协定糖化法测定，它包括了麦芽本身的可溶性物质和在糖化时经酶作用形成的可溶性物质，因此说浸出率反映了大麦在制麦芽过程中，麦芽溶解的程度和形成酶的数量，同时也反映了大麦经制麦成为干麦芽后，麦粒干物质的损失多少的特性； 明库尔巴哈值是可溶性蛋白占总蛋白的比例，库值的高低水平决定麦芽的级别和控制生产工艺方面有重要的参考价值； •大麦芽总氮含量低，会影响酵母的健壮程度，酿造的啤酒口味淡薄，啤酒泡沫也会比较少一些； 总酸与可溶性氮相对应，也是大麦芽的重要功能组分； ●水分不仅是干物质含量的重要指标，也是大麦芽储存的重要参数。 常规实验室方法分析上述7个大麦品质指标需要很多的人力，开动多种仪器，耗费大量的时间，分析效率低。采用近红外分析技术，将日常分析过7个指标的麦芽样品进行近红外光谱扫描，建立近红外定量分析模型，使用这个模型，可以在1分钟内同时测定大麦芽的7个品质指标。 实 烘焙过的大麦芽样品来源于啤酒厂的麦芽车间，前后半年时间收集了不同批次的220个样品，对收集到的样品首先采用国标的方法分析测试大麦芽的α-氨基氮、脆度、浸出率、库尔巴哈值、总氮、总酸、水分，记录并保存化学方法分析数据，剩余的样品装塑料自封口袋保存。 分析仪器为ThermoFisher Antaris II傅里叶近红外光谱仪，配备镀金背景和镀金漫反射表面的积分球和高灵敏度InGaAs检测器， 5cm直径的漫反射样品杯及配套的样品旋转器，仪器控制软件“Result”和近红外化学计量学软件“TQ Analyst”。 测试条件：样品为整粒烘焙过的大麦芽，测定漫反射吸收光谱，光谱分辨率8cm^，扫描次数64次取平均得到平均光谱，扫描光谱范围10，000-4，000cm1，每个样品经过扫描得到一张光谱。 Tgolre 1. Antaris II 近红外光谱仪 数据分析与结果 图1是220个整粒大麦芽样品的近红外漫反射吸收光谱，由于大麦芽的颗粒度大小、紧实度等存在着差异，造成整粒大麦芽近红外漫反射光谱的基线和离散度存在较大的差异，图1中的原始光谱表现的非常明显，对光谱进行一阶导数处理后，光谱的基线和离散度明显消除，图2是图1中的原始光谱经过一阶导数处理后的光谱。 利用“TQ Analyst”软件中的偏最小二乘算法(PLS)对采集的样品近红外光谱和对应的7个指标的实验室分析值进行回归分析，单独建立每个品质指标的近红外模型，在进行模型前对光谱预处理方法、谱区范围进行优化，不同质量指标优化得到的光谱预处理方法和谱区范围不尽相同，原则是：通过优化得到交叉检验的均方差越小越好。表1是大麦芽的7个品质指标模型优化后的模型参数列表。 大麦样品的近红外漫反射吸收光谱 图2大麦样品的近红外漫反射吸收光谱的一阶导数光谱 表1、大麦芽7个品质指标模型参数列表 质量指标 单位Unit 谱区范围 cm 光谱预处理方法 最佳得分维数 Factor 相关系数 (R) 检验的均方差 (RMSECV) 指标范围 a-氨基氮 mg/kg 6100-4080 二阶导数 11 0.773 7.38 153-207 脆度 % 8000-4115 一阶导数 13 0.866 2.95 70.6-94.2 浸出率 % 6230-4100 一阶导数 12 0.938 0.580 77.8-85.1 库尔巴哈值 % 8960-4100 一阶导数 8 0.864 1.82 36.7-56.2 总氮 % 8000-4096 一阶导数 18 0.983 0.056 1.39-2.46 总酸 g/L 8000-4100 二阶导数 6 0.781 0.064 0.77-1.24 水分 % 8500-4100 二阶导数 11 0.949 0.209 4.10-7.40 表1中所有7个品质指标模型中光谱预处理方法都采用了导数处理，一阶或二阶，说明导数处理对消除颗粒度大小、疏松程度等物理量变化造成的基线漂移和旋转具有很好的降低和消除作用。 表1中a-氨基氮的含量非常低，几近低于近红外的检测限，所以交叉检验的均方差偏大，相关系数偏低，但旦是有一定的相关性，E，可以近红外作为作为快速分析技术分析α-氨基氮。图3是α-氨基氮模型选择的近红外谱区范围及其二阶导数光谱，图4、5是α-氨基氮模型内部交叉检验的实验室分析数据和交叉预测数据的相关图和误差分布图，图6是a-氨基氮模型交叉检验的均方差随得分矩阵维数的变化图。 图4、5、6显示a-氨基氮采用近红外技术进行定量分析的平均相对误差可以控制在5%之内，单个样品的相对误差在10%以内的可信度可达95%。 下面每个品质指标的相关图、误差分布图和PRESS图不再一一列出，仅表述总氮的相关图、误差分布图和PRESS图。 脆度是大麦芽的物理指标，但决定大麦脆度的疏松程度在近红外漫反射光谱中存在信息，可以用近红外光谱进行测定，只是相对偏差稍大，但可以作为快速分析的手段。 浸出率是大麦芽的总溶出物的含量，溶出物中既有有机物质也有无机物质，其中的有机物质和部分无机物质在近红外区有相关信息，可以用近红外进行快速定量分析，误差水平和相关性都比较好。 库尔巴哈值(简称库值)是大麦芽中可溶性氮占总氮的比例，根据近红外光谱定量分析的理论基础朗博比 尔定律的原理分析，库值与近红外光谱吸收不满足朗博比尔定律，大麦芽中的可溶性氮和总氮含量与近红外光谱信息符合朗博比尔定量，应该分别建立可溶性氮和总氮的近红外模型，用这两个模型预测样品得到可溶性氮和总氮的含量算出库值；表1中库值的模型质量不是很理想，源于库值本身是一个相对量，建立模型有些牵强。 总氮、总酸、水分三个组分完全满足朗博比尔定律，这三个模型的相关系数、均方差(RMSECV)都比较理想，水分模型有待提高，原因是水分经过烘箱法测定后样品放置有一段时间，水分发生了一些变化，如果测试完近红外光谱的样品马马进行烘箱水分测定，得到的模型效果会比现在建立的模型还要好。 图7、8是总氮模型内部交叉检验的实验室分析喽据和交叉预测数据的相关图和误差分布图，图9是总氮模型交叉检验的均方差随得分矩阵维数的变化化。 总氮模型内部交叉检验的相关图 d.总氮交叉预测误差分布图 图9.总氮的Press图 结论： 近红外光谱分析技术是能够应用于啤酒企业麦芽生产、储存、酿造前确认麦芽品质指标的一种独一无二的快速分析技术，能为啤酒生产工艺提供快速了解麦芽品质指标，及时调整工艺参数或原料配比提供快速数据支撑。 近红外光谱分析技术直接分析大麦芽库尔巴哈值存在原理上的缺陷，应分别测定可溶性氮和总氮的含量，是一种满足分析理论要求的方法。 更好地建立大麦芽品质的近红外模型，不仅要通过优化仪器扫描参数和条件得到高质量的近红外光谱，实验室常规分析数据准确度和可靠性的提高对于近红外模型的质量同样具有重要意义。 Antaris Ⅱ的稳定可靠的性能为大规模样品的模型建立提供了值得信赖的数据。 S CIENTIFIC 测试条件：样品为整粒烘焙过的大麦芽，测定漫反射吸收光谱，光谱分辨率8cm-1，扫描次数64次取平均得到平均光谱，扫描光谱范围10,000-4,000cm-1，每个样品经过扫描得到一张光谱。