[发明专利]一种判断酒醅模型合格性的方法

说明书

本发明公开了一种判断酒醅模型合格性的方法，包括制备两份酒醅样品，分别定义为训练集A和预测集B；使用近红外光谱仪分别采集两份酒醅样品的光谱数据，采集完成后使用化学分析方法测量两份酒醅样品中水分、酸度以及淀粉的真实含量；针对训练集A，将真实含量数据作为标定值，使用偏最小二乘法建立标定值与光谱数据之间数学模型；使用数学模型对预测集B的光谱数据进行预测，获得预测集B中水分、酸度、淀粉的预测含量；将预测集B的预测含量与化学分析方法得到真实含量值进行对比，判断数学模型是否合格。本发明提供一种判断酒醅模型合格性的方法，为近红外光谱检测技术的数据准确性提供有力支撑，推动近红外光谱检测的应用和实施。

技术领域

本发明涉及近红外光谱检测技术领域，具体的说，是一种判断酒醅模型合格性的方法。

背景技术

白酒发酵工艺是传统方法，发酵周期长，发酵过程不可调控，因此酒醅的化学成分分析对酿酒业起着相当重要的作用，常规的化学分析方法费时、费力、操作繁琐、复杂，所得到的分析结果时间滞后，无法指导调整酒醅的配方。

近红外光是指介于可见光与中红外光之间的电磁波，波长约为780-2526nm。物质分子中C-H，N-H，O-H和C＝O等基团振动频率的合频与倍频吸收在近红外区，因此，近红外技术比较适合于分析与这些基团有直接或间接关系的成分。酒醅中总淀粉、水分、酸度等物质都包含了这些基团，可使用近红外检测技术对这些指标进行定量分析。通过使用近红外技术快速分析发酵酒醅中的淀粉、水分和酸度等指标指导配方，为发酵微生物的活动创造良好的物质环境基础。近红外光谱分析则具有以下特点：(1)测试速度快，比较适合于大批量重复测试；(2)操作简单；(3)测试过程中无化学反应，无需化学试剂、无污染；(4)无损检测，样品可以重复使用；(5)可以用于生产线等在线检测。近红外光谱检测技术的关键在于模型的建立，模型的好坏直接决定预测数据的准确性，而模型的建立主要分为两个部分：建模算法及模型合格性验证。目前，建模算法发展已经相对成熟，主流的算法有：多元线性回归(MLR)，主成分回归(PCR)，偏最小二乘法(PLS)等，通过上述算法可以有效建立校正模型。但是，该校正模型是否准确，是否合格，目前并未有一种合适的方法对其进行验证。

发明内容

本发明的目的在于提供一种判断酒醅模型合格性的方法，用于解决现有技术中采用近红外光谱检测技术中检测模型的建立无法验证其准确性和合格性的问题。

本发明通过下述技术方案解决上述问题：

一种判断酒醅模型合格性的方法，包括：

步骤S100：制备两份酒醅样品，分别定义为训练集A和预测集B；

步骤S200：使用近红外光谱仪分别采集两份酒醅样品的光谱数据，采集完成后使用化学分析方法测量两份酒醅样品中水分、酸度以及淀粉的真实含量；

步骤S300：针对训练集A，将真实含量数据作为标定值，使用偏最小二乘法建立标定值与光谱数据之间数学模型；

步骤S400：使用数学模型对预测集B的光谱数据进行预测，获得预测集B中水分、酸度、淀粉的预测含量；

步骤S500：将预测集B的预测含量与化学分析方法得到真实含量值进行对比，判断数学模型是否合格。

所述步骤S300中的数学模型包括光谱—水分数学模型、光谱—酸度数学模型、光谱—淀粉数学模型。

所述步骤S400中使用数学模型对预测集B的光谱数据进行预测，获得酒醅样品B中水分、酸度、淀粉的预测含量。采用光谱—水分数学模型对预测集B的水分含量进行预测获得水分含量预测值，采用光谱—酸度数学模型对预测集B的酸度含量进行预测获得酸度含量预测值，采用光谱—淀粉数学模型对预测集B的淀粉含量进行预测获得淀粉含量预测值。