基于在线智能检测的醋发酵过程温度和ph值检测

基于在线智能检测的醋发酵过程温度和ph值检测

镇江醋历史悠久。这是固体分层发酵技术的典型代表之一。这种制备的醋具有“酸、涩、香、甜、浓、鲜、香”的特点，深受国内外消费者的喜爱。它是以优质糯米、麸皮等为主要原料,经“固态分层”发酵工艺酿造制得,它是典型的多菌种混合发酵工艺,曾获“国家非物质文化遗产”称号。在醋醅发酵过程中,随着发酵时间和环境条件的变化,在以醋酸菌为主的多种微生物作用下酒精逐渐转化成醋酸,并伴有各种代谢产物的生成,如有机酸、氨基酸以及多种挥发性物质等,以至于发酵醋醅的酒精度、酸度和水分等在各阶段均发生不同程度的变化。另外,不同的发酵阶段的操作工艺也有很大的差别。将发酵过程分为不同阶段,有利于进一步探究固态发酵过程,优化发酵条件,提高发酵效率。近年来,国内外对于食醋酿造行业的研究主要集中在:1)依据醋醅中微生物生物量研究醋醅发酵过程,如许伟等人;2)醋酸菌分离,以及固态发酵过程中挥发性成分的研究,如包启安等人详细阐明了镇江香醋发酵工艺中不同微生物的作用等;3)食醋中氧化性成分研究,新品醋(保健醋等)的研制开发等,然而他们对醋醅固态发酵过程中温度、pH值的变化缺乏较深入的研究,尤其针对不同发酵阶段的分析几乎没有。本文对镇江香醋固态发酵温度进行全过程跟踪,通过温度、pH值等重要理化指标和近红外光谱表征醋醅发酵过程的各个阶段,为进一步监控醋醅发酵过程提供一定的基础。依据检测结果将固态发酵过程分为不同阶段,为优化发酵条件,合理改善操作工序,以期提高醋醅的发酵效率和质量。1材料和方法1.1发酵醋光谱的测定试验地点:镇江恒顺香醋厂。以醋醅为试验样品,检测规格相同且同时接种的发酵缸A和B。首先,对发酵温度进行24h实时跟踪检测,然后,每天在翻醅前采样。取样时,选择3个深度的点,并保证两组发酵池以同样的方式取样,即自上而下(30,50,70cm处)取样。迅速将其混合均匀,装入取样袋,立即取回,作为测试理化指标和近红外光谱的样品。整个试验实时跟踪检测了发酵过程中温度、pH值变化,使用近红外光谱技术采集发酵醋醅的光谱,利用主成分分析法(PCA)和K-最邻近法(K-nearestneighbors,KNN)模型对不同发酵时间的醋醅样品光谱进行分析。依据结果,将固态发酵过程分为不同阶段。1.2仪器和方法1.2.1温度传感器工作原理采用自行研制的温度智能采集模块,通过采集软件用电脑(HPcompaqdx2310MT,上海惠普有限公司)和热电阻温度传感器(PT100,测量范围-200~850℃,分辨率0.1℃,精度±0.3℃)24h实时监控醋醅发酵过程中温度的变化。每个温度传感器表面进行抗酸化处理,使其可持续在高酸度环境下工作,而不失去灵敏度。采集到的温度数据经RS-232总线传送到主机,实时记录并存储温度信息,存储速率1min/次。该模块的分辨率是0.1℃/0.1Ω,在-20~85℃,湿度<95%的条件下正常运行。1.2.2ph值的检测称取10g醋醅样品,加入50mL蒸馏水浸泡30min,搅拌器搅拌5min,然后用3层纱布过滤,取滤液。用酸度计(型号pHs-3B,上海机密科学仪器有限公司)直接插入滤液中检测pH值。每个样品做3次平行试验,取其平均值,作为该样品的pH值。1.2.3近红外光谱数据的获取用AntarisⅡ型傅里叶变换近红外光谱仪(ThermoFisherScientific,美国)采集醋醅样品的近红外光谱数据,通过Y型光纤和光箱进行连接,采集到的光谱信息数据通过USB接口传输到计算机。本试验选择在10000~4000cm-1的波数范围进行光谱扫描,以尽量全面地获取样品在近红外区域的光谱信息。试验过程中,室内温度25℃,分辨率为8cm-1,扫描次数16次,每条光谱得到1557个变量。每个样品采集3次,取其平均值作为该样本的原始光谱。2结果与分析2.1不同发酵层温度的变化在固态发酵过程中,温度是衡量醋醅发酵质量的综合指标之一。它的变化决定醋醅的发酵效率和质量。这是因为在发酵过程中温度影响微生物的代谢活性以及酒精和水分的变化。在适宜的温度下,微生物快速繁殖代谢,不仅将醋醅中的酒精迅速转化成醋酸,而且可代谢产生大量的有机酸、氨基酸、酯类等物质。图3显示用温度传感器检测的不同发酵层温度的变化曲线。根据温度变化趋势将发酵过程分成4个阶段,即提热期、调整期、稳定期和衰减期。1)提热期,是将代谢最为旺盛的醋酸菌(10~11d的醋醅)等微生物套醪接种到新鲜醋醅中,其温度在15~18h达到最高,这一过程能有效的消灭或抑制新接种缸中的杂菌;2)调整期,其温度在38~43℃之间,利于醋酸菌等微生物迅速地生长繁殖;3)稳定期,其温度在38~46℃之间,是醋酸菌等微生物代谢最旺盛的阶段,产物大量积累,香醋主要风味骨架物质生成,并产生大量的热;4)衰减期,即发酵后期,由于养分的消耗以及代谢产物的大量积累,抑制醋酸菌等微生物代谢,温度随之降低,维持在35~42℃。2.2ph值对醋酸发酵的影响pH值在发酵过程中不断发生变化,这是因为细胞或基质消耗会产酸,它对细胞生长及产物的形成产生重要的影响,因此pH值是发酵过程中微生物在一定环境下代谢活动的综合指标。在整个发酵过程中,pH值变化幅度基本保持在3.65~3.99范围。相关文献表明,pH值对醋酸菌的生长和代谢有很大的影响,当pH低于3.4时,醋酸菌等微生物对氧气的供给要求很严格,低浓度的氧气造成细菌数量急剧下降。pH值在3.65~3.99时利于醋酸菌的生长和产酸,也可有效抑制其他杂菌的生长代谢。在图4中,从pH值变化的趋势可将发酵过程分成3个阶段,即速升期、下降期和平稳期。速升期,醋酸菌等微生物快速生长繁殖,消耗醋醅中原有的营养物质,且代谢产物积累较少,游离H+少,使得pH值迅速升高;下降期,微生物代谢加速,经翻醅增加养料和氧气,使得微生物代谢旺盛,不断将酒精转成醋酸和其他有机酸等产物,pH值逐渐降低;平稳期,即随着养料逐渐被消耗及代谢产物的大量积累,微生物代谢不断减慢,使得pH值变化幅度很小,维持在3.65~3.99之间。2.3醋：现代红外光谱分析2.3.1pca和k-最邻近法,k-nv的预处理采集到的醋醅光谱,由于仪器、样本背景及其他因素的影响,所以常出现噪声、谱图基线漂移等现象,这是因为醋醅是由糠和麸皮等组成的,其均匀度不能保证完全一致,影响光在样本中的传播。为了消除这些不利因素对建模的影响,经多次尝试,采用标准正态变量变换(SNV)对原始光谱进行预处理,来消除固体颗粒的大小以及光程变化对NIR漫反射光谱的影响。经SNV处理后的效果如图5所示(a处理前,b处理后)。利用主成分分析(PCA)和K-最邻近法(K-nearestneighbors,KNN)对预处理后的光谱数据建立模型,区分发酵过程中不同发酵阶段的醋醅。数据处理采用Matlab7.4软件。2.3.2出峰位置及分布醋醅中含有大量与醋醅发酵品质相关的有效成分(如乙醇、有机酸、氨基酸、水分等),这些成分大多存在含氢基团(C-H、O-H、和N-H等),不同基团在近红外区域的吸收强度和吸收位置均有所不同。同时,氢键的存在、基团的数量等也影响峰强度和位置。根据朗伯-比尔定律和近红外谱图,可以确定与化学结构相关的一些性质。不同发酵阶段的醋醅,其物质种类和含量均有差异,这些差异在特定波长下表现为光的吸收强度和出峰位置。各波段对应的峰以及强度能反映不同的基团物质种类和含量。由图6可知,将发酵过程分成4个阶段,不同阶段的同一种物质的峰高是有差别的。其中,1号峰在4500~4750cm-1之间,一般以氨基类为主。发酵前期,微生物繁殖迅速,R-NH2类等代谢产物积累较少;发酵中期,由于代谢活跃,多种代谢产物逐渐积累,与发酵后期相比,中期该现象明显。2号峰在5000~5280cm-1之间,一般以RCOR为主,因醋醅是以糠、麸皮和酒醪为主要原料发酵的,故在第1阶段酒精含量很高,随着发酵时间的延长,微生物迅速将酒精转化成醛类等中间物质,进而被氧化成醋酸,使发酵后期酒精含量很低。3号峰在5800~6000cm-1之间,一般以R-COOH物质为主,在醋酸固态发酵过程中存在众多的醋酸菌、乳酸菌等微生物,随着发酵的进行,它们生成大量的有机酸,至发酵后期,醋醅中的酸类以乳酸和醋酸为主,占总有机酸70%以上。4号峰在6700~7100cm-1之间,主要以H2O为主,在第1阶段水分含量相对较多,中间阶段由于微生物代谢,所以水分减少。5号峰是在8500~8800cm-1之间,一般为代谢中间物质,以-CH等为主。第1阶段,微生物处于调整期,代谢中间产物积累较少,其他3个阶段中间产物的积累量随着发酵时间的延长而逐渐减少。2.3.3醋主成分分析由于醋醅中含有大量的有机酸、氨基酸、酯类、酒精等物质,这些成分的含氢基团均在近红外区域产生倍频和合频吸收,导致醋醅样品的近红外数据之间存在相关性,大量的信息冗余。在建模时,模型的预测性会因这些冗余信息的介入而大大降低。主成分分析(PCA)是把多个指标化为几个综合指标的1种统计方法。对这些特征变量进行主成分分析十分必要。经分析,取前3个主成分因子得分向量作图。图7为醋醅样品通过PCA分析处理后所获取的前3个主成分得分图,它表现为样本点在三维平面上的投影,其中前两个主成分的贡献率分别为98.69%和1.0016%,累计贡献率达到99.92%。这表明当发酵过程分成3个阶段时,采用PCA可将不同阶段区分开来。发酵中期和后期,醋醅发酵过程是1个连续动态的过程,由图7可以看出,过杓和露底阶段有一定的重叠,不能被完全分开。2.3.4主成分数对k值及主集分析的影响在主成分分析的基础上,利用KNN对该结果进行分析。KNN模型的输入量为醋醅近红外光谱的主成分得分,输出量为不同发酵阶段的醋醅所对应的类别,做数据处理。在KNN模型识别的过程中,输入的主成分数对模型的识别结果有较大的影响,经反复优化,选取前10个主成分数和10个K值。同步对KNN模型进行优化分析。依据pH值的分析结果,以训练集中醋醅分3个阶段的识别率作为优化结果的评判依据。图8a显示采用不同K值和主成分数时,KNN模型对训练集中醋醅发酵阶段区分的识别率。当K=1,主成分数为10时,用最优KNN模型对发酵阶段的独立醋醅样本进行预测,识别率是78.55%。依据温度分析结果,以训练集中醋醅分4个阶段的识别率作为优化结果的评判依据,进行醋醅发酵阶段的识别分析。当K=3,主成分数为10时,识别率最高为90.04%,明显比分3个阶段时高很多。3固体发酵过程各阶段的模型建立对镇江香醋发酵进行全过程跟踪,得出以下结论:1)依据温度的变化情况可将醋醅固态发酵过程分成提热、调整、稳定和衰减期4个阶段;2)依据pH值的变化,可将固态发酵过程分