基于机器学习结合傅里叶变换红外技术的强香型白酒原蒸馏液及酸酯成分浓度快速检测研究

《Journal of the American Society of Brewing Chemists》：Study on Rapid Detection of Original Distillate of Strong-Aroma Baijiu Acid and Ester Component Concentration by Machine Learning Combined with Fourier Transform Infrared

高香型白酒原液酸酯成分检测中，融合FTIR光谱与机器学习构建LASSO-GWO-LSTM模型，通过Savitzky-Golay等预处理和特征选择实现0.0967 RMSE、0.9949 R2的高精度预测，显著优于传统方法。

　　

摘要

准确检测浓香型白酒原始蒸馏液中的主要酸类和酯类成分对于白酒的质量控制至关重要，并为调配和储存过程提供了科学依据。传统的检测方法主要依赖于感官评估结合气相色谱分析。这些方法耗时较长且容易受到操作者主观因素的影响。为了解决这一问题，我们提出了一种结合傅里叶变换红外（FTIR）光谱和机器学习的新型混合框架，以实现快速检测。我们收集了不同蒸馏时期的浓香型白酒原始蒸馏液的FTIR光谱，并使用Savitzky-Golay（S-G）平滑处理、一阶导数变换和标准正态变量（SNV）变换进行了预处理。特征选择通过最小绝对值收缩选择算法（LASSO）和竞争性自适应加权采样（CARS）进行。随后，利用偏最小二乘回归（PLSR）、长短期记忆（LSTM）网络和最小二乘提升（LSBoost）构建了预测模型。这些模型的参数通过灰狼优化（GWO）算法进行了优化。结果表明，LASSO-GWO-LSTM模型在预测乙酸乙酯和乳酸浓度方面表现最佳。对于乙酸乙酯模型，预测的均方根误差（RMSE）、预测的R平方值（R2）以及预测的相对百分比差异（RPD）分别达到了0.0967、0.9949和14.6591；对于乳酸预测模型，相应数值分别为0.0152、0.9805和7.0378。这些结果远优于传统的PLSR模型，表明FTIR与机器学习（LASSO-GWO-LSTM）的结合是一种用于实时、高精度、无损分析浓香型白酒原始蒸馏液中酸类和酯类成分浓度的方法。