综述：发酵动力学与精准酿酒学中监测和控制的新兴技术：最新综述

《Fermentation》：Fermentative Dynamics and Emerging Technologies for Their Monitoring and Control in Precision Enology: An Updated Review Jesús Delgado-Luque, álvaro García-Jiménez, Juan Carbonero-Pacheco and Juan C. Mauricio

　　

摘要： 酿酒过程中的酒精发酵是一个由温度、密度、pH、CO2和氧化还原电位等物理化学参数控制的复杂生物过程，这些参数严重影响酵母代谢和葡萄酒质量。本综述对发酵动力学和新兴的传感化技术进行了综合分析，强调了它们的联合实施如何实现精准酿酒学中的实时监测和高级控制。集成到物联网（IoT）平台的传统物理化学传感器、光谱技术（近红外/中红外/紫外-可见光谱，NIR/MIR/UV-Vis）和非传统设备（电子鼻、电子舌）的进展，实现了连续数据采集，克服了传统手动采样的局限性。预测建模，包括动力学模型、机器学习方法（例如随机森林、XGBoost）和模型预测控制（MPC/NMPC），支持异常检测、酿酒干预优化和节能的热管理，而基于卡尔曼滤波器的虚拟传感器则改善了对不可测量状态（例如生物量、乙醇动力学）的估计。尽管目前在校准和互操作性方面存在挑战，这些创新在气候变化背景下促进了可持续和可重复的葡萄酒生产，并为数字孪生和半自主发酵系统铺平了道路。

论文主体总结

1. 引言

酒精发酵是酵母主导的将葡萄糖和果糖转化为乙醇和CO₂的厌氧过程，同时产生多种影响葡萄酒香气特征的次级代谢物。发酵过程受温度、pH、营养可用性、氧化还原条件等因素深刻影响，这些因素决定了酵母的活力和代谢。控制发酵最关键的相关变量包括温度、CO₂浓度、密度、pH和氧化还原电位（Eh）。温度是影响发酵速度和芳香化合物形成的最关键因素之一，CO₂监测直接反映酵母代谢率，密度用于估计糖分消耗，氧化还原电位则提供关于氧可用性和芳香化合物稳定性的信息。将这些信号整合到动力学模型和数据分析算法中，可实现早期异常检测、优化酿酒干预并降低发酵风险。

近年来，数字化进展推动了实时传感系统的发展，其时间分辨率远高于基于手动采样的传统方法。温度、密度、CO₂浓度和氧化还原电位传感器能够连续评估酵母代谢活动。将这些传感器与物联网平台集成，有助于远程数据收集并将其纳入预测模型和自动控制策略。此外，苹果酸-乳酸发酵是乳酸菌（主要是酒类酒球菌，Oenococcus oeni）将苹果酸转化为乳酸和CO₂的次级微生物过程，对其精确控制是定义葡萄酒最终风格的关键酿酒学工具。

传统上，葡萄酒酒精发酵的管理主要基于经验方法，依赖于直接的罐体观察和间断的手动测量，这导致了对发酵动态的碎片化和延迟性视图。缺乏连续监测和有效温控增加了发酵偏差的风险。采用先进监测和控制技术对于在气候波动下获得一致的感官特征尤为重要。

2. 葡萄酒发酵参数：传统与当前管理技术

为稳定和精确控制酒精发酵的关键参数，近年来发展了生物技术和工艺策略。

2.1. 温度

温度是发酵控制的核心。对于白葡萄酒，最佳范围通常在12至20°C之间，以保持中等且稳定的动力学，同时保留对热敏感的挥发性芳香化合物。在红葡萄酒酿造中，通常使用约20-28°C的较高温度，以促进更强烈的发酵动力学和浸渍过程中花青素和单宁的提取。在西班牙蒙蒂利亚-莫里莱斯法定产区，法规规定年轻干型葡萄酒的发酵温度不得超过25°C。在赫雷斯-雪莉法定产区，实践通常偏好16至22°C的较凉爽发酵。里奥哈产区的白葡萄酒发酵通常在14至18°C之间，而红葡萄酒发酵在密集浸渍阶段可达22-28°C。

2.2. 密度

密度演变是发酵监测中最常用的指标之一。西班牙葡萄汁的初始密度通常在1.085至1.105 g/mL之间，发酵过程中密度逐渐下降至接近0.992-0.995 g/mL，表明发酵结束和可发酵糖耗尽。密度下降与CO₂释放密切相关。研究表明，声发射与密度变化之间的相关性可用于实时估计糖分消耗。为了防止缓慢或停滞的发酵，特别是对于高果糖含量的葡萄汁，已研究采用具有高发酵力的菌株和/或嗜果糖酵母，并结合实时监测系统以早期检测动力学偏差。

2.3. pH

pH是从微生物学和化学角度都至关重要的变量。在西班牙，白葡萄汁的pH通常在3.1-3.6之间，而红葡萄汁在3.4-3.9之间。在温暖的南部地区，较高的初始pH水平通常需要进行酸度技术校正以防止微生物和氧化偏差。较高的pH与高发酵温度结合，会促进有害微生物的增殖并加速化学氧化反应。使用非酿酒酵母，如耐热拉克兰斯酵母，已成为在发酵过程中增加乳酸产量、提高可滴定酸度并降低pH的工具，而无需外部化学酸化。

2.4. 氧化还原电位

发酵过程中氧化还原电位（Eh）的演变反映了系统从富氧介质向严格还原条件的转变。葡萄汁开始发酵时的值可在+200至+350 mV之间，一旦溶解氧被消耗，酵母活性稳定后，会降至-100至-150 mV的负值范围。这些氧化还原变化直接影响敏感芳香化合物（如硫醇和萜烯）的稳定性，以及与极端厌氧条件相关的还原性代谢物（如硫化氢，H₂S）的形成。

对这些参数（温度、密度、pH、CO₂和氧化还原电位）的综合理解，可以精确表征发酵状态、预测偏差并优化发酵效率和葡萄酒感官表达。

3. 当前研究趋势与创新性未来管理

3.1. 酿酒学中的现代传感与监测技术

酿酒学已从基于手动采样和离线分析的方法，转向具有高时间分辨率的连续监测系统。先进的传感化已成为提高发酵过程精度、可重复性和效率不可或缺的组成部分。

3.1.1. 在线物理化学传感器

在线物理化学传感器的发展是这一演变的支柱之一，能够在不干扰发酵过程的情况下连续记录关键参数。温度、密度、pH和氧化还原电位的测量是构建动力学模型和预测算法的基础。密度计、称重传感器和CO₂传感器的集成，可以重建糖分消耗演变并检测发酵速度的突然变化。其主要优势在于高记录频率。然而，其实施也存在缺点，如设备和维护的初始投资、需要频繁校准和训练有素的人员，以及预测模型未针对特定条件调整时可能产生误报的风险。

物理化学传感器与数字平台的融合推动了远程监测和实时分析应用的发展。基于半导体、微通道和微流控装置的电子微传感器已得到开发。物联网技术与传感器的结合，为预防停滞发酵等问题提供了低成本解决方案。此外，有研究提出使用超声波便携式传感器来监测苹果酸-乳酸发酵。

3.1.2. 光谱技术

近红外光谱技术，无论是在透射配置还是通过光纤，都能以比色谱方法高得多的时间分辨率监测关键参数，如乙醇浓度、还原糖演变或有机酸度。当前趋势是朝着紧凑型设备发展，这些设备集成了与高灵敏度光电二极管调谐的LED光源。先进光谱学的使用，结合近红外、中红外和紫外-可见光谱通过光纤探头，代表了对发酵过程中化学演变进行实时分析能力的质的飞跃。尽管这些技术存在重要的操作挑战，如其提供非侵入性实时数据的能力，为寻求通过极其精确地控制生化演变来区分的酒庄提供了竞争优势。

3.1.3. 非传统化学传感器

另一个新兴领域是使用非传统化学传感器，如电子鼻、电子舌和基于金属氧化物或其他半导体材料的多传感器阵列。这些技术不直接测量单个化合物的浓度，而是捕获作为葡萄汁和葡萄酒状态“指纹”的挥发性模式。借助化学计量学技术和人工智能，可以将这些信号与关键的酿酒学参数相关联，检测异常发酵，或预测影响最终葡萄酒香气特征的酚类和挥发性化合物的形成。

酒庄数字化受到传感器与物联网系统和基于云的分析平台集成的强力推动。商业解决方案允许远程实时监测密度和温度等参数。基于微控制器的低成本物联网节点已被证明是中小型酒庄数字化的技术可行且经济可及的解决方案。

总体而言，这些技术代表了发酵过程管理的结构性转变。物理化学传感器、光谱技术、新兴设备和分析平台之间的协同作用，能够捕获远远超过零星采样所能获得的数据财富，为创建强大的预测模型、设计自动控制策略以及基于精确实时信息的决策制定提供了便利。

3.2. 预测建模与智能发酵控制

先进的葡萄酒发酵监测离不开一个能够解释实时数据并将其转化为操作决策的建模框架。

传统上，酿酒学依赖于源自莫诺和欣谢尔伍德模型的动力学模型来描述微生物生长、糖分消耗和乙醇生产之间的关系。这些模型虽然概念上有用，但在系统表现出非线性行为时存在局限性。在线传感器可用性的增加，促进了基于数据模型的使用，这些模型由能够捕获多个同时信号之间复杂关系的机器学习技术支持。随机森林和XGBoost等算法已被证明可用于估计发酵速率、预测停滞风险以及分析复杂的光谱数据。

在控制领域，通过自动控制器（比例积分微分，PID）进行的经典调节由于其简单性和鲁棒性仍占主导地位。然而，当过程动力学快速变化或需要满足多个目标时，其响应能力会受到限制。因此，越来越多的注意力转向模型预测控制。在其非线性版本中，该模型结合了代谢产热和热交换器的非线性性质，与传统的PID相比，可以实现更稳定的热分布和显著的能耗降低。

一个新兴的分支是集成虚拟传感器和状态观测器，例如扩展卡尔曼滤波器及其相关的非线性变体，其目标是从可访问的物理信号组合中估计无法直接测量的过程变量。这些观测器分两个阶段运行：首先基于描述代谢产热、糖分演变和微生物生长的动态模型进行发酵状态预测；随后执行校正，通过将预测与来自温度、密度、CO₂、pH或氧化还原电位传感器的实际测量值进行比较来调整预测。这种迭代机制允许实时重建系统的生物状态。无迹卡尔曼滤波器或粒子滤波器等方法可处理高度非线性动力学，并将光谱数据与物理化学测量相融合，提高了观测器的精度。

在更高级的层面，机理模型、传感器数据和分析平台的集成催生了所谓的数字孪生，其功能是实时虚拟复制真实罐体的行为。这些系统结合了发酵动力学模型、能量平衡、状态估计器和物理传感器的数据，以生成能够预测不同操作场景下未来过程演变的计算表示。数字孪生不仅允许模拟发酵将如何响应温度、充氧或营养添加的变化，还提供了一个安全的环境来在物理应用之前评估控制策略。在酿酒学背景下，这些系统允许预测动力学偏差。尽管其在酒庄的采用仍处于早期阶段，但这些数字孪生的演变指向半自主发酵系统，其中过程通过监督学习和动态模型更新不断优化。

总体而言，从简单的动力学模型向先进的基于数据的系统、预测控制和数字平台的过渡，代表了现代酿酒学的自然演变。这种技术集成不仅提高了操作和能源效率，而且是朝着更一致、可重复且符合苛刻质量标准葡萄酒迈出的决定性一步。

3.3. 预测建模的商业设备与工业应用

在线传感器、预测模型和高级控制策略的集成正在改变葡萄酒发酵管理，提高了过程的质量、可重复性和能源效率。与基于间断采样和经验决策的传统方法不同，来自物理化学和光谱传感器以及虚拟观测器的连续数据，能够实现对发酵动力学的精确监测和更严格的过程条件控制。

目前已有数种商业设备设计用于工业应用，以实现对酒精发酵过程的实时监控。这些系统便于持续追踪密度和温度等关键参数。例如，Winegrid公司开发的Wineplus 1110传感器，采用侧罐安装并具有液位自补偿功能。Onafis的B-evolution桶塞可监测水压、压力、温度、酒液液位和溶解氧。Precision Fermentation的BrewIQ系统评估多个变量。Anton Paar的Fermentation Monitor 5100利用折射率变化来估计酒精含量、实际发酵度、发酵速率和密度。ifm公司开发了用于葡萄酒发酵的实时白利糖度监测系统，采用压力传感器实现非侵入性流体静力密度测量。

目前，尚无针对苹果酸-乳酸发酵监测的商业传感器；相反，依赖的是苹果酸到乳酸的转化追踪或葡萄酒中苹果酸的成本高昂的化学分析。此前描述的超声波便携式传感器为酒庄内快速评估提供了一种有前景的经济替代方案。

来自这些传感器的广泛数据集支持预测建模，以加速酿酒师在酒精发酵期间的决策。例如，在西班牙里奥哈和索蒙塔诺法定产区，应用机器学习算法对工业酒精发酵中的密度动态进行建模。高斯过程回归表现优异。另有研究应用机器学习技术，根据不同酒精发酵条件下消耗和产生的代谢物来分类和鉴定不同的酿酒酵母菌株。使用随机森林算法，这些方法在利用全面的代谢物数据集时，菌株鉴定准确率高达74%。

尽管取得了这些进展，重要的局限性仍然存在。最相关的问题之一是对数据质量的依赖：预测模型和状态观测器的性能受到传感器噪声、罐内热分层以及红葡萄酒发酵中葡萄皮存在的影响，这些因素妨碍了密度或CO₂的精确测量。同样，开发稳健的模型需要本地校准，因为葡萄汁特性在不同地区、品种和年份之间存在显著差异。对于光谱技术，其有效性依赖于复杂且与基质相关的化学计量学校准，限制了其在未经适当调整的情况下在不同酒庄间的转移。

另一个局限性是操作复杂性；尽管数字孪生和预测控制器提供了显著优势，但其实施需要建模、数字化集成和软件维护方面的高级知识，阻碍了缺乏外部技术支持的小型酒庄的采用。传感器、物联网平台和管理系统之间的互操作性也是一个挑战，因为缺乏统一的通信标准使得集成不同制造商的设备变得复杂。同样，解读由机器学习算法生成的复杂数据需要特定的培训，而传统酒庄并非总能提供。

尽管存在这些局限性，未来前景显然是乐观的。向半自主发酵系统的演变，由传感器反馈数据更新的预测模型驱动的数字孪生，为能够根据葡萄汁和环境条件持续优化的过程打开了大门。低成本传感器、开放式物联网平台和自调整算法的快速扩展，将降低中小型酒庄的入门门槛，实现数字化酿酒学的民主化。同样，预计整合机理模型和机器学习算法的混合系统将会增长，结合可解释性和先进的预测能力。

总体而言，在葡萄酒发酵中引入先进技术代表了现代酿酒学最重大的变革之一。尽管技术和操作挑战仍然存在，但积累的证据表明，其应用将继续扩大，这是由提高能源效率、确保可重复性以及适应气候变化和全球市场持续质量要求所施加的新条件的需求所驱动的。