浓香型白酒是中国白酒的主流香型之一,以高粱、小麦等为主要酿酒原料,采用泥窖固态发酵,续糟配料等独特酿造工艺,具有“窖香浓郁、绵甜甘冽、香味协调、尾净余长”的风格特征[1]。 从市场地位来看,浓香型白酒长期占据行业主导,覆盖从高端到大众的全价格市场,如头部企业五粮液、泸州老窖等,均形成了庞大的产业链。 2024 年我国白酒产业实现销售收入近7 964 亿元,同比增长7.8%[2-3]。 在浓香型白酒高速发展的今天,生产大部分依赖传统酿造工艺,其中涉及多个关键环节,包括原辅料处理、窖泥培养、配料、发酵、蒸馏、勾调等多个环节,这些环节多难以调节,且高度依赖人工经验,极大地制约了浓香型白酒产业的进一步发展。 例如：上甑时,酿酒人员通过个人经验控制甑内糟醅厚度,但操作不当时易导致蒸汽分布不均,影响原酒提取效率,甚至出现“夹花流酒”。 摘酒时,则依赖“看花流酒”、“按质摘酒”技艺,通过酒花大小、个人感官判断酒质等级[4]。 同时浓香型白酒酿造的核心优势源于窖泥与酒醅中的微生物群落,窖泥中己酸菌、乳酸菌、甲烷菌等功能微生物的丰度与活性直接决定己酸乙酯等特征风味物质的生成。 然而,窖泥微生物群落结构受窖池年龄、土壤成分、发酵温度等多因素影响,呈现出高度复杂性与动态性。 研究表明,同一酒厂不同窖池的微生物种类差异可达20% ～30%,即使在同一窖池,不同发酵阶段的优势菌群更替速率也存在显著差异[5]。 因此,传统工艺无法精准捕捉微生物群落的变化规律,发酵过程难以解释,形成“黑箱模型”[6]。
1 智能制造与机器学习的兴起
当前在白酒行业,智能制造的需求尤为迫切。 一方面,消费者对白酒品质的一致性、安全性要求不断提高;另一方面,行业面临劳动力成本上升、环保压力增大等挑战,传统生产模式已难以适应新发展需求[7]。 在此背景下,目前白酒行业正积极推动着白酒行业实现机械化转型,并不断向智能化酿造迈进[8]。 机械化设备的使用极大地降低了人员劳动强度,使工艺操作过程更易于监测控制。 如自动温控摊晾机替代了人工摊晾,上甑机器人和红外线监测替代了人工探汽上甑等,这些技术在一定程度上实现了白酒的智能化酿造。 但作为一种固态发酵食品,白酒的品质最终仍取决于发酵过程。 这种开放式的发酵模式,使得影响白酒发酵的因素众多,不同白酒有着很强的地域性和季节性差异。
机器学习擅长处理大数据、解析非线性关系以及挖掘过程间的内在关联,这些能力使其有望推动白酒生产的智能化进程[9]。 目前,机器学习正帮助食品行业实现生产智能化、高效化和个性化,其具体应用可涵盖生产过程优化、新产品研发、消费群体精准定制以及快速无损检测等多个方面[10-13]。 Wang 等[14]采用了一种戊糖片球菌PPF28-8 用于建立酱油的快速发酵模型,结果表明PPF28-8 有助于提升和改善酱油中的复合香气,挥发性化合物为饮品增添了果香、花香以及坚果香气等丰富的风味特征。 利用2 种机器学习算法偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)和主成分分析(principal component analysis,PCA)验证了实际实验结果,结果表明该模型准确预测了香气的准确生成,确保了产品味道的稳定性。 Brendel 等[15]构建了一种气相色谱-质谱-离子迁移谱联用仪(gas chromatography-mass spectrometry-ion mobility spectrometry,GC-MS-IMS)检测系统用于检测啤酒花中挥发性化合物,结果表明不同时间、不同加工和贮存条件的啤酒花的挥发性化合物存在着较大的差异,确定了啤酒花中挥发性物质和α 酸之间的关联性,同时偏最小二乘回归(partial least squares regression,PLSR)算法较好地区分了不同的啤酒花,并指出了可能的α 酸水平。 目前,白酒生产的机械化已趋于成熟,但智能化仍处于探索阶段,特别是对发酵过程的智能化应用。 如实现对发酵过程的实时监控、状态判断、风味预测以及工艺优化等。 未来有望借助机器学习、深度学习等建立浓香型白酒发酵模型,实现浓香型白酒发酵过程可控制、结果可预测、工艺可优化的标准化、智能化生产模式。
2 影响浓香型白酒发酵中的关键因素
影响浓香型白酒发酵品质的因素复杂多样,涉及环境条件、原辅料质量、配料配比、窖泥状态等多个方面。 为提升原酒品质,需系统揭示上述因素与核心微生物发酵过程及原酒产出特性之间的内在关联,进而构建能够预测发酵动态与核心微生物生长代谢的发酵模型。 通过科学调节关键因素,可有效调控糟醅与窖泥中的微生物群落结构及其代谢活动,最终实现原酒生产过程的智能化精准控制。
2.1 环境因素
由于浓香型白酒开放性的发酵环境,从起糟配料到入窖和封窖,过程流程长,其中还会加入新的粮食、曲药、糠壳,导致前期微生物群落结构较为复杂,随着发酵温度的升高以及各种代谢物的产生,微生物群落才逐渐趋于稳定。 这一发酵过程涉及多种环境因素,包括物理因素与化学因素。 物理因素如：水分、温度、酸度,化学因素如：还原糖含量、乙醇、乳酸等,这些环境因素驱动着糟醅中微生物群落的变化。 在王鹏等[16]的研究中,前期的研究确定了白酒发酵过程中10 个主要属微生物群,包括Lactobacillus、Saccharomyces、Candida、Rhizopus、 Saccharomycopsis、 Pichia、 Dipodascus、Bacillus、Thermoascus 和Lactococcus,利用了冗余分析和蒙特卡洛置换检验探究了环境因素对上述微生物群的影响,结果表明水分、酸度、温度、还原糖和乙醇与核心微生物群的分布具有显著的相关性,R2最大可达0.904 2,其中,化学因素对微生物群落的影响大于物理因素,同时两者的相互作用也起到重要作用。 在雷学俊等[17]的研究中发现,28 ℃和0.2% 乳酸的环境因素胁迫能促进窖泥中乳杆菌目菌群微生物的生长,Lactobacillus 在低温28 ℃和0.2%乳酸胁迫发酵下其相对丰度可达16.2% 和27.65%。 上述研究明确了环境因素与核心微生物菌群演替之间的相关性,这意味着可能可以通过调节发酵中的环境因素来调整微生物群系的演替变化。 由于微生物在结构上和组成上的差异,例如革兰氏阳性与革兰氏阴性菌在细胞壁上的差异,导致窖池中不同微生物在生长温度、水分、酸度等环境因素上形成了较大差异。 例如酿酒酵母在20 ～40 ℃下存活,芽孢杆菌生长温度为10 ～48 ℃,超过48 ℃生长受到抑制,而乳杆菌最佳温度为25 ～45 ℃[18]。 这种环境因素耐受性差异,抑制了一些非目标路径,同时部分微生物还可形成独特的方式来应对窖池中较为极端的环境,最终形成了差异化的微生物群落[19]。 从另一个方面来看,也可通过调节环境因素来抑制有害微生物群落演化,改善原酒风味。 例如,杜海等[20]的研究结果显示,通过调节糟醅中的酸度可以抑制酒体中的土霉异味,一定程度上为白酒的风味调节提供了依据。
2.2 原辅料品质
浓香型白酒的原辅料包括粮食、曲药、糠壳以及生产用水,作为酿酒发酵能量的直接来源,它们直接影响了最终原酒的风味与品质。 例如粮食、曲药的粉碎程度、颗粒大小以及糠壳的使用量决定了糟醅的孔隙度、机械强度以及比表面积,从而会为糟醅带来不同的环境因素。 例如不同的氧气含量、不同保水性等,从而影响糟醅后续发酵。 杨明永等[21]探究了不同加糠量对热季糟感官及酒质影响,当用糠量为36% ～37%时,随着投粮量增加,糟醅感官评分显著增加;投粮量为28%,用糠量36% ～37% 时,原酒酒体无色透明、粮香、醇甜、糟香好,其质量等级达到优级。
但原辅料更为重要的是为发酵直接提供营养,包括淀粉、蛋白、脂类与单宁等微量成分,这些营养成分与原酒品质具有一定的相关性。 张英等[22]的研究中指出,高粱中直链淀粉含量与总酯含量之间呈极显著正相关,而小麦用量则与总酸和总酯含量呈显著负相关。 李朝苏等[23]研究了不同小麦品种对所制白酒大曲品质的影响,采用一致的工艺方式,结果表明不同年份、地点、品种的小麦对大曲感官指标及化学参数都有显著或极显著的影响。 不仅仅是原辅料理化性质差异导致白酒品质改变,在配料时加入新的原辅料也会带来新的微生物从而影响发酵。 黄瑜等[24]研究了中国5 个省份不同地区的21 个小麦样本的微生物群落,结果表明它们的微生物组成存在显著差异,这种差异化的微生物组成可能对糟醅前期发酵升温有一定影响。 原辅料中也会带来新的酶类物质,例如浓香型大曲中富含的多种酶类对发酵前期的“启动”起到一定的协助作用,如糖化酶、液化酶等[25],它们之间的差异也会导致原酒品质的差异。 采集原辅料的理化数据,保证原辅料品质的稳定是建立白酒智能化、标准化的重要前提。
2.3 配料结构
作为酿酒人员最主要的调控手段,看糟配料一直都是浓香型白酒酿造过程中的关键环节。 酿酒人员凭借个人经验完成对下一轮入窖糟醅的粮食、曲药、糠壳、量水用料比例的判断,这极大地考验酿酒人员对出窖母糟的发酵状态判别是否准确。 配料结构的本质实际上是调整糟醅的孔隙、机械强度以及营养物质占比等,为下一轮发酵提供更为合适的环境因素,促使糟醅中的微生物群系向特定方向转化。 文悦等[26]探究了不同配糟量对酒醅发酵过程中微生物群落结构及代谢的影响,结果表明当粮糟比为1∶5 时,酒醅的真菌群落物种丰富度、多样性与分布均匀性均显著低于1∶4 组,但酒醅中挥发性和半挥发性物质更多,这可能是因为母糟量的增多,为下一轮入窖引入了丰富的前体风味物质(有机酸、醇类)和处于休眠状态的特定功能微生物,影响了原酒风味。 杨明永等[21]的研究表明,当投粮28%,投糠36% ～37%时,基酒出酒率、优级率、总酯、总酸、己酸乙酯含量以及己/乙比、己/乳比均显著高于其他组别生产配料方案,同时该组升温情况基本满足前缓、中挺、后缓落的趋势,充分说明了配料结构与窖池升温、原酒品质之间的重要关联。
2.4 窖泥品质
“千年老窖万年糟,酒好全凭窖池老”,窖泥与原酒品质密切相关。 窖泥中包含多种微生物,如乳酸菌、己酸菌等,它们产生的乳酸、己酸等代谢物对于浓香型白酒风味的形成至关重要。 黄孟阳等[1]研究了不同窖龄酒醅的理化特性及微生物结构规律,结果表明50 年窖龄的酒醅的真菌菌群丰富度和多样性高于5 年窖龄酒醅样,但细菌菌群演替更迅速。 祁祥玮等[27]研究了浓香型白酒发酵过程中窖泥细菌群落与挥发性物质的动态变化规律,结果表明随着发酵的进行,窖泥中的产酸功能微生物进一步富集。 作为窖泥中的核心功能菌,己酸菌属与嗜蛋白质菌属不仅驱动着产酸过程,其间的协同作用更是维系细菌群落稳定的基石,对窖泥的长期驯化与独特白酒风味的形成具有深远影响。 杜相林[28]比较了不同窖泥发酵得到的浓香型白酒品质,结果表明,强化窖泥下的酒体含有更多的酯类物质、酮类、呋喃类等与酒体风味密切相关的微量物质。 窖泥中微生物群落的变化和演替是原酒品质差异的重要原因,实现调控和监测窖泥中的微生物变化是目前获得更高品质浓香型白酒的重要前提[1,29]。 传统方法采用调整入窖糟醅结构来持续“养窖”,发酵过程中糟醅产生的代谢产物及其微生物与窖泥在不断进行交换,促进窖泥“老熟”,但这种方法用时长,过程控制更多是依靠酿酒人员的经验,无法对窖泥的“老熟”实现精准控制,从而影响原酒品质的稳定性。
3 机器学习在白酒上的智能化应用
目前,机器学习在白酒上的智能化应用研究主要集中于对基酒品质的检测、控制方面等方面。 传统生产中,多依赖酿酒人员多年的工作经验[30],对于基酒品质的把握多通过感官的形式进行,即眼看、口尝、手捻等多种方式,已经形成了一套较为完整的标准体系。 如“看花流酒,按质摘酒”,入窖糟醅“疏松不糙,柔熟不腻”等。 然而,感官描述难以转变为白酒智能化生产的有效数据,同时感官易受情绪状态、身体状况和环境等因素的影响从而影响品评结果[31],从而限制了白酒智能酿造的标准化、高效化发展。 目前在这一领域,研究者们正采用不同的技术方法(如光谱、色谱)与机器学习结合构建模型来判别基酒品质[32],从而实现对基酒品质的快速判定,实现基酒风味的数字化、标准化评价。 曹梦德等[33]采用了5 种机器学习算法,包括多元逻辑回归(multinomial logistic regression,MLR)、决策树(decision tree,DT)、随机森林(random forest,RF)、极端梯度提升(XGBoost),结合交叉验证递归特征消除方法,从不同浓香型白酒的近红外光谱中提取关键特征,以构建基酒品质预测模型。 最终结果表明,XGBoost 算法最佳,模型分类准确率可达94.24%,相比未特征提取提高14.14%。 岳小琳等[34]采用了GC-MS 分析4 个等级的浓香型基酒中的风味化合物,利用PCA 和正交偏最小二乘判别分析(orthogonal partial least squares discriminant analysis,OPLS-DA)筛选特征风味化合物,并结合机器学习建立判别模型。 模型构建与评估表明,在3 种机器学习算法中,RF 算法表现最佳,其对优级、一级、二级及丢糟基酒的判别精度达到100%,支持向量机(support vector machine,SVM)最高可以达到96.9%的分类正确率,但MLR 算法表现较差,仅62.5% 的准确率。 Yang 等[32]采用气相色谱-飞行时间质谱联用技术(gas chromatography-time of flight mass spectrometry,GC-TOF/MS)和气相色谱-离子迁移谱(gas chromatography-ion mobility spectrometry,GC-IMS)数据融合,结合RF 算法,对白酒基酒进行分级,基酒分类准确率达91.3%,并筛选出了12 种与质量等级显著相关的关键化合物(如2-甲基丁酸乙酯、异戊酸乙酯)。Zhu 等[35]采用了5 种机器学习算法对28 种不同的白酒进行感官评分预测,研究通过以白酒中的风味化合物类别和含量作为模型输入,以感官评分作为模型输出,采用了人工神经网络(artificial neural network,ANN)、SVM、RF、DT、PLS 共5 种算法,建立了5 种白酒感官属性预测模型。 结果表明,建立的ANN 模型具有最佳的预测能力,相关系数R2超过0.99,确定了对感官评价至关重要的关键风味化合物[35]。 Li等[36]运用风味组学技术,结合多层感知机(multilayer perceptron,MLP)、RF 和XGBoost 等多种机器学习算法,成功实现了对不同轮次酱香型白酒中关键风味化合物的准确预测,并构建了相应品质等级预测模型。在白酒产地溯源、掺假检验等方面,机器学习也起到了重要作用。 于翔等[37] 利用RF、线性判别(linear discriminant analysis,LDA)、SVM 等算法建立的判别模型对当地的白酒判断准确率可达96% 以上,实现了白酒的快速鉴定。 Sun 等[38]利用电化学传感器结合极限学习机(extreme learning machine,ELM)和最小二乘支持向量机(least squares support vector machine,LSSVM)2 种算法建立了酒类掺假鉴别模型,结果表明,在ELM 算法下,当隐藏节点为36 时,模型分类准确率可达90%。 李爱兰等[39]通过PLS 结合吹扫捕集-气质联用方法实现了对不同产地、不同品牌的浓香型白酒的鉴别,包括五粮液、剑南春、泸州老窖等品牌,R2 和Q2 分别为0.801 和0.683,筛选出包括辛酸已酯在内的8 种与产地密切相关差异化合物,实现了对不同产地浓香型白酒的成功分类与判别。
具体研究应用方向可参考表1。
表1 机器学习在白酒领域应用研究
Table 1 Research on the application of machine learning in the Baijiu industry
白酒类型算法应用类型模型模型表现主要结论参考文献浓香型白酒 PLS、LS-SVM、ANN 对浓香型白酒中目标风味物质进行定量预测回归LS-SVM 算法下,R2C 和R2p 达到最大值,R2 最大为0.992 2成功建立了浓香型白酒中关键风味化合物的含量预测模型[40]浓香型白酒 MLR、DT、RF、GBM、XGBoost对白酒基酒等级进行预测划分分类 XGBoost 算法下,分类准确率可达94.24%,召回率94.26%实现对基酒等级的快速划分,如头酒、一级、二级[33]浓香型白酒 RF、SVM、LR对白酒基酒等级进行预测划分分类 RF 算法下,模型准确率达到100%,可成功区分4 种类型基酒实现对基酒等级的快速划分[34]梯度提升决策树(gradient boosting decision tree,GBDT)、引导聚集算法、Stacking 模型等建立白酒感官评分和风味物质含量之间的预测模型DTR 算法下,能较好的预测酸类化合浓香型白酒回归物含量,R2train =0.978 6;GBDT 能较好的预测酯类化合物含量实现了通过从感官品评到风味物质含量的成功预测[41]浓香型白酒 ANN、RF、SVM 等算法建立基酒等级分类预测模型;建立了风味化合物含量回归模型回归分类成功预测出了影响感官特性的关键风味化合物[42]酱香型白酒 XGBoost、RF 算法等对不同风格的酱香型白酒进行区分、对不同等级酒样进行区分分类XGBoost 算法下的准确率高达92.9%;随机森林算法在区分白酒的等级方面表现最佳,准确率为62.3%成功建立了酱香型白酒风格和等级分类模型[32]酱香型白酒 SVM、XGBoost算法等对白酒发酵轮次过程中的理化指标进行预测分类回归遗传算法与极端梯度提升算法下的发酵轮次方面的准确率99.26%;随机森林与支持向量回归的模型准确预测发酵糟醅的酸度值(R2 0.967 4)以及淀粉(R2 0.961 0)成功建立了酱香型不同轮次预测模型;建立了理化指标回归模型[43]酱香型白酒 SVR、RF 算法对白酒中的酒精度及酯类物质浓度进行预测回归酒精含量预测模型R2 测试高达0.997,均方根误差(root mean square error,RMSE)为0.118;酯类物质模型R2 测试高达0.996成功建立了白酒中乙醇和酯类物质含量预测模型[44]浓香型白酒 GA-BP-ANN 算法对不同年代、酒都、风味白酒进行分类分类GA-BP-ANN 对酒度、风味和年代的识别准确率分别达到95. 69%、91. 38%和93.97%成功建立了浓香型白酒酒度、风味和年代分类识别模型[45]
3.1 机器学习在浓香型白酒智能化生产的可行化分析及挑战
浓香型白酒的生产酿造过程涉及多个环节,受到的影响因素较多,原酒的品质也会随着季节的变化而不断变化[46-47]。 目前浓香型白酒的智能化酿造中主要有以下问题：a)检测技术还是以传统的理化检验为主,这种方式耗时长,成本高,数据收集效率低下,无法满足智能化生产中快速、高效、准确的需求。 b)生产受季节和环境影响大,造成原辅料利用率低。 例如夏季糟醅出窖时残淀含量高,产量较低。 c)缺乏监测浓香型白酒发酵过程的专用技术设备。 d)影响原酒品质因素较多,各因素与结果之间关系错综复杂,缺乏能梳理整合关系网络的工具。 为推动白酒智能化酿造,非常有必要对影响浓香型白酒生产过程中因素进行监测以及收集,包括环境因素、糟醅的理化性质、配料结构、窖泥中核心微生物菌群系演化、风味物质、酶类物质等多种因素。 例如五粮液的“解乳酸己小杆菌(JNU-WLY1368)”,产香梭状芽孢杆菌,丙酸嗜蛋白菌[48];己酸、乙酸、己酸乙酯等酸酯;糖化酶,酯化酶,蛋白酶和脂肪酶等;融合多种生化工程技术和引入微生物代谢组学技术,利用机器学习建立监测浓香型白酒发酵状态的模型,不断优化各种因素条件,最终提升浓香型白酒的产品质量。
3.1.1 传感器的建立并进行数据收集
实现浓香型白酒的智能化酿造关键前提就是要建立高效、准确、耐用的传感器。 浓香型白酒采用固态发酵,窖内情况难以查看,而最终原酒品质又与发酵过程中的环境等因素相关,有必要设计并研发一套传感器系统用于上述指标的监测。 目前关于白酒窖池中的传感器研究正逐步由采集单一数据向采集多维数据所转变。 董浩[49]建立了一种基于ZigBee 无线的网络技术白酒环境监测系统,监测了白酒贮藏环境中湿度和温度等参数,其中温度的误差不超过0.3 ℃,湿度的误差不超过0. 4%,同时系统工作电流仅为160 mA,能长时间使用。 卫小庆[50]构建了一套基于ZigBee 技术的窖池发酵监测系统,用于监测窖池中的温度、pH、酒精含量,结果表明系统的温度误差小于0.5 ℃,pH 误差小于0.07,酒精浓度小于40 mg/L,系统较好地满足需求。 相较与ZigBee 技术,LoRa 技术具有更远的传输距离、更快的传输速率以及更低的能耗。 赵痛快等[51]基于LoRa 技术建立了一种浓香型白酒固态发酵参数在线监测系统,对窖池内部的温度和水分监测数据的平均误差分别约为0. 23 ℃和0.65%。 值得注意的是,由于窖池内环境的复杂性,例如高温高湿高酸性,以及在空间、时间上的差异性,导致窖池中各位置糟醅、窖泥的理化特性因素可能会差距过大,这对传感器的精准度和耐用性是一个新的考验[52]。 基于上述传感器所得到的都是单一数据,对于发酵状态判定过于单一。 杜成成等[53]构建了一种多传感器的窖池发酵评价体系,利用统计过程控制(statistical process control,SPC)方法剔除其异常数据,采用多种数据融合来对窖池进行总体性评估。 除了理化数据,窖池中重要的特征微生物也应纳入传感器数据收集范围内。 Yin 等[54]利用CRISPR/Cas12a基因结合的纳米金颗粒,开发出了一种视觉生物传感器用于监测白酒糟醅中的醋酸乳杆菌,这一方法具有广阔的应用前景。 然而,关于浓香型白酒发酵中的关键核心微生物的监测却非常有限,如五粮液老窖泥中的厚壁菌门细菌、较高丰度的产己酸菌群以及促进己酸生成的甲烷菌群等关键菌群[55],如何开发监测这些关键微生物的传感器是接下来的研究重点。
3.1.2 数据的预处理以及特征工程
在浓香型白酒发酵这一复杂的生化反应过程中,更多的是强调白酒风味、酒精生成的机理,可解释过程的数据较少,且收集到的数据由于环境原因可能还伴有大量的噪声等。 因此采集得到的数据不能直接作为机器学习模型训练数据,需要对数据进行预处理,筛选出主要特征[56]。 与白酒发酵相关因素多,各数据之间格式不同,量纲也不同。 需要对数据进行标准化处理以及归一化处理,以统一量纲,确保了不同模态数据在不同维度上的同步性,为挖掘变量间的深层互动关系奠定基础。 传感器的监测数据曲线也伴随着多种噪声以及异常点,通过采用平滑、异常点消除等方法,例如采用Savitzky-Golay 算法、一阶或二阶导数处理、标准正态变量变换、多次散射校正、正交信号等方法来平滑曲线;采用孤立森林、子空间聚类算法来剔除异常值以及提取特征值[57-58]。 Wang 等[59]采用了近红外光谱扫描大曲,对扫描得到的光谱进行预处理,通过PLS-DA 算法提取了光谱中的重要信息,经过多次迭代,波数由1 684 降低到85 个,且经处理后的85 个波数就可以达到95%的稳定准确率,极大地提高了建模效率。 对于窖池中的特征微生物,其香农多样性指数、己酸菌与乳酸菌的丰度比值、辛普森优势度指数、Chao 指数和Ace 指数等数据也应进行相应处理,从而更加地准确表征群落丰富度和多样性水平[60-61]。
3.1.3 机器学习发酵模型的构建与应用
数据的收集是为了构建一个可用于预测浓香型白酒发酵质量状况的机器学习模型,并根据模型结果反馈调节生产过程的工艺参数,实现工艺闭环,将以老师傅的经验为主导转变为以模型数据为主导,分析工艺参数-微生物-基酒风味数据之间的映射关系,从而提升产品质量,稳定各个窖池的产品品质。 第2 部分已经分析了各因素与核心微生物、原酒品质之间的关系性,例如糟醅的水分、酸度与乳酸菌属、念珠菌属、酵母菌属呈现明显正相关[16];支链淀粉含量与浓香型白酒己酸乙酯含量呈现一定的相关性[62];酒醅酸度与哈萨克斯坦酵母菌属呈现正相关性;哈萨克斯坦酵母、毕赤酵母属等与己酸乙酯、乙酸乙酯呈现正相关性等[63]。 值得注意的是,由于时空的差异性,不同窖池微生物群系关系可能呈现不一样的变化规律,对于实际生产中,可能需要具体样本具体分析,通过不断总结单口窖池的规律,采用深度学习不断扩大应用到整个车间。
依据上述原理和关系,可以对白酒发酵过程建立模型,从而形成对发酵过程的监控。 在Xie 等[64]的研究中提出了一种新的卷积神经网络(convolutional neural network,CNN)-transformer 机器学习检测模型,结合高光谱成像(hyperspectral imaging,HSI)技术,实现了对大曲发酵阶段的准确分类,准确率95.14%。在预测液化力(liquefaction power,LP)和糖化力(saccharification power,SP)方面,CNN-transformer 模型显著优于其他3 种传统机器学习模型,这种结合光谱色谱的研究方法具有广阔的应用前景。 Cao 等[65]通过整合指标的动态监测、宏基因组分析和机器学习建模,系统分析时空因素对大曲发酵温度的差异贡献,识别并验证了发酵早期阶段S2 ～S3 是大曲发酵的关键时期,揭示了大曲的不同发酵时期的动态变化规律。 在浓香型白酒发酵过程中温度呈现前缓、中挺、后缓落的变化规律,按过程又可分为产酒期、产酸期以及产香期[66]。 徐岩教授团队揭示了浓香型白酒发酵过程中酒醅中风味物质的变化规律以及窖泥中微生物菌群的结构变化规律,结果表明糟醅的乙酸和乳酸在发酵初期迅速增加,而后增速下降,而己酸乙酯、己酸丁酸等含量随时间延长而增加;窖泥中乳杆菌一直是主要优势菌种,但随着时间延长,瘤胃菌科和梭菌科的相对丰度逐渐上升[67],这意味着将乙酸和乳酸等主要相关性因素作为模型特征,利用机器学习可以实现对发酵状态的智能判断。 类似,可以进一步利用 SHAP 值解释( shapley additive explanations,SHAP)、置换重要性(permutation importance,PI)等方法来确认模型特征值与预测值之间的关系,对某些“黑箱层面”进行解释,例如确认入窖水分含量与原酒己酸乙酯含量之间的具体关系,从而为调整工艺提供数据性指导。
李烘[68]基于机器学习构建了预测模型,用于对浓香型白酒完成发酵后的质量等级进行分类预测,并对其产量进行回归预测。 采集数据包括糟醅状态、蒸馏环节、摘酒环节、摊晾环节以及车间环境,构建的模型质量分类正确率在91%以上,产量预测的平均绝对误差为3.45,并利用构建的XGBoost 模型了优化工艺参数[68],完成了工艺闭环。 Xie 等[42]的研究中,成功利用RF 等算法预测了窖泥中的核心微生物,包括异常汉逊酵母、植物乳植杆菌、米曲霉和克氏毕赤酵母等,它们参与了关键风味化合物的合成过程。 同时模型还预测出异常毕赤酵母和丁酸梭菌也可能对白酒的质量产生影响,阐明了微生物群落的结构与功能特性对浓香型白酒风味化合物及感官品质的影响机制,这一研究为调控发酵异常的糟醅提供了一种优化策略[42]。 图1 提供了机器学习下浓香型白酒智能酿造框架图,以供读者参考。
图1 机器学习下浓香型白酒智能酿造框架图[35-36,69]
Fig.1 Intelligent brewing framework for strong-flavor Baijiu under machine learning
4 结论与展望
本文系统回顾了机器学习在浓香型白酒智能酿造中的研究进展与应用前景。 研究表明,机器学习在基酒等级分类、风味物质预测等环节中已取得显著成效,为解决传统酿造中依赖人工经验、过程不可控、品质波动大等问题提供了有效手段。 尤其是基于光谱、色谱等数据结合RF、XGBoost、ANN 等算法构建的预测模型,在基酒分级、感官评分预测、关键风味物质识别等方面表现出较高的准确性与鲁棒性。 然而,当前机器学习在浓香型白酒发酵智能化酿造中的应用仍处于初步阶段,面临多种挑战。 例如传感器技术不成熟、微生物监测手段有限、模型泛化能力不足等。 未来应进一步开发能多项检测的智能传感器,实现发酵过程中理化与微生物数据的实时采集;结合代谢组学、微生物组学、基因组学等开发解释性更强的发酵模型,不断推动中国白酒产业迈向智能化新时代。
[1] 黄孟阳, 蔡小波, 秦辉, 等. 不同窖龄浓香型白酒发酵过程中酒醅理化指标及微生物群落结构分析[J]. 中国酿造, 2025(8)：49 -54.Huang M Y, Cai X B, Qin H, et al. Physicochemical indicators and microbial community structure of fermented grains during the fermentation process of strong-flavor Baijiu with different pit ages[J]. China Brewing, 2025(8)：49 -54.
[2] 筱鹂.中国酒业协会2024 白酒产业年度报告发布[J]. 酿酒科技, 2025(1)：71.Xiao L.CADA releases its 2024 annual report of Baijiu industry[J].Liquor-Making Science & Technology, 2025(1)：71.
[3] 曹晓念, 吕杨俊, 刘青青, 等. L-茶氨酸在浓香型白酒中滋味表达及稳定性研究[J]. 中国酿造, 2025, 44(8)：63 -68.Cao X N, Lyu Y J, Liu Q Q, et al. Taste expression and stability of L-theanine in strong-flavor Baijiu[J]. China Brewing, 2025, 44(8)：63 -68.
[4] 罗鑫, 谭诗媛, 魏妙. 浓香型白酒蒸馏智能化技术的探讨[J].中外食品工业, 2025(15)：7 -9.Luo X, Tan S Y, Wei M. Discussion on intelligent distillation technology of Luzhou-flavor liquor[J]. Global Food Industry, 2025(15)：7 -9.
[5] Jiao W J, Xie F, Gao L, et al. Identification of core microbiota in the fermented grains of a Chinese strong-flavor liquor from Sichuan[J]. LWT, 2022, 158：113140.
[6] 祝田田. 白酒发酵智能监测与酒醅酸酯比预测[D]. 合肥：安徽大学, 2024.Zhu T T. Intelligent monitoring of liquor fermentation and prediction of distillerate ratio[D]. Hefei：Anhui University, 2024.
[7] 孙宇星, 刘勇, 王玉良, 等. 白酒酿造从机械化向智能化发展思考[J]. 酿酒, 2024, 51(3)：20 -22.Sun Y X, Liu Y, Wang Y L, et al. Thinking about the development of Baijiu brewing from mechanization to intelligence[J]. Liquor Making, 2024, 51(3)：20 -22.
[8] 俞飞, 周健, 明红梅, 等. 机械化与传统酿造方式的浓香型原酒风味成分对比[J]. 食品与发酵工业, 2021, 47(23)：233 -239.Yu F, Zhou J, Ming H M, et al. Characteristics of flavor components in strong-flavor Baijiu fermented by mechanization and traditional methods[J]. Food and Fermentation Industries, 2021, 47(23)：233 -239.
[9] Lin D R, Liu Y H, Ma Y, et al. Machine learning-enhanced modeling and characterization for optimizing dietary fiber production from Highland barley bran[J]. International Journal of Biological Macromolecules, 2024, 283：137616.
[10] 马毅. 基于机器学习的青稞麸皮膳食纤维改性工艺优化、理化性能及在面条中的应用[D]. 雅安：四川农业大学, 2024.Ma Y. Optimization of modification process, physicochemical properties and application in noodles of dietary fiber from highland barley bran based on machine learning[D]. Ya’an：Sichuan Agricultural University, 2024.
[11] 何晴, 孙莹莹, 刘文秋, 等. 机器视觉技术在食品检测中的应用研究进展[J]. 食品与发酵工业, 2026, 52(8)：411 -419.He Q, Sun Y Y, Liu W Q, et al. Research progress on application of machine vision technology in food inspection[J]. Food and Fermentation Industries, 2026, 52(8)：411 -419.
[12] 张书鸣, 王欣, 谈文娇, 等. 计算机视觉和深度学习在粮油及其制品无损检测中的应用[J]. 食品科学,2025,46(22)：40 -49.Zhang S M, Wang X, Tan W J, et al. Application of computer vision and deep learning in non-destructive testing of grains, oils and their products[J]. Food Science, 2025, 46(22)：40 -49.
[13] 张超, 堵劲松, 刘伟, 等. 结合机器学习算法的食品风味分析策略[J]. 食品科学, 2025, 46(23)：333 -346.Zhang C, Du J S, Liu W, et al. A review of strategies for food flavor analysis incorporating machine learning algorithms[J]. Food Science, 2025, 46(23)：333 -346.
[14] Wang S, Zeng M H, Wang J X, et al. Exploring the potential of Pediococcus pentosaceus PPF28-8 in a rapid fermentation model for soy sauce flavor enhancement using machine learning[J]. Food Bioscience, 2025, 67：106308.
[15] Brendel R, Schwolow S, Rohn S, et al. Gas-phase volatilomic approaches for quality control of brewing hops based on simultaneous GC-MS-IMS and machine learning[J]. Analytical and Bioanalytical Chemistry, 2020, 412(26)：7085 -7097.
[16] 王鹏, 吴群, 徐岩. 中国白酒发酵过程中的核心微生物群及其与环境因子的关系[J]. 微生物学报,2018,58(1)：142 -153.Wang P, Wu Q, Xu Y. Core microbiota in Chinese liquor fermentation and associations with environmental factors[J]. Acta Microbiologica Sinica, 2018, 58(1)：142 -153.
[17] 雷学俊, 张霞, 刘芳, 等. 环境因素胁迫下浓香型白酒窖泥微生物多样性变化规律[J]. 酿酒科技, 2023(3)：58 -64.Lei X J, Zhang X, Liu F, et al. Diversity of microbial community in Nongxiang Baijiu pit mud under environmental stress[J]. Liquor-Making Science & Technology, 2023(3)：58 -64.
[18] Jeong C H, Lee S H, Yoon Y, et al. Identification of optimal fermentation temperature for dry-fermented sausage using strains isolated from Korean fermented foods[J]. Foods, 2022, 12(1)：137.
[19] Nottingham A T, Bååth E, Reischke S, et al. Adaptation of soil microbial growth to temperature：Using a tropical elevation gradient to predict future changes[J]. Global Change Biology, 2019, 25(3)：827 -838.
[20] 杜海, 杜小威, 赵景龙, 等. 影响产土味素链霉菌生长及代谢的白酒酿造相关环境因素[J]. 食品与发酵工业, 2017, 43(10)：1 -7.Du H, Du X W, Zhao J L, et al. The influences of the environmental factors on the growth and metabolism of geosmin-producing Streptomyces in the liquor-making process[J]. Food and Fermentation Industries, 2017, 43(10)：1 -7.
[21] 杨明永, 周帅, 范宏筠, 等. 不同粮糟配料比对浓香型白酒秋季转排生产糟醅发酵的影响分析[J]. 酿酒科技, 2025(11)：94 -100.Yang M Y, Zhou S, Fan H J, et al. Influence of different raw material ratios on the production of Nongxiang Baijiu in autumn[J].Liquor-Making Science & Technology, 2025(11)：94 -100.
[22] 张英, 胡景辉, 莫凯, 等. 主要白酒原料酿造性能差异性分析[J]. 食品与发酵工业, 2025, 51(13)：126 -134.Zhang Y, Hu J H, Mo K, et al. Analysis of differences in brewing performance of main liquor raw materials[J]. Food and Fermentation Industries, 2025, 51(13)：126 -134.
[23] 李朝苏, 任勇, 佟汉文, 等. 影响浓香型白酒大曲质量的小麦原料关键品质参数研究[J]. 食品工业科技,2023,44(8)：35-45.Li C S, Ren Y, Tong H W, et al. Research on the requirements of the flavor liquor Daqu for the wheat raw material quality[J]. Science and Technology of Food Industry, 2023, 44(8)：35 -45.
[24] 黄瑜, 杨帆, 李江华, 等. 小麦原料微生物组成对高温大曲风味的影响[J]. 食品与发酵工业, 2021, 47(20)：22 -29.Huang Y, Yang F, Li J H, et al. Effect of microbial composition in wheat raw material on the flavor of high-temperature Daqu[J].Food and Fermentation Industries, 2021, 47(20)：22 -29.
[25] 施美林, 唐苏冰, 刘茗铭, 等. 不同产区浓香大曲理化特性和微生物群落差异及相关性分析[J]. 食品工业科技, 2026：1 -10.Shi M L, Tang S B, Liu M M, et al. Analysis of differences and correlations in physicochemical properties and microbial communities of strong-flavor Daqu from different production areas[J]. Science and Technology of Food Industry, 2026：1 -10.
[26] 文悦, 张宿义, 宋攀, 等. 浓香型白酒不同配糟量对酒醅发酵过程中微生物群落结构及代谢的影响[J]. 食品科学, 2025,46(21)：146 -158.Wen Y, Zhang S Y, Song P, et al. Effects of different proportions of raw to fermented materials on the microbial community structure and metabolism during the fermentation of fermented grains for Nongxiangxing Baijiu[J]. Food Science, 2025, 46(21)：146 -158.
[27] 祁祥玮, 吴培文, 张媛媛, 等. 浓香型白酒发酵过程中窖泥细菌群落与挥发性物质的动态变化规律及相关性分析[J]. 食品与发酵工业, 2025, 51(21)：123 -132.Qi X W, Wu P W, Zhang Y Y, et al. Dynamic changes and correlation analysis of pit mud bacterial communities and volatile compounds during the fermentation of Nongxiangxing Baijiu[J]. Food and Fermentation Industries, 2025, 51(21)：123 -132.
[28] 杜相林. 淡雅浓香型白酒窖泥强化及其酒体风味物质分析[D]. 雅安：四川农业大学, 2022.Du X L. Optimization of pit mud for elegant-type Luzhou-flavor liquor and analysis of liquor flavor substance[D]. Ya'an：Sichuan Agricultural University, 2022.
[29] 常勇勇, 方晶晶, 马文朝, 等. 浓香型白酒新、老窖池发酵糟醅理化指标及微生物群落结构差异分析[J]. 食品与发酵工业, 2026, 52(7)：104 -113.Chang Y Y, Fang J J, Ma W C, et al. Analysis of physicochemical indexes and microbial community structure differences between new and old pits fermented grains of Nongxiangxing Baijiu[J]. Food and Fermentation Industries, 2026, 52(7)：104 -113.
[30] Yu H Y, Dai X, Yao G Y, et al. Application of gas chromatography-based electronic nose for classification of Chinese rice wine by wine age[J]. Food Analytical Methods, 2014, 7(7)：1489 -1497.
[31] Zeng X Q, Cao R, Xi Y, et al. Food flavor analysis 4.0：A crossdomain application of machine learning[J]. Trends in Food Science & Technology, 2023, 138：116 -125.
[32] Yang L, Xian C, Li S, et al. Machine learning combined with GCFID for discrimination of different categories of Maotai-flavor Baijiu[J]. Food Chemistry：X, 2025, 28：102555.
[33] 曹梦德, 王怡博, 张贵宇, 等. 基于机器学习混合特征选择方法的近红外光谱检测浓香型白酒基酒等级[J]. 食品与发酵工业, 2025, 51(24)：359 -367.Cao M D, Wang Y B, Zhang G Y, et al. Detection of base liquor grade of Nongxiangxing Baijiu by near-infrared spectroscopy based on machine learning hybrid feature selection method[J]. Food and Fermentation Industries, 2025, 51(24)：359 -367.
[34] 岳小淋, 向双全, 钱宇, 等. 不同等级浓香型白酒基酒挥发性风味物质差异分析[J]. 中国酿造, 2025, 44(6)：258 -265.Yue X L, Xiang S Q, Qian Y, et al. Analysis on the difference of volatile flavor components in strong-flavor Baijiu base liquor with different grades[J]. China Brewing, 2025, 44(6)：258 -265.
[35] Zhu M, Wang M Y, Gu J F, et al. Machine learning-assisted aroma profile prediction in Jiang-flavor Baijiu[J]. Food Chemistry,2025, 478：143661.
[36] Li S, Han Y R, Wang L, et al. Machine learning-enhanced flavoromics：Identifying key aroma compounds and predicting sensory quality in sauce-flavor Baijiu [ J]. Food Chemistry, 2025,475：143328.
[37] 于翔, 姜珊, 贾儒林, 等. 基于UV 结合机器学习对白城地区制假白酒案中原料酒的溯源研究[J]. 山东化工, 2025, 54(9)：203 -206.Yu X, Jiang S, Jia R L, et al. Study on the traceability of raw liquor in the case of counterfeit liquor in Baicheng area based on UV combined with machine learning[J]. Shandong Chemical Industry, 2025, 54(9)：203 -206.
[38] Sun X, Liu F, Xue X. Identification of liquor adulteration based on machine learning and electrochemical sensor[J]. Journal of Food Measurement and Characterization, 2024, 18(5)：3502 -3509.
[39] 李爱兰, 乔文君, 汪兴财, 等. 吹扫捕集-气质联用结合化学计量学用于不同产地和品牌浓香型白酒鉴别[J]. 化学试剂,2021, 43(5)：576 -583.Li A L, Qiao W J, Wang X C, et al. Purge and trap-GC/MS combined with chemometrics for identification of strong aroma Baijiu from different origins and brands[J]. Chemical Reagents, 2021,43(5)：576 -583.
[40] 蔡旭, 李丽, 宗绪岩, 等. 紫外吸收光谱结合化学计量学对浓香型白酒的研究[J]. 中国无机分析化学,2026,16(2)：259 -269.Cai X, Li L, Zong X Y, et al. Study on strong-aroma type Baijiu by ultraviolet absorption spectroscopy combined with chemometrics[J]. Chinese Journal of Inorganic Analytical Chemistry, 2026, 16(2)：259 -269.
[41] 刘鑫, 韩强, 李陈杰, 等. 基于模型融合的浓香型白酒感官与风味成分质量关系模型研究[J]. 食品研究与开发, 2023, 44(13)：53 -61.Liu X, Han Q, Li C J, et al. Research on the relationship between sensory evaluation and flavor components of strong aromatic Baijiu based on model fusion[J]. Food Research and Development,2023, 44(13)：53 -61.
[42] Xie J, Hong J X, Zhang C S, et al. Machine learning-assisted identification of core flavor compounds and prediction of core microorganisms in fermentation grains and pit mud during the fermentation process of strong-flavor Baijiu[J]. Food Chemistry, 2025,495：146426.
[43] Zhang N, Li Z H, Huang X W, et al. NIR-based chemometric modeling for fermentation round classification and physicochemical indicator prediction during stacking fermentation of sauce-flavor Baijiu[J]. Food Bioscience, 2025, 73：107680.
[44] Huang Y X, Tian J P, Yang H L, et al. Utilization of hyperspectral imaging for the analysis of aroma components of Soy Sauce-Aroma Type Baijiu[J]. Journal of Food Composition and Analysis,2024, 134：106498.
[45] Zong X Y, Zhou X J, Wen L, et al. Identification of Baijiu based on the Raman spectroscopy and back-propagation neural network optimized using genetic algorithm[J]. Journal of Food Composition and Analysis, 2024, 126：105917.
[46] Jiang X Y, Peng Z, Zhu Q, et al. Exploration of seasonal fermentation differences and the possibility of flavor substances as regulatory factors in Daqu[J]. Food Research International,2023,168：112686.
[47] Luo Y, Wu L M, Wu M Y, et al. Intelligent manufacturing challenges and directions of the Baijiu starter culture-Daqu industry：Microbiome and engineering perspectives[J]. Trends in Food Science & Technology, 2024, 153：104724.
[48] 晋湘宜, 胡咏梅, 彭楠, 等. 浓香型白酒窖泥己酸菌的研究进展[J]. 华中农业大学学报, 2024, 43(4)：121 -132.Jin X Y, Hu Y M, Peng N, et al. Progress in studying caproic acidproducing bacteria in pit mud of strong-flavor Baijiu[J]. Journal of Huazhong Agricultural University, 2024, 43(4)：121 -132.
[49] 董浩. 基于ZigBee 技术白酒储藏环境无线监测系统设计[D].合肥：安徽大学, 2020.Dong H. Design of wireless monitoring system for Baijiu storage environment based on zigbee technology[D]. Hefei：Anhui University, 2020.
[50] 卫小庆. 基于ZigBee 技术窖池发酵无线监测系统设计[D].合肥：安徽大学, 2017.Wei X Q. Design of wireless monitoring system for cellar fermentation based on zigbee technology[D]. Hefei：Anhui University,2017.
[51] 赵痛快, 张力, 张保华, 等. 基于LoRa 的浓香型白酒固态发酵参数在线监测系统[J]. 物联网技术,2023,13(1)：24 -28;31.Zhao T K, Zhang L, Zhang B H, et al. On-line monitoring system for solid-state fermentation parameters of Luzhou-flavor liquor based on LoRa[J]. Internet of Things Technologies,2023,13(1)：24 -28; 31.
[52] Esmaeily R, Razavi M A, Razavi S H. A step forward in food science, technology and industry using artificial intelligence [J].Trends in Food Science & Technology, 2024, 143：104286.
[53] 杜成成, 祝田田, 张保华, 等. 面向多传感器数据融合的白酒发酵评估方法[J]. 发酵科技通讯, 2024, 53(3)：144 -149.Du C C, Zhu T T, Zhang B H, et al. Liquor fermentation evaluation method for multi-sensor data fusion[J]. Fajiao Keji Tongxun,2024, 53(3)：144 -149.
[54] Yin L J, Sun L J, Wang Y Q, et al. A novel strategy for predicting the quality of a base liquor：Visual detection of functional bacteria and its application[J]. Current Research in Food Science, 2025,10：101072.
[55] 赵东, 郑佳, 彭志云, 等. 高通量测序技术解析五粮液窖泥原核微生物群落结构[J]. 食品与发酵工业, 2017, 43(9)：1 -8.Zhao D, Zheng J, Peng Z Y, et al. Prokaryotic microbial community in Wuliangye pit mud using NextSeq high-throughput sequencing technology[J]. Food and Fermentation Industries, 2017, 43(9)：1 -8.
[56] 胡清华, 汪运. 考虑数据噪声的鲁棒回归建模方法综述[J].西北大学学报(自然科学版), 2019, 49(4)：496 -507.Hu Q H, Wang Y. A review of robust regression modeling approaches with noise[J]. Journal of Northwest University (Natural Science Edition), 2019, 49(4)：496 -507.
[57] Cheng R R, Ding Y F, Jiang D L, et al. Rapid determination and variety identification of active ingredient contents in Chrysanthemi Flos by near-infrared spectroscopy and machine learning[J]. Journal of Food Composition and Analysis, 2025, 148：108334.
[58] Paul D, Saha S, Mathew J. Improved subspace clustering algorithm using multi-objective framework and subspace optimization[J]. Expert Systems with Applications, 2020, 158：113487.
[59] Wang L C, Shen Y, Wang X, et al. The spatial differences of the Chinese sauce aroma liquor Daqu and identification by FT-MIR spectroscopy[J]. Food Control, 2023, 154：109990.
[60] 缪承杜, 叶沛铭, 赵培静, 等. 基于高通量测序技术的蓝莓果实中细菌和真菌菌群多样性分析研究[J]. 食品安全质量检测学报, 2023, 14(11)：147 -153.Miao C D, Ye P M, Zhao P J, et al. Study on the diversity analysis of bacterial communities and fungal communities in Vaccinium spp. Based on high-throughput sequencing technology[J]. Journal of Food Safety and Quality, 2023, 14(11)：147 -153.
[61] 剧慧栋, 水小溪, 王宇, 等. 3 种不同香型大曲细菌群落与酒曲及白酒理化指标的相关性[J]. 食品安全质量检测学报,2024, 15(20)：288 -296.Ju H D, Shui X X, Wang Y, et al. Correlation between bacterial community of 3 kinds of different flavor Daqu and physical and chemical indexes of Daqu and Baijiu[J]. Journal of Food Safety &Quality, 2024, 15(20)：288 -296.
[62] 王小鑫, 杨芳, 宁占鳌, 等. 不同支链淀粉含量的高粱对北方浓香型白酒品质的影响研究[J]. 酿酒科技, 2025(4)：69 -72; 78.Wang X X, Yang F, Ning Z A, et al. Influence of sorghum with different amylopectin content on Nongxiang Baijiu[J]. Liquor-Making Science & Technology, 2025(4)：69 -72; 78.
[63] 曹晓娟. 新疆浓香型白酒酒醅微生物群落结构特征与酯类风味物质相关性分析[D]. 阿拉尔：塔里木大学, 2024.Cao X J. Correlation analysis between microbial community structure characteristics and ester flavor substances of fermented grains of Xinjiang strong-flavor Baijiu[D]. Ala’er：Tarim University,2024.
[64] Xie L L, Wang R Z, Tian J P, et al. Hyperspectral imaging for monitoring quality changes in Nongxiang Baijiu Daqu fermentation[J]. Microchemical Journal, 2025, 217：114973.
[65] Cao R J, Zhou Q W, Ma Y S, et al. Multimodal integration：Mechanisms of temperature dynamics and quality formation critical period in Daqu[J]. Food Research International, 2025, 221：117622.
[66] 蒋永春, 雷学俊, 郑佳, 等. 温度胁迫下浓香型白酒酒醅理化性质、有机酸和挥发性风味物质的变化研究[J]. 酿酒科技,2024(3)：40 -46; 52.Jiang Y C, Lei X J, Zheng J, et al. Changes of physicochemical properties, organic acids and volatile flavor substances of fermented grains of Nongxiang Baijiu under temperature stress[J]. Liquor-Making Science & Technology, 2024(3)：40 -46; 52.
[67] 高江婧, 任聪, 刘国英, 等. 浓香型白酒酒醅风味物质和微生物菌群结构随发酵时间的变化规律[J]. 食品与发酵工业,2019, 45(20)：1 -6.Gao J J, Ren C, Liu G Y, et al. Dynamic changes of flavor compounds and microbial community in fermented grains of Chinese strong aroma-type Baijiu during fermentation[J]. Food and Fermentation Industries, 2019, 45(20)：1 -6.
[68] 李烘. 白酒产量预测与生产工艺参数优化算法研究[D]. 成都：电子科技大学, 2020.Li H. Research on Baijiu yield prediction and production process parameter optimization algorithm[D]. Chengdu：University of Electronic Science and Technology of China, 2020.
[69] Kirtil E. Machine learning-driven integration of GC-MS and sensory panel data for aroma prediction in food systems[J]. Journal of Food Composition and Analysis, 2025, 148：108594.