一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法

摘要

本发明公开了一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，属于流程工业生产加工领域。所述方法包括：获取近红外光谱数据集、近红外光谱数据预处理、建立特征提取模型、建立回归监测模型、基于近红外光谱的冰酒控温缓慢发酵过程实时监测。本发明利用机器学习特征提取和回归监测模型，将微观监测技术与数据分析算法有机结合并融入到了冰酒酿造过程，使得在控温缓慢发酵环节中对于糖度和酒精潜能的监测能够更直接地反映其微观趋势。

权利要求

1.一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，其特征在于，所述方法包括：步骤1：在冰葡萄汁控温缓慢发酵皿封盖孔位上安装近红外光谱仪的透射式液相光纤探头，采集在冰葡萄汁控温缓慢发酵过程中的光谱数据；所述光谱数据为冰酒控温缓慢发酵过程中由波数-吸光度元素的向量组成的近红外光谱数据，设t时刻所采集到近红外光谱数据为Xt，Xt＝{x1,x2,x3,…,xM}；在控温缓慢发酵器皿中投入比重计，按一定时间间隔读数并基于经验表格换算和记录t时刻下的糖度Tt和酒精潜能值At，共计n次；将由比重计读数并记录所得糖度Tt和酒精潜能At作为回归标签向量Yt，所述回归标签向量为回归模型训练过程中所需要的先验指标信息；将Yt与相应时刻的近红外光谱数据Xt基于时间t对应关系进行匹配，以此构成由n条形同{Xt,Yt}＝{x1,x2…,xM,Tt,At}的向量组成的近红外光谱数据集D，即：步骤2：剔除近红外光谱数据集存在异常或损坏的数据，并填充缺失数据和校正错误数据；对控温缓慢发酵环节中冰葡萄汁的近红外光谱数据集进行矢量归一化和一阶导数平滑滤波；

步骤3：进行特征提取，建立特征提取模型；

步骤4：建立回归监测模型，包括数据集划分、选择回归监测模型，并将测试集输入回归监测模型，以均方误差和拟合优度为性能评估指标；

所述数据集划分过程为：将经由近红外光谱数据预处理后的原始数据集D作为样本输入，并按照一定比例划分为训练集DpTrain＝{XpTrain,YpTrain}和测试集DpTest＝{XpTest,YpTest}；

步骤5：根据训练完成的模型进行冰酒控温缓慢发酵过程实时监测；

所述填充缺失数据过程为：假设tj时刻的近红外光谱 缺失第m维元素 1≤j≤n，1≤m≤M；基于最近邻方法在近红外光谱数据集D所组成的样本空间中的欧几里得距离d：其中， 指某ti时刻近红外光谱向量，ti≠tj， 为ti时刻近红外光谱 中第n个元素， 为tj时刻且存在缺失数据 的近红外光谱 中的第n个元素；根据上式，确定与的欧几里得距离 的最小值对应的近邻点，记为 并使用 中第m维元素 作为 缺失数据 的代替，以此类推填充近红外光谱数据集中所有的缺失数据。

2.如权利要求1所述的一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，其特征在于，所述剔除近红外光谱数据集存在异常或损坏数据过程为：计算ti时刻近红外光谱数据 的第r元素的残余误差的绝对值 i＝1,2,K,n；若 则该测量值为坏值，其中σ为测量值所属变量正态分布(σ，μ)的标准差σ。

3.如权利要求1所述的一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，其特征在于，所述校正错误数据为：根据人工先验知识，校正由测量失误、操作不当导致的错误数据。

4.如权利要求1所述的一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，其特征在于，所述一阶导数平滑滤波为：其中，w为决定滤波窗口宽度的系数， 指ti时刻近红外光谱 的第a个元素，b指滤波窗口的移动序号。

5.如权利要求1所述的一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，其特征在于，所述特征提取的方法为偏最小二乘分析，设定特征变量维数为10，以最大化近红外光谱变量和回归标签值间协方差最大为目标，设X的第一个主成分为u1，对应的权值矩阵为p1，Y的第一个主成分为v1，对应的权值矩阵为q1，有u1＝Xp1,v1＝Yq1

Var(u1)→max，Var(v1)→max

Corr(u1,v1)→max

综上优化目标为：

在达到优化目标后，再从X中寻找第二个主成分为u2和Y的第二个主成分为v2，按照如上寻优方法进行优化，如此反复直至主成分个数达到设定需求。

6.如权利要求1所述的一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，其特征在于，所述将测试集输入回归监测模型，以均方误差和拟合优度为性能评估指标过程为：将测试集DpTest＝{XpTest,YpTest}输入回归监测模型，以均方误差和拟合优度为性能评估指标：其中，ntest为测试集的样本个数，MSET为糖度所对应的均方误差， 表示近红外光谱数据 在特征提取和回归模型映射f下所得糖度估计值， 即为对应的真实糖度标签值，MSEA为酒精潜能所对应的均方误差， 表示近红外光谱数据 在特征提取和回归模型映射g下所得酒精潜能估计值， 即为对应的真实酒精潜能标签值，均方误差MSE为各数据偏离平均数的距离的平均数，反映由回归检测模型在测试集上所得估计值与真实标签值之间的离散程度；

其中， 为糖度标签值的平均值，RT2为糖度所对应的拟合优度，拟合优度RA2指回归监测模型对糖度和酒精潜能标签值的拟合程度, 为酒精潜能标签值的平均值。

说明书

一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法

技术领域

[0001] 本发明涉及一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，属于流程工业生产加工领域。

背景技术

[0002] 冰酒，又称冰葡萄酒，在1794年，最初出现于德国弗兰克尼，《中国葡萄酿酒技术规范》中对冰葡萄酒的定义是：将葡萄推迟采收，当气温低于-7℃以下，使葡萄在树枝上保持一定时间进行结冰，然后采收葡萄，压榨成葡萄汁，用此葡萄汁酿成的酒。

[0003] 通常，冰酒酿造流程包括：采摘、分选、压榨冰冻葡萄得到浓缩葡萄汁、加入容器、进行浓缩葡萄汁除菌、控温缓慢发酵、二次过滤除菌、产品澄清、灌装成酒；影响着冰酒品质的因素多种多样，典型的因素如采摘时的温度、葡萄品种、发酵温度等。此外，在控温缓慢发酵过程中，不断变化的冰葡萄汁糖度和酒精潜能是最终品评冰酒的重要品质指标；在控温缓慢发酵过程中，若糖的浓度过低，会导致生长抑制或酵母裂解，甚至造成发酵停滞或迟缓，即使是亚致死的糖浓度也会刺激酵母的高渗透压应激反应，导致各种副产物如甘油和乙酸的生成量增加，并降低产物产量；而酒精潜能是否能够如期达到并保持期望浓度，关乎冰酒本身的品评及对腐败细菌污染的敏感性。故在控温缓慢发酵的过程中，对冰酒酿造过程中的冰葡萄汁糖分和酒精潜能进行实时监测至关重要。

[0004] 现有技术中，一般使用比重计测定控温缓慢发酵过程中的冰葡萄汁原料的比重、糖度和酒精潜能，比重计基于所测得的比重，通过由先验知识所得的经验表格换算得出液体中所含的特殊成分的百分含量；然而对于不同的冰葡萄汁原料的控温缓慢发酵环节，基于经验表格的比重计在测量精度与可靠性方面存在不足；现有的冰葡萄汁控温缓慢发酵环节的糖度和酒精潜能的测定仅限于宏观测定，由于宏观变化是由微观变化的不断积累导致的，现有冰酒酿造发酵流程中大多使用比起比重计等其他宏观监测技术，难以快速地、精确地反映控温缓慢发酵环节中冰葡萄汁中的微观变化；并不能从微观分子层面上展现控温缓慢发酵环节，使得在判断冰葡萄汁发酵程度或品质时出现失误，从而产生预估损失、采取补料措施的时间较长、不能及时止损等造成更为严重的经济和能源损失的问题。

[0005] 而近红外光谱作为一种快速、高效、无损、无污染的测量技术，已广泛应用于制药、生物、工业等多种场合。近红外光谱技术是将近红外光谱测量技术、化学计量学和计算机科学融为一体，实现对样品的定量、定性分析。与其他光谱技术相比，近红外光谱吸收弱的特点，使得样品不需要稀释等预处理，可直接进行分析。该技术采样所得是基于测量样品分子(主要是C-H、O-H和N-H共价键)与透射光或反射光相互作用产生的吸收光谱，具有简单、快速、无需对样本预处理等优点。近红外光谱测量的步骤一般包括选择和收集标准样品集，用于建立光谱校正模型，剩余的标准样品作为验证集，用以评价模型的外推能力；预处理光谱数据，建立模型；优化和检验校正模型的性能；进行样品测定。

[0006] 但由于使用红外检测仪检测所获取的由波数-吸光度元素的向量组成的近红外光谱数据具有高维、多重线性相关、信息冗余等特性，建模时会产生增加监测模型的复杂度、难以正确建立监测模型等问题。

发明内容

[0007] 为了解决现有技术中近红外光谱数据处理难度大、建模时会产生增加监测模型的复杂度、难以正确建立监测模型等问题；本发明提供一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，所述方法包括：

[0008] 步骤1：在冰葡萄汁控温缓慢发酵皿封盖孔位上安装近红外光谱仪的透射式液相光纤探头，采集在冰葡萄汁控温缓慢发酵过程中的光谱数据；所述光谱数据为冰酒控温缓慢发酵过程中由波数-吸光度元素的向量组成的近红外光谱数据，设t时刻所采集到近红外光谱数据为Xt，Xt＝{x1,x2,x3,…,xM}；在控温缓慢发酵器皿中投入比重计，按一定时间间隔读数并基于经验表格换算和记录t时刻下的糖度Tt和酒精潜能值At，共计n次；将由比重计读数并记录所得糖度Tt和酒精潜能At作为回归标签向量Yt，所述回归标签向量为回归模型训练过程中所需要的先验指标信息；将Yt与相应时刻的近红外光谱数据Xt基于时间t对应关系进行匹配，以此构成由n条形同{Xt,Yt}＝{x1,x2…,xM,Tt,At}的向量组成的近红外光谱数据集D，即：

[0009]

[0010] 步骤2：剔除近红外光谱数据集存在异常或损坏的数据、填充缺失数据、校正错误数据；对控温缓慢发酵环节中冰葡萄汁的近红外光谱数据集进行矢量归一化和一阶导数平滑滤波；

[0011] 步骤3：进行特征提取，建立特征提取模型；

[0012] 步骤4：建立回归监测模型，包括数据集划分、选择回归监测模型类，并将测试集输入回归监测模型，以均方误差和拟合优度为性能评估指标；

[0013] 步骤5：根据训练完成的模型进行冰酒控温缓慢发酵过程实时监测。

[0014] 在本发明的一种实施方式中，所述剔除近红外光谱数据集存在异常或损坏数据过程为：计算ti时刻近红外光谱数据 的第r元素的残余误差的绝对值若 则该测量值为坏值，其中σ为测量值所属变量正态分布(σ，μ)的标准差σ。

[0015] 在本发明的一种实施方式中，所述填充缺失数据过程为：假设tj时刻的近红外光谱 缺失第m维元素 基于最近邻方法在近红外光谱数据集D所组成的样本空间中基于欧几里得距离d：

[0016]

[0017] 其中 指某ti时刻近红外光谱向量，ti≠tj， 为ti时刻近红外光谱 中第n个元素， 为tj时刻且存在缺失数据 的近红外光谱 中的第n个元素；根据上式，确定与的欧几里得距离 的最小值对应的近邻点，记为 并使用 中第m维元素作为 缺失数据 的代替，以此类推填充近红外光谱数据集中所有的缺失数据。

[0018] 在本发明的一种实施方式中，所述校正错误数据为：根据人工先验知识，校正由测量失误、操作不当等导致的错误数据。

[0019] 在本发明的一种实施方式中，所述对控温缓慢发酵环节中冰葡萄汁的近红外光谱数据集进行矢量归一化过程为：

[0020]

[0021]

[0022]

[0023]

[0024] 其中，m＝1,2,…,M， 为第m维近红外光谱波数—吸光度变量的均值，|xm|为n条近红外光谱数据的第m维近红外光谱波数—吸光度变量的平方和的平方根。

[0025] 在本发明的一种实施方式中，所述一阶导数平滑滤波为：

[0026]

[0027] 其中，w为决定滤波窗口宽度的系数， 指ti时刻近红外光谱 的第a个元素，b指滤波窗口的移动序号。

[0028] 在本发明的一种实施方式中，所述特征提取算法为偏最小二乘分析，设定特征变量维数为10，以最大化近红外光谱变量和回归标签值间协方差最大为目标，设X的第一个主成分为u1，对应的权值矩阵为p1，Y的第一个主成分为v1，对应的权值矩阵为q1，有[0029] u1＝Xp1,v1＝Yq1

[0030] Var(u1)→max，Var(v1)→max

[0031] Corr(u1,v1)→max

[0032] 综上优化目标为：

[0033]

[0034] 在达到优化目标后，再从X中寻找第二个主成分为u2和Y的第二个主成分为v2，按照如上寻优方法进行优化，如此反复直至主成分个数达到设定需求。

[0035] 在本发明的一种实施方式中，所述数据划分过程为：将经由近红外光谱数据预处理后的原始数据集D作为样本输入，并按照一定比例划分为训练集DpTrain＝{XpTrain,YpTrain}和测试集DpTest＝{XpTest,YpTest}。

[0036] 在本发明的一种实施方式中，所述回归监测模型类选择多元线性回归作为回归监测算法，基于训练集DpTrain＝{XpTrain,YpTrain}，设参数域为θ的多元线性回归方程为：

[0037] hθ(X)＝θTX＝θ0x0+θ1x1+L+θnxn,n＝10

[0038] 建立损失函数为：

[0039]

[0040] 其中hθ为低维特征变量与控温缓慢发酵环节中冰葡萄汁糖度和酒精潜能间映射关系的定量模型；

[0041] 采用梯度下降法优化参数，直至损失函数收敛至较小值：

[0042]

[0043] 其中α为学习率。

[0044] 在本发明的一种实施方式中，所述将测试集输入回归监测模型，以均方误差和拟合优度为性能评估指标过程为：

[0045] 将测试集DpTest＝{XpTest,YpTest}输入回归监测模型，以均方误差和拟合优度为性能评估指标：

[0046]

[0047]

[0048] 其中，ntest为测试集的样本个数，MSET为糖度所对应的均方误差， 表示近红外光谱数据 在特征提取和回归模型映射f下所得糖度估计值， 即为对应的真实糖度标签值，MSEA为酒精潜能所对应的均方误差， 表示近红外光谱数据 在特征提取和回归模型映射g下所得酒精潜能估计值， 即为对应的真实酒精潜能标签值，均方误差MSE为各数据偏离平均数的距离的平均数，反映由回归检测模型在测试集上所得估计值与真实标签值之间的离散程度，其值越小越好；

[0049]

[0050]

[0051]

[0052]

[0053] 其中，为糖度标签值的平均值，RT2为糖度所对应的拟合优度，拟合优度RA2指回归监测模型对糖度和酒精潜能标签值的拟合程度, 为酒精潜能标签值的平均值。

[0054] 有益效果：

[0055] 本发明利用冰酒酿造工艺中控温缓慢发酵环节中所采集到的近红外光谱数据和比重计所得糖度和酒精潜能数据，提出一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，利用机器学习特征提取和回归监测模型，将微观监测技术与数据分析算法有机结合并融入到了冰酒酿造过程，从传统的比重计基于人工经验表格的宏观固定测量转化为了基于近红外光谱数据建模的微观在线监测；本发明根据采集到冰酒控温缓慢发酵过程中由波数-吸光度元素的向量组成的近红外光谱数据，将比重计读数并记录所得糖度和酒精潜能作为回归模型训练过程中所需要的先验指标信息，采用偏最小二乘分析进行特征提取，选择多元线性回归作为回归监测算法，采用梯度下降法优化参数，并以均方误差和拟合优度为性能评估指标；在发酵过程在线监测中，能基于之前建立的特征提取模型和回归监测模型进行实时监测并记录冰葡萄汁原料在控温缓慢发酵过程中的糖度和酒精潜能；使得在控温缓慢发酵环节中对于糖度和酒精潜能的监测能够更直接地反映其微观趋势，使得人们能够更及时地发现问题，预估和补救损失。

附图说明

[0056] 图1为实施例1的实施步骤流程框图。

[0057] 图2为实施例1的控温缓慢发酵过程近红外光谱数据示意图。

[0058] 图3为实施例1的基于近红外光谱检测技术的冰酒控温缓慢发酵过程的糖度实时监测效果示意图。

[0059] 图4为实施例1的基于近红外光谱检测技术的冰酒控温缓慢发酵过程的酒精潜能实时监测效果示意图。

具体实施方式

[0060] 下面结合附图和实施例对本发明作进一步详细说明。

[0061] 实施例1

[0062] 本实施例提供一种基于近红外光谱的冰酒控温缓慢发酵过程实时监测方法，如图1所示，所述方法包括：

[0063] 步骤1：在冰葡萄汁控温缓慢发酵所使用的发酵器皿封盖中央孔位上，安装近红外光谱仪的透射式液相光纤探头；打开与仪器相连的上位机软件OPUS(红外光谱软件)，并在OPUS环境中开始配置采样参数；在OPUS软件中依次将测量配置中的分辨率设置为4cm-1，扫描次数设置为16次，将采样范围设置为4000cm-1-12500cm-1，确定结果光谱的数据类型为吸光度；通过测量单通道背景光谱，在以后的采样测量中将自动滤除背景；

[0064] 按照以上近红外光谱仪采样参数设置，采样并记录冰酒控温缓慢发酵过程中由波数-吸光度元素的向量组成的近红外光谱数据，每条近红外光谱数据为含有2203个波数-吸光度元素的向量，设t时刻所采集到由波数-吸光度元素的向量组成的近红外光谱数据Xt，则Xt＝{x1,x2,x3,…,x2203}；

[0065] 在控温缓慢发酵器皿中投入比重计，按每2h间隔读数并基于经验表格换算和记录t时刻下的糖度Tt和酒精潜能值At，共计n次；

[0066] 将由比重计读数并记录所得糖度Tt和酒精潜能At作为回归标签向量Yt，即回归模型训练过程中所需要的先验指标信息；之后，将Yt与相应时刻的近红外光谱数据Xt基于时间t对应关系进行匹配，以此构成由N＝600条M＝2203维元素组成形同{Xt,Yt}＝{x1,x2…,x2203,Tt,At}的近红外光谱数据集D，如实施例1中附图2控温缓慢发酵过程近红外光谱数据示意图所示，即：

[0067]

[0068] 步骤2：剔除近红外光谱数据集存在异常或损坏数据；计算ti(i＝1,2,K,n)时刻近红外光谱数据 的第r元素 的残余误差的绝对值 若 则该测量值为坏值，其中σ为测量值所属变量正态分布(σ，μ)的标准差σ；

[0069] 填充缺失数据；假设tj(1≤j≤n)时刻的近红外光谱 缺失第m(1≤m≤M)维元素 基于最近邻方法在近红外光谱数据集D所组成的样本空间中基于欧几里得距离d：

[0070]

[0071] 其中 指某ti(ti≠tj)时刻近红外光谱向量， 为ti时刻近红外光谱 中第n个元素， 为tj时刻且存在缺失数据 的近红外光谱 中的第n个元素。根据上式，确定与的欧几里得距离 的最小值对应的近邻点，记为 并使用 中第m维元素 作为 缺失数据 的代替，以此类推填充近红外光谱数据集中所有的缺失数据；

[0072] 校正错误数据，根据人工先验知识，校正由测量失误、操作不当等导致的错误数据；

[0073] 对控温缓慢发酵环节中冰葡萄汁的近红外光谱数据集进行矢量归一化，[0074]

[0075]

[0076]

[0077]

[0078] 其中 为ti时刻近红外光谱 的第m维元素， 为第m维近红外光谱波数—吸光度变量的均值，|xm|为n条近红外光谱数据的第m维近红外光谱波数—吸光度变量的平方和的平方根；

[0079] 一阶导数平滑滤波为：

[0080]

[0081] 其中，w为决定滤波窗口宽度的系数， 指ti时刻近红外光谱 的第a个元素，b指滤波窗口的移动序号。根据近红外光谱的数据特征，可选择的预处理方法还有消去常数、消去一条直线、最大-最小归一化、多元散射校正和二阶导数平滑滤波等。

[0082] 步骤3：进行特征提取，建立特征提取模型，所述特征提取算法为偏最小二乘分析，设定特征变量维数为10，以最大化近红外光谱变量和回归标签值间协方差最大为目标，设X的第一个主成分为u1，对应的权值矩阵为p1，Y的第一个主成分为v1，对应的权值矩阵为q1，有

[0083] u1＝Xp1,v1＝Yq1

[0084] Var(u1)→max，Var(v1)→max

[0085] Corr(u1,v1)→max

[0086] 综上优化目标为：

[0087]

[0088] 在达到优化目标后，再从X中寻找第二个主成分为u2和Y的第二个主成分为v2，按照如上寻优方法进行优化，如此反复直至主成分个数达到设定需求。

[0089] 通过偏最小二乘算法，将近红外光谱变量数目有原始光谱变量2203维降至10维，根据冰葡萄汁控温缓慢发酵过程中近红外光谱变量间以及变量与糖度、酒精潜能间关系，可选用的特征提取算法还可以是主成分分析、线性判别分析、基于L1，L2正则提取法、相关系数提取法和典型如自动编码器、深度信念网络的深度学习算法等；

[0090] 步骤4：建立回归监测模型；包括以下步骤：

[0091] 步骤41：数据集划分；由10维特征向量组成的特征数据集Dp作为样本输入，并按照3:2比例划分为训练集DpTrain＝{XpTrain,YpTrain}和测试集DpTest＝{XpTest,YpTest}；

[0092] 步骤42：选择回归监测模型类；选择回归监测模型类，选择多元线性回归作为回归监测算法，基于训练集DpTrain＝{XpTrain,YpTrain}，设参数域为θ的多元线性回归方程为：

[0093] hθ(X)＝θTX＝θ0x0+θ1x1+L+θnxn,n＝10

[0094] 建立损失函数为：

[0095]

[0096] 采用梯度下降法优化参数，直至损失函数收敛至较小值：

[0097]

[0098] 其中α为学习率。将以上回归模型建立流程应用于近红外光谱特征变量训练集XpTrain到糖度和酒精潜能YpTrain的回归建模中，可得到从经偏最小二乘特征提取后的特征变量Xpt到糖度Tt和酒精潜能At的映射f和g。

[0099] hθ即低维特征变量与控温缓慢发酵环节中冰葡萄汁糖度和酒精潜能间映射关系的定量模型，根据冰葡萄汁控温缓慢发酵过程中近红外光谱特征变量与糖度、酒精潜能间相关性(线性或非线性)，可选用的回归监测模型还有多项式回归、岭回归、Lasso回归和深度神经网络等；

[0100] 步骤43：将测试集DpTest＝{XpTest,YpTest}输入回归监测模型，以均方误差和拟合优度为性能评估指标：

[0101]

[0102]

[0103] 其中ntest为测试集的样本个数，MSET为糖度所对应的均方误差， 表示近红外光谱数据 在特征提取和回归模型映射f下所得糖度估计值， 即为对应的真实糖度标签值，MSEA为酒精潜能所对应的均方误差， 表示近红外光谱数据 在特征提取和回归模型映射g下所得酒精潜能估计值， 即为对应的真实酒精潜能标签值。均方误差MSE为各数据偏离平均数的距离的平均数，可反映由回归检测模型在测试集上所得估计值与真实标签值之间的离散程度，其值越小越好。

[0104]

[0105]

[0106]

[0107]

[0108] 其中， 为糖度标签值的平均值，RT2为糖度所对应的拟合优度，拟合优度RA2指回归监测模型对糖度和酒精潜能标签值的拟合程度, 为酒精潜能标签值的平均值，RA2最大值为1，RA2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，RA2的值越小，说明回归直线对观测值的拟合程度越差；

[0109] 步骤44：模型训练完成，确定并保存回归监测模型描述和参数；

[0110] 步骤5：基于近红外光谱的冰酒控温缓慢发酵过程实时监测；包括以下过程：

[0111] 步骤51：采摘、分选和压榨冰冻葡萄，包括：获取冰葡萄汁原料，即采摘、分选和压榨冰冻葡萄；

[0112] 步骤52：容器、浓缩葡萄汁除菌，包括：

[0113] 步骤521：清水洗净发酵器皿(桶)内壁；

[0114] 步骤522：容器除菌，加入偏重亚硫酸钾溶液，按照5g/L溶解于水中，摇晃器皿使其与内壁充分接触；

[0115] 步骤523：将冰葡萄汁原料装入发酵器皿，液面距离开口保持约10cm，以便近红外光谱仪配置的透射式光纤探头插入；

[0116] 步骤524：根据各器皿内冰葡萄汁量，加入偏重亚硫酸钾溶液，使其浓度达到50ppm，搅拌均匀，以杀灭冰葡萄汁原料中的杂菌；

[0117] 步骤525：封盖静置，无需密封，等待偏重亚硫酸钾溶液完全发挥杀菌作用；

[0118] 步骤53：控温缓慢发酵；包括：

[0119] 步骤531：按照10g/25kg冰葡萄汁原料的比例投入葡萄酒酵母菌，适当搅拌；

[0120] 步骤532：封盖静置，无需密封，控制发酵温度于22℃，发酵放热会使得发酵器皿温度略高于环境温度；

[0121] 步骤533：将近红外光谱仪配置的透射式光纤探头从器皿顶盖中央孔位插入，确保其尖端浸入冰葡萄汁原料中足够的深度；

[0122] 步骤534：按照步骤1，设置近红外光谱仪采样参数，设定预期目标糖度为150g/L，酒精潜能为10.5％；

[0123] 步骤535：近红外光谱仪按照如步骤1设置采样参数，开始采集由波数-吸光度元素的向量组成的近红外光谱数据，并基于之前建立的特征提取模型和回归监测模型实时监测并记录冰葡萄汁原料在控温缓慢发酵过程中的糖度和酒精潜能，可得实施例1中附图3基于近红外光谱检测技术的冰酒控温缓慢发酵过程的糖度实时监测效果示意图和附图4基于近红外光谱检测技术的冰酒控温缓慢发酵过程的酒精潜能实时监测效果示意图，按照步骤1设置采样参数，约4分钟可实现一次糖度和酒精潜能的实时监测并绘制成示意图所示的点迹，以供实时监测冰酒控温缓慢发酵过程的进度并观测糖度和酒精潜能的变化趋势；

[0124] 步骤536：持续观察控温缓慢发酵过程中的糖度和酒精潜能，直至达到预期；

[0125] 步骤54：除去葡萄酵母菌，包括：终止发酵，加入偏重亚硫酸钾溶液，使其浓度达到150ppm，充分搅拌以去除葡萄酒酵母菌；

[0126] 步骤55：产品澄清，包括：按照1:100产品质量的比例，加入壳聚糖并充分搅拌；封盖静置，完全密封；

[0127] 步骤56：过滤并灌装成酒，包括：食品防腐，加入山梨酸钾，使其浓度达到100ppm，充分搅拌；过滤并灌装成品。

[0128] 本发明的保护范围并不仅局限于上述实施例，凡是在本发明构思的精神和原则之内，本领域的专业人员能够做出的任何修改、等同替换和改进等均应包含在本发明的保护范围之内。