江西香型白酒生产的数字化转型：整合风味化合物分析、机器学习识别以及多轮混合的遗传算法

《Food Research International》：Digital transformation of Jiangxiangxing Baijiu production: integrating flavor compound analysis, machine learning recognition, and genetic algorithm blending of multi-rounds

本研究通过Flavoromics技术系统分析江酱型白酒七轮基酒风味特征，构建电子鼻多传感器检测体系，结合机器学习模型实现基酒自动识别，并创新性开发基于遗传算法的智能调配模型，通过感官评价与色谱验证，为传统白酒调配数字化提供科学依据。

　　

刘晓通|江琪|凌胡凯敏|周一飞|于梦倩|魏春辉|林良才|周琦|周正书|张翠英

国家食品营养与安全重点实验室，工业发酵微生物学重点实验室（教育部），天津工业大学生物技术学院，天津300457，中国

摘要

江西香型白酒的调配是通过特定比例混合来自不同蒸馏阶段的基酒来实现的，其风味差异主要归因于挥发性和非挥发性风味化合物的不同。为了探索数字化辅助调配方法，首先建立了每轮基酒的感官特征谱，以识别其特征描述符。随后系统地应用风味组学分析来确定风味化合物的类型、浓度及其变化模式。为此构建了一个具有8个传感器的电子鼻设备，用于多轮江西香型白酒的检测。基于风味组学数据，创新开发了两种智能模型：一种基于机器学习的识别模型，结合电子鼻和色谱数据实现精确的轮次识别；另一种基于遗传算法的优化模型，利用多维风味化合物数据集进行智能调配。经过感官评估和色谱分析验证的优化遗传算法模型被选为江西香型白酒调配的优选方案，为传统调配技术的数字化转型提供了科学依据。

引言

中国白酒是世界六大蒸馏酒之一（Qiao等人，2023年），拥有数千年的历史、复杂的酿造工艺和独特的风味。这些特性演化出了12种不同的香气类型，受发酵和操作条件的影响（Niu等人，2025年）。其中，江西香型白酒尤为突出，以其“浓郁的酱香、优雅的口感、醇厚的酒体以及持久的空杯香气”而闻名（Qin等人，2024年）。其独特的“12,987”酿造工艺体现了精湛的发酵工程技术：包括双相材料融合、九次循环蒸煮、八个交错进行的月度发酵阶段以及七次连续蒸馏，从而产生化学成分各异的基酒（第1至7轮）（Liu & Sun，2018年；Pan等人，2023年）。 近期分析检测技术的进步促进了人们对影响白酒感官特性的微量化合物的深入研究（Xu等人，2022年）。风味组学（Dubrow等人，2022年）作为一种揭示风味化学的组学方法，能够通过靶向和非靶向分析策略系统地表征挥发性和非挥发性风味成分。感官评估虽然与风味组学相辅相成，但仍然是评估白酒质量最常用的方法。然而，感官评估的可靠性受到人类生理变异性和主观偏见的影响，导致标准化难度大且重复性有限（Li等人，2025年）。此外，专业感官评估与消费者偏好之间存在显著差异，因此需要进一步完善感官评估方法。因此，近期研究倾向于使用电子鼻来替代人工感官评估，以提供更客观、科学和可重复的感官数据。 然而，仅靠电子鼻是不够的，因为它们无法自动识别和分类测试样本。因此，需要一个成熟的算法来处理电子鼻数据并辅助样本的识别和分类。近年来，机器学习算法作为自主分类方法已广泛应用于多个领域（图像处理、自然语言处理、金融等），用于模型分类和预测。例如，Li等人（S. Li等人，2025年）通过结合机器学习和聚类算法，研究了不同蒸馏阶段江西香型白酒基酒中的关键香气成分和感官质量变化，成功开发出高精度质量预测模型。同样，Niu等人（Niu等人，2025年）利用GC-IMS、GC–MS和GC×GC–MS技术结合机器学习，分析了七轮蒸馏过程中江西香型白酒中的挥发性化合物，识别出469种挥发物和35种影响风味特征的生物标志物。基于此，本研究重点关注近期流行的机器学习算法，通过这些算法处理电子鼻数据，以实现样本的自动化识别和分类。 此外，多轮白酒的精确比例调配是制作江西香型白酒的核心过程，其特征香气是通过不同蒸馏阶段的挥发性和非挥发性化合物共同形成的。这些特定轮次的白酒在感官上表现出显著差异，主要归因于发酵过程中风味活性化合物的动态变化（Niu、Yang等人，2025a）。不同轮次白酒的战略性调配最终决定了白酒的质量和感官特征（Gong等人，2023a；Li等人，2024年）。然而，传统的白酒调配方法仍主要依赖手工经验，这常常导致批次间质量不稳定、调节物理化学参数的精度有限，以及无法满足不断变化的市场需求。 目前，机器学习技术在白酒研究中的应用主要集中在前瞻性预测任务上，如风味预测、样本分类和地理来源追溯。虽然这些方法在分析和诊断方面有效，但在解决调配优化这一逆向设计问题时存在局限性。相比之下，遗传算法（GA）是一种基于自然选择和遗传机制的全局优化搜索算法，属于进化算法范畴（Awad等人，2023年；Zhou等人，2024年）。它通过模拟生物进化过程中的选择、交叉（重组）和突变等操作逐步优化问题解决方案。研究表明，遗传算法可以优化饮料稳定性的预测模型（例如，GA-BP神经网络预测枸杞饮料的粒度和ζ电位（Yu等人，2025年），实现多目标营养配方设计（例如，MOGA平衡谷物饮料的能量和成本（Anjali等人，2023年），并精确调节发酵过程参数（例如，ANN-GA结合提高植物基发酵饮料的乙醇含量和抗氧化活性（Chaudhary等人，2025年）。尽管遗传算法在食品领域已有初步应用，但将其应用于传统手工白酒生产系统的数字化转型的学术研究仍然较少。遗传算法在预测多轮江西香型白酒的调配比例方面展现出巨大潜力。其优势包括全局优化、并行处理、对多维数据模式的强大适应性以及在小样本量下的高效性（Nozari等人，2025年；Surma等人，2025年），使其能够完成调配所需的逆向设计。这直接解决了白酒智能调配中的关键方法论缺口，将重点从预测转向了有针对性的调配优化。 本研究旨在构建一个集成智能识别和调配的双模型框架，以实现传统技术的数字化和生产过程的自动化。系统分析了多轮江西香型白酒中风味化合物的变化模式，并筛选出影响不同轮次差异的关键挥发性香气化合物和非挥发性有机酸。通过相关性网络分析研究了感官属性与风味化合物之间的潜在关联。基于风味化合物分析，使用五种机器学习算法构建了五种针对多轮江西香型白酒的智能识别模型。这些模型在七轮江西香型白酒的挥发性香气化合物浓度色谱检测数据上进行了训练。同时，通过基于风味化合物特征选择传感器，成功开发了一个专门用于检测特定轮次江西香型白酒中挥发性香气化合物的电子鼻系统。利用电子鼻检测到的挥发性香气化合物数据作为训练数据，通过重新整合五种机器学习算法，构建了另外五种针对特定轮次江西香型白酒的智能识别模型。基于四个指标评估了模型性能，并通过接收者操作特征曲线（ROC）下面积和混淆矩阵进一步直观评估了模型的识别能力，以确定最佳智能识别模型。 此外，通过整合色谱检测得到的风味化合物类型和浓度数据与遗传算法（GA），开发了一种针对多轮江西香型白酒的智能调配模型。经过感官评估和色谱分析验证的优化遗传算法模型被选为江西香型白酒调配的优选方案。这种双模型智能框架的建立克服了传统手动方法的限制，为标准化、数字化和智能化的传统酿造生产奠定了科学基础。

样品信息

来自中国贵州省赤水河流域一家生产企业的2020年至2022年间生产的第1至7轮共计21个江西香型白酒基酒样本被收集。这些样本分别标记为201–207、211–217和221–227。此外，还收集了同一企业销售的两种成品江西香型白酒标准样本，分别标记为C1和C2。所有样本均在4°C下储存，直至分析。

风味描述词的筛选

感官评估小组对来自三个不同年份的7轮（1–7）江西香型白酒的21个样本进行了评估。如表S3所示，共筛选出56个香气描述符、4个味道描述符、6个口感描述符和1个风格描述符（典型性）。

构建七轮江西香型白酒的风味轮

根据上述筛选结果，对每轮江西香型白酒的描述符进行了分类和整合，构建了一个四层风味轮。

结论

本研究系统分析了七轮江西香型白酒的风味特征和化学基础。通过感官分析，构建了不同轮次江西香型白酒的风味轮，发现第一轮白酒具有原材料香气和收敛性；第三至第五轮白酒的酱香逐渐增强，味道更加协调；第六至第七轮白酒则具有明显的烤焦和烧焦香气。

CRediT作者贡献声明

刘晓通：撰写 – 审稿与编辑，撰写 – 原稿，项目管理，资金获取，概念构思。 江琪：撰写 – 原稿，软件开发，正式分析，数据管理。 凌胡凯敏：软件开发，实验研究，正式分析。 周一飞：验证，软件开发，正式分析，数据管理。 于梦倩：验证，软件开发。 魏春辉：撰写 – 审稿与编辑。 林良才：撰写 – 审稿与编辑，概念构思。 周琦：资源协调。

知情同意

本研究已获得所有参与者的知情同意。

伦理审批

所有感官评估程序均遵循相关法律法规和机构指南，并得到了天津科技大学科研学术委员会的批准。

资助

本研究得到了以下机构的支持：中国国家自然科学基金（编号：32472317）、宁夏回族自治区重点研发计划（编号：2023BCF01028）、四川省白酒生物技术及其应用重点实验室（编号：NJ2023-04）、天津市科技项目（编号：22ZYJDSS00050）、河北省承德市创新驱动发展示范区专项国家基金（编号：202302F021）以及天津市教育部门的支持。

未引用参考文献

Fan和Xu，2011 Gao, Fan和Xu，2014 GB/T 33405–2016，2016 Gong, Ma, Li, Cheng和Huang，2023b Liu和Sun，2018b Liu和Sun，2018a Luo等人，2025 Ma等人，2025 Niu等人，2025 Shi等人，2022 Wang, Fan和Xu，2014 MA等人，2025 Xu等人，2022 Zhao等人，2025 Zhao等人，2020 Zou等人，2025

利益冲突声明

作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。