烟用香精香料质量直接影响卷烟的质量稳定性，因此受到卷烟生产工业企业的高度关注。香料是由自然界生物的部分生理器官或经人工分离合成得到的发香物质。香精是由多种香料调配而成的物质。烟用香精香料是同质的复杂混合物，活性成分来源丰富。作为微量添加物，其由活性成分（致香物质）和溶剂共同制备而成。由于烟用香精香料成分较多，易受原料、加工等多种因素的影响，其化学成分的复杂性和多样性是质量控制的重难点[1]。
目前，有关烟用香精香料质量控制的研究主要集中在以下4个方面：烟用香精香料物理化学指标、色谱质谱分析技术、分子光谱技术和智能感官检测技术。色谱质谱方面，惠非琼等[2]使用气相色谱—质谱法（GC-MS）对不同批次烟用香精成分进行分析，利用相关系数法等计算不同批次的相似度，进而评估产品质量；刘秀明等[3-4]使用气质指纹图谱结合化学计量学方法分析烟用香精成分差异；杨君等[5-6]使用GC-MS结合系统聚类法分析不同批次烟叶样品的指纹图谱，并运用主成分分析法识别出添加其他香精香料的掺兑样品；李希强等[7]采用超高效液相色谱法结合算法分析烟用香精的质量波动情况；曾涛[8]利用GC-MS对烟用香精香料配方进行了初步探索，并开展质量评价；廖堃等[9]采用液相色谱法建立了烟用香精的指纹图谱库，并通过计算指纹图谱之间的相似度分析烟用香精的质量稳定性。在分子光谱法方面，者为等[10]利用电子鼻分析香气香味接近的香精香料，对获取的数据进行主成分分析和质量控制统计分析，开发的方法可用于烟用香精香料品质控制；高阳等[11]开发了一种表面增强拉曼光谱技术结合主成分分析快速识别不同种类烟用香精香料及掺兑样品的方法；刘珊等[12]利用近红外光谱法（Near-infrared spectroscopy，NIR）建立了可快速预测不同种类香精香料相对密度、折光指数、挥发性成分总量与酸值的理化指标模型，模型具有良好的预测准确度；张峰等[13]通过NIR结合主成分分析—马氏距离法，建立了烟用香精的品质控制模型；王家俊等[14]使用主成分分析—马氏距离法建模，并将其应用到烟用香精香料配制质量控制过程中；Godinho等[15-16]使用拉曼光谱法建立相对密度与折光指数的快速预测模型，并利用该模型预测香水中的香料成分。
YC/T 242—2020《烟用香精 乙醇、1，2-丙二醇、丙三醇含量测定 气相色谱法》、YC/T 145.2—2012《烟用香精 相对密度的测定》、YC/T 145.3—2012《烟用香精 折光指数的测定》、YC/T 145.1—2012《烟用香精 酸值的测定》、YC/T 145.9—2012《烟用香精 挥发性成分总量通用检测方法》7个项目常规检测方法的测试周期长、涉及的仪器设备种类多，可能导致检验结果的重现性和可比性较差，难以满足香精香料质量实时监测的要求。GC-MS适用于挥发性和半挥发性成分分析；液质联用技术（LC-MS）适用于难挥发性成分分析。GC-MS前处理过程烦琐、分析时间较长，需要较为专业的技术人员优化仪器参数并分析数据，无法满足大量烟用香精香料样品质量快速分析的需求。智能感官检测技术存在一定的选择性，局限性较大，且相对于色谱质谱技术而言，其重复性较差[17]。分子光谱检测技术具有操作简单、测试周期短、样品基本无需前处理等优点，适合作为烟用香精香料常规评价检测手段。NIR作为分子光谱技术之一，目前已在烟草行业中广泛运用[18-19]。
本研究以59个品种568批次的烟用香精香料产品为研究对象，通过NIR扫描烟用香精香料并收集样品的光谱数据，应用化学计量学手段，建立烟用香精香料相对密度、折光指数、乙醇、1，2-丙二醇、丙三醇5个项目的定量模型，实现香精香料质量的快速评价，为卷烟工业企业香精香料质量的快速化、准确化分析提供参考。
1 材料与方法
1.1 仪器与试剂
傅里叶变换红外光谱仪（iS5N，赛默飞世尔科技公司）配备漫反射测量附件，光程为1 mm；乙醇（色谱纯，国药化学试剂有限公司）。59个品种烟用香精香料产品来自国内不同烟用香精香料生产企业，共计568批次，所有品种至少有4批次，至多22批次。批次样品的物理状态为液态。
1.2 试验方法
1.2.1 样品取样与保存
参照YC/T 145.10—2003《烟用香精 抽样》、YC/T 145.7—1998《烟用香精 标准样品的确定和保存》进行烟用香精香料的取样与保存。
1.2.2 NIR条件
设备扫描波数范围4 000～10 000 cm-1。分辨率为16 cm-1时，每张光谱图变量个数是778个。通过NIR采集568批次烟用香精香料的光谱数据，在采集样品光谱数据过程中，用乙醇清洗光学台表面至干净。
1.2.3 烟用香精香料5个项目数值测量
按照YC/T 242—2020《烟用香精 乙醇、1，2-丙二醇、丙三醇含量测定 气相色谱法》测量香精香料乙醇、1，2-丙二醇与丙三醇含量；分别按照YC/T 145.2—2012《烟用香精 相对密度的测定》和YC/T 145.3—2012《烟用香精 折光指数的测定》测量香精香料相对密度和折光指数。
1.2.4 算法模型
（1）预处理算法。主要有6种，包括Savitzky-Golay平滑法（S-G）与一阶导数法（S-G 1st）、标准化、标准正态变量变换、矢量归一化和多元散射校正。（2）样本分类算法。使用SPXY（Sample set partitioning based on joint x-y distance）算法[20]划分样本，80%的样本（校正集）用于多元校正，20%的样本（验证集）用于外部验证。（3）偏最小二乘法（Partial least squares，PLS1）。PLS拥有主成分分析、多元线性回归以及典型相关分析的优势，在分子光谱技术中应用广泛。其研究因变量对自变量的依赖关系，通过自变量预测因变量的数值（属性值）。本研究中，自变量是样品的分子光谱数据，因变量是通过其他技术测量样品的属性值。（4）定量模型评价指标。本研究采用交叉验证方式建立定量模型，使用5个指标评价模型性能，包括潜变量数（Latent variables，LVs）、交叉验证根均方差（Root mean square error of cross validation，RMSECV）、预测根均方差（Root mean square error of prediction，RMSEP）、校正集决定系数（Coefficient of determination of calibration set，Q2cv）与预测集决定系数（Coefficient of determination of prediction set，Q2pre）。除LVs外的4个指标计算如式（1 ）～（4 ）。
式中，n与m分别表示校正集与预测集的样本个数； 为第i个样本属性测试值； 为第i个样本属性预测值； 为一个子集（校正集或预测集）属性值的平均值。Q2cv和Q2pre越接近于1，说明属性值和预测值拟合得越好；RMSECV和RMSEP值越小，表示所建立的模型预测准确度越高。
1.3 数据处理
采用MATLAB 2014软件进行数据处理。
2 结果与分析
2.1 光谱数据采集参数优化
傅里叶变换红外光谱仪能够对光谱数据产生较大影响的参数主要有分辨率与扫描次数。为得到信噪比较好的光谱图以及减少噪声对光谱图的干扰，近红外光谱法测试样品的分辨率通常采用8或16 cm-1，扫描次数通常在32次以上。为获得质量较好的光谱图，此次扫描次数选用48次，只需对分辨率进行优化即可。通过采集不同分辨率的背景光谱，不同分辨率测试同一个样品以及固定分辨率在不同时间测试同一个样品，发现光谱峰强度和数量基本一致。相比分辨率16 cm-1，分辨率8 cm-1的光谱图不存在明显峰裂分行为，考虑时间成本问题，本研究分辨率采用16 cm-1。在测试烟用香精香料整个过程中使用已优化好的参数及漫透射式光谱采集附件，扫描1个样品的时间在1 min以内。
2.2 光谱数据优化与预处理方法选择
部分预处理方法原理相近，5个项目对应的最优预处理方法不同，导致无法用同一种预处理方法优化模型，这增大了运算的复杂度。本文选用相对密度的模型结果确定光谱数据的预处理方法，并将其应用到其他4个项目定量模型的建立过程中。由表1可知，不同预处理方法模型性能存在差异，且原始光谱数据所建立模型的性能不是最优的。在S-G 1st框架下，RMSECV较小，模型之间性能相近且效果较优，光谱数据通过S-G 1st处理可有效降低漂移行为对模型的影响。因此，确定S-G 1st（5点法）为后期多元校正的光谱预处理办法。
表1 不同预处理方法建立的模型在相对密度测试中的性能 |
| 项目 | 预处理方法 | 平滑点数 | LVs | Q2cv | RMSECV |
|---|---|---|---|---|---|
| 相对密度 | 无 | - | 10 | 0.99 | 0.010 1 |
| S-G | 5 | 10 | 0.99 | 0.010 1 | |
| S-G | 7 | 10 | 0.99 | 0.010 1 | |
| S-G | 9 | 10 | 0.99 | 0.010 1 | |
| S-G 1st | 5 | 10 | 0.99 | 0.009 9 | |
| S-G 1st | 7 | 10 | 0.99 | 0.009 8 | |
| S-G 1st | 9 | 10 | 0.99 | 0.009 8 | |
| S-G 1st | 11 | 10 | 0.99 | 0.009 9 | |
| 标准化 | - | 10 | 0.99 | 0.010 4 | |
| 标准正态变量变换 | - | 10 | 0.99 | 0.010 9 | |
| 归一化 | - | 10 | 0.99 | 0.010 6 | |
| 多元散射校正 | - | 10 | 0.99 | 0.010 5 |
|
2.3 烟用香精香料5个项目的PLS1定量模型
使用SPXY划分数据集后建立烟用香精香料理化指标快速PLS1定量模型，结果如表2所示。相对密度和折光指数PLS1模型的Q2cv和Q2pre接近1.00，说明属性值与预测值具有较好的线性相关性。因此，本研究建立的模型可对其他批次香精香料的质量进行分析；同时，由于未知批次所属类别的样本已参与模型构建，进一步保障了模型对该类别样本的预测可靠性与适用性。乙醇和丙三醇PLS1模型的Q2cv均在0.97以上，RMSECV与RMSEP未超过0.02，说明模型具有较好的预测能力。1，2-丙二醇PLS1模型的Q2cv和Q2pre在0.98以上，说明属性值与预测值拟合水平高，但RMSECV与RMSEP接近0.04，为使模型更准确预测香精香料含量，应通过删除部分样本优化样本质量。
表2 烟用香精香料5个项目的定量PLS1模型 |
| 项目 | LVs | Q2cv | RMSECV | Q2pre | RMSEP |
|---|---|---|---|---|---|
| 相对密度 | 10 | 0.994 | 0.008 | 0.996 | 0.005 |
| 折光指数 | 10 | 0.988 | 0.003 | 0.991 | 0.002 |
| 乙醇 | 10 | 0.991 | 0.017 | 0.986 | 0.014 |
| 1，2-丙二醇 | 10 | 0.984 | 0.036 | 0.984 | 0.038 |
| 丙三醇 | 10 | 0.978 | 0.019 | 0.947 | 0.015 |
3 结论与讨论
使用傅里叶变换红外光谱仪对样品进行测试，其光谱数据质量依赖分辨率和扫描次数。分辨率越高，数据噪声越大，时间成本也较高；扫描次数越多，数据噪声越小，但增加了时间成本。因此，保证光谱数据质量需综合考虑测试时间、噪声、分辨率和扫描次数等因素。本试验正式开始前，获取了仪器的信噪比（采集背景光谱）、不同分辨率测试同一个样品（观察光谱峰强度和数量情况）以及固定分辨率在不同时间测试同一个样品（考察数据的再现性），以确定分辨率和扫描次数。
采集光谱数据时，数据易受到样品状态、仪器状态与周边环境的影响。若直接使用原始光谱数据建模，模型稳健性不足。为获得鲁棒性强、适用性强的模型，进行光谱数据质量评价是必要的方式之一。进行光谱预处理可在一定程度上消除与样品无关的光谱变化，可根据RMSECV等指标选择最优预处理办法。本文所使用的一阶导数法可有效消除基线和其他背景的干扰，分辨重叠峰，适用于漫反射附件收集的光谱数据。建模后发现部分样本的属性值和预测值相差较大，可通过删除个别样本以建立质量更高的模型。
本研究中测试的烟用香精香料品种数量、样品数量多，收集样品的时间跨度较大。使用便携式傅里叶变换近红外光谱仪结合化学计量学方法可快速测定烟用香精香料理化指标。仪器设备携带方便、操作简单，结果实时性、可靠性较强。这些方法的结合可在不破坏原材料的情况下进行快速评价，其在一定程度上可取代传统分析方法，满足现场初筛需求。