傳統紹興黃酒釀造檢測數據分析模型的初步建立

　　　　Preliminary Establishment Of Data Analysis Model For Traditional Shaoxing Huangjiu Brewing Detection

　　　　　　　　　　　　毛青鐘

　　　　　　　　　　Mao Qingzhong

　　摘要：為了建立傳統紹興黃酒釀造過程檢測數據分析模型，對早期傳統紹興黃酒釀造某一年的檢測數據進行分析，實現對釀造過程關鍵指標的動態監測、異常預警與工藝優化，本研究選取早期某一特定年份的傳統黃酒釀造過程中的原始檢測數據為研究對象，通過對發酵過程發酵醪、成品理化指標等多維度數據的系統性收集、清理、整合與深度挖掘，開展多維度的數據分析與模型構建；模型驗證結果表明，該模型可有效挖掘釀造過程中各檢測指標間的內在關聯，實現對關鍵工藝參數的初步預判與質量趨勢分析，能夠為傳統紹興黃酒釀造工藝的規范化調整、異常工況預警提供數據支撐與科學依據。以期揭示傳統黃酒釀造過程中各環節的內在規律，為傳統黃酒釀造工藝的標準化、智能化升級提供科學依據與數據支撐。

Abstract: In order to establish the traditional Shaoxing Huangjiu brewing process detection data analysis model, analyze the detection data of the early traditional Shaoxing Huangjiu brewing in a certain year, and realize the dynamic monitoring, abnormal early warning and process optimization of the key indicators of the brewing process, this study selects the original detection data in the early fermentation process of a specific year as the research object, through the systematic collection, cleaning, integration and deep mining of multidimensional data such as fermentation mash and finished product physical and chemical indicators, to carry out multi-dimensional data analysis and model construction; The model validation results show that the model can effectively mine the internal relationship between the detection indicators in the brewing process, achieve the preliminary prediction of key process parameters and quality trend analysis, and provide data support and scientific basis for the standardization of traditional Shaoxing rice wine brewing process and abnormal condition early warning. In order to reveal the inherent law of each link in the process of traditional Shaoxing Huangjiu brewing, and provide scientific basis and data support for the standardization and intelligent upgrading of traditional Shaoxing Huangjiu brewing technology.

關鍵詞：傳統紹興黃酒　　 檢測數據　　分析模型　　支撐

key word: Traditional Shaoxing Huangjiu Test data Analysis model 支撐

　　傳統紹興黃酒作為我國特色發酵飲品，其釀造過程依賴傳統經驗傳承，存在工藝參數波動大、質量管控主觀性強、關鍵指標關聯規律不明確等問題，制約了產業標準化與智能化發展。為了構建一套適用于傳統黃酒釀造全流程質量管控的檢測數據分析模型，為實現紹興黃酒釀造過程的精準管控、工藝優化及質量提升，本研究以傳統紹興黃酒釀造全流程檢測數據為核心研究對象，系統收集釀造過程的關鍵檢測指標數據，包括發酵半成品及成品質量指標等。通過數據清理、異常值剔除、標準化處理等預處理步驟，整合多維度檢測數據，采用多元統計分析與機器學習算法相結合的方式，初步構建傳統紹興黃酒釀造檢測數據分析模型。本研究搭建的數據分析模型框架，為后續模型的優化完善、適配更多釀造場景及推動紹興黃酒產業數字化升級奠定了基礎，同時也為同類傳統發酵食品的檢測數據分析與質量管控提供了參考思路。

1 數據概況

1.1 數據基本信息

基于某黃酒企業早期整年8個傳統釀造車間的傳統紹興黃酒釀造發酵過程和成品檢測數據進行深入分析，數據涵蓋以下關鍵信息：數據規模：共 676 條有效記錄，涵蓋 8 個生產車間、85 個生產批次。產品類型：包含 "加飯酒" 和 "特加飯酒" 兩種主要產品。監測階段：完整記錄了黃酒釀造的 6 個關鍵階段（8 天、15 天、30 天、榨前、清酒、成品）。成品檢測指標：涵蓋酒精度、酸度、糖度、氨基酸態氮、色率、pH 值、揮發酯等8項關鍵質量理化指標。

1.2 數據分布特征

車間分布：8 個車間數據分布相對均勻，每個車間約 83-85 條記錄；

批次分布：85 個生產批次，每個批次包含 8 個車間的平行試驗數據；

產品結構：以加飯酒為主，特加飯酒為貯存陳釀酒，產品結構合理；

數據質量：關鍵指標缺失率低，數據完整性和準確性良好；

2 發酵過程關鍵指標變化分析

2.1 酒精度變化趨勢如圖1。

黃酒釀造過程中酒精度呈現持續上升的趨勢，具體變化如下：

8 天發酵期：平均酒精度 12.95% vol，發酵速率快，糖分轉化活躍；

15 天發酵期：平均酒精度 13.69% vol；

30 天發酵期：平均酒精度 14.74% vol；

榨前階段：平均酒精度 17.70% vol，后發酵階段酒精度顯著提升；

清酒階段：平均酒精度 18.81% vol；

成品階段：平均酒精度 17.46% vol；

清酒階段到成品階段酒精度下降約 1.35% vol，主要原因是過濾和煎酒過程中的微量揮發，屬于正常工藝現象。

2.2 酸度變化特征

酸度變化呈現穩步上升趨勢，反映了黃酒釀造過程中有機酸的生成規律：

發酵初期（8 天）：平均酸度約 6.2g/L；

發酵中期（30 天）：平均酸度約 6.7g/L；

成品階段：平均酸度 6.05g/L，控制在理想范圍內；

工藝意義：適當的酸度不僅是黃酒風味的重要組成部分，還能抑制雜菌生長，保證產品穩定性。

2.3 糖度變化規律

糖度變化呈現持續下降趨勢，體現了糖分向酒精的轉化過程：

8 天發酵期：平均糖度約 35g/L，原料糖分充足；

15 天發酵期：平均糖度約 30g/L，糖分快速消耗；

30 天發酵期：平均糖度約 18g/L，發酵基本平穩；

成品階段：平均糖度 24.63g/L，保持適當殘糖，賦予黃酒獨特口感；

3 產品類型對比分析

3.1 加飯酒與特加飯酒品質差異如圖2。

兩種產品在關鍵品質指標上存在顯著差異，體現了不同的產品定位如圖3：

3.2 產品特色定位

　　加飯酒：酒精度高、酸度適中、風味濃郁，適合大眾消費、資深消費者和即時飲用，適合長期儲存；特加飯酒：糖度高、口感甘甜、顏色較深，風味濃郁，更適合長期儲存，為生產高端黃酒打下基礎；兩種產品形成了良好的產品梯隊，滿足不同消費群體的需求。

4 車間工藝穩定性分析

4.1 各車間生產水平對比如圖4。

4.1.1 酒精度控制能力

最佳車間：車間 1（17.70% vol）和車間 2（17.69% vol），酒精度最高且穩定；

穩定性最佳：車間 7（變異系數 1.44%）和車間 8（變異系數 1.71%），生產一致性最好；

需改進車間：車間 3（變異系數 3.45%）和車間 6（變異系數 3.19%），波動較大；

4.1.2 總糖控制水平

最低波動：車間 4（變異系數 4.22%）和車間 7（變異系數 4.27%），工藝控制最精準；

最高波動：車間 6（變異系數 11.80%）和車間 3（變異系數 10.91%）；

4.1.3 氨基酸態氮含量

最高含量：車間 3（0.82g/L）；最低含量：車間 8（0.74g/L）。

4.2 車間工藝優化建議

穩定性提升：車間 3、6 需加強制曲、制酒母、發酵溫度和時間控制，減少批次間差異；

標準化生產：推廣車間 7、4 的優秀工藝參數，建立統一的操作規范；

質量均衡：各車間應在保持自身特色的基礎上，縮小質量差距。

5 質量控制與相關性分析

5.1 成品質量控制水平如圖5。

5.2 關鍵指標相關性分析如圖6。

6 主要結論與建議

6.1 質量控制改進

建立預測模型：基于發酵階段指標建立成品質量預測模型，實現提前預警；

完善檢測體系：增加中間產品的檢測頻次，及時發現和糾正工藝偏差。

6.2 車間管理提升

開展技術交流：組織車間間的技術交流，推廣優秀工藝經驗；

建立考核機制：將工藝穩定性指標納入車間考核體系，激勵質量提升；

加強人員培訓：定期開展操作人員培訓，提高工藝控制水平；

6.3 后續研究方向

深入研究原料配比、酒母、曲與成品質量的關系，優化原料結構；探索發酵微生物群落變化與風味物質生成的關聯機制；建立全產業鏈的質量追溯體系，實現從原料到成品的全程管控。