葡萄以产酸量（R）为响应值
2.5 响应面优化试验结果
根据单因素实验，葡萄以产酸量（R）为响应值，桑葚每个影响因素择出三个水平即：A初始乙醇浓度（6%、复合风味7%、果醋工艺8%）、优化BpH（4.5、酵时检测5.0、成分5.5）、科技C醋酸菌接种量（8%、葡萄10%、桑葚12%）、复合风味D发酵温度（30、果醋工艺32、优化34℃），酵时检测设计响应面试验，成分经Box-Benhnken分析得出结果见表3。
应用DesignExpert10软件对表3中的数据进行回归分析，最后得到果醋产酸量的回归方程：R=+5.46+0.18A+0.092B-0.052C+0.064D-0.01AB+0.0085AC+0.04AD-0.081BC-0.024BD+0.00625CD0.24A2-0.26B2-0.32C2-0.24D2，对其进行方差分析，结果见表4。
结果见表4，可看出模型组的P＜0.0001，说明试验回归方程模型极显著；失拟项P=0.2795＞0.05，不显著，证明模型选择正确；决定系数R2=0.9633＞0.9，校正决定系数RAdj2=0.9265＞0.9，证明该预测模型结果与实验结果的拟合性好，且试验具有极小误差。综上所述该回归模型可以应用于果醋的产酸量分析与预测。
各因素一次项的P值均＜0.05，对果醋的产酸量影响显著，且影响的大小顺序为：A初始乙醇浓度＞BpH＞D温度＞C接种量。各因素的二次项P值均＜0.01，影响极显著，说明果醋产酸量的变化复杂，各因素对产酸量的影响交错复杂。果醋产酸量受各因素的影响结果见图5。
由图5各因素交互影响图所呈曲线，可看出此结果与单因素实验结果大致相同，产酸量随着各因素水平的递增而呈现先增大后减小的趋势。因交互曲线越陡峭，等高线越接近椭圆状，则可说明这两个因素的影响越显著，由此可知pH值与接种量的交互作用较显著，与方差分析结果一致。经过响应面试验优化，最终得到葡萄桑葚复合果醋的最佳工艺条件：初始乙醇浓度7.372%，pH5.089，接种量9.807%，温度32.306℃，预测理论最大产酸量为5.506g/100mL。因实验存在一定误差，所以对试验结果进行验证。将工艺条件进行调整：初始乙醇浓度7.4%，pH5.0，接种量9.8%，温度32℃，最终测得产酸量结果为5.38g/100mL，与响应面试验预测的理论最大值之间存在2.3%的误差率，说明此模型能较好地模拟和预测葡萄桑葚复合果醋的发酵工艺条件，模型可靠且具有实用性。
2.6 电子鼻检测数据分析
2.6.1 果醋不同发酵时期的响应雷达图分析
电子鼻的10个传感器对不同浓度气味的敏感度不同，当传感器接触到样品气味时，相对电导率的比值（G/G0）随气体浓度增加而变化：G/G0＞1，样品响应气体浓度大；G/G0≤1，样品气体浓度低或没有。据前人研究发现，经雷达图分析W5S、W1S、W1W及W2S传感器对不同苹果酒的香气响应最明显，初步判定酒中的氮氧化物、萜烯类物质、醇类物质及部分芳香族化合物是影响不同苹果酒风味的主要差异。而本文对于不同发酵时期果醋的响应雷达图如图6所示，可知10个传感器对果醋不同发酵时期均有响应且不同，雷达图形状与面积随果醋的发酵而发生变化，而发酵中期与成品果醋的雷达图整体形状相似，说明从发酵中期开始到发酵完成果醋气味相同且浓度不断增加。果汁中6号、8号传感器的响应强度变化最大，发酵中期2号、7号传感器响应强度变化最大，成品果醋2号、5号及7号传感器响应强度变化最大且与发酵中期相比均有显著增加；从而可知醋酸发酵对果醋的硫化物、氮氧化物及短链烷烃芳香类等风味成分的提升有显著影响，且不同发酵时期的风味成分存在明显差异。
2.6.2 果醋不同发酵时期的PCA分析
PCA即主成分分析，是一种在原始维度上转换为一种新的维度同时保留原始的数据信息的数据降维算法。一般第一主成分（PC1）的贡献率远大于第二主成分（PC2）的贡献率，且两者总贡献率超过85%就可以反映原始数据的信息。果醋的不同发酵时期的PCA分析如图7所示，每个椭圆代表不同发酵时期果醋风味成分的数据采集点，点之间距离表示每个样品之间的差异性大小。图中PC1贡献率为94.70%，PC2贡献率为5.25%，总贡献率为99.95%。其中成品果醋的PC1和PC2的浓度均为最大，发酵中期两种主成分均为最小，且果汁与成品果醋的PC2的气味最为相似。发酵中期果醋的风味成分与果汁和成品果醋差别很大。
2.6.3 果醋的Loading分析
Loading分析是针对电子鼻传感器分析，薛友林等对货架期蓝莓的挥发性成分进行载荷分析，发现W5S传感器贡献率最大，得出氮氧化合物为蓝莓中含量最高的挥发性成分。本研究结果如图8所示，其中W3S、W1C、W6S三个传感器的PC1和PC2贡献率近似为0，说明其无法识别果醋中的风味成分。其中W5S传感器PC1贡献率最高，W1W传感器PC1贡献率仅低于W5S；W1S传感器PC2贡献率最高，W5C、W3C、W2S三个传感器PC2贡献率低于W1S且近似。参照各传感器的性能特征可知，W5S（氮氧化物）、W1W（硫化物）两种风味成分对葡萄桑葚复合果醋不同发酵时期的差异有主要贡献。
2.6.4 果醋不同发酵时期的LDA分析
LDA分析亦线性判别分析，是通过缩小组内间距，扩大组间间距进行判别。就LDA分析来说，PC1和PC2的总贡献率在70%～85%之间或以上，则方法可以使用。每组样品之间的差距表示样品风味成分变化速率大小。如图9所示，PC1贡献率为99.01%，PC2贡献率为0.99%，总贡献率99.998%，离散度大，说明果汁到发酵中期过程果醋的风味速率变化大，且果醋的三个不同发酵时期的风味成分可以很好地区分开。
3 结论
本研究通过单因素实验和响应面试验，得到葡萄桑葚复合果醋的最优工艺条件为：初始乙醇浓度7.4%，pH5.0，接种量9.8%，温度32℃，在此发酵条件下，测得果醋产酸量为5.38g/100mL。经电子鼻技术并结合PCA和LDA分析，最终确定氮氧化物和硫化物等主要风味成分对葡萄桑葚复合果醋不同发酵时期差异的贡献率最高，且不同发酵时期的风味成分有显著差异并能有效区分，其中成品果醋的气味浓度最大。该研究主要以葡萄和桑葚为原料，采用自筛醋酸菌进行发酵，其中在成品葡萄桑葚复合果醋的具体风味成分、感官评定及品质分析等后续研究中有待进行系统性深入研究，以期为复合果醋的研究和开发进行深入推广。
相关链接：乙醇，氮氧化物，硫化物，醋酸
声明：本文所用图片、文字来源《食品工业科技》，版权归原作者所有。如涉及作品内容、版权等问题，请与本网联系
2.5 响应面优化试验结果
根据单因素实验，葡萄以产酸量（R）为响应值，桑葚每个影响因素择出三个水平即：A初始乙醇浓度（6%、复合风味7%、果醋工艺8%）、优化BpH（4.5、酵时检测5.0、成分5.5）、科技C醋酸菌接种量（8%、葡萄10%、桑葚12%）、复合风味D发酵温度（30、果醋工艺32、优化34℃），酵时检测设计响应面试验，成分经Box-Benhnken分析得出结果见表3。
应用DesignExpert10软件对表3中的数据进行回归分析，最后得到果醋产酸量的回归方程：R=+5.46+0.18A+0.092B-0.052C+0.064D-0.01AB+0.0085AC+0.04AD-0.081BC-0.024BD+0.00625CD0.24A2-0.26B2-0.32C2-0.24D2，对其进行方差分析，结果见表4。
结果见表4，可看出模型组的P＜0.0001，说明试验回归方程模型极显著；失拟项P=0.2795＞0.05，不显著，证明模型选择正确；决定系数R2=0.9633＞0.9，校正决定系数RAdj2=0.9265＞0.9，证明该预测模型结果与实验结果的拟合性好，且试验具有极小误差。综上所述该回归模型可以应用于果醋的产酸量分析与预测。
各因素一次项的P值均＜0.05，对果醋的产酸量影响显著，且影响的大小顺序为：A初始乙醇浓度＞BpH＞D温度＞C接种量。各因素的二次项P值均＜0.01，影响极显著，说明果醋产酸量的变化复杂，各因素对产酸量的影响交错复杂。果醋产酸量受各因素的影响结果见图5。
由图5各因素交互影响图所呈曲线，可看出此结果与单因素实验结果大致相同，产酸量随着各因素水平的递增而呈现先增大后减小的趋势。因交互曲线越陡峭，等高线越接近椭圆状，则可说明这两个因素的影响越显著，由此可知pH值与接种量的交互作用较显著，与方差分析结果一致。经过响应面试验优化，最终得到葡萄桑葚复合果醋的最佳工艺条件：初始乙醇浓度7.372%，pH5.089，接种量9.807%，温度32.306℃，预测理论最大产酸量为5.506g/100mL。因实验存在一定误差，所以对试验结果进行验证。将工艺条件进行调整：初始乙醇浓度7.4%，pH5.0，接种量9.8%，温度32℃，最终测得产酸量结果为5.38g/100mL，与响应面试验预测的理论最大值之间存在2.3%的误差率，说明此模型能较好地模拟和预测葡萄桑葚复合果醋的发酵工艺条件，模型可靠且具有实用性。
2.6 电子鼻检测数据分析
2.6.1 果醋不同发酵时期的响应雷达图分析
电子鼻的10个传感器对不同浓度气味的敏感度不同，当传感器接触到样品气味时，相对电导率的比值（G/G0）随气体浓度增加而变化：G/G0＞1，样品响应气体浓度大；G/G0≤1，样品气体浓度低或没有。据前人研究发现，经雷达图分析W5S、W1S、W1W及W2S传感器对不同苹果酒的香气响应最明显，初步判定酒中的氮氧化物、萜烯类物质、醇类物质及部分芳香族化合物是影响不同苹果酒风味的主要差异。而本文对于不同发酵时期果醋的响应雷达图如图6所示，可知10个传感器对果醋不同发酵时期均有响应且不同，雷达图形状与面积随果醋的发酵而发生变化，而发酵中期与成品果醋的雷达图整体形状相似，说明从发酵中期开始到发酵完成果醋气味相同且浓度不断增加。果汁中6号、8号传感器的响应强度变化最大，发酵中期2号、7号传感器响应强度变化最大，成品果醋2号、5号及7号传感器响应强度变化最大且与发酵中期相比均有显著增加；从而可知醋酸发酵对果醋的硫化物、氮氧化物及短链烷烃芳香类等风味成分的提升有显著影响，且不同发酵时期的风味成分存在明显差异。
2.6.2 果醋不同发酵时期的PCA分析
PCA即主成分分析，是一种在原始维度上转换为一种新的维度同时保留原始的数据信息的数据降维算法。一般第一主成分（PC1）的贡献率远大于第二主成分（PC2）的贡献率，且两者总贡献率超过85%就可以反映原始数据的信息。果醋的不同发酵时期的PCA分析如图7所示，每个椭圆代表不同发酵时期果醋风味成分的数据采集点，点之间距离表示每个样品之间的差异性大小。图中PC1贡献率为94.70%，PC2贡献率为5.25%，总贡献率为99.95%。其中成品果醋的PC1和PC2的浓度均为最大，发酵中期两种主成分均为最小，且果汁与成品果醋的PC2的气味最为相似。发酵中期果醋的风味成分与果汁和成品果醋差别很大。
2.6.3 果醋的Loading分析
Loading分析是针对电子鼻传感器分析，薛友林等对货架期蓝莓的挥发性成分进行载荷分析，发现W5S传感器贡献率最大，得出氮氧化合物为蓝莓中含量最高的挥发性成分。本研究结果如图8所示，其中W3S、W1C、W6S三个传感器的PC1和PC2贡献率近似为0，说明其无法识别果醋中的风味成分。其中W5S传感器PC1贡献率最高，W1W传感器PC1贡献率仅低于W5S；W1S传感器PC2贡献率最高，W5C、W3C、W2S三个传感器PC2贡献率低于W1S且近似。参照各传感器的性能特征可知，W5S（氮氧化物）、W1W（硫化物）两种风味成分对葡萄桑葚复合果醋不同发酵时期的差异有主要贡献。
2.6.4 果醋不同发酵时期的LDA分析
LDA分析亦线性判别分析，是通过缩小组内间距，扩大组间间距进行判别。就LDA分析来说，PC1和PC2的总贡献率在70%～85%之间或以上，则方法可以使用。每组样品之间的差距表示样品风味成分变化速率大小。如图9所示，PC1贡献率为99.01%，PC2贡献率为0.99%，总贡献率99.998%，离散度大，说明果汁到发酵中期过程果醋的风味速率变化大，且果醋的三个不同发酵时期的风味成分可以很好地区分开。
3 结论
本研究通过单因素实验和响应面试验，得到葡萄桑葚复合果醋的最优工艺条件为：初始乙醇浓度7.4%，pH5.0，接种量9.8%，温度32℃，在此发酵条件下，测得果醋产酸量为5.38g/100mL。经电子鼻技术并结合PCA和LDA分析，最终确定氮氧化物和硫化物等主要风味成分对葡萄桑葚复合果醋不同发酵时期差异的贡献率最高，且不同发酵时期的风味成分有显著差异并能有效区分，其中成品果醋的气味浓度最大。该研究主要以葡萄和桑葚为原料，采用自筛醋酸菌进行发酵，其中在成品葡萄桑葚复合果醋的具体风味成分、感官评定及品质分析等后续研究中有待进行系统性深入研究，以期为复合果醋的研究和开发进行深入推广。
相关链接：乙醇，氮氧化物，硫化物，醋酸
声明：本文所用图片、文字来源《食品工业科技》，版权归原作者所有。如涉及作品内容、版权等问题，请与本网联系
