花生油中掺入大豆油的鉴别研究

彭 丹，王靖云，毕艳兰

（河南工业大学 粮油食品学院，河南 郑州 450001）

0 引言

花生油风味独特、营养丰富，是中国百姓理想的烹饪用油.近年来，由于花生油价格不断升高，一些不法商贩为了牟取暴利，在花生油经营、销售过程中掺入价格低廉的油脂，如大豆油等油脂；此外，还有将矿物油等非食用油掺入花生油中的情况，严重损害了消费者的经济利益和身体健康，破坏了正常的市场秩序.目前，对花生油掺伪的检测主要有两大类：一类是利用花生油理化性质进行鉴别，常以《GB 1534—2003 花生油》和《GB/T 5539—2008 粮油检验 油脂定性试验》规定的花生油理化指标和性质为标准，例如通过花生油中长碳链饱和脂肪酸不溶于冷乙醇的特殊性质进行检测[1]；另一类是根据花生油本身信息进行鉴别[2]，如甘三酯结构[3]、脂肪酸组成和含量[4]及其他特征成分[5]等，研究中多采用液相色谱法、气相色谱法等.在花生油掺伪检测中，油脂的种类多、类别杂，同种油脂的成分和理化特性受产地、生产工艺等因素影响均会产生一定的变化，测量时往往获得大量“杂乱无章”的数据，如何有效地从大量复杂数据中获取有用信息，是当前油脂掺检测领域面临的又一个主要问题.

化学计量学作为一门新兴的学科，应用数学、统计学方法研究化学测量中数据处理、信号解析、化学分类及预报等问题，能解决传统研究方法难以解决的复杂问题[6].Su 等[7]采用实时冷冻比浊法结合化学计量学方法，即主成分分析（PCA）和偏最小二乘法（PLS），对精炼花生油的掺假进行鉴别，并建立PLS 定量模型，结果RMSEP 为2.75%.Monfreda 等[8]通过化学计量学方法对橄榄油和掺伪橄榄油的脂肪酸组成数据进行处理，建立了定性和定量掺伪检测模型.赵婷婷等[9]应用低场核磁共振结合PCA 实现了食用油脂种类、煎炸油程度及掺伪猪油的品质区分.李沂光等[10]运用距离判别法和BP 神经网络对油脂光谱数据进行处理，建立的定性模型可有效鉴别回收油的掺伪行为.本试验拟采用气相色谱法结合化学计量学方法对花生油中掺入的大豆油进行检测研究，旨为食用油质量安全控制提供一种准确快速的检测方法.

1 材料与方法

1.1 材料与试剂

112 种纯花生油、大豆油采集于生产厂家及种子萃取，经脂肪酸组分测定符合GB 1534—2003《花生油》和GB 1535—2003《大豆油》标准规定.脂肪酸甲酯标样（Sigma-Aldrich 公司）；正己烷为色谱纯；其他试剂均为分析纯.

1.2 仪器设备与参数设置

GC-6890N 型气相色谱分析仪：美国Agilent 公司.气相色谱条件：BPX-70 色谱柱（30.0 m×250 μm×0.50 μm）；进样口温度：230 ℃；柱温：210 ℃；氢火焰离子化检测器（FID）：300 ℃；氮气流速：1.0 mL/min；氢气流速：35 mL/min；空气流速：400 mL/min.

1.3 掺伪样品的配制

为了反映市场的总体情况，本研究从不同产地采集了4 种不同加工方式生产的纯花生油和4种具有代表性的纯大豆油（见表1），将大豆油按5%、10%、15%、20%、30%、50%、80%、90%、95%（以大豆油质量占油总质量的百分比记）掺入花生油中共配制72 个混合油样，并对混合油样编号.以编号H1D2-15 为例：H1 表示1 号花生油，D2 表示2 号大豆油，15 表示15%的掺伪比例.

表1 采样信息一览表Table 1 Sample informations

1.4 方法

1.4.1 脂肪酸分析

油脂样品先甲酯化，参照《GB/T 17376—2008动植物油脂脂肪酸甲酯制备》；再采用《GB/T 17377—2008 动植物油脂脂肪酸甲酯的气相色谱分析》方法.

1.4.2 定性分析

以纯花生油及掺伪花生油的脂肪酸组成数据为变量，一方面与GB 1534—2003《花生油》进行比较，按其变化趋势，对花生油掺伪进行定性分析；另一方面，通过化学计量学方法，利用主成分分析（PCA）降低数据维数，同时对花生油的掺伪进行初步判断，在此基础上通过聚类分析（CA）鉴别花生油的真伪，最后采用最小二乘支持向量机（LSSVM）对花生油掺伪进行定性分析，并与PCA 法和CA 法进行比较.

1.4.3 定量分析

利用Unscrambler 10.3 软件中多元线性回归（MLR）、主成分回归（PCR）和偏最小二乘法（PLS）对油样的色谱数据进行处理，建立两类校正模型：一类是定性分析前对掺伪花生油全样本建立的定量模型；另一类是在上述的定性分析基础上，对掺伪花生油样本建立的定量模型.

2 结果与讨论

2.1 GC 分析

采用气相色谱法对纯花生油、纯大豆油及掺伪花生油的脂肪酸组成进行分析，结果见图1、图2 和表2.从图1 可以看出，花生油和大豆油的脂肪酸组成大致相同，主要脂肪酸均为16∶0、18∶0、18∶1、18∶2，但部分脂肪酸的含量差别很大，其中差别最大的为18∶1 和18∶3.花生油中18∶1 脂肪酸的含量范围为36.46%～53.14%，而大豆油的18∶1 脂肪酸含量在25%左右.大豆油中18∶3 脂肪酸含量相对较高，在4.67%～6.47%之间，而花生油的18∶3脂肪酸含量较少，低于0.1%，两者相差几十倍，这也正是大豆油区别于花生油的主要特征.因此将18∶1 和18∶3 脂肪酸作为鉴别花生油掺大豆油的特征指标.通过对所配制的掺伪花生油脂肪酸组成的分析发现，当大豆油按一定比例掺入花生油中，混合油脂肪酸含量具有相似的变化规律，文中以H1D2～H4D2 系列为例进行分析.

图1 花生油和大豆油的脂肪酸组成Fig.1 Fatty acid compositions of peanut oil and soybean oil

表2 2 号大豆油与4 种花生油的混合油样中18∶1 和18∶3 脂肪酸的含量Table 2 Contents of 18∶1 and 18∶3 fatty acids in the mixture of No.2 soybean oil and four kinds of peanut oil %

由表2 可知，随着掺入大豆油比例的增加，18∶1脂肪酸含量逐渐减少，18∶3 脂肪酸含量逐渐增加.当与GB 1534—2003《花生油》脂肪酸含量比较时，18∶1 脂肪酸含量小于35.0%或18∶3 脂肪酸含量大于0.3%，即可判定此花生油掺伪.当掺入大豆油比例为10%时，18∶1 脂肪酸含量最小值为37.77%，仍在国标范围之内；而18∶3 脂肪酸含量最小值为0.48%，超过了国标规定的花生油中18∶3 脂肪酸的最大值.因此，气相色谱法分析花生油掺伪，以18∶3脂肪酸的含量为标准比较科学.

图2 18∶3 脂肪酸含量和大豆油掺伪比例的关系Fig.2 Relationship between the 18∶3 fatty acid contents and adulteration ratios of soybean oil

花生油掺入大豆油检测的工作曲线见图2，18∶3 脂肪酸含量和大豆油掺伪比例高度线性相关（R2＞0.99）.当不同来源的花生油与同一大豆油进行掺伪，其工作曲线较为相近，故建立一条工作曲线；当掺入不同来源的大豆油时，18∶3 脂肪酸含量工作曲线有所不同.以H2D1、H2D2 系列为例，其回归方程分别为：Y=0.055 4X-0.046 3 和Y=0.046 3X+0.021 1.这为定量计算掺伪量提供了依据，由于大豆油的来源对工作曲线的建立有影响，可能会带来较大的误差.为了提高检验方法的可行性，配制与上述油样不同原料来源的掺伪花生油，分析其中18∶3 脂肪酸含量，结果如表3 所示.

表3 掺伪花生油样品的定量分析结果Table 3 Quantitative analysis results of adulterated peanut oil samples

由表3 可知，掺伪比例计算值与实际值的均方根误差（RMSE）为9.25%，说明所建工作曲线对于不同原料来源的掺伪花生油的定量分析误差较大，不适于利用本法进行测定.因此，仅用气相色谱法分析花生油掺伪具有一定的局限性.

2.2 定性分析

2.2.1 主成分分析（PCA）

对纯花生油及掺入大豆油的花生油脂肪酸进行主成分分析，前7 个主成分（PC）的累积贡献率如表4 所示.从表4 可以看出，第一主成分（PC-1）中，油酸、亚油酸的相关系数最大，表明该脂肪酸是第一主成分的主要影响因素；第二主成分（PC-2）中，山嵛酸是主要决定因子；第三主成分（PC-3）中，硬脂酸是对该主成分影响最大的特征向量.前3 个主成分贡献率分别为95.75%、1.96% 和1.12%，共计98.83%，说明前3 个主成分代表了原始样本的绝大部分信息.因此，选取前3 个主成分的得分作为脂肪酸聚类分析的输入变量.

表4 前7 个主成分相关系数与累计贡献率Table 4 Accumulative contribution rate of the former 7 principal components

PCA 法不仅能够降低数据维数，还可以通过样品的得分确定其所属类别，图3 为样品前3 个主成分的三维散点得分图.从图3 可以看出，花生油和掺入大豆油的花生油的样品点相互聚集到一起，没有明显的界限，通过主成分分析很难准确地将花生油和掺伪花生油区别开来.

图3 样品主成分三维得分图Fig.3 3D score plot of principal components of the samples

2.2.2 聚类分析

对184 个样品（花生油和掺入大豆油的花生油）进行鉴别，色谱矩阵经PCA 处理后，采用7 种不同的聚类方法：K-means、K-medians、Hierarchical Single-linkage、Hierarchical Average-linkage、Hierarchical Complete-linkage、Hierarchical Median linkage、Ward's algorithm 进行分析，经过比较选择Hierarchical Average-linkage 聚类方法，样品距离选用相对距离，聚类数为2，其结果见图4 和表5.

图4 花生油掺大豆油的部分聚类结果Fig.4 A part of clustering results of peanut oil adulterated with soybean oil

由图4 可以看出，当相对距离为5.5～10 时，30个油样被分为两大类：第一类为花生油，第二类为掺入大豆油的花生油，其正确率为100%.但是随着花生油数量增加，分类正确率降低（见表5），这可能与花生品种改良引起的脂肪酸组成的变异有关，使得掺伪量较低的花生油脂肪酸组成与纯花生油相接近，当掺入大豆油50%时，正确率为100%，所以利用聚类分析法鉴别花生油掺伪不理想，仅能区分掺入大豆油不低于50%的油样.

表5 花生油掺大豆油的聚类分析结果Table 5 Clustering analysis results of peanut oil adulterated with soybean oil

2.2.3 最小二乘支持向量机

最小二乘支持向量机（Least Squares Support Vector Machine，LS-SVM）是在经典SVM 基础上改进的，将最小二乘线性系统引入，利用非线性函数将样本映射到高维特征空间中，即把非线性问题转化为高维特征空间中的线性问题，然后在高维特征空间中寻找最优分类超平面.当进行LS-SVM建模时，有三个关键问题需要解决：最优的特征子集、合适的核函数和最佳核函数参数[11].

首先将184 个纯花生油和掺入大豆油的花生油样品随机分为校正集和验证集，164 个样品为校正集（100 个纯花生油，64 个掺伪花生油），20 个样品为验证集（10 个纯花生油，10 个掺伪花生油）.目前，核函数的种类很多，至今还没有系统方法论来指导核函数的选择，经过比较，选择RBF 函数作为核函数.对于RBF 核函数参数的确定，采用网格搜索法和粒子群算法相结合，对惩罚系数C 和核函数σ2进行选择.根据已有经验[12]，预设C 的选择范围为2～217，σ2的选择范围为2-14～23，经过10 000 次迭代，根据交互验证准确率来确定最优的C 值和σ2值，分别为82 902.7 和0.000 129，此时对应的支持向量数为9，使用该参数进行分类，其结果如表6 所示.从表6 可以看出，纯花生油的预测准确率为100%；与PCA 和CA 相比，LS-SVM法不仅能够准确识别纯花生油，而且当样品掺伪量较低（为5%）时，也能够准确鉴别出来.

2.3 定量分析模型

在花生油质量监督中，不仅要定性识别花生油的真伪，而且还要定量检测掺伪油的含量，因此笔者在LS-SVM 法识别掺伪花生油的基础上，采用偏最小二乘法（PLS）、多元线性回归（MLR）和主成分回归（PCR）建立花生油掺伪的定量校正模型，并与未经LS-SVM 分类的相比.随机抽取花生油掺伪样品的3/4 作为校正集，构建花生油掺伪定量校正模型，其余的1/4 样品作为验证集进行检验.通过交互验证和外部检验考察所建模型的可靠性.利用校正集的交叉验证均方根误差（RMSECV）、验证集的预测均方根误差（RMSEP）和相关系数（R2）3 个指标评价模型的预测能力，花生油掺大豆油的校正模型预测结果见表7.

表6 最小二乘支持向量机的预测结果Table 6 Prediction results of least squares support vector machine

表7 不同定量模型的预测结果Table 7 Prediction results of different quantitative models

从表7 可以看出，经过分类后建立的模型预测能力明显优于分类前，PLS 和MLR 模型的预测效果均好于PCR 模型，分类后PLS 和MLR 模型的RMSEP 分别为2.08%和2.19%，相差不大.MLR 方法虽然能够较好地解释因变量的变化，但对于自变量间多重相关性问题存在一定的局限性，使回归模型的稳定性变差，回归系数推算不准，甚至无法求解.因此，采用PLS 方法建立花生油掺大豆油的定量分析模型.

2.4 不同方法的比较

通过对花生油中掺入大豆油的鉴别分析，得出了每种方法的检出限和优缺点，如表8 所示.

对于花生油中掺入大豆油的鉴别，4 种定性方法检出限相差较大，其中LS-SVM 法的检出限最低；定量分析中PLS 法的预测精度高，且快速、准确.由于花生种类繁多，加上油脂的脂肪酸组成易受气候、产地、生产工艺等因素的影响，综上考虑，建议采用气相色谱法结合LS-SVM 法、PLS 法来定性定量分析花生油的掺伪.

表8 不同鉴别方法的比较Table 8 Comparison of different identification methods

3 结论

近年来出现的花生油掺伪现象成为人们关注的焦点.笔者采用气相色谱法结合化学计量学技术对花生油中掺入大豆油进行研究.分别运用气相色谱法、PCA、CA、LS-SVM 鉴别花生油的真伪，采用LS-SVM 模型的正确识别率为100%.在此基础上，通过PLS 建立花生油掺大豆油的定量校正模型，并与MLR、PCR 建模结果进行比较，结果表明PLS 模型具有很好的稳定性和较高的预测准确度.此方法还可以用于其他食用油脂纯品的鉴别，也为更复杂的油脂掺伪检测提供了技术支持.

［1］毕艳兰，刘娟，纪俊敏，等.2 种分析方法对花生油掺伪的研究初探［J］.河南工业大学学报：自然科学版，2006，27（5）:18-21，25.

［2］Zhao X，Ma F，Li P W，et al.Simultaneous determination of isoflavones and resveratrols for adulteration detection of soybean and peanut oils by mixed-mode SPE LC-MS/MS［J］.Food Chemistry，2015，176:465-471.

［3］Dong X Y，Zhong J，Wei F，et al.Triacylglycerol composition profiling and comparison of high oleic and normal peanut oils［J］.Am Oil Chem Soc，2015，92:233-242.

［4］Zhang L X，Li P W，Sun X M，et al.Classification and adulteration detection of vegetable oils based on fatty acid profiles［J］.Agric Food Chem，2014，62（34）:8745-8751.

［5］Zhao F F，Liu J K，Wang X P，et al.Detection of adulteration of sesame and peanut oils via volatiles by GC×GC-TOF/MS coupled with principal components analysis and cluster analysis［J］.Eur J Lipid Sci Technol，2013，115:337-347.

［6］梁逸曾，俞汝勤.化学计量学［M］.北京:高等教育出版社，2003.

［7］Su R，Feng X D，Yu A M，et al.Application of real-time refrigeration turbidimetry for rapid discrimination and purity assessment of refined peanut oils adulterated with other seed oils［J］.Eur Food Res Technol，2012，234:165-172.

［8］Monfreda M，Gobbi L，Grippa A.Blends of olive oil and seeds oils:Characterisation and olive oil quantification using fatty acids composition and chemometric tools.Part II［J］.Food Chem，2014，145:584-592.

［9］赵婷婷，王欣，卢海燕，等.低场核磁共振结合主成分分析法在食用油脂品质分析中的应用［J］.现代食品科技，2014，30（9）:179-185.

［10］李沂光，单杨，李高阳，等.近红外光谱法定性检测餐桌废弃油脂的掺伪［J］.食品工业科技，2013，34（20）:87-90.

［11］Suykens J A K.Support vector machines:A nonlinear modeling and control perspective ［J］.European Journal of Control，2001，7:311-327.

［12］毕艳兰，任小娜，彭丹，等.粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别［J］.分析化学，2013，41（9）:1366-1372.