为何奶酪得率重要
奶酪是乳品行业中非常重要的贸易商品；Fox 等估计其约占牛奶总用量的 35 % [1]。得率以标准化脂肪和蛋白质水平下每 100 kg 牛奶所得奶酪的千克数表示，工厂跟踪得率效率，即实际得率占由牛奶成分预测的得率的百分比 [1]。影响得率的因素已有详尽归纳 — 牛奶成分和质量、标准化、热处理、切割时的凝胶硬度、切割和搅拌方式、凝乳粒度和奶酪槽设计 — 它们通过影响牛奶凝胶的成分，以及从凝乳颗粒中排出多少水分、损失多少脂肪而起作用 [1]。
由牛奶成分预测得率
得率预测公式源自 1895 年发表的一个仅基于酪蛋白和脂肪的公式；Van Slyke 公式是这一系列中最著名的，后来的改进加入了奶酪的水分和盐分、乳清固形物，并以副酪蛋白代替酪蛋白 [2]。Emmons 和 Modler 在 22 槽切达奶酪上检验了 General、Barbano 和 Van Slyke 公式，发现未经调整的公式不能准确预测得率：平均预测得率为实际值的 99.17 %，而所测奶酪各组分之和不足 100 % [2]。按观测到的组分之和进行调整后，平均值达到实际值的 99.99 %，因此推荐使用调整后的公式计算目标得率和得率效率；值得注意的是，此时牛奶总蛋白给出的预测得率与酪蛋白相同，故酪蛋白测定未必总是必要 [2]。
输入量是槽奶的脂肪和蛋白质，而这些数值的质量取决于其背后的参考方法：重量法脂肪参考方法是取代了 ISO 1211 的 ISO 23318 | IDF 249 [3]，ISO 8968-1 | IDF 20-1 则按凯氏定氮原理测定氮并由此计算粗蛋白 [4]。
红外光谱在收奶环节的贡献
相对于奶酪制作的节奏，参考方法是缓慢的，因此对照参考方法建立的光谱定标提供了日常数据。Laporte 和 Paquin 用近红外透射法和基于 96 份样品的 PLS 定标测定了牛乳中的脂肪、粗蛋白、真蛋白和酪蛋白；独立验证给出的预测标准误差为脂肪 0.07 %、粗蛋白和酪蛋白 0.06 %、真蛋白 0.05 %，并发现均质会影响脂肪的测定 [5]。
更直接的途径是将光谱直接对得率本身进行定标。Ferragina 等按固定的实验室规程用单头奶牛的牛奶制作了 1,264 个模型奶酪，并将未经处理牛奶的中红外（FTIR）光谱与所测得率性状相关联；交叉验证给出的决定系数为总固形物奶酪得率 0.95、鲜奶酪得率 0.83，但凝乳中保留的水分仅为 0.65，脂肪回收率仅为 0.41 [6]。光谱携带着驱动固形物得率的成分信息；而水分保留和脂肪损失是在奶酪槽中决定的，在牛奶光谱中看不到。这正是槽内监测所要解决的那部分问题。
监测奶酪槽中的凝乳和排乳清
O'Callaghan 等综述了监测凝乳形成的在线技术 — 热线探头、振动探头和光学探头 — 并根据跨越牛奶季节性变化的工厂试验得出结论：在线监测可以提高切割时凝乳的一致性 [7]。光学方法依赖于酪蛋白胶束聚集时光散射的上升。Castillo 等用 880 nm 漫反射传感器监测山羊奶的凝固；反射参数 Tmax 与 Berridge 凝乳时间相关（R² = 0.9913），在不同 pH、温度和酶浓度条件下，基于 Tmax 的切割时间方程预测切割时间的标准误差为 84.5 s（R² = 0.9785）[8]。Lyndgaard 等将此扩展到在线记录的全 NIR 光谱（1,000–2,500 nm），经主成分分析压缩后用一个区分 κ-酪蛋白水解、胶束聚集和网络形成的动力学模型拟合；该模型对 12 个批次的拟合 R² 高于 0.99，并可实时估计以自动确定切割时间 [9]。
同一信号在切割后仍携带信息。Fagan 等用响应面法表明，脂肪保留是切割时间和温度的函数，凝乳得率还取决于氯化钙的添加，并且切割时存在一个最佳凝胶硬度，应在避免凝胶迅速粗化和微观排乳清的前提下使其最大化 [10]。在后续研究中，结合牛奶成分与背散射参数的方程预测脂肪损失的预测标准误差为 ±2.65 g/100 g（R² = 0.93），凝乳得率为 ±0.95 %（R² = 0.90），凝乳水分为 ±1.43 %（R² = 0.94）[11]。这些是在刻意变化的条件下进行的中试槽研究；它们表明信号中包含了这些信息，而非生产槽将达到的水平。
建立站得住脚的得率模型
奶酪得率模型实际上是两个模型：一个是基于成分预测牛奶应当给出的得率，另一个是槽内模型，描述这一潜力有多少得以实现。三项做法可使两者都站得住脚：
- 明确所预测的得率。Ferragina 等区分了鲜奶酪得率、总固形物得率和凝乳中保留的水分，以及脂肪、蛋白质和总固形物的回收率 [6]；针对其中一种定标的模型不能当作另一种来解读。
- 将定标锚定于参考方法。脂肪和蛋白质值应来自 ISO 23318 和 ISO 8968-1 [3][4]，乳制品上的 NIR 定标和验证遵循 ISO 21543 | IDF 201 [12]。
- 跨季节验证。切割时间和排乳清响应取决于 pH、温度、钙和酶水平 [8][10]，工厂综述也强调季节性变化 [7]；在信赖模型用于下一季牛奶之前应重新验证。
USTECH 的解决思路
ProLine2550 过程分析仪专为管道和容器中的液体和浆料设计，涵盖为基于成分的得率预测提供数据的槽奶测量；caliX 软件套件提供上述研究所用的 PLS 回归和 PCA 工具 [5][6][9]。通过 ProChem，预测值可传送至工厂的 PLC 或 SCADA 系统，用于仪表板和报警。工厂所关心的得率性状能否预测到所需的精度，须按照 ISO 21543 [12]，通过使用您自己的样品的可行性研究来确定，而不是根据已发表的数据来假定。
参考文献
- [1] Fox, P.F., Guinee, T.P., Cogan, T.M., McSweeney, P.L.H. (2017). Cheese Yield. In: Fundamentals of Cheese Science, 2nd ed. Springer, Boston, pp. 279–331. doi:10.1007/978-1-4899-7681-9_10
- [2] Emmons, D.B., Modler, H.W. (2010). Invited review: A commentary on predictive cheese yield formulas. Journal of Dairy Science, 93(12), 5517–5537. doi:10.3168/jds.2010-3262
- [3] ISO 23318 | IDF 249:2022. Milk, dried milk products and cream — Determination of fat content — Gravimetric method. ISO, Geneva. iso.org/standard/75226.html
- [4] ISO 8968-1 | IDF 20-1:2014. Milk and milk products — Determination of nitrogen content — Part 1: Kjeldahl principle and crude protein calculation. ISO, Geneva. iso.org/standard/61020.html
- [5] Laporte, M.-F., Paquin, P. (1999). Near-infrared analysis of fat, protein, and casein in cow's milk. Journal of Agricultural and Food Chemistry, 47(7), 2600–2605. doi:10.1021/jf980929r
- [6] Ferragina, A., Cipolat-Gotet, C., Cecchinato, A., Bittante, G. (2013). The use of Fourier-transform infrared spectroscopy to predict cheese yield and nutrient recovery or whey loss traits from unprocessed bovine milk samples. Journal of Dairy Science, 96(12), 7980–7990. doi:10.3168/jds.2013-7036
- [7] O'Callaghan, D.J., O'Donnell, C.P., Payne, F.A. (2002). Review of systems for monitoring curd setting during cheesemaking. International Journal of Dairy Technology, 55(2), 65–74. doi:10.1046/j.1471-0307.2002.00043.x
- [8] Castillo, M., Payne, F.A., Hicks, C.L., López, M.B. (2000). Predicting cutting and clotting time of coagulating goat's milk using diffuse reflectance: effect of pH, temperature and enzyme concentration. International Dairy Journal, 10(8), 551–562. doi:10.1016/S0958-6946(00)00086-8
- [9] Lyndgaard, C.B., Engelsen, S.B., van den Berg, F.W.J. (2012). Real-time modeling of milk coagulation using in-line near infrared spectroscopy. Journal of Food Engineering, 108(2), 345–352. doi:10.1016/j.jfoodeng.2011.07.029
- [10] Fagan, C.C., Castillo, M., Payne, F.A., O'Donnell, C.P., O'Callaghan, D.J. (2007). Effect of cutting time, temperature, and calcium on curd moisture, whey fat losses, and curd yield by response surface methodology. Journal of Dairy Science, 90(10), 4499–4512. doi:10.3168/jds.2007-0329
- [11] Fagan, C.C., Castillo, M., O'Donnell, C.P., O'Callaghan, D.J., Payne, F.A. (2008). On-line prediction of cheese making indices using backscatter of near infrared light. International Dairy Journal, 18(2), 120–128. doi:10.1016/j.idairyj.2007.09.007
- [12] ISO 21543 | IDF 201:2020. Milk and milk products — Guidelines for the application of near infrared spectrometry. ISO, Geneva. iso.org/standard/77606.html