分离效率为何重要
玉米湿磨是食品与饲料行业中最复杂的谷物加工工艺之一，它将籽粒分离为淀粉、胚芽、纤维和蛋白质（面筋）。淀粉是主产品，也是甜味剂、乙醇和变性淀粉的原料，而各副产品的价值差别很大：玉米蛋白粉在家禽、猪和伴侣动物日粮中价值很高，而玉米蛋白饲料的价值约与进厂玉米相当或更低[1]。因此，随纤维离开工艺的淀粉最终进入了价值最低的物流。
分离流程
浸泡是有效分离所依赖的步骤[1]。清理后的籽粒在约 50 °C 的弱酸性水中浸泡，通常为 20–36 小时；浸泡时间越长，所需资本投入和能耗越高，但二氧化硫用量越少[2]。浸泡化学直接影响得率：在 Haros 和 Suárez 的实验室研究中，浸泡水中的乳酸提高了马齿型和硬粒型玉米的淀粉得率，并在 24 小时内实现了淀粉颗粒的有效释放[3]。
粗磨之后，低密度的胚芽在旋流器中分离出来，并在筛上洗涤，使游离的淀粉和面筋返回主物流[2]。旋流器底流经细磨和筛分；筛网截留纤维，纤维洗涤水尽可能回收淀粉和面筋，随后纤维在筛式离心机中脱水至 65–75 % 水分[2]。剩余的淀粉–面筋混合物利用面筋密度较低的特点经离心分离，随后淀粉以逆流方式洗涤，最常见的是 9 至 15 级旋流器，纯度通常超过 99.5 %[2]。新鲜水只在淀粉洗涤处进入，然后逆流经过整个工艺回到浸泡工序，从而将用水量和蒸发负荷降至最低[2]。
淀粉去了哪里
分离损失体现在两个地方。Singh 等在四个杂交种上比较实验室程序与中试工厂程序，发现中试规模下淀粉得率和回收率较低，而面筋和纤维得率较高，因为这两部分携带了更多未回收的淀粉；籽粒越硬，淀粉得率和回收率越低[4]。同一研究将普通马齿型玉米淀粉中商业上可接受的蛋白质含量定为低于 0.50 %（干基），蜡质玉米为低于 0.30 %[4]。在纤维方面，Ozturk 等鉴定了湿磨纤维中截留淀粉的结构，将 54 % 的截留淀粉归因于蛋白质基质，并得出结论：破坏蛋白质可使淀粉提取量获得最大提高[5]。因此，进入纤维的损失部分取决于籽粒结构和浸泡，而不仅仅取决于筛网和离心机的设定。
由此可得出制粉厂需要跟踪的量：洗涤后淀粉中的蛋白质、面筋和纤维物流中的淀粉，以及浆料中的固形物。淀粉中的蛋白质由氮含量计算；ISO 3188 规定了适用于氮含量高于 0.01 % 的淀粉及其衍生产品的凯氏（Kjeldahl）滴定法[6]。此类实验室结果出来时，物流早已流过，这正是需要更快测量的原因。
光谱法能监测什么
近红外光谱在上游即籽粒环节已有确定的作用。Dijkhuizen 等在 200 个玉米家系上将 NIR 与 100 g 实验室湿磨程序进行比较，发现 NIR 淀粉与湿磨淀粉的相关系数为 r = 0.80，NIR 蛋白质与湿磨面筋的相关系数为 r = 0.72；他们认为 NIR 对于变异范围宽的育种材料是令人满意的[7]。但这只是用于谷物排序的工具，并不能预测某一特定工厂的分离性能。
在工艺过程本身，NIR 可以在几乎无需或完全无需样品制备的情况下提供工艺物流的实时信息[8]，而湿磨的过程计算机控制自 20 世纪 70 年代末就已有讨论[9]。在撰写本文时，未找到已发表且经同行评审的、针对离心机溢流、淀粉洗涤底流或纤维洗涤水等湿磨浆料的 NIR 定标，因此这些物流上可达到的准确度必须逐案确定。此类测量主要受两种物理效应影响。温度会非线性地改变振动光谱的形状，Wülfert 等表明，跨温度建立的模型预测效果更好，但除非对温度进行显式建模，否则会损失灵敏度[10]。悬浮颗粒会增加散射；标准正态变量变换（SNV）等变换可消除漫反射光谱中的乘性散射和粒度效应[11]。
浆料监测的实践要点
- 从物流定义清晰之处入手。洗涤淀粉浆、离心机溢流和纤维洗涤水在固形物、粒度和温度方面各不相同；每种物流都需要各自的定标样本群，并以凯氏定氮等实验室方法为参考[6]。
- 将温度纳入定标。工艺温度会漂移；应将其纳入定标设计，而不是假定固定温度的模型能够一直适用[10]。
- 区分结构与设定。被蛋白质基质截留在纤维中的淀粉[5]或因籽粒硬度而损失的淀粉[4]，不会因调整离心机而改变；除工艺物流外，还应跟踪进厂谷物的趋势[7]。
USTECH 的做法
对于液体和浆料物流，USTECH 采用过程 FT-NIR 分析仪 ProLine2550，由 ProChem 将结果传送至工厂 PLC 或 SCADA 系统；对于进厂谷物，则采用近线分析仪 MasterLine17EC。定标在 caliX 中建立，并采用上述温度与散射处理方法[10][11]。哪些物流和参数能够达到制粉厂所需的准确度，需通过使用贵方样品和参考分析的可行性研究来确定。
参考文献
- [1] Rausch, K.D., Hummel, D., Johnson, L.A., May, J.B. (2019). Wet milling: The basis for corn biorefineries. In: Corn: Chemistry and Technology, 3rd ed., pp. 501–535. Elsevier. doi:10.1016/B978-0-12-811971-6.00018-8
- [2] Galitsky, C., Worrell, E., Ruth, M. (2003). Energy efficiency improvement and cost saving opportunities for the corn wet milling industry: An ENERGY STAR guide for energy and plant managers. Report LBNL-52307, Lawrence Berkeley National Laboratory. doi:10.2172/816536
- [3] Haros, M., Suárez, C. (1999). Effect of chemical pretreatments and lactic acid on the rate of water absorption and starch yield in corn wet-milling. Cereal Chemistry, 76(5), 783–787. doi:10.1094/CCHEM.1999.76.5.783
- [4] Singh, S.K., Johnson, L.A., Pollak, L.M., Fox, S.R., Bailey, T.B. (1997). Comparison of laboratory and pilot-plant corn wet-milling procedures. Cereal Chemistry, 74(1), 40–48. doi:10.1094/CCHEM.1997.74.1.40
- [5] Ozturk, O.K., Kaasgaard, S.G., Palmén, L.G., Vidal, B., Hamaker, B.R. (2021). Protein matrix retains most starch granules within corn fiber from corn wet-milling process. Industrial Crops and Products, 165, 113429. doi:10.1016/j.indcrop.2021.113429
- [6] ISO 3188:1978. Starches and derived products — Determination of nitrogen content by the Kjeldahl method — Titrimetric method. ISO, Geneva. iso.org/standard/8379.html
- [7] Dijkhuizen, A., Dudley, J.W., Rocheford, T.R., Haken, A.E., Eckhoff, S.R. (1998). Near-infrared reflectance correlated to 100-g wet-milling analysis in maize. Cereal Chemistry, 75(2), 266–270. doi:10.1094/CCHEM.1998.75.2.266
- [8] Woodcock, T., Downey, G., O’Donnell, C.P. (2008). Better quality food and beverages: the role of near infrared spectroscopy. Journal of Near Infrared Spectroscopy, 16(1), 1–29. doi:10.1255/jnirs.758
- [9] Simms, R.L. (1979). Process computer control for corn wet milling. Starch/Stärke, 31(4), 109–111. doi:10.1002/star.19790310403
- [10] Wülfert, F., Kok, W.Th., Smilde, A.K. (1998). Influence of temperature on vibrational spectra and consequences for the predictive ability of multivariate models. Analytical Chemistry, 70(9), 1761–1767. doi:10.1021/ac9709920
- [11] Barnes, R.J., Dhanoa, M.S., Lister, S.J. (1989). Standard Normal Variate Transformation and De-trending of Near-Infrared Diffuse Reflectance Spectra. Applied Spectroscopy, 43(5), 772–777. doi:10.1366/0003702894202201
