системный подход к проблеме оценки

СИСТЕМНЫЙ ПОДХОД К ПРОБЛЕМЕ ОЦЕНКИ
ХЛЕБОПЕКАРНЫХ КАЧЕСТВ ЗЕРНА
Медведев П.В., Федотов В.А., Челнокова Е.Я.
Оренбургский государственный университет, г. Оренбург
Традиционная модель оценки смесительной ценности зерна для
последующего прогнозирования потребительских свойств продуктов
переработки зерна предполагает использование данных зернового анализа:
натуры, количества и качества клейковины, стекловидности, влажности и
прочих. Однако даже комплексный учет этих показателей ввиду недостаточной
своей информативности не может однозначно охарактеризовать достоинства
зерна, влияющие на качество производимой из него продукции.
Улучшение качества определения потребительских свойств зерна и
продуктов его переработки может быть обеспечено за счет определения их в
информационной системе. В существующей на сегодняшний день
информационной системе контроля потребительских свойств пшеницы
руководствуются в основном стандартизированными ГОСТ показателями
качества. Однако даже комплексный учет этих показателей ввиду
недостаточной своей информативности не может однозначно охарактеризовать
технологические достоинства зерна, влияющие на качество производимой из
него продукции.
В частности, на зерноперерабатывающих предприятиях в России для
оценки структурно-механических свойств пшеницы используется показатель
стекловидности, который обычно тесно связывают с его химическим составом,
мукомольными и хлебопекарными свойствами. В тоже время практика работы
мукомольной промышленности показывает, что показатель стекловидности
является лабильным - при одинаковой стекловидности зерна разные сорта
пшеницы характеризуются различными технологическими свойствами [1].
Твердозерность является особым показателем структурно-механических
свойств зерна, тесно связана с особенностями измельчения эндосперма,
представляет собой показатель, комплексно отражающий особенности
микроструктуры эндосперма.
Оценку твердозерности осуществляют различным образом. Наиболее
популярными и широко используемыми являются методы, основанные на
анализе гранулометрического состава муки. Дело в том, что при помоле
твердозерной пшеницы образуется более крупные и более выровненные по
размерам частицы, чем при помоле мягкозерной пшеницы. С помощью данных
методов рассчитывают условный средний диаметр частиц муки, или же находят
содержание частиц определенной фракции крупности - индекс размера частиц:
количество прохода сита № 0071 муки 70 %-ного выхода мельниц МЛУ-202 [2].
Однако данный метод оценивает размер частиц только одним параметром –
проходимостью через сито с фиксированным размером отверстий, отсюда
низкая точность определения. Принятый в России для оценки муки показатель
крупности помола также практически не позволяет идентифицировать различия
в ее структурных особенностях.
Оценивали связи характеристик отдельных компонентов белковопротеиназного
и
углеводно-амилазного
комплексов
пшеницы
с
технологическими
и
хлебопекарными
показателями
качества
–
амилолитической активностью (показатель «числа падения» (ЧП),
твердозерностью,
газообразующей
способностью
муки
(ГОСМ),
влагопоглатительной способностью муки (ВПС).
Большое количество водо- и соле- растворимых белковых фракций
негативно сказывается на хлебопекарных качествах зерна, приводя к снижению
влагопоглатительной способности муки, объемного выход хлеба. Наблюдается
положительная связь между твердозерностью и как минимум двумя фракциями
белков (альбумины и глиадины), а также отношением глиадина к глютенину и
содержанием протеиназ. ВПС муки также в большой степени зависит от
фракции глобулинов и глиадинов (таблица 1).
Протеиназа
0,29
0,61*
0,27
0,42
0,16
0,27
-
0,72*
0,36
0,29
-0,13
Протеиназа
0,72*
0,36
0,29
-0,13
-
0,24
-0,05
0,17
0,05
0,49
*
-
ВПС
Глютенин
0,32
0,61*
0,16
ГОСМ
Глиадин
0,32
0,29
0,42
Твердозерность
Глобулин
Альбумин
Глобулин
Глиадин
Глютенин
ЧП
Показатели
Альбумин
Таблица 1 – Связь белково-протеиназного комплекса с показателями качества
зерна и муки пшеницы (критическое значение коэффициента корреляции r =
0,49, число образцов N = 12)
0,49*
0,48
0,75*
-0,20
-0,17
-0,29
0,48
0,33
-0,22
-0,65*
-0,80*
-0,38
0,67*
-0,42
-0,07
ЧП
0,24
-0,05
0,17 0,05 0,49
0,19
-0,44
0,18
Твердозерн
0,49* 0,28 0,75* -0,20 0,67* 0,19
0,39 0,58*
ость
ГОСМ
-0,17 -0,29 -0,48 0,33 -0,42 -0,44 0,39
0,29
ВПС
-0,22 -0,65* -0,80* -0,38 -0,07 0,18 0,58* 0,29
Объемный
выход
-0,52* -0,24 0,58* -0,25 -0,51* 0,34 -0,24 0,62* 0,37
хлеба
* - коэффициент корреляции существенен при уровне значимости α = 0,05
Показатель твердозерности зерна, выраженный в виде индекса размера
частиц (ИРЧ), в значительной степени определяет ВПС муки (рисунок 1).
Рисунок 1 – График зависимости влагопоглатительной способности муки от
степени твердозерности зерна
Величины микротвердости зерна как показателя твердозерности
пшеницы и водопоглощающей способности муки из этого зерна также имеют
очень высокую положительную зависимость. Такая же зависимость
наблюдается и по отношению к осахаривающей и газообразующей способности
муки (таблица 2). Устойчивых связей технологических свойств пшеницы с
показателем ее стекловидности не выявлено [3].
Таблица 2 – Корреляционная матрица зависимостей твердозерности и
стекловидности зерна с технологическими показателями пшеницы
Твердозерность,
Твердозерность,
оцененная
оцененная
Показатели
индексом
Стекловидность
микротвердостью
размера частиц
зерна
муки
Тип пшеницы
твердая мягкая твердая мягкая твердая мягкая
Сахаробразующая
0,24
0,21
0,20
0,15
0,21
0,19
способность муки
Газообразующая
0,24
0,25
0,22
0,25
0,15
0,12
способность муки
Влагопоглатительная
0,47*
0,37*
0,45*
0,35*
0,28*
0,24
способность муки
Число падения
0,34*
0,30*
0,31*
0,22
0,21
0,20
Объемный выход
0,06
0,05
0,08
0,11
0,11
0,14
хлеба
Формоустойчивость
0,03
0,12
0,09
0,14
0,09
0,07
* - коэффициент корреляции существенен при уровне значимости α = 0,05
Корреляция объемного выхода и формоустойчивости хлеба с показателем
микротвердости выше при полиномиальном типе связи, чем при линейном, что
соответствует данным графического анализа экспериментальных данных
(рисунок 2).
ВПС зависит от количества и качества клейковины зерна, а также зависит
от особенностей сорта. Так мука с относительно высоким содержанием сильной
клейковины поглощает больше влаги, чем слабая мука. Увеличивают ВПС
муки большое содержание в зерне клетчатки, пентозанов, механически
поврежденные зерна крахмала [4].
Рисунок 2 – Зависимость объемного выхода хлеба от микротвердости зерна
Содержание последних напрямую зависит от структурно-механических
свойств зерна, в качестве основного количественного выражения этих свойств
решили взять показания микротвердости зерна пшеницы.
Отношение амилозы к амилопектину является одной из наиболее
информативных характеристик углеводно-амилазного комплекса, коррелируя с
показателями качества зерна (ЧП, твердозерность), повышение этого
соотношения приводит к улучшению хлебопекарных качеств пшеницы, таких
как ГОСМ (таблица 3). Значимые корреляции также обнаружены между числом
падения и амилопектином [5].
ВПС
ГОСМ
Твердозерность
ЧП
Амилаза
Крахмал
Амилопектин
Показатели
Амилоза
Таблица 3 – Связь углеводно-амилазного комплекса с показателями качества
зерна и муки яровой пшеницы (критическое значение коэффициента
корреляции r = 0,49, число образцов N = 12)
Амилоза
-0,29
0,04
0,39
-0,39 -0,60* 0,70* 0,28
Амилопектин
-0,29
0,94* -0,29 0,68* 0,15 -0,74* 0,06
Крахмал
0,04 0,94*
-0,12 0,58* -0,05 -0,53
0,16
Амилаза
0,39
-0,29 -0,12
-0,16 -0,60* 0,38
0,09
ЧП
-0,39 0,68* 0,58* -0,16
0,19
-0,44
0,18
Твердозерность -0,60* 0,15
-0,05 -0,60* 0,19
0,39 0,58*
ГОСМ
0,70* -0,74* -0,53
0,38
-0,44
0,39
0,29
ВПС
0,28
0,06
0,16
0,09
0,18 0,58* 0,29
Декстрины
-0,56* -0,21 -0,41 -0,11
0,20 0,59* -0,22 -0,27
* - коэффициент корреляции существенен при уровне значимости α = 0,05
Собранные статистические данные многолетних анализов основных
показателей потребительских свойств зерна и продуктов его переработки
позволили формализовать и визуализировать информацию о них на основе
графа данных - совокупности непустого множества вершин и связей между
вершинами, в котором вершины - это показатели качества, а ребра - связи
между этими показателями [6].
Визуализация данных проводилась средствами Open Graph Viz Platform
Gephi. Построение графа данных осуществили по алгоритму равномерного
распределения вершин по квадрату. Вес каждого ребра представляет собой
степень связи (коэффициент корреляции) между двумя вершинами –
показателями качества [7]. Это позволило визуально разделить показатели
качества по их значимости в системе (рисунок 3).
Современные принципы менеджмента качества зернопродуктов требуют
рассмотрения перманентного улучшения качества продукции за счет
процессного и системного подходов к организации анализа и контроля
потребительских свойств зерна и продуктов его переработки. Системный
подход к изучению показателей качества зерна позволил провести
ранжирование показателей по их ценности для прогнозирования
потребительских качеств зернопродуктов.
Рисунок 3 – Структура графа показателей качества зерна
Список литературы
1. Казаков Е. Д., Карпиленко Г. П. Биохимия зерна и хлебопродуктов: учеб.
пособие для вузов. - СПб. : ГИОРД, 2005. - 512 с.
2. Мерко И. Т. Совершенствование технологических процессов сортового
помола пшеницы. - М. : Колос, 1979. - 191 с.
3. Федотов В.А., Данилова А.В. Повышение эффективности определения
потребительских качеств зернопродуктов в информационной системе:
материалы ХXIII Международной научно-практической конференции
«Актуальные вопросы современной науки», 29 апреля 2014 г. – М.:
Издательство «Спутник +», 2014. – С. 92-95. - ISBN 978-5-9973-2997-6.
4. Медведев П.В., Федотов В.А., Максютова Н.Н., Каткова А.Ю. Система
факторов формирования потребительских свойств зерна и продуктов его
переработки:
материалы
IV
международной
научно-практической
конференции «Фундаментальные и прикладные науки сегодня» / North
Charleston, USA, 20-21 октября 2014 г., С. 8-12. – ISBN: 978-1502984876.
5. Федотов В.А., Медведев П.В. Информационно-измерительная система
потребительских свойств зерна / Международный Издательский Дом, LAP
Lambert Academic Publishing. – 153 c. – 2014. - ISBN: 978-3-659-49815-2.
6. Кругляков Г. Н., Круглякова Г. В. Товароведение продовольственных
товаров. - Ростов-на-Дону : издательский центр «МарТ», 1999.
7. Bradsky G., Kaehler A. Learning OpenCV. - O’Reilly, 2008. - 571 p.