Chinesische Forscher entwickeln IoT-System zur Überwachung und Vorhersage der Roséweinqualität während der Lagerung

Forscher am College of Enology der Northwest A&F University in Xianyang, China, haben ein neues Internet of Things (IoT)-fähiges System zur Überwachung und Vorhersage wichtiger physikalisch-chemischer Parameter während der Lagerung von Roséwein entwickelt. Das System, das in einem kürzlich in der Fachzeitschrift Inventions veröffentlichten Artikel beschrieben wird, zielt darauf ab, die Herausforderungen bei der Erhaltung der Weinqualität während der Lagerung zu bewältigen, indem es Echtzeitdaten zu Faktoren liefert, die den Verderb und die Beeinträchtigung des Geschmacks beeinflussen.

Das Projekt wurde von Xu Zhang und einem Team von Kollegen geleitet, die sich auf drei kritische Parameter konzentrierten: gelöster Sauerstoff, elektrische Leitfähigkeit und Temperatur. Es ist bekannt, dass diese Faktoren eine wichtige Rolle für die chemische Stabilität und die sensorischen Eigenschaften von Roséwein spielen. Im Gegensatz zu Rot- oder Weißweinen reagiert Roséwein besonders empfindlich auf Veränderungen in der Lagerungsumgebung, so dass eine genaue Überwachung für Erzeuger, die die Produktkonsistenz erhalten und die Haltbarkeit verlängern wollen, unerlässlich ist.

Das Überwachungsgerät verwendet einen kompakten Multiparameter-Sensor, der alle drei Variablen gleichzeitig messen kann. Der Sensor besteht aus korrosionsbeständigem Edelstahl und ist so konzipiert, dass er leicht in verschiedene Arten von Weinlagerbehältern, einschließlich Glastanks und Eichenfässern, integriert werden kann. Die vom Sensor erfassten Daten werden über ein 4G-Funkmodul an die TLINK-Cloud-Plattform übertragen, wo sie gespeichert, visualisiert und für weitere Analysen zugänglich gemacht werden.

Das Forschungsteam führte von April bis Juli 2025 ein 80-tägiges Experiment in einem unterirdischen Weinkeller an ihrer Universität durch. Das Gerät wurde in einem versiegelten Gärtank aus Glas installiert, der mit Roséwein gefüllt war. Während des gesamten Versuchs sammelte das System jede Minute Daten, was zu über 115.000 Datenpunkten pro Parameter führte. Die Forscher stellten fest, dass alle drei Parameter - gelöster Sauerstoff, Leitfähigkeit und Temperatur - im Laufe der Zeit unterschiedliche Trends aufwiesen. So stieg beispielsweise der Gehalt an gelöstem Sauerstoff zu Beginn der Lagerung an, bevor er sich stabilisierte, während die Temperaturveränderungen saisonale Schwankungen außerhalb des Kellers widerspiegelten.

Um den Wert dieser kontinuierlichen Überwachung zu erhöhen, wandte das Team fortschrittliche Deep-Learning-Modelle an, um zukünftige Trends bei diesen Parametern vorherzusagen. Anhand der gesammelten Zeitreihendaten testeten sie Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Temporal Convolutional Network (TCN) und traditionelle ARIMA-Statistikmodelle. Das TCN-Modell lieferte die höchste Vorhersagegenauigkeit für alle drei Parameter, mit Bestimmtheitsmaßen (R²) von über 0,95 für jede Variable. Die LSTM- und GRU-Modelle schnitten ebenfalls gut ab, waren aber etwas weniger genau als das TCN-Modell. Das ARIMA-Modell blieb hinter den Deep-Learning-Ansätzen zurück.

Das Cloud-basierte System ermöglicht den Nutzern die Anzeige von Echtzeitdaten über eine Webschnittstelle, die aktuelle Messwerte, historische Trends, den Gerätestatus und Umgebungsinformationen wie die Wetterbedingungen am Lagerort anzeigt. Warnmeldungen können so konfiguriert werden, dass das Personal der Weinkellerei benachrichtigt wird, wenn ein Parameter voreingestellte Schwellenwerte überschreitet oder wenn die Verbindung unterbrochen wird. Diese Funktion bietet einen Frühwarnmechanismus für potenzielle Qualitätsprobleme oder Geräteausfälle.

Die Studie hebt mehrere praktische Vorteile für Weinkellereien hervor. Durch die kontinuierliche Überwachung mehrerer physikalisch-chemischer Parameter und die Anwendung prädiktiver Analysen können die Erzeuger anormale Veränderungen erkennen, die auf Verderb oder suboptimale Lagerbedingungen hindeuten, bevor sie die Weinqualität beeinträchtigen. Dieser Ansatz ermöglicht fundiertere Entscheidungen über das Lagermanagement, z. B. die Anpassung der Temperaturregelung oder die Verbesserung der Behälterabdichtung.

Die Forscher weisen jedoch auf einige Einschränkungen hin. Das System erfordert eine zuverlässige 4G-Abdeckung und Zugang zu Wechselstrom, was den Einsatz in einigen Kellern oder an abgelegenen Orten einschränken kann. Außerdem wird betont, dass die Sensoren vor der Installation regelmäßig desinfiziert werden müssen, um eine mikrobielle Kontamination zu verhindern.

Dieser IoT-fähige Überwachungsrahmen stellt einen Fortschritt in der digitalen Weinherstellung dar, da er Echtzeit-Sensorik mit auf maschinellem Lernen basierenden Prognosen kombiniert. Während sich frühere Systeme auf die Überwachung einzelner Parameter oder die Offline-Analyse konzentrierten, bietet diese integrierte Lösung den Weinkellereien ein umfassenderes Werkzeug für das Qualitätsmanagement während der Lagerung - eine kritische Phase, die den endgültigen Charakter und die Marktfähigkeit von Roséweinen bestimmen kann.

Die Forschung wurde durch Zuschüsse der Northwest A&F University und der Shanghai Guolan Agricultural Products Co., Ltd. unterstützt, mit zusätzlicher Hilfe von lokalen Weinkellereien, die Einrichtungen und Traubenproben für die Tests zur Verfügung stellten. Die Daten der Studie sind aufgrund der laufenden experimentellen Arbeiten auf Anfrage erhältlich.

Da die Verbrauchernachfrage nach hochwertigem Roséwein weltweit weiter steigt, könnten solche technologischen Innovationen für Erzeuger, die die Produktkonsistenz sicherstellen und schnell auf potenzielle Risiken während der Lagerung reagieren wollen, immer wichtiger werden.