随着工业化和城市化的快速推进，环境污染问题愈发严重，空气质量问题尤为突出，成为全球性的关注点。气体检测仪在这一背景下扮演着监测空气质量的关键角色，其应用领域和计量检测需求随之迅速增长。但现有气体检测仪面临着计量规程规范不完善、检测设备缺乏便携性、工作环境安全性不足等挑战，这些问题严重制约了气体检测仪计量工作的有效性。例如，规程规范与实际需求脱节，现场工作不便，量程和安装位置对检测结果的影响，以及缺乏统一的标准气体流量标准等问题亟待解决。同时，现场工作环境的安全风险也必须得到重视。因此，开发新型气体传感器技术，提升气体检测仪的计量检测效率和准确性，优化检测设备，统一标准气体流量，改善工作环境，对于提高气体检测仪的性能、确保公共安全和保护环境至关重要。

3.1 研究的主要内容和方法

3.1.1传感器的选择及应用方法

1.传感器的分类：传感器可分为化学传感器和物理传感器两类。

化学传感器基于气体与特定化学物质的相互作用。其下主要可分为电化学传感器、光学传感器两类。电化学传感器是基于电流、电阻 、电压的变化监测气体浓度，常用于有毒气体。光学传感器则是通过测量光的吸收或者散射监测气体。物理传感器基于物理性质的变化。其下主要可分为热敏电阻传感器、红外线传感器、声波传感器三类。热敏电阻传感器是利用气体导电性随温度变化来监测气体的浓度。常用于温度，湿度，也可用于气体浓度的监测。红外线传感器则通过测量气体对红外线的吸收判断气体的种类和浓度。适用于监测可燃气体。声波传感器利用气体对声波的传播速度和衰减程度的影响来监测气体浓度，常用于监测气体泄漏和浓度的变化。

2.传感器的选择：本课题为面向环境安全检测的智能嗅觉手环。基于该想法，采用MEMS技术的微型MOS气体传感器显然是最符合要求的传感器类别。采用MEMS技术的微型MOS气体传感器具有小尺寸、低功耗、寿命长、响应速度快、价格低廉、易于集成、易于微型化、阵列化、使用便携、且对多种气体都敏感等多种优势。十分契合智能嗅觉手环这一想法。而MOS传感器普遍存在交叉敏感性这一严重缺陷，这会导致其选择性变差。另外，其响应机理也很复杂，且难以得到先验的响应函数和精确的数学模型。高效率的识别气体成为一个需要研究和探索的问题。

3.传感器的应用方法：传感器的实际应用可分为六个步骤。一是传感器阵列的设计和

集成。通过早期调研了解影响环境安全的各类气体，针对性的设计不同的MOS传感器，最后构建传感器阵列并将传感器阵列集成到电路中以满足智能嗅觉手环便携的要求，从而可以实时监测人体周围的环境中气体的变化。二是物联网的连接。通过传感器的高灵敏度和实时监测的特性结合物联网智能化和互联的优势构建高效的实时监测网络。三是数据传输与处理。通过物联网技术构建的监测网络迅速传输监测数据到中心数据库，通过处理算法进行处理。四是实时监测与警报：通过分析不同有害气体的浓度及变化趋势，监测中心可以及时预警，实现快速响应。五是远程控制与调整。通过监测系统给出的数据进行远程控制，智能调整生产过程，自动启动工厂内部的应急通风设备，快速排除有毒气体。六是报告生成与决策。监测中心可以生成相应的详细报告，其中包括有害物质的类型、浓度分布图以及环境的风险评估，从而为企业管理层提供决策支持，为环保部门提供科学依据。

3.1.2传感器阵列及模式识别算法

1.气体传感器阵列是由两个以上传感器排列构成阵列，从而实现对多种气体的数据采集。MOS气体传感器阵列对不同气体会产生不同的电信号反馈，我们通过集成电路对不同电信号进行采集，并使用模式识别算法来处理产生的未解析信号，从而成功达到分析气体种类，浓度的目的。

2.下面我们需要了解模式识别算法如何处理传感器阵列所采集到的不同电信号并对之进行解析。

模式识别分为监督学习、非监督学习和概率模型两种形式，监督学习指给数据打上标签利用算法进行训练测试，找出其中存在的规律后再对新的数据进行判别分类。以监测VOC 混合气体为例，通过测试适量 VOC 混合气体样本（已知其中所含气体成分及浓度）得到响应数据后，经过数据信号预处理，利用人工神经网络对其数据分析，可得到其中存在的规律与联系并构建出一个算法模型，再放入未知 VOC 混合气体环境中，模型能利用之前分析出的规律重新计算得到此未知环境中所含的气体成分和浓度。至于非监督模式，是基于算法本身来找到数据中的固有模式，然后基于这些固有模式来对此后未知环境中的气体成分和浓度进行预测。我们将监督学习和非监督学习结合在一起既可以保证传感器早期检测的精确性，也可以一定程度上缓解由于传感器因长时间使用而精度下降的问题，要实现上述的学习过程，我们离不开分类算法模型的构建。

图2 模式识别算法分类

3.基于线性处理的分类算法模型构建

主成分分析（PCA）是普遍使用的一种降维方法来实现不同数据特征的分类，其本质在于以最小的整体分散损失简化原始数据，通过线性投影将原始数据集变换到一个新的坐标系中，其中每个变量由一组捕捉数据中最大变化量的主成分表示。主成分分析处理的主要步骤为：

（1）去均值：对所有特征值进行中心化先求出每一个特征的平均值，对于整体数据

 样本，每一个特征都减去自身的均值；

（2）计算特征协方差矩阵，以较小的样本集更好地逼近标准差；

（3）求协方差矩阵的特征值和对应的特征向量；

（4）将原始特征投影到选取的特征向量上，得到降维后的新 K 维特征。

我们将降维后的结果可视化展现在二维图形上，如下图3（a）所示横纵坐标则分别代表该数据点在 PCA 变换后的第一主成分和第二主成分上的投影值。这些投影值可用于描述气体样本之间的相似性和差异性。图3（b）的特征载荷图可用来识别真实数据中的模式和趋势，并反映该变量对主成分的影响程度。

图3 主成分分析初步分类结果

4.极限学习机的应用

我们将前面主成分分析法得到的数据传输给极限学习机进行训练（此时的参数是随机的），随后进行误差值判断，若判断结果小于设定的的误差值则将数据输出得到分类结果，若判断结果大于设定的误差值则更换为另一随机参数进行再次拟合，直到最终的拟和结果小于设定的误差值。

图4 PCA-ELM结构图

5.实际编码数值因数据归一化和误差波动的解决方案

在使用算法模型处理时，每个位置所返回的实际编码数值因数据归一化和误差波动原因，往往得到的不是整数值，而是在0和1数值范围内波动，依据下列判别公式来判断具体整数值：

图5 式中y_i为返回的实际编码值

下面我们假设三种气体的编码方式为下图所示，即第一位数字表示甲醛主成分，第二位数字表示丙酮主成分，第三位数字表示乙醇主成分：

图6 气体成分编码

下面我们将一系列已知其类别和浓度的单一气体经由气体传感器设备进行数据采集，再通过PCA-ELM系统进行主成分相关性和误差检测，得到设定误差范围内的相关性，再根据图5两个公式进行近似处理，从而实现对气体种类和气体浓度的预测。我们在完成单组分气体种类和浓度的预测实验后，可以进一步进行多组分气体种类和浓度的预测实验来进一步检验基于PCA-ELM系统的气体分类模型算法是否具有较高的准确性。

国内外同类研究工作的现状

新型气体传感器技术：

   - 国外：国外在气体传感器技术方面较为先进，已有多种类型的气体传感器被开发出来，包括电化学、光学、物理传感器等。例如，美国、英国、德国等国家已经研制出不同种类的商品化电子鼻，能够检测多种气体成分。

   - 国内：国内在气体传感器技术方面也有所发展，但相较于国外，仍处于发展阶段。国内研究者正在探索新型气体敏感材料和研制新式气体传感器，以及研究气体传感器的结构和工作机理。

气体检测仪计量：

   - 国外：国外在气体检测仪计量方面有着较为成熟的规程和标准，检测设备较为先进，能够进行精确的现场计量。

   - 国内：国内在气体检测仪计量方面存在一些问题，如规程规范不完善、检测设备不便携、工作环境安全隐患等。

项目的创新点

1.面向环境监测的智能手环具备轻量化，小型化的特点。

2.手环在算法上基于深度学习神经网络来实现对气体种类和浓度的推断。

3.手环这一形式具备极强的可穿戴性，能很好的满足现场实时测量的需求。

4.我们将多种气体传感器集合成阵列可实现多种气体的检测。

1.了解MOS传感器的原理，解决其选择性差，响应机理复杂的问题。

2.了解实际应用的方法，处理实际应用中可能遇到的问题。如多设备的互联、信息的实时传输与处理、社会各单位的信息共享和协作。

3.了解模糊识别算法的基本学习模式：模糊识别算法的基本学习模式有监督学习和非监督学习两种形式，前者泛化能力强，精度高，具有很强的线性运算能力。后者具有适应性强等优点，但存在耗时长、模型精度较低等缺点。

4.掌握主成分分析处理的基本步骤：1.去均值。2.计算特征协方差矩阵3.求协方差矩阵的特征值和对应的特征向量。 4.将原始特征投影到选取的特征向量上，得到降维后的新 K 维特征。

5.了解极限学习机基本工作原理：将主成分分析法得到的数据经由极限学习机处理后根据误差的大小情况来判断是输出当前结果或是取另一随机参数进行另一次循环。

        6.通过实验确定深度学习神经网络算法在多种气体环境中能否进行准确预测。

前期安排：

完成智能嗅觉手环的外观设计，设计好所需要的集成电路，编写空气成分分析的相关程序。

中期安排：

申请外观专利；通过机器学习等方式来提高空气成分分析的精度，并考察设备在各种环境条件下的适用性以及稳定性。

后期安排：

设计并制造得到高灵敏度和高可靠性的面向环境安全监测的智能嗅觉手环；完成智能嗅觉手环的开发和样机；参加相应的科创竞赛并申请专利。