童麗萍,徐樹杰,劉偉,王雷,劉雪峰,崔晨
基于車用材料氣味識(shí)別的陣列電子鼻開發(fā)
童麗萍,徐樹杰,劉偉,王雷,劉雪峰,崔晨
(中國(guó)汽車技術(shù)研究中心有限公司 中汽數(shù)據(jù)有限公司,天津 300300)
為滿足汽車廠家和消費(fèi)者對(duì)汽車內(nèi)材料氣味等級(jí)快速檢測(cè)的要求,文章設(shè)計(jì)了一種便攜的傳感器陣列電子鼻,經(jīng)傳感器篩選和多指標(biāo)陣列優(yōu)化采用了8種金屬氧化物半導(dǎo)體(MOS)型氣體傳感器。使用了中值濾波和Savitzky-Golay濾波兩種方法對(duì)傳感器信號(hào)進(jìn)行降噪處理;結(jié)合各傳感器響應(yīng)強(qiáng)度,綜合分析各傳感器的變異系數(shù)、相關(guān)系數(shù)和因子載荷矩陣指標(biāo)后進(jìn)行陣列優(yōu)化;比較了K最近鄰法和支持向量機(jī)法對(duì)車用材料氣味等級(jí)的識(shí)別效果,改進(jìn)后的K最近鄰法對(duì)氣味等級(jí)的識(shí)別正確率可達(dá)86.2%,從而實(shí)現(xiàn)了車用材料氣味等級(jí)的在線檢測(cè)和識(shí)別功能。
電子鼻;氣味等級(jí)評(píng)價(jià);車用材料;傳感器陣列優(yōu)化;模式識(shí)別算法
車內(nèi)空氣質(zhì)量關(guān)乎乘客健康,各汽車消費(fèi)大國(guó)對(duì)此高度關(guān)注[1]。目前,通過專業(yè)人員進(jìn)行化學(xué)實(shí)驗(yàn)分析結(jié)合人工判別是目前國(guó)際上對(duì)車用材料氣味評(píng)價(jià)的主要手段[2]。但已有檢測(cè)和評(píng)價(jià)方法存在可重復(fù)性差、結(jié)果缺乏確定性和一致性、費(fèi)用高、對(duì)評(píng)價(jià)人員專業(yè)要求較高等缺點(diǎn)[3]。電子鼻是受生物嗅覺原理啟發(fā),在結(jié)構(gòu)和功能上模仿哺乳動(dòng)物嗅覺系統(tǒng)的現(xiàn)代檢測(cè)儀器,相比于傳統(tǒng)的氣味檢測(cè)和分析儀器或方法,其具有快速、便攜、智能等特點(diǎn),已廣泛應(yīng)用到國(guó)防和工業(yè)安全、食品安全、環(huán)境監(jiān)測(cè)、疾病診斷和產(chǎn)品質(zhì)量控制等眾多領(lǐng)域[4]。電子鼻的主要特點(diǎn)在于它把單一或者復(fù)合氣體當(dāng)作一個(gè)整體,并給出氣體的整體信息,即“氣味指紋”數(shù)據(jù)[5]。
目前,車內(nèi)氣味檢測(cè)和評(píng)價(jià)的方法較少,徐耀宗等[6]利用光離子化檢測(cè)器(PID)和自主設(shè)計(jì)的揮發(fā)性有機(jī)化合物采集裝置組成的便攜式電子鼻實(shí)現(xiàn)了車用材料揮發(fā)性有機(jī)物(VOC)的在線檢測(cè),能夠定量地檢測(cè)出車內(nèi)VOC總量。王焰孟等[7]通過氣相色譜-嗅辨儀(GC-O)對(duì)汽車座椅坐墊材料氣味特性進(jìn)行了分析,并分析確認(rèn)了對(duì)座椅氣味影響較大的物質(zhì)。Fedoruk等[8]使用氣相色譜-質(zhì)譜聯(lián)用分析儀(GC/ MS)檢測(cè)汽車在靜態(tài)(停放,不通風(fēng))和特定操作條件下(使用空調(diào)駕駛車輛、駕駛員半開窗戶等)的VOC具體類型和濃度,然后比較了所用汽車在不同狀態(tài)下各類VOC的濃度差別。
針對(duì)車用材料氣味在線檢測(cè)難、客觀化評(píng)價(jià)設(shè)備識(shí)別準(zhǔn)確性低等行業(yè)技術(shù)問題,本文研究了基于車用氣味等級(jí)檢測(cè)與識(shí)別的傳感器陣列電子鼻系統(tǒng),并利用相關(guān)系數(shù)、變異系數(shù)等指標(biāo)對(duì)多種氣體傳感器進(jìn)行了陣列優(yōu)化,最后通過實(shí)驗(yàn)驗(yàn)證了電子鼻系統(tǒng)對(duì)車用材料氣味檢測(cè)的快速性和準(zhǔn)確性。
本文自主設(shè)計(jì)的電子鼻系統(tǒng)基于BeagleBone Black(BBB,德州儀器,美國(guó))開發(fā)板,它擁有體積小、性能強(qiáng)、可擴(kuò)展性大的優(yōu)點(diǎn),適合便攜式電子鼻的開發(fā)。BBB板的內(nèi)部集成了Linux系統(tǒng)、QT以及python2.7,并包含了QT界面程序、數(shù)據(jù)預(yù)處理算法以及模式識(shí)別算法等,為電子鼻的便攜性提供了良好的軟硬件基礎(chǔ)。
圖1 傳感器陣列電子鼻系統(tǒng)結(jié)構(gòu)框圖
傳感器陣列電子鼻的結(jié)構(gòu)如圖1所示,主要包括氣體傳感器陣列、氣室(檢測(cè)室)、電源、氣泵、顯示屏、BBB開發(fā)板等。整機(jī)尺寸為164 mm×143 mm×65 mm,電子鼻內(nèi)部結(jié)構(gòu)如圖2所示,電子鼻通過電磁閥來選擇不同的氣路,通過氣泵將氣體吹入到氣室中,氣室包括MOS型傳感器以及一個(gè)溫濕度傳感器,開發(fā)板以及氣泵等通過電池供電,從而實(shí)現(xiàn)了整套電子鼻系統(tǒng)的基礎(chǔ)性能和便攜性。
圖2 傳感器陣列電子鼻內(nèi)部結(jié)構(gòu)
傳感器陣列電子鼻的外觀和界面如圖3所示,通過QT編寫了顯示界面,可實(shí)現(xiàn)氣體樣本自動(dòng)采集、數(shù)據(jù)圖形化顯示、溫濕度顯示、分類識(shí)別算法選擇、識(shí)別結(jié)果一鍵顯示等功能。
圖3 傳感器陣列電子鼻外觀
考慮到各種氣體傳感器在氣體響應(yīng)方面具有選擇性差異,初步選用對(duì)VOC氣體比較敏感的11個(gè)MOS型傳感器構(gòu)造初始陣列,不同傳感器型號(hào)及檢測(cè)物質(zhì)如表1所示。在后續(xù)的陣列優(yōu)化處理過程中,同時(shí)考慮了傳感器自身的穩(wěn)定性和傳感器之間的相似性。
表1 傳感器型號(hào)及檢測(cè)物質(zhì)
傳感器主要檢測(cè)物質(zhì)公司 MiCS5524CO、氨氣、乙醇SGX TGS8100低濃度的香煙與廚房異味等氣態(tài)污染物Figaro CCS801VOC、CO、CO2Ams MP801苯,甲苯,醛甲苯等Winsen MP502甲醛、酒精等Winsen WSP2110甲苯、苯、丙酮等Winsen MP905苯、煙霧、油漆等Winsen TGS2600氫氣、酒精Figaro TGS2602氨、硫化氫、VOCFigaro TGS2603胺系列、硫化氫氣體Figaro SP3S氫氣、乙醇、氨氣Fis
1.2.1陣列優(yōu)化實(shí)驗(yàn)
實(shí)驗(yàn)中所用的材料有:常用作汽車座椅表皮材料的聚氨酯(PU)皮和聚氯乙烯(PVC)皮、對(duì)汽車車門起密封作用的橡膠條、汽車座椅泡沫、汽車坐墊和汽車車墊,如圖4所示。這六種材料是典型的汽車內(nèi)飾零部件材質(zhì),具有較強(qiáng)的代表性。
圖4 實(shí)驗(yàn)所用6種材料
傳感器測(cè)試實(shí)驗(yàn)在密閉環(huán)境中進(jìn)行,受外界干擾較小。每種材料取4組平行樣本,每組取面積為100 cm2材料放置在10L Tedlar采樣袋中,使用流量1.5 L/min的微型真空泵將采樣袋抽至真空后向其中充入潔凈的空氣,持續(xù)3分鐘。此時(shí)材料散發(fā)的VOC含量較低,不利于進(jìn)行后續(xù)的分析,所以再將采樣袋放入60 ℃的烘箱中加熱半小時(shí)使樣品氣味充分散發(fā),最后將采樣袋取出靜置冷卻至室溫。
檢測(cè)時(shí)先將傳感器預(yù)熱20 min,然后通入30 s的潔凈空氣,待傳感器響應(yīng)信號(hào)趨于穩(wěn)定后,將采樣袋氣體出口和檢測(cè)氣路入口相連,在LCD顯示屏上進(jìn)行操作使電子鼻系統(tǒng)抽取采樣袋中的氣體通過氣室,隨后傳感器陣列產(chǎn)生的響應(yīng)信號(hào)通過低通濾波器進(jìn)入A/D單元,保存在BBB板中。采集樣品氣體數(shù)據(jù)30 s后,電磁閥自動(dòng)切換到清洗氣路模式,通入潔凈空氣60 s使傳感器陣列恢復(fù)至穩(wěn)態(tài)。
1.2.2預(yù)處理方法
為消除來自傳感器陣列原始數(shù)據(jù)的噪聲干擾,使用了中值濾波和Savitzky-Golay濾波。中值濾波對(duì)硬件電路中孤立的脈沖噪聲有著良好的濾波作用,可以使得信號(hào)曲線更加平滑[9],但是除了硬件電路上的噪聲外,MOS型傳感器自身響應(yīng)信號(hào)比較不穩(wěn)定,存在著較明顯的小幅上下波動(dòng),給特征提取造成較大干擾,僅使用中值濾波不足以消除傳感器本身引起的干擾。Savitzky-Golay濾波最大的特點(diǎn)在于在濾除噪聲的同時(shí)可以確保信號(hào)的形狀、寬度不變,于是本文采用了Savitzky-Golay濾波對(duì)傳感器響應(yīng)信號(hào)進(jìn)行進(jìn)一步的濾波,這有利于后續(xù)傳感器響應(yīng)信號(hào)的特征提取[10]。
中值濾波將某一點(diǎn)的值設(shè)定為該點(diǎn)鄰域窗口內(nèi)所有點(diǎn)的中值,通過讓相鄰值接近真實(shí)值來消除孤立的噪聲點(diǎn)[9],如式(1)所示。
式中:()為位于窗口中心的傳感器響應(yīng)值;()為更新后的窗口中心值;為正整數(shù);= 2+1。
Savitzkv-Golay濾波器是一種在時(shí)域內(nèi)基于局域多項(xiàng)式最小二乘法擬合的濾波方法[11]。在濾除噪聲的同時(shí)可以確保信號(hào)的波形保持不變,如式(2)所示。
式中:為多項(xiàng)式系數(shù);為擬合值。采用?1次多項(xiàng)式對(duì)濾波窗口內(nèi)的數(shù)據(jù)點(diǎn)進(jìn)行擬合,求出多項(xiàng)式系數(shù)后再將中間點(diǎn)代入方程作為濾波后的值。
由于傳感器陣列中各氣體傳感器具有選擇性,即對(duì)不同氣體可能會(huì)產(chǎn)生不同的響應(yīng)值,且量級(jí)差別較大,為了避免響應(yīng)值的量級(jí)不一致對(duì)后續(xù)降維以及識(shí)別算法造成影響,需要對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理:
式中:為傳感器的響應(yīng)值;max、min是該傳感器響應(yīng)值的最小值和最大值,這樣就可以使數(shù)值在0到1之間變化。
1.2.3陣列優(yōu)化方法
通過因子載荷分析、變異系數(shù)和相關(guān)系數(shù)綜合分析以及一種基于傳感器響應(yīng)大小的分析方法共同確定可能的最優(yōu)陣列。
采用變異系數(shù)[12]分析各傳感器測(cè)試結(jié)果的離散程度,變異系數(shù)與離散程度成正比,離散程度越大說明傳感器響應(yīng)的重復(fù)性和穩(wěn)定性越低,應(yīng)予以剔除[13]。變異系數(shù)RSDi計(jì)算公式如下[14]:
相關(guān)系數(shù)是用來反映傳感器之間的相關(guān)關(guān)系密切程度的統(tǒng)計(jì)指標(biāo)[15],相關(guān)系數(shù)的計(jì)算公式如下:
式中:為傳感器與之間的相關(guān)系數(shù)[16];為傳感器的總相關(guān)系數(shù);X和X分別為傳感器和標(biāo)準(zhǔn)化處理后的特征向量。值越大,則表明傳感器和其他傳感器之間的相關(guān)程度越大,所包含的冗余信息較多,應(yīng)予以剔除。
因子載荷分析[17]可以直觀地對(duì)傳感器之間的相似程度做進(jìn)一步的判斷。對(duì)所測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理后,進(jìn)行主成分分析[18],取因子載荷矩陣的前三個(gè)主元做出各傳感器的因子載荷圖,在因子載荷圖中越接近的傳感器其對(duì)響應(yīng)信號(hào)越相似,可以剔除[19]。
預(yù)處理之前的傳感器響應(yīng)如圖5所示,從圖中可以看出響應(yīng)曲線噪聲較為嚴(yán)重。
圖5 未進(jìn)行預(yù)處理的響應(yīng)曲線
對(duì)原始數(shù)據(jù)先進(jìn)行=51的中值濾波,然后再進(jìn)行滑動(dòng)窗口長(zhǎng)為51、多項(xiàng)式階數(shù)為3的Savitzkv-Golay濾波,預(yù)處理后的曲線如圖6所示。由圖6可知使用上述濾波方法后得到了平滑的傳感器響應(yīng)曲線,可以較好地去除傳感器響應(yīng)中的噪聲干擾。此外,從圖6可以看出MP905的信號(hào)存在明顯的異常振蕩,因此將其進(jìn)行剔除。
圖6 預(yù)處理后的響應(yīng)曲線
根據(jù)前文1.2.2中提到的陣列優(yōu)化方法,計(jì)算得到各傳感器的變異系數(shù)和相關(guān)系數(shù),對(duì)各傳感器的同種系數(shù)進(jìn)行從小到大的排序,再將兩個(gè)排名相加以綜合兩種分析方法,得到的每個(gè)傳感器的變異系數(shù)、相關(guān)系數(shù)及排序如表2所示:
表2 不同傳感器的系數(shù)及排序
傳感器變異系數(shù)排序相關(guān)系數(shù)排序總分 MiCS55240.563 323.933 224 TGS81000.811 555.622 1510 CCS8010.684 235.667 769 MP5021.379106.059 8717 MP8010.814 466.642 71016 WSP21101.212 796.219 5817 TGS26000.389 713.359 412 TGS26021.035 284.486 4412 TGS26031.03576.340 7916 SP3S0.71544.342 437
因?yàn)閭鞲衅鞯淖儺愊禂?shù)和相關(guān)系數(shù)均為越小越好,體現(xiàn)在表中即為總分越低越好,可以看出MP502以及WSP2110的總分最高,在陣列優(yōu)化時(shí)優(yōu)先考慮剔除。各傳感器的因子載荷圖如圖7所示。
從圖7中可以看出,TGS2603、TGS8100和MP801的載荷因子非常接近,同時(shí)CCS801和SP3S的載荷因子非常接近,可能存在相似信息。
不同傳感器響應(yīng)強(qiáng)度排序如表3所示:
表3 不同傳感器響應(yīng)強(qiáng)度排序圖
傳感器橡膠條泡沫坐墊PU皮PVC皮車墊 MiCS55243461096 TGS8100879734 CCS801121561 MP5025101091010 MP801757889 WSP21101098677 TGS2600415353 TGS2602984228 TGS2603662445 SP3S233112
從表3中可以看出,日本Fiagro的TGS8100、TGS2600、TGS2602、TGS2603和日本Fis的SP3S響應(yīng)最好;其次是SGX公司的MiCS5524,Ams公司的CCS801;而Winsen的MP502、MP801和WSP2110響應(yīng)強(qiáng)度較低。
結(jié)合傳感器響應(yīng)強(qiáng)度,再根據(jù)傳感器陣列優(yōu)化方法給出的三個(gè)指標(biāo)(變異系數(shù)、相關(guān)系數(shù)、因子載荷矩陣)對(duì)傳感器進(jìn)一步篩選。最終選定了8個(gè)傳感器,分別為MiCS5524、TGS8100、CCS801、MP801、TGS2600、TGS2602、TGS2603和SP3S。
利用主成分分析(Principal component analysis, PCA)法對(duì)篩選出來的傳感器的效果進(jìn)行驗(yàn)證,PCA得分圖中每種顏色代表一類材料,每個(gè)點(diǎn)代表一個(gè)樣本數(shù)據(jù),PCA1、PCA2表示前兩個(gè)主成分。圖8為11種傳感器時(shí)的PCA得分圖。
從圖8中可以看出,有許多不同顏色的點(diǎn)相距較近,不同類別的點(diǎn)群的界線不明顯,甚至混雜在一起,數(shù)據(jù)分類效果較差,圖9為對(duì)傳感器進(jìn)行篩選后的PCA得分圖。從圖中可以看出,幾種顏色的點(diǎn)群之間區(qū)分較為明顯,說明所選的8種傳感器對(duì)于氣體檢測(cè)分類效果較好,證明了陣列優(yōu)化方法的有效性。
圖8 11種傳感器時(shí)的PCA得分圖
圖9 8種傳感器時(shí)的PCA得分圖
通過改變待測(cè)材料尺寸的方法來控制混合氣體的濃度大小,從而制備不同氣味等級(jí)的樣本氣體。以PU皮為例,按照1.2.1小節(jié)所述的氣體制備和采集方法,制備不同濃度的樣品氣體方法如表4所示,將原始濃度樣本作為1倍樣本大小。每個(gè)氣味等級(jí)下的氣體有10組左右的數(shù)據(jù)作為樣本,再從中隨機(jī)選出兩到三組數(shù)據(jù)作為測(cè)試樣本,剩余的作為訓(xùn)練樣本。
表4 待測(cè)氣體樣本
類別加熱溫度/°樣本大小 1701倍 2702倍 3703倍 4704倍 5705倍
本文采用K最近鄰法(K-NearestNeighbor, KNN)和支持向量機(jī)(Support Vector Machine, SVM)兩種分類方法進(jìn)行訓(xùn)練和分類[21-22],對(duì)于上小節(jié)制備的樣本數(shù)據(jù)進(jìn)行訓(xùn)練,首先要從每組數(shù)據(jù)中提取特征,本文選擇了5種比較有代表性的特征[23]:(1)差值(最大值減去初始值);(2)一階微分最大值;(3)一階微分最小值;(4)一階微分最大值對(duì)應(yīng)的值;(5)二階微分最大值。這樣的特征矩陣為40維,特征維數(shù)過多,需要進(jìn)行降維。本文通過PCA法[23]進(jìn)行降維,PCA法屬于輕量級(jí)方法[24],滿足電子鼻硬件速度限制和快速性要求。
通過PCA法降維至10維,然后為了提高分類效果,進(jìn)行Z-score標(biāo)準(zhǔn)化處理[25]:
式中:為傳感器特征值,是為標(biāo)準(zhǔn)差,標(biāo)準(zhǔn)化處理后的數(shù)據(jù)。標(biāo)準(zhǔn)化后的數(shù)據(jù)均值為0,方差為1。
通過KNN和SVM進(jìn)行分類和識(shí)別,通過調(diào)整參數(shù)獲得兩種分類方法最優(yōu)的分類效果:KNN正確率為64.3%,SVM正確率為35.8%。
首先,提取不同數(shù)量的特征來測(cè)試分類效果,如圖10所示,每種數(shù)量的特性下都通過多次隨機(jī)選擇特征的方式保證其客觀性。
圖10 KNN和SVM識(shí)別結(jié)果比較圖
從圖10可以看出,在選擇兩種特征的時(shí)候整體正確率較高,隨機(jī)選擇兩種特征搭配進(jìn)行進(jìn)一步的實(shí)驗(yàn),從圖11可以看出,在選擇特征1和特征5為特征時(shí)兩種分類方法正確率都較高。
圖11 選擇兩種特征的平均識(shí)別正確率
為了對(duì)特征選取效果進(jìn)行多角度評(píng)價(jià),從正確率的平均絕對(duì)誤差和最大絕對(duì)誤差兩方面進(jìn)行評(píng)估。選擇幾種不同的特征提取方法作為對(duì)比:S1(1,5),S2(4,5),S3(2,5),S4(1,2,5),S5(1,2,3,4),S6(1,2,3,4,5),括號(hào)中的數(shù)字表示特征類別。S1為可能最優(yōu)的特征提取方法,最終得到正確率平均絕對(duì)誤差表為表5,正確率最大絕對(duì)誤差表為表6,而平均識(shí)別正確率為表7。
表5 正確率平均絕對(duì)誤差
類別KNNSVM S13.216%8.552% S29.872%8.016% S39.872%3.216% S416.392%14.688% S57.192%1.056% S617.464%6.688%
表6 正確率最大絕對(duì)誤差
類別KNNSVM S18.3%9.66% S213.56%8.8% S312.62%8.04% S49.86%10.6% S57.66%5.64% S611.32%8.36%
表7 平均識(shí)別正確率
類別KNNSVM S186.2%78.12% S276.7%70.18% S350.9%63.3% S468.66%68.34% S560.64%70.66% S662.32%73.34%
從表5、表6和表7中可以看出,基于S1特征提取方法的KNN分類結(jié)果的平均正確識(shí)別率較高,且平均絕對(duì)誤差和最大誤差都在可接受的范圍之內(nèi)。改進(jìn)后的正確率KNN可以達(dá)到86.2%,SVM可以達(dá)到78.12%的正確率。
本文針對(duì)當(dāng)前車用材料氣味檢測(cè)和評(píng)價(jià)存在的技術(shù)問題,構(gòu)建了一個(gè)便攜式傳感器陣列電子鼻系統(tǒng),針對(duì)MOS型傳感器的特點(diǎn)使用中值濾波和Savitzky-Golay濾波進(jìn)行數(shù)據(jù)預(yù)處理;在傳感器陣列優(yōu)化方面,結(jié)合傳感器響應(yīng)強(qiáng)度,綜合考察了各傳感器的變異系數(shù)、相關(guān)系數(shù)和因子載荷矩陣,并使用PCA法驗(yàn)證了陣列優(yōu)化結(jié)果,最終篩選出電子鼻系統(tǒng)中搭載的8種氣體傳感器;通過制備不同氣味等級(jí)的氣體作為訓(xùn)練樣本,選取不同的特征值組合,比較了KNN和SVM兩種模式識(shí)別算法對(duì)車用材料氣味等級(jí)的分類識(shí)別效果,以差值和二階微分最大值作為特征值時(shí),KNN對(duì)不同氣味等級(jí)的車用材料平均正確識(shí)別率較高,改進(jìn)后的KNN識(shí)別正確率可達(dá)86.2%,驗(yàn)證了電子鼻對(duì)車用材料氣味在線檢測(cè)和評(píng)價(jià)的快速性和準(zhǔn)確性。本文從硬件、軟件、數(shù)據(jù)和算法等方面系統(tǒng)介紹了傳感器陣列電子鼻的開發(fā)過程,因其具有客觀化、智能化和便攜化的顯著優(yōu)勢(shì),有望部分替代專業(yè)氣味評(píng)價(jià)員用于汽車材料氣味等級(jí)評(píng)價(jià)領(lǐng)域。
[1] 陳小開,程赫明,羅會(huì)龍.載人汽車室內(nèi)空氣VOCs污染的指標(biāo)評(píng)價(jià)[J].環(huán)境科學(xué),2013,34(12):4599-4604.
[2] 游剛,江楠,何海峰,等.整車VOC檢測(cè)與氣味評(píng)價(jià)結(jié)果相關(guān)性的研究[J].廣東化工,2017,44(16):51-52.
[3] 陳蘭娟,姚華民.汽車內(nèi)飾件氣味性測(cè)試方法概述[J].環(huán)境技術(shù), 2014,32(02):26-28+57.
[4] Wenwen Hu,Liangtian Wan,Yingying Jian, et al.Electronic Noses: From Advanced Materials to Sensors Aided with Data Processing [J].Advanced Materials Technologies,2019,4(2):PP n/a-n/a.
[5] 周宇,孟慶浩,亓培鋒,等.基于單類支持向量機(jī)的電子鼻在白酒真假識(shí)別中的應(yīng)用[J].傳感技術(shù)學(xué)報(bào),2015,28(12):1741-1746.
[6] 徐耀宗,崔晨,童麗萍,等.用于車用材料VOC在線分析的便攜式電子鼻設(shè)計(jì)[J].汽車實(shí)用技術(shù),2017(23):14-16+19.
[7] 王焰孟,李曉健,胡俊艷,等.成分分析及GC-O耦合聯(lián)用對(duì)座椅坐墊材料氣味評(píng)價(jià)與改善的實(shí)驗(yàn)探索[J].天津科技,2018,45(11):73- 75.
[8] Fedoruk, Marion J,Kerger.Measurement of volatile organic compounds inside automobiles[J].Journal of Exposure Analysis & Environmen- tal Epidemiology,2003,13(1):31.
[9] 安靜宇,馬憲民.基于中值濾波和小波變換的火電廠爐膛火焰圖像去噪方法[J].計(jì)算機(jī)工程與科學(xué),2016,38(08):1702-1708.
[10] 趙安新,湯曉君,張鐘華,等.優(yōu)化Savitzky-Golay濾波器的參數(shù)及其在傅里葉變換紅外氣體光譜數(shù)據(jù)平滑預(yù)處理中的應(yīng)用[J].光譜學(xué)與光譜分析,2016,36(5):1340-1344.
[11] Liu Y D,Xiong S S,Chen D B. Estimation of the TN and SOM con- tents in soil from GAN NAN navel orange plant area by NIR diffusespectroscopy[J].Spectroscopy&Spectral Analysis,2013,33(10):2679- 2682.
[12] 孫皓.面向傷口感染檢測(cè)的電子鼻傳感器陣列構(gòu)建與優(yōu)化研究[D].重慶:重慶大學(xué),2017.
[13] 張文朝,顧雪平.應(yīng)用變異系數(shù)法和逼近理想解排序法的風(fēng)電場(chǎng)綜合評(píng)價(jià)[J].電網(wǎng)技術(shù),2014,38(10):2741-2746.
[14] 鄭豪男,周志鑫,施佩影,等.霉變小麥的電子鼻區(qū)分及其傳感器陣列選擇優(yōu)化[J].傳感技術(shù)學(xué)報(bào),2019,32(05):688-692+710.
[15] 王智凝,鄭麗敏,方雄武,等.電子鼻傳感器陣列優(yōu)化對(duì)豬肉新鮮度法的檢測(cè)[J].肉類研究,2015,29(05):27-30.
[16] 張應(yīng)應(yīng).總體或樣本的協(xié)方差(矩陣)和相關(guān)系數(shù)(矩陣)的系統(tǒng)定義[J].統(tǒng)計(jì)與決策,2016(08):20-24.
[17] 張紅梅,鄒光宇,王淼森,等.基于傳感器陣列多特征優(yōu)化融合的茶葉品質(zhì)檢測(cè)研究[J].傳感技術(shù)學(xué)報(bào),2018,31(03):491-496.
[18] 彭紅星,陳祥光,徐巍.PCA特征抽取與SVM多類分類在傳感器故障診斷中的應(yīng)用[J].數(shù)據(jù)采集與處理,2010,25(01):111-116.
[19] 亓培鋒,孟慶浩,井雅琪,等.電子鼻中預(yù)處理算法選擇及陣列優(yōu)化[J].數(shù)據(jù)采集與處理,2015,30(05):1099-1108.
[20] 蘆筱菲,鄭麗敏,賈宗艷,等.電子鼻對(duì)干酪識(shí)別的數(shù)據(jù)預(yù)處理和特征提取[J].計(jì)算機(jī)應(yīng)用,2007(S1):65-67.
[21] 王寧,謝敏,鄧佳梁,等.基于支持向量機(jī)回歸組合模型的中長(zhǎng)期降溫負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制,2016,44(3):92-97.
[22] 薛又岷,嚴(yán)玉萍,古嘉玲,等.兩種基于K近鄰特征選擇算法的對(duì)比分析[J].電子設(shè)計(jì)工程,2016(1):19-22.
[23] 奉軻,花中秋,伍萍輝,等.用于檢測(cè)糖尿病標(biāo)志物的電子鼻優(yōu)化設(shè)計(jì)[J].傳感技術(shù)學(xué)報(bào),2018,31(01):13-18.
[24] 趙聰.便攜式電子鼻優(yōu)化設(shè)計(jì)及其在呼吸和食品檢測(cè)中的應(yīng)用[D].杭州:浙江大學(xué),2013.
[25] 潘磊慶,劉明,詹歌,等.數(shù)據(jù)預(yù)處理在電子鼻評(píng)價(jià)雞蛋新鮮度中的應(yīng)用研究[J].上海理工大學(xué)學(xué)報(bào),2010,32(06):584-588.
Development of Array Electronic Nose Device for Odor Evaluation of Vehicle Interior Materials
TONG Liping, XU Shujie, LIU Wei, WANG Lei, LIU Xuefeng, CUI Chen
(Automotive Data of China Co., Ltd., China Automotive Technology & Research Center Co., Ltd., Tianjin 300300)
In order to meet the requirements of automobile manufacturers and consumers for rapid and accurate evaluation of odor grade of vehicle interior materials, a portable sensor array electronic nose is developed, and eight metal oxide semiconductor (MOS) gas sensors are used after sensor screening and array optimization in this paper. Two methods, median filtering and Savitzky-Golay filtering, were adopted to reduce the noise of the sensor signals. The array optimiza- tion was carried out after a comprehensive analysis of variation coefficient, correlation coefficient and factor load matrix indexes of sensors in combination with the response strength. After comparison and modification, K-Nearest Neighbor (KNN) analysis shows a good recognition accuracy of 86.2%, demonstrating the promising application of the portable electronic nose device in the automobile industry.
Electronic nose; Odor evaluating; Vehicle interior materials; Sensor array optimization; Pattern recogni- tionalgorithm
10.16638/j.cnki.1671-7988.2021.021.016
U462.1
B
1671-7988(2021)21-63-07
U462.1
B
1671-7988(2021)21-63-07
童麗萍,博士,高級(jí)工程師,就職于中國(guó)汽車技術(shù)研究中心有限公司中汽數(shù)據(jù)有限公司,從事車內(nèi)空氣質(zhì)量控制技術(shù)研究工作。