Airsense电子鼻文献 | 基于自组织映射的工业场地电子鼻长期监测模式识别与异常检测

基于自组织映射的工业场地电子鼻长期监测模式识别与异常检测

油气预处理厂无组织逸散恶臭含低嗅阈值有毒挥发性有机物，易引发居民投诉、损害健康；气味污染具有间断、瞬时特征，传统嗅辨、气相色谱法难以实现长期高频连续监测。文章提出SOM 自组织映射 + k-means 聚类两步 “气味控制图（OCM）” 无监督分析方法，对油气厂区电子鼻长期海量监测数据完成模式识别、空气分型、异常检测，区分工业废气特征空气与背景洁净空气。

监测场地

国外某油气预处理厂区，存在储罐、开采工艺无组织泄漏，排放芳烃、脂肪烃、硫化物等异味 VOC；监测站设于厂区西南侧，监测周期共 83 天，累计采集8万多组电子鼻分钟级数据，部分时段因断电缺失数据。

实验仪器

采用 Airsense电子鼻，有10种传感器，均为金属氧化物半导体传感器，每种传感器所对应的主要敏感物质有所不同。

PID 光离子检测仪：实时记录总挥发性有机物 TVOC，检出限 5 ppb，数据换算为异丁烯当量 ppm，用于佐证废气簇特征。

气象站：逐分钟采集温湿度、风速、风向，结合风向判断废气是否来自厂区。

检测方案

01

Airsense电子鼻检测

电子鼻监测共 83 天，累计采集 8万多组电子鼻分钟级数据。

数据分析方法（两步混合无监督模型）

01

SOM 自组织映射

无监督神经网络，将高维电子鼻传感向量映射至二维拓扑网格，相似气体模式聚集为神经元原型，保留数据相似度，实现海量数据降维可视化；采用批量训练、高斯邻域函数、时变学习率。

02

k-means 聚类

对 SOM 输出神经元二次聚类，通过戴维斯 - 鲍丁指数（DB 指数） 确定最优聚类数（DB 越小，簇内紧凑、簇间分离度越好）。

03

数据划分策略

初探模型：全部 8 万余条数据构建 30×12 SOM，k-means 最优分为 3 簇；发现 25 日后所有数据完全归于单一簇 3，数据变异性极低，疑似异常。

优化精细模型：剔除异常时段，仅使用 4.7–5.24 有效动态数据（建模集）构建 22×12 SOM（264 个原型神经元），DB 指数确定最优 4 簇；5.25–6.28 数据作为外部验证集，投影至精细模型完成异常验证。

结果与发现

簇 1：电子鼻传感器响应最低，代表厂区洁净背景空气；平均风速高，风向多为西风（远离厂区），TVOC 浓度低。

簇 2、簇 3：过渡型空气，传感信号中等，以西风为主，低浓度 VOC，少量工业废气混合。

簇 4（工业废气特征簇）：10 支传感器整体响应显著升高；TVOC 中位数 0.14 ppm，风速中位数＜1 m/s（废气扩散弱）；超 50% 风来自厂区东北、东侧，直接对应油气厂无组织逸散气味，单日占比通常不足 5%（约 1 小时）。