Airsense电子鼻文献 | 基于电子鼻技术的工业气体分类识别

工业生产会大量产生易燃、易爆、有毒有害气体，在石化、煤炭、冶金等行业存在安全与环境监测需求。
本文以CO₂、CH₄、NH₃、室内 VOCs四种典型工业气体为对象，提出核判别分析 (KDA) 算法，对比 PCA、LDA、PCA+LDA、SVM、BP 神经网络等方法，实现高精度工业气体区分识别。

实验仪器
采用 Airsense电子鼻，搭载 10 支金属氧化物传感器阵列，各传感器对芳烃、氨气、甲烷、硫化物等物质具备差异化检测。

实验条件

气体浓度统一 30 ppm，环境温度 25±1℃、相对湿度 60%±10%，进气流量 7.8 mL/s，单次采样时长 120 s，每秒记录传感器响应。
每种气体采集 31 组样本，25 组用于训练（共 100 组），6 组用于测试（共 24 组）；提取稳态区间（45–57 s）响应、均值、标准差、微分、积分、方差等多类特征。
雷达指纹图显示不同气体传感器响应差异明显。

实验流程

钢瓶气源→配气装置调浓度→电子鼻采集气味图谱→特征提取→降维分类算法处理→输出识别结果。

主成分分析 PCA

01、实验数据与可视化分类效果
稳态响应特征：第一主成分 PC1 方差贡献率 74.66%，PC2 为 13.75%，前两成分总贡献率 88.41%。

02、识别准确率
24 组测试样本平均识别准确率95.83%，仅 VOCs 气体有 1 组样本被误判；其中 CO₂、CH₄、NH₃识别准确率均为 100%，VOCs 识别准确率 83.33%。

PCA+LDA 串联算法
01、实验数据与可视化分类效果
稳态响应特征：PC1 方差贡献率 72.18%，PC2 为 27.30%；样本仍存在部分重叠，类内距离偏大。
均值特征：PC1 方差贡献率高达 91.77%，PC2为 7.49%，前两成分总贡献率 99.26%。

02

02、识别准确率
测试集平均识别准确率91.67%，存在两类气体样本错分；各气体识别精度：CO₂ 83.33%、CH₄ 100%、NH₃ 100%、VOCs 83.33%。

KDA 核判别分析

01、实验数据与可视化分类效果
针对 LDA 矩阵奇异缺陷引入多项式核函数 K (x)，包含核偏移系数 c、自由度 d 两个可调参数；通过拉格朗日极值求解最优投影方向，平衡类间、类内散度，解决线性算法不可分问题。
算法步骤：计算各类样本均值、全局均值→求解类内 / 类间散度矩阵→设置核参数 c、d 构造判别准则→特征值分解得到降维映射矩阵输出低维特征。
参数 c=10、d=5、提取标准差特征时，四类气体样本完全分离，类内紧凑、类间间隔极大，是最优可视化结果。

02、识别准确率
KDA(c=10,d=5)，平均识别准确率100%，全部样本准确识别。

结论

采用Airsense电子鼻采集工业气体气味特征，基于标准差特征、核参数 c=10、d=5 的 KDA 算法性能最优：测试集识别率 100%，样本无重叠，运算耗时短，适用于工业安全气体检测场景。