基于车用材料气味识别的阵列电子鼻开发

童丽萍，徐树杰，刘伟，王雷，刘雪峰，崔晨

基于车用材料气味识别的阵列电子鼻开发

童丽萍，徐树杰，刘伟，王雷，刘雪峰，崔晨

（中国汽车技术研究中心有限公司 中汽数据有限公司，天津 300300）

为满足汽车厂家和消费者对汽车内材料气味等级快速检测的要求，文章设计了一种便携的传感器阵列电子鼻，经传感器筛选和多指标阵列优化采用了8种金属氧化物半导体（MOS）型气体传感器。使用了中值滤波和Savitzky-Golay滤波两种方法对传感器信号进行降噪处理；结合各传感器响应强度，综合分析各传感器的变异系数、相关系数和因子载荷矩阵指标后进行阵列优化；比较了K最近邻法和支持向量机法对车用材料气味等级的识别效果，改进后的K最近邻法对气味等级的识别正确率可达86.2%，从而实现了车用材料气味等级的在线检测和识别功能。

电子鼻；气味等级评价；车用材料；传感器阵列优化；模式识别算法

前言

车内空气质量关乎乘客健康，各汽车消费大国对此高度关注[1]。目前，通过专业人员进行化学实验分析结合人工判别是目前国际上对车用材料气味评价的主要手段[2]。但已有检测和评价方法存在可重复性差、结果缺乏确定性和一致性、费用高、对评价人员专业要求较高等缺点[3]。电子鼻是受生物嗅觉原理启发，在结构和功能上模仿哺乳动物嗅觉系统的现代检测仪器，相比于传统的气味检测和分析仪器或方法，其具有快速、便携、智能等特点，已广泛应用到国防和工业安全、食品安全、环境监测、疾病诊断和产品质量控制等众多领域[4]。电子鼻的主要特点在于它把单一或者复合气体当作一个整体，并给出气体的整体信息，即“气味指纹”数据[5]。

目前，车内气味检测和评价的方法较少，徐耀宗等[6]利用光离子化检测器（PID）和自主设计的挥发性有机化合物采集装置组成的便携式电子鼻实现了车用材料挥发性有机物（VOC）的在线检测，能够定量地检测出车内VOC总量。王焰孟等[7]通过气相色谱-嗅辨仪（GC-O）对汽车座椅坐垫材料气味特性进行了分析，并分析确认了对座椅气味影响较大的物质。Fedoruk等[8]使用气相色谱-质谱联用分析仪（GC/ MS）检测汽车在静态（停放，不通风）和特定操作条件下（使用空调驾驶车辆、驾驶员半开窗户等）的VOC具体类型和浓度，然后比较了所用汽车在不同状态下各类VOC的浓度差别。

针对车用材料气味在线检测难、客观化评价设备识别准确性低等行业技术问题，本文研究了基于车用气味等级检测与识别的传感器阵列电子鼻系统，并利用相关系数、变异系数等指标对多种气体传感器进行了阵列优化，最后通过实验验证了电子鼻系统对车用材料气味检测的快速性和准确性。

1 传感器阵列式电子鼻系统

1.1 电子鼻系统

本文自主设计的电子鼻系统基于BeagleBone Black（BBB，德州仪器，美国）开发板，它拥有体积小、性能强、可扩展性大的优点，适合便携式电子鼻的开发。BBB板的内部集成了Linux系统、QT以及python2.7，并包含了QT界面程序、数据预处理算法以及模式识别算法等，为电子鼻的便携性提供了良好的软硬件基础。

图1 传感器阵列电子鼻系统结构框图

传感器阵列电子鼻的结构如图1所示，主要包括气体传感器阵列、气室（检测室）、电源、气泵、显示屏、BBB开发板等。整机尺寸为164 mm×143 mm×65 mm，电子鼻内部结构如图2所示，电子鼻通过电磁阀来选择不同的气路，通过气泵将气体吹入到气室中，气室包括MOS型传感器以及一个温湿度传感器，开发板以及气泵等通过电池供电，从而实现了整套电子鼻系统的基础性能和便携性。

图2 传感器阵列电子鼻内部结构

传感器阵列电子鼻的外观和界面如图3所示，通过QT编写了显示界面，可实现气体样本自动采集、数据图形化显示、温湿度显示、分类识别算法选择、识别结果一键显示等功能。

图3 传感器阵列电子鼻外观

考虑到各种气体传感器在气体响应方面具有选择性差异，初步选用对VOC气体比较敏感的11个MOS型传感器构造初始阵列，不同传感器型号及检测物质如表1所示。在后续的阵列优化处理过程中，同时考虑了传感器自身的稳定性和传感器之间的相似性。

表1 传感器型号及检测物质

传感器主要检测物质公司 MiCS5524CO、氨气、乙醇SGX TGS8100低浓度的香烟与厨房异味等气态污染物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、烟雾、油漆等Winsen TGS2600氢气、酒精Figaro TGS2602氨、硫化氢、VOCFigaro TGS2603胺系列、硫化氢气体Figaro SP3S氢气、乙醇、氨气Fis

1.2 传感器阵列优化

1.2.1阵列优化实验

实验中所用的材料有：常用作汽车座椅表皮材料的聚氨酯（PU）皮和聚氯乙烯（PVC）皮、对汽车车门起密封作用的橡胶条、汽车座椅泡沫、汽车坐垫和汽车车垫，如图4所示。这六种材料是典型的汽车内饰零部件材质，具有较强的代表性。

图4 实验所用6种材料

传感器测试实验在密闭环境中进行，受外界干扰较小。每种材料取4组平行样本，每组取面积为100 cm2材料放置在10L Tedlar采样袋中，使用流量1.5 L/min的微型真空泵将采样袋抽至真空后向其中充入洁净的空气，持续3分钟。此时材料散发的VOC含量较低，不利于进行后续的分析，所以再将采样袋放入60 ℃的烘箱中加热半小时使样品气味充分散发，最后将采样袋取出静置冷却至室温。

检测时先将传感器预热20 min，然后通入30 s的洁净空气，待传感器响应信号趋于稳定后，将采样袋气体出口和检测气路入口相连，在LCD显示屏上进行操作使电子鼻系统抽取采样袋中的气体通过气室，随后传感器阵列产生的响应信号通过低通滤波器进入A/D单元，保存在BBB板中。采集样品气体数据30 s后，电磁阀自动切换到清洗气路模式，通入洁净空气60 s使传感器阵列恢复至稳态。

1.2.2预处理方法

为消除来自传感器阵列原始数据的噪声干扰，使用了中值滤波和Savitzky-Golay滤波。中值滤波对硬件电路中孤立的脉冲噪声有着良好的滤波作用，可以使得信号曲线更加平滑[9]，但是除了硬件电路上的噪声外，MOS型传感器自身响应信号比较不稳定，存在着较明显的小幅上下波动，给特征提取造成较大干扰，仅使用中值滤波不足以消除传感器本身引起的干扰。Savitzky-Golay滤波最大的特点在于在滤除噪声的同时可以确保信号的形状、宽度不变，于是本文采用了Savitzky-Golay滤波对传感器响应信号进行进一步的滤波，这有利于后续传感器响应信号的特征提取[10]。

中值滤波将某一点的值设定为该点邻域窗口内所有点的中值，通过让相邻值接近真实值来消除孤立的噪声点[9]，如式（1）所示。

式中：()为位于窗口中心的传感器响应值；()为更新后的窗口中心值；为正整数；= 2+1。

Savitzkv-Golay滤波器是一种在时域内基于局域多项式最小二乘法拟合的滤波方法[11]。在滤除噪声的同时可以确保信号的波形保持不变，如式（2）所示。

式中：为多项式系数；为拟合值。采用−1次多项式对滤波窗口内的数据点进行拟合，求出多项式系数后再将中间点代入方程作为滤波后的值。

由于传感器阵列中各气体传感器具有选择性，即对不同气体可能会产生不同的响应值，且量级差别较大，为了避免响应值的量级不一致对后续降维以及识别算法造成影响，需要对数据进行规范化处理：

式中：为传感器的响应值；max、min是该传感器响应值的最小值和最大值，这样就可以使数值在0到1之间变化。

1.2.3阵列优化方法

通过因子载荷分析、变异系数和相关系数综合分析以及一种基于传感器响应大小的分析方法共同确定可能的最优阵列。

采用变异系数[12]分析各传感器测试结果的离散程度，变异系数与离散程度成正比，离散程度越大说明传感器响应的重复性和稳定性越低，应予以剔除[13]。变异系数RSDi计算公式如下[14]：

相关系数是用来反映传感器之间的相关关系密切程度的统计指标[15]，相关系数的计算公式如下：

式中：为传感器与之间的相关系数[16]；为传感器的总相关系数；X和X分别为传感器和标准化处理后的特征向量。值越大，则表明传感器和其他传感器之间的相关程度越大，所包含的冗余信息较多，应予以剔除。

因子载荷分析[17]可以直观地对传感器之间的相似程度做进一步的判断。对所测数据进行数据预处理后，进行主成分分析[18]，取因子载荷矩阵的前三个主元做出各传感器的因子载荷图，在因子载荷图中越接近的传感器其对响应信号越相似，可以剔除[19]。

2 数据分析

2.1 数据预处理

预处理之前的传感器响应如图5所示，从图中可以看出响应曲线噪声较为严重。

图5 未进行预处理的响应曲线

对原始数据先进行=51的中值滤波，然后再进行滑动窗口长为51、多项式阶数为3的Savitzkv-Golay滤波，预处理后的曲线如图6所示。由图6可知使用上述滤波方法后得到了平滑的传感器响应曲线，可以较好地去除传感器响应中的噪声干扰。此外，从图6可以看出MP905的信号存在明显的异常振荡，因此将其进行剔除。

图6 预处理后的响应曲线

2.2 阵列优化数据分析

根据前文1.2.2中提到的阵列优化方法，计算得到各传感器的变异系数和相关系数，对各传感器的同种系数进行从小到大的排序，再将两个排名相加以综合两种分析方法，得到的每个传感器的变异系数、相关系数及排序如表2所示：

表2 不同传感器的系数及排序

传感器变异系数排序相关系数排序总分 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

因为传感器的变异系数和相关系数均为越小越好，体现在表中即为总分越低越好，可以看出MP502以及WSP2110的总分最高，在阵列优化时优先考虑剔除。各传感器的因子载荷图如图7所示。

从图7中可以看出，TGS2603、TGS8100和MP801的载荷因子非常接近，同时CCS801和SP3S的载荷因子非常接近，可能存在相似信息。

不同传感器响应强度排序如表3所示：

表3 不同传感器响应强度排序图

传感器橡胶条泡沫坐垫PU皮PVC皮车垫 MiCS55243461096 TGS8100879734 CCS801121561 MP5025101091010 MP801757889 WSP21101098677 TGS2600415353 TGS2602984228 TGS2603662445 SP3S233112

从表3中可以看出，日本Fiagro的TGS8100、TGS2600、TGS2602、TGS2603和日本Fis的SP3S响应最好；其次是SGX公司的MiCS5524，Ams公司的CCS801；而Winsen的MP502、MP801和WSP2110响应强度较低。

结合传感器响应强度，再根据传感器阵列优化方法给出的三个指标（变异系数、相关系数、因子载荷矩阵）对传感器进一步筛选。最终选定了8个传感器，分别为MiCS5524、TGS8100、CCS801、MP801、TGS2600、TGS2602、TGS2603和SP3S。

2.3 计算验证

利用主成分分析（Principal component analysis, PCA）法对筛选出来的传感器的效果进行验证，PCA得分图中每种颜色代表一类材料，每个点代表一个样本数据，PCA1、PCA2表示前两个主成分。图8为11种传感器时的PCA得分图。

从图8中可以看出，有许多不同颜色的点相距较近，不同类别的点群的界线不明显，甚至混杂在一起，数据分类效果较差，图9为对传感器进行筛选后的PCA得分图。从图中可以看出，几种颜色的点群之间区分较为明显，说明所选的8种传感器对于气体检测分类效果较好，证明了阵列优化方法的有效性。

图8 11种传感器时的PCA得分图

图9 8种传感器时的PCA得分图

3 车用材料气味等级评价

3.1 训练样本的制备

通过改变待测材料尺寸的方法来控制混合气体的浓度大小，从而制备不同气味等级的样本气体。以PU皮为例，按照1.2.1小节所述的气体制备和采集方法，制备不同浓度的样品气体方法如表4所示，将原始浓度样本作为1倍样本大小。每个气味等级下的气体有10组左右的数据作为样本，再从中随机选出两到三组数据作为测试样本，剩余的作为训练样本。

表4 待测气体样本

类别加热温度/°样本大小 1701倍 2702倍 3703倍 4704倍 5705倍

3.2 识别效果测试

本文采用K最近邻法（K-NearestNeighbor, KNN）和支持向量机（Support Vector Machine, SVM）两种分类方法进行训练和分类[21-22]，对于上小节制备的样本数据进行训练，首先要从每组数据中提取特征，本文选择了5种比较有代表性的特征[23]：（1）差值（最大值减去初始值）；（2）一阶微分最大值；（3）一阶微分最小值；（4）一阶微分最大值对应的值；（5）二阶微分最大值。这样的特征矩阵为40维，特征维数过多，需要进行降维。本文通过PCA法[23]进行降维，PCA法属于轻量级方法[24]，满足电子鼻硬件速度限制和快速性要求。

通过PCA法降维至10维，然后为了提高分类效果，进行Z-score标准化处理[25]：

式中：为传感器特征值，是为标准差，标准化处理后的数据。标准化后的数据均值为0，方差为1。

通过KNN和SVM进行分类和识别，通过调整参数获得两种分类方法最优的分类效果：KNN正确率为64.3%，SVM正确率为35.8%。

3.3 改进识别效果

首先，提取不同数量的特征来测试分类效果，如图10所示，每种数量的特性下都通过多次随机选择特征的方式保证其客观性。

图10 KNN和SVM识别结果比较图

从图10可以看出，在选择两种特征的时候整体正确率较高，随机选择两种特征搭配进行进一步的实验，从图11可以看出，在选择特征1和特征5为特征时两种分类方法正确率都较高。

图11 选择两种特征的平均识别正确率

为了对特征选取效果进行多角度评价，从正确率的平均绝对误差和最大绝对误差两方面进行评估。选择几种不同的特征提取方法作为对比：S1（1，5），S2（4，5），S3（2，5），S4（1，2，5），S5（1，2，3，4），S6（1，2，3，4，5），括号中的数字表示特征类别。S1为可能最优的特征提取方法，最终得到正确率平均绝对误差表为表5，正确率最大绝对误差表为表6，而平均识别正确率为表7。

表5 正确率平均绝对误差

类别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 正确率最大绝对误差

类别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 平均识别正确率

类别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%

从表5、表6和表7中可以看出，基于S1特征提取方法的KNN分类结果的平均正确识别率较高，且平均绝对误差和最大误差都在可接受的范围之内。改进后的正确率KNN可以达到86.2%，SVM可以达到78.12%的正确率。

4 结论

本文针对当前车用材料气味检测和评价存在的技术问题，构建了一个便携式传感器阵列电子鼻系统，针对MOS型传感器的特点使用中值滤波和Savitzky-Golay滤波进行数据预处理；在传感器阵列优化方面，结合传感器响应强度，综合考察了各传感器的变异系数、相关系数和因子载荷矩阵，并使用PCA法验证了阵列优化结果，最终筛选出电子鼻系统中搭载的8种气体传感器；通过制备不同气味等级的气体作为训练样本，选取不同的特征值组合，比较了KNN和SVM两种模式识别算法对车用材料气味等级的分类识别效果，以差值和二阶微分最大值作为特征值时，KNN对不同气味等级的车用材料平均正确识别率较高，改进后的KNN识别正确率可达86.2%，验证了电子鼻对车用材料气味在线检测和评价的快速性和准确性。本文从硬件、软件、数据和算法等方面系统介绍了传感器阵列电子鼻的开发过程，因其具有客观化、智能化和便携化的显著优势，有望部分替代专业气味评价员用于汽车材料气味等级评价领域。

[1] 陈小开,程赫明,罗会龙.载人汽车室内空气VOCs污染的指标评价[J].环境科学,2013,34(12):4599-4604.

[2] 游刚,江楠,何海峰,等.整车VOC检测与气味评价结果相关性的研究[J].广东化工,2017,44(16):51-52.

[3] 陈兰娟,姚华民.汽车内饰件气味性测试方法概述[J].环境技术, 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,孟庆浩,亓培锋,等.基于单类支持向量机的电子鼻在白酒真假识别中的应用[J].传感技术学报,2015,28(12):1741-1746.

[6] 徐耀宗,崔晨,童丽萍,等.用于车用材料VOC在线分析的便携式电子鼻设计[J].汽车实用技术,2017(23):14-16+19.

[7] 王焰孟,李晓健,胡俊艳,等.成分分析及GC-O耦合联用对座椅坐垫材料气味评价与改善的实验探索[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] 安静宇,马宪民.基于中值滤波和小波变换的火电厂炉膛火焰图像去噪方法[J].计算机工程与科学,2016,38(08):1702-1708.

[10] 赵安新,汤晓君,张钟华,等.优化Savitzky-Golay滤波器的参数及其在傅里叶变换红外气体光谱数据平滑预处理中的应用[J].光谱学与光谱分析,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] 孙皓.面向伤口感染检测的电子鼻传感器阵列构建与优化研究[D].重庆:重庆大学,2017.

[13] 张文朝,顾雪平.应用变异系数法和逼近理想解排序法的风电场综合评价[J].电网技术,2014,38(10):2741-2746.

[14] 郑豪男,周志鑫,施佩影,等.霉变小麦的电子鼻区分及其传感器阵列选择优化[J].传感技术学报,2019,32(05):688-692+710.

[15] 王智凝,郑丽敏,方雄武,等.电子鼻传感器阵列优化对猪肉新鲜度法的检测[J].肉类研究,2015,29(05):27-30.

[16] 张应应.总体或样本的协方差(矩阵)和相关系数(矩阵)的系统定义[J].统计与决策,2016(08):20-24.

[17] 张红梅,邹光宇,王淼森,等.基于传感器阵列多特征优化融合的茶叶品质检测研究[J].传感技术学报,2018,31(03):491-496.

[18] 彭红星,陈祥光,徐巍.PCA特征抽取与SVM多类分类在传感器故障诊断中的应用[J].数据采集与处理,2010,25(01):111-116.

[19] 亓培锋,孟庆浩,井雅琪,等.电子鼻中预处理算法选择及阵列优化[J].数据采集与处理,2015,30(05):1099-1108.

[20] 芦筱菲,郑丽敏,贾宗艳,等.电子鼻对干酪识别的数据预处理和特征提取[J].计算机应用,2007(S1):65-67.

[21] 王宁,谢敏,邓佳梁,等.基于支持向量机回归组合模型的中长期降温负荷预测[J].电力系统保护与控制,2016,44(3):92-97.

[22] 薛又岷,严玉萍,古嘉玲,等.两种基于K近邻特征选择算法的对比分析[J].电子设计工程,2016(1):19-22.

[23] 奉轲,花中秋,伍萍辉,等.用于检测糖尿病标志物的电子鼻优化设计[J].传感技术学报,2018,31(01):13-18.

[24] 赵聪.便携式电子鼻优化设计及其在呼吸和食品检测中的应用[D].杭州:浙江大学,2013.

[25] 潘磊庆,刘明,詹歌,等.数据预处理在电子鼻评价鸡蛋新鲜度中的应用研究[J].上海理工大学学报,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

童丽萍，博士，高级工程师，就职于中国汽车技术研究中心有限公司中汽数据有限公司，从事车内空气质量控制技术研究工作。