背景介绍

随着科技的飞速发展以及社会的持续进步，工业领域在人们生活中扮演着至关重要的角色。典型的大气污染物，如乙醇、氨气、甲醛和甲苯，时刻威胁着大气环境与人类健康。然而，传统的检测方法如气相色谱-质谱法、热分析法等，往往设备昂贵、操作复杂，难以实现在线实时监测。金属氧化物半导体气体传感器虽具有成本低、易集成等优点，但其“嗅觉”不够灵敏，尤其在面对成分复杂的混合气体时，选择性差成为一大技术瓶颈。

针对上述问题，本研究采用多传感器协同策略开发了一种新型智能电子鼻系统，结合了特定设计的传感器阵列与机器学习算法，实现了对低浓度单一及二元混合气体的高精度识别，为大气污染物的精准监测提供了一种高效、经济的解决方案。

图文解读

1. 核心“嗅觉”单元：六元传感器阵列

本研究通过多传感器协同策略构建了一个六元传感器阵列，由4个SnO₂基传感器（TGS2620、TGS2600、TGS2609、TGS2602）和2个Co₃O₄基传感器（Co₃O₄、Mn-Co₃O₄）共同组成。SnO₂（N型半导体）与Co₃O₄（P型半导体）构成互补传感体系，空气中，SnO₂形成电子耗尽层导致电阻升高，Co₃O₄形成空穴积累层导致电阻降低；接触目标气体时，二者电阻变化趋势相反，通过这种正交响应模式捕捉不同气体的独特“指纹信号”。

Co₃O₄、Mn-Co₃O₄基传感器分别由沉淀法和水热法制备而成，形貌与晶体结构分析表明其多孔结构极大地增加了材料与气体的接触面积，让气体分子更容易吸附并发生反应，从而提升了灵敏度。XRD、Raman和XPS等表征表明成功制备了Co₃O₄材料，其中Mn元素以化学掺杂形式存在。

2. 电子鼻系统集成

基于Co₃O₄和SnO₂基传感器阵列的电子鼻系统测试平台由气体分配系统、气体测试模块和信号采集模块三部分构成。气体分配系统采用智能动态配气装置，通过精密控制气瓶输出目标气体，通过零级空气稀释模拟不同浓度的气体环境。气体测试模块由气体腔室、传感器阵列及电路控制板组成。信号采集模块负责接收和处理来自传感器阵列的信号，通过高精度的数据采集系统，将模拟信号转换为数字信号，随后，这些数字信号被传输至计算机。在计算机端，获得的测试数据首先要经过一系列的数据处理步骤。经过数据处理后，再进一步利用模式识别技术来确定具体的气体信息。

3. 智能“大脑”：KNN算法脱颖而出

本研究针对2-10 ppm浓度范围的乙醇、氨气、甲苯（单一及二元混合）展开测试，这一区间覆盖工业低浓度污染监测的典型场景。从传感器阵列的响应-恢复曲线中提取了30个特征值，构建了一个180维的特征数据集。随后，利用四种经典的机器学习算法——K最近邻（KNN）、支持向量机（SVM）、逻辑回归（LR）和随机森林（RF）——对数据进行分析和训练。结果表明，在识别单一气体（乙醇、氨气、甲苯）及其浓度时，KNN模型表现最佳，准确率高达100%。此外，对于不同浓度组合的单一及二元混合气体时，KNN算法通过五折交叉验证取得了97.2%的准确率，显著优于其他模型。浓度预测方面，ExtraTreesRegressor算法表现突出，对乙醇、甲苯、氨气的决定系数（R²）分别达到0.997、0.999和0.983，均方根误差（RMSE）为0.106 ppm。

4. 性能验证：从“3”到“6”的飞跃

为了验证传感器阵列设计的合理性，研究还探讨了传感器数量对识别性能的影响。结果显示，随着传感器数量从3个增加到6个，KNN模型对混合气体的识别准确率从78.9%显著提升至97.2%。这证明了研究团队所采用的六传感器阵列达到了性能与成本的最佳平衡，通过多传感器协同策略，有效提升了系统对复杂气体的整体分辨能力。

总结与展望

本研究通过构建SnO₂/Co₃O₄六元传感器阵列，结合KNN等机器学习算法，成功实现了低浓度单一及二元混合污染气体的高精度识别与浓度定量。97.2%的混合气体识别准确率、传感器数量与精度的明确优化关系，不仅验证了多传感器协同策略的有效性，也为金属氧化物传感器选择性差的行业痛点提供了切实解决方案。

该电子鼻系统兼具成本效益高、结构简单、识别精准的优势，在工业废气监测、大气质量实时管控等场景具有广阔应用前景。未来随着响应速度优化与复杂环境适应性提升，有望替代传统检测设备，成为环境监测领域的“轻量化精准工具”，为大气污染防治提供技术支撑，助力绿色低碳发展。

原文链接

相关研究以“Discrimination of Single and Binary Gases Using an Intelligent Electronic Nose System Based on Metal Oxide Gas Sensors”为题发表在为题发表在期刊Green Energy & Environment，第一作者为电子科技大学基础与前沿研究院研究生李小梦，通讯作者为电子科技大学董帆教授。