企业官网建设流程全解析

科研方法观察③｜训练低成本VOC传感器，为什么要先把气相输入设计好？

基于韩国光云大学公开研究，拆解液态甲苯、受控气相、多位点传感器、参考值与模型训练之间的数据链。

同一批低成本传感器，把模型从ANFIS换成RANFIS之后，MQ135的RMSE从29.22降到3.76——看上去像一次漂亮的提升。

但先别急着下结论。这两个数没有单位，也并不代表传感器的精度（第五章会说明原因）。真正决定这组数字能不能用、能用到什么范围的，是它们背后那段气相输入究竟是怎么生成的。

算法学习的不是VOC本身，而是实验系统提供给它的“传感器响应—参考浓度”对应关系。如果气相输入怎样生成、何时稳定、不同位置是否均匀、传感器与参考端是否完成时间对齐都没有说清，模型可能学到的就不只是目标气体响应，还包括混合状态、固定位置和参考仪表自身的差异。

2025年，韩国光云大学机器人系在《Technologies》发表研究，搭建甲苯气氛测试台，利用8组低成本多传感器采集数据，并训练增强型自适应神经模糊推理系统（RANFIS）预测VOC浓度。研究原文可见：MDPI论文、DOAJ论文信息。

这项研究展示了气相生成位于传感器数据和模型训练的上游。根据实验设计原则，进液、气化、混合、空间分布和参考测量是否被控制与记录，会影响训练数据的可解释性；但该论文没有单独量化气相生成环节对模型误差的贡献。

一、为什么训练模型之前，先要生成受控气相？

研究面向汽车喷涂等小型工业场所的VOC连续监测。传统FID类仪器具有较好的测量能力，但设备成本、运行条件和氢气供应安全要求，使其难以在部分小型场所长期布设。

研究团队因此尝试组合MOS和PID低成本传感器，并用算法处理传感器初始化差异、非线性、异常值和噪声。

但训练浓度预测模型，必须同时拥有两类数据：

低成本传感器的实时响应
＋ 经校准并完成时间对齐的参考浓度

研究团队需要先生成可持续变化的甲苯气相条件，再让多组传感器和参考仪表同步测量。由于低成本传感器分布在腔体不同位置，FIX800位于腔体末端，相同时间戳不一定对应同一气团；建模前还需要根据腔体体积、流量和安装位置估算并验证各通道到参考端的传输延迟。

二、液态甲苯怎样进入传感器实验？

研究使用纯度为99.9%的高纯氮气作为零气，以液态甲苯作为VOC输入。这意味着论文数据是在氮气基体下获得的。论文没有报告含氧量和湿度变化程序；对于响应受氧和水汽影响的MOS传感器，该结果不能直接外推到空气或喷涂排气环境。

甲苯装入60 mL注射器，由注射泵计量输入，在进入测试腔之前完成气化；零气由质量流量控制器调节。论文给出的215 mL/min是控制器最大量程，不是实验实际运行流量。

两路气体进入混合路径后送入测试腔。研究还设置旁路和止回阀，用于缓解零气与VOC汇合处的压力，避免系统压力过高。

这条实验链可以概括为：

液态甲苯
→ 注射泵计量输入
→ 气化
→ 与高纯氮气混合
→ 进入多位点测试腔
→ 低成本传感器与参考仪表测量
→ 形成模型训练和评价数据

气相输入在这里承担的任务，不只是“让传感器闻到甲苯”，而是为模型建立浓度变化、传感器响应与参考标签之间的对应关系。

三、测试腔里的训练数据是怎样形成的？

研究团队在测试腔内设置8个传感器位置。每个传感器模块包含MQ135、MQ138和PID-A15三类VOC传感器，同时记录温度和湿度。

论文分别为三类传感器建立数据集：同一类型传感器在8个固定位置的响应构成多位置输入，腔体末端FIX800 PID仪表的输出作为参考目标值。FIX800在这里是模型标签来源，不是由配气计算或可溯源化学分析独立确认的气相浓度真值。

论文表1给出了FIX800的标称量程、分辨率和误差，但没有报告其针对甲苯的现场校准、响应因子或与GC类方法的比对。因此，模型评价反映的是预测值与FIX800读数的接近程度。

多传感器系统每2秒记录一次数据。论文报告进行了两轮实验，时长分别约为8小时和7小时，获得14,631和12,629个数据点。方法部分称第一轮用于训练、第二轮用于评价；但论文结果部分又写明训练与评价使用了同一数据集。

由于正文没有解释这两种表述的关系，目前无法确认论文表6的RMSE是否来自独立的7小时评价数据，也不能把模型结果视为已经完成严格的跨实验泛化验证。

数据点数量也不能直接等同于独立工况数量。每2秒记录一次得到的相邻数据具有时间连续性；14,631个数据点主要说明采样密度和运行时长，并不意味着实验覆盖了14,631种不同的浓度、温湿度、流量或混合条件。

四、不同位置的传感器响应为什么值得单独检查？

论文观察到，同型号的不同传感器模块安装在8个固定位置时，与腔体末端FIX800参考数据的相关性和初始偏移不同。

作者从传感器个体特性与气体空间分布两个方面进行解释。但研究没有进行传感器换位实验，也没有在各位置独立测量实际甲苯浓度，因此现有数据只能证明“响应差异与固定传感器及位置组合相关”，不能分别量化传感器个体和位置气相条件的贡献。

这提醒传感器研究团队，校准实验还需要考虑：

• 气体进入腔体后的混合与流动状态；
• 不同位置到参考端的传输延迟；
• 同型号传感器的个体偏移；
• 温度、湿度和背景气体；
• 暴露、清洗、恢复和重新启动过程。

否则，模型可能学习到与固定传感器个体或位置相关的特征，其跨位置、跨设备能力仍需通过换位或独立实验验证。

五、算法改进取得了什么结果，适用边界在哪里？

研究先使用ANFIS建立传感器响应与参考值之间的非线性关系，再增加异常值识别和变化率校正，形成RANFIS模型。

论文在MQ135的RANFIS结果上存在一处数字不一致：摘要写为3.578，正文和表6写为3.758。本文以正文表6为准，按四舍五入写作3.76。

论文表6没有标明RMSE单位，也没有完整公开甲苯浓度范围和变化程序。因此，这些数值只能用于同一论文内比较ANFIS与RANFIS，不能解释成百分比、绝对浓度误差、传感器精度或气液配气系统误差。

在论文所采用的数据处理和评价方式下，三类传感器对应的RANFIS结果均比ANFIS更接近FIX800读数。三组结果分别来自以MQ135、MQ138和PID-A15各自的多位置数据建立的模型，并非把三类传感器融合成一个模型。

这一结果的适用范围由实验数据共同限定，包括单一甲苯、氮气基体、受控测试腔、固定传感器与位置以及FIX800参考标签。若目标物变成其他VOC或混合气体，或者温湿度、背景气体、安装位置和现场干扰发生变化，需要重新验证。论文对训练集与评价集的表述存在矛盾，也使跨实验泛化能力仍不能据此确定。

六、复现类似实验，还需要明确哪些气相条件？

论文已经展示了从液态甲苯、受控气相到传感器数据和模型训练的基本路径。但如果其他实验室希望复现或扩展这项方法，仅有设备名称还不够，还需要把气相生成程序、腔体条件和参考值来源写得更完整。

这些信息决定不同实验室能否生成可比较的甲苯气相输入，也决定模型差异能否在传感器、气相分布、时间对齐和参考测量之间得到合理解释。

七、实际使用者怎样建立可用的传感器训练数据？

1. 定义目标工况

明确模型将来面对的VOC、浓度、温湿度、背景气体、流量、压力、干扰组分和变化速度。论文使用氮气作为零气；如果模型用于含氧、含湿的现场空气，训练和验证也应逐步覆盖相应条件。

2. 设计气相程序

规定零气基线、浓度阶梯、升降顺序、每级稳定时间、重复轮次、清洗和恢复时间。必要时随机化浓度顺序，但每次切换后仍需保留足够的稳定与清洗时间，避免模型把时间顺序或上一轮残留误当成浓度规律。

3. 同步记录并验证

把液体进样速率、载气和总流量、气化温度、压力、阀门状态、温湿度、传感器位置、参考值与时间戳放入同一数据链。根据腔体体积、流量和位置验证传输延迟并完成时间对齐；关键浓度点再用适合目标物的独立方法核验。

4. 开展独立评价

使用不同日期、不同浓度程序或不同传感器的数据评价模型，再逐步加入温湿度变化、空气基体、混合VOC、流场扰动和传感器老化等条件。

连续时间序列若只随机切分相邻数据，可能造成信息泄漏，使评价结果过于乐观。滤波器、归一化上下限、异常值阈值和时间延迟等参数，也应只使用训练数据拟合，再固定用于评价数据。

使用液态甲苯和氮气建立测试系统时，还需要结合实际浓度、空间和通风条件，评估尾气处理、泄漏监测、防静电或防爆要求，以及氮气造成的缺氧风险。公开论文中的装置示意不能替代本实验室的安全方案。

八、在类似课题中，气相生成环节对应什么位置？

上述论文的数据来自光云大学研究团队搭建的甲苯测试台。在这类课题中，气相生成环节承担的任务是：把液态VOC经过计量输送、受控气化、载气混合或稀释，转化为供测试腔、传感器或参考仪器使用的目标气相输入。

这一环节提供的不只是气体，也是模型训练数据的上游实验条件。气相输入能否重复、是否覆盖目标工况、能否与不同位置和参考测量正确对齐，是可能影响模型学习结果和跨条件复现能力的重要因素之一；本论文没有把这种影响与传感器个体、位置和参考仪表误差分别量化。

具体项目可覆盖的组分、浓度、温湿度、流量和浓度变化程序，应由气相生成设备的产品规格、目标工况和针对性实测共同确定。

围绕类似课题，方案至少需要明确四项内容：

• 目标VOC、浓度范围、背景气体与变化程序；
• 气相生成、传输及测试腔连接方案；
• 进液、流量、温湿度、参考值与传感器数据的同步记录字段；
• 样品测试、关键浓度核验和重复性评价方案。

如果正在开展VOC传感器校准、电子鼻、多传感器数据融合或浓度预测模型研究，可以先整理上述实验工况，再据此判断气相生成路径、系统接口和需要优先验证的条件。

**资料来源与适用范围：**本文实验流程与数据来自韩国光云大学机器人系发表于《Technologies》的公开研究。文中 Figure 2、Figure 3、Figure 4 转载自该论文，依据 CC BY 4.0 许可使用并已标注出处。本文结合该研究介绍气液配气在VOC传感器训练与验证中的实验设计思路；针对不同目标组分、浓度、温湿度、流量、变化程序、测试腔体和参考方法，具体方案需完成工况评估与实测验证。

**AI辅助创作声明：**本文基于上述公开研究资料整理，由AI辅助完成结构梳理与图文排版；实验流程、数据与结论均以研究原文为准，具体项目需完成工况评估与实测验证。

决定一个浓度预测模型能走多远的，往往不只是算法本身，还有训练它时那段气相输入是否可控、可记录、可复核。