基于自組織映射的工業(yè)場地電子鼻長期監(jiān)測模式識別與異常檢測

油氣預處理廠無組織逸散惡臭含低嗅閾值有毒揮發(fā)性有機物，易引發(fā)居民投訴、損害健康；氣味污染具有間斷、瞬時特征，傳統(tǒng)嗅辨、氣相色譜法難以實現長期高頻連續(xù)監(jiān)測。文章提出SOM 自組織映射 + k-means 聚類兩步 “氣味控制圖（OCM）" 無監(jiān)督分析方法，對油氣廠區(qū)電子鼻長期海量監(jiān)測數據完成模式識別、空氣分型、異常檢測，區(qū)分工業(yè)廢氣特征空氣與背景潔凈空氣。

監(jiān)測場地

國外某油氣預處理廠區(qū)，存在儲罐、開采工藝無組織泄漏，排放芳烴、脂肪烴、硫化物等異味 VOC；監(jiān)測站設于廠區(qū)西南側，監(jiān)測周期共 83 天，累計采集8萬多組電子鼻分鐘級數據，部分時段因斷電缺失數據。

實驗儀器

采用 Airsense電子鼻，有10種傳感器，均為金屬氧化物半導體傳感器，每種傳感器所對應的主要敏感物質有所不同。

PID 光離子檢測儀：實時記錄總揮發(fā)性有機物 TVOC，檢出限 5 ppb，數據換算為異丁烯當量 ppm，用于佐證廢氣簇特征。

氣象站：逐分鐘采集溫濕度、風速、風向，結合風向判斷廢氣是否來自廠區(qū)。

檢測方案

01

Airsense電子鼻檢測

電子鼻監(jiān)測共 83 天，累計采集 8萬多組電子鼻分鐘級數據。

數據分析方法（兩步混合無監(jiān)督模型）

01

SOM 自組織映射

無監(jiān)督神經網絡，將高維電子鼻傳感向量映射至二維拓撲網格，相似氣體模式聚集為神經元原型，保留數據相似度，實現海量數據降維可視化；采用批量訓練、高斯鄰域函數、時變學習率。

02

k-means 聚類

對 SOM 輸出神經元二次聚類，通過戴維斯 - 鮑丁指數（DB 指數） 確定聚類數（DB 越小，簇內緊湊、簇間分離度越好）。

03

數據劃分策略

初探模型：全部 8 萬余條數據構建 30×12 SOM，k-means 分為 3 簇；發(fā)現 25 日后所有數據歸于單一簇 3，數據變異性極低，疑似異常。

優(yōu)化精細模型：剔除異常時段，僅使用 4.7–5.24 有效動態(tài)數據（建模集）構建 22×12 SOM（264 個原型神經元），DB 指數確定 4 簇；5.25–6.28 數據作為外部驗證集，投影至精細模型完成異常驗證。

結果與發(fā)現

簇 1：電子鼻傳感器響應低，代表廠區(qū)潔凈背景空氣；平均風速高，風向多為西風（遠離廠區(qū)），TVOC 濃度低。

簇 2、簇 3：過渡型空氣，傳感信號中等，以西風為主，低濃度 VOC，少量工業(yè)廢氣混合。

簇 4（工業(yè)廢氣特征簇）：10 支傳感器整體響應顯著升高；TVOC 中位數 0.14 ppm，風速中位數＜1 m/s（廢氣擴散弱）；超 50% 風來自廠區(qū)東北、東側，直接對應油氣廠無組織逸散氣味，單日占比通常不足 5%（約 1 小時）。