工業(yè)生產(chǎn)會(huì)大量產(chǎn)生易燃、易爆、有毒有害氣體，在石化、煤炭、冶金等行業(yè)存在安全與環(huán)境監(jiān)測(cè)需求。
本文以CO?、CH?、NH?、室內(nèi) VOCs四種典型工業(yè)氣體為對(duì)象，提出核判別分析 (KDA) 算法，對(duì)比 PCA、LDA、PCA+LDA、SVM、BP 神經(jīng)網(wǎng)絡(luò)等方法，實(shí)現(xiàn)高精度工業(yè)氣體區(qū)分識(shí)別。

實(shí)驗(yàn)儀器
采用 Airsense電子鼻，搭載 10 支金屬氧化物傳感器陣列，各傳感器對(duì)芳烴、氨氣、甲烷、硫化物等物質(zhì)具備差異化檢測(cè)。

實(shí)驗(yàn)條件

氣體濃度統(tǒng)一 30 ppm，環(huán)境溫度 25±1℃、相對(duì)濕度 60%±10%，進(jìn)氣流量 7.8 mL/s，單次采樣時(shí)長(zhǎng) 120 s，每秒記錄傳感器響應(yīng)。
每種氣體采集 31 組樣本，25 組用于訓(xùn)練（共 100 組），6 組用于測(cè)試（共 24 組）；提取穩(wěn)態(tài)區(qū)間（45–57 s）響應(yīng)、均值、標(biāo)準(zhǔn)差、微分、積分、方差等多類特征。
雷達(dá)指紋圖顯示不同氣體傳感器響應(yīng)差異明顯。

實(shí)驗(yàn)流程

鋼瓶氣源→配氣裝置調(diào)濃度→電子鼻采集氣味圖譜→特征提取→降維分類算法處理→輸出識(shí)別結(jié)果。

主成分分析 PCA

01、實(shí)驗(yàn)數(shù)據(jù)與可視化分類效果
穩(wěn)態(tài)響應(yīng)特征：第一主成分 PC1 方差貢獻(xiàn)率 74.66%，PC2 為 13.75%，前兩成分總貢獻(xiàn)率 88.41%。

02、識(shí)別準(zhǔn)確率
24 組測(cè)試樣本平均識(shí)別準(zhǔn)確率95.83%，僅 VOCs 氣體有 1 組樣本被誤判；其中 CO?、CH?、NH?識(shí)別準(zhǔn)確率均為 100%，VOCs 識(shí)別準(zhǔn)確率 83.33%。

PCA+LDA 串聯(lián)算法
01、實(shí)驗(yàn)數(shù)據(jù)與可視化分類效果
穩(wěn)態(tài)響應(yīng)特征：PC1 方差貢獻(xiàn)率 72.18%，PC2 為 27.30%；樣本仍存在部分重疊，類內(nèi)距離偏大。
均值特征：PC1 方差貢獻(xiàn)率高達(dá) 91.77%，PC2為 7.49%，前兩成分總貢獻(xiàn)率 99.26%。

02

02、識(shí)別準(zhǔn)確率
測(cè)試集平均識(shí)別準(zhǔn)確率91.67%，存在兩類氣體樣本錯(cuò)分；各氣體識(shí)別精度：CO? 83.33%、CH? 100%、NH? 100%、VOCs 83.33%。

KDA 核判別分析

01、實(shí)驗(yàn)數(shù)據(jù)與可視化分類效果
針對(duì) LDA 矩陣奇異缺陷引入多項(xiàng)式核函數(shù) K (x)，包含核偏移系數(shù) c、自由度 d 兩個(gè)可調(diào)參數(shù)；通過(guò)拉格朗日極值求解優(yōu)投影方向，平衡類間、類內(nèi)散度，解決線性算法不可分問(wèn)題。
算法步驟：計(jì)算各類樣本均值、全局均值→求解類內(nèi) / 類間散度矩陣→設(shè)置核參數(shù) c、d 構(gòu)造判別準(zhǔn)則→特征值分解得到降維映射矩陣輸出低維特征。
參數(shù) c=10、d=5、提取標(biāo)準(zhǔn)差特征時(shí)，四類氣體樣本分離，類內(nèi)緊湊、類間間隔極大，是優(yōu)可視化結(jié)果。

02、識(shí)別準(zhǔn)確率
KDA(c=10,d=5)，平均識(shí)別準(zhǔn)確率100%，全部樣本準(zhǔn)確識(shí)別。

結(jié)論

采用Airsense電子鼻采集工業(yè)氣體氣味特征，基于標(biāo)準(zhǔn)差特征、核參數(shù) c=10、d=5 的 KDA 算法性能優(yōu)：測(cè)試集識(shí)別率 100%，樣本無(wú)重疊，運(yùn)算耗時(shí)短，適用于工業(yè)安全氣體檢測(cè)場(chǎng)景。