技术文章

2011年德国PEN3电子鼻分析环境废气恶臭的试验报告

来源: 北京盈盛恒泰科技有限责任公司

2016/8/11 11:27:09 2193

1 材料与方法

 

 

 

 

电子鼻系统,PEN3,德国 AIRSENSE 公司。该电子鼻含有 10 个不同的金属氧化物传感器,组成传感器阵列。

 

检测主要是依据 GB/T14675-1993《空气质量 恶臭的测定 三点比较式嗅袋法》排污标准数据为指纹模板评价,即 GB14554-1993《恶臭污染物排放标准》三级标准。实时检测数据与国标指纹模板对比,直接得出检测恶臭强度(OU)值,利用 LDAPCA 方法识别分析出排污总体状况。

 

1.4 实验方法

 

直接顶空吸气法

 

直接将进样针头插入采集废气或者环境空气密封袋中,用德国 PEN3 便携式电子鼻气味分析仪进行测定。电子鼻测定条件:采样时间间隔为 1 秒/组;传感器自清洗时间为 100 秒;传感器归零时间为 10 秒;样品准备时间为 3 秒;进样流量为 300 ml/min;试验分析测试时间为 60 秒。

 

1.5 数据处理

 

本实验在对每个样品的数据采集过程中,通过查看每个传感器响应信号的变化曲线、每个时间点的信号值及星型雷达图或柱状指纹图,可以清晰考察各个传感器在实验分析过程中的响应情况。并通过传感器选择设置可以查看在不同数量的传感器情况下的响应情况。由于每个传感器对某一类特征气体响应剧烈,可以确定样品分析过程中样品主要挥发出了哪一类特征气体。

 

对于样品区分分析,本实验提取 10 个传感器的特征值,然后采用主成分分析法(PCA),线性判别法(LDA)和传感器区别贡献率分析法(Loadings)作为主要区别分析方法。在用 PCA 进行分析时,可以查看在每个主成分下样品区分的状况,并可以分析样品之间主要是由哪一类组分起主要区分作用;LDA 是 DFA(识别因子法)的*步,LDA 分析注重类别的分类以及各种组之间的距离分析;Loadings 分析法与 PCA 是相关的,它们都基于同一种算法,但不同的是,本实验中 Loadings 算法主要是对传感器进行研究,利用该方法可以确认特定实验样品下各传感器对样品区分的贡献率大小,从而可以考察在这个样品区分过程中哪一类气体起了主要区分作用。

 

通过区别判定 DFA、欧氏距离 EUCLID、马氏距离 MAHALANOBIS 和相关性分析 CORRELATION 等

 

方法,有效判定未知样归属于哪一类,达到一个用电子鼻验证未知样的实验结果。并通过 PLS 偏zui小二乘法进行 OU 值的定量预测。

 

2 结果分析与讨论

 

2.1 电子鼻对总排口废气的特征响应图

 

 

1

 

电镀

 

 

 

2  

 

 

 

 

 

 

 

 

 

 

 

 

 

3  涂装图 4  厂界上风处

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

5  厂界下风处 6 厂界外-

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

7  厂界外-

 

8  厂界外-西

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

10  电镀-

 

9  电镀-进图

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

11 喷涂-

 

12 喷涂-

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

13 涂装-

 

14 涂装-出图 1 ~ 图 14 分别是废气总排口和厂界内外环境空气的特征雷达图,10 个传感器对废气和环境空气的

 

响应曲线图,各个传感器对应的 G/G0(或 G0/G)值。从以上 14 个图我们可以清楚的看出,10 个传感器的比值差异明显。对于废气总排口和厂界环境空气,10 个传感器均有明显的响应,尤其是 24579、号传感器。其中 7 号和 9 号传感器是针对恶臭气体响应明显的,这种气体例如含硫的成分及化学成分比较接近的恶臭气体。

 

 

 

3 / 14

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

15 三个废气总排口的 PCA 主成分聚类分析

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

16 三个废气总排口的 PCA 主成分聚类区分度分析

 

三个废气总排口的 PCA 分析结果如图 15 和图 16 所示,在 CORRELATION 相关性矩阵模式下:*主份区分贡献率为 99.974%,第二主成分区分贡献率为 0.02%,两个主成分区分贡献率和为 ,大于 90%,所以这两个主成分已经基本代表了样品的主要信息特征。由以上两图可以看出,在*主成分上,三个废气总排口废气均区分明显,并且区分度达到了惊人的 0.998,说明,三个废气总排口被*区分开来。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

17 LDA 线性判定分析图

 

LDA 分析图如图 17 所示。从图中我们可以清晰直观的看出,涂装二区的废气恶臭强度zui大,喷涂次之,电镀较前二者比较弱。喷涂和涂装二区的恶臭强度明显要强于电镀。这和环保部门的测评结果也是吻合的。

 

 

 

4 / 14

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

18 LOADING 传感器贡献率分析图

 

LOADING 分析 PCA  CORRELATION 相关性矩阵模式图:2 号和 7 号传感器对恶臭气体分析贡献率较大。8 号和 9 号传感器次之。

 

 

1

传感器代表的物质种类

 

 

 

 

1

W1C

 

Aromatic

 

 

 

 

2

W5S

 

Broadrange

 

 

 

 

3

W3C

 

Aromatic

 

 

 

 

4

W6S

 

Hydrogen

 

 

 

 

5

W5C

 

arom-aliph

 

 

 

 

6

W1S

 

broad-methane

 

 

 

 

7

W1W

 

sulphur-organic

 

 

 

 

8

W2S

 

broad-alcohol

 

 

 

 

9

W2W

 

sulph-chlor

 

 

 

 

10

W3S

 

methane-aliph

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

19-1  电镀废气 PLS 定量预测曲线图 19-2 电镀废气 PLS 定量预测值

相关产品

猜你喜欢

提示

请选择您要拨打的电话: