用电子鼻区分霉变燕麦及其传感器阵列优化

ds dt
=
A× sin(2πf0t
+ψ
)
+
enost(t)
+
ns
−
ms3
+
2αξ (t)
（5）
第 20 期
尹芳缘等：用电子鼻区分霉变燕麦及其传感器阵列优化
265
式中，随机共振系统参数包括噪声强度 α、固定周 期信号强度 A、固定周期信号频率 f0，双稳态势垒 实参数 m 和 n、固定周期信号初始相位 ψ 等参数。 在实际分析中，保持固定周期信号参数 ψ=0、 f0=1 Hz、A=2.7 不变，并使得噪声强度 α 取值范围 为[0,300]，此时令双稳态势垒参数 n=1，并使 m 在 [1,12]之内进行步进为 0.1 的变化，同时监控系统输 出信噪比，当输出信噪比曲线产生特征峰并且峰值
1.3 随机共振理论和分析路线 非线性随机共振理论在信号分析领域得到普
遍应用[21-28]，一般是用信噪比去表征该模型。双稳 随机共振具有 3 个因素：非线性双稳态系统，弱输 入信号和一个外部激励白噪声[29-31]。式（1）描述 了一个布朗运动粒子在双势阱中的运动模式
ds dt
=
A×
sin(2πf0t
为最大值时，即可以确定 m=4.5，此时各项参数为 最优化选择。
式中，xi 为某一个传感器的检测数据，x 为该传感 器检测数据的平均值，N 为传感器检测数据的长度。 假如几个传感器的变异系数值较为接近，那么可以 选取其中任何一个传感器作为该类传感器的代表， 进行传感器阵列优化。本文用 Matlab2009 软件进行 传感器 Loadings 分析。
类气体敏感），S7（TGS-2610，对丙烷、丁烷类气 体敏感），S8（TGS-2201，对氮氧化物类气体敏感）。 传感器集群单元的核心部件是 8 种气体传感器构 成的敏感器件阵列。气室采用聚四氟乙烯材料， 每个传感器都具有独立的气室，样品检测气体或 者传感器清洗气体被均匀的泵入各传感器气室， 避免了多个传感器同处于同一个气室内而形成的 交叉干扰。
图 1 电子鼻系统结构图 Fig.1 Diagram of electronic nose system
电子鼻采用 8 个半导体型气敏传感器：S1 （TGS-825，对硫化物类气体敏感），S2（TGS-821， 对可燃气体敏感），S3（TGS-826，对氨气类气体 敏感），S4（TGS-822，对乙醇敏感），S5（TGS-842， 对碳氢组分类气体敏感），S6（TGS-813，对烷烃
每天随机选择 10 个燕麦样品进行电子鼻检测， 每个样品检测时间为 45 s，然后通入洁净的空气清 洗电子鼻传感器，以便进行下一个样品的测量。试 验连续进行 5 d，记录检测数据待分析。 1.2 电子鼻检测系统
图 1 显示了检测系统结构图，主要包括机械控 制、传感器气室、数据采集单元等。首先开启清洗 泵和气阀 2，通入洁净空气清洗各传感器，待各传 感器的响应稳定至基线时，关闭清洗泵和气阀 2。 将燕麦样品置入洁净样品瓶中并以封口膜密封，静 置 30 min 后将电子鼻采样探头和气压平衡器同时 插进样品瓶的封口膜，打开气体采样泵和气阀 1 并 开始采集燕麦样品传感器阵列响应数据，采集时间 45 s。测量完毕停止数据采集，同时关闭采样泵和 气阀 1。气压平衡器采用活性炭去除空气中的干扰 气体，将清洁空气导入样品瓶，实现气压平衡。
（1. 浙江工商大学食品与生物工程学院，杭州 310035；2. 浙江省食品安全重点实验室，杭州 310035）
摘 要：应用电子鼻对燕麦（Avena sativa L）霉变程度进行区分，为了提高区分准确度，对电子鼻传感器阵列进
行了优化的研究。每天随机选择 10 个燕麦样品进行电子鼻检测，试验连续进行 5 d，将检测数据耦合入非线性双
稳态随机共振系统，以外部 Gaussian 白噪声激励系统产生共振，选择输出信噪比特征值进行主成分分析，初期试
验主成分 1 和主成分 2 贡献率之和为 96.43%，且相同霉变程度样品离散度较大，不同霉变程度样品之间距离较近。
为了提高电子鼻对霉变燕麦样品区分效果，进行了电子鼻传感器负荷加载分析，优化选择了传感器阵列，优化后
1 材料与方法
1.1 燕麦样品制备 燕麦样品购于杭州超市，挑选颗粒饱满均匀、
色泽明亮、无杂质、无污染、无异味的燕麦作为试 验样品。根据试验设计需要，制作 40 个燕麦平行 样本，每个样品称取 25 g 置于样品瓶中，并用封口 膜密封，在室温和标准大气压的环境条件下进行贮 藏。通常条件下燕麦样品的霉变较为缓慢，所以在 每次电子鼻测量结束后在每个燕麦样品中喷雾 4 mL 去离子水以加速燕麦的霉变，以缩短试验周期。
第 29 卷 第 20 期 2013 年 10 月
农业工程学报 Transactions of the Chinese Society of Agricultural Engineering
Vol.29 No.20 Oct. 2013 263
用电子鼻区分霉变燕麦及其传感器阵列优化
尹芳缘 1,2，黄 洁 1,2，王敏敏 1,2，郑海霞 1,2，杨 月 1,2，陈 静 1,2， 曾小燕 1,2，童春霞 1,2，王绿野 1,2，姜 燕 1,2，沈 凤 1,2，惠国华 1,2※
主成分 1 和主成分 2 贡献率之和为 99.31%，相同霉变程度燕麦样品的聚合度更高，使不同霉变程度燕麦样品之间
的区分更加明显，为进一步的定量化检测奠定了基础。
关键词：传感器，优化，非线性分析，霉变燕麦，电子鼻，随机共振
doi：10.3969/j.issn.1002-6819.2013.20.034
态随机共振，信噪比（dB）定义为
Ω + Δω
∫ [ lim S(ω) dω] Δω →0
信噪比(SNR) = 2
Ω−Δω
SN (Ω)
（4）
式中，ω 是信号频率，Ω 为角频率，rad/s，s(ω)为
信号频谱密度函数，SN(Ω)为未超出信号频率范围的
噪声强度函数。
随机共振分析在 Matlab2009 软件环境中进行， 信号分析路线图如图 2 所示。enost(t)为电子鼻检测 数据关于时间 t 的函数，enost(t)与周期性输入弱信 号 A × sin(2π f0t +ψ ) 耦合之后输入随机共振分析单 元，则式（3）可以改写为
2 结果与分析
2.1 电子鼻传感器阵列对燕麦样品的响应 图 3 是电子鼻对某种燕麦样品的响应曲线，各
传感器初始值位于原点附近，随着检测时间的增 加，样品瓶顶空富集气体被吸入电子鼻气室内，各 种气体成分与传感器敏感材料发生作用，导致传感 器响应值产生不同的变化，传感器响应值与该传感 器特异敏感气体浓度相关，因此电子鼻传感器阵列 的响应可以视为对燕麦样品挥发气体的表征，这是 电子鼻区分霉变燕麦样品的依据。
0引言
燕麦（Avena sativa L.）是一种重要的粮食作物， 燕麦中富含蛋白质、不饱和脂肪、维生素、矿物元 素和纤维素，在粮谷类氨基酸含量高且均衡，是世 界公认的营养和医疗保健价值最高的谷类作物之 一。在实际贮藏过程中，燕麦往往易受微生物感染 而出现霉变，其中起主导作用的霉菌有黄曲霉、青 曲霉、镰刀曲霉等[1]，一旦变质燕麦进入了食物链， 对人和动物的健康将形成极大的威胁。传统粮食质 量检测方法主要包括人工感官判别、酶检测、仪器 分析等方法，但以上方法在检测效率、灵敏性、特
中图分类号：TP212.6
文献标志码：A
文章编号：1002-6819(2013)-20-0263-07
尹芳缘，黄 洁，王敏敏，等. 用电子鼻区分霉变燕麦及其传感器阵列优化[J]. 农业工程学报，2013，29(20)：
263－269. Yin Fangyuan, Huang Jie, Wang Minmin, et al. Discrimination of mildewed oats using electronic nose and optimization of its sensor array[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(20): 263－269. (in Chinese with English abstract)
异性等方面尚存在不足[2-6]。因此需要寻求一种便 捷、快速、准确、成本低廉且可以现场使用的燕麦 霉变检测技术。
电子鼻的概念是由英国 Warwick 大学的研究人 员在 1982 年提出[7]，该检测技术在许多领域得到广 泛应用[8-11]。在粮食品质分析领域，研究人员虽已进 行了许多探索工作，如粮食品质分析[12-13]、粮食霉变 早期变化特性研究[14-15]、谷物霉变快速鉴别[16]、谷 物霉变程度分析[17]等。其所用模式识别方法主要有 主成分区分、因子计算、聚类判别、神经网络判别 等方法[16-20]，这些方法均存在一些问题。如主成分 区分在计算因子得分时采用最小二乘法导致结果 可能无效。聚类分析法在样本量较大时获得聚类结 果较为困难。偏最小二乘法当出现一个或若干个偏 差点就可能导致回归结果失效。神经网络判别则需 要很多次训练，并且在训练速度、训练效率和预报 精度等方面存在不足。近年来，随机共振非线性信 号分析方法发展迅速，该方法通过施加外源白噪声 到非线性系统，调制系统达到共振状态以获取检测 信号的特征，实现被测样品信息的表征[21-22]。
无单位，其自相关函数 E [ξ (t)ξ (0)] = 2αδ (t) ，其强
度为 α，无单位，δ(t)为狄拉克单位脉冲函数。
V (s) = 1 ms4 − 1 ns2
4
2
因此式（1）可以改写为
（2）
ds dt
=
A × sin(2πf0t
+ψ
)
+