《Scientific Reports》：IoT-based filter management system using reinforced ANFIS for VOCs reduction in urban industrial facilities
編輯推薦：
針對小型工業場所 VOCs 減排設施管理難題，研究人員開發基于 IoT 的多傳感器系統，結合 RANFIS 與決策樹模型，實現活性炭濾材更換預測。結果顯示 RANFIS 精度顯著提升，該系統為 VOCs 管理提供經濟高效方案。
工業生產中，揮發性有機化合物（VOCs）排放不僅是環境污染的 “元兇”，其與 NO
x反應生成的臭氧和致癌煙霧更對人類健康構成嚴重威脅。然而，中小型工業場所因成本和技術限制，普遍面臨 VOCs 減排設施管理難題。傳統的火焰離子化檢測儀（FID）價格高昂，無法實現實時監測，而活性炭濾材更換周期多依賴經驗設定，易導致濾材未飽和更換造成浪費或飽和后未及時更換引發污染。在此背景下，韓國光云大學（Kwangwoon University）與韓國能源研究院（Korea Institute of Energy Research）的研究團隊展開研究，相關成果發表于《Scientific Reports》。
研究團隊開發了一種基于物聯網（IoT）的低成本多傳感器監測系統，旨在實現 VOCs 排放實時監控與活性炭濾材更換周期的精準預測。研究中采用的關鍵技術包括：在吸附塔出口部署由金屬氧化物半導體（MOS）傳感器（如 MQ135、MQ138）和光離子化檢測器（PID）傳感器（PID-A15）組成的 8 組傳感器模塊，通過控制器局域網絡（CAN）通信將數據傳輸至本地服務器；構建強化自適應神經模糊推理系統（RANFIS），集成動態異常值檢測與校正機制以提升 VOCs 濃度預測精度；利用決策樹（DT）模型基于 RANFIS 輸出結果估算濾材穿透點，確定最佳更換時間。
多傳感器系統部署與數據采集
研究在某汽車涂裝車間的吸附塔排氣口安裝 8 個傳感器模塊，覆蓋不同位置以提高空間測量分辨率。通過加熱板蒸發油漆稀釋劑（AB380S）模擬實際 VOCs 排放場景，使用 FID 設備（phx42 2）作為參考儀器同步測量。實驗在溫度 24℃~34℃、相對濕度 27%~72% 條件下進行，累計獲取兩組分別包含 43,793 和 25,836 條數據的數據集，用于模型訓練與評估。
RANFIS 模型優化與性能驗證
傳統自適應神經模糊推理系統（ANFIS）在處理動態環境數據時易受噪聲干擾，而 RANFIS 通過新增兩層預處理機制提升魯棒性：第一層基于統計指標（均值、標準差）檢測異常值并替換為鄰近正常值，第二層通過梯度分析識別梯度異常值（GAO），結合質量評分（QS）動態排除不可靠傳感器數據。實驗表明，RANFIS 在預測 VOCs 濃度時表現顯著優于深度神經網絡（DNN）和傳統 ANFIS 模型。以 PID-A15 傳感器數據為例，RANFIS 的均方根誤差（RMSE）僅為 8.918，較 ANFIS 降低 82.4%，平均絕對百分比誤差（MAPE）降至 9.147%，證明其在噪聲抑制和精度提升方面的有效性。
決策樹模型預測濾材更換周期
基于 RANFIS 預測的 VOCs 濃度數據，研究團隊構建決策樹模型以判斷活性炭濾材是否需要更換。以吸附塔進出口濃度比定義減排效率 η（η=1-Cout/Cin），當出口濃度達到進口濃度的 10% 時（即 η=90%）視為穿透點。通過設定不同減排效率閾值（80%~30%），決策樹模型在 η≥60% 時預測準確率超過 80%，其中 η=80% 時 PID-A15 傳感器數據的預測準確率最高。該結果表明，結合 RANFIS 與決策樹的集成方案可在保證較高減排效率的同時，實現濾材更換周期的可靠預測。
研究結論與意義
本研究開發的 IoT 多傳感器監測系統與智能預測模型為中小型工業場所的 VOCs 管理提供了經濟高效的解決方案。通過低成本傳感器陣列與先進算法的結合，系統實現了傳統昂貴設備（如 FID）的功能替代，顯著降低監測成本的同時，將濾材更換周期預測準確率提升至 80% 以上，有效避免了過度更換造成的資源浪費和延遲更換引發的環境污染問題。盡管研究存在環境特異性、傳感器漂移等局限性，但為后續開發具有普適性的工業廢氣處理智能管理系統奠定了基礎。未來研究可進一步優化傳感器部署策略、開發動態校準算法，推動該技術在更多工業場景中的應用。
