关于数据集
附加信息
这项研究提出了一个全面的数据集，包括42，948个时间序列测量记录从一个定制开发的3-金属氧化物 (MOX) 气体传感器阵列的化学检测平台，设计用于模拟密闭空间环境。该数据集旨在研究温度和湿度对MOX传感器响应的影响，并提高可变环境条件下气体分类模型的鲁棒性。每个测量由以100Hz的采样率在8，461毫秒内记录的三个时间序列信号组成，提供传感器行为的高分辨率时间数据。该数据集还包括温度，相对湿度和时间的同步记录，从而可以研究气体传感器性能的环境依赖性。总体而言，数据集包括六个时间序列信号，每个包含4，770个数据点，表示每个实例的组合传感器和环境信息。
系统设计与数据采集
实验于2025年8月在马来西亚波斯大学 (UniMAP) 的Ceastech实验室进行。传感平台集成在温度和湿度控制的培养箱中，旨在为气体暴露测试保持稳定和可重复的环境。孵化器配置文件允许环境参数的系统变化，以模拟真实的密闭空间条件。实验装置采用以开放循环配置操作的基于质量流量控制器 (MFC) 的气体输送模块。这种构造使环境空气连续地循环通过培养箱室，从而确保动态气流条件并防止气体积聚或饱和。使用Python脚本对MFC系统进行编程，从而可以精确控制气体流速，浓度混合和时序。微控制器单元 (ESP32) 用于硬件协调，实时通信和无线数据采集。这确保了气体输送、环境监测和传感器信号记录之间的同步操作。
传感器配置
传感平台结合了三个市售的MOX气体传感器，每个传感器都具有不同的敏感层成分，经过优化可用于检测特定的目标气体。虽然每个传感器表现出对特定气体的选择性，但也观察到对其他气体的交叉敏感性-这是基于MOX的传感器的共同特征。传感器安装在定制的气室中，该气室旨在促进均匀的气体暴露，稳定的温度分布和受控的湿度相互作用。对腔室设计进行了计算流体动力学 (CFD) 模拟，以优化流速分布并最大程度地减少死区，从而提高了测量的可重复性。将优化的室集成到培养箱中，允许环境因素的受控变化。在实验期间，温度从16 °C变化到30 °C，而相对湿度被调节到45% 、55% 、65% 和75%。这些变化使得能够在不同环境条件下全面评估传感器行为。
目标气体和浓度
选择了通常与密闭空间危害相关的三种气体: 一氧化碳 (CO)，硫化氢 (h 2 s) 和甲烷 (ch 4)。这些气体是根据其毒性，可燃性和在工业密闭环境中的普遍性来选择的。浓度水平与职业安全与健康管理局 (OSHA) 允许的暴露极限 (pel) 保持一致，保持安全但具有代表性的暴露水平。
环境影响及研究目的
该数据集的一个关键目标是研究MOX传感器响应的环境依赖性-特别是温度和湿度对传感器电阻，灵敏度和恢复的影响。MOX传感器根据化学电阻原理工作，其中气体相互作用改变金属氧化物的表面电导率。这些相互作用高度依赖于温度，并且可能受到环境湿度的影响，环境湿度会影响传感器表面上的吸附和解吸动力学。通过将同步的环境参数与传感器输出一起包括在内，该数据集可以开发补偿模型和混合学习框架，以解决环境变化的问题。这样的模型可以在实际部署场景中提高分类准确性和长期稳定性，特别是在环境波动显著的密闭空间中。
应用和研究使用
该数据集支持多个分析和机器学习任务，包括: 使用监督式深度学习模型进行气体分类。基于回归的浓度预测校准。传感器随时间漂移补偿。通过环境建模进行温度和湿度校正。
这些功能使其成为化学传感，机器学习和智能仪器研究社区的宝贵基准。环境数据的包含支持混合深度神经网络 (DNN) 和基于回归的校正模型的应用，使算法能够学习气体响应与环境因素之间的相关性。
混合DCNN-回归框架
该数据集还为开发与基于线性回归的校正层集成的混合深度卷积神经网络 (DCNN) 奠定了基础。这种混合架构旨在通过补偿由温度和湿度波动引起的信号偏差来提高分类精度。通过这种方法，可以量化和减轻MOX传感器的环境依赖性，从而提高气体检测系统的鲁棒性和稳定性。
实验一致性和可用性
所有实验均在标准化操作条件下进行，每次运行前进行传感器校准以确保数据一致性。在整个实验中保持相同的气体暴露顺序、流速 (100 ml/min) 和孵育控制曲线。数据以时间同步的格式存储，以促进未来研究中的重现性和交叉验证。
完整的数据集公开供非商业研究使用，坚持开放科学原则，鼓励合作和基准测试。补充材料，包括实验原理图，PCB布局，数据采集架构和传感器室几何形状，随附数据集，以全面了解系统设计和数据收集过程。
意义
该数据集对环境弹性气体传感系统的研究做出了重大贡献。通过将高分辨率MOX传感器信号与环境参数耦合，它为开发用于现实世界危险气体检测的自适应校准技术，传感器融合算法和数据驱动的校正模型提供了基础。从该数据集获得的见解将支持下一代气体传感器模块的发展，该模块能够在密闭和工业环境中典型的不同环境条件下保持可靠的性能。
