一种厨房环境中多组分有害气体检测装置及检测方法与流程

本发明涉及有害气体检测领域，尤其涉及一种厨房环境中多组分有害气体检测装置及检测方法。

背景技术：

长期以来，由于燃气、装修、地理位置、通风习惯等各种因素，室内环境中的有毒有害气体浓度很可能短时间内远远高于安全标准。而高浓度的有毒有害气体，对人体会造成极其不利的影响，轻则导致身体不适、健康受损，重则引起火灾、爆炸等严重事故。

当前有毒有害气体的检测通常应用于工业和室外场合，如隧道、矿井、工厂等，且往往只提供报警的功能，而不能检测出复杂混合气中多种单独组分气体的浓度，难以满足人们日益增长的需求。而市面上的商用仪器由于体积大、价格昂贵、操作不便等缺点，不适合在日常生活中进行长期空气质量的检测。因此，需要提出一种快速、廉价、便捷、小型化的有毒有害气体检测设备及检测技术，进一步实现智能判别各目标气体组分的浓度。

技术实现要素：

本发明目的在于针对现有技术的不足，提供一种厨房环境中多组分有害气体检测装置及检测方法，解决常用的检测手段中操作复杂、价格昂贵、仪器庞大、无法进行多组分测量等缺点。

本发明的目的是通过以下技术方案来实现的：一种厨房环境中多组分有害气体检测装置，其特征在于，该装置包括进样模块、供电模块、气室及传感器模块、信号处理模块、ad转换模块、单片机最小系统模块、串口模块；

所述进样模块包括气泵、干燥过滤管和加热室，用于匀速往气室及传感器模块通入经干燥、过滤和控温后的气体；所述气泵用于使进样时和传感器清洗时的气体流速一致且不变，确保传感器输出的电压信号在传感器清洗前后的相对稳定；所述干燥过滤管，内部采用变色硅胶填充，用于过滤进样气体中的颗粒物杂质和水汽，并通过颜色变化指示硅胶性能状况；所述气泵、干燥过滤管和加热室依次连接；

所述供电模块用于为进样模块和单片机最小系统模块提供所需的不同电压，由+12v开关电源供电；

所述气室及传感器模块包括气室和传感器阵列，所述气室主体为长方体结构，气室内部上方有一个气体检测室，气体检测室侧面开有进气孔，所述进气孔连接有进气管，气室内的底部开有6个mos传感器圆槽用于传感器的固定和替换，在气室的底部还开有3mm高度的底部空槽，并且在气室的底部与进气孔相对的一侧开有出气槽，所述底部空槽与出气槽连通，所述出气槽的底部设有温湿度传感器位点，在出气槽的侧面开有出气孔，所述出气孔连接出气管，用于待检测的气体从气室底部的底部空槽汇合后经出气管排出；所述传感器阵列包括6个mos传感器和1个温湿度传感器；所述mos传感器设置在mos传感器圆槽中，mos传感器的头部位于气体检测室中，与进气孔的高度一致；所述温湿度传感器设置在出气槽的底部的温湿度传感器位点处，用于检测加热后流过传感器阵列的气体的实际温度和湿度。

所述信号处理模块采用差分放大电路和rc滤波，用于对传感器阵列的输出信号进行差分放大和滤波处理，使其在通入恒定流速1000毫升/分钟纯净空气后的输出电压稳定在1.0v以下，以允许传感器输出电压有较大的变化区间；

所述ad转换模块用于快速完成差分放大和滤波处理后的传感器的电压信号的ad转换，输入到单片机最小系统模块；

所述单片机最小系统模块装载有判别待测气体浓度的算法模型，用于将接收的信号直接在下位机进行分析运算并得出最终结果，通过串口模块发送至上位机；

所述串口模块采用usart串口通过串口转usb信号线向上位机发送检测的结果

进一步地，所述气泵为实验室用微型真空泵，通过pwm波实现流速调节，整个检测过程中气泵都一直运行；气泵也可由配气仪或其他进样仪器代替。

进一步地，所述加热室由铜管、加热片、导热胶、固定架等组成；加热室采用高性能耐热尼龙3d打印而成，内部可装入4支外径6mm内径4mm的铜管。

进一步地，所述供电模块采用稳压芯片ua7805和reg1117-3.3来分别产生+5v电压和+3.3v电压，并使用两个贴片led灯串联一个电阻后接于稳压芯片输出与地之间，用于指示电压转换是否正常。

进一步地，所述气室材质为树脂，气室内部使用未来8000树脂填充了大部分无用空间，使得气室内部气体容积进一步减小，缩短清洗传感器的时间；气室的进气管和出气管尺寸均为外径6mm、内径4mm，作为气路连接的硅胶管尺寸为外径8mm，内径4mm，以保证良好的气密性。

进一步地，所述传感器阵列的一种组合为：mp-9、mp-4、mp503、tgs821、tgs816、tgs2602以及sht20数字温湿度传感器。

进一步地，所述传感器阵列检测的有害气体为厨房环境中的一氧化碳、甲烷和甲醛，检测的干扰气体氢气和乙醇。

一种利用上述检测装置的厨房环境中多组分有害气体检测方法，其特征在于，该方法包括以下步骤：

(1)传感器预热

检测装置的传感器需要在没有进气的情况下预热至少半小时，使传感器充分预热。

(2)传感器清洗

单片机最小系统模块通过继电器接通进样模块中的气泵，使其将标准空气以1000毫升/分钟的恒定流速通入气室，清洗传感器阵列，去除杂质干扰，持续至少30分钟，直到传感器阵列的输出电压平稳后，并且每个传感器电压都降到预先设定的电压基线值以下，进入能够进样与检测的状态，执行步骤(3)。

(3)进样与检测，具体包括以下步骤：

(3.1)进样并采集传感器特征值，具体为：将在进样模块中干燥、过滤和控温后的待测气体通入气室进行检测，持续5分钟，期间单片机最小系统模块采样传感器阵列输出的电压信号，等时间间隔采样，通过信号处理模块和ad转换模块将电压信号转换为数字信号，进而得到传感器的特征值数据并保存，传感器的特征值数据包括进样前基线值、电压最大正斜率、电压响应峰值、电压峰面积、恢复电压基线时间、温度特征值和湿度特征值，单片机最小系统模块装载有bp人工神经网络；

所述进样前基线值为单次检测过程之前，经过差分放大处理的传感器输出电压值，记为bi，i＝1,2,3,4,5,6；所述电压响应峰值为单次检测过程中，经过差分放大处理的传感器输出的最大电压值，记为pi，i＝1,2,3,4,5,6；所述电压峰面积为单次检测进样过程中，电压响应上升，传感器的输出电压相对进样前基线值的电压差值的累加和；所述电压最大正斜率为单次检测的进样过程中，电压响应上升时的响应曲线的斜率最大值；所述恢复电压基线时间为从单次检测的清洗过程开始的采样点计数，当电压下降至检测前基线的电压时，则认为清洗完全，以此时采样点的个数作为恢复电压基线的时间；所述温度特征值和湿度特征值为：在传感器峰值时提取的温湿度传感器数值，与峰值前后相邻的两个采样点的温湿度传感器数值进行三点求平均值，得到最终温度特征值和湿度特征值。

对采样的进样前基线值和电压响应峰值进行处理，得到响应峰值时刻第i个传感器电阻与进样前基线时传感器电阻的比值，即电阻比，记为ri，公式如下：

(3.2)将传感器采集并处理的特征值作为训练集，训练bp人工神经网络，具体为：bp人工神经网络的输入层神经元26个，中间隐层神经元9个，输出层神经元3个，3个输出层神经元分别代表一氧化碳、甲烷和甲醛的气体浓度值，输入层和中间层的每一个神经元的初始权值和阈值随机生成，损失函数采用均方误差，为三种检测气体的浓度计算值与实际值的均方误差和。其中，中间隐层神经元个数的确定方法如下：根据经验公式确定，公式如下：

其中n为输入神经元个数，m为输出神经元个数，l为中间层神经元个数，a为在[1,10]范围内的常数。选取中间神经元个数为6～14的9种情况，分别对每种情况计算若干次三种检测气体的浓度计算值与实际值的均方误差和，并分别取平均值，每种情况计算均方误差的次数相同，得到9个平均值，其中最小值对应的中间神经元个数为9个，即为最佳中间隐层神经元个数。

输入层-中间层激活函数为tansig,因此每个中间层神经元的输出mid_output可由下式计算。其中，n表示单个神经元的多个输入与其各自权值、阈值计算后累加得到的结果。

mid_output＝tansig(n)＝2/(1+exp(-2*n))-1

而中间层-输出层激活函数为purelin,因此每个输出层神经元的输出output可由下式计算。

output＝purelin(n)＝n

将6个电压响应峰值时刻的传感器电阻与进样前基线时的传感器电阻的比值、6个电压最大正斜率、6个电压峰面积、6个恢复电压基线时间、1个温度特征值和1个湿度特征值作为训练集输入到单片机最小系统模块装载的bp人工神经网络中，通过贝叶斯正则化算法进行训练bp人工神经网络，损失函数小于10^-3时停止训练，最终确定输入层和中间层的每一个神经元的权值和阈值，得到训练好的bp人工神经网络。

(3.3)将传感器采集的待检测气体的26个特征值输入到bp人工神经网络中，经过bp人工神经神经网络计算，输出3种待检测气体浓度，并将计算结果通过串口模块发送至上位机。

(4)清洗状态

检测完成后，进样气泵将标准空气以1000毫升/分钟的恒定流速通入检测气室，清洗传感器阵列10分钟以上，直到每个传感器都恢复电压基线值以下，然后重复步骤(3.3)和(4)可继续进样并检测，直到人为停止检测。

进一步地，所述单片机最小系统模块还可以载入经典主成分分析算法优化的bp人工神经网络，经典主成分分析算法针对bp人工神经网络的26个输入特征值进行预先优化处理，计算原输入的协方差矩阵，其特征根为主成分方差，将特征根从大到小排列，取前4个特征根所对应的特征向量作为主成分的系数，其累积方差贡献率达到85％以上，能解释原输入特征值大部分信息。根据系数与输入的26个特征值，可得到4个主成分fi＝ai0+ai1x1+ai2x2+…+ai26x26,i＝1,2,3,4作为新特征值，其中aij为计算得到的系数，i＝1,2,3,4，j＝1,2…26，x1～x26为输入的26个特征值。此时bp人工神经网络为输入层神经元4个，中间隐层神经元9个，输出层神经元3个，将4个主成分作为训练集，通过贝叶斯正则化算法训练bp人工神经网络，确定的输入层和中间层的每一个神经元的权值和阈值，得到训练好的bp人工神经网络，用于进样与检测。

进一步地，所述单片机最小系统模块还可以载入经典偏最小二乘算法优化的bp人工神经网络，将训练集中的26个特征值输入作为自变量，将3种待检测气体实际浓度输出作为因变量，经典偏最小二乘算法分别在自变量和因变量中提取成分t1和u1，t1为自变量xi的线性组合，即t1＝a0+a1x1+a2x2+…+a26x26，u1为因变量的线性组合，即u1＝β0+β1x1+β2x2+…+β26x26，使t1和u1两者的协方差达到最大。记t1和u1为第一成分。用提取完第一成分的残差继续提取第二成分，重复该步骤，取前四个成分，其交叉有效性每次提取成分可得到的ti与各个输入自变量之间的系数aij,i＝1,2,3,4，j＝1,2…26。根据经典偏最小二乘法得到的四组系数针对bp人工神经网络的26个输入特征值进行预先优化处理，计算出四个成分fi＝ai0+ai1x1+ai2x2+…+ai26x26,i＝1,2,3,4作为新特征值，其中x1～x26为输入的26个特征值。此时bp人工神经网络为输入层神经元4个，中间隐层神经元9个，输出层神经元3个，将4个成分作为训练集，通过贝叶斯正则化算法训练bp人工神经网络，确定的输入层和中间层的每一个神经元的权值和阈值，得到训练好的bp人工神经网络，用于进样与检测。

本发明的有益效果是：

其一，具有多组分气体同步检测功能，尤其是在厨房环境下特定干扰气体存在的情况下，依然可以准确地对目标气体进行多组分气体的快速检测，增强了装置的实用性。

其二，独特的检测气室结构设计。气室内部使用未来8000树脂填充了大部分无用空间，使得最大气体容积进一步减小，清洗传感器的时间也会进一步缩短。

其三，动态进样检测的流程设计。静态扩散往往不能满足快速检测的需求，也不能确保测得的数据足够准确，因此本发明采用固定流速动态检测的方式，并对清洗和检测的时间进行了优化，很好地克服了这个问题。

其四，装置小型化和智能化。仪器各模块结构简单、连接与布局最优化、体积较小，可以在下位机嵌入复杂算法模型进行数据运算，实现对厨房有害气体的检测，并将结果上传至上位机或其他显示设备。仪器整体操作简便，功能较完善，智能化水平高。

其五，提出了主成分分析算法与bp人工神经网络联用以及偏最小二乘算法与bp人工神经网络联用的两种联合算法，主成分分析算法与偏最小二乘算法均针对bp人工神经网络的输入特征值部分进行优化。

附图说明

图1是电路结构示意图；

图2是气路加热装置结构图；

图3是气室的左右视角底部结构图；

图4是气室温度随时间的变化图；

图5是气室湿度随时间的变化图。

图6是气敏传感器输出信号原始特征值示意图

图中，1.进样模块；2.供电模块；3.气室及传感器模块；4.信号处理模块；5.ad转换模块；6.单片机最小系统模块；7.串口模块；8.进气管；9.进气孔；10.mos传感器圆槽；11.温湿度传感器位点；12.底部空槽；13.出气槽；14.出气孔；15.出气管。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明一种厨房环境中多组分有害气体检测装置的一种电路结构示意图，包括进样模块1、供电模块2、气室及传感器模块3、信号处理模块4、ad转换模块5、干燥管5、单片机最小系统模块6、串口模块7。所述进样模块1包括气泵、过滤网、干燥过滤管、加热室。气泵通过继电器驱动，以恒定流速抽取经过滤网过滤的气体依次通入干燥过滤管、加热室，最终到达气室，其中的气泵也可以由配气仪或其他进样仪器代替。加热室采用高性能耐热尼龙3d打印而成的加热室，内部可装入4支外径6mm内径4mm的铜管。所述的供电模块由+12v开关电源供电，而后采用稳压芯片ua7805和reg1117-3.3来分别产生+5v电压和+3.3v电压，为检测装置提供所需的不同电压，两个贴片led灯串联一个电阻后接于稳压芯片输出与地之间，指示电压转换是否正常。所述气室及传感器模块3包括气室和传感器阵列，所述的气室采用未来8000树脂3d打印而成，气室大小具有光滑度高、性能稳定等优点。气室的进气管和出气管尺寸均为外径6mm、内径4mm，作为气路连接的硅胶管尺寸为外径8mm，内径4mm，以保证良好的气密性。在气室底部可以放置多个传感器构成传感器阵列，所述传感器阵列采用经筛选的6种商用金属氧化物半导体传感器，可以对复杂气体成分作出交叉响应，包括有害气体及无害干扰气体。另外还加入温湿度传感器sht20，对气室内温湿度进行定时测量。所述的信号处理模块4采用差分放大电路和rc滤波，可以对传感器输出电压进行预处理，灵活调节其变化范围。所述的ad转换模块采用片外adc128s052芯片，具有低功耗、多通道等优点，可以快速完成6路传感器通道电压信号的ad转换。所述的单片机最小系统采用msp430f169芯片作为微控制器，具有功耗低、运算速度快、片内资源丰富等优点，单片机最小系统模块6装载有算法模型，可以将所测信号直接在下位机进行分析运算并得出最终结果，并通过uart串口向上位机发送浓度检测数据。串口模块7采用usart串口通过串口转usb信号线连接上位机，可以在检测全过程向上位机发送检测进度情况和最终检测数据。

如图2所示，本发明一种厨房环境中多组分有害气体检测装置的一种加热室结构示意图。该加热室由高性能耐热尼龙3d打印而成，中间的凹槽可以放置外径6mm内径4mm的空心铜管4支，用于将加热片的热量快速且充分地传递给内部气流。加热片固定在上方正方形槽中，底部通过导热硅胶与铜管和加热装置接触，增大接触面积和导热系数，从而实现良好的导热。

如图3所示，本发明一种厨房环境中多组分有害气体检测装置的一种气室结构图。气室底部通过705透明rtv硅橡胶与电路板传感器区域相接，保证其良好的粘连性和气密性。

检测装置启动用于检测时，需要将检测装置的传感器需要在没有进气的情况下预热至少半小时，使传感器充分预热。然后以1000毫升/分钟的恒定流速通入气室，清洗传感器阵列，去除杂质干扰，持续至少30分钟，直到传感器阵列的输出电压平稳后，并且每个传感器电压都降到预先设定的电压基线值以下，进入能够进样与检测的状态，可对待测气体进行浓度检测，检测装置启动后一般不需要停止，可以连续进行检测。连续进行检测时，清洗传感器阵列时间可以缩短，10分钟左右就可保证每个传感器电压都降到预先设定的电压基线值以下。

检测过程中，干燥和颗粒过滤后的混合气体经进气管8进入气室，以1000毫升/分钟的流速持续进气5分钟。进样时间过短则传感器响应依然在剧烈变化，过长则造成能源的浪费和时间的消耗.而进样流速过大会导致温湿度测量不准确以及传感器响应在切换模式时容易出现明显的过响应尖峰，过小则会导致配制的气体浓度误差增大且传感器响应不够明显；进气孔9与传感器头部高度相当，确保气流可以快速流过每一个传感器；mos传感器圆槽10可以平稳放置传感器；气流可以流过传感器表面，通过底部空槽12，并从出气槽13中的温湿度传感器位点11经过，而后从出气孔14和出气管15排出，温湿度传感器位点11位于传感器阵列之后，即气室中气路的末端，因此测得的数据能够准确反映传感器阵列附近气流整体的温度和湿度变化情况，如图4和图5所示。检测期间单片机最小系统模块6定时采样传感器阵列输出的电压信号，通过信号处理模块4和ad转换模块5将电压信号转换为数字信号，进而得到传感器的特征值数据以及气室的温湿度数据并保存，传感器原始的特征值数据包括进样前基线值、电压最大正斜率、电压响应峰值、电压峰面积、恢复电压基线时间、温湿度等，所述进样前基线值为单次检测过程之前，经过差分放大处理的传感器输出电压值，记为bi，i＝1,2,3,4,5,6；所述电压响应峰值为单次检测过程中，经过差分放大处理的传感器输出的最大电压值，记为pi，i＝1,2,3,4,5,6；所述电压峰面积为单次检测进样过程中，电压响应上升，传感器的输出电压相对进样前基线值的电压差值的累加和；所述电压最大正斜率为单次检测的进样过程中，电压响应上升时的响应曲线的斜率最大值；所述恢复电压基线时间为从单次检测的清洗过程开始的采样点计数，当电压下降至检测前基线的电压时，则认为清洗完全，以此时采样点的个数作为恢复电压基线的时间；所述温度特征值和湿度特征值为：在传感器峰值时提取的温湿度传感器数值，与峰值前后相邻的两个采样点的温湿度传感器数值进行三点求平均值，得到最终温度特征值和湿度特征值。

对采样的进样前基线值和电压响应峰值进行组合运算，得到响应峰值时刻第i个传感器电阻与进样前基线时传感器电阻的比值，即电阻比，记为ri，公式如下：

经特征值处理后，剩下电阻比、电压最大正斜率、电压峰面积、恢复电压基线时间、温湿度等，单片机最小系统模块6装载有bp人工神经网络，将处理后的传感器特征值作为训练样本，训练bp人工神经网络，具体为：bp人工神经网络的输入层神经元26个，中间隐层神经元9个，输出层神经元3个，3个输出层神经元分别代表一氧化碳、甲烷和甲醛的气体浓度值，输入层和中间层的每一个神经元的初始权值和阈值随机生成，损失函数采用均方误差，为三种检测气体的浓度计算值与实际值的均方误差和。其中，中间隐层神经元个数的确定方法如下：根据经验公式确定，公式如下：

其中n为输入神经元个数，m为输出神经元个数，l为中间层神经元个数，a为在[1,10]范围内的常数。选取中间神经元个数为6～14的9种情况，分别对每种情况计算若干次三种检测气体的浓度计算值与实际值的均方误差和，并分别取平均值，每种情况计算均方误差的次数相同，得到9个平均值，其中最小值对应的中间神经元个数为9个，即为最佳中间隐层神经元个数。

输入层-中间层激活函数为tansig,因此每个中间层神经元的输出mid_output可由下式计算。其中，n表示单个神经元的多个输入与其各自权值、阈值计算后累加得到的结果。

mid_output＝tansig(n)＝2/(1+exp(-2*n))-1

而中间层-输出层激活函数为purelin,因此每个输出层神经元的输出output可由下式计算。

output＝purelin(n)＝n

将6个电压响应峰值时刻的传感器电阻与进样前基线时的传感器电阻的比值、6个电压最大正斜率、6个电压峰面积、6个恢复电压基线时间、1个温度特征值和1个湿度特征值作为训练集输入到单片机最小系统模块6装载的bp人工神经网络中，通过贝叶斯正则化算法进行训练bp人工神经网络，损失函数小于10^-3时停止训练，最终确定的输入层和中间层的每一个神经元的权值和阈值，得到训练好的bp人工神经网络。

将传感器采集并经过处理的待检测气体的26个特征值输入到bp人工神经网络中，经过bp人工神经神经网络计算，输出3种待检测气体浓度，并将计算结果通过串口模块7发送至上位机。

单片机最小系统模块6还可以装载经典主成分分析算法优化的bp人工神经网络，经典主成分分析算法针对bp人工神经网络的26个输入特征值进行预先优化处理，计算原输入的协方差矩阵，其特征根为主成分方差，将特征根从大到小排列，取前4个特征根所对应的特征向量作为主成分的系数，其累积方差贡献率达到85％以上，能解释原输入特征值大部分信息。根据系数与输入的26个特征值，可得到4个主成分fi＝ai0+ai1x1+ai2x2+…+ai26x26,i＝1,2,3,4作为新特征值，其中aij为计算得到的系数，i＝1,2,3,4，j＝1,2…26，x1～x26为输入的26个特征值。此时bp人工神经网络为输入层神经元4个，中间隐层神经元9个，输出层神经元3个，将4个主成分作为训练集，通过贝叶斯正则化算法训练bp人工神经网络，确定的输入层和中间层的每一个神经元的权值和阈值，得到训练好的bp人工神经网络，用于进样与检测。

单片机最小系统模块6还可以载入经典偏最小二乘算法优化的bp人工神经网络，将训练集中的26个特征值输入作为自变量，将3种待检测气体实际浓度输出作为因变量，经典偏最小二乘算法分别在自变量和因变量中提取成分t1和u1，t1为自变量xi的线性组合，即t1＝a0+a1x1+a2x2+…+a26x26，u1为因变量的线性组合，即u1＝β0+β1x1+β2x2+…+β26x26，使t1和u1两者的协方差达到最大。记t1和u1为第一成分。用提取完第一成分的残差继续提取第二成分，重复该步骤，取前四个成分，其交叉有效性每次提取成分可得到的ti与各个输入自变量之间的系数aij,i＝1,2,3,4，j＝1,2…26。。根据经典偏最小二乘法得到的四组系数针对bp人工神经网络的26个输入特征值进行预先优化处理，计算出四个成分fi＝ai0+ai1x1+ai2x2+…+ai26x26,i＝1,2,3,4作为新特征值，其中x1～x26为输入的26个特征值。此时bp人工神经网络为输入层神经元4个，中间隐层神经元9个，输出层神经元3个，将4个成分作为训练集，通过贝叶斯正则化算法训练bp人工神经网络，确定的输入层和中间层的每一个神经元的权值和阈值，得到训练好的bp人工神经网络，用于进样与检测。

对于一氧化碳240ppm，甲烷8400ppm和甲醛0ppm的混合气体样本的多种下位机算法测试实例如下表所示，检测装置中的6个传感器的阈值电压分别为：0.6v、1.0v、0.7v、0.3v、0.5v、0.8v。

当单片机最小系统模块6中载入的算法为偏最小二乘回归或主成分回归时，检测的一氧化碳和甲烷的误差很大，只有甲醛为0，较为准确，当单片机最小系统模块6中载入的算法为bp人工神经网络时，检测的三种气体值的误差有所减少，较接近实际值，当单片机最小系统模块6中载入的算法为主成分分析+bp人工神经网络或偏最小二乘+bp人工神经网络时，检测的结果较为准确，与实际值的误差很小。

清洗与进样的气流通道在气室中完全一致，而清洗时间比进样时间更长，10分钟以上直到使得每个传感器都恢复电压基线值以下。过长的清洗时间会造成时间和资源的浪费，过短则会造成部分待测气体尚有残留、基线来不及恢复到初始水平形成明显的基线漂移。清洗完成后可继续检测，直到人为停止检测。

本发明厨房环境中多组分有害气体检测装置的一种传感器组合为mp-9、mp-4、mp503、tgs821、tgs816、tgs2602以及sht20数字温湿度传感器，可检测的各目标气体浓度范围为：

一氧化碳检测范围：10～1000ppm；

甲烷检测范围：500～10000ppm；

甲醛检测范围：1～50ppm。

干扰气体在正常检测下允许的浓度范围分别为：氢气10-100ppm、乙醇10-50ppm。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。