[摘要] 随着汽车消费市场对车内环境质量要求的不断提高，传统依赖人工嗅辨的气味评价方法在一致性控制方面存在明显不足。为实现气味质量的量化管理与过程控制，本文研究了一套面向汽车内饰生产环节的气味一致性监控系统。该系统基于物联网架构，集成多类工业传感器，实时采集温湿度、总挥发性有机物（TVOC）及关键工艺参数，构建了涵盖数据采集、传输、处理与分析的全流程监控体系。应用结果表明，该系统可显著提升产品气味一致性，降低质量波动，为汽车制造企业提供了一套可靠的气味质量控制解决方案。
[关键词] 车内气味；量产一致性；物联网；监控系统
张敬明
毕业于西安电子科技大学信息安全专业，
在气味可视化客观评价领域、汽车试验领域、
车联网领域以及智能座舱试验室等方面取得了显著成果。
参与国家级课题研究项目3项，授权发明专利4项，发表学术论文6篇。
引言
车内气味质量作为衡量汽车品质的核心指标之一，直接影响消费者的驾乘体验和品牌忠诚度。目前，国内外汽车制造商普遍采用人工嗅辨方法进行气味评估，该方法依赖于评价人员的主观判断，存在明显的局限性。由于不同评价者之间标准不一，导致同一产品在不同时间段的评价结果可能出现显著偏差，且无法实现数据的量化管理与过程追溯[1]。特别在胶黏剂、皮革、塑料等汽车内饰材料的规模化生产过程中，气味特性易受环境温湿度、通风条件、生产工艺参数等多因素耦合影响，导致批量产品存在气味不一致的风险，传统方法难以实现有效管控。
随着智能制造和数字孪生技术的快速发展，基于物联网的监控系统为工业质量控制提供了新的技术路径[2]。通过构建覆盖生产全流程的实时数据采集与分析体系，可实现环境参数与工艺变量的连续监测，从而建立客观、可量化的质量评价与控制系统。在这一背景下，本研究针对汽车内饰生产过程中的气味一致性问题，研制了一套集成多源传感、边缘计算与云平台技术的量产监控系统，重点攻克了异构设备接入、数据融合处理、质量追溯与智能预警等关键技术，并在典型生产场景中完成了系统验证与效果评估。
1 系统总体设计
1.1 系统架构
图1 系统架构图
本研究设计的监控系统采用分层分布式架构，包括数据采集层、网络传输层、数据处理层和应用服务层四个主要部分，见图1。
数据采集层作为系统的基础，负责通过部署于生产现场的多类传感器实时采集环境参数（温度、湿度、 TVOC浓度）及关键工艺数据（如烘烤时间、喷涂量）[3]。该层采用工业级传感器与数据采集终端，支持模块化设计与热插拔功能，便于现场安装与后期维护。
网络传输层负责将采集到的数据安全、可靠地传输至数据处理中心。该层采用边缘网关设备进行数据的初步清洗与协议转换，支持消息队列遥测传输（MQTT）、超文本传输协议（HTTP）等通信协议，并通过工业以太网、4G/5G及现场无线网络（WIFI）等多种通信方式实现数据的灵活传输。所有数据传输过程均采用加密算法，确保数据的完整性与安全性。
数据处理层采用微服务架构[4]，包含数据对接、设备管理、采集控制、可视化展示和系统管理五大功能模块。该层实现对多源数据的清洗、整合与存储，建立统一的数据质量评估与复核机制，为上层应用提供可靠的数据支持。
应用服务层通过网页平台（Web）、移动应用程序（APP）等多种形式为用户提供实时监控、历史查询、报警管理、报表生成等功能，支持多角色权限管理，确保系统操作的安全性与数据隔离。
1.2 数据处理与分析体系
为提高数据的可靠性与利用效率，系统建立了涵盖数据采集、传输与存储全流程的质量控制机制。在数据采集阶段，系统通过三重校验保障数据质量：范围校验确保数据处于传感器量程之内；突变校验识别异常跳变数据；连续性校验监控数据采集的中断情况。在数据传输阶段，采用加密通信协议防止数据篡改与丢失。在数据存储阶段，通过多重复核与备份机制确保数据的长期可用与一致性[5]。
针对数据预处理，系统根据数据缺失特征分别采取不同策略：对随机少量缺失数据，采用线性插值或均值填充方法；对连续大面积缺失数据，则标记为质量问题并触发报警机制。异常值检测融合了统计方法（如3σ准则、箱线图分析）与机器学习算法（如孤立森林、局部离群因子检测），有效识别噪声数据与异常模式，提升数据采集的质量与一致性。
在多源数据融合方面，系统采用卡尔曼滤波及其扩展算法（扩展卡尔曼滤波、无迹卡尔曼滤波）处理传感器观测噪声，通过状态空间模型区分系统真实状态与传感器输出，利用“预测—更新”机制优化估计精度[6]。对于非线性、强耦合生产环境，该算法显著提高了数据的可靠性与系统鲁棒性。
系统集成了多类数据分析算法，以满足不同场景的应用需求：统计分析模块提供描述性统计、假设检验与时间序列分析功能；机器学习模块实现异常检测、聚类分析等任务，采用集成学习方法提升模型泛化能力；深度学习模块基于卷积神经网络（CNN）与循环神经网络（RNN）提取特征并建模时序依赖关系，支持复杂质量问题的诊断与预测。
2 系统实施与应用分析
2.1 异构生产设备数据接入方案
在生产现场，设备类型的多样性和通信协议的异构性[7]是实现全面数据采集的主要挑战。本研究将生产设备分为三类，并制定了相应的接入策略。第一类设备具备标准工业通信接口，可直接通过协议解析接入系统，实现数据的高频采集与实时上传。第二类设备采用自定义通信协议，需通过边缘采集终端进行协议转换与数据封装，最终经网关设备统一上传。第三类设备不具备任何数据输出接口。针对此类设备，系统提供了多种采集方案：在机械结构允许的情况下加装传感器，直接监测物理参数；对具备人机界面的设备，采用文字识别技术识别屏幕信息；在具备操作系统的情况下，通过访问本地数据库或系统缓存间接获取数据。
通过上述分层接入策略，系统实现了对各类设备的全面覆盖与数据集成。
2.2 烘房工艺监控应用
图2 烘房温湿度曲线图
烘房工序是汽车内饰件生产过程中的关键环节，其工艺参数（温度、湿度及时间控制）直接影响最终产品的气味特性。传统生产依赖人工经验控制，缺乏量化监控手段，易导致批次间产品质量的差异。为解决该问题，系统在江苏常州某内饰件工厂遮阳帘烘房中进行了全面部署，见图2。
通过在烘房内部关键位置（包括进出口、中心区域及边缘死角）均匀布置8个高精度温湿度传感器，系统以每分钟一次的频率采集环境数据，并实时上传至监控平台。基于历史生产数据，系统建立了工艺评价模型，设定温度、湿度及时间等参数的最优控制范围。在实时监测过程中，系统自动比对实际数据与标准限值，发现异常即时触发多级报警（提示、警告、严重），并生成事件报告以供追溯与分析[8]。
监测数据表明，烘房内存在明显的温度分布不均现象，最大温差达8°C。通过优化通风系统与加热装置布局改善气流组织，最终将温差控制在3°C以内，显著提升了工艺稳定性。系统实施后，温度波动范围由±5°C降至±2°C，控制精度提高了60%；湿度控制精度由±15%提升至±5%；产品气味一致性指数从0.76提高到0.92;不良品率降低了35.6%；质量追溯时间由4小时缩短至30分钟，问题处理效率提升了87.5%。
2.3 喷涂设备监控应用
图3 抗甲醛喷涂装置流速散点
除醛喷涂是改善汽车内饰件气味质量的重要工艺，其喷涂量的精确控制直接影响处理效果。传统方法依赖定期检查与人工记录，无法实现全过程监控。系统通过引入高精度流量传感器（精度±0.5%）与压力传感器，对喷涂过程进行实时监测与闭环控制，见图3。
在某抗甲醛喷涂产线中，系统以每秒一次的频率采集流量、压力及涂料温度数据，有效捕捉生产工艺过程中的快速变化。系统建立了多维度评价体系，包括流量稳定性、喷涂均匀性及设备状态监控，确保喷涂质量的一致性与可靠性。监测中发现，因压力系统波动与喷嘴磨损导致的流量偏差是影响处理效果的主要因素。通过实时报警与工单推送功能，系统能够及时指导维护人员处理异常，避免质量事故的发生。
基于历史数据，系统构建了参数优化模型，综合考量涂料类型、环境条件与设备状态，推荐最佳工艺参数。应用结果显示，流量控制精度从±20%提升至±5%；喷涂均匀性指数由0.68提高至0.89;产品气味合格率由85%上升至96%；客户投诉率下降了43.2%。通过实施预防性维护，设备故障率降低了60%，维修成本减少了45%。除直接的质量提升外，系统还带来了除醛效率提高25%、涂料消耗降低15%和处理时间缩短20%的综合效益。
3 系统创新与优势
3.1 技术创新点
本研究在多个技术层面实现了创新。
首先，开发了基于深度学习的多源数据融合算法，能够有效整合不同来源、不同格式的环境与工艺数据，通过特征提取与交叉分析提升数据利用效率与模型准确性。该算法在数据缺失或含噪情况下仍保持稳定性能，具备较强的工程适应性。
其次，系统采用流批一体数据处理架构，兼顾实时性与处理能力。利用Apache Flink（由Apache软件基金会开发的开源流处理框架）实现毫秒级实时数据处理，满足监控与预警的低延迟需求；通过集成Spark引擎（Spark 是专为大规模数据处理而设计的快速通用的计算引擎）支持历史数据的批量处理与复杂分析任务。该架构显著提升了系统在多变生产环境中的响应速度与决策支持能力。
第三，智能预警系统采用深度异常检测算法，结合时序卷积网络与自编码器技术，能够同时捕捉时间序列的局部特征与长期依赖关系，显著提高异常检测的准确率与时效性[9]。系统通过无监督学习自动建立正常操作模式，支持多级阈值报警，有效降低误报与漏报率。
3.2 系统优势
与传统监控手段相比，本系统具有以下优势：监控能力全面，可同步采集温度、湿度、TVOC浓度等多种环境参数，并通过多参数关联分析识别潜在质量问题；智能化程度高，集成多种机器学习算法实现自动诊断与决策，降低对人工经验的依赖；系统扩展性强，采用模块化设计与微服务架构，支持功能灵活扩展与二次开发，提供开放式应用程序编程接口（API），便于与企业现有系统（如制造执行系统MES、企业资源计划ERP）集成。
在可靠性方面，系统硬件采用工业级设备，具备防尘、防潮与抗电磁干扰能力，适应恶劣工业环境；软件系统具备高可用性与容错机制，支持故障自动切换与数据备份恢复。在用户体验方面，系统提供网页端与移动应用程序双平台访问，界面设计简洁直观，支持多语言与角色权限管理，满足不同用户的个性化需求。
4 结论与展望
本研究成功研制了一套面向汽车内饰生产的气味量产一致性监控系统，通过集成物联网、多源数据融合与智能分析技术，实现了对关键环境与工艺参数的实时监测与精细管控[6][8]。系统在实际生产中应用效果显著，有效提升了产品气味一致性，降低了质量波动与生产成本，具备良好的经济效益与推广价值。
经济效益分析表明，系统投资回收周期约为1.2年，除直接的成本节约外，还带来了产品质量提升、客户满意度提高及品牌形象增强等间接效益。
未来研究工作将重点围绕以下方面展开：深化人工智能技术在气味质量控制中的应用，探索基于深度学习的气味预测与优化模型；进一步扩大监控参数范围，引入气味传感器实现直接气味指标监测；拓展系统在不同生产工艺与产品领域的应用，加强行业合作与标准制定，推动气味监控技术的规范化与标准化发展[10]。
通过持续的技术创新与应用实践，该系统有望在提升产品质量、增强市场竞争力、推动行业绿色制造等方面发挥重要作用，为汽车制造业的高质量发展提供关键技术支撑。
参考文献
〔1〕 王明智,李建国. 汽车内饰气味质量控制技术研究进展[J]. 汽车工程, 2023,45(2): 123-130.
〔2〕 Smith J, Johnson M. IoT-based environmental monitoring systems in manufacturing[J]. Journal of Manufacturing Systems, 2022, 64: 345-356.
〔3〕 张伟,刘强. 基于多源数据融合的工业环境监控系统设计[J]. 自动化学报,2023,49(5): 1021-1030.
〔4〕 Brown A, Davis R. Machine learning applications in quality control[J]. Computers & Industrial Engineering, 2022, 168: 108-120.
〔5〕 陈明,黄建国. 汽车内饰材料气味特性及控制方法研究[J]. 材料科学与工艺,2023,31(3): 45-52.
〔6〕 Wilson P, Thompson K. Real-time data processing in industrial IoT systems[J]. IEEE Transactions on Industrial Informatics, 2022, 18(6): 4021-4030.
〔7〕 赵刚,周文明. 基于深度学习的工业异常检测方法研究[J]. 控制与决策,2023,38(4): 867-874.
〔8〕 Garcia M, Rodriguez L. Smart manufacturing and quality management[J]. International Journal of Production Research, 2022, 60(8): 2456-2474.
〔9〕 刘建华,孙志强. 汽车内饰VOC释放特性及控制技术[J]. 环境科学学报,2023,43(2): 234-241.
〔10〕 Kim S, Lee H. Multi-sensordata fusion techniques for industrial applications[J]. Sensors, 2022, 22(15): 568-582.
