ADVENT

让气味成为数据 · GraphAISense by ADVENT

AI 已经学会了看、听、读。下一步,是闻。

文字、图片和声音早已大量存在于互联网上,但气味从未被记录下来。气味数据只能在现场实地测量才能获得。ADVENT 同时开发测量气味的设备和解读数据的 AI 模型,让机器能够识别气味。

GraphAISense Mk.2E 그래핀 AI 전자코

嗅觉——机器尚未拥有的感官

30 – 38

检测通道

≤ 2 秒

全通道测量周期

< 1 秒

设备端 AI 判断

1 ppm

检测下限(部分物质 0.1 ppm)

什么是电子鼻?

电子鼻像人的鼻子一样,靠“模式”来识别气味。

人的鼻子并不是逐一测量气味成分,而是由约 400 种嗅觉受体同时产生反应,大脑记住这种反应模式,从而辨别气味。AI 电子鼻也是同样的原理:多个性质各不相同的传感单元同时对空气作出反应,AI 根据反应模式判断出具体是什么气味,比如“电线外皮烧焦的味道”“污水泄漏”“和平时不一样的原料”。单个气体传感器只能测出某一种气体的浓度,多种气味混在一起时就无法区分。

사람의 코, 단일 가스센서, AI 전자코를 비교한 도식

产品

GraphAISense Mk.2E

这是目前已在出货的设备。石墨烯多传感器芯片通过 30~38 个通道一次读取混合气味,设备内置的模型包随即完成解读。从测量、判断到现场报警,全部在设备内部完成。

GraphAISense Mk.2E 그래핀 AI 전자코

多传感器芯片

EN-MSC.3E 石墨烯多传感器芯片

检测通道

30~38 个(视配置而定)

测量周期

全通道 ≤ 2 秒

AI 推理

设备端 < 1 秒(无需 GPU 或云端)

检测下限

1 ppm(部分物质在验证条件下可达 0.1 ppm)

进气方式

内置气泵,0.2~1.5 L/min,电磁阀自动调节流量

使用环境

−5~+50 ℃,湿度 20~98 %RH(无凝露)

尺寸 · 电源

270 × 250 × 90 mm / AC 220 V,≤ 75 W

通信

Ethernet · Wi-Fi · LTE · USB / MQTT over TLS · REST · OPC UA · Modbus TCP·RTU

报警等级

NORMAL(正常)· WARNING(预警)· ALARM(报警),经连续判定确认

规格以 2026 年产品目录为准。性能数据为 ADVENT 在规定条件下的内部验证结果,并非第三方认证检测报告。

查看 Mk.2E 完整规格

数据是怎样产生的

从气味到数据

语言、图像和语音 AI 都是从早已积累的海量资料起步的,而气味没有这样的资料。可用的气味数据必须从零开始亲手建立:在规定条件下测量,按真实情况标注,并保证不同地点、不同时间的数据可以相互比较。

측정, 지문, Model Pack, 장비 내 판단으로 이어지는 데이터셋 흐름도
감지 셀에 가스 분자가 닿는 그래핀 칩 도식
Step 01

测量

石墨烯多传感器芯片以固定周期,通过 30~38 个通道同时、反复读取混合气体。每次测量得到的不是一个数值,而是由多个数值组成的向量。AI 学习正是从这里开始。

냄새 혼합물이 다채널 지문으로 바뀌는 도식
Step 02

气味指纹

这些向量构成每种气味独有的“指纹”。经过温湿度补偿后,即使生产批次、现场或季节不同,也能按同一标准进行比较。测量值一旦漂移,数据就失去了价值,因此可比性最为关键。

학습 데이터가 Model Pack으로 장비에 탑재되는 도식
Step 03

模型包

利用积累的指纹,针对现场的具体问题训练模型包,再把模型包部署到设备上运行。无需 GPU 或云端,原始测量数据也不必离开现场。

气味指纹

一次测量,得到的不是一个数,而是 38 个数。

普通气体传感器只能告诉你数值有没有超过阈值。石墨烯多传感器芯片的每个传感单元表面处理各不相同,所以面对同一种气味,各通道的响应强度也不一样。这种响应分布就是气味指纹,混合气味之所以能被区分开,靠的正是它。

物质 A 各通道响应物质 B 响应轮廓

※ 原理示意图,非实测数据。

CH 01检测通道CH 38

识别算法

从 38 个通道的响应到最终判断

每次测量结果从两个角度来看:所有通道的整体响应形态(极坐标图),以及响应随时间的变化(通道响应曲线)。数据经过校正后,先用 PCA 提取关键信息,再用 LDA 拉开不同气味之间的差异,最后由 SVM 判定是哪种气味。系统还会结合气味持续的时间,在 NORMAL、WARNING、ALARM 三级状态中给出相应判定。

38채널 냄새 지문 극좌표 그래프기준선·노출·회복 구간의 채널 반응 그래프
원신호, 전처리, PCA, LDA, SVM, 경보 단계로 이어지는 인식 흐름

原理示意图,非实测数据。

气味数据为何与众不同

气味数据无法从网上收集,只能靠实地测量积累。

语言 AI 用网上的文字训练,图像 AI 用网上的图片训练,但互联网上没有气味。现有的气味数据,全部是有人把设备装到现场、一点一点测出来的。因此,这些数据只会积累在真正做测量的公司手里——无法从网上抓取,买不到现成的大批量数据,也不可能凭空合成。

냄새 데이터는 현장에서만 수집된다는 도식

没有可以起步的数据

既没有可下载的资料,也没有能支撑产品开发的公开基准数据,所有人都从零开始。真正拉开差距的,是在真实现场采集了多长时间、标注是否准确,以及这些数据能否相互比较。

装得越多,数据越多

设备一旦安装,就会在季节更替、班次轮换和工艺调整中持续测量同一地点。这些记录先把首次试点变成模型包,再把模型包打磨到在其他现场同样适用。今天采集的数据,会降低下一次部署的成本。

数据留在现场

AI 判断在设备内完成,原始数据无需外传,数据归运营方所有。正因如此,工厂、养老机构、公共基础设施等数据难以外传的场所,也可以部署我们的设备。

所以,ADVENT 自主研发传感材料、传感器芯片、测量设备和 AI 模型。这四者不是彼此独立的产品,而是一条完整的数据链;任何一环交给外部,都无法同时改进材料和模型。

模型包

一台设备,数百个模型包。

模型包是软件,而不是另一台设备。需要检测新物质、新故障类型或新现场时,不必重新开发硬件,只需采集数据、训练新的模型包。应用领域可以不断扩展,硬件成本却不会随之增加。

같은 하드웨어가 Model Pack 라이브러리로 6개 적용 분야에 쓰이는 도식

验证

验证结果只在测试条件范围内有效。

以下是 ADVENT 在规定条件下的内部验证结果,并非第三方检测机构出具的报告,不能推广为整体准确率。

2026 年 1 月 20 日

电线外皮阴燃测试

以过热电线外皮开始阴燃时释放的气体为目标,并加入氯、乙醇、异丙醇作为干扰物进行测试。在该组测试中,所有样本均准确识别出目标气体。

2025 年第四季度

异味盲测分类测试

在不知道答案的情况下,以较高准确率区分了化工、废水和污水异味,并从混合样本中分别识别出两种成分。

公共机构试点合作

韩国环境公团(K-eco)

2025년 10월 악취 발생원 추적 시험 도식

2025 年 10 月

住宅区异味投诉溯源

先学习化工涂装、纺织、粪便处理、污水处理 4 种原始样本及 2 种混合样本,再对 3 个来源未知的样本进行溯源。

仁川港湾公社

인천항만공사 AI 전자코 실증 — 세오로보틱스 경비로봇

2026 · 进行中

安保机器人与储能系统搭载 AI 电子鼻

在仁川港客运码头,将电子鼻装入 SEO Robotics 巡逻机器人,并在储能系统(ESS)和太阳能设施上安装固定式电子鼻,开展实地验证。

京畿道

경기도 온디바이스 AI·그래핀 전자코 화재 탐지 실증

2026 · 进行中

石墨烯电子鼻端侧 AI 火灾探测

在京畿道水原、华城、利川等地,将电子鼻与 AI 摄像头、边缘 AI 联动,探测工业园区和市场的火灾前兆。

列出机构名称仅为说明试点地点,不代表相关机构的推荐或担保,也不属于采购或供货业绩。

查看完整验证记录