新型传感器可通过多种工具（包括柔性印刷集成电路及人工智能/机器学习技术）实时生成环境数据。

用于检测温度、压力和气体（如二氧化碳）的传感器已有数百年历史。然而，现在的设备需要能够测量越来越多的物质并实时处理数据。比如，用于测量水中pH值的一次性传感器已广泛应用，但最新的水传感器可部署在源头，再到出口或水龙头的整个管道沿线，节省了人力物力。部分传感器采用柔性印刷技术，许多还连接了板载微控制器单元。

这些设备将共同向企业、研究人员以及最终可能向消费者提供大量数据，消费者可利用这些数据提供更高质量的水、空气和土壤，有利于人类和地球健康。

Promex公司首席运营官David Fromm说：“优质传感器的普及与易获取性能带来质的飞跃，这种改变往往以你意想不到的方式发生。Promex公司专注于开发定制化制造工艺，为客户提供定制化产品。大众环境信息的影响力量令人惊叹。以空气质量、空气传感器和温度监测为例，人们总爱在自家后院测量这些数据。如果我能开发出价格亲民的传感器，这些数据就能汇聚成数据库，进而生成各种现象的热力图。这种技术同样适用于水系统监测。消费者在这种场景下会产生参与感，人们会觉得这种互动很有意思。而这些数据的力量堪称颠覆性，因为它们能实时获取不同位置的动态高精度测量数据。这些数据并非静止存在，而是持续更新的实时信息。”

知识即力量。Fromm表示：“若消费者渴望获取知识，尤其愿意为此付费，就应当给予支持。令人惊叹的是，人们开始在不同领域灵活运用知识，展现出惊人的整合能力。这种智慧不仅体现在技术本身，更在于如何将技术应用于解决实际问题。我们得以见证这种能力的多元展现，并致力于帮助人们将其转化为现实。

水传感器

密歇根州弗林特市的供水铅污染问题虽具警示意义，但并非个例。Brewer Science公司所在的密苏里州研究显示，当地多数学校供水系统中铅含量存在差异。由于供水管网的地域分布，铅浓度差异主要体现在不同水龙头之间，而非校舍建筑本身。

Brewer Science公司智能设备研发总监Adam Scotch指出：“部分学校每个饮水机或水源龙头的铅含量都超标，达到20、40甚至50ppb（十亿分之二十、四十、五十）。有些地方仅有一两个龙头超标。这完全是地方性问题，而他们却毫不知情。”

Brewer公司研发出可打印的柔性传感器，填补了传统猜测与昂贵水质检测系统之间的空白。Scotch说：“我们应当能够监测水质问题，电力监测也类似，这完全取决于地区特性。每个城镇都有自己的供水系统、井水系统或污水处理系统，但缺乏统一的基础设施连接。目前部分地区仍在使用十九世纪的管道，木质管道和铅管，这带来了诸多问题。这不仅仅是传感器的问题。这在实验室里检测材料样本任何人都能做到。难点在于如何将其转化为耐用产品。如何固定传感器材料？如何安装连接器？这都涉及输入输出环节。半导体行业同样面临这些问题。如何将数据从芯片传输到PCB，从PCB传输到硬盘等，核心始终是信息传输。”

图1：一种可沿水流路径任意部署的水传感器系统。来源：Brewer Science

除了铅之外，多种污染物也可能进入水体并引发问题。例如，氡气已被证实与非吸烟者的肺癌风险相关。“水体中的溶解性气体通常更难检测，” Scotch表示，“氨气比氡气更成问题，因为氮源众多，化肥和农田径流会向供水系统中释放过量氮元素，这些氮最终会转化为亚硝酸盐和氨，而检测这些物质相当困难。砷是另一个主要污染物，因为它天然存在于许多井水系统中。”

一种PFAS传感器正在研发中。 Scotch说：“虽然仍处于初期阶段，但这是首款实时监测传感器，也是我见过的首款商用产品，目前在晶圆厂检测PFAS已相当困难。我们能检测到万亿分之10到20的浓度，而美国环保署（EPA）提出的限值仅为万亿分之1的水体浓度。”

了解饮用水质量符合所有人的最佳利益。Scotch表示：“我们发现存在巨大需求和市场牵引。在我的职业生涯中从未见过如此强烈的动力。人们并不清楚自己饮用水的质量或自来水供应情况。工业客户需要监测其排放物。所有检测均基于实验室采样和测试，无论是在现场还是需要送检。这种方法成本高昂，且仅能获取单个时间点的单一样本。”

单一数据点的辅助作用有限。真正有价值的是理解变化率、变化内容、该变化量级的特征及其重要性。在此基础上，可进一步探究变化原因。

近场无线技术每10分钟或一小时就能分批传输数据，相比过去要等上数月才能拿到实验室检测结果，这简直是天壤之别。 Scotch说道：“我们最初在工厂安装传感器时，用的是蜂窝网络，那还是个非常早期的阶段，这些工厂规模庞大，根本没法搭建能实现通信的节点网络。但近年来随着低地球轨道卫星投入使用，卫星通信完全可行，特别是当你身处荒无人烟的野外时。”

气体传感器

哈佛大学的研究团队正在研发一种狗嗅式传感器，这种气体传感器能根据检测结果自动延长或缩短嗅探时间，完美复刻真实嗅觉。该项目由美国联邦铁路管理局资助，五年前启动，主要研究方向包括油气储罐和脱轨事故的现场实时监测，以及如何评估运输货物的易燃性风险。

哈佛大学工程与应用科学学院的研究生Haritosh Patel表示：“我们研究了嗅觉序列，这种受犬类嗅觉启发的生物机制，如何改变和调节我们的空气摄入方式，以及这种变化如何影响动力学和动力学特性。这项气体传感器研究有几个重要启示。首先是时间因素在化学传感中至关重要，而非单纯依赖传感器本身的阈值读数（即通过比较最终状态与初始状态）。我们知道这种做法会导致检测中出现大量假阳性和假阴性结果，因为该气体传感器的折射率在不同化学物质中会高度相似。当我们仅关注这一点时，训练机器学习模型的准确率低至40%。但使用相同硬件系统时，当气体传感器数据随时间采集，且吸收动力学数据未被丢弃，而是作为气体传感器预测手段加以利用。我们发现可以对高度相似的化学物质进行分类，例如戊烷与癸烷，或石油工业中使用的某些烷烃。”

研究团队展示了嗅觉检测如何加速检测过程，无需等待分子被动扩散至气体传感器，而是主动进行空气采样，并能根据分子量、挥发性或其它特性区分某些化学物质（这些物质会比其它物质更早达到饱和）。“气体传感器主动调节空气采样过程，类似于嗅觉感知，是一个重要概念，我们可以通过气体传感器主动采集使硬件从相同浓度中识别出不同的物质，”Patel解释道。

嗅探技术是通过气体传感器内部的风扇实现的。Patel说：“风扇被布置在中央气流通道中，这样我们就能采用被动模式，此时没有嗅探过程，只需让挥发性物质在气体传感器外壳内达到平衡状态，就能观察到气体传感器响应信号。但这样一来，我们就失去了非平衡动力学的观测视角，而这正是我们早期研究中发现气体传感器的关键优势。为了重新获取气体传感器吸附与解吸过程中的非平衡动力学特征，我们采用了风扇技术。想象一下直接安装在CPU设备上的微型风扇，通过调节进气样本的流量并重新设置气体传感器，同时气体传感器使用出气样本进行测试。这些风扇现在可以按特定序列进行调节，比如设定3秒或30秒的吸气时长，具体时长取决于化学物质浓度和气体传感器所在位置。”

驱动人工智能/机器学习（AI/ML）的核心是微控制器。Patel解释道：“目前微控制器并非气体传感器设备的关键部件，其主要功能是通过多路复用器同时采集数字金属传感器和模拟传感器的数据。系统会同步所有固件，确保数据集以特定频率采集（无论设定何种分辨率频率），随后将数据转换为微控制器内部的模拟信号。最终通过蓝牙或Wi-Fi连接，数据传输至云端数据库系统，所有数据集将被存储以供后续迭代中的机器学习训练使用，或进行离线计算，此时可调用快速机器学习模型，并将精确浓度的即时反馈实时传递给楼宇管理员。”

商业场所的空气质量管控是该气体传感器技术的主要应用场景，但气体传感器的应用范围远不止于此。无论是检测学校里有毒的3D打印耗材、家庭环境中的霉菌早期预警，还是监测食品腐败程度、新地毯和家具释放的甲醛，都能通过气体传感器实现精准测量。这项气体传感器技术甚至能用于香水和酒精的防篡改。应急人员佩戴AR 眼镜时，可借助该技术在危险区域规划更安全的化学品运输路线。而机器人则能通过该气体传感器技术辅助在废墟中定位人员。

环境传感器与机器学习

企业也在环境传感器领域发力，助力地球环保。英飞凌科技首席系统硬件工程师Tanya Hofner表示：“我们高度重视环境保护。环境传感器领域正蓬勃发展，涵盖湿度、压力及气体检测等各类应用。在雷达传感器领域，我们更关注环境传感器如何精准调控暖通空调系统的运行频率。”

环境传感器关注点包括捕捉来自电池的任何物质，例如氢动力中的燃料电池，或暖通空调系统中蒸发器线圈产生的二氧化碳气体。Tanya Hofner说：“二氧化碳气体传感器现在非常重要，有多种技术可以实现这一点。我们拥有一种技术，即通过加热未知气体进入的气体室来创建受控环境，然后将环境传感器数值与含有氮气的密封气体室进行比较。”

机载舱室被用作对外部检测数据的控制研究。Tanya Hofner解释道：“它们连接至微控制器（MCU）或M04控制器，该控制器运行机载智能系统，其运行的算法可补偿各类环境挑战，例如湿度或温度变化，因为气体极易受这些因素影响。”

新冠疫情凸显了环境传感器监测空气质量的重要性。“追踪室内、学校及公共场所的气体成分至关重要，”Tanya Hofner表示，“环境传感器使我们能够判断是否需要加强通风、开窗或开门，从而确保所有人不会吸入与他人呼出气体相同的病毒污染物。”

与哈佛嗅探器类似，最新研发的环境传感器大多模仿人类感官特性。英飞凌半导体应用工程负责人 Hariharan Mani说：“我们的触控传感器具备电容式和感应式触控功能，还能通过电容式触控实现液位监测。工业及消费级应用中，我们主要采用远程气体传感器。麦克风则负责音频感知模块，振动传感器可与音频结合使用。这些环境传感器设备能实现预测性维护、语音通信和主动降噪功能。雷达传感器则在规避摄像头隐私问题的同时，提供视觉感知功能。我们致力于模拟人类感官，使智能设备具备情境感知能力。下一步将推进环境传感器数字化，获取环境传感器实用信息。”

例如，基于机器学习的处理器可以在输入端集成大量环境传感器后，在输出端整合非常先进的图形处理功能。每个环境传感器可以单独用于单一应用，环境传感器也可以在机器人、智能恒温器或安全摄像头中组合使用。 Hariharan Mani说道：“所有这些类型的环境传感器应用都需要多种此类组件，可能不需要全部。例如，检测二氧化碳是一种非常特殊的应用，但音频、雷达和带盖帽传感器应用也很广泛，所有这些都可以在许多不同的环境传感器应用中并行使用。”

环境传感器设备通常与边缘AI微控制器（MCU）相连，这些MCU可搭载CPU、NPUs或GPU。Synaptics公司物联网与边缘AI处理器副总裁兼总经理John Weil指出，处理器类型的选择往往取决于终端设备的尺寸。例如，对于3厘米长、12毫米×13毫米的MCU，这种环境传感器配置已足够使用，当然更小的尺寸也是可行的。

Weil表示：“这些环境传感器产品适用性强。它们可使用AA电池供电，通过将组件集成到小型化设计中，即可用于水质或空气质量检测。此类环境传感器产品完全具备该功能，且计算能力完全充足。关键在于传感器性能。当前我们面临的限制仅是环境传感器质量，而非计算能力的大小。”

许多世界级的环境传感器技术仍未投入实际生产。Weil表示：“这些环境传感器技术多年来一直处于设计、研发和实验室后端阶段，我见过能够区分法国波尔多葡萄酒与意大利葡萄酒的传感器。该技术确实存在，但目前无法商业化。距离环境传感器研究人员真正实现产品化应用仍需数年时间。”

可靠性与预测性维修

某些类型的传感器难以实现重复性测试，这表明可靠性是阻碍该技术发展的关键因素。

Weil说：“能让它工作一次，也能让它工作一百次，但能否让它工作超过这个次数？这属于化学问题，因为你可以制作用于检测水、盐度等不同物质的试纸条。这类试纸属于一次性使用。但如何制造一种传感器，使其能够反复浸入气体、液体等介质中，且不会出现性能退化或可靠性问题？”

Brewer的水传感器在各种恶劣条件下可使用六个月，而英飞凌的二氧化碳传感器则旨在实现15年的使用寿命，通常用于工业应用。

Hofner表示：“通常在评估暖通空调系统、燃料电池系统或其它气体监测系统时，我们也会关注其传感器的使用寿命这一关键指标。”

这类设备研发的最后挑战之一，是使其具备足够智能以判断自身运行状态是否正常。Promex公司Fromm指出：“在实际部署场景中，我们无法仅依靠大批服务技术人员来应对设备问题。这种模式在经济上不可行，设备必须具备更强的智能能力。因此，边缘人工智能（Edge AI）无疑是未来五年的发展方向。”

这正是预测性维护发挥作用的关键所在。传感器必须能在系统彻底失效或整条生产线停摆前发出警报。Imagination Technologies公司产品管理总监Pallavi Sharma表示：“它能以无需定期派人巡查的方式实现这一目标。即便仍存在漏检风险，也能通过更精细的诊断确保捕捉到细微变化，并及时进行各类更新优化。若发现某部分设备出现故障，或某些传感器数据异常，只需对这些小部件进行维修或更换即可。”

芯片的选择因应用场景而异，无论是用于实时警报还是预防性维护传感器。Siemens EDA产品负责人Sathishkumar Balasubramanian表示：“操作系统不同，负载也不同。需要选择能适配传感器等各类设备的芯片。封装形式各异，搭载的软件类型和代码架构也各不相同。无需进行复杂的代码开发流程，因为这并非解决重大技术难题。本质上就是接收输入数据，做出决策后将处理结果回传至中央服务器。”

结论

传感器技术已取得长足进展，但其未来应用仍存在无限可能，仍有大量工作待完成。Brewer Science公司的Scotch表示：“我们必须意识到，不可能在一天内解决所有问题，这需要时间。但同时，需要测量的内容是什么？每个传感器都需要对其化学特性进行单独调整。”

另一个挑战在于，当人们发现身体、饮用水或其它环境指标异常时，往往无力采取行动。例如密苏里州的水质研究因缺乏资金支持而受阻。Scotch说道：“如果检测出铅含量超标，他们要么得关掉水龙头，要么得进行治理，但这两项都缺钱。遗憾的是，这种情况不仅出现在学区。有些人不愿检测水质，唯恐被迫采取行动。若不做检测，他们就无从得知。这确实是个难题。未来这将成为危险领域。现在正是当个水管工的好时机。”

当民众应用传感器时，就会及时主动向有关部门反映问题，要求整改各种问题。

Scotch说：“这是必须的，因为我们已经放弃了最宝贵的自然资源：水资源。我们总担心石油和煤炭会枯竭，也一直担忧化石燃料总体耗尽或贵金属开采，但直到最近，人们才真正开始以同样的方式思考水资源问题。”

同样地，空气质量检测才刚刚起步。哈佛大学的Patel说：“我们之所以能发明所谓的通用嗅觉检测仪，关键在于摒弃了‘硬件是唯一关键’的固有观念。生物学研究表明，鼻子的解剖结构、鼻腔内液体的流动方式、鼻腔内的化学成分，乃至大脑对这些信息的处理方式，都是重要因素。这不仅仅是硬件问题，而是涉及多方面的综合因素。通过研究这些要素在最终化学检测结果中的作用，有助于开发相关应用。有些应用场景需要采用其中部分策略，而并非全部。”

材料同样至关重要。Patel表示：“毫无疑问，它们在此过程中具有关键作用，但我们已研究足够多的材料，达到了所需的灵敏度，现在我们需要运用策略的其它部分，从而实现通用传感。这是一项非常令人振奋的进展，即机器学习直接与硬件协同工作。”