1. 课程导入与漂移问题界定

在环境监测系统中，传感器长期暴露于温湿度变化、粉尘、腐蚀性气体和电磁干扰之中，其输出值会随着时间逐渐偏离真实值。这种偏离往往不是突然发生的故障，而是缓慢、持续、难以察觉的偏移，我们称之为传感器漂移。漂移是环境数据质量下降最常见、也最容易被忽视的原因之一：一台量程正常、通信正常、外观完好的传感器，可能已经在悄悄输出错误数据。

理解漂移，首先要区分它与"故障"和"噪声"的差别。故障通常表现为无输出、超量程、跳变或通信中断，属于显性异常；噪声是围绕真值的高频随机波动，可通过平均或滤波抑制；而漂移是低频、系统性、方向相对固定的偏差，它不会触发报警，却会让长期趋势、均值统计和阈值判断全部失真。例如一台PM2.5传感器在清洁空气中本应输出约5 μg/m³，若零点漂移使其基线抬升到20 μg/m³，那么后续所有读数都会系统性偏高，基于该数据的污染等级判定、减排效果评估都会产生偏差。

漂移的常见类型

按成因与表现，环境传感器漂移通常分为以下几类，它们在实际系统中往往同时存在、相互叠加：

• 零点漂移：在输入应为零或已知基准值时，输出不为零。常见于气敏元件老化、光学腔体污染、电极极化。表现为整条响应曲线整体平移。
• 灵敏度漂移（斜率漂移）：传感器对单位输入变化的响应幅度改变，即标定曲线的斜率变化。表现为高浓度段误差放大、低浓度段误差较小。
• 时间漂移：随运行时长累积的缓慢变化，通常与材料老化、光源衰减、敏感膜退化相关，是零点与灵敏度漂移的综合体现。
• 温度漂移：环境温度变化引起的输出偏移，即使传感器内置温度补偿，补偿系数失配或补偿电路老化仍会残留温漂。
• 湿度/交叉干扰漂移：湿度、其他气体或颗粒物对目标测量的交叉影响，在复杂环境中表现为随环境条件变化的偏移。

从数学角度看，若把传感器输出 y 与真实值 x 的关系近似为线性模型 y = k·x + b，则零点漂移对应 b 的变化，灵敏度漂移对应 k 的变化，时间漂移是 k、b 随时间的缓慢演化，温度漂移则是 k、b 随温度 T 的函数化，即 y = k(T)·x + b(T)。这一模型是后续章节开展校正工作的基础。

漂移对监测数据质量的影响

漂移的危害具有隐蔽性和累积性。第一，它破坏数据的可比性：同一站点不同时期的传感器、同一时期不同站点的传感器，若漂移程度不同，横向与纵向对比都会失真。第二，它影响阈值判断与预警：零点抬升会让达标数据被误判为超标，灵敏度下降则可能漏报真实污染事件。第三，它污染统计与建模：长期均值、趋势斜率、相关性分析都会被系统性偏差带偏，进而影响排放核算与政策评估。第四，它增加运维成本：若不能识别漂移，运维人员往往在数据"看起来不对"时才被动排查，此时误差可能已累积数月。

因此，漂移识别与校正的核心任务不是"修好一台坏传感器"，而是建立一套可观测、可判断、可校正的数据质量保障机制：通过参考值比对、冗余观测、模型拟合和统计检验，尽早发现偏移，量化偏移量，并用校正模型把原始输出还原为可信值。

本课程的学习目标与任务路线图

本课程围绕"识别—量化—校正—验证"这条主线展开，学习目标可归纳为四点：能说清漂移的类型与成因；能设计合理的漂移检测方案（参考点、冗余、时间序列检验）；能建立并求解零点/灵敏度/温度补偿校正模型；能用独立数据验证校正效果并判断是否达标。

整体任务路线图如下：先建立传感器输出模型与误差分解框架，再学习漂移检测的数据方法与实验方法，随后进入校正模型（线性回归、分段标定、温度补偿、卡尔曼滤波等）的实现与参数估计，最后通过校正前后对比、残差分析和不确定度评估完成闭环验证。每一章都会给出可操作的示例参数与判断依据，帮助你把方法落到真实的监测系统上。