Att ge maskiner ett luktsinne: En teknisk djupdykning i Bosch BME688 och BME690
I takt med att Internet of Things (IoT) mognar, rör vi oss från enheter som bara mäter grundläggande parametrar till system som kan förstå sin miljö på en djupare nivå. En av de mest fascinerande utvecklingarna är introduktionen av “elektroniska näsor” – miljösensorer kapabla att detektera och klassificera flyktiga organiska föreningar (VOCs).
I det här inlägget tittar vi närmare på Boschs banbrytande sensorer BME688 och dess mer potenta syskon, BME690. Vi går igenom hur de fungerar, vilka förbättringar som gjorts, och hur man rent praktiskt utvecklar maskininlärningsmodeller för dem.
Vad är BME688 och BME690?
BME688 lanserades av Bosch Sensortec som världens första gassensor med artificiell intelligens, integrerad tillsammans med högprecisionssensorer för tryck, fuktighet och temperatur (en så kallad 4-i-1-sensor).
Sensorn bygger på MOX-teknik (Metal Oxide). Genom att värma upp ett mikroskopiskt element inuti sensorn till olika temperaturer (kallat heater profiles eller heater steps) och mäta resistansen, kan sensorn skapa ett unikt “fingeravtryck” av gasblandningen i luften.
Steget till BME690: Större omfång och högre känslighet
Medan BME688 etablerade standarden, representerar BME690 nästa steg i utvecklingen, särskilt för applikationer som kräver extrem känslighet.
I våra egna utvärderingar och tester av rådata är den mest markanta skillnaden det dynamiska omfånget i resistans.
BME688 arbetar typiskt i ett spann där råvärdena för resistans ligger mellan 1 MΩ och 4 MΩ.
BME690 rör sig i en magnitud som är betydligt större, med mätvärden från 20 MΩ upp till 100 MΩ.
Denna massiva ökning i resistansomfång innebär att BME690 uppvisar en mycket större variation och känslighet i sin data. När en specifik gas introduceras, ger BME690 ett kraftigare och mer uttalat utslag. Detta gör den extremt lovande för att upptäcka små koncentrationer av VOCs, men det ställer samtidigt högre krav på mjukvaran för att filtrera bort brus och tolka datan korrekt.
| Egenskap | BME688 | BME690 |
|---|---|---|
| Resistansomfång | 1–4 MΩ | 20–100 MΩ |
| Detekterbara gaser | VOCs | VOCs + VSCs |
| Kondensmiljöer | Standard | Förstärkt tålighet |
| Strömförbrukning (IAQ) | Standard | Reducerad |
| Bäst för | Allmän luftkvalitet, prototyping | Hög känslighet, krävande miljöer |
Var används tekniken idag?
Eftersom dessa sensorer är små, strömsnåla och mångsidiga, finns de redan integrerade i flera kommersiella produkter:
- Smarta hem och VVS (HVAC): För att automatiskt styra ventilation baserat på luftkvalitet, inte bara temperatur.
- Luftrenare: Apparater som aktiveras när de detekterar specifika föroreningar från matlagning, färg eller rengöringsmedel.
- Bärbar teknik (Wearables) och mobiler: För att ge användaren varningar om dålig luftkvalitet (AQI) i realtid.
- Industriella IoT-noder: För övervakning av arbetsmiljöer.
Hur utvecklar man för dessa sensorer? Introduktion till BME AI-Studio
Att få ut meningsfull data från en MOX-sensor i en verklig miljö är komplext. Rådatan (resistansen) påverkas av temperatur, fuktighet och en blandning av hundratals bakgrundsgaser. Man kan inte bara sätta ett enkelt “tröskelvärde”.
För att lösa detta tillhandahåller Bosch ett mjukvaruekosystem kallat BME AI-Studio. Utvecklingsprocessen ser typiskt ut så här:
- Datainsamling: Du använder en utvecklingsbräda (ofta med 8 sensorer monterade bredvid varandra för snabbare insamling) och placerar den i den miljö du vill studera (t.ex. nära kaffe, specifika bakteriekulturer, eller ruttnande frukt).
- Märkning (Labeling): I AI-Studion märker du datan – du talar om för mjukvaran att “den här specifika resistanskurvan vid denna temperaturprofil är lika med tillstånd A”.
- Träning: BME AI-Studio tränar ett neuralt nätverk (maskininlärning) på din märkta data för att lära sig känna igen det unika mönstret för just ditt användningsfall, samtidigt som det ignorerar bakgrundsbrus.
- Export till Edge: Den färdiga algoritmen exporteras som en binär fil (konfiguration) som sedan laddas in i BSEC (Bosch Software Environmental Cluster) på mikrokontrollern. Klassificeringen av gaser sker nu lokalt på enheten (Edge Computing) utan behov av molnuppkoppling.
Framtida applikationsområden och forskning
Potentialen sträcker sig långt utanför allmän luftkvalitet. Tack vare förmågan att träna skräddarsydda algoritmer utforskas tekniken nu inom en rad innovativa områden:
- Livsmedelsindustrin: Detektion av tidig förskämning av kött eller frukt under transport genom att mäta specifika gaser som bildas vid nedbrytning.
- Tidig branddetektion: Identifiering av lukten från smältande plast eller överhettade kablar långt innan synlig rök uppstår.
- Jordbruk och hälsa: Forskning pågår för att se om liknande sensorer kan identifiera svavelväte från specifika bakterier, eller detektera biomarkörer i utandningsluft.
Vill du läsa vidare?
Officiella Datablad & Verktyg (Bosch Sensortec)
BME688 Datablad: Fullständiga tekniska specifikationer. Ladda ner (PDF)
BME690 Dokumentation: Teknisk översikt för den nya sensorn med utökat resistansomfång.
Forskning & Akademiska Publikationer
Gassensorer och AI är ett aktivt forskningsområde. Här är några intressanta studier som visar teknikens potential:
Medicinsk Diagnostik (Bakterier & Sepsis): Hur BME688 används som en “digital näsa” för att på bara några timmar upptäcka bakterier (t.ex. E. coli) innan infektionen leder till livshotande sepsis.
Gas-Phase Detection of UTI-Causing Bacteria (IEEE, 2024)
Rapid Detection of Bacterial Infection Using Gas Phase Time Series Analysis (IEEE, 2023)
Livsmedel & Miljöövervakning: Studier som visar hur ML och gassensorer upptäcker kött- och mjölkförskämning, samt hur sensorerna presterar i utomhusliknande miljöer.
Machine Learning-Based Recognition of Meat Species Using a BME688 (2025)
Monitoring of Spoilage of Cow’s Milk Using the Cheap Gas Sensor (IEEE, 2024)
Assessing BME688 Performance Under Controlled Outdoor-like Conditions (MDPI, 2025)