企业官网建设流程全解析

在室内空气质量监测项目里，有一个被反复验证、但又很难被直观感受到的结论：厨房燃气灶在烹饪时产生的空气污染，可能比你想象的严重得多。2025 年前后，关于“从燃气灶切换到电炉/电磁炉能显著降低室内空气污染”的讨论热度明显上升，不少实测研究用真实数据说明，电炉并不只是“更安全”“更干净”的加热工具，它还能从源头上减少氮氧化物、一氧化碳和细颗粒物的释放。

这篇文章不打算只停留在概念科普层面，而是从环境监测与物联网开发的角度，整理一套完整、可复现的厨房空气污染对比方案。我们会选好传感器，用 ESP32 采集 PM2.5 等关键指标，再通过 Python 绘制燃气灶与电炉两种烹饪场景的对比曲线，把“切换电炉能否显著降低污染”这个问题，变成你手里的一张数据图表。

无论你是智能家居开发者、物联网学习者，还是正在纠结厨房改造方案，这篇文章都能给你一个把结论落地的动手路径。

1. 为什么关注厨房室内空气污染

1.1 室内空气污染不只是“雾霾”和“甲醛”

很多人在装修或购买空气净化设备时，最关心的是 PM2.5、甲醛、TVOC 这几类指标。甲醛主要来自板材和胶黏剂，PM2.5 会被联想到室外雾霾，室内 TVOC 则往往和涂料、清洁剂相关。但厨房里还有一个很容易被忽略的污染源，就是燃气灶本身的燃烧过程。

燃气灶在燃烧天然气或液化石油气时，并不是所有人想象中的“完全燃烧”。燃烧温度、氧气供应、锅具位置、火苗大小都会影响燃烧效率。高温下，空气中的氮气和氧气会反应生成氮氧化物，比如一氧化氮和二氧化氮；燃烧不充分时，还会产生一氧化碳，同时伴随超细颗粒物的生成。这些物质都直接进入厨房空气，再扩散到整个居住空间。

换句话说，即使你在客厅开着空气净化器，只要厨房燃气灶在工作，污染物仍然可能通过空气流动进入客厅。这也解释了为什么一些家庭明明没有装修污染，但室内 NO2 浓度却会在某个时段异常升高。

1.2 燃气灶是容易被忽略的室内污染源

根据很多公开研究报道，在通风条件一般的厨房里，使用燃气灶烹饪 20 到 30 分钟，厨房内的 NO2 浓度可能明显上升，峰值甚至超过室外空气质量标准中对应的健康参考值。PM2.5 同样会升高，因为油烟颗粒和燃烧产物会同时存在。

这里需要把两类颗粒物区分开：

• 燃烧产生的颗粒物：来自燃气不完全燃烧，主要成分为碳颗粒和金属颗粒，粒径较小。
• 烹饪油烟颗粒物：来自油脂和食材在高温下的挥发与裂解，粒径分布更宽，可以通过抽油烟机部分排出。

抽油烟机可以显著降低油烟颗粒，但无法完全消除燃气燃烧产生的气态污染物。如果抽油烟机的排风量不足，或者厨房窗户紧闭，污染物就会在室内积累。对于经常做饭的家庭来说，这种影响是持续、反复的，每天一两个小时，长年累月下来不能忽视。

1.3 电炉/电磁炉切换为什么成为研究热点

电炉和电磁炉的工作方式完全不同。传统电炉通过电阻丝发热，电磁炉通过电磁感应让锅具自身发热，但都没有明火燃烧过程。这意味着，电炉在加热时不会产生氮氧化物、一氧化碳等燃烧副产物。

电炉烹饪期间产生的颗粒物，主要来自食材和油脂本身，而不是燃料燃烧。因此从源头上看，电炉确实可以规避一类额外的空气污染。2025 年前后的多项实测研究也正是围绕这一点展开：在控制菜品种类、锅具、通风条件一致的情况下，对比燃气灶和电炉烹饪期间的空气质量数据，结论普遍指向电炉能显著降低部分污染物浓度。

当然，电炉也并非完全没有缺点，比如加热方式对锅具要求更高、加热速度可能更慢、热惯性不同。但从空气质量的维度看，它确实是一个值得认真考虑的替代方案。

2. 2025 年研究结论：从燃气灶到电炉

2.1 研究关注的核心污染物

在燃气灶与电炉的对比研究中，最受关注的几个指标是：

• PM2.5：细颗粒物，能进入肺泡，是衡量空气污染最常用的指标之一。
• NO2：氮氧化物中的代表物质，燃气高温燃烧时最容易产生，长期暴露对呼吸系统有影响。
• CO：一氧化碳，来自不完全燃烧，浓度过高时会让人头晕、乏力。
• 超细颗粒物：粒径在 100 纳米以下，数量浓度高，对健康的潜在影响近年来越来越被重视。

这些污染物中，PM2.5 最容易用低成本传感器测量，NO2 则需要更专业的电化学传感器，CO 和超细颗粒物也有对应设备，但成本差异很大。对于绝大多数个人开发者来说，先从 PM2.5 和 VOC 入手，是最现实、最容易上手的路径。

2.2 减污效果的常见量级

“显著降低”到底意味着多少？不同研究的数值并不完全一致，因为厨房面积、燃气种类、锅具、菜品、通风方式都会影响结果。但大致规律可以归纳为：

• 燃气灶烹饪时，PM2.5 浓度会随着煎、炒、炸等操作快速上升，峰值往往达到背景浓度的数倍甚至更高。
• 电炉烹饪时，由于没有燃烧产物，PM2.5 上升幅度通常更小，峰值和平均值都更低。
• 在燃气灶场景中，即使开着抽油烟机，燃烧产生的气态污染物仍然可能残留；电炉场景中此类问题基本消失。

这里要提醒一下：电炉也不能完全保证 PM2.5 不升高，因为食材加热依然会产生油烟。如果你用电磁炉大火爆炒，照样会有油烟，所以不能把“切换到电炉”等同于“厨房零污染”。

2.3 影响减污效果的现实因素

即使电炉在原理上可以减少燃烧污染，实际效果仍然受很多因素影响：

• 通风条件：窗户开度越大，室内外空气交换越强，污染物浓度下降越快。
• 抽油烟机性能：抽油烟机的风量、风压、是否及时开启，直接影响颗粒物和气味。
• 烹饪方式：煎炸炒产生的油烟远大于煮、蒸、炖。
• 锅具材质：锅具的导热性和加热均匀度会影响油温控制，油温过高时油烟更明显。
• 传感器布点：传感器距离炉灶越近，读数波动越大；距离越远，越能反映整个厨房的平均状态。

因此，如果你要做一场测量对比，不能只记录一两天数据就下结论。你需要把变量控制住，用同一套设备、同一位置、相近的菜品和时间，才能得到相对可信的结论。

3. 可复现的监测方案：整体架构

3.1 方案目标和测量指标

本文的实战目标不是写一篇论文，而是搭建一套能长期运行的厨房空气质量监测系统。核心目标有两个：

1. 记录燃气灶和电炉两种场景下的 PM2.5 变化曲线。
2. 通过数据对比，确认切换电炉后 PM2.5 等指标是否明显下降。

为了降低硬件门槛，我们优先选择 PM2.5 作为主测量指标，因为：

• PM2.5 传感器成本相对低，技术成熟。
• PM2.5 是燃气燃烧和烹饪油烟都会产生的指标，对比价值高。
• 传感器的数据接口和代码资源丰富，适合二次开发。

如果你手头有 VOC 传感器，也可以同时采集 VOC 指数，作为气态污染物的参考。NO2 因为传感器成本较高，本文不展开，但会在选型表格里标注可选方案。

3.2 硬件选型

常见的室内空气质量传感器如下：

考虑到性价比和代码可复现性，本文以 SPS30 为核心传感器，以 ESP32 为主控。SPS30 能直接输出 PM2.5、PM10 等质量浓度，精度在同级别传感器中表现较稳，很适合做室内空气监测。

3.3 系统连接与布点

硬件连接非常简单：

• ESP32 的 SDA 接 SPS30 的 SDA。
• ESP32 的 SCL 接 SPS30 的 SCL。
• ESP32 的 3.3V 接 SPS30 的 VDD。
• ESP32 的 GND 接 SPS30 的 GND。

传感器布点时，建议放在厨房操作台边缘，距离炉灶 1 到 1.5 米，高度和成年人呼吸区域接近。传感器不要直接对着抽油烟机出风口，也不要放在窗户正下方，否则读数的代表性会变差。

4. 环境准备与开发板配置

4.1 开发环境

本文的软件部分使用 Arduino IDE 或 PlatformIO 均可，核心逻辑完全一致。我以 Arduino IDE 为例，你需要提前安装好：

• ESP32 开发板支持包，在 Arduino IDE 的“开发板管理器”中搜索esp32安装。
• SensirionI2cSps30库，可以在库管理器中搜索安装。
• Wire库，Arduino 自带，不需要额外安装。

版本需要根据你的实际开发环境调整，本文重点演示配置思路和代码逻辑。

4.2 创建项目结构

为了方便后续维护，建议将项目组织成下面这样：

esp32_air_monitor/ ├── esp32_air_monitor.ino ├── data_analysis/ │ ├── read_serial.py │ └── compare.py └── docs/ └── measurement_notes.md

其中.ino文件是 ESP32 端采集程序，data_analysis目录放 Python 数据分析脚本，docs目录用来记录实验笔记。

4.3 安装依赖库

在 Arduino IDE 中点击“项目”→“加载库”→“管理库”，搜索SensirionI2cSps30并安装。这个库是 Sensirion 官方提供，支持 SPS30 通过 I2C 接口读取颗粒物数据。

如果你的开发板不是 ESP32，而是 ESP8266 或 Arduino Uno，代码也能复用，但需要注意引脚定义和电压差异。SPS30 推荐使用 3.3V 供电，Arduino Uno 的 5V 引脚不能直接接 VDD。

5. ESP32 采集代码实现

5.1 初始化 SPS30 颗粒物传感器

下面是一份完整的 ESP32 代码，功能包括：

• 初始化 I2C 和 SPS30。
• 每 5 秒读取一次 PM2.5 和 PM10。
• 通过串口输出 CSV 格式数据，方便后续保存。

代码文件路径：

esp32_air_monitor/esp32_air_monitor.ino

#include <Wire.h> #include <SensirionI2cSps30.h> SensirionI2cSps30 sps30; void printErrorMessage(const char* message, int16_t error) { Serial.print(message); Serial.print(" error: 0x"); Serial.println(error, HEX); } void setup() { Serial.begin(115200); while (!Serial) { delay(100); } Wire.begin(); sps30.begin(Wire); uint8_t serialNumber[32]; uint8_t serialNumberSize = 32; int16_t error = sps30.getSerialNumber(serialNumber, serialNumberSize); if (error) { printErrorMessage("getSerialNumber", error); } else { Serial.print("SPS30 serial: "); Serial.println((char*)serialNumber); } error = sps30.startMeasurement(); if (error) { printErrorMessage("startMeasurement", error); } Serial.println("timestamp_ms,pm2p5,pm10"); } void loop() { delay(5000); int16_t error = sps30.readMeasurement(); if (error) { printErrorMessage("readMeasurement", error); return; } unsigned long nowMs = millis(); Serial.print(nowMs); Serial.print(","); Serial.print(sps30.massConcentrationPm2p5, 1); Serial.print(","); Serial.println(sps30.massConcentrationPm10, 1); }

这里说明几个关键点：

• sps30.begin(Wire)之前，必须先调用Wire.begin()，否则 I2C 总线没有初始化。
• getSerialNumber用来检查传感器是否正常通信，如果打印错误码，多半是接线问题。
• startMeasurement在 setup 中调用一次即可，之后反复readMeasurement()读取数据。
• massConcentrationPm2p5和massConcentrationPm10是传感器输出的质量浓度，单位是微克每立方米。

5.2 定时采集并输出 CSV

上面的代码已经实现了定时输出。你可能会注意到，loop()中的delay(5000)表示每 5 秒读一次。这个采样频率对于烹饪过程对比是足够的，烹饪过程通常持续 10 到 30 分钟，每 5 秒一个点可以画出平滑曲线。

如果你想提高时间精度，可以把millis()改成时间戳。这里为了简化，直接用 ESP32 上电后的毫秒数。只要保证燃气灶和电炉两次实验都从同一台设备、同一个启动时刻开始记录，相对时间就可以对比。

5.3 用串口工具保存数据

把代码上传到 ESP32 后，打开串口监视器，波特率设置为 115200，你会看到数据流。但串口监视器直接复制不方便，更稳妥的方式是用 Python 的 pyserial 脚本来保存数据。

脚本文件路径：

esp32_air_monitor/data_analysis/read_serial.py

import serial import csv port = "COM3" # Windows 示例；Linux/macOS 通常是 /dev/ttyUSB0 baud = 115200 output_file = "gas_cooking.csv" with serial.Serial(port, baud, timeout=1) as ser: with open(output_file, "w", newline="", encoding="utf-8") as f: writer = csv.writer(f) writer.writerow(["timestamp_ms", "pm2p5", "pm10"]) print("开始记录，按 Ctrl+C 停止") try: while True: line = ser.readline().decode("utf-8", errors="ignore").strip() if line and not line.startswith("SPS30"): parts = line.split(",") if len(parts) == 3: writer.writerow(parts) print(line, flush=True) except KeyboardInterrupt: print("记录结束，数据已保存到", output_file)

运行方式：

pip install pyserial python read_serial.py

记录燃气灶实验时，文件名改为gas_cooking.csv；记录电炉实验时，把输出文件名改成electric_cooking.csv，不要混用。

6. 实验设计与数据采集流程

6.1 控制变量：保证对比有效

如果想得出“电炉显著降低污染”的结论，实验必须尽量控制变量。建议按下面的条件操作：

• 使用同一个锅具，避免锅具材质和大小影响加热和油烟。
• 烹饪同样的菜品，例如都炒一盘青菜，或者都煎一块鸡胸肉。
• 烹饪时间尽量一致，比如从开火到出锅都控制在 15 分钟。
• 抽油烟机开关状态一致，要么全程开启，要么全程关闭，不要中途切换。
• 传感器位置不变，整个实验过程中不要移动设备。
• 厨房门窗状态保持一致，记录实验当天的天气和室外空气质量作为备注。

这些条件并不复杂，但没有控制变量时，数据很容易被“油烟差异”和“通风差异”干扰，最终得不到明确结论。

6.2 燃气灶场景步骤

1. 开启传感器，确认串口输出正常。
2. 记录 5 分钟背景数据，此时不点火、不炒菜。
3. 启动燃气灶，按平时的习惯完成烹饪。
4. 烹饪结束后，继续关闭燃气灶，再记录 5 分钟残留数据。
5. 停止记录，保存为gas_cooking.csv。

背景数据很重要，它可以帮助你判断污染是本底水平还是烹饪造成的。如果背景 PM2.5 本身就很高，比如室外雾霾严重，那么烹饪期间的增量可能被掩盖。

6.3 电炉场景步骤

在燃气灶实验结束之后，建议开窗通风 20 到 30 分钟，让厨房空气质量回到背景水平，再进行电炉实验。

电炉场景的操作步骤和燃气灶完全一致：

1. 开启传感器，记录 5 分钟背景数据。
2. 启动电炉或电磁炉，完成相同菜品烹饪。
3. 烹饪结束后，再记录 5 分钟残留数据。
4. 停止记录，保存为electric_cooking.csv。

需要特别注意的是，两次实验之间如果不充分通风，前一次实验残留的污染物会影响下一次实验的初始条件。

6.4 数据记录时间表

一份清晰的时间表能大幅度减少后期分析时“数据对不上”的问题。建议记录以下内容：

每次实验都新建一行，最终放在measurement_notes.md里。这样即使隔了一周再分析数据，你仍然能还原实验现场条件。

7. Python 数据对比与分析

7.1 数据预处理

采集完成后，你手头会有两个文件：

• gas_cooking.csv
• electric_cooking.csv

先用 Pandas 读取数据，并把毫秒时间转换成相对分钟数，方便画图。脚本文件路径：

esp32_air_monitor/data_analysis/compare.py

import pandas as pd import matplotlib.pyplot as plt gas = pd.read_csv("gas_cooking.csv") electric = pd.read_csv("electric_cooking.csv") gas["minute"] = (gas["timestamp_ms"] - gas["timestamp_ms"].iloc[0]) / 60000 electric["minute"] = (electric["timestamp_ms"] - electric["timestamp_ms"].iloc[0]) / 60000 gas = gas.dropna(subset=["pm2p5"]) electric = electric.dropna(subset=["pm2p5"]) gas["pm2p5"] = pd.to_numeric(gas["pm2p5"], errors="coerce") electric["pm2p5"] = pd.to_numeric(electric["pm2p5"], errors="coerce") gas = gas.dropna(subset=["pm2p5"]) electric = electric.dropna(subset=["pm2p5"])

这里使用errors="coerce"是为了防止串口数据中出现异常字符串。如果某一行数据格式不对，Pandas 会把它转为NaN，再通过dropna丢弃。

7.2 绘制对比曲线

接下来用 matplotlib 绘制两条 PM2.5 曲线。

plt.figure(figsize=(10, 5)) plt.plot(gas["minute"], gas["pm2p5"], label="燃气灶", linewidth=1.5) plt.plot(electric["minute"], electric["pm2p5"], label="电炉/电磁炉", linewidth=1.5) plt.xlabel("时间（分钟）") plt.ylabel("PM2.5（μg/m³）") plt.title("燃气灶与电炉烹饪期间厨房 PM2.5 对比") plt.legend() plt.grid(alpha=0.3) plt.tight_layout() plt.savefig("pm25_compare.png", dpi=150) plt.show()

如果你发现两条曲线的时间轴长度不一致，不用担心，因为两次实验的总时长可能不同。只需要保证我们都从0分钟开始画即可。

7.3 统计指标与图表解读

曲线图能直观看出变化趋势，但我们还需要计算几个统计指标，把结论量化。

gas_avg = gas["pm2p5"].mean() electric_avg = electric["pm2p5"].mean() gas_peak = gas["pm2p5"].max() electric_peak = electric["pm2p5"].max() print(f"燃气灶平均 PM2.5: {gas_avg:.1f} μg/m³") print(f"电炉平均 PM2.5: {electric_avg:.1f} μg/m³") print(f"平均降幅: {(1 - electric_avg / gas_avg) * 100:.1f}%") print(f"燃气灶峰值 PM2.5: {gas_peak:.1f} μg/m³") print(f"电炉峰值 PM2.5: {electric_peak:.1f} μg/m³") print(f"峰值降幅: {(1 - electric_peak / gas_peak) * 100:.1f}%")

需要注意，如果燃气灶实验的背景值本身比电炉实验高，平均值也会受影响。因此在解读时，建议同时看“背景阶段”和“烹饪阶段”两个区间的曲线差异。一个相对可信的做法是：

• 取开始烹饪前 5 分钟为背景段。
• 取烹饪开始后到结束后 5 分钟为污染段。
• 用污染段平均值减去背景段平均值，得到烹饪带来的净增量。

gas_background = gas.loc[gas["minute"] < 5, "pm2p5"].mean() gas_cooking = gas.loc[gas["minute"] >= 5, "pm2p5"].mean() gas_delta = gas_cooking - gas_background electric_background = electric.loc[electric["minute"] < 5, "pm2p5"].mean() electric_cooking = electric.loc[electric["minute"] >= 5, "pm2p5"].mean() electric_delta = electric_cooking - electric_background print(f"燃气灶净增 PM2.5: {gas_delta:.1f} μg/m³") print(f"电炉净增 PM2.5: {electric_delta:.1f} μg/m³")

如果燃气灶的净增量明显大于电炉，并且多次重复实验都得到同样趋势，那么“切换到电炉能显著降低烹饪期间的颗粒物污染”这个结论在你的厨房环境里就是成立的。

8. 常见问题与排查思路

8.1 传感器读数异常

8.2 数据波动过大

厨房环境本身动态变化很快，数据波动大是正常的。如果你发现曲线像“毛刺”一样，可以做一个滑动平均：

gas["pm2p5_smooth"] = gas["pm2p5"].rolling(window=6, min_periods=1).mean() electric["pm2p5_smooth"] = electric["pm2p5"].rolling(window=6, min_periods=1).mean()

rolling(window=6)表示每 6 个点求一次平均，由于采样间隔是 5 秒，相当于 30 秒滑动平均。这样画出来的曲线更平稳，也更适合观察整体趋势。

8.3 实验中如何避免误判

• 不要把传感器放在燃气灶正上方，蒸汽和火焰会直接干扰传感器。
• 不要在实验中途开关门窗，否则数据会混入通风因素。
• 不要同时开两台灶具，那会混淆污染来源。
• 如果烹饪过程中油温过高导致大量油烟，记录备注，方便后续筛选数据。

9. 最佳实践与工程建议

9.1 测量与传感器维护建议

SPS30 这类光学颗粒物传感器长期在厨房高油烟环境中使用，镜片和风扇容易积灰。建议每 1 到 2 个月做一次清洁，断电后用软毛刷或气吹清理进风口和出风口。如果传感器长期暴露在高浓度油烟中，数据漂移会越来越明显。

在正式实验前，最好让传感器连续运行 30 分钟以上，让风扇稳定。第一次上电时，传感器内部的自动校准流程需要时间，刚开机前几分钟的数据不建议直接用于结论分析。

9.2 厨房环境改善建议

如果你的测量结果证实燃气灶确实显著提高了厨房 PM2.5，可以从下面几个方面改善：

• 烹饪前就开启抽油烟机，而不是等油烟明显后才开。
• 烹饪结束后继续开抽油烟机 5 到 10 分钟，排走残留污染物。
• 使用带排烟管的外排式抽油烟机，比内循环式效果好。
• 在条件允许时，打开厨房窗户形成对流通风。
• 如果经常爆炒，可以考虑使用电磁炉完成高温快炒环节，燃气灶用于炖煮。

9.3 注意事项与安全边界

燃气灶数据对比实验涉及明火和厨房环境，操作时要注意安全：

• 实验过程中不要离开厨房。
• 传感器和线材要远离灶台火源。
• 如果使用液化气，要确认连接管和阀门无泄漏。
• 不要为了追求高浓度数据而关闭所有通风设备，过度暴露对健康不利。

传感器数据只能反映颗粒物质量浓度，不能替代专业机构的气体检测。你要判断 NO2 和 CO 是否超标，还是需要更专业的设备或第三方检测服务。

10. 总结与下一步方向

通过这篇文章，你可以搭建一套属于自己的厨房空气质量监测系统。从传感器选型、ESP32 代码采集，到 Python 数据可视化，完整的流程已经跑通。最关键的不是代码本身，而是实验设计和数据解读思路：控制变量、记录背景、计算净增量，才能得出可信的结论。

下一步如果你想继续深入，有几种方向可以选：

• 加入 SGP40 或 SCD40 传感器，同时监测 VOC 和 CO2，建立更完整的室内空气指标。
• 把数据上传到 Home Assistant 或物联网平台，实现实时监测和历史曲线。
• 统计一个月内不同烹饪方式的数据，用箱线图分析燃气灶和高频爆炒对空气质量的持续影响。
• 结合继电器控制抽油烟机，当 PM2.5 超过阈值时自动开启排风。

厨房空气质量是一个非常贴近生活的物联网落地场景。希望这份实测方案能帮助你用数据做判断，而不是停留在“听说电炉更干净”的模糊印象里。