CN111046718B - 分析装置、分析系统以及分析方法 - Google Patents
分析装置、分析系统以及分析方法 Download PDFInfo
- Publication number
- CN111046718B CN111046718B CN201910965014.XA CN201910965014A CN111046718B CN 111046718 B CN111046718 B CN 111046718B CN 201910965014 A CN201910965014 A CN 201910965014A CN 111046718 B CN111046718 B CN 111046718B
- Authority
- CN
- China
- Prior art keywords
- data
- measurement
- measured
- initial state
- elapsed time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 80
- 238000005259 measurement Methods 0.000 claims abstract description 165
- 230000006866 deterioration Effects 0.000 claims abstract description 36
- 230000015556 catabolic process Effects 0.000 claims description 24
- 238000006731 degradation reaction Methods 0.000 claims description 24
- 238000013523 data management Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 10
- 230000032683 aging Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 1
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229960002715 nicotine Drugs 0.000 description 1
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2365—Ensuring data consistency and integrity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种分析装置、分析系统以及分析方法。事例数据集存储部(2)包含多个事例数据集，该事例数据集包含针对在同一试样和同一测定条件中在多个时间点测定出的测定数据的表示相对于初始状态的测定数据的变化量的差分数据。经年劣化估计部(4)使用多个事例数据集，基于表示由测定装置(10)测定出的比第一经过时间更早的多个时间点的测定数据相对于初始状态的测定数据的变化量的差分数据，来输出表示第一经过时间以后的测定数据相对于初始状态的测定数据的变化量的估计值的差分数据。经年劣化校正部(5)利用输出的差分数据来校正第一经过时间以后的测定数据。
Description
技术领域
本发明涉及一种分析装置、分析系统以及分析方法。
背景技术
分析装置在内部包括检测器的灯和柱等消耗品。根据消耗品的使用次数的不同，即使在针对同一试样和分析条件进行的分析中，分析结果也由于峰形状的变形或保持时间的移动等而发生变化。为了对分析结果的变化进行校正，事先对标准的试样进行分析并作为过去的分析结果进行存储。能够通过将新的分析结果与过去的分析结果进行比较来探测分析结果的变化。另外，能够根据过去的多个分析结果来估计分析结果的变化并校正该变化。
例如，在国际公开第2001/093142号中记载了根据消耗品的使用次数和批号来校正测量结果的方法。
然而，在事先对标准的试样进行分析的情况下，需要追加进行标准的试样的分析，因此成本增加。
另外，在使用过去的分析结果进行校正的情况下，分析装置的使用者需要充分地持有过去的分析结果。在直到目前为止没有进行分析的新的试样或分析条件中无法使用过去的分析结果。另外，在用于测定的试样、测定条件以及原始的测定数据中包含技术秘密和产品信息等应该保护的信息，因此难以与其他使用者共享。
另外，消耗品的使用次数对分析结果的影响根据分析条件的不同而大幅地变化，因此即使单纯地使用相同的消耗品和批号的过去的分析结果，也难以估计新的分析结果的变化。
发明内容
因此，本发明的目的在于提供一种不使用用于测定的试样、测定条件以及原始的测定数据的信息就能够校正伴随测定装置的经年劣化引起的测定数据的变化的分析装置、分析系统以及分析方法。
本公开的分析装置具备：事例数据集存储部，其存储多个事例数据集；测定数据获取部，其获取由测定装置测定出的初始状态和多个时间点的测定数据；差分数据生成部，其生成表示比第一经过时间更早的多个时间点的测定数据相对于初始状态的测定数据的变化量的差分数据；经年劣化估计部，其使用多个事例数据集，基于由差分数据生成部生成的比第一经过时间更早的多个时间点的差分数据，来输出表示第一经过时间以后的测定数据相对于初始状态的测定数据的变化量的估计值的差分数据；以及经年劣化校正部，其利用从经年劣化估计部输出的差分数据来校正第一经过时间以后的测定数据。多个事例数据集各自包含针对在同一试样和同一测定条件中在多个时间点测定出的测定数据的表示相对于初始状态的测定数据的变化量的差分数据。
由此，不使用用于测定的试样、测定条件以及原始的测定数据的信息就能够校正伴随测定装置的经年劣化引起的测定数据的变化。
优选的是，经年劣化估计部通过向经年劣化模型输入由差分数据生成部生成的比第一经过时间更早的多个时间点的差分数据，来输出表示第一经过时间以后的测定数据相对于初始状态的测定数据的变化量的估计值的差分数据，该经年劣化模型是使用多个事例数据集以如下方式进行学习而得到的：将表示从初始状态起的比第一经过时间更早的多个时间点的测定数据相对于初始状态的测定数据的变化量的差分数据作为输入，输出表示第一经过时间以后的测定数据相对于初始状态的测定数据的变化量的差分数据。
由此，能够使用事例数据集学习经年劣化模型，并使用进行学习所得到的经年劣化模型来获得第一经过时间以后的测定数据相对于初始状态的测定数据的变化量的估计值。
优选的是，经年劣化模型由神经网络构成。
由此，能够使用学习能力优秀的神经网络来学习事例数据集。
优选的是，经年劣化校正部从第一经过时间以后的测定数据减去从经年劣化估计部输出的差分数据。
优选的是，测定数据是波形数据。
由此，能够对由测定装置的经年劣化引起的频谱等波形数据相对于初始状态的变化进行校正。
本公开的分析系统具备：分析装置和一个以上的数据管理装置。一个以上的数据管理装置具备：原始数据存储部，其管理原始数据集，该原始数据集包含试样名称、测定条件的标识符以及在初始状态和多个时间点测定出的测定数据；事例数据集生成部，其从原始数据集中删除试样名称和测定条件的标识符，从在多个时间点测定出的测定数据减去初始状态的测定数据，由此生成事例数据集；以及发送部，其向分析装置发送事例数据集。分析装置具备接收事例数据集的接收部。
由此，各数据管理装置能够制作不包含原始数据集中包含的用于测定的试样、测定条件以及原始的测定数据这样的应该保护的信息的、由表示相对于初始状态的变化量的差分数据构成的事例数据集，并提供给分析装置。
本公开的分析方法包括以下步骤：数据管理装置从包含试样名称、测定条件的标识符以及在初始状态和多个时间点测定出的测定数据的原始数据集中删除试样名称和测定条件的标识符，从在多个时间点测定出的测定数据减去初始状态的测定数据，由此生成事例数据集；数据管理装置向分析装置发送事例数据集；分析装置接收事例数据集；分析装置使用多个事例数据集来学习经年劣化模型，所述经年劣化模型将表示从初始状态起的比第一经过时间更早的多个时间点的测定数据相对于初始状态的测定数据的变化量的差分数据作为输入，将表示第一经过时间以后的测定数据相对于初始状态的测定数据的变化量的差分数据作为输出；分析装置获取由测定装置测定出的初始状态和多个时间点的测定数据；分析装置向进行学习所得到的经年劣化模型输入表示测定装置的从初始状态起的比第一经过时间更早的多个时间点的测定数据相对于初始状态的测定数据的变化量的差分数据，由此输出表示第一经过时间以后的测定数据相对于初始状态的测定数据的变化量的估计值的差分数据；以及分析装置利用输出的差分数据来校正第一经过时间以后的测定数据。
由此，不使用用于测定的试样、测定条件以及原始的测定数据的信息，就能够校正伴随测定装置的经年劣化引起的测定数据的变化。
根据与所附附图相关联地理解的以下的详细说明会明确本发明的上述以及其它目的、特征、方面及优点。
附图说明
图1是表示第一实施方式的分析装置1的结构的图。
图2是表示多个事例数据集的例子的图。
图3是表示经年劣化模型AGM的结构的图。
图4的(a)是表示测定数据R(t0)～R(tn)的例子的图。图4的(b)是表示差分数据D(t1)～D(tm-1)、差分数据D(tm)～D(tn)的例子的图。图4的(c)是表示校正后的测定数据R′(tm)～R′(tn)的例子的图。
图5是表示第一实施方式的分析装置1的学习过程的流程图。
图6是表示第一实施方式的分析装置1的测定数据的校正过程的流程图。
图7是表示第二实施方式的分析系统的结构的图。
图8的(a)是表示原始数据集的例子的图。图8的(b)是表示事例数据集的例子的图。
图9是表示第二实施方式的分析系统的分析过程的流程图。
具体实施方式
以下，参照附图来说明实施方式。
[第一实施方式]
图1是表示第一实施方式的分析装置1的结构的图。
分析装置1具备测定数据获取部3、差分数据生成部6、事例数据集存储部2、经年劣化估计部4以及经年劣化校正部5。
事例数据集存储部2存储多个事例数据集。一个事例数据集包含针对在同一试样和同一测定条件中在多个时间点测定出的测定数据的表示相对于初始状态的测定数据的变化量的差分数据。
试样包括血液、咖啡因、尼古丁等。测定条件包括与消耗品的劣化及测定数据相关联的条件，例如分析时间、温度、压力、液体的流速、消耗品的种类等。测定数据包含从色谱仪的检测器输出的色谱和频谱等。
图2是表示多个事例数据集的例子的图。
事例数据集存储有多个时间点t1～tn的测定数据相对于初始状态t0的测定数据的差分数据D(t1)～D(tn)。时间点之间的间隔例如可以是几小时、一天、一个月或几个月等。测定数据可以是波形数据。或者，测定数据也可以是数值数据。
当将初始状态t0和多个时间点t0～tn的测定数据设为R(t0)～R(tn)时，用以下的式子来表示差分数据D(t1)～D(tn)。
D(ti)＝R(ti)-R(t0)(i＝1～n)…(1)
根据由测定装置10或多个其它测定装置测定出的测定数据来制作多个事例数据集。例如，根据由多个用户所使用的测定装置测定出的测定数据来制作多个事例数据集。
该事例数据集中不包含用于测定的试样、测定条件以及原始的测定数据。测定数据只表示为与初始状态的测定数据之差。因而，在本实施方式中，不使用多个用户所拥有的技术秘密和产品信息等应该保护的信息。
另外，根据在同一试样和同一测定条件中测定出的测定数据来获得一个事例数据集，因此，差分数据能够视为仅表示由经年劣化引起的变化的数据。
再次参照图1，测定数据获取部3获取由与分析装置1连接的测定装置10测定出的初始状态t0和多个时间点t1～tn的测定数据R(t0)～R(tn)。
差分数据生成部6生成表示比第一经过时间tm更早的多个时间点t1～tm-1的测定数据R(t1)～R(tm-1)相对于初始状态的测定数据R(t0)的变化量的差分数据D(t1)～D(tm-1)。
经年劣化估计部4使用事例数据集存储部2中存储的多个事例数据集，基于由差分数据生成部6生成的多个时间点的差分数据D(t1)～D(tm-1)，来输出表示第一经过时间tm以后的测定数据相对于初始状态的测定数据的变化量的估计值的差分数据D(tm)～D(tn)。
更具体地说，经年劣化估计部4使用多个事例数据集来学习如下的经年劣化模型AGM：将表示从初始状态起的比第一经过时间tm更早的多个时间点t1～tm-1的测定数据相对于初始状态的测定数据的变化量的差分数据D(t1)～D(tm-1)作为输入，输出表示第一经过时间tm以后的测定数据相对于初始状态的测定数据的变化量的差分数据D(tm)～D(tn)。经年劣化估计部4向进行学习所得到的经年劣化模型AGM输入由差分数据生成部6生成的比第一经过时间tm更早的多个时间点t1～tm-1的差分数据D(t1)～D(tm-1)，由此输出表示第一经过时间tm以后的测定数据相对于初始状态的测定数据的变化量的估计值的差分数据D(tm)～D(tn)。
向经年劣化模型AGM输入的差分数据D(t1)～D(tm-1)仅表示由经年劣化引起的变化，必须不包含其它因素(试样、测定条件等)的变化。从经年劣化模型AGM输出的差分数据D(tm)～D(tn)也仅表示由经年劣化引起的变化。
图3是表示经年劣化模型AGM的结构的图。
如图3所示，经年劣化模型AGM也可以设为由神经网络构成。
在学习时，向神经网络的输入层输入事例数据集的差分数据D(t1)～D(tm-1)。通过误差反向传播法以使从输出层输出的数据与事例数据集的差分数据D(tm)～D(tn)的误差最小化的方式学习神经网络的参数。
在估计经年劣化时，向神经网络的输入层输入从测定装置10输出的测定数据R(t0)～R(tm-1)的差分数据D(t1)～D(tm-1)。从神经网络的输出层输出作为估计值的差分数据D(tm)～D(tn)。
经年劣化校正部5利用从经年劣化估计部4输出的差分数据D(tm)～D(tn)来校正第一经过时间tm以后的测定数据R(tm)～R(tn)。更具体地说，经年劣化校正部5通过从第一经过时间tm以后的测定数据R(tm)～R(tn)减去从经年劣化估计部4输出的差分数据D(tm)～D(tn)，来输出校正后的测定数据R′(tm)～R′(tn)。由此，获得去除了经年劣化的影响的测定数据。也就是说，获得被预测为在测定装置10没有发生经年劣化的初始状态t0时得到的测定数据(也就是正确的测定数据)。
图4的(a)是表示测定数据R(t0)～R(tn)的例子的图。图4的(b)是表示差分数据D(t1)～D(tm-1)、差分数据D(tm)～D(tn)的例子的图。图4的(c)是表示校正后的测定数据R′(tm)～R′(tn)的例子的图。
由差分数据生成部6根据测定装置10所测定出的测定数据R(t0)～R(tm-1)来生成差分数据D(t1)～D(tm-1)。
由经年劣化估计部4根据差分数据D(t1)～D(tm-1)来生成差分数据(tm)～D(tn)。
由经年劣化校正部5生成利用差分数据D(tm)～D(tn)校正测定数据R(tm)～R(tn)所得到的测定数据R′(tm)～R′(tn)。
图5是表示第一实施方式的分析装置1的学习过程的流程图。
在步骤S201中，经年劣化估计部4生成将事例数据集包含的时间点t1～时间点tm-1的差分数据D(tj)(j＝1～m-1)作为输入、将时间点tm～时间点tn的差分数据D(tk)(k＝m～n)作为输出的学习数据。
在步骤S202中，经年劣化估计部4使用学习数据来学习图3的神经网络。
在步骤S203中，经年劣化估计部4存储作为学习结果的神经网络的参数。
图6是表示第一实施方式的分析装置1的测定数据的校正过程的流程图。
在步骤S101中，测定数据获取部3从测定装置10获取测定数据R(ti)(i＝0～m-1)。
在步骤S102中，差分数据生成部6如以下的式子所示那样生成差分数据D(tj)(j＝1～m-1)。
D(tj)＝R(tj)-R(t0)…(2)
在步骤S103中，经年劣化估计部4向设定有作为学习结果的参数的学习完成的神经网络输入差分数据D(tj)(j＝1～m-1)，由此从学习完成的神经网络输出差分数据D(tk)(k＝m～n)。
在步骤S104中，设定为k＝m。
在步骤S105中，测定数据获取部3获取测定数据R(tk)。
在步骤S106中，经年劣化校正部5如以下的式子所示那样利用差分数据D(tk)来校正测定数据R(tk)，从而获得校正后的测定数据R′(tk)。
R′(tk)＝R(tk)-D(tk)…(3)
在步骤S107中，在k＝n的情况下，结束处理。在k＝n不成立的情况下，处理进入步骤S108。
在步骤S108中，k仅递增1，处理返回到步骤S104。
如上所述，根据本实施方式，探测基于消耗品的使用次数的、测定数据的由经年劣化引起的变化，根据变化来校正测定数据，因此不需要事先进行追加的测定。
另外，能够仅将除了技术秘密和产品信息等应该保护的信息以外的测定结果的变化的信息进行收集并共享。由此，能够利用由其他使用者产生的使用了消耗品的测定数据的经年劣化来校正测定数据的变化。在利用了与其他使用者相同的试样及相同的测定条件的情况下，能够利用由其他使用者产生的测定结果的经年劣化的信息。
[第二实施方式]
图7是表示第二实施方式的分析系统的结构的图。
分析系统具备N个数据管理装置20-1～20-N以及分析装置11。
数据管理装置20-1～20-N具备原始数据集存储部21、事例数据集生成部22以及发送部23。例如，数据管理装置20-1～20-N由用户1～用户N来进行管理。
原始数据集存储部21存储包含试样名称、测定条件的标识符以及在初始状态和多个时间点测定出的测定数据R(t0)～R(tn)的原始数据集。
事例数据集生成部22从原始数据集中删除试样名称和测定条件的标识符，从在多个时间点测定出的测定数据R(t1)～R(tn)减去初始状态的测定数据R(t0)，由此生成差分数据D(t1)～D(tn)。事例数据集由差分数据D(t1)～D(tn)构成。
图8的(a)是表示原始数据集的例子的图。图8的(b)是表示事例数据集的例子的图。事例数据集生成部22删除原始数据集中包含的试样名称α和测定条件的标识符“2”，根据测定数据R(t0)～R(tn)来生成差分数据D(t1)～D(tn)，由此生成事例数据集。
发送部23将由事例数据集生成部22生成的事例数据集发送到分析装置11。
分析装置11除了具备第一实施方式的分析装置1的结构要素以外，还具备接收部7。
接收部7接收从数据管理装置20-1～20-N发送来的事例数据集，并将该事例数据集写入事例数据集存储部2。
图9是表示第二实施方式的分析系统的分析过程的流程图。
在步骤S301中，数据管理装置20-1～20-N的事例数据集生成部22从原始数据集中删除试样名称和测定条件的标识符，从在多个时间点测定出的测定数据减去初始状态的测定数据，由此生成事例数据集。
在步骤S302中，数据管理装置20-1～20-N的发送部23向分析装置11发送事例数据集。
在步骤S303中，分析装置11的接收部7接收事例数据集。
在步骤S304中，与步骤S201～S203同样地，分析装置11使用事例数据集来学习神经网络。
在步骤S305中，与步骤S101～S108同样地，分析装置11获取测定数据来校正测定数据。
如上所述，根据本实施方式，数据管理装置20-1～20-N能够生成不包含试样名称、测定条件以及原始的测定数据之类的应该保护的信息的事例数据集，并提供给分析装置。
以上，说明了本发明的实施方式，但应该认为本次公开的实施方式在所有方面均是例示的，而非限制性的。本发明的范围由权利要求书示出，包括与权利要求书同等的含义和范围内的所有的变更。
Claims (7)
1.一种分析装置，具备：
接收部，其接收多个事例数据集，所述事例数据集是从包含试样名称、测定条件的标识符以及在初始状态和多个时间点测定出的测定数据的原始数据集中删除所述试样名称和所述测定条件的标识符，从在所述多个时间点测定出的测定数据减去所述初始状态的测定数据而生成的；
事例数据集存储部，其存储多个事例数据集；
测定数据获取部，其获取由测定装置测定出的初始状态和多个时间点的测定数据；
差分数据生成部，其生成表示比第一经过时间更早的多个时间点的测定数据相对于所述初始状态的测定数据的变化量的差分数据；
经年劣化估计部，其使用所述多个事例数据集，基于由所述差分数据生成部生成的比所述第一经过时间更早的多个时间点的差分数据，来输出表示所述第一经过时间以后的测定数据相对于所述初始状态的测定数据的变化量的估计值的差分数据；以及
经年劣化校正部，其利用从所述经年劣化估计部输出的差分数据来校正所述第一经过时间以后的测定数据，
其中，所述多个事例数据集各自包含针对在同一试样和同一测定条件中在多个时间点测定出的测定数据的表示相对于初始状态的测定数据的变化量的差分数据。
2.根据权利要求1所述的分析装置，其特征在于，
所述经年劣化估计部通过向经年劣化模型输入由所述差分数据生成部生成的比所述第一经过时间更早的多个时间点的差分数据，来输出表示所述第一经过时间以后的测定数据相对于所述初始状态的测定数据的变化量的估计值的差分数据，所述经年劣化模型是使用所述多个事例数据集以如下方式进行学习而得到的：将表示从初始状态起的比第一经过时间更早的多个时间点的测定数据相对于所述初始状态的测定数据的变化量的差分数据作为输入，输出表示所述第一经过时间以后的测定数据相对于所述初始状态的测定数据的变化量的差分数据。
3.根据权利要求2所述的分析装置，其特征在于，
所述经年劣化模型由神经网络构成。
4.根据权利要求1所述的分析装置，其特征在于，
所述经年劣化校正部从所述第一经过时间以后的测定数据减去从所述经年劣化估计部输出的差分数据。
5.根据权利要求1所述的分析装置，其特征在于，
所述测定数据是波形数据。
6.一种分析系统，具备：
根据权利要求1所述的分析装置；以及
一个以上的数据管理装置，
其中，所述一个以上的数据管理装置具备：
原始数据存储部，其管理原始数据集，该原始数据集包含试样名称、测定条件的标识符以及在初始状态和多个时间点测定出的测定数据；
事例数据集生成部，其从所述原始数据集中删除所述试样名称和所述测定条件的标识符，从在所述多个时间点测定出的测定数据减去所述初始状态的测定数据，由此生成所述事例数据集；以及
发送部，其将所述事例数据集发送到所述分析装置。
7.一种分析方法，包括以下步骤：
数据管理装置从包含试样名称、测定条件的标识符以及在初始状态和多个时间点测定出的测定数据的原始数据集中删除所述试样名称和所述测定条件的标识符，从在所述多个时间点测定出的测定数据减去所述初始状态的测定数据，由此生成事例数据集；
所述数据管理装置将所述事例数据集发送到分析装置；
所述分析装置接收所述事例数据集；
所述分析装置使用多个所述事例数据集来学习经年劣化模型，所述经年劣化模型将表示从初始状态起的比第一经过时间更早的多个时间点的测定数据相对于所述初始状态的测定数据的变化量的差分数据作为输入，将表示所述第一经过时间以后的测定数据相对于所述初始状态的测定数据的变化量的差分数据作为输出；
所述分析装置获取由测定装置测定出的初始状态和多个时间点的测定数据；
所述分析装置向进行所述学习所得到的所述经年劣化模型输入表示所述测定装置的从初始状态起的比第一经过时间更早的多个时间点的测定数据相对于所述初始状态的测定数据的变化量的差分数据，由此输出表示所述第一经过时间以后的测定数据相对于所述初始状态的测定数据的变化量的估计值的差分数据；以及
所述分析装置利用输出的所述差分数据来校正所述第一经过时间以后的测定数据。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018-192655 | 2018-10-11 | ||
| JP2018192655A JP7135697B2 (ja) | 2018-10-11 | 2018-10-11 | 分析装置、分析システムおよび分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111046718A CN111046718A (zh) | 2020-04-21 |
| CN111046718B true CN111046718B (zh) | 2023-11-10 |
Family
ID=70159646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910965014.XA Active CN111046718B (zh) | 2018-10-11 | 2019-10-11 | 分析装置、分析系统以及分析方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11755561B2 (zh) |
| JP (1) | JP7135697B2 (zh) |
| CN (1) | CN111046718B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0581228A (ja) * | 1991-09-19 | 1993-04-02 | Hitachi Ltd | ニユーラルネツトワークの構成方法および学習／想起システム |
| CN1444749A (zh) * | 2000-06-02 | 2003-09-24 | 阿克雷株式会社 | 测定支援系统以及测定支援方法 |
| CN106447039A (zh) * | 2016-09-28 | 2017-02-22 | 西安交通大学 | 基于自编码神经网络的无监督特征提取方法 |
| CN107181163A (zh) * | 2016-03-10 | 2017-09-19 | 发那科株式会社 | 机器学习装置、激光装置以及机器学习方法 |
| CN108327721A (zh) * | 2017-01-18 | 2018-07-27 | 福特环球技术公司 | 用于监测部件寿命的方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07260767A (ja) * | 1994-03-24 | 1995-10-13 | Yamatake Honeywell Co Ltd | ガスクロマトグラフにおけるカラム劣化検出方法 |
| US7194369B2 (en) * | 2001-07-23 | 2007-03-20 | Cognis Corporation | On-site analysis system with central processor and method of analyzing |
| JP2006292446A (ja) * | 2005-04-07 | 2006-10-26 | Shimadzu Corp | ガスクロマトグラフ装置 |
| US9500629B2 (en) * | 2012-11-05 | 2016-11-22 | Shimadzu Corporation | Chromatogram data processing method and device |
| WO2016096790A1 (en) * | 2014-12-18 | 2016-06-23 | Ge Healthcare Bio-Sciences Ab | Automated chromatography column switching control based on pressure detection |
| US10567263B2 (en) * | 2016-08-19 | 2020-02-18 | Intel Corporation | Technologies for simulating service degradation in a software defined network |
| US11468318B2 (en) * | 2017-03-17 | 2022-10-11 | Portland State University | Frame interpolation via adaptive convolution and adaptive separable convolution |
| US20180307741A1 (en) * | 2017-04-25 | 2018-10-25 | Intel Corporation | Filtering training data for simpler rbf models |
-
2018
- 2018-10-11 JP JP2018192655A patent/JP7135697B2/ja active Active
-
2019
- 2019-10-09 US US16/597,395 patent/US11755561B2/en active Active
- 2019-10-11 CN CN201910965014.XA patent/CN111046718B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0581228A (ja) * | 1991-09-19 | 1993-04-02 | Hitachi Ltd | ニユーラルネツトワークの構成方法および学習／想起システム |
| CN1444749A (zh) * | 2000-06-02 | 2003-09-24 | 阿克雷株式会社 | 测定支援系统以及测定支援方法 |
| CN107181163A (zh) * | 2016-03-10 | 2017-09-19 | 发那科株式会社 | 机器学习装置、激光装置以及机器学习方法 |
| CN106447039A (zh) * | 2016-09-28 | 2017-02-22 | 西安交通大学 | 基于自编码神经网络的无监督特征提取方法 |
| CN108327721A (zh) * | 2017-01-18 | 2018-07-27 | 福特环球技术公司 | 用于监测部件寿命的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020060473A (ja) | 2020-04-16 |
| US20200117652A1 (en) | 2020-04-16 |
| US11755561B2 (en) | 2023-09-12 |
| CN111046718A (zh) | 2020-04-21 |
| JP7135697B2 (ja) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6978541B2 (ja) | 動的外れ値偏り低減のコンピュータ実装方法、コンピュータシステム及びコンピュータ装置 | |
| Pianosi et al. | Understanding the time‐varying importance of different uncertainty sources in hydrological modelling using global sensitivity analysis | |
| US20150025872A1 (en) | System, method, and apparatus for modeling project reliability | |
| DE102018109696A1 (de) | Vorrichtung und Verfahren zur Verifizierung, Kalibrierung und/oder Justierung eines Inline-Messgeräts | |
| AU2016200387B2 (en) | System and method for producing statistically valid assay means and ranges for quality control materials | |
| CN105426647B (zh) | 基于可靠度先验信息融合的冷备系统可靠度估计方法 | |
| Nanumyan et al. | Multilayer network approach to modeling authorship influence on citation dynamics in physics journals | |
| CN111046718B (zh) | 分析装置、分析系统以及分析方法 | |
| Wagner | Global sensitivity analysis of predictor models in software engineering | |
| US20160127117A1 (en) | Systems and methods for synching a host computer with a variety of external devices | |
| Wheatley et al. | Automated ice-core layer-counting with strong univariate signals | |
| Amezcua et al. | Time‐correlated model error in the (ensemble) Kalman smoother | |
| Abeysirigunawardena et al. | Data quality control and quality assurance practices for Ocean Networks Canada observatories | |
| Cascante-Vega et al. | Estimating and forecasting the burden and spread of Colombia’s SARS-CoV2 first wave | |
| CN107562695A (zh) | 一种配电变压器的负载数据处理方法及装置 | |
| McMahon et al. | SENSOR-Applying Modern Software and Data Management Practices to Climate Research | |
| CN114254516B (zh) | 一种删失数据下的参数概率不确定性建模方法 | |
| Weaver et al. | Bayesian assurance tests for degradation data | |
| US20220108196A1 (en) | Improved computer-implemented event forecasting and information provision | |
| Chakraverti et al. | Modified Cocomo model for maintenance cost estimation of real time system software | |
| US8135563B2 (en) | Apparatus and method for evaluating the performance of systems having time-varying output characteristics | |
| Weiner | Acquisition and Exploration of Data Phase | |
| Brito et al. | MePPLa: Measurement Planning Pattern | |
| CN112769882A (zh) | 一种医疗数据的上传方法及装置 | |
| Kumar et al. | Modified COCOMO model for maintenance cost estimation of real time system software |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |