JP2022169273A - ガス検出システム及びガス検出方法 - Google Patents

ガス検出システム及びガス検出方法 Download PDF

Info

Publication number
JP2022169273A
JP2022169273A JP2021075204A JP2021075204A JP2022169273A JP 2022169273 A JP2022169273 A JP 2022169273A JP 2021075204 A JP2021075204 A JP 2021075204A JP 2021075204 A JP2021075204 A JP 2021075204A JP 2022169273 A JP2022169273 A JP 2022169273A
Authority
JP
Japan
Prior art keywords
sensor
output
gas detection
output ratio
odor
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.)
Pending
Application number
JP2021075204A
Other languages
English (en)
Inventor
裕紀 若菜
Hironori Wakana
益義 山田
Masuyoshi Yamada
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2021075204A priority Critical patent/JP2022169273A/ja
Priority to US17/705,532 priority patent/US20220341863A1/en
Publication of JP2022169273A publication Critical patent/JP2022169273A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/403—Cells and electrode assemblies
    • G01N27/414—Ion-sensitive or chemical field-effect transistors, i.e. ISFETS or CHEMFETS
    • G01N27/4141—Ion-sensitive or chemical field-effect transistors, i.e. ISFETS or CHEMFETS specially adapted for gases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
    • G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a threshold to release an alarm or displaying means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/497—Physical analysis of biological material of gaseous biological material, e.g. breath
    • G01N33/4972—Determining alcohol content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/98—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving alcohol, e.g. ethanol in breath

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

Figure 2022169273000001
【課題】環境によるにおいセンサのカスタマイズを不要とすることを課題とする。
【解決手段】特性感度の異なる複数のセンサ１１０で構成されるセンサアレイ１００と、センサアレイ１００を構成するセンサ１１０から取得したセンサ出力値それぞれを、所定の値に対する出力値の割合である出力比に変換する事前処理部２０２と、過去にセンサアレイ１００を構成するセンサ１１０のそれぞれから取得した出力比に対してクラスタ解析を行った結果を基に生成される正常範囲と、事前処理部２０２によって変換された出力比とを比較することで、出力比が正常範囲にあるか否かを判定するにおい判定処理部２０４と、を有することを特徴とする
【選択図】図１

Description

本発明は、ガス検出システム及びガス検出方法の技術に関する。
現場の火災報知器のような装置に加えて、異なる感度を有する複数のにおいセンサを組み合わせて用いたにおい計測装置の技術開発が進んでいる。このような技術として、複数のにおいセンサの出力パターンからにおい種を特定する方法や、センサデータを機械学習させ、成分解析する手法が提案されている。
このような技術として、特許文献１には、「ガス分析装置１００は、チャンバ１０と、前記チャンバ内に設けられ、それぞれ異なる材料構成を有する感ガス材を備える３以上のガスセンサ３０a、３０b、３０cと、成分と濃度が既知の複数のガス種に対して、３以上のガスセンサの各感ガス材の応答から濃度に換算するための情報を、予め記憶する記憶部６３と、測定対象ガスに対する、前記３以上のガスセンサの各感ガス材の応答を検出する検出部と、前記記憶部に記憶された情報と前記検出部が検出した応答とを用いて前記複数のガス種の換算濃度を算出し、前記３以上のガスセンサのうちの特定ガスセンサの各換算濃度と他の２以上のガスセンサの対応する各換算濃度との差分のうちバラツキが最も小さいガス種を特定するガス種特定部と、を備える」と記載されている。
特開２０１８－１９４３１４号公報
このようなガス検出システムにおいては、検知対象ガス成分に対して、個別にカスタマイズする必要がある。しかし、装置の汎用性向上には、環境によるにおいセンサのカスタマイズを不要とすることが求められる。
本発明は、このような背景に鑑みてなされたのであり、本発明は、ガス検出システム等において、環境によるにおいセンサのカスタマイズを不要とすることを課題とする。
前記した課題を解決するため、本発明は、特性感度の異なる複数のガス検出素子で構成される素子アレイと、前記素子アレイを構成する前記ガス検出素子から取得した出力値のそれぞれを、所定の値に対する前記出力値の割合である出力比に変換する変換部と、過去に前記素子アレイを構成する前記ガス検出素子のそれぞれから取得した過去出力比に対して第１のパターン分類を行った結果を基に生成される正常範囲と、前記変換部によって変換された前記出力比とを比較することで、前記出力比が正常範囲にあるか否かを判定する判定部と、を有することを特徴とする。
本発明によれば、環境によるにおいセンサのカスタマイズを不要とするガス検出システム等を提供することができる。
上記した以外の課題、構成および効果は、以下の発明を実施するための形態の説明により明らかにされる。
本実施形態に係るにおい計測システムの構成を示す図である。 本実施形態におけるセンサアレイの構成例を示す図である。 本実施形態におけるにおい計測装置の一例を示す図である。 本実施形態における第１ベース補正の手順を示す図である。 外気におけるセンサ出力に対して第１ベース補正を行った結果を示す図である。 本実施形態における事前学習処理の処理手順を示すフローチャートである。 第１ベース補正を行ったセンサアレイを用いて一定時間、環境ガスの計測を行った結果を示す図である。 それぞれのセンサにおける出力比を示す図である。 本実施形態に係る計測解析の手順を示すフローチャートである（その１）。 本実施形態に係る計測解析の手順を示すフローチャートである（その２）。 計測における、センサにおける出力時間変動を示す図である。 第２ベース補正後のセンサにおける出力時間変動を示す図である。 出力比の時間変化を示す図である。 レベルの変化を示す図である。 クラスタのレベルと工場内の稼動装置数との対応関係を示す図である。 正常範囲の例を示す図である。 オフィスにおけるにおい計測結果である。 クラウドサーバのハードウェア構成を示す図である。
以下、図面を参照して本発明の実施形態を説明する。実施例は、本発明を説明するための例示であって、説明の明確化のため、適宜、省略および簡略化がなされている。本発明は、他の種々の形態でも実施することが可能である。特に限定しない限り、各構成要素は単数でも複数でも構わない。
図面において示す各構成要素の位置、大きさ、形状、範囲などは、発明の理解を容易にするため、実際の位置、大きさ、形状、範囲などを表していない場合がある。このため、本発明は、必ずしも、図面に開示された位置、大きさ、形状、範囲などに限定されない。
同一あるいは同様の機能を有する構成要素が複数ある場合には、同一の符号に異なる添字を付して説明する場合がある。また、これらの複数の構成要素を区別する必要がない場合には、添字を省略して説明する場合がある。
実施例において、プログラムを実行して行う処理について説明する場合がある。ここで、計算機は、プロセッサ（例えばＣＰＵ２１２（図１８参照）、ＧＰＵ）によりプログラムを実行し、記憶資源（例えばメモリ２１１（図１８参照））やインターフェースデバイス（例えば通信ポート）等を用いながら、プログラムで定められた処理を行う。そのため、プログラムを実行して行う処理の主体を、プロセッサとしてもよい。同様に、プログラムを実行して行う処理の主体が、プロセッサを有するコントローラ、装置、システム、計算機、ノードであってもよい。プログラムを実行して行う処理の主体は、演算部であれば良く、特定の処理を行う専用回路を含んでいてもよい。ここで、専用回路とは、例えばＦＰＧＡ（Field Programmable Gate Array）やＡＳＩＣ（Application Specific Integrated Circuit）、ＣＰＬＤ（Complex Programmable Logic Device）等である。
プログラムは、プログラムソースから計算機にインストールされてもよい。プログラムソースは、例えば、プログラム配布サーバまたは計算機が読み取り可能な記憶メディアであってもよい。プログラムソースがプログラム配布サーバの場合、プログラム配布サーバはプロセッサと配布対象のプログラムを記憶する記憶資源を含み、プログラム配布サーバのプロセッサが配布対象のプログラムを他の計算機に配布してもよい。また、実施例において、２以上のプログラムが１つのプログラムとして実現されてもよいし、１つのプログラムが２以上のプログラムとして実現されてもよい。
［におい計測システムＦ］
図１は、本実施形態に係るにおい計測システムＦの構成を示す図である。
図１に示すように、におい計測システムＦはにおい計測装置１と、データベース３が接続されているクラウドサーバ２とを備えている。そして、におい計測装置１とクラウドサーバ２とはＷＡＮ（Wide Area Network）等のネットワークＮを介して接続する。このような構成を有することで、クラウドサーバ２はクラウドサービスをにおい計測装置１のユーザに提供する。なお、本実施形態ではクラウドサーバ２がクラウドサービスを提供する形態を記載するが、におい計測システムＦの構成は図１に示す形態に限らず、クラウドサーバ２が社内サーバであったり、個人所有のＰＣ（Personal Computer）であったりしてもよい。また、におい記憶装置１がデータ保管可能な記憶資源（不図示）を有してもよい。
におい計測装置１は、におい成分を検知し、信号として出力するセンサ１１０（図３参照）を複数備えるセンサアレイ１００と、センサアレイ１００が出力する信号をセンサ出力としてクラウドサーバ２へ送信するデータ送信部１２１とを有する。センサアレイ１００については後記する。
クラウドサーバ２は、事前学習部２０１、事前処理部２０２、クラスタ処理部２０３、におい判定処理部２０４、異臭判定処理部２０５、及び、発報部２０６を有する。
事前学習部２０１では、センサアレイ１００によって事前計測されたセンサ出力（出力電圧）を出力比に変換する。さらに、事前学習部２０１はクラスタ解析を行うことによって、それぞれのセンサ１１０のセンサ出力をクラスタに分類する。
事前処理部２０２は、計測されたセンサ１１０それぞれのセンサ出力を、出力比に変換する等、この後行われるクラスタ分けに適した形式となるよう事前処理を行う。なお、本実施形態では事前学習部２０１の処理段階における計測を「事前計測」と称し、事前処理部２０２、クラスタ処理部２０３、におい判定処理部２０４、異臭判定処理部２０５、発報部２０６における処理における計測を、単に「計測」と称する。
クラスタ処理部２０３は、事前処理されたセンサ出力を基にクラスタ分けを行う。具体的には、クラスタ処理部２０３は、事前学習部２０１によって分類されたクラスタの内、どのクラスタにセンサ出力が分類されるかを判定する。また、計測した結果が異臭情報と一致した場合、出力比のクラスタ解析を再度行う。
におい判定処理部２０４は、クラスタにレベルを設定し、計測対象環境のにおいがどのレベルであるかを判定し、レベルに応じた処理を行う。
異臭判定処理部２０５は、出力比を基に異臭が検知されているか否かを判定する。
発報部２０６は、異臭判定処理部２０５によって異臭が検知されたと判定され場合にアラームを発報する。
データベース３には、クラスタ情報３０１や、正常範囲情報３０２や、異常情報３０３が格納されている。
クラスタ情報３０１には、カテゴリ解析によって生成されるクラスタに関する情報が格納される。
正常範囲情報３０２には、異臭判定処理部２０５において正常と判定される出力比の範囲が格納される。
異常情報３０３には、異常と判定される出力比の情報が格納される。
また、ネットワークＮは５Ｇ（Generation）による通信が可能であるとよい。
［センサアレイ１００］
図２は、本実施形態におけるセンサアレイ１００の構成例を示す図である。
図２に示すように、センサアレイ１００は複数（図２の例では５つ）のセンサ１１０（１１１～１１５）を有している。
本実施形態において、センサ１１０はにおいセンサである。具体的には、センサ１１０は、半導体式ガスセンサや、有機膜を用いた感応膜等で構成され、特定のにおいに応答するものである。また、センサ１１１～センサ１１５のそれぞれは特性感度の異なるにおいセンサである。例えば、センサ１１１はエタノール系のにおいについて特性感度を有するにおいセンサであり、センサ１１２はケトン系のにおいについて特性感度を有するにおいセンサである。同様に、センサ１１３は水素系のにおいについて特性感度を有するにおいセンサであり、センサ１１４はアンモニア系のにおいについて特性感度を有するにおいセンサである。そして、センサ１１５は炭化水素系のにおいについて特性感度を有するにおいセンサである。
なお、本実施形態では５種類５つのセンサ１１０がセンサアレイ１００に設置されている例を示している。しかし、これに限らず、２つ以上のセンサ１１０がセンサアレイ１００に備えられていればよい。ただし、センサアレイ１００に設置される、それぞれのセンサ１１０の種類は異なる。
［におい計測装置１］
図３は、本実施形態におけるにおい計測装置１の一例を示す図である。
図３に示すように、におい計測装置１は、におい計測端末１３０がスマートフォン１４０に接続されている。ここで、におい計測端末１３０はＵＳＢ（Universal Serial Bus）等を介してスマートフォン１４０に接続している。ここで、におい計測端末１３０はセンサアレイ１００（図１及び図２参照）を有している。そして、図３に示すように、におい計測端末１３０は開口部１３１を有しており、この開口部１３１からにおい計測端末１３０の内部に導入されたにおい分子を、図２に示すセンサアレイ１００のセンサ１１０それぞれが検知する。また、におい分子を取り込むため、図示しない排気口に吸気用ＦＡＮ等が設けられたり、図示しないポンプ等によって排気が行われてもよい。
また、図３に示す例では、スマートフォン１４０が図１のデータ送信部１２１に相当する。
なお、本実施形態では、スマートフォン１４０ににおい計測端末１３０が接続されている形態を示しているが、これに限らない。におい計測端末１３０がセンサアレイ１００及びデータ送信部１２１を備える１つの装置であってもよい。
［第１ベース補正］
以下に、図４及び図５を参照して、本実施形態における第１ベース補正について説明する。また、適宜、図１及び図２を参照する。なお、以降では、計測対象環境が工場の場合について説明する。
図４は、本実施形態における第１ベース補正の手順を示す図である。
まず、事前学習部２０１は、外気（ベース環境）におけるセンサ出力を、それぞれのセンサ１１０から取得する（Ｓ１０１）。ステップＳ１０１で行われる計測は、後記する図６のステップＳ２０１における事前計測や、後記する図９のステップＳ３０１における計測とは別の計測である。センサ出力は、それぞれのセンサ１１０から出力される出力信号（出力電圧の信号）を含む。本実施形態の例では、外気とは工場外の空気である。
そして、事前学習部２０１は、それぞれのセンサ出力が一定となるよう補正（第１ベース補正）する（Ｓ１０２）。第１ベース補正では、センサ１１０それぞれのセンサ出力が同程度になるよう、それぞれのセンサ１１０が調整される。一般に調整はユーザが行う。
なお、ステップＳ１０１における外気での計測は一定時間行われ、事前学習部２０１は、その平均値を基に第１ベース補正を行うとよい。
まず、図５は外気におけるセンサ出力に対して第１ベース補正を行った結果を示す図である。本実施形態の例において、外気は工場の外における空気である。
図５において、縦軸はセンサ１１０の出力電圧（Ｖ）を示し、横軸はセンサ番号を示す。前記したように、センサ出力は、それぞれのセンサ１１０における出力電圧の信号を含む。
図５において、センサ番号「１」はセンサ１１１を示し、センサ番号「２」はセンサ１１２を示し、センサ番号「３」はセンサ１１３を示す。同様に、センサ番号「４」はセンサ１１４を示し、センサ番号「５」はセンサ１１５を示す。なお、後記する図７、図８、図１６、及び、図１７におけるセンサ番号も同様である。
即ち、図５において「Ｈ１」はセンサ１１１の出力電圧（Ｖ）を示し、「Ｈ２」はセンサ１１２の出力電圧を示す。同様に、図５において「Ｈ３」はセンサ１１３の出力電圧を示し、「Ｈ４」はセンサ１１４の出力電圧を示し、「Ｈ５」はセンサ１１５の出力電圧を示す。前記したように、「Ｈ１」～「Ｈ４」で示される出力電圧の、それぞれが略同程度になるよう、それぞれのセンサ１１０がユーザによって調整される。
［事前学習処理］
続いて、図６～図８を参照して、本実施形態の事前学習処理を説明する。適宜、図１及び図２を参照する。
図６は、本実施形態における事前学習処理の処理手順を示すフローチャートである。
まず、事前学習部２０１は第１ベース補正を行ったセンサアレイ１００を用いて計測対象環境（本実施形態では工場）の一定時間、事前計測を行う（図６のＳ２０１）。
図７は、第１ベース補正を行ったセンサアレイ１００を用いて一定時間（例えば、１日）、工場の事前計測を行った結果を示す図である。
図７の縦軸及び横軸は図５と同様であるので説明を省略する。
図７における棒グラフにおいて、棒は事前計測時間におけるセンサ１１０の出力電圧の平均値を示す。そして、それぞれの棒に付随するヒゲは事前計測時間における出力電圧の変動幅を示している。つまり、上ヒゲが事前計測時間中における出力電圧の最大値を示し、下ヒゲが事前計測時間中における出力電圧の最小値を示す。
そして、図７において、「Ｈ１１」はセンサ１１１の出力電圧（Ｖ）を示し、「Ｈ１２」はセンサ１１２の出力電圧を示す。同様に、図７において「Ｈ１３」はセンサ１１３の出力電圧を示し、「Ｈ１４」はセンサ１１４の出力電圧を示し、「Ｈ１５」はセンサ１１５の出力電圧を示す。
そして、事前学習部２０１は図７に示す結果を基に、センサ１１０における出力比を算出する（図６のＳ２０２）。ステップＳ２０２において、事前学習部２０１は時刻毎に出力比を算出する。
ある時刻ｔにおける、あるセンサ１１０の出力比Ｙｎは、以下の式（１）及び式（２）によって算出する。
Ｙｎ（ｔ）＝｜Ｘｎ（ｔ）｜／Ｘａｌｌ（ｔ）・・・（１）
Ｘａｌｌ（ｔ）＝｜Ｘ１（ｔ）｜＋｜Ｘ２（ｔ）｜＋｜Ｘ３（ｔ）｜＋｜Ｘ４（ｔ）｜＋｜Ｘ５（ｔ）｜・・・（２）
ここで、ｎはセンサ番号である。即ち、ｎ＝１であればセンサ１１１、ｎ＝２であればセンサ１１２を示す。同様に、ｎ＝３であればセンサ１１３を示し、ｎ＝４であればセンサ１１４を示し、ｎ＝５であればセンサ１１５を示す。また、Ｘ１（ｔ）は時刻ｔにおけるセンサ１１１の出力電圧を示し、Ｘ２（ｔ）は時刻ｔにおけるセンサ１１２の出力電圧を示す。以下、同様に、Ｘ３（ｔ）は時刻ｔにおけるセンサ１１３の出力電圧を示し、Ｘ４（ｔ）は時刻ｔにおけるセンサ１１４の出力電圧を示し、Ｘ５（ｔ）におけるはセンサ１１５の出力電圧を示す。また、出力電圧はマイナス側にふれる場合があるため、それぞれの出力電圧が絶対値で表されている。
図８は、それぞれのセンサ１１０における出力比を示す図である。
図８において縦軸は出力比を示し、横軸はセンサ番号を示す。センサ番号は図５と同様である。
図８において「Ｈ２１」はセンサ１１１の出力比を示し、「Ｈ２２」はセンサ１１２の出力比を示す。同様に、図８において、「Ｈ２３」はセンサ１１３の出力比を示し、「Ｈ２４」はセンサ１１４の出力比を示し、「Ｈ２５」はセンサ１１５の出力比を示す。そして、図８において箱は事前計測時間における出力比の変動を示す。また、エラーバーは、出力比の平均値に対する±２σの範囲を示す。ここでσは標準偏差である。
前記したように、式（１），（２）に示す出力比は、センサアレイ１００による事前計測時刻毎に算出される。出力比の変動領域は、図８の箱で示されている。
そして、事前学習部２０１はセンサ１１０の中から基準センサを選定する（図６のＳ２０３）。
基準センサは、以下の（Ａ１）、（Ａ２）の条件によって選定される。
（Ａ１）図７に示す出力電圧の変動幅（図７のヒゲ）が小さい部類に属す。小さい部類とは、出力電圧の変動幅が所定の値以下であるという意味である。
（Ａ２）出力比の変動幅（図８の箱）が最大。
事前学習部２０１は、（Ａ１）より（Ａ２）の条件を優先して基準センサを選定する。例えば、センサアレイ１００を構成するセンサ１１０のそれぞれについて出力比の変動幅が同程度の場合、事前学習部２０１は（Ａ１）の条件に基づいて基準センサを選定する。センサ１１０のそれぞれについて出力比の変動幅が同程度とは以下に記載するものである。例えば、変動幅が最大のセンサ１１０の変動幅をＷｍａｘとする。また、変動幅が最大のセンサ１１０以外のセンサ１１０の変動幅をＷとする。このとき、Ｗｍａｘ＞Ｗ≧０．９５×Ｗｍａｘとなる場合である。図７及び図８の例では、センサ番号「３」、即ち、センサ１１３が基準センサとして選定される。
そして、事前学習部２０１は、それぞれのセンサ１１０の出力比を基にクラスタ解析（第１のパターン分類）を行う（図６のＳ２０４）。それぞれのクラスタは、それぞれのセンサ１１０の出力比の組の集合となる。
例えば、センサ１１１～１１５の出力比が｛ｘ１，ｘ２，ｘ３，ｘ４，ｘ５｝であれば、当該出力比の組は、「クラスタＣ１」に分類される。また、センサ１１１～１１５の出力比が｛ｘ１１，ｘ２１，ｘ３１，ｘ４１，ｘ５１｝であれば、当該出力比の組は「クラスタＣ１」とは別の「クラスタＣ２」に分類される。このように、それぞれのクラスタは、センサ１１１～１１５ｅの値の組の集合となる。
ステップＳ２０１～Ｓ２０３の処理によって計測対象環境に対するセンサ１１０の感度計測が行われる。
事前学習部２０１は、図６のステップＳ２０４におけるクラスタ解析の結果をクラスタ情報３０１としてデータベース３に格納する（Ｓ２０５）。
［計測解析］
次に、図９～図１６を参照して、本実施形態に係る計測解析を説明する。適宜、図１及び図２を参照する。
図９及び図１０は、本実施形態に係る計測解析の手順を示すフローチャートである。
まず、センサアレイ１００は、計測対象環境（本実施形態では工場）で、例えば、０．５秒間隔でリアルタイム計測（計測）を行う（図９のＳ３０１）。
続いて、事前処理部２０２は第２ベース補正を行う（図９のＳ３０２）。
図１１及び図１２を参照して、図９のステップＳ３０２で行われる第２ベース補正について説明する。
図１１は、計測における、センサ出力の時間変動を示す図である。
図１１において、グラフＧ１～Ｇ５は、それぞれのセンサ１１０によるセンサ出力（出力電圧）の時間変動を示している。
ここで、グラフＧ１はセンサ１１１による出力電圧の時間変動を示し、グラフＧ２はセンサ１１２による出力電圧の時間変動を示し、グラフＧ３はセンサ１１３による出力電圧の時間変動を示す。さらに、グラフＧ４はセンサ１１４による出力電圧の時間変動を示し、グラフＧ５はセンサ１１５による出力電圧の時間変動を示す。
また、図１１において、期間Ｔ１はブランク計測期間である。ブランク計測期間は計測対象環境において、極力においが検出されないと考えられる期間である。例えば、計測対象環境が工場であればブランク計測期間Ｔ１として休憩時間が考えられる。ブランク計測期間は、図９のステップＳ３０１で行われる計測期間中の期間であってもよいし、ステップＳ３０１で行われる計測とは別の期間で行われてもよい。
事前処理部２０２は、図１１に示すセンサ１１０の前記出力に対して、それぞれのセンサ１１０のセンサ出力を基準出力で揃えることで、図９のステップＳ３０３で示される第２ベース補正を行う。基準出力は、ブランク計測期間における基準センサの平均値である。前記したように、本実施形態では事前学習においてセンサ１１３が基準センサとして選定されている。図１１の例において、ブランク計測期間Ｔ１におけるセンサ１１３（グラフＧ３）の平均値は「０．５Ｖ」であるので、それぞれのセンサ１１０のセンサ出力をブランク計測期間Ｔ１において「０．５Ｖ」で揃える。ここでは、０．５Ｖで揃える一例を示したが、揃える基準は対象環境の変化幅を考慮して自由に決めてよい。
図１１のセンサ出力に対し、それぞれのセンサ１１０のセンサ出力（出力電圧）を「０．５Ｖ」で揃えた結果（即ち、規格化された結果）を図１２に示す。
図１２において、グラフＧ１１はセンサ１１１による第２ベース補正後の出力電圧の時間変動を示し、グラフＧ１２はセンサ１１２による第２ベース補正後のセンサ出力電圧の時間変動を示す。また、グラフＧ１３はセンサ１１３による第２ベース補正後の出力電圧の時間変動を示し、グラフＧ１４はセンサ１１４による第２ベース補正後の出力電圧の時間変動を示す。さらに、グラフＧ１５はセンサ１１５による第２ベース補正後の出力電圧の時間変動を示す。
また、図１２において、期間Ｔ１は図１１と同様、ブランク計測期間である。
なお、第２ベース補正において、それぞれのセンサ１１０のセンサ出力を揃える時刻が定められているとよい。図１２の例では、ブランク計測期間Ｔ１の中央時刻で、それぞれのセンサ１１０のセンサ出力が揃えられている。
その後、事前処理部２０２は、第２ベース補正後のセンサ出力を前記した式（１），（２）に代入し、各計測時刻での出力比と、出力総和（式（２））とを算出する（図９のＳ３０３）。なお、事前処理部２０２は、ステップＳ３０３では出力比、出力総和の双方を必ずしも算出しなくてもよい。後記するレベルに出力比を用いる場合、事前処理部２０２はステップＳ３０３で出力比を算出すればよい。レベルに出力総和を用いる場合、事前処理部２０２はステップＳ３０３で出力総和を算出すればよい。
図１３は、ステップＳ３０３で算出された出力比の時間変化を示す図である。
グラフＧ２１は、第２ベース補正を行った後におけるセンサ１１３の出力比の時間変化を示すグラフである。また、グラフＧ２２は、比較対象として示されるグラフであり、第２ベース補正を行う前のセンサ１１３の出力比の時間変化を示すグラフである。
図１３の一点鎖線で示す部分の幅は、同じ時間におけるそれぞれのグラフＧ２１，Ｇ２２それぞれの変動幅を示している。一点鎖線の幅を比較すると、グラフＧ１２（第２ベース補正後）の方がグラフＧ１１（第２ベース補正前）よりも出力比の変動幅が大きい。つまり、第２ベース補正を行うことによりセンサ出力の規格化が行われた後、出力比が算出されることにより、変動幅が小さいセンサ出力のＳＮ比を大きくすることができる。
図９のステップＳ３０３の後、クラスタ処理部２０３が、算出した出力比を用いてクラスタ分けを行う（図９のＳ３０４）。ステップＳ３０４において、クラスタ処理部２０３は、各時刻におけるセンサ１１０それぞれの出力比の組が、どのクラスタに属すかを判定する。クラスタは、事前学習部２０１によって図６のステップＳ２０４で行われたクラスタ解析の結果である。本実施形態ではクラスタの数が「５」であるものとしているが、クラスタの数は「２」以上であればよい。
（レベル設定）
図９のステップＳ３０４の後、におい判定処理部２０４は、それぞれのクラスタにレベルを設定する（図９のＳ３０５）。
レベルの設定方法は、例えば、以下の手法がある。
（Ｂ１）基準センサ（本実施形態ではセンサ１１３）の出力比の平均値によるレベルの設定。（Ｂ１）における平均値とはクラスタ内の出力比の平均値である。
例えば、本実施形態の例で基準センサとして選定されているセンサ１１３の各クラスタにおける平均値に対し、以下のようなレベルが設定される。
平均値：０．１６→レベル５
平均値：０．１７→レベル４
平均値：０．１９→レベル３
平均値：０．２１→レベル２
平均値：０．２２→レベル１
ここで、平均値が下がるにつれてレベルが上がっている理由は、平均値の算出対象となるセンサ１１３が所定のにおいが強くなるに従ってセンサ出力が下がるセンサ１１０であるためである。所定のにおいが強くなるに従ってセンサ出力が上がるセンサ１１０が基準センサとして選定されている場合、平均値が上がるにつれてレベルがあがるようにすればよい。所定のにおいとは、本実施形態の例ではオイル臭である。
（Ｂ２）クラスタ内のＸａｌｌ（式（２））の平均値によるレベルの設定。以下において、クラスタ内のＸａｌｌの平均値を総和平均値と称する。例えば、におい判定処理部２０４は、それぞれのクラスタ内において、センサ１１０すべての総和平均値を算出する。そして、におい判定処理部２０４は、算出された総和平均値を基に、それぞれのクラスタに対してレベルを設定する。例えば、以下のようにレベルが設定される。
総和平均値：５．５Ｖ→レベル５
総和平均値：４．２Ｖ→レベル４
総和平均値：３．７Ｖ→レベル３
総和平均値：３．４Ｖ→レベル２
総和平均値：３．１Ｖ→レベル１
上記の例では、総和平均値が上がるにつれてレベルが上がっている。しかし、例えば、所定のにおいが強くなるほど、総和平均値が下がる場合、総和平均値が下がるにつれてレベルが上がるようにしてもよい。
なお、本実施形態では平均値を基にクラスタのレベルを設定しているが、これに限らない。例えば、大きな外れ値が存在する等、レベルの設定基準として平均値が適していない場合、におい判定処理部２０４は中央値によってクラスタのレベルを設定してもよい。
また、本実施形態では図９のステップＳ３０５の段階でクラスタのレベルが設定されているが、図６のステップＳ２０４の後、事前学習部２０１がクラスタのレベルを設定してもよい。
なお、（Ｂ１）、（Ｂ２）の手法とも、レベルの増加方向を逆にしてもよい。
図１４は、レベルの変化を示す図である。
図１４を参照して、前記した（Ｂ１）の方法で設定されたレベルの例について説明する。
図１４の上段は、第２ベース補正後における、それぞれのセンサ１１０のセンサ出力を示す図である。図１４の上段は図１２の時刻「３５００」～「６０００」の部分を抽出したものである。また、図１４のグラフＧ１１～Ｇ１５は図１２と同様であるので説明を省略する。
また、図１４の下段は、図１４の上段に示す第２ベース補正後のセンサ出力を基に、式（１），（２）に示す方法で出力比を算出し、その出力比の時間変化を示すものである。なお、図１４の上段及び下段では時刻は一致している。
また、図１４の下段において、グラフＧ３１はセンサ１１１による出力比の時間変動を示し、グラフＧ３２はセンサ１１２による出力比の時間変動を示す。また、グラフＧ３３はセンサ１１３による出力比の時間変動を示し、グラフＧ３４はセンサ１１４による出力比の時間変動を示す。さらに、グラフＧ３５はセンサ１１５による出力比の時間変動を示す。
図１４の下段において実線丸で示す部分はにおい増加タイミングを示し、におい増加タイミングに合わせてグラフＧ３３に示すセンサ１１３の出力比が下がっている。これは、オイルに含まれる成分によってセンサ１１３の出力比が下がっていることを示している。
そして、図１４の下段の矢印ＡＲ１，ＡＲ２に示す箇所では、センサ１１３の出力比が大きく下がっている。つまり、前記した（Ｂ１）の方法で設定したレベルを例とすると、矢印ＡＲ１の箇所では「レベル２」から「レベル４」までレベルが変化している。同様に、矢印ＡＲ２の箇所では、「レベル１」から「レベル３」までレベルが変化している。なお、図１４の上段から下段にかけて示されている縦破線は矢印ＡＲ１周辺においてグラフＧ３３が大きく値を下げている期間を示す。
図９のステップＳ３０５の後、におい判定処理部２０４はレベル判定を行い、レベル判定結果に応じた処理（レベル処理）を行う（図９のＳ３０６）。なお、前記したように第２ベース補正が行われることで、出力比のＳＮ比が向上することによりレベルの変化が顕著に示される。つまり、第２ベース補正が行われることで、におい判定処理部２０４はレベル判定を容易に行うことができる。
レベル処理の例として、以下のようなものが考えられる。
（Ｄ１）レベルに応じた工場内の空調管理。
（Ｄ２）工場内の稼動装置数の推定・異常検知。
（Ｄ３）工場からの臭い漏れ警報。臭い漏れは、例えば「レベル４」以上であればにおい漏れが生じているとにおい判定処理部２０４が判定する。
以下では、（Ｄ２）の具体例について図１５を参照して説明する。
図１５は、クラスタのレベルと工場内の装置の稼働台数との対応関係を示す図である。
図１５の上段においてグラフＧ４１はセンサ出力の総和（式（２）に相当）の時間変化を示す図であり、グラフＧ４２はクラスタの変化を示している。なお、図１５では、前記した（Ｂ２）の方法でレベルが設定された例を示している。即ち、図１５では、クラスタ内における、すべてのセンサ１１０の総和平均値（即ち、前記した（Ｂ２）の方法）でレベル設定された例を示している。グラフＧ４２において、横軸に水平な部分のそれぞれがクラスタに対応している。ちなみに、図１５の上段において、紙面左側の縦軸にはグラフＧ４１に対応する総和平均値が示され、紙面右側の縦軸にはグラフＧ４２に対応するクラスタのレベルが示されている。
図１５の下段は、図１５の上段に示すグラフと対応する時刻における工場内の稼動台数の時間変化を示している。なお、工場内の稼働台数は工場内の装置の稼働記録を基にカウントされている。なお、以降において「稼働台数」とは工場内の装置の稼働台数を指すものとする。
図１５の上段及び下段に示すデータが予め計測され、図１５に示す破線矢印に示すように、管理者によってクラスタと工場内の稼働台数が対応付けられる。このような対応付けによって、におい判定処理部２０４は、クラスタを基に工場内の稼働台数を推定することができる。なお、図１５に示すように、クラスタと工場内の稼働台数は正確に１対１対応するとは限らない。このよう場合、におい判定処理部２０４は、例えば、それぞれのクラスタと稼働台数とが重複している時間で重み付けを行った工場内の稼働台数によって、クラスタと工場内の稼働台数を対応させればよい。もし、実際の稼働台数とクラスタに基づく推定稼働台数とに乖離が発生した場合は、工場内の装置異常や、工場内の装置の負荷の変化等が影響したと考えられる。前記した（Ｄ２）のように工場内の稼動台数の推定が行われる場合、前記した方法によって対応付けられたレベルと稼動台数とを基ににおい判定処理部２０４は処理を行う。
そして、におい判定処理部２０４は、判定されたレベルを基に工場内の稼動台数を推定する。その後、におい判定処理部２０４は、推定された工場内の稼動台数が、実際の稼働台数と乖離がないかを判定し、工場内の装置の異常、工場内の装置の負荷の検知を行う（前記した（Ｄ２））。
（異臭判定）
続いて、異臭判定処理部２０５は、データベース３から正常範囲情報３０２を読み込み、それぞれのセンサ１１０における出力比が正常範囲内であるか否かを判定する（Ｓ３１１）。
図１６は、正常範囲の例を示す図である。ここで、正常範囲とは異臭が生じていないと判定される範囲を意味する。
図１６において、各グラフはクラスタを示す。例えば、グラフＧ５１は「クラスタＣ１」を示し、グラフＧ５２は「クラスタＣ２」を示し、グラフＧ５３は「クラスタＣ３」を示す。同様に、グラフＧ５４は「クラスタＣ４」を示し、グラフＧ５５は「クラスタＣ５」を示す。グラフＧ５１～Ｇ５５は、それぞれのクラスタにおける出力比の平均値を結んだものを示している。また、横軸はセンサ番号を示している。
そして、図１６において、ヒゲは、それぞれのセンサ１１０における出力比の正常範囲を示している。正常範囲は、それぞれのセンサ１１０について、クラスタ（本実施形態の例では「クラスタＣ１」～「クラスタＣ５」）に含まれている出力比の範囲とする。図１６では、基準センサとして選定されたセンサ１１３（センサ番号「３」）の正常範囲が最も大きくなっている。
図１６に示すような正常範囲は予め設定されておいる。そして、異臭判定処理部２０５は、現在の出力比において、いずれのセンサ１１０の出力比も正常範囲に収まっていれば（図９のＳ３１１→Ｙｅｓ）、クラウドサーバ２は処理を終了する。
また、現在の出力比において、いずれかのセンサ１１０の出力比が正常範囲を逸脱している場合（図９のＳ３１１→Ｎｏ）、異臭判定処理部２０５は、データベース３に格納されている異常情報３０３と現在の出力比とを比較する（図９のＳ３１３）。異常情報３０３には、過去において異常と判定された出力比の情報（それぞれのセンサ１１０における出力比の組）が格納されている。
そして、異臭判定処理部２０５は、現在の出力比が登録済みの異臭データと一致するか否かを判定する（図１０のＳ３２１）。
そして、異常情報３０３と一致する場合（図１０のＳ３２１→Ｙｅｓ）、異臭判定処理部２０５は異臭検知と判定し、発報部２０６からアラームを発報する（図１０のＳ３２２）。
一方、登録済みの異常情報３０３と一致しない場合（Ｓ３２１→Ｎｏ）、クラスタ処理部２０３は、図９のステップＳ３１１で正常範囲を逸脱していると判定された出力比を含めた出力比のデータでクラスタ解析を再度行う（図１０のＳ３２３：第２のパターン分類）。
そして、異臭判定処理部２０５は、クラスタ解析の結果、正常範囲を逸脱している出力比が、これまでのクラスタとは別のクラスタ（別クラスタ）として分類されたか否かを判定する（図１０のＳ３３１）。
これまでのクラスタとは別のクラスタとして分類されなかった場合（Ｓ３３１→Ｎｏ）、異臭判定処理部２０５は、正常範囲の更新を行い（図１０のＳ３３２）、更新された正常範囲を正常範囲情報３０２としてデータベース３に登録する（図１０のＳ３３３）。これまでのクラスタとは別のクラスタとして分類されなかったことは、異臭として検知されたことが誤りであり、正常範囲に含まれることを意味する。このような場合、異臭判定処理部２０５は、ステップＳ３３２によって正常範囲を最新の正常範囲に更新する。
正常範囲を逸脱している出力比が、これまでのクラスタとは別のクラスタとして分類された場合（Ｓ３３１→Ｙｅｓ）、異臭判定処理部２０５は、正常範囲を逸脱していると判定された出力比は異臭検知と判定する。そして、発報部２０６はアラームを発報し（Ｓ３３３）、異臭判定処理部２０５は異常情報３０３として正常範囲を逸脱していると判定された出力比を新たに追加登録する（Ｓ３３４）。
（変形例）
本実施形態では、工場におけるにおい計測を例として記載しているが、その他の計測対象環境のにおい計測に本実施形態のにおい計測システムＦが適用されてもよい。
例えば、図１７はオフィスにおける事前計測結果である。なお、図１７は図７に相当する。つまり、オフィスにおいて、図１７は事前学習時において所定期間、事前計測された際の平均値と変動幅を示している。また、図１７において「Ｈ４１」～「Ｈ４５」のそれぞれは図７の「Ｈ１１」～「Ｈ１５」と同様である。また、図１７において使用されているセンサ１１１～１１５のそれぞれは、図７で使用されているセンサ１１１～１１５と同じセンサ１１０が用いられている。
ここで、図１７の結果を用いて、前記した方法で基準センサを選定すると、センサ１１５（「Ｈ４５」）が基準センサとして選定される。このように、同じ構成のセンサアレイ１００を使用しても、計測対象環境によって異なるセンサ１１０が基準センサとして選定される。換言すれば、本実施形態のにおい計測システムＦは同じ構成のセンサアレイ１００を、様々な計測対象環境に対して用いることができる。つまり、におい計測システムＦでは計測対象環境毎に基準センサが選定される。基準センサが計測対象環境毎に選定されることで、クラスタや、正常範囲も計測態様環境毎に設定される。
本実施形態によるにおい計測システムＦは、本実施形態で記載した工場やオフィス以外でも適用可能である。例えば、喫煙所でのにおい管理、農作物や土壌のにおい管理、等、本実施形態によるにおい計測システムＦの適用範囲は広い。
また、本実施形態では変動幅が最も小さく、かつ、出力比の幅が最大のセンサ１１０を基準センサとして選定しているが、基準センサの選定方法は、これに限らない。
また、本実施形態では、出力比の算出式として式（１），（２）が用いられているが、これに限らない。例えば、それぞれのセンサ１１０のセンサ出力（出力電圧）の絶対値を基準センサのセンサ出力の絶対値で除算した以下の式（１１）によって出力比が算出されてもよい。
Ｙｎ（ｔ）＝｜Ｘｎ（ｔ）｜／｜Ｘｃ（ｔ）｜・・・（１１）
ここで、ｎはセンサ１１０の番号である。また、ｔは時刻である。そして、Ｘｃ（ｔ）は基準センサのセンサ出力である。例えば、図１７の結果では基準センサとしてセンサ１１５が選定されているため、Ｘｃ（ｔ）＝Ｘ５（ｔ）となる。
式（１１）のような出力比はセンサ１１０のセンサ出力が対数関数で変化するようなセンサ１１０が用いられる場合に使用されるとよい。センサ１１０のセンサ出力が対数関数で変化するようなセンサ１１０として、例えば、水晶振動子を使用したにおいセンサが挙げられる。なお、センサ出力が対数関数で変化するセンサ１１０と、センサ出力がリニアで変化するセンサ１１０とが混在していても式（１１）による出力比が用いられてもよい。
また、基準センサが２つ以上選定されてもよい。更に、定量性のあるセンサ１１０が基準センサとして用いられてもよい。そのため、センサアレイ１００を構成するセンサ１１０が定性性のセンサ１１０と、定量性のセンサ１１０との組み合わせによって構成されてもよい。定量性のにおいセンサとして光音響センサや、近赤外線吸収センサがある。定性性のにおいセンサとして半導体センサや、化学吸着機能を有する感応膜をにおいセンサに利用したものなどがある。
［ハードウェア構成］
図１８は、クラウドサーバ２のハードウェア構成を示す図である。
クラウドサーバ２は、メモリ２１１、ＣＰＵ（Central Processing Unit）２１２、ＨＤ（Hard Disk）等の記憶装置２１３、通信装置２１４を有している。
記憶装置２１３に格納されているプログラムがメモリ２１１にロードされ、ＣＰＵ２１２によって実行されることにより、図１に示す各部２０１～２０６が具現化する。また、通信装置２１４は、ネットワークＮ（図１参照）を介して、におい計測端末１３０（図１参照）と通信を行う。
本実施形態のにおい計測システムＦは、特性感度の異なる複数のセンサ１１０を備えている。そして、におい計測システムＦは、それぞれのセンサ１１０から過去（事前計測）に出力されたセンサ出力に基づく出力比をクラスタ解析した結果得られる正常範囲と、それぞれのセンサ１１０から現在において出力されたセンサ出力に基づく出力比とを比較する。その上で、におい計測システムＦは、比較の結果、それぞれのセンサ１１０から現在において出力されたセンサ出力に基づく出力比が正常範囲にあるか否かが判定される。過去の出力比をクラスタ解析した結果得られる正常範囲が用いられることにより、計測対象環境毎に異なるセンサ構成を必要とせず、センサ１１０の汎用性が向上する。つまり、計測対象環境によってセンサアレイ１００のセンサ１１０の構成をカスタマイズする必要がなくなる。
さらに、これまでのにおい計測技術では計測中の環境変化や、ポンプによる周辺ガスを吸引の際のガス流速変化により、においセンサの出力においてドリフト等が発生するという課題がある。本実施形態のにおい計測システムＦは、それぞれのセンサ１１０のセンサ出力を規格化した出力比を算出する。そして、におい計測システムＦは、当該出力比を用いて、正常・異常の判定を行う。これにより、計測時の環境変化に起因するセンサ１１０全体の電圧変動（ドリフト）の補正が可能となる。従って、出力比を基にカテゴリ解析を行うことにより、ドリフトの影響が補正されたカテゴリ解析が可能となる。このようなカテゴリ解析に基づいて生成された正常範囲はドリフトの影響が補正された正常範囲となる。よって、本実施形態のにおい計測システムＦは、正常・異常判定の精度を向上させることができる。
さらに、これまでのにおい計測技術では、吸引完結型による計測方法が開示されているが、計測時間が長く、リアルタイム性が確保できないという課題がある。本実施形態のにおい計測システムＦは、予め生成されているカテゴリに計測された出力比を分類することでリアルタイム性を確保することができる。
また、本実施形態のにおい計測システムＦは、計測対象環境毎に、基準センサを選定し、計測対象環境毎に正常範囲を設定する。これにより、本実施形態のにおい計測システムＦは、非検査対象のにおいを検知した場合でも、異臭として検知することができる。
そして、本実施形態のにおい計測システムＦは、センサ出力を機械学習（クラスタ解析）する。これにより、においの情報をデータベース化することができ、においのプラットフォーム化を実現可能とすることができる。
また、本実施形態のにおい計測システムＦは、カテゴリに対してレベルを設定し、そのレベルに応じた処理を行う。これにより、においの度合いに応じた処理を適切に行うことができる。
また、本実施形態のにおい計測システムＦは、センサ出力のデータを蓄積しつつ、カテゴリ解析を繰り返す。このようにすることで、におい計測システムＦは、正常範囲の逐次更新を行うことができ、異臭判定の精度を向上させることができる。そして、におい計測システムＦが学習を繰り返すことで、これまで正常範囲の対象外だったにおい情報を正常範囲に含まれることがあり、異臭判定の精度を向上させることができる。
さらに、カテゴリ解析の結果、現在の出力比がこれまでのカテゴリに属さない、別のカテゴリに分類されたり、予め設定されている異常情報に一致したりすると、発報部２０６によるアラームの発報が行われる。これにより、においの異常検知をユーザに対して通知することができる。
なお、本実施形態はセンサ１１０としてにおいセンサを適用することで、においが計測対象となっているが、これに限らない。センサ１１０として、ガスセンサが適用されることで、ガスが計測対象となってもよい。
なお、各実施形態において、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には、ほとんどすべての構成が相互に接続されていると考えてよい。
本発明は前記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を有するものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
１ におい計測装置
２ クラウドサーバ
３ データベース
１００ センサアレイ（素子アレイ）
１１０ センサ（ガス検出素子）
１１１，１１２，１１４，１１５ センサ（ガス検出素子）
１１３ センサ（ガス検出素子、基準素子）
１２１ データ送信部
１３０ におい計測端末
１３１ 開口部
１４０ スマートフォン
２０１ 事前学習部
２０２ 事前処理部（変換部）
２０３ クラスタ処理部
２０４ におい判定処理部（判定部、レベル処理部）
２０５ 異臭判定処理部
２０６ 発報部
３０１ クラスタ情報
３０２ 正常範囲情報（正常範囲）
３０３ 異常情報（異臭データ）
ＡＲ１，ＡＲ２ 矢印
Ｇ１～Ｇ５，Ｇ１１～Ｇ１５，Ｇ２１，Ｇ２２，Ｇ３１～Ｇ３５，Ｇ４１，Ｇ４２，Ｇ５１～Ｇ５５ グラフ
Ｆ におい計測システム（ガス検知システム）
Ｎ ネットワーク
Ｔ１ ブランク計測期間
Ｓ３０３ 出力比・出力総和算出（変換ステップ）
Ｓ３１１ 正常範囲内判定（判定ステップ）

Claims (8)

  1. 特性感度の異なる複数のガス検出素子で構成される素子アレイと、
    前記素子アレイを構成する前記ガス検出素子から取得した出力値のそれぞれを、所定の値に対する前記出力値の割合である出力比に変換する変換部と、
    過去に前記素子アレイを構成する前記ガス検出素子のそれぞれから取得した過去出力比に対して第１のパターン分類を行った結果を基に生成される正常範囲と、前記変換部によって変換された前記出力比とを比較することで、前記出力比が正常範囲にあるか否かを判定する判定部と、
    を有することを特徴とするガス検出システム。
  2. 前記素子アレイを構成する前記ガス検出素子のうち、前記複数のガス検出素子における計測期間における前記出力比の変動幅が最も大きい前記ガス検出素子を基準素子とし、
    前記変換部は、
    前記基準素子の出力値を基準として、前記素子アレイを構成する前記ガス検出素子の出力値を揃え、
    揃えられた前記素子アレイを構成する前記ガス検出素子それぞれの出力値を基に、前記ガス検出素子それぞれについて前記出力比を算出する
    ことを特徴とする請求項１に記載のガス検出システム。
  3. 前記第１のパターン分類はクラスタ解析である
    ことを特徴とする請求項１に記載のガス検出システム。
  4. 前記クラスタ解析の結果、前記出力比で構成されるクラスタが複数生成され、
    それぞれのクラスタにレベルが設定され、
    現在の前記出力比が、どのクラスタに属すかを判定し、現在の前記出力比が属すクラスタの前記レベルに対応した処理を行うレベル処理部
    を有することを特徴とする請求項３に記載のガス検出システム。
  5. 前記判定部による判定の結果、前記出力比が正常範囲外である場合、第２のパターン分類を行うクラスタ処理部
    を有することを特徴とする請求項１に記載のガス検出システム。
  6. 前記第２のパターン分類の結果、前記出力比がパターンのいずれにも属さない別のカテゴリに分類された場合、アラームを発報する発報部
    を有することを特徴とする請求項５に記載のガス検出システム。
  7. 現在の出力比と、過去に異臭と判定された出力比に関するデータが格納されている異臭データとの比較の結果、異臭と検知された場合、アラームを発報する発報部
    を有することを特徴とする請求項１に記載のガス検出システム。
  8. 特性感度の異なる複数のガス検出素子で構成される素子アレイを有するガス検出システムが、
    前記素子アレイを構成する前記ガス検出素子から取得した出力値のそれぞれを、所定の値に対する前記出力値の割合である出力比に変換する変換ステップと、
    過去に前記素子アレイを構成する前記ガス検出素子のそれぞれから取得した過去出力比に対して第１のパターン分類を行った結果を基に生成される正常範囲と、前記変換ステップによって変換された前記出力比とを比較することで、前記出力比が正常範囲にあるか否かを判定する判定ステップと、
    を実行することを特徴とするガス検出方法。
JP2021075204A 2021-04-27 2021-04-27 ガス検出システム及びガス検出方法 Pending JP2022169273A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021075204A JP2022169273A (ja) 2021-04-27 2021-04-27 ガス検出システム及びガス検出方法
US17/705,532 US20220341863A1 (en) 2021-04-27 2022-03-28 Gas detection system and gas detection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021075204A JP2022169273A (ja) 2021-04-27 2021-04-27 ガス検出システム及びガス検出方法

Publications (1)

Publication Number Publication Date
JP2022169273A true JP2022169273A (ja) 2022-11-09

Family

ID=83694048

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021075204A Pending JP2022169273A (ja) 2021-04-27 2021-04-27 ガス検出システム及びガス検出方法

Country Status (2)

Country Link
US (1) US20220341863A1 (ja)
JP (1) JP2022169273A (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115901900A (zh) * 2022-11-08 2023-04-04 广州市中耕信息技术有限公司 基于mos气敏传感器阵列的有害气体检测方法、装置及设备

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3428892A (en) * 1965-09-20 1969-02-18 James E Meinhard Electronic olfactory detector having organic semiconductor barrier layer structure
JPS59153159A (ja) * 1983-02-21 1984-09-01 Hitachi Ltd ガス検出装置
US9521971B2 (en) * 1997-07-14 2016-12-20 Lawrence A. Lynn System and method for automatic detection of a plurality of SPO2 time series pattern types
WO2001013087A2 (en) * 1999-08-18 2001-02-22 California Institute Of Technology Sensors and sensor arrays of conducting and insulating composites and methods of use thereof
US8052932B2 (en) * 2006-12-22 2011-11-08 Research Triangle Institute Polymer nanofiber-based electronic nose
WO2014143291A2 (en) * 2012-12-21 2014-09-18 Research Triangle Institute An encased polymer nanofiber-based electronic nose
KR100842247B1 (ko) * 2005-08-08 2008-06-30 한국전자통신연구원 전자후각 센서어레이, 이를 포함하는 센서시스템, 그센서어레이 제조방법 및 그 센서시스템을 이용한 분석방법
US10338046B2 (en) * 2016-01-15 2019-07-02 Hitachi, Ltd. Artificial olfactory sensing system
JP6671268B2 (ja) * 2016-09-12 2020-03-25 株式会社日立製作所 呼気アルコール検知のための認証システム及び認証方法
WO2019218395A1 (zh) * 2018-05-17 2019-11-21 华东理工大学 一种恶臭气体多点集中式电子鼻仪器在线监测与分析方法
JP7161889B2 (ja) * 2018-08-27 2022-10-27 株式会社日立製作所 呼気ガス検出装置及び呼気ガス検出方法

Also Published As

Publication number Publication date
US20220341863A1 (en) 2022-10-27

Similar Documents

Publication Publication Date Title
US6556951B1 (en) System and method for intelligent quality control of a process
CN112101662A (zh) 设备健康状况和生命周期检测方法、存储介质及电子设备
EP2917653B1 (en) A device and method for dynamically measuring an enviromental quality factor.
FI128841B (en) Sensor calibration
Xiao et al. A diagnostic tool for online sensor health monitoring in air-conditioning systems
US20070021859A1 (en) Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments
US11624523B2 (en) System and method for remote calibration of an air-quality sensor device
JP2004240642A (ja) プラント機器の保守支援装置
EP2365322A1 (en) Gas sensor age compensation and failure detection
KR20140113153A (ko) 통계적 동일성 검정방법 및 시스템
JP2022169273A (ja) ガス検出システム及びガス検出方法
CN103970041A (zh) 带有气体传感器的便携式传感器设备及其操作方法
CN114328075A (zh) 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质
CN116562509B (zh) 超声波计量装置远程管控方法与智慧燃气物联网系统
JP2019012316A (ja) 設備システムのリスク分析方法、及び装置
KR20170106686A (ko) 가정의 에너지 사용량 예측 방법 및 장치
CN117664281A (zh) 基于物联网的超声波水表故障检测与自动校准方法和系统
US20220243948A1 (en) Odor detection device, odor analysis system, and odor analysis method
JP2007293553A (ja) フィールド機器診断システムおよびフィールド機器診断方法
EP2618231A2 (en) System and method for monitoring, diagnostics, and prognostics
KR101615346B1 (ko) 반도체 제조 공정에서의 이상 감지 방법, 장치 및 기록매체
Xie et al. Adaptive and online fault detection using RPCA algorithm in wireless sensor network nodes
KR102246210B1 (ko) 환경 센서 데이터 검증 모니터링 방법 및 장치
JP4775088B2 (ja) におい識別装置
CN106294061B (zh) 能量强度可变性分析

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240122