JP4000498B2 - ガス検出方法 - Google Patents
ガス検出方法 Download PDFInfo
- Publication number
- JP4000498B2 JP4000498B2 JP09750199A JP9750199A JP4000498B2 JP 4000498 B2 JP4000498 B2 JP 4000498B2 JP 09750199 A JP09750199 A JP 09750199A JP 9750199 A JP9750199 A JP 9750199A JP 4000498 B2 JP4000498 B2 JP 4000498B2
- Authority
- JP
- Japan
- Prior art keywords
- gas
- fourier series
- fourier
- regression coefficient
- regression analysis
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Description
【０００１】
【発明の利用分野】
この発明は金属酸化物半導体を用いたガスの検出に関する。
【０００２】
【従来技術】
吉川らは、金属酸化物半導体ガスセンサに正弦波等のヒータ電圧を加え、これに対するガスセンサの信号波形を解析して、ガス種やガス濃度を求めることを提案している（特許第２８６７，４７４号）。この方法では、正弦波状のヒータ電圧はガスセンサへの刺激であり、これに対するガスセンサの信号波形は元の正弦波と同じ周波数の成分のみでなく、２倍波や３倍波等の高調波成分を含んでいる。このためこの技術は、ヒータ電圧の変化として刺激を加えたことに対する、非線形な応答を検出しているということができる。
【０００３】
吉川らは、前記のようなガスセンサの信号波形をフーリエ変換し、得られたフーリエ級数の特徴からガス種とガス濃度を決定することを示している。しかしながらフーリエ級数とガス種や濃度との関係は複雑である。
【０００４】
【発明の課題】
この発明の課題は、ガスの種類や濃度を正確にかつ容易に決定することにある。
【０００５】
【発明の構成】
この発明のガス検出方法は、ヒータとガス検出用の金属酸化物半導体とを備えたガスセンサを用いて、前記ヒータの電力を周期的に変化させ、これに対する前記金属酸化物半導体の信号波形をフーリエ変換してガスを検出する方法において、予め、ガス種毎に、複数の既知のガス濃度に対して前記信号波形を複数取得し、取得した複数の信号波形をフーリエ変換し、得られたフーリエ級数からガス濃度への回帰係数を回帰分析により求めて、フーリエ級数からガス濃度への回帰係数をガス種毎に記憶し、ガスの検出時に、信号波形から得られたフーリエ級数をニューラルネットワークに入力してガス種を決定すると共に、ガス種毎に記憶したフーリエ級数からガス濃度への回帰係数と、得られたフーリエ級数からガス濃度を決定することを特徴とする。
好ましくは、複数の既知のガス濃度で複数個のガスセンサの信号波形からフーリエ級数を求めて、このフーリエ級数の値を用いて重回帰分析により、回帰係数を求める。即ち、実際の測定に用いるのと別のセンサを含む複数個のセンサの信号を用いて回帰係数を定める。
【０００６】
【発明の作用と効果】
この発明では、ヒータ電力を周期的に変化させ、これに対する金属酸化物半導体の信号波形をフーリエ変換して、フーリエ級数を求める。このようにすると、例えば１つのガスセンサから多数の信号が得られる。そして得られたフーリエ級数をニューラルネットワークで処理してガス種を決定する。次にガス種毎にガス濃度へのフーリエ級数の関係を重回帰分析し、フーリエ級数の各成分からガス濃度への回帰係数を記憶しておく。この回帰係数と、測定時に実測したフーリエ級数とを用いて、ガス濃度を決定する。ここでガス種は、ニューラルネットワークで決定したガス種を用い、それに対応する回帰係数を利用する。このためニューラルネットワークはガス種の決定のみを行えば良く、重回帰分析により容易にガス濃度を決定することができる。
【０００７】
ここで回帰係数を求めるには、フーリエ級数の値が複数組必要である。そこで例えば、実際にガスの検出に用いるのと同一種類で、好ましくは同一ロットのガスセンサを複数個用い、既知のガス濃度での信号波形からフーリエ級数を求めて、これらの複数個のセンサのデータを重回帰分析して、回帰係数を決定する。このようにすれば、１個のガスセンサで繰り返して信号波形を測定せずに、回帰係数を容易に定めることができる。
【０００８】
【実施例】
図１〜図１３に実施例を示す。図１にガス検出装置の構成を示すと、２はガスセンサで、ＳnＯ2等のガスにより抵抗値が変化する金属酸化物半導体４を、ヒータ６により加熱するようにしたものである。８はサイン波電源で、１周期例えば１０〜６０秒程度のサイン波状のヒータ電圧を発生する。１０は定電圧電源で、金属酸化物半導体４と負荷抵抗１１との直列辺に一定の電圧を加えると共に、その出力を検出装置各部の電源とする。なおここでは、抵抗１１の値は十分小さくし、抵抗１１への出力が金属酸化物半導体４の抵抗値に反比例するようにしておく。
【０００９】
１２はＡＤコンバータ、１４はメモリーで、ガスセンサ２からの１周期分の信号波形を記憶する。なおここに周期とは、サイン波電源８からの出力信号の周期を意味する。またメモリー１４はサイン波電源８からのタイミング信号で記憶を開始し、記憶を開始するタイミングは、例えばヒータ電圧の最大値もしくは最小値とする。これはヒータ電圧の最大値や最小値の付近では、高調波成分が少ないため、信号波形中の情報量が少なく、１周期の間にガスセンサ２の状態が変化し、周期の最初と最後とで信号波形の値が異なっても、その影響を小さいからである。
【００１０】
１６は整形部で、メモリー１４に記憶した１周期分の信号波形を処理し、１周期分の信号波形の最初と最後の値の差が、許容範囲以内かどうかをチェックする。この値が許容範囲外であれば検出は行わず、信号波形の最初と最後の値の差が許容範囲内になるまで待機する。次にこの値が許容範囲内でも、１周期の最初と最後とでセンサ信号の値に差がある場合、この差を打ち消すように、例えば時間に対して直線状に変化する補正信号を加えて、１周期の最初と最後とでセンサ信号の値を一致させる。この結果、整形部１６からの出力は完全に周期的な信号となる。
【００１１】
１８はメモリーで、例えば１周期分のセンサ信号を記憶し、このメモリー１８の値を複数回、例えば４〜１６回繰り返して読み出すことにより、フーリエ変換部２０に４周期分もしくは１６周期分等の信号波形を入力する。即ち１周期分のセンサ信号をフーリエ変換すると、周期の両端でのいわゆる反射等により変換精度が低下するので、１つの信号周期を４周期もしくは１６周期等の複数周期、特に好ましくは２のべき乗の周期に繰り返して引き伸ばし、これをフーリエ変換する。
【００１２】
２２は例えば３層のニューラルネットワークで、入力層と中間層及び出力層からなっている。そして入力ニューロンの数は、フーリエ変換部２０からの出力フーリエ級数の数で定まり、例えばここでは、実数の０次成分（Ｒ0）の他に、実数部や虚数部の基本波成分から第６成分までのＲ1〜Ｒ6とＩ1〜Ｉ6の合計１３ニューロンを配置する。他に湿度センサや温度センサ、気流センサ等を設けて、これらの信号もニューラルネットワーク２２に入力しても良い。中間層は例えば８〜１０ニューロン程度からなり、出力層は例えばここでは８種類のガスの弁別を目的とするので、８ニューロンからなる。各ニューロンの出力は０から１までの範囲シグモイド関数を取り、出力ニューロンの値が１はそのニューロンに対するガスが存在する確率は１００％で、値が０はそのニューロンに対するガスが存在する確率は０％であることを意味する。
【００１３】
フーリエ変換部２０の信号は定量部２６へ入力され、２４は重回帰分析により求めた回帰係数を記憶するためのメモリーである。そして定量部２６では、ニューラルネットワーク２２で求めたガス種により、どのガスに対応する回帰係数を読み出すかの読み出しアドレスを定め、この読み出しアドレスに対する回帰係数を順次出力する。出力された回帰係数に対して、該当するフーリエ級数の値をフーリエ変換部２０から供給し、これらを乗算し、順次加算してガス濃度を求める。なおこのガス濃度は対数単位である。
【００１４】
図２にサイン波電源８の出力電圧の例を示す。ここでは１周期は４０秒で、サイン波電圧は最低電圧が２Ｖで最大電圧が５.５Ｖで、最低電圧２Ｖを出力した時点でメモリー１４への記憶を開始する。
【００１５】
図３にエタノール１００ppm及びメタノール１００ppmに対する１周期分の信号波形を示す。図から明らかなように、エタノールはメタノールに比べて、フーリエ級数での高調波成分が大きく、より複雑な信号波形を成している。なお図３では１周期の最初と最後とで信号の値が完全に一致するが、これらが一致しない場合、前記の整形部１６で処理し、人為的に１周期の最初の値と最後の値とを一致させる。
【００１６】
図４に８種類のガスに対するフーリエ級数の実数部を示し、図５に同じ８種類のガスに対するフーリエ級数の虚数部を示す。なお各ガス濃度は１００ppmで、用いたガスはエタノール，メタノール、ジエチルエーテル，アセトン，エチレン，アンモニア，イソブタン，ベンゼンの８種類である。これ以外にフーリエ級数には実数の定数部Ｒ0が存在するが、その値は表１に示す。
【００１７】
【表１】
８種類のガスのフーリエ級数（実数部０次成分）
エタノール ２１８２
メタノール ２４２１
ジエチルエーテル ２２３４
アセトン ３５２５
エチレン ３６８７
アンモニア ７２２４
イソブタン ６３９８
ベンゼン ３６９７
【００１８】
実施例では、フーリエ級数として実数の定数部Ｒ0の他に実数成分として６成分（Ｒ1〜Ｒ6）、虚数成分として６成分（Ｉ1〜Ｉ6）を考慮するので、１つの信号波形から合計１３の信号を取り出すことができる。そしてこれらの１３の信号をニューラルネットワーク２２の入力層に入力して、出力層からガス種を出力する。なおニューラルネットワーク２２の学習や回帰常数の決定は、以下のようにした。同一種類で同一ロットのガスセンサを例えば３個用い、これらのガスセンサを同一条件で同時に用い、既知の濃度の８種類のガス（１０，３０，１００ppm）にさらし、それに対する出力をフーリエ変換してフーリエ級数を求めた。この結果、１つのガスの種類の各ガス濃度毎に、３つのフーリエ級数の値が得られた。そしてこれらの値をニューラルネットワーク２２に入力し、ニューラルネットワーク２２が収束するまで学習させた。得られた各ニューロン間の結合常数を、全てのガス検出装置に対してコピーして用いた。
【００１９】
ガスの種類は既知なので、１つのガスに対する３つのガス濃度での信号（各ガス濃度毎にセンサは３個）のフーリエ級数の値を用いて、重回帰分析を行い、回帰常数を決定した。そして決定した回帰常数を全てのガス検出装置のメモリー２４に記憶させた。なおここでガスセンサの数を３個としたのは、実験の都合上によるものであり、好ましくは１０個あるいは６０個等のより多くの数とする。また好ましくは、実際に測定に用いるガスセンサを含む、同じ種類の同じロットのガスセンサを用いて、ニューラルネットワーク２２でのニューロン間の結合定数や、重回帰分析での回帰常数を求め、これらを各ガス検出装置に対して記憶させる。このようにすれば、１つのガス検出装置毎に複数回の測定を行って、ニューラルネットワーク２２を個別に学習させ、あるいはセンサ毎に回帰常数を求める代わりに、多数のガスセンサを用いて、一挙にニューラルネットワーク２２でのニューロン間の結合定数や回帰常数を求めることができる。この結果、ガス検出装置の較正の手間を小さくできる。
【００２０】
表２〜表９に、前記の８種類のガスに対する回帰定数の値を示す。この回帰係数は、前記の３個のガスセンサに対して求めたフーリエ級数の値から、重回帰分析により求めたものである。次に回帰係数からガス濃度への換算は、例えば表２のエタノールの場合、式(1)のようにする。即ち出力はガス濃度の自然対数単位で、定数項を先頭に置き、次いで実数０次成分に対する回帰係数の掛け算と、実数２次成分に対する回帰係数の掛け算を加えたものとする。
【００２１】
回帰係数の決定では、例えば重回帰分析に用いる信号成分の数を最大４等に制限し、この範囲内でウィルクスのラムダが最小となる組み合わせを求めた。これは１３個の可能な信号に対して、最も良くガス濃度を説明し得る最大４個の成分を求めることに相当する。次に最大４個の成分が求まったならば、それから１成分もしくは２成分を減少させた組み合わせを検討し、かつ重回帰分析による誤差が所定範囲内でしか増加しないならば、重回帰分析に用いる成分（因子）を減少させるようにした。実施例では、重回帰分析に用いる因子は２〜４成分である。
【００２２】
【表２】
エタノール 非標準化回帰係数
定数 ８.８２４６０
実数０ −０.０００４８
実数２ −０.０１５６６
【００２３】
ＬnＣ（ppm）＝８.８２４６−０.０００４８・Ｒ0−０.０１５６６・Ｒ2 (1)
定数項の８.８２４６はオフセットで、実数０次成分Ｒ0への回帰係数−０.０００４８をＲ0に乗算し、実数２次成分Ｒ2への回帰係数−０.０１５６６Ｒ2に乗算すると、エタノール濃度が定まる。
【００２４】
【表３】
メタノール 非標準化回帰係数
定数 １２.４７２８１
実数０ −０.０００５３
実数２ −０.０２２８１
実数１ −０.０００７２
【００２５】
【表４】
ジエチルエーテル 非標準化回帰係数
定数 ７.１２６４８
実数１ −０.００３０８
実数０ −０.０００５
【００２６】
【表５】
アセトン 非標準化回帰係数
定数 ７.３００１０
実数０ −０.０００５９
実数６ ０.０４７８３７
【００２７】
【表６】
エチレン 非標準化回帰係数
定数 ４.６６２４２
実数３ ０.０１７４７３
実数６ ０.０５３６３
【００２８】
【表７】
アンモニア 非標準化回帰係数
定数 １８.１６２４２
虚数２ −０.０３２９
虚数３ ０.０４１７３２
実数０ −０.０００２３
【００２９】
【表８】
イソブタン 非標準化回帰係数
定数 １１.９４９４６
実数１ −０.００６８５
虚数１ ０.００７９５４
虚数６ −０.１１５３６
虚数２ −０.００４５２
【００３０】
【表９】
ベンゼン 非標準化回帰係数
定数 ６.５９８８４
実数４ −０.０４５５３
実数２ −０.０１１７６
実数０ −０.０００１５
【００３１】
図６〜図１３に、８種類のガスに対する、表２〜９のデータを用いて回帰分析により求めたガス濃度を示す。実際のガス濃度は１０ppm，３０ppm，１００ppmの３種類で、回帰係数を決定するのに用いた測定とは別の測定のデータから、図６〜１３のガス濃度の回帰分析による予測値を求めた。即ち、回帰係数を求めるのに用いた３個のガスセンサに対して、別の測定で信号波形のフーリエ級数の値を求め、ニューラルネットワーク２２で出力したガス種を正しいガス種として、記憶した回帰係数を用いて、式(1)等によりガス濃度を求めた。なお８種類のガスに対して、ガスの種類は完全に正しい値が得られた。これはニューラルネットワーク２２が、８種類のガスを識別し得ることを意味している。
【００３２】
図６〜図１３に示すように、回帰分析により予測したガス濃度は実際のガス濃度と極めて良く一致する。従ってニューラルネットワーク２２を用いることによりガスの種類を特定でき、回帰分析を用いることによりガス濃度を正確に決定し得ることが明らかである。
【図面の簡単な説明】
【図１】 実施例のガス検出装置のブロック図
【図２】 実施例で用いたヒータ波形を示す特性図
【図３】 実施例での、メタノール１００ppm及びエタノール１００ppm中の、ガスセンサの出力波形を示す特性図
【図４】 実施例で、エタノール（ＥｔＯＨ），メタノール（ＭｅＯＨ），ジエチルエーテル，アセトン，エチレン，アンモニア，イソブタン，ベンゼンの各１００ppm中での、ガスセンサの出力波形をフーリエ変換した際の、フーリエ級数の実数部を示す特性図
【図５】 実施例で、エタノール（ＥｔＯＨ），メタノール（ＭｅＯＨ），ジエチルエーテル，アセトン，エチレン，アンモニア，イソブタン，ベンゼンの各１００ppm中での、ガスセンサの出力波形をフーリエ変換した際の、フーリエ級数の虚数部を示す特性図
【図６】 実施例での、エタノール１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図７】 実施例での、メタノール１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図８】 実施例での、ジエチルエーテル１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図９】 実施例での、アセトン１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図１０】 実施例での、アンモニア１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図１１】 実施例での、エチレン１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図１２】 実施例での、イソブタン１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図１３】 実施例での、ベンゼン１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【符号の説明】
２ ガスセンサ
４ 金属酸化物半導体
６ ヒータ
８ サイン波電源
１０ 定電圧回路電源
１２ ＡＤコンバータ
１４ メモリー
１６ 整形部
１８ メモリー
２０ フーリエ変換部
２２ ニューラルネットワーク
２４ 回帰係数のメモリー
２６ 定量部
【発明の利用分野】
この発明は金属酸化物半導体を用いたガスの検出に関する。
【０００２】
【従来技術】
吉川らは、金属酸化物半導体ガスセンサに正弦波等のヒータ電圧を加え、これに対するガスセンサの信号波形を解析して、ガス種やガス濃度を求めることを提案している（特許第２８６７，４７４号）。この方法では、正弦波状のヒータ電圧はガスセンサへの刺激であり、これに対するガスセンサの信号波形は元の正弦波と同じ周波数の成分のみでなく、２倍波や３倍波等の高調波成分を含んでいる。このためこの技術は、ヒータ電圧の変化として刺激を加えたことに対する、非線形な応答を検出しているということができる。
【０００３】
吉川らは、前記のようなガスセンサの信号波形をフーリエ変換し、得られたフーリエ級数の特徴からガス種とガス濃度を決定することを示している。しかしながらフーリエ級数とガス種や濃度との関係は複雑である。
【０００４】
【発明の課題】
この発明の課題は、ガスの種類や濃度を正確にかつ容易に決定することにある。
【０００５】
【発明の構成】
この発明のガス検出方法は、ヒータとガス検出用の金属酸化物半導体とを備えたガスセンサを用いて、前記ヒータの電力を周期的に変化させ、これに対する前記金属酸化物半導体の信号波形をフーリエ変換してガスを検出する方法において、予め、ガス種毎に、複数の既知のガス濃度に対して前記信号波形を複数取得し、取得した複数の信号波形をフーリエ変換し、得られたフーリエ級数からガス濃度への回帰係数を回帰分析により求めて、フーリエ級数からガス濃度への回帰係数をガス種毎に記憶し、ガスの検出時に、信号波形から得られたフーリエ級数をニューラルネットワークに入力してガス種を決定すると共に、ガス種毎に記憶したフーリエ級数からガス濃度への回帰係数と、得られたフーリエ級数からガス濃度を決定することを特徴とする。
好ましくは、複数の既知のガス濃度で複数個のガスセンサの信号波形からフーリエ級数を求めて、このフーリエ級数の値を用いて重回帰分析により、回帰係数を求める。即ち、実際の測定に用いるのと別のセンサを含む複数個のセンサの信号を用いて回帰係数を定める。
【０００６】
【発明の作用と効果】
この発明では、ヒータ電力を周期的に変化させ、これに対する金属酸化物半導体の信号波形をフーリエ変換して、フーリエ級数を求める。このようにすると、例えば１つのガスセンサから多数の信号が得られる。そして得られたフーリエ級数をニューラルネットワークで処理してガス種を決定する。次にガス種毎にガス濃度へのフーリエ級数の関係を重回帰分析し、フーリエ級数の各成分からガス濃度への回帰係数を記憶しておく。この回帰係数と、測定時に実測したフーリエ級数とを用いて、ガス濃度を決定する。ここでガス種は、ニューラルネットワークで決定したガス種を用い、それに対応する回帰係数を利用する。このためニューラルネットワークはガス種の決定のみを行えば良く、重回帰分析により容易にガス濃度を決定することができる。
【０００７】
ここで回帰係数を求めるには、フーリエ級数の値が複数組必要である。そこで例えば、実際にガスの検出に用いるのと同一種類で、好ましくは同一ロットのガスセンサを複数個用い、既知のガス濃度での信号波形からフーリエ級数を求めて、これらの複数個のセンサのデータを重回帰分析して、回帰係数を決定する。このようにすれば、１個のガスセンサで繰り返して信号波形を測定せずに、回帰係数を容易に定めることができる。
【０００８】
【実施例】
図１〜図１３に実施例を示す。図１にガス検出装置の構成を示すと、２はガスセンサで、ＳnＯ2等のガスにより抵抗値が変化する金属酸化物半導体４を、ヒータ６により加熱するようにしたものである。８はサイン波電源で、１周期例えば１０〜６０秒程度のサイン波状のヒータ電圧を発生する。１０は定電圧電源で、金属酸化物半導体４と負荷抵抗１１との直列辺に一定の電圧を加えると共に、その出力を検出装置各部の電源とする。なおここでは、抵抗１１の値は十分小さくし、抵抗１１への出力が金属酸化物半導体４の抵抗値に反比例するようにしておく。
【０００９】
１２はＡＤコンバータ、１４はメモリーで、ガスセンサ２からの１周期分の信号波形を記憶する。なおここに周期とは、サイン波電源８からの出力信号の周期を意味する。またメモリー１４はサイン波電源８からのタイミング信号で記憶を開始し、記憶を開始するタイミングは、例えばヒータ電圧の最大値もしくは最小値とする。これはヒータ電圧の最大値や最小値の付近では、高調波成分が少ないため、信号波形中の情報量が少なく、１周期の間にガスセンサ２の状態が変化し、周期の最初と最後とで信号波形の値が異なっても、その影響を小さいからである。
【００１０】
１６は整形部で、メモリー１４に記憶した１周期分の信号波形を処理し、１周期分の信号波形の最初と最後の値の差が、許容範囲以内かどうかをチェックする。この値が許容範囲外であれば検出は行わず、信号波形の最初と最後の値の差が許容範囲内になるまで待機する。次にこの値が許容範囲内でも、１周期の最初と最後とでセンサ信号の値に差がある場合、この差を打ち消すように、例えば時間に対して直線状に変化する補正信号を加えて、１周期の最初と最後とでセンサ信号の値を一致させる。この結果、整形部１６からの出力は完全に周期的な信号となる。
【００１１】
１８はメモリーで、例えば１周期分のセンサ信号を記憶し、このメモリー１８の値を複数回、例えば４〜１６回繰り返して読み出すことにより、フーリエ変換部２０に４周期分もしくは１６周期分等の信号波形を入力する。即ち１周期分のセンサ信号をフーリエ変換すると、周期の両端でのいわゆる反射等により変換精度が低下するので、１つの信号周期を４周期もしくは１６周期等の複数周期、特に好ましくは２のべき乗の周期に繰り返して引き伸ばし、これをフーリエ変換する。
【００１２】
２２は例えば３層のニューラルネットワークで、入力層と中間層及び出力層からなっている。そして入力ニューロンの数は、フーリエ変換部２０からの出力フーリエ級数の数で定まり、例えばここでは、実数の０次成分（Ｒ0）の他に、実数部や虚数部の基本波成分から第６成分までのＲ1〜Ｒ6とＩ1〜Ｉ6の合計１３ニューロンを配置する。他に湿度センサや温度センサ、気流センサ等を設けて、これらの信号もニューラルネットワーク２２に入力しても良い。中間層は例えば８〜１０ニューロン程度からなり、出力層は例えばここでは８種類のガスの弁別を目的とするので、８ニューロンからなる。各ニューロンの出力は０から１までの範囲シグモイド関数を取り、出力ニューロンの値が１はそのニューロンに対するガスが存在する確率は１００％で、値が０はそのニューロンに対するガスが存在する確率は０％であることを意味する。
【００１３】
フーリエ変換部２０の信号は定量部２６へ入力され、２４は重回帰分析により求めた回帰係数を記憶するためのメモリーである。そして定量部２６では、ニューラルネットワーク２２で求めたガス種により、どのガスに対応する回帰係数を読み出すかの読み出しアドレスを定め、この読み出しアドレスに対する回帰係数を順次出力する。出力された回帰係数に対して、該当するフーリエ級数の値をフーリエ変換部２０から供給し、これらを乗算し、順次加算してガス濃度を求める。なおこのガス濃度は対数単位である。
【００１４】
図２にサイン波電源８の出力電圧の例を示す。ここでは１周期は４０秒で、サイン波電圧は最低電圧が２Ｖで最大電圧が５.５Ｖで、最低電圧２Ｖを出力した時点でメモリー１４への記憶を開始する。
【００１５】
図３にエタノール１００ppm及びメタノール１００ppmに対する１周期分の信号波形を示す。図から明らかなように、エタノールはメタノールに比べて、フーリエ級数での高調波成分が大きく、より複雑な信号波形を成している。なお図３では１周期の最初と最後とで信号の値が完全に一致するが、これらが一致しない場合、前記の整形部１６で処理し、人為的に１周期の最初の値と最後の値とを一致させる。
【００１６】
図４に８種類のガスに対するフーリエ級数の実数部を示し、図５に同じ８種類のガスに対するフーリエ級数の虚数部を示す。なお各ガス濃度は１００ppmで、用いたガスはエタノール，メタノール、ジエチルエーテル，アセトン，エチレン，アンモニア，イソブタン，ベンゼンの８種類である。これ以外にフーリエ級数には実数の定数部Ｒ0が存在するが、その値は表１に示す。
【００１７】
【表１】
８種類のガスのフーリエ級数（実数部０次成分）
エタノール ２１８２
メタノール ２４２１
ジエチルエーテル ２２３４
アセトン ３５２５
エチレン ３６８７
アンモニア ７２２４
イソブタン ６３９８
ベンゼン ３６９７
【００１８】
実施例では、フーリエ級数として実数の定数部Ｒ0の他に実数成分として６成分（Ｒ1〜Ｒ6）、虚数成分として６成分（Ｉ1〜Ｉ6）を考慮するので、１つの信号波形から合計１３の信号を取り出すことができる。そしてこれらの１３の信号をニューラルネットワーク２２の入力層に入力して、出力層からガス種を出力する。なおニューラルネットワーク２２の学習や回帰常数の決定は、以下のようにした。同一種類で同一ロットのガスセンサを例えば３個用い、これらのガスセンサを同一条件で同時に用い、既知の濃度の８種類のガス（１０，３０，１００ppm）にさらし、それに対する出力をフーリエ変換してフーリエ級数を求めた。この結果、１つのガスの種類の各ガス濃度毎に、３つのフーリエ級数の値が得られた。そしてこれらの値をニューラルネットワーク２２に入力し、ニューラルネットワーク２２が収束するまで学習させた。得られた各ニューロン間の結合常数を、全てのガス検出装置に対してコピーして用いた。
【００１９】
ガスの種類は既知なので、１つのガスに対する３つのガス濃度での信号（各ガス濃度毎にセンサは３個）のフーリエ級数の値を用いて、重回帰分析を行い、回帰常数を決定した。そして決定した回帰常数を全てのガス検出装置のメモリー２４に記憶させた。なおここでガスセンサの数を３個としたのは、実験の都合上によるものであり、好ましくは１０個あるいは６０個等のより多くの数とする。また好ましくは、実際に測定に用いるガスセンサを含む、同じ種類の同じロットのガスセンサを用いて、ニューラルネットワーク２２でのニューロン間の結合定数や、重回帰分析での回帰常数を求め、これらを各ガス検出装置に対して記憶させる。このようにすれば、１つのガス検出装置毎に複数回の測定を行って、ニューラルネットワーク２２を個別に学習させ、あるいはセンサ毎に回帰常数を求める代わりに、多数のガスセンサを用いて、一挙にニューラルネットワーク２２でのニューロン間の結合定数や回帰常数を求めることができる。この結果、ガス検出装置の較正の手間を小さくできる。
【００２０】
表２〜表９に、前記の８種類のガスに対する回帰定数の値を示す。この回帰係数は、前記の３個のガスセンサに対して求めたフーリエ級数の値から、重回帰分析により求めたものである。次に回帰係数からガス濃度への換算は、例えば表２のエタノールの場合、式(1)のようにする。即ち出力はガス濃度の自然対数単位で、定数項を先頭に置き、次いで実数０次成分に対する回帰係数の掛け算と、実数２次成分に対する回帰係数の掛け算を加えたものとする。
【００２１】
回帰係数の決定では、例えば重回帰分析に用いる信号成分の数を最大４等に制限し、この範囲内でウィルクスのラムダが最小となる組み合わせを求めた。これは１３個の可能な信号に対して、最も良くガス濃度を説明し得る最大４個の成分を求めることに相当する。次に最大４個の成分が求まったならば、それから１成分もしくは２成分を減少させた組み合わせを検討し、かつ重回帰分析による誤差が所定範囲内でしか増加しないならば、重回帰分析に用いる成分（因子）を減少させるようにした。実施例では、重回帰分析に用いる因子は２〜４成分である。
【００２２】
【表２】
エタノール 非標準化回帰係数
定数 ８.８２４６０
実数０ −０.０００４８
実数２ −０.０１５６６
【００２３】
ＬnＣ（ppm）＝８.８２４６−０.０００４８・Ｒ0−０.０１５６６・Ｒ2 (1)
定数項の８.８２４６はオフセットで、実数０次成分Ｒ0への回帰係数−０.０００４８をＲ0に乗算し、実数２次成分Ｒ2への回帰係数−０.０１５６６Ｒ2に乗算すると、エタノール濃度が定まる。
【００２４】
【表３】
メタノール 非標準化回帰係数
定数 １２.４７２８１
実数０ −０.０００５３
実数２ −０.０２２８１
実数１ −０.０００７２
【００２５】
【表４】
ジエチルエーテル 非標準化回帰係数
定数 ７.１２６４８
実数１ −０.００３０８
実数０ −０.０００５
【００２６】
【表５】
アセトン 非標準化回帰係数
定数 ７.３００１０
実数０ −０.０００５９
実数６ ０.０４７８３７
【００２７】
【表６】
エチレン 非標準化回帰係数
定数 ４.６６２４２
実数３ ０.０１７４７３
実数６ ０.０５３６３
【００２８】
【表７】
アンモニア 非標準化回帰係数
定数 １８.１６２４２
虚数２ −０.０３２９
虚数３ ０.０４１７３２
実数０ −０.０００２３
【００２９】
【表８】
イソブタン 非標準化回帰係数
定数 １１.９４９４６
実数１ −０.００６８５
虚数１ ０.００７９５４
虚数６ −０.１１５３６
虚数２ −０.００４５２
【００３０】
【表９】
ベンゼン 非標準化回帰係数
定数 ６.５９８８４
実数４ −０.０４５５３
実数２ −０.０１１７６
実数０ −０.０００１５
【００３１】
図６〜図１３に、８種類のガスに対する、表２〜９のデータを用いて回帰分析により求めたガス濃度を示す。実際のガス濃度は１０ppm，３０ppm，１００ppmの３種類で、回帰係数を決定するのに用いた測定とは別の測定のデータから、図６〜１３のガス濃度の回帰分析による予測値を求めた。即ち、回帰係数を求めるのに用いた３個のガスセンサに対して、別の測定で信号波形のフーリエ級数の値を求め、ニューラルネットワーク２２で出力したガス種を正しいガス種として、記憶した回帰係数を用いて、式(1)等によりガス濃度を求めた。なお８種類のガスに対して、ガスの種類は完全に正しい値が得られた。これはニューラルネットワーク２２が、８種類のガスを識別し得ることを意味している。
【００３２】
図６〜図１３に示すように、回帰分析により予測したガス濃度は実際のガス濃度と極めて良く一致する。従ってニューラルネットワーク２２を用いることによりガスの種類を特定でき、回帰分析を用いることによりガス濃度を正確に決定し得ることが明らかである。
【図面の簡単な説明】
【図１】 実施例のガス検出装置のブロック図
【図２】 実施例で用いたヒータ波形を示す特性図
【図３】 実施例での、メタノール１００ppm及びエタノール１００ppm中の、ガスセンサの出力波形を示す特性図
【図４】 実施例で、エタノール（ＥｔＯＨ），メタノール（ＭｅＯＨ），ジエチルエーテル，アセトン，エチレン，アンモニア，イソブタン，ベンゼンの各１００ppm中での、ガスセンサの出力波形をフーリエ変換した際の、フーリエ級数の実数部を示す特性図
【図５】 実施例で、エタノール（ＥｔＯＨ），メタノール（ＭｅＯＨ），ジエチルエーテル，アセトン，エチレン，アンモニア，イソブタン，ベンゼンの各１００ppm中での、ガスセンサの出力波形をフーリエ変換した際の、フーリエ級数の虚数部を示す特性図
【図６】 実施例での、エタノール１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図７】 実施例での、メタノール１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図８】 実施例での、ジエチルエーテル１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図９】 実施例での、アセトン１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図１０】 実施例での、アンモニア１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図１１】 実施例での、エチレン１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図１２】 実施例での、イソブタン１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【図１３】 実施例での、ベンゼン１０，３０，１００ppm中に対する重回帰分析の結果を示す特性図
【符号の説明】
２ ガスセンサ
４ 金属酸化物半導体
６ ヒータ
８ サイン波電源
１０ 定電圧回路電源
１２ ＡＤコンバータ
１４ メモリー
１６ 整形部
１８ メモリー
２０ フーリエ変換部
２２ ニューラルネットワーク
２４ 回帰係数のメモリー
２６ 定量部
Claims (2)
- ヒータとガス検出用の金属酸化物半導体とを備えたガスセンサを用いて、前記ヒータの電力を周期的に変化させ、これに対する前記金属酸化物半導体の信号波形をフーリエ変換してガスを検出する方法において、
予め、ガス種毎に、複数の既知のガス濃度に対して前記信号波形を複数取得し、取得した複数の信号波形をフーリエ変換し、得られたフーリエ級数からガス濃度への回帰係数を回帰分析により求めて、フーリエ級数からガス濃度への回帰係数をガス種毎に記憶し、
ガスの検出時に、信号波形から得られたフーリエ級数をニューラルネットワークに入力してガス種を決定すると共に、
ガス種毎に記憶したフーリエ級数からガス濃度への回帰係数と、得られたフーリエ級数からガス濃度を決定することを特徴とする、ガス検出方法。 - 複数の既知のガス濃度で複数個のガスセンサの信号波形から求めたフーリエ級数を用いて、前記回帰係数を重回帰分析により求めることを特徴とする、請求項１のガス検出方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP09750199A JP4000498B2 (ja) | 1999-04-05 | 1999-04-05 | ガス検出方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP09750199A JP4000498B2 (ja) | 1999-04-05 | 1999-04-05 | ガス検出方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2000292403A JP2000292403A (ja) | 2000-10-20 |
| JP4000498B2 true JP4000498B2 (ja) | 2007-10-31 |
Family
ID=14194022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP09750199A Expired - Fee Related JP4000498B2 (ja) | 1999-04-05 | 1999-04-05 | ガス検出方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4000498B2 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4592195B2 (ja) * | 2001-02-15 | 2010-12-01 | フィガロ技研株式会社 | ガス検出方法及びその装置 |
| BRPI0822511B1 (pt) * | 2008-03-10 | 2019-03-19 | Airsense Analytics Gmbh | Processo para a detecção e identificação de gases em áreas internas de aeronaves |
| JP6546407B2 (ja) * | 2014-07-02 | 2019-07-17 | 株式会社ダイヘン | アーク溶接監視システム |
| CN107271704A (zh) * | 2015-11-13 | 2017-10-20 | 大连民族大学 | 半导体气体传感器测试系统 |
| US12100488B2 (en) | 2016-11-29 | 2024-09-24 | National Institute For Materials Science | Method and device for estimating value to be estimated associated with specimen |
| CN113597550A (zh) * | 2019-03-20 | 2021-11-02 | 京瓷株式会社 | 气体检测系统 |
| CN116718648B (zh) * | 2023-08-11 | 2023-11-10 | 合肥中科国探智能科技有限公司 | 一种电池热失控气体的检测与识别方法及其报警装置 |
-
1999
- 1999-04-05 JP JP09750199A patent/JP4000498B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2000292403A (ja) | 2000-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6128945A (en) | Gas detecting method and its detector | |
| US5541851A (en) | Method and apparatus for discriminating chemical/physical quantity based on the transient response | |
| JP5036818B2 (ja) | ポテンショメトリック測定プローブ用の測定方法および装置 | |
| JP2969534B2 (ja) | センサーの構成及び該センサー構成による測定値の検出法 | |
| CA2637188A1 (en) | Measuring apparatuses and methods of using them | |
| JP4000498B2 (ja) | ガス検出方法 | |
| US20200371076A1 (en) | Method and Apparatus for Operating a Multi-Gas Sensor | |
| Jun-hua et al. | Drift reduction of gas sensor by wavelet and principal component analysis | |
| KR100530193B1 (ko) | 가스검출장치와 그 조정방법 | |
| JPH04503112A (ja) | 容量素子の容量―電圧特性への影響量を測定する回路及び方法 | |
| JP2000258483A (ja) | 実時間測定値の集合を適応学習するための方法及び自動試験システム | |
| JP4248087B2 (ja) | ガス検出方法 | |
| KR20010000116A (ko) | 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과그의 표시방법 | |
| JPH02110361A (ja) | 測定値を処理するための方法及び装置 | |
| CN111351862A (zh) | 一种超声测量较准方法及测厚方法 | |
| CN113433502B (zh) | 一种基于波形仿真的电容电感测试仪校准方法和装置 | |
| JPH06281477A (ja) | 連続分析装置 | |
| JP3378481B2 (ja) | 物質濃度の定量化方法、物質濃度検出装置および記録媒体 | |
| JP2000292402A (ja) | ガス検出方法 | |
| JP4592195B2 (ja) | ガス検出方法及びその装置 | |
| JP3942059B2 (ja) | ガス検出装置 | |
| JP2004233158A (ja) | Ｎｏ２検出装置 | |
| RU2714039C1 (ru) | Система для разработки интеллектуального датчика | |
| Kernbach | Application Note 24. Analysis of electrochemical fluctuations for fast impedance spectroscopy | |
| CN118641841B (zh) | 一种柔直电容器容值衰减检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060328 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070514 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070521 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070621 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20070801 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20070718 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070801 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100824 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100824 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130824 Year of fee payment: 6 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |