JP6964114B2 - 分析装置、分析方法及び分析装置用プログラム - Google Patents
分析装置、分析方法及び分析装置用プログラム Download PDFInfo
- Publication number
- JP6964114B2 JP6964114B2 JP2019117758A JP2019117758A JP6964114B2 JP 6964114 B2 JP6964114 B2 JP 6964114B2 JP 2019117758 A JP2019117758 A JP 2019117758A JP 2019117758 A JP2019117758 A JP 2019117758A JP 6964114 B2 JP6964114 B2 JP 6964114B2
- Authority
- JP
- Japan
- Prior art keywords
- concentration
- correlation data
- correlation
- hydrocarbon component
- measurement sample
- 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 description 68
- 229930195733 hydrocarbon Natural products 0.000 claims description 139
- 150000002430 hydrocarbons Chemical class 0.000 claims description 138
- 239000004215 Carbon black (E152) Substances 0.000 claims description 136
- 238000005259 measurement Methods 0.000 claims description 88
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 59
- 238000001228 spectrum Methods 0.000 claims description 48
- 238000010801 machine learning Methods 0.000 claims description 35
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 28
- 239000005977 Ethylene Substances 0.000 claims description 28
- 238000013500 data storage Methods 0.000 claims description 28
- 239000007789 gas Substances 0.000 claims description 28
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 claims description 24
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 claims description 23
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000002485 combustion reaction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 239000003054 catalyst Substances 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 7
- 230000001678 irradiating effect Effects 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 57
- 238000000862 absorption spectrum Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 239000013074 reference sample Substances 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 229910000661 Mercury cadmium telluride Inorganic materials 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 239000012159 carrier gas Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 229910001872 inorganic gas Inorganic materials 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001745 non-dispersive infrared spectroscopy Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- -1 propylene hydrocarbon Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- 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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
- G01N2021/3509—Correlation method, e.g. one beam alternating in correlator/sample field
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Testing Of Engines (AREA)
Description
本発明は、測定試料に光を照射して得られるスペクトルデータに基づいて当該測定試料を分析する分析装置に関するものである。
従来、例えば自動車の排ガスに含まれる全炭化水素成分（ＴＨＣ）の濃度や量の測定には、ＦＩＤ分析装置や、ＦＴＩＲなどの分光分析装置が用いられている。
ＦＩＤ分析装置は、分析精度において優れてはいるものの、助燃ガスとしての水素ガス（Ｈ２）や、キャリアガスとしてのヘリウムガス（Ｈｅ）を供給しなければならないので、取り扱いの難しさやランニングコストの増大などの問題がある。
他方、ＦＴＩＲ分析装置は、より簡便に取り扱えてランニングコストも安価に済むという利点がある。特許文献１には、ＦＴＩＲ分析装置により得られる光スペクトルの波形と、当該光スペクトルにおけるＴＨＣの濃度との相関を予め算出しておき、当該相関を用いて、測定試料の光スペクトルからＴＨＣの濃度を算出することで、測定精度を向上させることが開示されている。
しかしながら、相関を用いて測定試料の光スペクトルからＴＨＣ濃度を算出する特許文献１に示される方法では、排ガス中の成分の組成の違いによって測定精度にばらつきがあり、特定の燃料を使用した場合や特定の燃焼条件の下では、ＴＨＣ濃度を精度よく算出できないことがあった。
例えば、エンジンに対する負荷が小さく、測定試料たる排ガスが単一の炭化水素成分（メタン）のみを含んでいる場合、ＦＴＩＲ装置により得られるスペクトルデータにおいて、ＴＨＣ濃度に寄与するその他の炭化水素成分（メタン以外の炭化水素成分）のスペクトル波数の吸光度は０となるべきであるが、実際にはノイズが存在する。そのため、得られた光スペクトルに基づいてＴＨＣ濃度を算出すると、各炭化水素成分のスペクトル波数におけるノイズが重畳されて計算されることで、精度よく算出することができない。
また炭化水素成分の濃度が大きい場合、得られる光スペクトルにおいて吸光度は飽和してしまう。このような場合にも、得られた光スペクトルに基づいてＴＨＣ濃度を精度よく算出することができない。
そこで本発明は、測定試料に含まれる全炭化水素成分の濃度を高い精度で測定することができるＦＴＩＲ分光分析装置などの分析装置を提供することをその主たる所期課題とするものである。
すなわち本発明に係る分析装置は、測定試料に光を照射して得られるスペクトルデータに基づいて、当該測定試料を分析するものであって、前記測定試料のスペクトルデータに基づいて、前記測定試料に含まれる所定の炭化水素成分の濃度を算出する主分析部と、前記所定の炭化水素成分の濃度又は前記スペクトルデータと、複数の炭化水素成分を合わせた全炭化水素成分の濃度との相関を示す複数の相関データを格納している相関データ格納部と、前記主分析部が算出した所定の炭化水素成分の濃度に応じて、前記相関データ格納部に格納された複数の相関データから少なくとも１つの相関データを選択し、当該選択した相関データを用いて前記測定試料中の全炭化水素成分の濃度を算出する濃度算出部とを備えることを特徴とする。
このようなものであれば、所定の炭化水素成分の濃度又はスペクトルデータと、ＴＨＣ濃度との相関を示す相関データを複数有しており、所定の炭化水素成分の濃度に応じて相関データを選択できるようにしているので、測定試料の組成等に応じた適切な相関を用いてＴＨＣ濃度を算出できる。これにより、特定の燃料を使用した場合や特定の燃焼条件の下であってもＴＨＣ濃度を精度よく算出することができる。
前記分析装置の具体的な態様としては、前記相関データ格納部が、前記複数の相関データとして、前記所定の炭化水素成分の濃度又は前記スペクトルデータと前記全炭化水素成分との相関を示す第１相関データと、前記第１相関データとは異なる相関を示す第２相関データを含んでおり、前記濃度算出部が、前記主分析部が算出した所定の炭化水素成分の濃度に応じて、前記相関データ格納部に格納された複数の相関データから前記第１相関データ又は第２相関データを選択し、当該選択した相関データを用いて前記測定試料中の全炭化水素成分の濃度を算出するものを挙げることができる。
この第２相関データが示す相関とは、第１相関データが示す相関と異なる種類の相関であってもよいし、同じ種類の相関であってもよい。例えば、第１相関データ及び第２相関データのいずれもが、所定の炭化水素成分の濃度と前記全炭化水素成分との相関を示すものであってもよいし、第１相関データが所定の炭化水素成分の濃度と前記全炭化水素成分との相関を示し、第２相関データが前記スペクトルデータと前記全炭化水素成分との相関であってもよい。
この第２相関データが示す相関とは、第１相関データが示す相関と異なる種類の相関であってもよいし、同じ種類の相関であってもよい。例えば、第１相関データ及び第２相関データのいずれもが、所定の炭化水素成分の濃度と前記全炭化水素成分との相関を示すものであってもよいし、第１相関データが所定の炭化水素成分の濃度と前記全炭化水素成分との相関を示し、第２相関データが前記スペクトルデータと前記全炭化水素成分との相関であってもよい。
また前記分析装置の好ましい態様しては、前記第１相関データが、前記所定の炭化水素成分の濃度と全炭化水素成分の濃度との相関に基づいて、前記所定の炭化水素成分の濃度から全炭化水素成分の濃度を演算する少なくとも１つの演算モデルであり、前記第２相関データが、前記スペクトルデータと前記全炭化水素成分の濃度との相関を機械学習により算出した少なくとも１つの機械学習モデルであり、前記濃度算出部が、少なくとも１つの演算モデル又は前記少なくとも１つの機械学習モデルを用いて、前記スペクトルデータから前記全炭化水素成分の濃度を算出するものをあげることができる。
このようなものであれば、所定の炭化水素成分の濃度に応じて、演算式モデルに基づくＴＨＣ濃度の算出と、予め相関を学習した機械学習モデルに基づくＴＨＣ濃度の算出とを選択できるので、様々な燃焼条件や使用燃料の条件下でより適切な相関データを選択でき、より精度よくＴＨＣ濃度を算出できる。
このようなものであれば、所定の炭化水素成分の濃度に応じて、演算式モデルに基づくＴＨＣ濃度の算出と、予め相関を学習した機械学習モデルに基づくＴＨＣ濃度の算出とを選択できるので、様々な燃焼条件や使用燃料の条件下でより適切な相関データを選択でき、より精度よくＴＨＣ濃度を算出できる。
前記した所定の炭化水素成分以外の濃度、例えばメタン、エチレン及びプロピレン以外のいずれかの炭化水素成分の濃度が、分析装置の測定下限レベル等の所定値を超えている場合、分析装置によって濃度が算出されていない炭化水素成分が測定試料に含まれている可能性がある。そのため、このような炭化水素の濃度を用いて演算モデルにより算出されるＴＨＣ濃度は、真値とのズレが大きくなる恐れがある。
一方で、前記した所定の炭化水素成分以外の濃度が例えば分析装置の測定下限レベル等の所定値以下である場合、予め算出した機械学習モデルを用いてＴＨＣ濃度を算出すると、ノイズが大きくなり精度よく算出できないことがある。
そのため、前記主分析部は、前記全炭化水素成分のうち、前記所定の炭化水素成分以外の成分の濃度も分析し、前記濃度算出部は、前記主分析部が算出した前記所定の炭化水素成分以外の成分の濃度が所定値以下である場合には、前記第１相関データ（具体的には演算モデル）を用いて、前記所定の炭化水素成分の濃度から前記全炭化水素成分の濃度を算出し、前記主分析部が算出した前記所定の炭化水素成分以外の成分の濃度が所定値超である場合には、前記第２相関データ（具体的には機械学習モデル）を用いて、前記スペクトルデータから前記全炭化水素成分の濃度を算出することが好ましい。
一方で、前記した所定の炭化水素成分以外の濃度が例えば分析装置の測定下限レベル等の所定値以下である場合、予め算出した機械学習モデルを用いてＴＨＣ濃度を算出すると、ノイズが大きくなり精度よく算出できないことがある。
そのため、前記主分析部は、前記全炭化水素成分のうち、前記所定の炭化水素成分以外の成分の濃度も分析し、前記濃度算出部は、前記主分析部が算出した前記所定の炭化水素成分以外の成分の濃度が所定値以下である場合には、前記第１相関データ（具体的には演算モデル）を用いて、前記所定の炭化水素成分の濃度から前記全炭化水素成分の濃度を算出し、前記主分析部が算出した前記所定の炭化水素成分以外の成分の濃度が所定値超である場合には、前記第２相関データ（具体的には機械学習モデル）を用いて、前記スペクトルデータから前記全炭化水素成分の濃度を算出することが好ましい。
前記所定の炭化水素成分の具体的態様としては、メタン（ＣＨ４）、エチレン（Ｃ２Ｈ４）及びプロピレン（Ｃ３Ｈ６）から選択される少なくとも１つを挙げることができる。
また前記第１相関データの具体的態様としては、前記所定の炭化水素成分の濃度と、前記所定の炭化水素成分に含まれる炭素分子の数による重み付きから前記全炭化水素成分の濃度を演算する演算モデルを挙げることができる。
ＴＨＣ濃度算出部は、過去に選択した相関データに関する情報、又は前記測定試料の物理的属性に係る値、エンジンの燃焼情報、エンジンのヘッド形状、点火時期、触媒の構成、燃料の酸素量、無機ガス成分、Ｓｏｏｔ濃度、ＳＯＦ濃度、エンジン型式、エンジン回転数、負荷情報、ホットスタート、コールドスタート、酸素濃度、触媒温度及びギア比から選択される１つ以上の周辺状況に関する情報に基づいて、機械学習により選択する相関データを決定する機能があることがより好ましい。
前記分析装置は、前記濃度算出部が、前記複数の相関データから２つ以上を選択し、当該選択した２つ以上の相関データを用いて２つ以上の全炭化水素成分の濃度を算出し、当該算出した２つ以上の全炭化水素成分の濃度を平均化して、前記測定試料中の全炭化水素成分の濃度を決定することが好ましい。
このようにすれば、主分析部の分析結果に応じて、より適切な相関を用いてＴＨＣ濃度を算出するので、その算出精度をより高くすることができる。
このようにすれば、主分析部の分析結果に応じて、より適切な相関を用いてＴＨＣ濃度を算出するので、その算出精度をより高くすることができる。
本発明の効果が顕著に奏される具体的態様としては、前記測定試料が自動車の排ガスであるものを挙げることができる、また前記した析装置は、フーリエ変換型赤外分光法を用いた、所謂ＦＴＩＲ方式のものであることが好ましい。
また本発明にかかる分析方法は、測定試料に光を照射して得られるスペクトルデータに基づいて、当該測定試料を分析する分析方法であって、前記測定試料のスペクトルデータに基づいて、前記測定試料に含まれる所定の炭化水素成分の濃度を算出する主分析ステップと、前記所定の炭化水素成分の濃度又は前記スペクトルデータと、複数の炭化水素成分を合わせた全炭化水素成分の濃度との相関を示す複数の相関データを格納する相関データ格納ステップと、前記主分析ステップで算出した所定の炭化水素成分の濃度に応じて、格納された複数の相関データから少なくとも１つの相関データを選択し、当該選択した相関データを用いて前記測定試料中の全炭化水素成分の濃度を算出する濃度算出ステップとを有することを特徴とする。
また本発明に係る分析装置用のプログラムは、測定試料に光を照射して得られるスペクトルデータに基づいて、当該測定試料を分析する分析装置用のプログラムであって、前記測定試料のスペクトルデータに基づいて、前記測定試料に含まれる所定の炭化水素成分の濃度を算出する主分析部としての機能と、前記所定の炭化水素成分の濃度又は前記スペクトルデータと、複数の炭化水素成分を合わせた全炭化水素成分の濃度との相関を示す複数の相関データを格納している相関データ格納部としての機能と、前記主分析部が算出した所定の炭化水素成分の濃度に応じて、前記相関データ格納部に格納された複数の相関データから少なくとも１つの相関データを選択し、当該選択した相関データを用いて前記測定試料中の全炭化水素成分の濃度を算出する濃度算出部としての機能と、をコンピュータに発揮させることを特徴とする。
このような分析方法や分析装置用のプログラムであれば、前記した本発明の分析装置と同様の作用効果を奏することができる。
このように構成した本発明によれば、測定試料に含まれる全炭化水素の濃度を高い精度で測定することができるＦＴＩＲ分光分析装置などの分析装置を提供できる。
以下に本発明の一実施形態に係る分析装置１００について図面を参照して説明する。
本実施形態の分析装置１００は、例えば排ガス測定システム２００の一部を構成するものである。この排ガス測定システム２００は、図１に示すように、シャシダイナモ３００と、シャシダイナモ３００上を走行する供試体である試験車両Ｖの排ガスを希釈することなくダイレクトにサンプリングする排ガス採取装置４００と、サンプリングされた排ガス中の測定対象成分を分析する分析装置１００とを備えている。
具体的に分析装置１００は、図２に示すように、赤外光源１、干渉計（分光部）２、測定セル３、光検出器４、演算処理装置５等を具備した、フーリエ変換型赤外分光法（ＦＴＩＲ）を用いた分析装置である。この分析装置１００（以下、区別のため、ＦＴＩＲ分析装置１００ということもある。）は、測定試料である排ガスの全炭化水素成分の濃度（以下において、ＴＨＣ濃度ともいう）を測定する排ガス分析装置として使用される。
赤外光源１は、ブロードなスペクトルを有する赤外光（多数の波数の光を含む連続光）を射出するものであり、例えばタングステン・ヨウ素ランプや、高輝度セラミック光源が用いられる。
干渉計２は、同図に示すように、１枚のハーフミラー（ビームスプリッタ）２１、固定鏡２２及び移動鏡２３を具備した、いわゆるマイケルソン干渉計を利用したものである。この干渉計２に入射した赤外光源１からの光は、前記ハーフミラー２１によって反射光と透過光に分割される。一方の光は固定鏡２２で反射され、もう一方は移動鏡２３で反射されて、再びハーフミラー２１に戻り、合成されて、この干渉計２から射出される。
測定セル３は、サンプリングされた排ガスが導入される透明セルであり、干渉計２から出た光が、測定セル３内の排ガスを透過して光検出器４に導かれるようにしてある。
光検出器４は、排ガスを透過した赤外光を検出して、その検出信号（光強度信号）を演算処理装置５に出力するものである。本実施形態の光検出器４は、ＭＣＴ（ＨｇＣｄＴｅ）検出器であるが、その他の赤外線検出素子を有する光検出器であっても良い。
演算処理装置５は、バッファ、増幅器などを有したアナログ電気回路と、ＣＰＵ、メモリ、ＤＳＰなどを有したデジタル電気回路と、それらの間に介在するＡ／Ｄコンバータ等を有したものである。
該演算処理装置５は、メモリに格納した所定プログラムにしたがってＣＰＵやその周辺機器が協動することにより、図３に示すように、試料を透過した光のスペクトルを示す透過光スペクトルデータを光検出器４の出力値から算出し、透過光スペクトルデータから赤外吸光スペクトルデータを算出して、排ガス中の種々の成分を特定し、かつそれぞれの成分の濃度を算出する主分析部５１としての機能を発揮する。
この主分析部５１は、スペクトルデータ生成部５１１と、個別成分分析部５１２とを具備している。
移動鏡２３を進退させ、排ガスを透過した光強度を移動鏡２３の位置を横軸にとって観測すると、単波数の光の場合、干渉によって光強度はサインカーブを描く。一方、試料を透過した実際の光は連続光であるから、前記サインカーブは波数毎に異なるから、実際の光強度は、各波数の描くサインカーブの重ね合わせとなり、干渉パターン（インターフェログラム）は波束の形となる。
スペクトルデータ生成部５１１は、移動鏡２３の位置を例えば図示しないＨｅＮｅレーザなどの測距計（図示しない）によって求めるとともに、移動鏡２３の各位置における光強度を光検出器４によって求め、これらから得られる干渉パターンを高速フーリエ変換（ＦＦＴ）することによって、各波数成分を横軸とした透過光スペクトルデータに変換する。そして、例えば測定セルが空の状態で予め測定しておいた透過光スペクトルデータに基づいて、測定試料の透過光スペクトルデータを吸光スペクトルデータにさらに変換する。
個別成分分析部５１２は、例えば吸光スペクトルデータの各ピーク位置（波数）及びその高さから測定試料に含まれる種々の成分（例えば、ＣＯ、ＣＯ２、ＮＯ、Ｈ２Ｏ、ＮＯ２、炭化水素成分（ＨＣ）等）を特定し、かつそれぞれの成分の濃度を算出し、これを個別成分濃度データとして出力する。
しかして、本実施形態では、図３に示すように、測定試料である排ガスのＴＨＣ濃度を精度よく測定できるように、前記演算処理装置５に、相関データ格納部５２、ＴＨＣ濃度算出部（本発明の濃度算出部に相当する）５３等としての機能をさらに付与してある。
相関データ格納部５２は、メモリの所定領域に設定されたものであり、個別成分分析部５１２が算出した所定の炭化水素成分の濃度又はスペクトルデータ生成部５１１が生成するスペクトルデータと、測定試料中のＴＨＣ濃度との相関を示す複数の相関データを格納している。相関データ格納部５２は、このような相関データとして、所定の炭化水素成分の濃度からＴＨＣ濃度を演算する演算モデルである少なくとも１つの第１相関データと、スペクトルデータとＴＨＣ濃度との相関を機械学習により算出した機械学習モデルである少なくとも１つの第２相関データとを含んでいる。ここで、所定の炭化水素成分とは、メタン（ＣＨ４）、エチレン（Ｃ２Ｈ４）及びプロピレン（Ｃ３Ｈ６）である。
第１相関データが示す演算モデルとは、所定の炭化水素成分の濃度と、所定の炭化水素成分に含まれる炭素分子の数による重み付きから全炭化水素成分の濃度を演算するための演算式である。第１相関データは、相関データ格納部５２に予め格納されていてもよいし、ユーザによって適宜入力されてもよい。この演算式の具体例は下記の式（１）のとおりである。
［ＴＨＣ］＝ａ１・［ＣＨ４］＋ａ２・［Ｃ２Ｈ４］＋ａ３・［Ｃ３Ｈ６］＋・・・ （１）
ここで、［ＴＨＣ］はＴＨＣ濃度、［ＣＨ４］、［Ｃ２Ｈ４］、［Ｃ３Ｈ６］等は、各炭化水素成分の濃度、ａ１、ａ２、ａ３、・・・は重み付け係数である。
ここで、［ＴＨＣ］はＴＨＣ濃度、［ＣＨ４］、［Ｃ２Ｈ４］、［Ｃ３Ｈ６］等は、各炭化水素成分の濃度、ａ１、ａ２、ａ３、・・・は重み付け係数である。
ここで相関データ格納部５２は、測定試料中の個別炭化水素成分の濃度に応じてより正確にＴＨＣ濃度を導けるよう、演算モデルが異なる複数の第１相関データを格納している。ここでは、第１相関データとして、ＣＨ４−ＴＨＣ相関データ、ＣＨ４・Ｃ２Ｈ４−ＴＨＣ相関データ、及びＣＨ４・Ｃ２Ｈ４・Ｃ３Ｈ６−ＴＨＣ相関データ等を格納している。各第１相関データが示す演算モデルは、それぞれ下記の式（２）〜（４）のとおりである。
［ＴＨＣ］＝［ＣＨ４］ （２）
［ＴＨＣ］＝［ＣＨ４］＋２・［Ｃ２Ｈ４］ （３）
［ＴＨＣ］＝［ＣＨ４］＋２・［Ｃ２Ｈ４］＋３・［Ｃ３Ｈ６］ （４）
［ＴＨＣ］＝［ＣＨ４］＋２・［Ｃ２Ｈ４］ （３）
［ＴＨＣ］＝［ＣＨ４］＋２・［Ｃ２Ｈ４］＋３・［Ｃ３Ｈ６］ （４）
第２相関データが示す機械学習モデルは、分析装置１００と別に設けた機械学習装置により予め算出されたものであり、学習済データとして相関データ格納部５２に格納されている。
具体的にこの機械学習モデルは、機械学習装置においてＦＩＤ分析装置及びＦＴＩＲ分析装置を用いて参照試料（排ガス）を分析及び学習することによって算出されたものである。
より具体的には、ＦＩＤ分析装置を用いて参照試料（排ガス）のＴＨＣ濃度を測定するとともに、当該参照試料をＦＴＩＲ分析装置に導入してその吸光スペクトルデータを取得する。そして、測定したＴＨＣ濃度と、取得した吸光スペクトルデータとを紐づけて参照試料データとする。このような参照試料データを複数準備し、これらを教師データとして、複数の参照試料データに共通する吸光スペクトルデータとＴＨＣ濃度との相関を機械学習によって算出することで、機械学習モデルが得られる。
より具体的には、ＦＩＤ分析装置を用いて参照試料（排ガス）のＴＨＣ濃度を測定するとともに、当該参照試料をＦＴＩＲ分析装置に導入してその吸光スペクトルデータを取得する。そして、測定したＴＨＣ濃度と、取得した吸光スペクトルデータとを紐づけて参照試料データとする。このような参照試料データを複数準備し、これらを教師データとして、複数の参照試料データに共通する吸光スペクトルデータとＴＨＣ濃度との相関を機械学習によって算出することで、機械学習モデルが得られる。
ＴＨＣ濃度算出部５３は、主分析部５１の分析結果に基づいて測定試料中のＴＨＣ濃度を算出するものである。より具体的には、ＴＨＣ濃度算出部５３は、主分析部５１から吸光スペクトルデータ及び個別成分濃度データ（具体的には個々の炭化水素成分の濃度を示す個別ＨＣ成分濃度データ）を取得するとともに、相関データ格納部５２から相関データを取得し、これらに基づいて測定試料中のＴＨＣ濃度を算出する。
しかして本実施形態のＴＨＣ濃度算出部５３は、主分析部５１が算出した炭化水素成分の濃度に応じて、相関データ格納部５２から少なくとも１つの相関データを選択し、当該選択した相関データを用いて測定試料中のＴＨＣ濃度を算出する。ここでは、ＴＨＣ濃度算出部５３は、主分析部５１が算出した炭化水素成分の濃度に応じて、第１相関データ又は第２相関データを選択し、これを用いて測定試料中のＴＨＣ濃度を算出する。
具体的には、本実施形態のＴＨＣ濃度算出部５３は、主分析部５１が算出した個々の炭化水素成分の濃度のうち、メタン、エチレン及びプロピレンのいずれかの炭化水素成分の濃度が所定値（具体的には測定下限＝ノイズレベル）超であり、かつメタン、エチレン及びプロピレン以外の炭化水素成分の濃度がいずれも所定値（具体的には測定下限＝ノイズレベル）以下である場合には、第１相関データを選択し、選択した第１相関データが示す演算モデルに主分析部５１が算出した個々の炭化水素成分の濃度を当てはめて、測定試料中のＴＨＣ濃度を算出する。
この場合ＴＨＣ濃度算出部５３は、メタン、エチレン及びプロピレン（所定の炭化水素成分）の濃度に応じて適切な１つの第１相関データを選択し、その選択した第１相関データを用いて測定試料中のＴＨＣ濃度を算出する。
具体的には、主分析部５１が算出したメタンの濃度がノイズレベル超、且つ検量線上限レベル以下であって、メタン以外の炭化水素成分の濃度がいずれもノイズレベル以下である場合、ＴＨＣ濃度算出部５３は、メタンの濃度とＴＨＣ濃度との相関を表す演算モデルを示すＣＨ４−ＴＨＣ相関データを選択する。そして、吸光スペクトルデータに基づいて個別成分分析部５１２が算出したメタンの濃度を下記式（５）に代入して、測定試料のＴＨＣ濃度を算出する。
［ＴＨＣ］（Ｍ）＝［ＣＨ４］（Ｍ） （５）
ここで、［ＴＨＣ］（Ｍ）は、ＴＨＣ濃度算出部５３によって算出される測定試料のＴＨＣ濃度、［ＣＨ４］（Ｍ）は、個別成分分析部５１２によって算出された測定試料におけるメタンの濃度である。
ここで、［ＴＨＣ］（Ｍ）は、ＴＨＣ濃度算出部５３によって算出される測定試料のＴＨＣ濃度、［ＣＨ４］（Ｍ）は、個別成分分析部５１２によって算出された測定試料におけるメタンの濃度である。
また、主分析部５１が算出したメタン及びエチレンの濃度がノイズレベル超、且つ検量線上限レベル以下であって、メタン及びエチレン以外の炭化水素成分の濃度がいずれもノイズレベル以下である場合、ＴＨＣ濃度算出部５３は、メタン及びエチレンの濃度とＴＨＣ濃度との相関を表す演算モデルを示すＣＨ４・Ｃ２Ｈ４−ＴＨＣ相関データを選択する。そして、吸光スペクトルデータに基づいて個別成分分析部５１２が算出したメタン及びエチレンの濃度を下記式（６）に代入して、測定試料のＴＨＣ濃度を算出する。
［ＴＨＣ］（Ｍ）＝［ＣＨ４］（Ｍ）＋２・［Ｃ２Ｈ４］（Ｍ） （６）
ここで、［Ｃ２Ｈ４］（Ｍ）は個別成分分析部５１２によって算出された測定試料におけるエチレンの濃度である。
ここで、［Ｃ２Ｈ４］（Ｍ）は個別成分分析部５１２によって算出された測定試料におけるエチレンの濃度である。
また、主分析部５１が算出したメタン、エチレン及びプロピレンの濃度がノイズレベル以上、且つ検量線上限レベル以下であって、メタン、エチレン及びプロピレン以外の炭化水素成分の濃度がいずれもノイズレベル以下である場合、ＴＨＣ濃度算出部５３は、メタン、エチレン及びプロピレンの濃度とＴＨＣ濃度との相関を表す演算モデルを示すＣＨ４・Ｃ２Ｈ４・Ｃ３Ｈ６−ＴＨＣ相関データを選択する。そして、吸光スペクトルデータに基づいて個別成分分析部５１２が算出したメタン、エチレン及びプロピレンの濃度を下記式（７）に代入して、測定試料のＴＨＣ濃度を算出する。
［ＴＨＣ］（Ｍ）＝［ＣＨ４］（Ｍ）＋２・［Ｃ２Ｈ４］（Ｍ）＋３・［Ｃ３Ｈ６］（Ｍ） （７）
ここで、［Ｃ３Ｈ６］（Ｍ）は個別成分分析部５１２によって算出された測定試料におけるプロピレンの濃度である。
ここで、［Ｃ３Ｈ６］（Ｍ）は個別成分分析部５１２によって算出された測定試料におけるプロピレンの濃度である。
一方でＴＨＣ濃度算出部５３は、主分析部５１が算出したメタン、エチレン及びプロピレンのいずれかの濃度が所定値（ノイズレベル）超であり、かつメタン、エチレン及びプロピレン以外のいずれかの炭化水素成分の濃度が所定値（ノイズレベル）超である場合、第２相関データを選択する。そして、第２相関データが示す機械学習モデルに、スペクトルデータ生成部から取得した吸光スペクトルデータを当てはめて、測定試料中のＴＨＣ濃度を算出する。ここで、ＴＨＣ濃度算出部５３は、メタン、エチレン及びプロピレン（所定の炭化水素成分）の濃度に応じて適切な１つの第２相関データを選択し、その選択した第２相関データを用いて測定試料中のＴＨＣ濃度を算出する。
なおＴＨＣ濃度算出部５３は、主分析部５１が算出したメタン、エチレン及びプロピレンのいずれの濃度も所定値（ノイズレベル）以下であり、かつメタン、エチレン及びプロピレン以外のいずれの炭化水素成分の濃度も所定値（ノイズレベル）以下である場合には、第１相関データ及び第２相関データのいずれを選択してもよい。
＜本実施形態の効果＞
このように構成した本分析装置１００によれば、所定の炭化水素成分濃度又はスペクトルデータとＴＨＣ濃度との相関を示す相関データを複数有しており、主分析部５１が算出した炭化水素成分の濃度に応じて相関データを選択できるようにしているので、測定試料の組成等に応じた適切な相関を用いてＴＨＣ濃度を算出できる。これにより、特定の燃料を使用した場合や特定の燃焼条件の下であってもＴＨＣ濃度を精度よく算出することができる。
このように構成した本分析装置１００によれば、所定の炭化水素成分濃度又はスペクトルデータとＴＨＣ濃度との相関を示す相関データを複数有しており、主分析部５１が算出した炭化水素成分の濃度に応じて相関データを選択できるようにしているので、測定試料の組成等に応じた適切な相関を用いてＴＨＣ濃度を算出できる。これにより、特定の燃料を使用した場合や特定の燃焼条件の下であってもＴＨＣ濃度を精度よく算出することができる。
＜その他の実施形態＞
なお、本発明は前記実施形態に限られるものではない。
なお、本発明は前記実施形態に限られるものではない。
前記実施形態では所定の炭化水素成分は、メタン、エチレン及びプロピレンの３成分であったが、これに限らない。他の実施形態では、所定の炭化水素成分は、メタン、エチレン及びプロピレンから選択される任意の１つ以上の成分であってよい。
前記実施形態では、ＴＨＣ濃度算出部５３は、主分析部５１が算出した個々の炭化水素成分の濃度のうち、メタン、エチレン及びプロピレン以外の炭化水素成分の濃度がいずれもノイズレベル以下である場合には演算モデル（すなわち、第１相関データ）を選択し、メタン、エチレン及びプロピレン以外の炭化水素成分のいずれかの濃度がノイズレベルを超える場合には機械学習モデル（すなわち、第２相関データ）を選択していたがこれに限らない。
例えば他の実施形態では、ＴＨＣ濃度算出部５３は、主分析部５１が算出した個々の炭化水素成分のうちメタン、エチレン及びプロピレン以外の炭化水素成分のいずれかの濃度がノイズレベルを超える場合にも、演算モデル（すなわち、第１相関データ）を選択し、これに基づき測定試料のＴＨＣ濃度を算出するようにしてもよい。
また別の他の実施形態では、ＴＨＣ濃度算出部５３は、主分析部５１が算出したメタン、エチレン及びプロピレンの濃度がいずれもノイズレベル超、検量線上限レベル以下であり、それ以外の炭化水素成分の濃度がいずれもノイズレベル以下である場合に、機械学習モデル（第２相関データ）を選択し、これに基づき測定試料のＴＨＣ濃度を算出するようにしてもよい。
また別の他の実施形態では、ＴＨＣ濃度算出部５３は、主分析部５１が算出したメタン、エチレン及びプロピレンの濃度がいずれもノイズレベル超、検量線上限レベル以下であり、それ以外の炭化水素成分の濃度がいずれもノイズレベル以下である場合に、機械学習モデル（第２相関データ）を選択し、これに基づき測定試料のＴＨＣ濃度を算出するようにしてもよい。
また別の他の実施形態では、ＴＨＣ濃度算出部５３は、主分析部５１が算出したメタン、エチレン及びプロピレンのいずれかの濃度が検量線上限レベルを超える場合には、機械学習モデルを選択し、この機械学習モデルにスペクトルデータを適用して、測定試料のＴＨＣ濃度を算出するようにしてもよい。
相関データ格納部５２は、より正確にＴＨＣ濃度を導けるよう、スペクトルデータとＴＨＣ濃度との直接的な相関を示す複数の異なる機械学習モデル（第２相関データ）を格納していてもよい。この複数の機械学習モデルは、例えば、個々の炭化水素成分の濃度、ＴＨＣ濃度、スペクトルデータの面積や形状等の様々なパラメータの大きさに応じて作り分けられたものであってよい。
また相関データ格納部５２が複数の異なる機械学習モデル（第２相関データ）を格納している場合、ＴＨＣ濃度算出部５３は、主分析部５１の分析結果（スペクトルデータや個別成分濃度データ）を受け取ると、機械学習により、相関データ格納部５２に格納されている複数の第２相関データから最適な第２相関データを選択するように構成されていてもよい。具体的には、ＴＨＣ濃度算出部５３は、格納している複数の異なる機械学習モデル（第２相関データ）について、個々のＨＣ成分濃度やスペクトルデータの特徴に基づいて、機械学習により規則性を見出す（クラスタリング）ようにしてよい。例えばｋ平均法やその他の方法により規則性を見出すようにしてよい。そして、主分析部５１からスペクトルデータや個別成分濃度データを受け取ると、導き出した規則性に基づいて最適な機械学習モデルを示す第２相関データを選択するようにしてよい。なお、ＴＨＣ濃度算出部５３は、予め定めたアルゴリズムに基づいて、相関データ格納部５２に格納されている複数の第２相関データから最適な第２相関データを選択するように構成されていてもよい。
相関データ格納部５２が、１つ又は複数の第１相関データ及び１つ又は複数の第２相関データを格納している場合、ＴＨＣ濃度算出部５３は、選択する相関データを機械学習により決定するようにしてもよい。この場合ＴＨＣ濃度算出部５３は、過去の複数回の分析（具体的には、直前の１回又は複数回の分析）における分析条件（例えば、選択した相関データに関する情報や、選択した相関データを用いて算出したＴＨＣ濃度値に関する情報、ノイズの大きさに関する情報等））等に係る分析状況や、後述する測定条件等に係る周辺状況に関する情報を学習し、最適な相関データを選択するようにしてもよい。なお、ＴＨＣ濃度算出部５３は、予め定めたアルゴリズムに基づいて、１つ又は複数の第１相関データ及び第２相関データから、最適な相関データを選択するように構成されていてもよい。
またＴＨＣ濃度算出部５３は、選択候補となる相関データが複数ある場合には、当該複数の相関データから２つ以上を選択し、当該選択した２つ以上の相関データに基づき、ＴＨＣ濃度を算出してもよい。例えば、異なる複数の相関データのそれぞれが示す相関を、相加平均や加重平均等の種々の手法を用いて平均化することで新たな相関を算出し、当該算出した相関に基づきＴＨＣ濃度を算出してもよい。また、選択した複数の相関データが示す相関から、機械学習により新たな相関を算出するようにしてもよい。また、選択した複数の相関データのそれぞれが示す相関に基づいてＴＨＣ濃度を複数算出し、当該算出した複数のＴＨＣ濃度を平均化することで、測定試料中のＴＨＣ濃度を算出してもよい。複数の相関データを選択する場合、第１相関データのみを複数選択してもよく、第２相関データのみを複数選択してもよく、第１相関データと第２相関データと少なくとも１つずつ選択してもよい。
さらに、第２相関データが示す機械学習モデルにより表される相関は、測定条件等の周辺状況に関する情報をパラメータとしていてもよい。周辺状況として、例えば、測定試料の温度及び圧力等の物理的属性に係る値、エンジンの燃焼情報（過給、ＥＧＲ、リッチ／ストイキ／リーン、層流、均一流、直噴、ポート噴射などに係る情報）、エンジンのヘッド形状、点火時期、触媒の構成、燃料の酸素量、無機ガス成分、Ｓｏｏｔ濃度、ＳＯＦ濃度、エンジン型式、エンジン回転数、負荷情報、ホットスタート、コールドスタート、酸素濃度、触媒温度、ギア比等を挙げることができる。機械学習モデルにより表される相関は、これらの周辺状況の一部又は全部をパラメータとしていてもよい。また、分析装置１００で算出されるＴＨＣ濃度に影響を強く及ぼす（つまり関連の高い）周辺状況のみをパラメータとしていてもよい。
このように、機械学習モデルにより表される相関が周辺状況をパラメータとしている場合、図４に示すように、ＴＨＣ濃度算出部５３は、図示しないセンサやオペレータによる入力により、周辺状況データを取得できるようにしてもよい。そして、スペクトルデータと周辺状況データとを機械学習モデルに適用することで、ＴＨＣ濃度を算出してもよい。このようにすれば、ＴＨＣ濃度と関連度の高い周辺状況データ、すなわち設計パラメータを把握することができるので、自動車メーカーや触媒メーカーに対し、設計開発支援システムとして提供することが可能になる。
さらに、前記実施形態の排ガス測定システムは、シャシダイナモ３００を用いて完成車両Ｖを試験するものであったが、例えばエンジンダイナモメータを用いてエンジンの性能を試験するものであっても良いし、ダイナモメータを用いてパワートレインの性能を試験するものであっても良い。
分析装置１００としては、光を測定試料に照射してそのスペクトルから分析をするものであればよく、ＮＤＩＲにも適用可能であるし、分光分析装置以外の、例えば散乱型粒子径分布測定装置などにも適用可能である。また、本発明は、自動車の排ガスの分析に限らず、船舶、航空機、農業用機械、工作機械等の内燃機関の排ガスを分析することも可能である。
その他、本発明は前記実施形態に限られず、その趣旨を逸脱しない範囲で種々の変形が可能であるのは言うまでもない。
１００・・・分析装置
５１ ・・・主分析部
５２ ・・・相関データ格納部
５３ ・・・ＴＨＣ濃度算出部（濃度算出部）
５１ ・・・主分析部
５２ ・・・相関データ格納部
５３ ・・・ＴＨＣ濃度算出部（濃度算出部）
Claims (12)
- 測定試料に光を照射して得られるスペクトルデータに基づいて、当該測定試料を分析する分析装置であって、
前記測定試料のスペクトルデータに基づいて、前記測定試料に含まれる所定の炭化水素成分の濃度を算出する主分析部と、
前記所定の炭化水素成分の濃度又は前記スペクトルデータと、複数の炭化水素成分を合わせた全炭化水素成分の濃度との相関を示す複数の相関データを格納している相関データ格納部と、
前記主分析部が算出した所定の炭化水素成分の濃度に応じて、前記相関データ格納部に格納された複数の相関データから少なくとも１つの相関データを選択し、当該選択した相関データを用いて前記測定試料中の全炭化水素成分の濃度を算出する濃度算出部と
を備える分析装置。 - 前記相関データ格納部は、前記複数の相関データとして、前記所定の炭化水素成分の濃度又は前記スペクトルデータと前記全炭化水素成分との相関を示す第１相関データと、前記第１相関データとは異なる相関を示す第２相関データを含んでおり、
前記濃度算出部が、前記主分析部が算出した所定の炭化水素成分の濃度に応じて、前記相関データ格納部に格納された複数の相関データから前記第１相関データ又は第２相関データを選択し、当該選択した相関データを用いて前記測定試料中の全炭化水素成分の濃度を算出する、請求項１に記載の分析装置。 - 前記第１相関データは、前記所定の炭化水素成分の濃度と全炭化水素成分の濃度との相関に基づいて、前記所定の炭化水素成分の濃度から全炭化水素成分の濃度を演算する少なくとも１つの演算モデルであり、
前記第２相関データは、前記スペクトルデータと前記全炭化水素成分の濃度との相関を機械学習により算出した少なくとも１つの機械学習モデルであり、
前記濃度算出部は、少なくとも１つの演算モデル又は前記少なくとも１つの機械学習モデルを用いて、前記スペクトルデータから前記全炭化水素成分の濃度を算出する、請求項２に記載の分析装置。 - 前記主分析部は、前記全炭化水素成分のうち、前記所定の炭化水素成分以外の成分の濃度も分析し、
前記濃度算出部は、
前記主分析部が算出した前記所定の炭化水素成分以外の成分の濃度が所定値以下である場合には、前記第１相関データを用いて、前記所定の炭化水素成分の濃度から前記全炭化水素成分の濃度を算出し、
前記主分析部が算出した前記所定の炭化水素成分以外の成分の濃度が所定値超である場合には、前記第２相関データを用いて、前記スペクトルデータから前記全炭化水素成分の濃度を算出する、請求項３に記載の分析装置。 - 前記所定の炭化水素成分は、メタン（ＣＨ４）、エチレン（Ｃ２Ｈ４）、プロピレン（Ｃ３Ｈ６）の少なくとも１つである、請求項１〜４のいずれか１項に記載の分析装置。
- 前記第１相関データは、前記所定の炭化水素成分の濃度と、前記所定の炭化水素成分に含まれる炭素分子の数による重み付きから前記全炭化水素成分の濃度を演算する演算モデルである、請求項２〜４のいずれか１項に記載の分析装置。
- 前記濃度算出部は、過去に選択した相関データに関する情報、又は前記測定試料の物理的属性に係る値、エンジンの燃焼情報、エンジンのヘッド形状、点火時期、触媒の構成、燃料の酸素量、無機ガス成分、Ｓｏｏｔ濃度、ＳＯＦ濃度、エンジン型式、エンジン回転数、負荷情報、ホットスタート、コールドスタート、酸素濃度、触媒温度及びギア比から選択される１つ以上の周辺状況に関する情報に基づいて、機械学習により選択する相関データを決定する、請求項１〜６のいずれか１項に記載の分析装置。
- 前記濃度算出部が、前記複数の相関データから２つ以上を選択し、当該選択した２つ以上の相関データを用いて２つ以上の全炭化水素成分の濃度を算出し、当該算出した２つ以上の全炭化水素成分の濃度を平均化して、前記測定試料中の全炭化水素成分の濃度を決定する、請求項１〜７のいずれか１項に記載の分析装置。
- 前記測定試料が自動車の排ガスである、請求項１〜８のいずれか１項に記載の分析装置。
- フーリエ変換型赤外分光法を用いたものである、請求項１〜９のいずれか１項に記載の分析装置。
- 測定試料に光を照射して得られるスペクトルデータに基づいて、当該測定試料を分析する分析方法であって、
前記測定試料のスペクトルデータに基づいて、前記測定試料に含まれる所定の炭化水素成分の濃度を算出する主分析ステップと、
前記所定の炭化水素成分の濃度又は前記スペクトルデータと、複数の炭化水素成分を合わせた全炭化水素成分の濃度との相関を示す複数の相関データを格納する相関データ格納ステップと、
前記主分析ステップで算出した所定の炭化水素成分の濃度に応じて、格納された複数の相関データから少なくとも１つの相関データを選択し、当該選択した相関データを用いて前記測定試料中の全炭化水素成分の濃度を算出する濃度算出ステップと
を有する分析方法。 - 測定試料に光を照射して得られるスペクトルデータに基づいて、当該測定試料を分析する分析装置用のプログラムであって、
前記測定試料のスペクトルデータに基づいて、前記測定試料に含まれる所定の炭化水素成分の濃度を算出する主分析部としての機能と、
前記所定の炭化水素成分の濃度又は前記スペクトルデータと、複数の炭化水素成分を合わせた全炭化水素成分の濃度との相関を示す複数の相関データを格納している相関データ格納部としての機能と、
前記主分析部が算出した所定の炭化水素成分の濃度に応じて、前記相関データ格納部に格納された複数の相関データから少なくとも１つの相関データを選択し、当該選択した相関データを用いて前記測定試料中の全炭化水素成分の濃度を算出する濃度算出部としての機能と、
をコンピュータに発揮させる分析装置用のプログラム。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019117758A JP6964114B2 (ja) | 2019-06-25 | 2019-06-25 | 分析装置、分析方法及び分析装置用プログラム |
| DE102020116255.3A DE102020116255A1 (de) | 2019-06-25 | 2020-06-19 | Analysator, Analyseverfahren und ein mit einem Programm für den Analysator aufgezeichnetes Programmaufzeichnungsmedium |
| US16/912,050 US11448589B2 (en) | 2019-06-25 | 2020-06-25 | Analyzer, analysis method, and a program recording medium recorded with a program for analyzer |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019117758A JP6964114B2 (ja) | 2019-06-25 | 2019-06-25 | 分析装置、分析方法及び分析装置用プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021004765A JP2021004765A (ja) | 2021-01-14 |
| JP6964114B2 true JP6964114B2 (ja) | 2021-11-10 |
Family
ID=73747507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019117758A Active JP6964114B2 (ja) | 2019-06-25 | 2019-06-25 | 分析装置、分析方法及び分析装置用プログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11448589B2 (ja) |
| JP (1) | JP6964114B2 (ja) |
| DE (1) | DE102020116255A1 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023127262A1 (ja) * | 2021-12-28 | 2023-07-06 | 株式会社堀場製作所 | 機械学習装置、排ガス分析装置、機械学習方法、排ガス分析方法、機械学習プログラム、及び、排ガス分析プログラム |
| CN115358103B (zh) * | 2022-10-24 | 2023-04-07 | 青岛浩海网络科技股份有限公司 | 一种基于Sentinel-2数据的水环境检测方法 |
| WO2024127968A1 (ja) * | 2022-12-16 | 2024-06-20 | 株式会社堀場製作所 | 分析装置、機械学習装置、演算装置、分析方法及び分析プログラム |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6789021B2 (en) * | 2001-08-16 | 2004-09-07 | Spx Corporation | Method and system for detection of hydrocarbon species in a gas |
| JP2009115654A (ja) * | 2007-11-07 | 2009-05-28 | Toyota Motor Corp | 炭化水素濃度測定装置および炭化水素濃度測定方法 |
| US10041926B2 (en) * | 2016-07-14 | 2018-08-07 | Chevron U.S.A. Inc. | Method for predicting total petroleum hydrocarbon concentration in soils |
| WO2019031331A1 (ja) * | 2017-08-07 | 2019-02-14 | 株式会社堀場製作所 | 分析装置、分析方法、分析装置用プログラム及び分析用学習装置 |
-
2019
- 2019-06-25 JP JP2019117758A patent/JP6964114B2/ja active Active
-
2020
- 2020-06-19 DE DE102020116255.3A patent/DE102020116255A1/de active Pending
- 2020-06-25 US US16/912,050 patent/US11448589B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20200408675A1 (en) | 2020-12-31 |
| JP2021004765A (ja) | 2021-01-14 |
| DE102020116255A1 (de) | 2020-12-31 |
| US11448589B2 (en) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6983244B2 (ja) | 分析装置、分析方法、分析装置用プログラム及び分析用学習装置 | |
| JP6964114B2 (ja) | 分析装置、分析方法及び分析装置用プログラム | |
| CN204924934U (zh) | 基于两种量子级联激光光谱的多组分气体同时检测装置 | |
| Suarez-Bertoa et al. | Intercomparison of real-time tailpipe ammonia measurements from vehicles tested over the new world-harmonized light-duty vehicle test cycle (WLTC) | |
| CN105277503A (zh) | 基于两种量子级联激光光谱的多组分气体同时检测装置及方法 | |
| JP6967387B2 (ja) | ガス分析装置、ガス分析装置用プログラム、及びガス分析方法 | |
| CN108120693A (zh) | 气体分析装置和气体分析方法 | |
| CN103175786B (zh) | 样品气体分析装置与样品气体分析装置用方法 | |
| CN109724948A (zh) | 一种基于单纵模稳频激光器的柴油机排放测试装置及方法 | |
| WO2023127262A1 (ja) | 機械学習装置、排ガス分析装置、機械学習方法、排ガス分析方法、機械学習プログラム、及び、排ガス分析プログラム | |
| JP2741376B2 (ja) | 分光分析における多成分分析方法 | |
| WO2022014126A1 (ja) | 分析装置、分析方法、分析装置用プログラム、分析用学習装置、分析用学習方法及び分析用学習装置用プログラム | |
| JP5424636B2 (ja) | Ｆｔｉｒ法を用いたガス分析装置及びこれに用いるプログラム | |
| JP7335727B2 (ja) | 排ガス分析装置、排ガス分析方法、排ガス分析用プログラム及び機械学習装置 | |
| JP7461948B2 (ja) | 試料ガス分析装置、試料ガス分析方法及び試料ガス分析用プログラム | |
| Li et al. | A hard modeling approach to determine methanol concentration in methanol gasoline by Raman spectroscopy | |
| Heller et al. | Performance of a new system for emission sampling and measurement (SESAM) | |
| WO2024127968A1 (ja) | 分析装置、機械学習装置、演算装置、分析方法及び分析プログラム | |
| Baronick et al. | Modal measurement of raw exhaust volume and mass emissions by SESAM | |
| Yang et al. | Simulation and experimental study of diesel engine emission temperature based on tunable diode laser absorption spectroscopy | |
| Butler et al. | A system for on-line measurement of multicomponent emissions and engine operating parameters | |
| JPH04262237A (ja) | フーリエ変換赤外分光計を用いたエンジン排ガス分析装置 | |
| Eichmann | Precise Exhaust Gas Measurement Based on Laser Spectroscopy | |
| Schröder et al. | Emission Measurement with Quantum Cascade Laser | |
| Chen et al. | A fast closed-form approximate iterative fitting algorithm based on laser absorption spectrum |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201222 |
|
| TRDD | Decision of grant or rejection written | ||
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210930 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211005 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211018 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6964114 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |