JP7213760B2 - ガス検知装置 - Google Patents
ガス検知装置 Download PDFInfo
- Publication number
- JP7213760B2 JP7213760B2 JP2019107854A JP2019107854A JP7213760B2 JP 7213760 B2 JP7213760 B2 JP 7213760B2 JP 2019107854 A JP2019107854 A JP 2019107854A JP 2019107854 A JP2019107854 A JP 2019107854A JP 7213760 B2 JP7213760 B2 JP 7213760B2
- Authority
- JP
- Japan
- Prior art keywords
- target gas
- gas
- concentration
- type
- change
- 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
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Description
前記教師データは、複数の前記駆動条件下での電気的特性の時間変化を含み、
前記機械学習の際に入力される前記教師データは、同一の前記対象ガスの種類、および同一の前記対象ガスの濃度である場合に、前記複数の駆動条件それぞれで測定された複数の前記電気的特性の時間変化が前記教師データとされ、
前記検出部は、前記複数の駆動条件下で測定された前記電気的特性の時間変化に基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出するものであり、
前記学習済みモデルは、前記電気的特性の時間変化における1または複数の所定の特徴データについて機械学習されたモデルであり、
前記特徴データは、測定開始から最小値の前記電気的特性の値を得るまでの時間、時間変化による前記電気的特性の変化率が正の比率、測定された前記電気的特性の最後の値を前記電気的特性の最小値で除した値、計測された前記電気的特性の値の平均値、変化率の平均値のうちのいずれかを含み、
前記検出部は、検出された前記対象ガスの種類および検出された前記対象ガスの濃度が正しいと判断できる場合、この検出された前記対象ガスの種類および検出された前記対象ガスの濃度と、前記電気的特性の時間変化とを前記教師データとすることができる。
更に、このような構成により、検出作業を繰り返すことにより、学習済みモデルの精度が向上し、より高精度に対象ガスの検出を行うことが可能となる。
更に、対象ガスの検出に有効な特徴をあらかじめ調査し、この特徴にかかる特徴データについて特に機械学習させることにより、より最適な学習済みモデルを生成することができ、より高精度かつ容易に対象ガスの検出を行うことが可能となる。
更に、このような構成により、適切な特徴データを用いて、より高精度かつ容易に対象ガスの検出を行うことが可能となる。
上記目的を達成するために、本発明の一実施形態に係るガス検知装置は、
所定の駆動温度に加熱された際に電気的特性が変化するガス検知部と、
前記ガス検知部を加熱するヒータ部と、
前記ヒータ部の加熱動作を制御する加熱制御部と、
所定の駆動条件下で測定された前記電気的特性の時間変化により、対象ガスの種類および前記対象ガスの濃度を推定するための機械学習を行った学習済みモデルに基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出する検出部とを備え、
前記機械学習の際に入力される教師データは、前記対象ガスの種類、前記対象ガスの濃度、および所定の前記駆動条件にて測定される前記電気的特性の時間変化が1つの前記教師データとされ、
前記教師データは、複数の前記駆動条件下での電気的特性の時間変化を含み、
前記機械学習の際に入力される前記教師データは、同一の前記対象ガスの種類、および同一の前記対象ガスの濃度である場合に、前記複数の駆動条件それぞれで測定された複数の前記電気的特性の時間変化が前記教師データとされ、
前記検出部は、前記複数の駆動条件下で測定された前記電気的特性の時間変化に基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出するものであり、
前記学習済みモデルは、前記電気的特性の時間変化における1または複数の所定の特徴データについて機械学習されたモデルであり、
前記特徴データは、測定開始から最小値の前記電気的特性の値を得るまでの時間、時間変化による前記電気的特性の変化率が正の比率、測定された前記電気的特性の最後の値を前記電気的特性の最小値で除した値、計測された前記電気的特性の値の平均値、変化率の平均値のうちのいずれかを含み、
サーバと通信可能な通信部を備え、
前記学習済みモデルは前記サーバに格納され、
前記検出部は、前記サーバに格納された前記学習済みモデルを用いて前記対象ガスの種類および前記対象ガスの濃度を検出する。
このような構成により、特に、他のガス検知装置が検出作業中に取得したデータを含めて考慮して学習済みモデルの更新を行うことができ、より高精度に対象ガスの検出を行うことが可能となる。
上記目的を達成するために、本発明の一実施形態に係るガス検知装置は、
所定の駆動温度に加熱された際に電気的特性が変化するガス検知部と、
前記ガス検知部を加熱するヒータ部と、
前記ヒータ部の加熱動作を制御する加熱制御部と、
所定の駆動条件下で測定された前記電気的特性の時間変化により、対象ガスの種類および前記対象ガスの濃度を推定するための機械学習を行った学習済みモデルに基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出する検出部とを備え、
前記機械学習の際に入力される教師データは、前記対象ガスの種類、前記対象ガスの濃度、および所定の前記駆動条件にて測定される前記電気的特性の時間変化が1つの前記教師データとされ、
前記教師データは、複数の前記駆動条件下での電気的特性の時間変化を含み、
前記機械学習の際に入力される前記教師データは、同一の前記対象ガスの種類、および同一の前記対象ガスの濃度である場合に、前記複数の駆動条件それぞれで測定された複数の前記電気的特性の時間変化が前記教師データとされ、
前記検出部は、前記複数の駆動条件下で測定された前記電気的特性の時間変化に基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出するものであり、
前記学習済みモデルは、前記電気的特性の時間変化における1または複数の所定の特徴データについて機械学習されたモデルであり、
前記特徴データは、測定開始から最小値の前記電気的特性の値を得るまでの時間、時間変化による前記電気的特性の変化率が正の比率、測定された前記電気的特性の最後の値を前記電気的特性の最小値で除した値、計測された前記電気的特性の値の平均値、変化率の平均値のうちのいずれかを含み、
前記特徴データに重み付けが行われ、それぞれの前記特徴データと、その他の前記電気的特性の時間変化の態様とに優先順位を異ならせて前記機械学習が行われる。
このような構成により、特に、対象ガスの検出に有効な特徴について機械学習を重点的に行うことができるので、より最適な学習済みモデルを生成することができ、より高精度かつ容易に対象ガスの検出を行うことが可能となる。
センサ素子20は、シリコン基板1に支持されてダイアフラムを構成する。センサ素子20は、支持層5と、絶縁層7と、ガス検知層10と、触媒層11を有する。支持層5はシリコン基板1上に形成され、支持層5上にヒータ層6が形成される。絶縁層7は、ヒータ層6の全体を覆って支持層5上に形成される。絶縁層7の上に一対の接合層8が形成され、接合層8の上に電極層9が形成されている。絶縁層7の上の、一対の電極層9の間に、ガス検知層10が形成される。絶縁層7の上に、ガス検知層10を覆う形態にて、触媒層11が形成される。なお、センサ素子20は、ブリッジ構造をとっても良く、ヒータ層6は、電極として兼用されても良い。
加熱制御部12は、駆動条件の1つとして、ヒータ層6に対する通電制御を行う。加熱制御部12は、例えば、ヒータ層6に通電してガス検知層10を加熱する加熱動作と、ヒータ層6に通電しない非加熱動作(ガス検知層10の加熱を停止する非加熱動作)とを行う。また加熱制御部12は、ヒータ層6に対する通電電圧または通電電流を制御することにより、ヒータ層6を設定された任意の温度に加熱することができる。
以上の様に構成されたガス検知装置100における、対象ガスの検出の際の動作について説明する。ガス検知装置100は、所定の駆動条件にて測定された電気的特性の時間変化と、対象ガスの種類および対象ガスの濃度とを機械学習させることにより得られる学習済みモデルに基づいて、所定の駆動条件にて測定された電気的特性の時間変化から対象ガスの種類および対象ガスの濃度を検出する。
具体的には、例えば、加熱制御は、High駆動と、High駆動より通電電圧または通電電流が小さい(駆動温度が低い)Low駆動とが行われる。より具体的には、例えば、加熱制御は、High駆動が0.05秒~0.5秒間行われ、10秒~30秒間駆動が停止された後、Low駆動が0.05秒~0.5秒間行われ、10秒~30秒間駆動を停止される。そして、High駆動が開始(加熱開始)されてから、Low駆動後の駆動停止期間が終了するまでの、電気的特性の時間変化が測定される。そして、測定された電気的特性の時間変化から、機械学習された後述の学習済みモデルに基づいて、AIにより対象ガスの種類および対象ガスの濃度が検出される。
また、例えば、一つの駆動温度への加熱と加熱停止とを繰り返し行うようにしても良いし、複数の駆動温度として2つ以上の駆動温度を設定して当該駆動温度への加熱と加熱停止とを繰り返すようにしても良い。
上述の機械学習は、複数の教師データを入力することにより行われる。教師データは、対象ガスの種類、対象ガスの濃度、および、所定の駆動条件下で測定されたガス検知層10の電気抵抗値の時間変化であり、あらかじめ実測される。ガス検知層10の電気抵抗値の時間変化は、雰囲気温度(環境条件)と雰囲気湿度(環境条件)とからなる環境条件下において存在する対象ガスの種類と対象ガスの濃度によって特異なデータとなる。そのため、これら所定の環境条件および所定の駆動条件にて測定された電気抵抗値の時間変化を対象ガスの種類および対象ガスの濃度と共に教師データとして大量に入力して、AIにより機械学習を行うことにより、環境条件における対象ガスの種類と対象ガスの濃度に対応するガス検知層10の電気抵抗値の時間変化が関連付けられた学習済みモデルが生成される。
教師データを用いて機械学習を行う際には、まず、異なる対象ガスの種類および異なる対象ガスの濃度の組み合わせそれぞれについて、雰囲気温度、雰囲気湿度、および駆動条件を適宜組み合わせた条件で、ガス検知層10の電気抵抗値の時間変化の実測値が取得される。そして、これらの条件と実測値それぞれに対して、カテゴリとして識別できる文字列や数値等によるラベルを付与して、各条件と実測値との組が複数含まれる実測データを作成する。
以下、具体的な特徴量の決定方法を例示する。以下は、駆動条件が150℃、200℃、300℃、400℃において、対象ガスとしてエタノール、一酸化窒素、酢酸エチル、アセトン、アンモニア、メタン、水素、一酸化炭素、硫化水素を検出する場合に特徴量を決定する例である。特徴量は、図7に示すように、駆動条件が150℃、200℃、300℃、400℃それぞれにおける、測定開始から最小値の電気抵抗値を得るまでの時間(図では、最小値を与える時刻と示す)、時間変化による電気抵抗値の変化率が正となる比率(図では、変化率が正の比率と示す)、測定された電気抵抗値の最後の値を電気抵抗の最小値で除した値(図では、末尾の値/最小値と示す)、計測された電気抵抗値の平均値(図では、計測値1/5ずつ平均と示す)、変化率の平均値(図では、変化率1/5ずつ平均と示す)である。また、それぞれの特徴量は、図7に示すように、各駆動条件と紐付けられた上、ラベルが付与される。例えば、駆動条件が150℃における、測定開始から最小値の電気抵抗値を得るまでの時間はT1が付与され、時間変化による電気抵抗値の変化率が正となる比率はRch1が付与され、測定された電気抵抗値の最後の値を電気抵抗の最小値で除した値はRmin1が付与され、計測された電気抵抗値の平均値はx11~x15が付与され、変化率の平均値はv11~v15が付与される。そして、このような特徴量を考慮して、機械学習により、学習済みモデルが生成される。
<1>ガス検知装置100は、あらかじめ生成された学習済みモデルを用いて対象ガスの検出を行っても良いが、検出結果の成否が明らかな場合、その検出結果を用いて、検出作業中に学習済みモデルを更新していっても良い。さらに、ガス検知装置100はさらに通信装置(図示せず)を備え、他のガス検知装置100での検出結果を受信して学習済みモデルを更新しても良く、他のガス検知装置100やサーバ(図示せず)等から最新の学習済みモデルを入手して置き換える構成としても良い。この際、学習済みモデルは、記憶部16でなく、サーバに格納される構成としても良い。
10 ガス検知層(ガス検知部)
11 触媒層(触媒部)
12 加熱制御部
13 ガス検出部(検出部)
14 温度検出部(環境測定部)
15 湿度検出部(環境測定部)
16 記憶部
20 センサ素子(ガスセンサ)
100 ガス検知装置
Claims (10)
- 所定の駆動温度に加熱された際に電気的特性が変化するガス検知部と、
前記ガス検知部を加熱するヒータ部と、
前記ヒータ部の加熱動作を制御する加熱制御部と、
所定の駆動条件下で測定された前記電気的特性の時間変化により、対象ガスの種類および前記対象ガスの濃度を推定するための機械学習を行った学習済みモデルに基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出する検出部とを備え、
前記機械学習の際に入力される教師データは、前記対象ガスの種類、前記対象ガスの濃度、および所定の前記駆動条件にて測定される前記電気的特性の時間変化が1つの前記教師データとされ、
前記教師データは、複数の前記駆動条件下での電気的特性の時間変化を含み、
前記機械学習の際に入力される前記教師データは、同一の前記対象ガスの種類、および同一の前記対象ガスの濃度である場合に、前記複数の駆動条件それぞれで測定された複数の前記電気的特性の時間変化が前記教師データとされ、
前記検出部は、前記複数の駆動条件下で測定された前記電気的特性の時間変化に基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出するものであり、
前記学習済みモデルは、前記電気的特性の時間変化における1または複数の所定の特徴データについて機械学習されたモデルであり、
前記特徴データは、測定開始から最小値の前記電気的特性の値を得るまでの時間、時間変化による前記電気的特性の変化率が正の比率、測定された前記電気的特性の最後の値を前記電気的特性の最小値で除した値、計測された前記電気的特性の値の平均値、変化率の平均値のうちのいずれかを含み、
前記検出部は、検出された前記対象ガスの種類および検出された前記対象ガスの濃度が正しいと判断できる場合、この検出された前記対象ガスの種類および検出された前記対象ガスの濃度と、前記電気的特性の時間変化とを前記教師データとすることができるガス検知装置。 - 所定の駆動温度に加熱された際に電気的特性が変化するガス検知部と、
前記ガス検知部を加熱するヒータ部と、
前記ヒータ部の加熱動作を制御する加熱制御部と、
所定の駆動条件下で測定された前記電気的特性の時間変化により、対象ガスの種類および前記対象ガスの濃度を推定するための機械学習を行った学習済みモデルに基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出する検出部とを備え、
前記機械学習の際に入力される教師データは、前記対象ガスの種類、前記対象ガスの濃度、および所定の前記駆動条件にて測定される前記電気的特性の時間変化が1つの前記教師データとされ、
前記教師データは、複数の前記駆動条件下での電気的特性の時間変化を含み、
前記機械学習の際に入力される前記教師データは、同一の前記対象ガスの種類、および同一の前記対象ガスの濃度である場合に、前記複数の駆動条件それぞれで測定された複数の前記電気的特性の時間変化が前記教師データとされ、
前記検出部は、前記複数の駆動条件下で測定された前記電気的特性の時間変化に基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出するものであり、
前記学習済みモデルは、前記電気的特性の時間変化における1または複数の所定の特徴データについて機械学習されたモデルであり、
前記特徴データは、測定開始から最小値の前記電気的特性の値を得るまでの時間、時間変化による前記電気的特性の変化率が正の比率、測定された前記電気的特性の最後の値を前記電気的特性の最小値で除した値、計測された前記電気的特性の値の平均値、変化率の平均値のうちのいずれかを含み、
サーバと通信可能な通信部を備え、
前記学習済みモデルは前記サーバに格納され、
前記検出部は、前記サーバに格納された前記学習済みモデルを用いて前記対象ガスの種類および前記対象ガスの濃度を検出するガス検知装置。 - 所定の駆動温度に加熱された際に電気的特性が変化するガス検知部と、
前記ガス検知部を加熱するヒータ部と、
前記ヒータ部の加熱動作を制御する加熱制御部と、
所定の駆動条件下で測定された前記電気的特性の時間変化により、対象ガスの種類および前記対象ガスの濃度を推定するための機械学習を行った学習済みモデルに基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出する検出部とを備え、
前記機械学習の際に入力される教師データは、前記対象ガスの種類、前記対象ガスの濃度、および所定の前記駆動条件にて測定される前記電気的特性の時間変化が1つの前記教師データとされ、
前記教師データは、複数の前記駆動条件下での電気的特性の時間変化を含み、
前記機械学習の際に入力される前記教師データは、同一の前記対象ガスの種類、および同一の前記対象ガスの濃度である場合に、前記複数の駆動条件それぞれで測定された複数の前記電気的特性の時間変化が前記教師データとされ、
前記検出部は、前記複数の駆動条件下で測定された前記電気的特性の時間変化に基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出するものであり、
前記学習済みモデルは、前記電気的特性の時間変化における1または複数の所定の特徴データについて機械学習されたモデルであり、
前記特徴データは、測定開始から最小値の前記電気的特性の値を得るまでの時間、時間変化による前記電気的特性の変化率が正の比率、測定された前記電気的特性の最後の値を前記電気的特性の最小値で除した値、計測された前記電気的特性の値の平均値、変化率の平均値のうちのいずれかを含み、
前記特徴データに重み付けが行われ、それぞれの前記特徴データと、その他の前記電気的特性の時間変化の態様とに優先順位を異ならせて前記機械学習が行われるガス検知装置。 - 前記ガス検知部の周囲の雰囲気温度および前記ガス検知部の周囲の雰囲気湿度を測定する環境測定部を備え、
前記検出部は、前記雰囲気温度、前記雰囲気湿度、所定の前記駆動条件下にて測定された前記電気的特性の時間変化と、前記対象ガスの種類および前記対象ガスの濃度を推定するための機械学習を行った前記学習済みモデルとに基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出し、
前記機械学習の際に入力される教師データは、前記雰囲気温度、前記雰囲気湿度において、前記対象ガスの種類、前記対象ガスの濃度、および所定の前記駆動条件下にて測定される前記電気的特性の時間変化が前記教師データとされる請求項1から3のいずれか一項に記載のガス検知装置。 - 前記ガス検知部は半導体からなる請求項1から4のいずれか一項に記載のガス検知装置。
- 前記ガス検知部を覆う触媒部を備える請求項1から5のいずれか一項に記載のガス検知装置。
- 前記ガス検知部は薄膜状の半導体からなり、
前記ガス検知部を覆う触媒部としての触媒層を備え、
前記ガス検知部の厚さは前記触媒層の厚さの1/3以下である請求項1から6のいずれか一項に記載のガス検知装置。 - 前記加熱制御部は、前記ヒータ部を、所定の温度への加熱と前記加熱の停止とを所定の周期で繰り返すように制御する請求項1から7のいずれか一項に記載のガス検知装置。
- 前記検出部は、検出された前記対象ガスの種類および検出された前記対象ガスの濃度が正しいと判断できる場合、この検出された前記対象ガスの種類および検出された前記対象ガスの濃度と、前記電気的特性の時間変化とを前記教師データとすることができる請求項2又は3に記載のガス検知装置。
- サーバと通信可能な通信部を備え、
前記学習済みモデルは前記サーバに格納され、
前記検出部は、前記サーバに格納された前記学習済みモデルを用いて前記対象ガスの種類および前記対象ガスの濃度を検出する請求項3に記載のガス検知装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019107854A JP7213760B2 (ja) | 2019-06-10 | 2019-06-10 | ガス検知装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019107854A JP7213760B2 (ja) | 2019-06-10 | 2019-06-10 | ガス検知装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020201116A JP2020201116A (ja) | 2020-12-17 |
JP7213760B2 true JP7213760B2 (ja) | 2023-01-27 |
Family
ID=73742049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019107854A Active JP7213760B2 (ja) | 2019-06-10 | 2019-06-10 | ガス検知装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7213760B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102510314B1 (ko) * | 2021-03-19 | 2023-03-17 | 한국과학기술원 | 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법 |
KR102538360B1 (ko) * | 2021-04-14 | 2023-05-30 | 호서대학교 산학협력단 | 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법 |
WO2023282272A1 (ja) * | 2021-07-09 | 2023-01-12 | パナソニックIpマネジメント株式会社 | ガス識別方法及びガス識別システム |
KR102656446B1 (ko) * | 2022-03-14 | 2024-04-09 | 연세대학교 산학협력단 | 딥러닝 기반 가스 센싱 시스템 및 가스 센싱 방법 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007024508A (ja) | 2005-07-12 | 2007-02-01 | Fuji Electric Fa Components & Systems Co Ltd | 薄膜ガスセンサ |
JP2007225564A (ja) | 2006-02-27 | 2007-09-06 | Mitsubishi Heavy Ind Ltd | 渦流探傷信号の評価方法及び装置 |
JP2009282024A (ja) | 2008-04-25 | 2009-12-03 | Osaka Gas Co Ltd | ガスセンサ及びガス検出器 |
JP2011149754A (ja) | 2010-01-20 | 2011-08-04 | Fuji Electric Co Ltd | ガス警報器およびガス検出方法 |
JP2012167954A (ja) | 2011-02-10 | 2012-09-06 | Fuji Electric Co Ltd | ガス検知装置 |
WO2017217038A1 (ja) | 2016-06-14 | 2017-12-21 | ソニー株式会社 | 情報処理装置および記憶媒体 |
WO2018173121A1 (ja) | 2017-03-21 | 2018-09-27 | 株式会社Preferred Networks | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06130017A (ja) * | 1992-10-14 | 1994-05-13 | Ricoh Co Ltd | ニューラルネットワークを利用したガスセンサ |
-
2019
- 2019-06-10 JP JP2019107854A patent/JP7213760B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007024508A (ja) | 2005-07-12 | 2007-02-01 | Fuji Electric Fa Components & Systems Co Ltd | 薄膜ガスセンサ |
JP2007225564A (ja) | 2006-02-27 | 2007-09-06 | Mitsubishi Heavy Ind Ltd | 渦流探傷信号の評価方法及び装置 |
JP2009282024A (ja) | 2008-04-25 | 2009-12-03 | Osaka Gas Co Ltd | ガスセンサ及びガス検出器 |
JP2011149754A (ja) | 2010-01-20 | 2011-08-04 | Fuji Electric Co Ltd | ガス警報器およびガス検出方法 |
JP2012167954A (ja) | 2011-02-10 | 2012-09-06 | Fuji Electric Co Ltd | ガス検知装置 |
WO2017217038A1 (ja) | 2016-06-14 | 2017-12-21 | ソニー株式会社 | 情報処理装置および記憶媒体 |
WO2018173121A1 (ja) | 2017-03-21 | 2018-09-27 | 株式会社Preferred Networks | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
Also Published As
Publication number | Publication date |
---|---|
JP2020201116A (ja) | 2020-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7213760B2 (ja) | ガス検知装置 | |
JP6568318B2 (ja) | ガス警報器、制御装置、及びプログラム | |
JP2020522675A (ja) | 触媒構造体を含む可燃性ガスセンサの比較診断 | |
US7287414B2 (en) | Process for measuring the concentration of gases | |
US20180038825A1 (en) | Multiple Sensor System for Breath Acetone Monitoring | |
JP4871776B2 (ja) | ガス検知装置およびガス検知方法 | |
JP6585915B2 (ja) | 温度変調式熱重量分析 | |
US20200088669A1 (en) | Method for Operating a Sensor Device | |
JP4758791B2 (ja) | ガス濃度測定装置及びガス濃度測定方法 | |
JPH07311170A (ja) | ガス検出方法及びその装置 | |
JP2001091487A (ja) | ガス検出装置 | |
JP4528638B2 (ja) | ガス検出装置 | |
JP5111180B2 (ja) | 熱式流量計 | |
JP2022091005A (ja) | ガス検知装置 | |
CN112469996A (zh) | 用于运行气体传感器装置的方法和用于求取关于空气质量的信息的气体传感器装置 | |
JP7203662B2 (ja) | 温度制御方法および温度制御装置 | |
JP6300203B2 (ja) | ガス検知器 | |
JP5320314B2 (ja) | ガス検知器 | |
JP4497658B2 (ja) | ガス検知方法及び装置 | |
JP6654712B2 (ja) | ガス警報器およびガス検出方法 | |
JP6624826B2 (ja) | ガス検知器 | |
JP4467270B2 (ja) | 出力安定度の判定機構 | |
JP2018205210A (ja) | ガスセンサ、ガス警報器、制御装置、及び制御方法 | |
JP2022144828A (ja) | ガス検知装置 | |
JP6108516B2 (ja) | ガス検出装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211119 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220831 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220927 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221128 |
|
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: 20221220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230117 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7213760 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |