JPH04151545A - 知識ベースを具備した測定分析装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は測定分析装置に係り、自動的に最適条件で、測
定対象の定性、定量分析を行うところの知識ベースを具
備した測定分析装置に関する。

〔従来の技術〕

従来の分析装置は１例えば赤外分光光度計を用いて混合
油の成分分析を行う場合を考えると、分析者の経験に大
きく依存していた。分析経験の豊かな操作者は、先ず適
量の試料を採取し、普通赤外域、特に指紋領域と云われ
る波長域のスペクトルを記録する。このスペクトルから
、主成分たる油種を推定し、定性分析を行うが、３種以
上の油成分が含まれる場合は極めて高度な測定技術と時
間を必要としていた。次に各油成分毎の特徴ある吸収波
長を選び、吸収を受けないか標準となる波長との比較か
ら、各成分の混合比を定量していたが、定性分析以上に
精度上の困難さがあった。又、測定対象に応じて、液体
セル、気体セル、ＫＢｒ錠剤など最適の測定方法を選ぶ
必要があり、時には異なる測定法を試みなければならな
いこともあった。

更に、赤外分光光度計以外の分析手段、例えば、核磁気
共鳴装置や、質量分析装置、ガスクロマトグラフィ等を
併用する必要もあり、これを−人の分析者が使いこなす
事は不可能では無いまでも、極めて困難であった。

〔発明が解決しようとする課題〕

この様に従来技術は、夫々の分析手段たる測定装置毎の
経験的知識や、分析技術の蓄積が要求され、各種の分析
手段を駆使して総合判断を行うための配慮がなく問題で
あった。

本発明の目的は、かかる従来技術の短所を補い、自動的
に最適な測定と分析を行い、且つ一回毎の測定分析が、
あたかも分析者における経験と同じく知識ベースに蓄積
され、学習により新しい現象にも対応できる測定分析装
置の提供にある。

〔課題を解決するための手段〕

上記目的は、熟線分析者の経験を定量化し知識ベースに
蓄積すると共に、測定量の特徴を抽出する機能と、学習
により結合の度合を変える機能により達成される。

〔作用〕

特徴を抽出する機能により、測定量の抽象化が実現でき
、推論に利用するデータが減少し最適条件を指令するた
め及び分析結果を導くに必要な計算量を少なくすること
ができる。又、既に蓄積されている知識ベースからの情
報を用いて、より信頼性の高い判断を行わせる事ができ
る。さらに。

学習により結合の度合いを変える機能により、完全に一
致しなければ結論が出せない推論に代わり、入力があれ
ばある程度の結論が出せるので、確からしい分析情報を
提供することができる。

〔実施例〕

以下、本発明の分析システム−実施例を第１図に示す。

分析対象１は、固体液体気体などの試料であって、測定
検出器２に適した試料セルに分取されている。一方、分
析対象１の形状、温度、圧力など通常の測定に必要な情
報は、状態検出器３により測定検出器２の信号と共に特
徴抽出機構４に入力する。特徴抽出機構４により抽出さ
れた情報と、測定検出器２からの直接信号は、推論機構
５に入力し、知識ベース６がらの定量化された情報を加
味し、分析対象が何であるか又何種類の物質を含むかな
どを推論する。その際、推論機構５に入力する信号が適
切であるか否かを判断するため、最適化演算機構８を介
して、測定検出器２の測定条件設定機構７に指令を送る
。これにより、測定検出器２は１個々の分析目的に最適
の測定条件で測定を行い、その時の測定情報が再び推論
機構５に至り、最も確からしい分析結果１２を表示出力
機構９に表示する。これ等の各要素を含む測定分析装置
１０は、通信回線などを通じて、外部知識１１ａを導入
することも、分析結果１１ｂを外部へ送信することも可
能である。

次に、本発明の分析システムを赤外分光光度計による定
性及び定量分析に適用した例を用いて詳細に説明する。

第２図、赤外分光光度計２には、可変セル厚の液体セル
に封入された液体試料を測定されるものとする。図示さ
れない液体試料は、自動試料作成機構９により、適当な
セル厚で測定エリャレこ順次送られる。この時のセル厚
、セル番号、測定エリア保持状態と、赤外分光光度計の
波数や、信号強度などは、状態検出機構３で信号となり
、指令発生機構１２の状態入力となる。

一方、赤外分光光度計２で測定された、液体試料の透過
率は、スペクトル形状検出機構１４に入力する。これは
、波数走査設定機構７が、波数走査状態であれば、波数
に応じて変化するスペクトル図形となり、特定の波数で
停止しておれば、時間と共に透過率の変化するタイム・
スキャン図形となる。

今、一連の分析を始める場合、分析対象の物質を同定す
る必要がある。一般に、対象は混合物であり、その成分
は何かを定性分析しなければならない。赤外スペクトル
は、被測定物質に依ってその透過スペクトルが様々に異
なる特−を有しており、特に指紋領域と呼ばれる波数域 の理由から、最初に赤外全域の透過 測定し、スペクトル形状検出機構１ この時、飽和しない最適のスペクトルを得るため、液体
試料セルのセル厚が自動的に調整されるのは云うまでも
無い。

ここで、メモリ機構に収納されている代表的試料のスペ
クトル図形を順次読出し、パターン認識機構１３で比較
する。この時、蓄積１２ある全てのスペクトルデータを
順に比較する事は、時間的に極めて非能率的である。パ
ターン認識機構１３に備わる特徴抽出、抽象化機能によ
り情報量を少なくし、物質の大まかな分類を順次繰返し
て、最終同定に到る様にする８ パターン認識機構１３は学習機構１６と相互接続されて
おり、学習に依り認識機構１３における内部結合状態を
変える、換言すれば入力信号量に乗ぜられる重み関数が
可変である様に構成されている。例えば予め、既知の物
質の純粋試料を測定し、その時のスペクトル形状を記憶
させると共に、学習機構にその物質名、物質分類等を教
え、該試料を同定する時に最良の重み関数を計算させ、
この値も記憶させて置く。この機能により、同じ物質が
混在する分析試料を測定した時、効率良くその物質名を
決定することができる。

第３図は、上記パターン認識機構１３の詳細図である。

スペクトル形状検出機構１４及びメモリ機構１５の出力
は、前記パターン認識機構１３の入力セル１７．１８に
入力され、該入力セル１７では入力された信号が関数値
で変換され中間層１９へ出力し、中間層１９へ入力され
た入力セル１７の出力は中間層１９のセル２０．２１へ
入力される。入力セル１７の出力でセル２ｏに入力され
た信号は重み関数２３でＷ）１倍され、加算器２４に入
力されると共に、入力セル１８の出力は重み関数２６を
介して加算器２４に入力され、加算器２４は上記重み関
数２３．２６の出力を加算し、関数器２５へ入力され、
関数器２５で線形又は非線形の関数演算を行い、次段の
中間層２７に出力される。なおセル２０は上記重み関数
２３゜２６、加算器２４及び関数器２５から構成される
。

同様に、セル２１への入力は、入力セル１７゜１８の出
力が入力され、入力層１７の出力は重み関数２８でＷ　
１２倍化され加算器、関数器を介して次段の中間層２７
へ出力される。

中間層２７は中間層１９と同一構造であり、入力層１７
．１８の出力の代りに中間層１９の出力が用いられるも
のである。

ここで、重み関数２３，２６．２８の重みをＷｔＪで表
わすと、Ｗ”Ｊはに番目の中間層のｉ番目のセルに於て
、ｋ−１番目の中間層（但しに＝１の時は入力セル）の
ｊ番目の出力に掛ける重みを示す。

以上のようにパターン認識機構１３に入力された信号は
、入力セル１７．１８．複数段の中間層１９．２７．２
９を介し、中間層のセルから重み関数と加算器を取除い
た形式の出力層３０を経て出力される。なお、入力層３
１は入力セル１７゜１８を全てまとめたものを表わす。

このパターン認識機構１３の特徴は、単純な積和演算で
すみ、フィードバック等の繰返し演算が無いこと、及び
、中間層の各積和項はハードウェアで実現する場合、並
列に処理ができるため高速演算が可能である。

次にパターン認識機構１３の処理結果は、第１図に示す
処理機構を経て、赤外分光光度計及び自動試料作成機構
に対する測定条件設定指令や、表示出力信号を発生する
。すなわち、パターン認識機構１３の出力は、指令発生
機構１２に設けられている推論機構３２に入力される。

推論機構３２の出力は指令値計算手段３３に入力し、赤
外分光光度計に対する波数走査、設定機構７．自動試料
作成機構に対するセル厚、順制御機構８に最適の指令を
出力する。又、分析結果９を出力するがこの時知識ベー
スの一定のアドレスを指定して、その格納情報である物
質名を表示出力することになる。

第５図は推論機構３２の構成を示すものである。

操作量決定手段３２は、形状検出機構１４．パターン認
識機構１３からの信号を受け、制御機構１４１を起動す
る。該制御機構１４１は、問題の種類に応じて、知識ベ
ース３６を用い、起動する推論を決定する。即ち該制御
機構１４１は、三段論法的に原因を求める必要がある場
合にはプロダクション推論機構１４２を起動し、曖昧な
要因がある場合にはファジィ推論機構１４３を起動し、
ある程度の枠組みがある問題に対してはフレーム推論機
構１４４を起動し、因果関係や機器の構成等の関連がネ
ットワーク的になっている問題に対しては意味ネット推
論機構１４５を起動し、診断対象が時間的な順序で動作
しているような問題に対してはスクリプト推論機＠１４
６を起動する。

更に、該制御機構１４１は前記各種推論機構で解けない
経験的な問題で、高速に最適な解を求めるための最適化
演算機構１１１を起動し、パターン的に記憶でき、特徴
を抽出するとともに回答が必要な問題を解くための特徴
抽出・回答機構１１０（Ｒｕｍｅｌｈａｒｔ型ニューロ
コンピュータで構成）を起動する。操作量決定手段３２
の処理結果は制御機構１４１を介して指令値計算機構へ
出力される。

第６図は推論に必要な知識である知識ベース３６の構成
を示す。

前記知識ベースは制御のエキスパートの経験等に基づく
外部から入力される知識１０６は三段論法的に推論を実
行するためのプロダクションルール１４７．曖昧な情報
をもとに推論を行なうための知識であるファジィルール
１４８９診断対象の部品構成などのある枠組みで記述で
きる知識のフレーム１４９９部品と部品の関連や、常識
的な関連を纏めてネットワークの形で整理している意味
ネットツー９１５０９診断対象が順番にある仕事を進め
る場合にそれらの仕事を整理して記憶するスクリプト１
５１、及び、上記知Ｒ１４７〜１５３で記述できないそ
の他の知識１５４に分類されて記憶されている。

第７図は推論機構３２の動作の説明図を示す。

制御機構１４１の処理はパターン認識機構１３゜形状検
出機構１４．記憶機構１５からの情報を整理し、以下の
処理に利用できるデータに変換する処理ステップ２００
、上記ステップ２００で準備したデータが無くなる迄取
り出し、ステップ２０２へ渡す繰返し処理ステップ２０
１、前記ステップ２０１で収集した情報から起動すべき
推論機構及び処理を決定するための判断ステップ２０２
、及び、各種推論機構１４２〜１４６、特徴抽出回答機
構１１０．最適化演算機構１１１、及び、　ＰＩＤ制御
等の古典制御や多変数制御等の現代制御のアルゴリズム
を実行する一般制御機構２０３、及び、上記各ステップ
を終了するために必要なフラグ類のリセット等を実行す
る終了処理ステップ２０４から構成される。

フレーム推論機構１４４は、制御装置間の関係等を記述
するフレームという知識を用い、注目している制御対象
の状態が変化した時に元の状態に戻す場合に、それら装
置間の関係を基に操作を行う処理量を関連する機器毎に
決定するのに適している。

意味ネット推論機構１４５は、前記断片的な知識である
フレームを整理し、体系付けてネットワークを作り上げ
たものであるため、特定のアクチュエータの操作結果が
及ぼす影響を求めることができ、補償系を組むのに適し
ている。

スクリプト推論機構１４６は特定の状態が発生した時の
手順的な知識を基に推論するため、故障時等に決まった
手順で対応しなければならないようなシーケンス制御的
な制御に適している。

また、特徴抽出・回答機構１１０は、上記パターン認識
機構１３．形状検出機構１４．記憶機構１５の入カバタ
ーンと前記入カバターンが入力されたときに前記推論機
構１４２〜１４６が出した出力の関係を予め学習させて
おくと、推論機構１４２〜１４６が推論を行って出力を
決定するのと異なり、高速に同一の結果が出力できる特
徴がある。最適化演算機構１１１は、制御対象１は通常
非線形性が強いので、何等かの原因により動作点が変化
すると、動作の再設定が必要になり、その場合、最急傾
斜法、ダイナミックプログラミング、リニアプログラミ
ング、山登り法２共役傾斜法又はＨｏｐｆｉｅｌｄ型ニ
ューロコンピュータ等のアルゴリズムにより計算され、
非線形制御対象に対しても最適な応答を行なう。

第８図はプロダクション機構１４２の動作説明図を示す
。

制御機構１４１より起動されるプロダクション推論機構
１４２は、前記制御機構１４１から起動時にメモリに記
憶する入力処理３４、前記入力処理３４で記憶した情報
１個ずつ取り出し、もし、メモリにパターンの情報が無
い時には、プロダクション推論機構１４２の処理を終了
させる終了判断機構３５を実行する。前記終了判断機構
３５で抽出されたパターンの種類とその確信度を用い。

知識ベース３６からルールを１個ずつ取り出し、処理３
７で該入力のパターンの種類と該ルールの前提部を比較
する。その比較結果を用い、ステップ３８は一致した場
合、次の処理３９を、不一致の場合ステップ３７を実行
させる。ステップ３９は一致した時に前記入力を前記ル
ールの結論部に置換する。この時の確信度の取扱いはミ
ニ・マックスの理論で、置換前の最小値又は最大値で置
換える。ステップ４０は前記置換したルールの結論部が
操作指令である場合、ステップ４１を、結論部が不一致
の場合更に推論を実施させるためにステップ３７を実行
させる。

前記結論部が操作指令であるときに、処理４１は前記指
令値計算手段３３へ、結論部及び前記処理ステップで求
めた確信度を出力する。

第９図は指令計算手段３３を示す。指令計算手段３３は
、前記推論機構３２で求めた推論結果である指令及びそ
の確信度を記憶するメモリ４２、メモリの指令が全て処
理されたか否かを判断し、処理されていたならば指令計
算手段３３を終了させるステップ４３、処理されていな
ければ測定条件毎の指令を取出し、各種推論で求まった
新な測定条件と確信度を基に、各指令の重み値と重心か
ら全体の重心を求め、対応する測定条件の指令とする。

ここでは、測定条件に対する指令値計算手段を説明した
が、定性分析に於ける物質名と確信度であっても同様に
計算される。この場合の確信度は、ヒツト数と呼ぶこと
もある。

第１０図に前記学習に必要な入力切換え装置１２５の構
成を示す。

該入力層り換え装置１２５は、学習機構により制御され
るスイッチ機構１５６を用い、形状検出機構１４の出力
と学習機構１６の出力の一方を入力層３１に出力するも
のである第１０図におけるスイッチ機構１５６の状態は
学習を行なう状態を示す。

第１１図は学習機構１６の構成を示す。

学習機構１６は、入カバターン発生機構４５゜出カバタ
ーン発生機構４７．出力突合せ機構４６、及び、学習制
御機構４８から構成される。前記出力突合せ機構４６は
、出力層３０の出力を指令発生機構１２と前記突合せ機
構４６へ出力するための分配器１３９の出力０１＊　ｏ
ｉ、Ｏイと、出カバターン発生機構４７の出力ＯＴ　１
　ｒ　ＯＴ　１　？　ＯＴ・との差を加算器１６１，１
６２，１６３により、偏差ｅ１＋　ｅ４Ｈｅｎとして求
め、学習制御機構４８に出力する。なお分配器１３９の
出力０１＊０１＋Ｏｎは入カバターン発生機構４７の出
力がパターン認識機構１３　（Ｒｕ＋＋＋ｅｌｈａｒｔ
型ニューロコンピュータ）の入力層１９に入力されるこ
とにより発生する。このとき、該入カバターン発生機構
４５と該出カバターン発生機構４７は前記学習制御機構
４８に制御される。

第１２図に前記学習過程における重み関数Ｗ。

２３と学習制御機構４８の関係を示す。

前記加算器１６１の出力である偏差ｅｈ　を受けて、学
習制御機構４８はパターン認識機構１３を構成するセル
２０の荷重関数Ｗｔ４２３の値を、前記偏差が減少する
方向に変化させる。

第１３図に前記学習制御機構４８の処理概要１７０を示
す。

学習機構１６が起動されると、学習制御機構４８の処理
１７０が起動される。該処理１７０は、前記入カバター
ン発生機構４５．出カバターン発生機構４７を起動し、
教師信号である入力と、希望出力を発生する前処理１７
１、前記偏差ｅｋの値、又は、前記偏差自乗和が許容範
囲以内になるまで以下のステップ１７３，１７４，１７
５を繰り返すステップ１７２、出力層３０に近い中間層
から入力層３１に向けて注目する中間層を順次抽出する
ステップ１７４、該中間層において順次注目するセルを
抽出するステップ１７４、及び偏差８ｋが小さくなる方
向へ抽出したセルの荷重関数ＷＩＪ２３を変化させるス
テップ１７５、および、学習過程を終了させるためのス
テップ１７６から構成される。

このような学習機構を設ける事により、それ迄考慮され
なかった新しい現象が発生し、それに対する対応策が決
定したならば、その知見を反映できる特徴が有る。

第１４図に、学習機構１６の入カバターン発生機構４５
と呂カバターン発生機構４７に制御対象シミュレータ６
０を用いる例を示す。

出カバターン発生機構４７においてオペレータの操作又
はデータによって発生した形状パターンは、第２図の指
令発生機構１２と同一の機能を持ち、学習機構に別に設
けられた指令発生機構１２に入力され、指令発生機構１
２ではパターンに応じて各種アクチュエータの指令を発
生し、該指令は入カバターン発生機構４５に設けられた
制御対象シミュレータ５０に入力され、制御対象である
各種アクチュエータ６．７，８，９，１０．１１及び圧
延機１を含めた動作を模擬し、その応答が悪い時には指
令発生機構１２．制御対象シミュレータ５０のパラメー
タを変更するためのパラメータ調整機構５１を用い前記
制御対象シミュレータ５０の出力を所望の形状になるよ
うに調節し、パターン認識機構１３の入力とする。

以上説明した構成の推論方法によって、例えば赤外分光
光度計を用いた分析システムを自動稼動させることがで
きる。定性分析終了後、各成分についての定量分析も、
知識ベースにある測定波数などの情報を基に行う事がで
きる。

〔発明の効果〕

本発明によれば、赤外分光光度計による定性分析の様に
、スペクトル形状のパターン認識によるデータ検索と、
確定され分質に対する吸収、非吸収の波数における吸光
度の差から、定量分析をも自動的に行われる。更に、学
習機構により新しい事態が発生しても対応する事が可能
で、その時の情報は知識ベースに蓄積され、次回に於け
るより迅速なる処置が可能となる。

これにより、全く人の操作や判断を加えることなく、与
えられた多数の分析対象を次々と処理して行くシステム
を構築する事ができる。

【図面の簡単な説明】

第１図は本発明の一実施例の構成図、第２図は本発明を
赤外分光光度計に退嬰した実施例、第３図はパターン認
識機構図、第１図は指令発生機構図、第５図は推論機構
の構成図、第６図は知識ベース構成図、第７図は推論機
構の動作説明図、第８図はプロダクション機構の動作説
明図、第９図は指令値計算手段の構成図、第１０図は入
力切換え装置の構成、第１１図は学習機構の構成、第１
２図は学習制御機構とノードの重み関数との関連図、第
１３図は学習制御機構の基本処理図、第１４図は学習機
構にシミュレータを備えた時の構成図である。 １・・・分析対象、１２・・・指令発生機構、１３・・
パターン認識機構、１６・・・学習機構、１９．２７゜
第 図 分析結果 外部知識 第 図 第 図 第 図 第 図 第 図 第 図 第 図 第 図 第 図

Claims (1)

1. 【特許請求の範囲】 １、特定の測定項目に対応する複数個の検出手段と、測
   定対象の形状、材質、物性などの一般的測定を行う複数
   個の検出手段と、これ等の複数個の検出手段に対する複
   数個の測定条件設定手段と、測定対象の形状、材質、物
   性、化学的性質、前記特定の測定及び出力表示などに関
   する知識ベースを具備した測定分析装置。 ２、第１項記載の測定分析装置において、前記複数個の
   検出手段からの出力信号と、前記知識ベースとから総合
   判断を行い、その結果に基づき前記複数個の測定条件設
   定手段に指令して最適測定条件を自動設定すると共に、
   新しい検出出力信号又は旧出力信号との両方から、測定
   対象の定性及び又は定量分析を行い、その結果を最も判
   り易い形で表示出力するところの知識ベースを具備した
   測定分析装置。 ３、第１項又は第２項記載の測定分析装置において、複
   数個の検出出力信号と前記知識ベースとから総合判断し
   、測定対象の定性及び又は定量分析を行い、その結果を
   前記知識データベースを参照して最も判易い形で表示出
   力すると共に、一連の最適測定条件、信号出力値及び分
   析結果などを、前記知識ベースに追加更新するところの
   知識ベースを具備した測定分析測定。 ４、第１項記載の測定分析装置において、前記特定の測
   定に関する知識データベースとは、特定測定に対する測
   定条件範囲や、適当出力範囲などを記したものであると
   ころの知識ベースを具備した測定分析装置。 ５、第１項ないし第１項記載の測定分析装置において、
   一定の測定対象が複数個の既知濃度の標準試料を含み、
   予め教師点を与えられる学習を行うことを特徴とする知
   識ベースを具備した測定分析装置。