JPH06249810A - ガス識別装置 - Google Patents

Abstract

(57)【要約】 【目的】 識別特性を向上させる。 【構成】 特性の異なる複数のガスセンサと、それらガ
スセンサの出力値の組合わせをパターン認識する少なく
とも２組の情報処理手段とを具えたガス識別装置であっ
て、情報処理手段のうち少なくとも１組の情報処理手段
で被検出ガスのガス種を同定し、他の情報処理手段でそ
のガス種の混合比を判別するように構成したもの。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明はガス識別装置に関し、
特に、被検出ガスの種類に応じて出力する複数のガスセ
ンサと、各ガスセンサの出力値の組合わせをパターン認
識する情報処理手段とを具えたガス識別装置に関するも
のである。

【０００２】

【従来技術およびその問題点】近年、様々な分野で、ガ
スやにおいを選択性良く検出したいという要望が高まっ
ており、これに応えるため、安定性、感度性に優れる種
々のガスセンサが開発されている。しかし、特定のガス
等に対する選択性といった面からは、未だ十分に満足で
きる性能を有するものは開発されていない。

【０００３】そこで、特定のガス等を検出する場合に
は、特性の異なるガスセンサを複数個用意し、これらの
ガスセンサからの出力信号の組合わせを一つの出力パタ
ーンとしてとらえ、これをニューラルネットワークのよ
うな情報処理手段でパターン認識することにより、ガス
種を識別しようとする試みが一般に行われている。

【０００４】すなわち、識別しようとする全てのガス種
について、予め、各々標準ガスを用いて各ガスセンサか
らの出力信号の組合わせによる出力パターンを求め、こ
れをニューラルネットワークのような情報処理手段でパ
ターン認識して記憶しておき、実際に測定した被検出ガ
スの出力パターンと、情報処理手段に記憶しておいた標
準ガスの出力パターンとを比較し、類似性があるか否か
により被検出ガスのガス種を判定するようになってい
る。

【０００５】しかしながら、このような複数のガスセン
サとニューラルネットワーク等のような情報処理手段と
からなるガス識別装置にあっては、通常、情報処理手段
を１組しか有していないため定性・定量識別を苦手と
し、被検出ガスに２種類以上のガスが含まれ、かつそれ
らが様々な混合比となっているような場合には、正確な
定性・定量識別が困難となる。

【０００６】もっとも、ガスクロマトグラフィ装置等の
分析機器を利用すれば、被検出ガスに２種類以上のガス
が含まれていても十分に対応することができるが、この
ような分析機器は高価であるうえに可搬性に乏しいた
め、実用的でない。

【０００７】この発明は前記のような従来のもののもつ
問題点を解決したものであって、被検出ガスに２種類以
上のガスが含まれ、かつそれらが様々な成分比となって
いるような場合であっても、被検出ガスを構成するガス
の定性・定量識別を正確に行うことのできる安価で簡易
なガス識別装置を提供することを目的とするものであ
る。

【０００８】

【問題点を解決するための手段】上記の問題点を解決す
るためにこの発明は、特性の異なる複数のガスセンサ
と、これらのガスセンサの出力値の組合わせをパターン
認識する少なくとも二組の情報処理手段とを具え、これ
ら情報処理手段のうち少なくとも一組の情報処理手段で
被検出ガスを構成するガス種を同定し、他の情報処理手
段でそのガス種の混合比を判別するように構成した手段
を採用したものであり、また、前記情報処理手段がニュ
ーラルネットワークである手段を採用したものである。

【０００９】

【作用】この発明は前記のような手段を採用したことに
より、被検出ガスが２種類以上のガスから構成されてい
ても、情報処理手段の少なくとも１組の情報処理手段で
被検出ガスを構成するガスの種類を識別し、残りの情報
処理手段で各ガスの混合比を識別することができること
になる。

【００１０】

【実施例】以下、この発明によるガス識別装置の実施例
について説明する。図１には、この発明によるガス識別
装置の一実施例のブロック線図が示されていて、このガ
ス識別装置は、特性の異なる複数のガスセンサと、これ
らのガスセンサからの出力値の組合わせをパターン認識
する少なくとも二組の情報処理手段とを具えている。

【００１１】前記情報処理手段のうち少なくとも１組
は、被検出ガスに含まれるガスの種類（以下成分ガス種
という）を識別（定性識別）し、残る他の組のものは、
成分ガス種の混合比を識別（定量識別）するように構成
したものであって、この場合、情報処理手段としては、
ニューラルネットワークによるパターン認識法、あるい
は多変量解析の主成分分析法が好ましいが、これらに限
定することなく、同様の効果が得られるものであればよ
いものである。

【００１２】前記ガスセンサとしては、特性の異なる６
種類の金属酸化物半導体型ガスセンサ（市販品）を用
い、また被検出ガスとしては、イソブタン、エタノー
ル、メタンの３種類のガスを混合したものを用いた。

【００１３】次に、前記に示すものの作用について説明
する。まず、識別しようとする各々のガス（イソブタ
ン、エタノール、メタン）の標準ガスを用い、成分ガス
種の組合わせやその混合比を様々に変えた数種の混合ガ
スを用意し、各混合ガスについて各々のガスセンサから
の出力信号の組合わせによる出力パターンを求め、これ
を基準パターンとして情報処理手段に記憶させてパター
ン認識させる。

【００１４】すなわち、まず、複数の情報処理手段のう
ち１組目を用いて出力パターンの分類を行い、ここでは
成分ガス種毎に出力パターンを分類し、成分ガス種が同
じものはその混合比によらず同じグループとして扱うよ
う記憶する。

【００１５】次に、残る他の情報処理手段を用い、前記
と同様に成分ガス種別に出力パターンを分類した後、こ
れらの出力パターンを成分ガス毎にその混合比に対応さ
せて記憶する。

【００１６】このようにして、情報処理手段のうち少な
くとも１組を出力パターンから成分ガス種を判別する情
報処理手段として、残りの他の組を成分ガス種毎にその
混合比を判別する情報処理手段として構成する。

【００１７】そして、実際に被検出ガスを構成するガス
種およびその混合比を測定するには、ガスセンサからの
出力信号によって被検出ガスの出力パターンを求めた
後、まず、１組目の情報処理手段を用いてその出力パタ
ーンから被検出ガスの成分ガス種を同定し、次に、同定
された成分ガス種に対応した情報処理手段を用い、同じ
出力パターンからその混合比を判定する。

【００１８】このように、被検出ガスに対する定性識別
と定量識別を別々の情報処理手段に分担させて行わせる
ため、個々の情報処理手段がガス種や混合比に対応した
出力パターンの特徴を分類して記憶する際の負担が軽減
され、混合ガスに対しても成分ガス種の同定や混合比の
定量測定を正確に行うことができることになる。

【００１９】次に、実際の測定手順について説明する。
まず、イソブタン、エタノール、メタンの３種類のガス
およびこれらを成分ガスとし、その混合比を０〜１００
％まで１０％刻みで変化させた各種混合ガスに対するガ
スセンサによる出力を測定し、これらの出力値から求め
られる出力パターンを学習データとしてニューラルネッ
トワークに学習させる。

【００２０】すなわち、まず、複数のニューラルネット
ワークのうち１組目を用いて成分ガス種の識別学習（バ
ックプロパゲーション学習）を行い、この際、混合比に
よらず成分ガス種のみに対応した信号を教師データと
し、ニューラルネットワークの出力層に入力する（成分
ガス種が同じであればその混合比によらず、同じ判定結
果をニューラルネットワークが出力するように学習させ
た）。

【００２１】これにより、出力層のユニットは成分ガス
の組合わせの数だけあればよく、被検出ガスに関する定
量的な情報について考慮する必要がなくなり、ネットワ
ーク構造が単純なものとなり学習が容易となる。

【００２２】次に、残る他の組のニューラルネットワー
クを用い、成分ガス種の混合比を学習させる。

【００２３】すなわち、出力パターンを成分ガス種の組
合わせ毎に分類した後、この組合わせの数と同じ数のニ
ューラルネットワークを用意し、各組合わせ毎に混合比
に対応した信号を教師データとして各ニューラルネット
ワークの出力層に与える。これにより、各ニューラルネ
ットワークは被検出ガスの出力パターンから該当する成
分ガス種の混合比に対応した信号を出力することができ
ることになる。

【００２４】これにより、個々のニューラルネットワー
クは特定の成分ガス種についてのみ混合比の学習を行え
ばよくなり、学習が容易となって混合比に対する識別精
度も向上する。

【００２５】次に、実際の測定結果について説明する。
まず、被検出ガスに対する出力パターンを測定した後、
１組目のニューラルネットワークを用いて、この出力パ
ターンから被検出ガスの成分ガス種を同定し、次に、同
定された成分ガス種に該当するニューラルネットワーク
を用い、同じ出力パターンから今度はその混合比を判別
した。

【００２６】このときの識別結果の１例を図２に示す。
図中上下２つずつ１１組のグラフは、イソブタンとメタ
ンの混合比を０〜１００％間で１０％刻みで変化させた
ものを被検出ガスとして与えた時のニューラルネットワ
ークの出力状態を示している。

【００２７】上段のグラフは、１組目のニューラルネッ
トワークによる成分ガス種の識別結果であり、縦軸はそ
のガス種を示すニューラルネットワークの出力層ユニッ
トに相当する。また、下段のグラフは、上段の識別結果
から選択されたニューラルネットワークによって、その
成分ガス種の混合比が判別されているようすを示してい
る。この縦軸は、成分ガスの混合比を示すニューラルネ
ットワークの出力層ユニットに対応している。上下段と
も横軸はこれら出力層ユニットの出力値である。

【００２８】上段の図より、混合比の異なる被検出ガス
に対し、混合比の影響をほとんど受けることなく、その
成分ガス種を同定できていることがわかる。また、下段
の図から明らかなように、ニューラルネットワークの出
力結果より、その成分ガス種の混合比を読み取ることが
できる。

【００２９】また、ここで特筆すべきことは、上下段２
組のニューラルネットワークの識別結果から総合的に判
断することで、測定誤差に起因する誤認識判定を回避す
ることが可能であるという点である。

【００３０】例えば、図２において、メタン１００％の
被検出ガスに対し、定性識別結果がイソブタンの混入を
示唆するという誤認識を犯している。このことは、メタ
ン１００％と９０％とで出力パターンが酷似しているた
め、ニューラルネットワークが誤判定してしまったもの
と思われる。しかし、このときの定量識別の結果をみる
と、メタン１００％という判定がなされている。そこ
で、これら２組のニューラルネットワークの識別結果よ
り、成分ガスとしてイソブタンが含まれているとして
も、その含有量は極くわずかであるということが読み取
れる。

【００３１】すなわち、定性識別と定量識別とを個別の
ニューラルネットワークに行わせることで、１組目のニ
ューラルネットワークを他のニューラルネットワークが
バックアップするという関係が構築され、識別精度の向
上が図られている。

【００３２】以上説明したように、本発明においてはパ
ターン認識を行う情報処理装置を複数個用い、それらに
被検出ガスの定性識別と定量識別とを役割分担させてい
るため、単一の情報処理手段に定性識別と定量識別の両
方を行わせる従来の方法に比べて、個々の情報処理手段
の構成を単純なものとすることができ、また情報処理手
段１組当たりのデータが少なくてすむのでパターン認識
が容易となる。さらに、複数の情報処理手段が互いに補
完的な関係となるといった効果が得られるため、識別精
度の大幅な向上を図ることができる。したがって、混合
ガスを含む各種被検出ガスについて、成分ガス種の同定
とその混合比の定量識別を高い精度をもって行うことが
可能となる。

【００３３】

【発明の効果】この発明は前記のように構成したことに
より、パターン認識を行うニューラルネットワーク、す
なわち情報処理手段を複数個用い、それらに被検出ガス
の定性識別と定量識別とを役割分担させているため、単
一の情報処理手段に定性識別と定量識別の両方を行わせ
る従来の方法に比べて、個々のニューラルネットワーク
の構造を単純なものとすることができ、また、ニューラ
ルネットワーク１個当たりの学習データが少なくてすむ
ため学習が容易となり、識別精度の大幅な向上を図るこ
とができる等の優れた効果を有するものである。

【図面の簡単な説明】

【図１】この発明によるガス識別装置の一実施例を示し
たブロック線図である。

【図２】図１に示すガス識別装置を用いて測定した結果
を示す説明図である。

Claims (2)

【特許請求の範囲】
1. 【請求項１】 特性の異なる複数のガスセンサと、該ガ
   スセンサの出力値の組合わせをパターン認識する少なく
   とも二組の情報処理手段とを具え、該情報処理手段のう
   ち少なくとも一組の情報処理手段で被検出ガスを構成す
   るガス種を同定し、他の情報処理手段で該ガス種の混合
   比を判別するように構成したことを特徴とするガス識別
   装置。
2. 【請求項２】 前記情報処理手段がニューラルネットワ
   ークである請求項１記載のガス識別装置。