JPH0682407A - ガス検出システム - Google Patents
ガス検出システムInfo
- Publication number
- JPH0682407A JPH0682407A JP26295892A JP26295892A JPH0682407A JP H0682407 A JPH0682407 A JP H0682407A JP 26295892 A JP26295892 A JP 26295892A JP 26295892 A JP26295892 A JP 26295892A JP H0682407 A JPH0682407 A JP H0682407A
- Authority
- JP
- Japan
- Prior art keywords
- gas
- neural network
- gas sensor
- signal
- spectrum
- 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.)
- Granted
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
(57)【要約】
【目的】 温度変化に対するガスセンサ信号のスペクト
ルを利用し、ガスを検出する。 【構成】 ４個のガスセンサの温度を滑らかに変化さ
せ、１０点で出力をサンプリングし、４×１０の入力と
してニューラルネット１０の入力ニューロン層１２に入
力する。これを中間層１４を介して、４個の出力ニュー
ロン層１６から出力し、４種類のガスを定性・定量す
る。学習はバックプロパゲーションを用い、メーカーで
の学習とユーザーでの学習により、ニューラルネットを
成長させる。
ルを利用し、ガスを検出する。 【構成】 ４個のガスセンサの温度を滑らかに変化さ
せ、１０点で出力をサンプリングし、４×１０の入力と
してニューラルネット１０の入力ニューロン層１２に入
力する。これを中間層１４を介して、４個の出力ニュー
ロン層１６から出力し、４種類のガスを定性・定量す
る。学習はバックプロパゲーションを用い、メーカーで
の学習とユーザーでの学習により、ニューラルネットを
成長させる。
Description
【０００１】
【発明の利用分野】この発明は、ガスセンサの温度変化
に対する信号のスペクトルを用いたガス検出システムに
関する。
に対する信号のスペクトルを用いたガス検出システムに
関する。
【０００２】
【従来技術】特公平４−３９０２９号公報は、多数のガ
スセンサを同一の基板上に集積し、得られたセンサ信号
を標準パターンと比較し、類似度判定によってガスの定
性と定量とを行うことを提案している。しかしながらこ
の手法では、多数のガスセンサを必要とする。これは１
個のガスセンサから１個の信号を取り出すためである。
そしてこれらの多数のガスセンサを得ること、並びにこ
れらを同一の基板上に集積化することは容易ではない。
スセンサを同一の基板上に集積し、得られたセンサ信号
を標準パターンと比較し、類似度判定によってガスの定
性と定量とを行うことを提案している。しかしながらこ
の手法では、多数のガスセンサを必要とする。これは１
個のガスセンサから１個の信号を取り出すためである。
そしてこれらの多数のガスセンサを得ること、並びにこ
れらを同一の基板上に集積化することは容易ではない。
【０００３】次に発明者は、温度変化に対するガスセン
サ信号の応答波形からガスを検出することを提案した
（特願平４−１４３５８６号）。温度変化に対するガス
センサ信号の応答波形は１種のスペクトルであり、温度
変化の速度に依存するという点で特殊なスペクトルであ
る。そしてガスセンサ信号のスペクトルを用いることに
より、情報量は激増する。例えば１個のガスセンサから
１０個の信号を取り出すことが可能になる。特願平４−
１４３５８６号の提案でも、ガスの検出には標準パター
ンとの類似度判定を行っている。類似度判定には、例え
ば最小二乗法の他、自己相関関数等を用いる。しかしな
がらこのような手法でも、類似度判定のアルゴリズムや
検出プログラムをメーカーが用意しなければならないと
いう問題がある。またガスセンサ信号のスペクトルが予
想外の挙動を示した場合や、検出アルゴリズムで無視し
たような隠れた挙動に重要な意味があった場合、ガスの
検出は失敗する。
サ信号の応答波形からガスを検出することを提案した
（特願平４−１４３５８６号）。温度変化に対するガス
センサ信号の応答波形は１種のスペクトルであり、温度
変化の速度に依存するという点で特殊なスペクトルであ
る。そしてガスセンサ信号のスペクトルを用いることに
より、情報量は激増する。例えば１個のガスセンサから
１０個の信号を取り出すことが可能になる。特願平４−
１４３５８６号の提案でも、ガスの検出には標準パター
ンとの類似度判定を行っている。類似度判定には、例え
ば最小二乗法の他、自己相関関数等を用いる。しかしな
がらこのような手法でも、類似度判定のアルゴリズムや
検出プログラムをメーカーが用意しなければならないと
いう問題がある。またガスセンサ信号のスペクトルが予
想外の挙動を示した場合や、検出アルゴリズムで無視し
たような隠れた挙動に重要な意味があった場合、ガスの
検出は失敗する。
【０００４】これに対してニューラルネットワーク技術
の進歩は著しく、例えばパーソナルコンピュータでニュ
ーラルネットワークをシミュレートすることが可能にな
っている。このためハイエンドのガス検出システムで
は、ニューラルネットワークでガスを検出することがコ
スト的に可能である。さらにニューラルネットワークを
用いると、検出のアルゴリズムやプログラムはニューラ
ルネットワーク自体が学習して、ニューラルネットワー
クが成長し、ガスセンサ信号のスペクトルの予想外の挙
動や隠れた特徴に対してもニューラルネットワークが自
ら学習する。この結果類似度判定のアルゴリズムやプロ
グラムを用意することなく、検出のメカニズムをニュー
ラルネットワーク自体に委ね、メーカーは用いるガスセ
ンサの種類や温度変化の範囲、その速度、並びに学習速
度等の環境のみを用意すれば良いことになる。
の進歩は著しく、例えばパーソナルコンピュータでニュ
ーラルネットワークをシミュレートすることが可能にな
っている。このためハイエンドのガス検出システムで
は、ニューラルネットワークでガスを検出することがコ
スト的に可能である。さらにニューラルネットワークを
用いると、検出のアルゴリズムやプログラムはニューラ
ルネットワーク自体が学習して、ニューラルネットワー
クが成長し、ガスセンサ信号のスペクトルの予想外の挙
動や隠れた特徴に対してもニューラルネットワークが自
ら学習する。この結果類似度判定のアルゴリズムやプロ
グラムを用意することなく、検出のメカニズムをニュー
ラルネットワーク自体に委ね、メーカーは用いるガスセ
ンサの種類や温度変化の範囲、その速度、並びに学習速
度等の環境のみを用意すれば良いことになる。
【０００５】
【発明の課題】この発明の課題は、ガスセンサ当りの情
報量が多く、ガスの検出アルゴリズムをシステム自体か
ら発生させるようにしたガス検出システムを得ることに
ある。
報量が多く、ガスの検出アルゴリズムをシステム自体か
ら発生させるようにしたガス検出システムを得ることに
ある。
【０００６】
【発明の構成】この発明のガス検出システムは、温度変
化に伴うガスセンサ信号を複数の点でサンプリングする
ための手段と、サンプリングした信号を入力ニューロン
層への入力とし、出力ニューロン層から出力するニュー
ラルネットワークと、ニューラルネットワークの出力ニ
ューロン層からの出力を報知するための手段と、ニュー
ラルネットワークに教師信号を入力するための手段とを
設けたことを特徴とする。ガスセンサは１個でも良い
が、好ましくは複数個を同一基板上に集積化し、情報量
を増加させる。ガスセンサの種類は、実施例で用いた金
属酸化物半導体ガスセンサに限らず、プロトン導電体ガ
スセンサやＺｒＯ2等の固体電解質ガスセンサ、接触燃
焼式ガスセンサ等、温度変化に対する信号のスペクトル
を得ることができるものであれば良い。センサ信号のス
ペクトルは、フーリエ変換等で他の形に変形してからニ
ューラルネットに入力しても良い。
化に伴うガスセンサ信号を複数の点でサンプリングする
ための手段と、サンプリングした信号を入力ニューロン
層への入力とし、出力ニューロン層から出力するニュー
ラルネットワークと、ニューラルネットワークの出力ニ
ューロン層からの出力を報知するための手段と、ニュー
ラルネットワークに教師信号を入力するための手段とを
設けたことを特徴とする。ガスセンサは１個でも良い
が、好ましくは複数個を同一基板上に集積化し、情報量
を増加させる。ガスセンサの種類は、実施例で用いた金
属酸化物半導体ガスセンサに限らず、プロトン導電体ガ
スセンサやＺｒＯ2等の固体電解質ガスセンサ、接触燃
焼式ガスセンサ等、温度変化に対する信号のスペクトル
を得ることができるものであれば良い。センサ信号のス
ペクトルは、フーリエ変換等で他の形に変形してからニ
ューラルネットに入力しても良い。
【０００７】
【発明の作用】この発明では、ガスセンサを温度変化さ
せ、温度変化に対するセンサ信号の波形をニューラルネ
ットワーク（以下，ニューラルネットと呼ぶ）への入力
とする。この結果情報量が増加し、検出の信頼性が向上
する。次にガスセンサ信号の処理はニューラルネットに
委ね、標準スペクトルに対する類似度判定等のアルゴリ
ズムの作成を不要にする。ニューラルネットは学習を可
能にし、例えばバックプロパゲーション等の学習アルゴ
リズムで学習させ、ネットを成長させる。学習はメーカ
ーでの初期学習の他、ユーザーでの学習を可能にし、ユ
ーザーでの使用目的と環境に応じた学習を行わせ、ユー
ザーの目的に応じたネットに成長させる。
せ、温度変化に対するセンサ信号の波形をニューラルネ
ットワーク（以下，ニューラルネットと呼ぶ）への入力
とする。この結果情報量が増加し、検出の信頼性が向上
する。次にガスセンサ信号の処理はニューラルネットに
委ね、標準スペクトルに対する類似度判定等のアルゴリ
ズムの作成を不要にする。ニューラルネットは学習を可
能にし、例えばバックプロパゲーション等の学習アルゴ
リズムで学習させ、ネットを成長させる。学習はメーカ
ーでの初期学習の他、ユーザーでの学習を可能にし、ユ
ーザーでの使用目的と環境に応じた学習を行わせ、ユー
ザーの目的に応じたネットに成長させる。
【０００８】
【実施例】図１〜図４に、実施例を示す。図１におい
て、２はガスセンサ群で、例えば４個のガスセンサを同
一の基板上に集積化し、単一のヒータで温度変化させる
ようにしたものを用いる。なお以下では簡単のために、
センサ群２を単にセンサ２と呼ぶ。センサ２の種類は、
例えば金属酸化物半導体ガスセンサや、接触燃焼式ガス
センサ、プロトン導電体ガスセンサ、固体電解質ガスセ
ンサ等を用い、検出機構が複雑で温度変化に対する多彩
なスペクトルが得られる金属酸化物半導体ガスセンサや
プロトン導電体ガスセンサ、固体電解質ガスセンサが好
ましい。４はＡＤコンバータで、例えば分解能８ビット
とし、ニューラルネットワーク１０にアナログニューラ
ルネットを用いる場合には不要である。６は対数変換部
で、ガスセンサ２の信号を対数変換する。これはガスセ
ンサ２の信号が一般にガス濃度に対して非線形であるた
め、対数変換によって信号処理上の線形性を得るためで
ある。８はマルチプレクサで、ニューラルネットワーク
１０の入力ニューロン層１２にガスセンサ２のスペクト
ルを割り当てる。例えばガスセンサ２を、１枚の基板上
に４個の金属酸化物半導体膜を集積化したものとした場
合、温度変化に対して１０点での信号をサンプリング
し、入力ニューロン層１２に割り当てる。この結果入力
ニューロン層１２でのニューロンの数は、４×１０の例
えば４０個となる。なおガスセンサのスペクトルは、対
数変換部６とマルチプレクサ８との間にフーリエ変換部
等を設け、他の形に変形して入力しても良い。またガス
センサ信号のサンプリングは、温度変化の過程のみでな
く、温度変化の前後での定常期での信号をサンプリング
しても良い。１４は中間層で、例えば１層の中間層と
し、１６は出力ニューロン層である。実施例では４種類
のガスを定性・定量することとし、出力ニューロン層は
４個のニューロンからなる。１８は指数増幅部で、対数
変換したガスセンサ信号を逆対数変換し、ガス濃度に比
例した信号に戻す。２０は表示部で、例えばガスの種類
と濃度とを表示する。なお火災報知器等への応用や、プ
ラントでのガス漏れの発生の警報等の場合には、表示を
行う替わりに単にブザー等を駆動するだけでも良い。
て、２はガスセンサ群で、例えば４個のガスセンサを同
一の基板上に集積化し、単一のヒータで温度変化させる
ようにしたものを用いる。なお以下では簡単のために、
センサ群２を単にセンサ２と呼ぶ。センサ２の種類は、
例えば金属酸化物半導体ガスセンサや、接触燃焼式ガス
センサ、プロトン導電体ガスセンサ、固体電解質ガスセ
ンサ等を用い、検出機構が複雑で温度変化に対する多彩
なスペクトルが得られる金属酸化物半導体ガスセンサや
プロトン導電体ガスセンサ、固体電解質ガスセンサが好
ましい。４はＡＤコンバータで、例えば分解能８ビット
とし、ニューラルネットワーク１０にアナログニューラ
ルネットを用いる場合には不要である。６は対数変換部
で、ガスセンサ２の信号を対数変換する。これはガスセ
ンサ２の信号が一般にガス濃度に対して非線形であるた
め、対数変換によって信号処理上の線形性を得るためで
ある。８はマルチプレクサで、ニューラルネットワーク
１０の入力ニューロン層１２にガスセンサ２のスペクト
ルを割り当てる。例えばガスセンサ２を、１枚の基板上
に４個の金属酸化物半導体膜を集積化したものとした場
合、温度変化に対して１０点での信号をサンプリング
し、入力ニューロン層１２に割り当てる。この結果入力
ニューロン層１２でのニューロンの数は、４×１０の例
えば４０個となる。なおガスセンサのスペクトルは、対
数変換部６とマルチプレクサ８との間にフーリエ変換部
等を設け、他の形に変形して入力しても良い。またガス
センサ信号のサンプリングは、温度変化の過程のみでな
く、温度変化の前後での定常期での信号をサンプリング
しても良い。１４は中間層で、例えば１層の中間層と
し、１６は出力ニューロン層である。実施例では４種類
のガスを定性・定量することとし、出力ニューロン層は
４個のニューロンからなる。１８は指数増幅部で、対数
変換したガスセンサ信号を逆対数変換し、ガス濃度に比
例した信号に戻す。２０は表示部で、例えばガスの種類
と濃度とを表示する。なお火災報知器等への応用や、プ
ラントでのガス漏れの発生の警報等の場合には、表示を
行う替わりに単にブザー等を駆動するだけでも良い。
【０００９】２２は入力部で、例えばキーボードを用
い、表示部２０での検出結果に対してユーザーが教師信
号を入力できるようにする。教師信号は、例えばユーザ
ーの判断でのガスの種類とその濃度とする。なおガスの
種類や濃度を表示部２０や入力部２２での信号として扱
わず、例えば臭い・臭くない、新鮮・普通・劣化等の使
用目的に応じたファジーな信号を用いても良い。これは
例えばメロンの熟成度の判定や、魚の汚染度の判定等に
意味がある。２４は対数変換部で、入力部２２からの教
師信号を対数変換し出力ニューロン層１６に教師信号と
して戻す。ニューラルネットワーク１０は、例えばバッ
クプロパゲーションにより教師信号の学習を行うものと
し、各ニューロン間の結合常数を教師信号により修正し
て学習する。学習のメカニズムは任意である。２４はパ
ラメータ設定部で、ガス毎の優先度やニューロンの結合
常数の学習に用いるシグモイド関数の学習温度（学習速
度）等のパラメータを記憶させておく。パラメータ設定
部２６は例えばＲＯＭやフロッピーディスク等で実現
し、ニューラルネット１０のシナップス結合定数もフロ
ッピーディスク等に記憶させる。２８はメインコントロ
ールで、ヒータコントロール３０を制御してガスセンサ
２を温度変化させると共に、マルチプレクサ８から入力
ニューロン層１２への入力データの割当をコントロール
する。実施例の内ＡＤコンバート４から後段のニューラ
ルネット１０等は、例えばパーソナルコンピュータで実
現し、ニューラルネットワーク１０には実際のニューラ
ルネットワークを用いず、シミュレーションソフトによ
り仮想的に実現する。
い、表示部２０での検出結果に対してユーザーが教師信
号を入力できるようにする。教師信号は、例えばユーザ
ーの判断でのガスの種類とその濃度とする。なおガスの
種類や濃度を表示部２０や入力部２２での信号として扱
わず、例えば臭い・臭くない、新鮮・普通・劣化等の使
用目的に応じたファジーな信号を用いても良い。これは
例えばメロンの熟成度の判定や、魚の汚染度の判定等に
意味がある。２４は対数変換部で、入力部２２からの教
師信号を対数変換し出力ニューロン層１６に教師信号と
して戻す。ニューラルネットワーク１０は、例えばバッ
クプロパゲーションにより教師信号の学習を行うものと
し、各ニューロン間の結合常数を教師信号により修正し
て学習する。学習のメカニズムは任意である。２４はパ
ラメータ設定部で、ガス毎の優先度やニューロンの結合
常数の学習に用いるシグモイド関数の学習温度（学習速
度）等のパラメータを記憶させておく。パラメータ設定
部２６は例えばＲＯＭやフロッピーディスク等で実現
し、ニューラルネット１０のシナップス結合定数もフロ
ッピーディスク等に記憶させる。２８はメインコントロ
ールで、ヒータコントロール３０を制御してガスセンサ
２を温度変化させると共に、マルチプレクサ８から入力
ニューロン層１２への入力データの割当をコントロール
する。実施例の内ＡＤコンバート４から後段のニューラ
ルネット１０等は、例えばパーソナルコンピュータで実
現し、ニューラルネットワーク１０には実際のニューラ
ルネットワークを用いず、シミュレーションソフトによ
り仮想的に実現する。
【００１０】図２〜図４に実施例の動作を示す。例えば
ガスセンサ２を室温から４００℃程度の範囲で滑らかに
温度変化させると、図２のようなガスセンサ信号のスペ
クトルが得られる。このスペクトルはガスセンサ毎に得
られ、４個のガスセンサを用いれば４種類のスペクトル
が得られる。スペクトルはガスセンサの種類に鋭敏であ
り、同じガスセンサでもガスの種類によって多彩なスペ
クトルが得られる。これを例えば１０点でサンプリング
し、１個の金属酸化物半導体に対してＡ1〜Ａ10の１０
点のセンサ信号を得る。金属酸化物半導体膜を４種類用
いると、スペクトルから得られる信号は４×１０の４０
個となる。なお各点でのセンサ信号は単純にその温度で
のセンサ信号ではなく、ある程度の温度幅に渡ってのセ
ンサ信号を平均化したもの等でも良い。また温度変化の
両端のＡ1とＡ10のセンサ信号は、センサ温度を最低温
度と最高温度とに固定した際の定常信号をサンプリング
しても良い。
ガスセンサ２を室温から４００℃程度の範囲で滑らかに
温度変化させると、図２のようなガスセンサ信号のスペ
クトルが得られる。このスペクトルはガスセンサ毎に得
られ、４個のガスセンサを用いれば４種類のスペクトル
が得られる。スペクトルはガスセンサの種類に鋭敏であ
り、同じガスセンサでもガスの種類によって多彩なスペ
クトルが得られる。これを例えば１０点でサンプリング
し、１個の金属酸化物半導体に対してＡ1〜Ａ10の１０
点のセンサ信号を得る。金属酸化物半導体膜を４種類用
いると、スペクトルから得られる信号は４×１０の４０
個となる。なお各点でのセンサ信号は単純にその温度で
のセンサ信号ではなく、ある程度の温度幅に渡ってのセ
ンサ信号を平均化したもの等でも良い。また温度変化の
両端のＡ1とＡ10のセンサ信号は、センサ温度を最低温
度と最高温度とに固定した際の定常信号をサンプリング
しても良い。
【００１１】センサ信号のスペクトルは、図３に示すよ
うに変化し得る。例えば同じ濃度のガスに対するスペク
トルでも、センサ温度のコントロールの誤差やガスセン
サ２の触媒活性の変化等によって、図３のＳ2のような
スペクトルに変化する可能性がある。しかしながらニュ
ーラルネットワーク１０では、このことは特に問題とな
らない。ニューラルネットワーク１０がスペクトルＳ1
とスペクトルＳ2とを同じものとして学習するだけであ
る。次にガス濃度が変化すると、あるいはガスセンサ２
の電気伝導度の大きさが経時的に変化すると、スペクト
ルＳ1がスペクトルＳ3のように上下に相似変形する場合
がある。このため類似度判定を用いた検出システムで
は、ガスセンサ信号の規格化が必要不可欠であるが、ニ
ューラルネットワーク１０では規格化は特に必要ではな
い。なお実施例では、対数変換部６によりガスセンサの
スペクトルを対数変換し、スペクトルの帯域幅を圧縮し
ているので、図３でのスペクトルＳ1がＳ3に変化するこ
とに伴う問題はさらに小さくなっている。
うに変化し得る。例えば同じ濃度のガスに対するスペク
トルでも、センサ温度のコントロールの誤差やガスセン
サ２の触媒活性の変化等によって、図３のＳ2のような
スペクトルに変化する可能性がある。しかしながらニュ
ーラルネットワーク１０では、このことは特に問題とな
らない。ニューラルネットワーク１０がスペクトルＳ1
とスペクトルＳ2とを同じものとして学習するだけであ
る。次にガス濃度が変化すると、あるいはガスセンサ２
の電気伝導度の大きさが経時的に変化すると、スペクト
ルＳ1がスペクトルＳ3のように上下に相似変形する場合
がある。このため類似度判定を用いた検出システムで
は、ガスセンサ信号の規格化が必要不可欠であるが、ニ
ューラルネットワーク１０では規格化は特に必要ではな
い。なお実施例では、対数変換部６によりガスセンサの
スペクトルを対数変換し、スペクトルの帯域幅を圧縮し
ているので、図３でのスペクトルＳ1がＳ3に変化するこ
とに伴う問題はさらに小さくなっている。
【００１２】図４に、ニューラルネットワーク１０の構
成を模式的に示す。４個の金属酸化物半導体膜を同一基
板上に集積化したガスセンサ２からは、図４の左端のよ
うな４種類のスペクトルが得られる。これをＡＤコンバ
ータ４でＡＤ変換し、対数変換部６で対数変換して帯域
幅を圧縮し、マルチプレクサ８を介して入力ニューロン
層１２へ入力する。入力ニューロン層１２は例えば４０
個の入力ニューロンから成り、これを例えば８個の中間
層のニューロンで処理し、４個の出力ニューロン層１６
へ出力する。なおニューロンの結合は図の左から右へと
進むものに限らず、矢印付きの記号で示したように同じ
中間ニューロン層１４の範囲での結合や、出力側から中
間層側あるいは中間層側から入力ニューロン層側への結
合もある。そしてこれらの結合常数がシナップスの結合
常数であり、ｉ番目の入力ニューロンからｊ番目の中間
層のニューロンへの結合常数をＷAiNj、ｉ番目の中間層
のニューロンからｊ番目の出力層のニューロンへの結合
常数をＷNiOjとする。ガスセンサ２の４種のスペクトル
は、これらの結合常数を用いて線形に加減算され、出力
ニューロン層からガス濃度の例えば対数に比例した出力
として出力される。指数増幅部１８は、出力ニューロン
層１６の出力を逆対数変換し、ガスの種類と濃度として
表示部２０に出力する。
成を模式的に示す。４個の金属酸化物半導体膜を同一基
板上に集積化したガスセンサ２からは、図４の左端のよ
うな４種類のスペクトルが得られる。これをＡＤコンバ
ータ４でＡＤ変換し、対数変換部６で対数変換して帯域
幅を圧縮し、マルチプレクサ８を介して入力ニューロン
層１２へ入力する。入力ニューロン層１２は例えば４０
個の入力ニューロンから成り、これを例えば８個の中間
層のニューロンで処理し、４個の出力ニューロン層１６
へ出力する。なおニューロンの結合は図の左から右へと
進むものに限らず、矢印付きの記号で示したように同じ
中間ニューロン層１４の範囲での結合や、出力側から中
間層側あるいは中間層側から入力ニューロン層側への結
合もある。そしてこれらの結合常数がシナップスの結合
常数であり、ｉ番目の入力ニューロンからｊ番目の中間
層のニューロンへの結合常数をＷAiNj、ｉ番目の中間層
のニューロンからｊ番目の出力層のニューロンへの結合
常数をＷNiOjとする。ガスセンサ２の４種のスペクトル
は、これらの結合常数を用いて線形に加減算され、出力
ニューロン層からガス濃度の例えば対数に比例した出力
として出力される。指数増幅部１８は、出力ニューロン
層１６の出力を逆対数変換し、ガスの種類と濃度として
表示部２０に出力する。
【００１３】実施例では次の効果が得られる。第１に温
度変化に対するガスセンサ２のスペクトルを用いること
により、情報量を増加させる。例えば１個のガスセンサ
から１０点での信号を取り出せば、情報量は１０倍に増
加する。なお実施例では４種類の金属酸化物半導体膜を
集積化したガスセンサ２を用いたが、１種類の金属酸化
物半導体膜、即ち文字どおり１個のガスセンサを用いて
も良い。次にスペクトルに対する信号処理は、ニューラ
ルネットワーク１０によって行われ、検出のアルゴリズ
ムやプログラムを用意する必要が無い。そしてニューラ
ルネットワーク１０は、入力部２２からの教師信号によ
り学習し、自動的に学習を深める。なお学習は初期学習
とユーザー段階での学習とに分け、初期学習は出荷前に
メーカーの段階で行っておくことが好ましい。次にニュ
ーラルネットワーク１０は非線形な信号の処理には適し
ていないが、対数変換部６と指数増幅部１８とを用いる
ことにより、非線形な信号に対する処理を容易にする。
４０個程度の入力ニューロンを用いたニューラルネット
１０では、パーソナルコンピュータでシミュレーション
することが可能になる。このためハイエンドのガス検出
システムであれば、ニューラルネット１０を用いること
はコスト的に不利にならない。
度変化に対するガスセンサ２のスペクトルを用いること
により、情報量を増加させる。例えば１個のガスセンサ
から１０点での信号を取り出せば、情報量は１０倍に増
加する。なお実施例では４種類の金属酸化物半導体膜を
集積化したガスセンサ２を用いたが、１種類の金属酸化
物半導体膜、即ち文字どおり１個のガスセンサを用いて
も良い。次にスペクトルに対する信号処理は、ニューラ
ルネットワーク１０によって行われ、検出のアルゴリズ
ムやプログラムを用意する必要が無い。そしてニューラ
ルネットワーク１０は、入力部２２からの教師信号によ
り学習し、自動的に学習を深める。なお学習は初期学習
とユーザー段階での学習とに分け、初期学習は出荷前に
メーカーの段階で行っておくことが好ましい。次にニュ
ーラルネットワーク１０は非線形な信号の処理には適し
ていないが、対数変換部６と指数増幅部１８とを用いる
ことにより、非線形な信号に対する処理を容易にする。
４０個程度の入力ニューロンを用いたニューラルネット
１０では、パーソナルコンピュータでシミュレーション
することが可能になる。このためハイエンドのガス検出
システムであれば、ニューラルネット１０を用いること
はコスト的に不利にならない。
【００１４】
【発明の効果】この発明では、ガスセンサの温度変化に
対するガスセンサ信号のスペクトルから、ガスを検出す
る。この結果センサ当りの情報量が増加し、検出の信頼
性が向上する。またガスセンサ信号の処理にはニューラ
ルネットワークを用い、検出アルゴリズムをニューラル
ネットワーク自体に委ね、メーカーでの学習とユーザー
での学習により、ネットワークを成長させる。
対するガスセンサ信号のスペクトルから、ガスを検出す
る。この結果センサ当りの情報量が増加し、検出の信頼
性が向上する。またガスセンサ信号の処理にはニューラ
ルネットワークを用い、検出アルゴリズムをニューラル
ネットワーク自体に委ね、メーカーでの学習とユーザー
での学習により、ネットワークを成長させる。
【図１】 実施例のガス検出システムのブロック図
【図２】 ガスセンサの温度変化に対するスペクトル
を示す特性図
を示す特性図
【図３】 ガスセンサスペクトルの仮想的変化を示す
特性図
特性図
【図４】 実施例で用いたニューラルネットワークを
示す図示す特性図
示す図示す特性図
２ ガスセンサ群 ４ ＡＤコンバータ ６ 対数変換部 ８ マルチプレクサ １０ ニューラルネット １２ 入力ニューロン層 １４ 中間ニューロン層 １６ 出力ニューロン層 １８ 指数増幅部 ２０ 表示部 ２２ 入力部 ２４ 対数変換部 ２６ パラメータ設定部 ２８ メインコントロール ３０ ヒータコントロール
Claims (2)
- 【請求項１】 ガスセンサの温度変化を用いたガス検出
システムにおいて、 温度変化に伴うガスセンサ信号を複数の点でサンプリン
グするための手段と、 サンプリングした信号を入力ニューロン層への入力と
し、出力ニューロン層から出力するニューラルネットワ
ークと、 ニューラルネットワークの出力ニューロン層からの出力
を報知するための手段と、 ニューラルネットワークに教師信号を入力するための手
段とを設けたことを特徴とする、ガス検出システム。 - 【請求項２】 前記のガスセンサを、同一基板上に集積
化した複数のガスセンサとしたことを特徴とする、請求
項１のガス検出システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP04262958A JP3090550B2 (ja) | 1992-09-03 | 1992-09-03 | ガス検出システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP04262958A JP3090550B2 (ja) | 1992-09-03 | 1992-09-03 | ガス検出システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0682407A true JPH0682407A (ja) | 1994-03-22 |
| JP3090550B2 JP3090550B2 (ja) | 2000-09-25 |
Family
ID=17382913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP04262958A Expired - Fee Related JP3090550B2 (ja) | 1992-09-03 | 1992-09-03 | ガス検出システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3090550B2 (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11287777A (ja) * | 1998-04-03 | 1999-10-19 | New Cosmos Electric Corp | ガス種の判別方法及びガス種の判別装置 |
| KR100315314B1 (ko) * | 2000-05-06 | 2001-11-26 | 손원열 | 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과그의 표시방법 |
| KR100795227B1 (ko) * | 2006-08-22 | 2008-01-17 | 강릉대학교산학협력단 | 센서 어레이 신호 패턴 분석 방법 및 장치 |
| JP2020533668A (ja) * | 2017-09-08 | 2020-11-19 | セス，ロヒット | 人工知能向けのパラレルニューラルプロセッサ |
-
1992
- 1992-09-03 JP JP04262958A patent/JP3090550B2/ja not_active Expired - Fee Related
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11287777A (ja) * | 1998-04-03 | 1999-10-19 | New Cosmos Electric Corp | ガス種の判別方法及びガス種の判別装置 |
| KR100315314B1 (ko) * | 2000-05-06 | 2001-11-26 | 손원열 | 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과그의 표시방법 |
| KR100795227B1 (ko) * | 2006-08-22 | 2008-01-17 | 강릉대학교산학협력단 | 센서 어레이 신호 패턴 분석 방법 및 장치 |
| JP2020533668A (ja) * | 2017-09-08 | 2020-11-19 | セス，ロヒット | 人工知能向けのパラレルニューラルプロセッサ |
| US12061974B2 (en) | 2017-09-08 | 2024-08-13 | Rohit Seth | Parallel neural processor for artificial intelligence |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3090550B2 (ja) | 2000-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738984A (zh) | 人工智能cnn、lstm神经网络语音识别系统 | |
| Chon et al. | Determining temporal pattern of community dynamics by using unsupervised learning algorithms | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN111060316A (zh) | 基于卷积神经网络模型的滚动轴承状态监测方法和系统 | |
| Massimo et al. | Bioprocess applications of model‐based estimation techniques | |
| JP3090550B2 (ja) | ガス検出システム | |
| Potočnik et al. | Empirical modeling of antibiotic fermentation process using neural networks and genetic algorithms | |
| Haleem et al. | Improving the predictive response using ensemble empirical mode decomposition based soft sensors with auto encoder deep neural network | |
| CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
| CN114239990A (zh) | 一种基于时间序列分解和lstm的时间序列数据预测方法 | |
| Parpinello et al. | Discrimination of apricot cultivars by gas multisensor array using an artificial neural network | |
| CN116503029A (zh) | 用于自动驾驶的模块数据协同处理方法及系统 | |
| Otto et al. | Fuzzy logic and neural networks-Applications to analytical chemistry | |
| JP2000506039A (ja) | コンピュータにより所定数のサンプル値を有する時系列データ例えば電気信号を分類する方法 | |
| Hasanah et al. | Analysis of CART and Random Forest on Statistics Student Status at Universitas Terbuka | |
| Mohanty et al. | Normalized approximate descent used for spike based automatic bird species recognition system | |
| Simundsson et al. | A neural network to classify auditory signals for use in autonomous harvester control systems | |
| Lu et al. | Quantitative artificial neural network for electronic noses | |
| Lazzerini et al. | Fros: a fuzzy logic-based recogniser of olfactory signals | |
| JP3751982B2 (ja) | ニューラルネットワークの学習方式 | |
| JPH09502261A (ja) | 判断の可能な計測器 | |
| Kalinina et al. | Methodology for Solving Forecasting Problems Based on Machine Learning Methods | |
| JP2508809B2 (ja) | クロマトグラフ用デ―タ処理装置 | |
| Corcoran et al. | Neural network applications in multisensor systems | |
| EP4307187A1 (en) | Inference device, model generation device, inference method, and inference program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |