WO2023127262A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2023127262A1
WO2023127262A1 PCT/JP2022/039964 JP2022039964W WO2023127262A1 WO 2023127262 A1 WO2023127262 A1 WO 2023127262A1 JP 2022039964 W JP2022039964 W JP 2022039964W WO 2023127262 A1 WO2023127262 A1 WO 2023127262A1
Authority
WO
WIPO (PCT)
Prior art keywords
concentration
exhaust gas
machine learning
specific component
data
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.)
Ceased
Application number
PCT/JP2022/039964
Other languages
English (en)
French (fr)
Inventor
真 永岡
崇志 齋藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Horiba Ltd
Original Assignee
Horiba Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Horiba Ltd filed Critical Horiba Ltd
Priority to US18/717,865 priority Critical patent/US20240418638A1/en
Priority to JP2023570679A priority patent/JPWO2023127262A1/ja
Priority to DE112022006203.7T priority patent/DE112022006203T5/de
Publication of WO2023127262A1 publication Critical patent/WO2023127262A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/02—Mechanical
    • G01N2201/021—Special mounting in general
    • G01N2201/0216—Vehicle borne

Definitions

  • the present invention relates to a machine learning device, an exhaust gas analyzer, a machine learning method, an exhaust gas analysis method, a machine learning program, and an exhaust gas analysis program.
  • an FTIR analyzer using Fourier transform infrared spectroscopy has been used to analyze components contained in exhaust gas, as shown in Patent Document 1.
  • FTIR Fourier transform infrared spectroscopy
  • the FTIR spectrometer can analyze components that absorb infrared rays, it cannot analyze components that do not absorb infrared rays. Therefore, when measuring the concentration of H 2 that does not absorb infrared rays, a dedicated H 2 analyzer such as a thermal conductivity gas analyzer (TCD) is required in addition to the FTIR analyzer. Moreover, when measuring the concentration of O 2 that does not absorb infrared rays, a dedicated O 2 analyzer such as a zirconia sensor is required in addition to the FTIR analyzer. As a result, installation space for both the FTIR analyzer and the H 2 analyzer or O 2 analyzer is required, resulting in an increase in the size of the exhaust gas analyzer. Such problems can occur not only in FTIR analyzers but also in other exhaust gas analyzers using light.
  • TCD thermal conductivity gas analyzer
  • the present invention has been made in view of the above-described problems, and provides an exhaust gas analyzer capable of measuring H 2 concentration or O 2 concentration, which had to be measured using another analyzer. is the main subject.
  • the machine learning device is a machine learning device used in an exhaust gas analyzer that irradiates a combustion exhaust gas with light, detects the light transmitted through the combustion exhaust gas, and analyzes the combustion exhaust gas based on the detection signal.
  • An apparatus comprising a training data reception unit that receives training data and a machine learning unit that performs machine learning using the training data, wherein the training data reception unit is obtained by an analyzer different from the exhaust gas analyzer.
  • the machine learning unit Based on the reference value of the specific component concentration which is at least one of the H 2 concentration or O 2 concentration, the spectral data obtained by irradiating the combustion exhaust gas with light, and the element balance formula for obtaining the specific component concentration or at least one of the calculated values of the specific component concentration calculated using the individual component concentration in the element balance formula, and the machine learning unit generates specific component correlation data by machine-learning the relationship between the reference value of the specific component concentration and at least one of the spectral data, the individual component concentration, or the calculated value of the specific component concentration. It is characterized by
  • the reference value of the specific component concentration that is at least one of the H 2 concentration or the O 2 concentration, the spectrum data obtained by irradiating the combustion exhaust gas with light, and the specific component concentration By machine learning the relationship between at least one of the individual component concentration selected based on the element balance formula or the calculated value of the specific component concentration calculated using the individual component concentration in the element balance formula, the machine Using a machine learning model generated by learning, spectrum data obtained by irradiating light on combustion exhaust gas, individual component concentration obtained by exhaust gas analyzer, or calculated from individual component concentration and element balance formula
  • the specific component concentration can be calculated from at least one of the calculated values of the specific component concentration.
  • the H 2 concentration or O 2 concentration which had to be measured using another analyzer in the exhaust gas analyzer, can be measured.
  • the H 2 concentration or O 2 concentration that does not absorb infrared light can be measured.
  • the teacher data receiving unit receives teacher data including the reference value of the specific component concentration and the spectrum data
  • the machine learning unit receives the specific component concentration It is preferable that machine learning is performed on the relationship between the reference value of and the spectrum data to generate the specific component correlation data.
  • the teacher data receiving unit further receives the individual component concentration as teacher data
  • the machine learning unit receives the specific It is preferable that the specific component correlation data be generated by machine learning of the relationship between the component concentration reference value, the spectrum data, and the individual component concentration.
  • the error between the reference value of the specific component concentration and the calculated value of the specific component concentration is calculated.
  • calculating the minimized error minimum value and generating, as part of the specific component correlation data, first correlation data indicating the correlation between the minimum error value and a parameter used to calculate the minimum error value;
  • a correlation data generation unit machine-learns the relationship between the spectral data and the minimum error value, and generates second correlation data indicating the correlation between the spectral data and the minimum error value as part of the specific component correlation data. It is desirable to have a second correlation data generator that generates the second correlation data generator.
  • the teacher data receiving unit receives teacher data including the reference value of the concentration of the specific component and the concentration of the individual component, and the machine learning unit receives the specific component It is preferable that the specific component correlation data be generated by machine learning the relationship between the concentration reference value and the individual component concentration.
  • the individual component concentration may be at least one of CO 2 concentration, CO concentration, H 2 O concentration, or THC concentration. Further, when machine learning is performed on O 2 correlation data as the specific component correlation data, the individual component concentration is at least one of CO 2 concentration, CO concentration, H 2 O concentration, THC concentration, or NO concentration. can be considered.
  • the concentration of each hydrocarbon (HC) is obtained individually from the spectral data, and then weighted and added together. A two-stage calculation is performed, and an error that may occur in setting the weighting coefficient is superimposed on an error that may occur in the concentration measurement of each HC. Therefore, it is difficult to improve the measurement accuracy.
  • the teacher data reception unit receives teacher data including the reference value of the THC concentration obtained by an analyzer different from the exhaust gas analyzer and the spectrum data. It is preferable that the machine learning unit machine-learns the relationship between the THC concentration reference value and the spectrum data to generate THC correlation data.
  • the individual component concentration includes the THC concentration, and it is desirable that the THC concentration be obtained from the spectral data obtained by the exhaust gas analyzer and the THC correlation data.
  • an exhaust gas analyzer for analyzing combustion exhaust gas, comprising: a light source for irradiating the combustion exhaust gas with light; a photodetector for detecting light transmitted through the combustion exhaust gas; Specific component concentration which is at least one of H 2 concentration or O 2 concentration in combustion exhaust gas, spectrum data obtained by irradiating the combustion exhaust gas with light, element balance formula for obtaining the specific component concentration Specific component correlation storing specific component correlation data obtained by learning a relationship between at least one of the individual component concentration selected by the method and the calculated value of the specific component concentration calculated using the individual component concentration in the element balance formula Specific component concentration for calculating the specific component concentration in the flue gas from a data storage unit, at least one of the spectrum data, the individual component concentration, or the calculated value of the specific component concentration, and the specific component correlation data. and a calculator.
  • the specific component concentration which is at least one of the H 2 concentration or O 2 concentration in the combustion exhaust gas, the spectrum data obtained by irradiating the combustion exhaust gas with light, and the specific component concentration are obtained.
  • Specific component correlation data machine learning Spectral data obtained by irradiating the combustion exhaust gas with light using a model
  • individual component concentrations obtained by an exhaust gas analyzer or calculated values of specific component concentrations calculated from individual component concentrations and elemental balance equations From at least one of, the specific component concentration can be calculated.
  • the H 2 concentration or O 2 concentration that would otherwise have to be measured using another analyzer can be measured in the analyzer.
  • the H 2 concentration or O 2 concentration that does not absorb infrared light can be measured.
  • the exhaust gas analyzer of the present invention further includes a THC correlation data storage unit for storing THC correlation data obtained by learning the relationship between the THC concentration reference value obtained by an analyzer different from the exhaust gas analyzer and the spectrum data, It is desirable to further include a THC concentration calculation section for calculating the THC concentration in the combustion exhaust gas from the spectral data obtained by irradiating the combustion exhaust gas with light and the THC correlation data. With this configuration, the THC concentration in the combustion exhaust gas can be measured with high accuracy.
  • the individual component concentration includes the THC concentration, and the THC concentration is calculated by the THC concentration calculating section.
  • the learned model storage unit stores the specific component concentration a first correlation data storage unit for storing first correlation data indicating the correlation between the minimum error value between the reference value of and the calculated value of the concentration of the specific component and the parameter used to calculate the minimum error value; a second correlation data storage unit that stores second correlation data indicating the correlation between the data and the minimum error value, and the specific component concentration calculation unit calculates the It is desirable to calculate the specific component concentration in the combustion exhaust gas from a minimum error value calculating section for calculating the minimum error value, and the minimum error value obtained by the minimum error value calculating section and the first correlation data.
  • the combustion exhaust gas may be exhaust gas from an automobile.
  • a so-called FTIR method is preferable.
  • the machine learning method according to the present invention is a machine learning method used in an exhaust gas analyzer that irradiates light on combustion exhaust gas, detects light that has passed through the combustion exhaust gas, and analyzes the combustion exhaust gas based on the detection signal.
  • a method comprising a teacher data receiving step of receiving teacher data and a machine learning step of performing machine learning using the teacher data, wherein the teacher data receiving step is obtained by an analyzer different from the exhaust gas analyzer.
  • a reference value for the specific component concentration which is at least one of H 2 concentration or O 2 concentration, spectral data obtained by irradiating the combustion exhaust gas with light, or an element balance formula for obtaining the specific component concentration receiving teacher data containing at least one of the individual component concentrations selected based on the element balance formula or the calculated value of the specific component concentration calculated using the individual component concentrations in the element balance formula, and the machine learning step
  • the specific component correlation data is generated by machine-learning a relationship between the reference value of the specific component concentration and at least one of the spectral data, the individual component concentration, or the calculated value of the specific component concentration.
  • the machine learning program according to the present invention is a machine used in an exhaust gas analyzer that irradiates light on combustion exhaust gas, detects light that has passed through the combustion exhaust gas, and analyzes the combustion exhaust gas based on the detection signal.
  • a learning program wherein a computer is provided with a function as a training data reception unit that receives training data and a function as a machine learning unit that performs machine learning using the training data, and the training data reception unit receives the exhaust gas
  • a reference value for the specific component concentration which is at least one of H 2 concentration or O 2 concentration, obtained by an analyzer different from the analysis device, spectral data obtained by irradiating the combustion exhaust gas with light, or the specific
  • a teacher containing at least one of individual component concentrations selected based on an element balance formula for obtaining component concentrations, or a calculated value of a specific component concentration calculated using the individual component concentrations in the element balance formula
  • the machine learning unit machine-learns the relationship between the reference value of the concentration of the specific component and at least one
  • the exhaust gas analysis method is a method for analyzing combustion exhaust gas using a light source for irradiating the combustion exhaust gas with light and a photodetector for detecting light transmitted through the combustion exhaust gas.
  • a specific component concentration that is at least one of H 2 concentration or O 2 concentration in the flue gas, spectrum data obtained by irradiating the flue gas with light, or an element balance for obtaining the specific component concentration
  • specific component correlation data obtained by learning a relationship between at least one of individual component concentrations selected based on the formula and calculated values of specific component concentrations calculated using the individual component concentrations in the element balance formula
  • the specific component concentration in the flue gas is calculated from at least one of the spectrum data, the individual component concentration, or the calculated value of the specific component concentration, and the specific component correlation data.
  • an exhaust gas analysis program is an exhaust gas analysis program used in an exhaust gas analyzer using a light source for irradiating light on combustion exhaust gas and a photodetector for detecting light transmitted through the combustion exhaust gas.
  • a specific component concentration that is at least one of H 2 concentration or O 2 concentration in the flue gas, spectral data obtained by irradiating the flue gas with light, or obtaining the specific component concentration
  • Specific component correlation data obtained by learning a relationship between at least one of individual component concentrations selected based on an element balance formula, or a calculated value of a specific component concentration calculated using the individual component concentrations in the element balance formula.
  • the computer is provided with a function as a specific component concentration calculation unit that calculates the concentration.
  • FIG. 1 is an overall view of an exhaust gas measurement system including an exhaust gas analyzer according to one embodiment of the present invention
  • FIG. It is a schematic diagram which shows the whole exhaust gas analyzer in the same embodiment.
  • It is a basic functional block diagram of the arithmetic processing unit in the same embodiment.
  • It is a functional block diagram of the machine learning device in the same embodiment.
  • It is a functional block diagram of the arithmetic processing unit in the same embodiment.
  • FIG. 11 is a functional block diagram of a machine learning device in a modified embodiment;
  • FIG. 11 is a functional block diagram of a machine learning device in a modified embodiment;
  • FIG. 11 is a functional block diagram of a machine learning device in a modified embodiment; It is a functional block diagram of an arithmetic processing unit in a modified embodiment. It is a functional block diagram of an arithmetic processing unit in a modified embodiment. FIG. 11 is a functional block diagram of a machine learning device in a modified embodiment;
  • the exhaust gas analyzer 100 of this embodiment constitutes a part of the exhaust gas measurement system 200, for example.
  • this exhaust gas measurement system 200 includes a chassis dynamo 300 and exhaust gas sampling for sampling combustion exhaust gas (hereinafter simply referred to as "exhaust gas") of a vehicle V, which is a test vehicle running on the chassis dynamo 300. It comprises an apparatus 400 and an analysis apparatus 100 that analyzes the measurement target component in the sampled exhaust gas.
  • the exhaust gas analyzer 100 is equipped with an infrared light source 1, an interferometer (spectroscopic unit) 2, a measurement cell 3, a photodetector 4, an arithmetic processing unit 5, and the like. It is an infrared gas analyzer using infrared spectroscopy (FTIR).
  • FTIR infrared spectroscopy
  • the infrared light source 1 emits infrared light having a broad spectrum (continuous light including light of many wavenumbers), and uses, for example, a tungsten/iodine lamp or a high-brightness ceramic light source.
  • the interferometer 2 uses a so-called Michelson interferometer, which includes a half mirror (beam splitter) 21, a fixed mirror 22 and a movable mirror 23, as shown in the figure.
  • Light from the infrared light source 1 incident on the interferometer 2 is split by a half mirror 21 into reflected light and transmitted light.
  • One light is reflected by the fixed mirror 22 , the other is reflected by the movable mirror 23 , returns to the half mirror 21 again, is synthesized, and exits from the interferometer 2 .
  • the measurement cell 3 is a transparent cell into which the sampled exhaust gas is introduced.
  • the photodetector 4 detects infrared light that has passed through the exhaust gas and outputs the detection signal (light intensity signal) to the arithmetic processing device 5 .
  • the photodetector 4 of this embodiment is, for example, an MCT (HgCdTe) detector, but may be a photodetector having other infrared detection elements.
  • the arithmetic processing unit 5 has, for example, an analog electric circuit having a buffer, an amplifier, etc., a digital electric circuit having a CPU, a memory, a DSP, etc., and an A/D converter interposed therebetween. be.
  • the arithmetic processing unit 5 functions as a main analysis unit 51 as shown in FIG.
  • the main analysis unit 51 calculates transmitted light spectrum data representing the spectrum of light transmitted through the exhaust gas from the detection signal (light intensity signal) of the photodetector 4, and calculates infrared absorption spectrum data from the transmitted light spectrum data. , to identify various components in the exhaust gas and to calculate the concentration of each component.
  • the main analysis unit 51 includes a spectral data generation unit 511 and an individual component analysis unit 512.
  • the movable mirror 23 When the movable mirror 23 is advanced and retreated and the intensity of the light transmitted through the exhaust gas is observed with the position of the movable mirror 23 as the horizontal axis, in the case of light with a single wave number, the light intensity draws a sine curve due to interference.
  • the sine curve since the actual light that has passed through the exhaust gas is continuous light, the sine curve differs for each wavenumber, and the actual light intensity is a superposition of the sine curves drawn by each wavenumber, and the interference pattern (interferogram) is form a wave packet.
  • the spectrum data generation unit 511 obtains the position of the movable mirror 23 by a rangefinder (not shown) such as a HeNe laser (not shown), and obtains the light intensity at each position of the movable mirror 23 by the photodetector 4.
  • FFT Fast Fourier transform
  • the individual component analysis unit 512 determines various components (eg, CO, CO 2 , NO, H 2 O, NO 2 , or hydrocarbon component (HC), etc.) is specified, the concentration of each component is calculated, and this is output as individual component concentration data.
  • various components eg, CO, CO 2 , NO, H 2 O, NO 2 , or hydrocarbon component (HC), etc.
  • the machine learning device 6 of the present embodiment performs machine learning by utilizing the fact that the H 2 concentration and the O 2 concentration can be estimated using the element balance formula obtained from the fuel combustion formula shown below. From the following elemental balance formula (conservation law of substance amount), the H2 concentration can be linearly regressed with the concentrations of the components ( CO2 , CO, H2O , THC), and the O2 concentration can be linearly regressed with the concentrations of the components ( CO2 , CO , H 2 O, THC, NO) can be linearly regressed. Moreover, since the H 2 concentration and the O 2 concentration can be estimated from the individual component concentrations, they can also be estimated from the spectral data for obtaining these individual component concentrations.
  • At least one of CO 2 concentration, CO concentration, H 2 O concentration, or THC concentration can be used as the individual component concentration when calculating the H 2 concentration.
  • At least one of CO 2 concentration, CO concentration, H 2 O concentration, THC concentration, or NO concentration can be used as the individual component concentration when calculating the O 2 concentration.
  • the H2 concentration can be linearly regressed with the concentrations of the components ( CO2 , CO, H2O , THC).
  • the O2 concentration can be linearly regressed with the concentrations of the components ( CO2 , CO, H2O , THC, NO).
  • This machine learning device 6 is a computer having a CPU, a memory, an input/output interface, an AD converter, or input means such as a keyboard, etc., and the CPU and its peripheral devices cooperate according to the machine learning program stored in the memory. As a result, as shown in FIG. 4, the functions of a teacher data receiving unit 61 that receives teacher data and a machine learning unit 62 that performs machine learning using the teacher data are exhibited.
  • the machine learning device 6 may be incorporated in the arithmetic processing device 5 of the exhaust gas analyzer 100 described above, or a part of the functions of the machine learning device 6 may be provided in the arithmetic processing device 5. Also good.
  • the teaching data receiving unit 61 receives the H 2 concentration reference value obtained by an H 2 analyzer (not shown) different from the infrared gas analyzer (exhaust gas analyzer) and the infrared gas analyzer (exhaust gas analyzer).
  • Different teacher data including a reference value of O 2 concentration obtained by an O 2 analyzer (not shown) and spectral data obtained by an infrared gas analyzer are accepted.
  • the spectral data included in this teacher data is the absorption spectral data generated by the spectral data generating section 511 of the arithmetic processing unit 5, but may be transmitted light spectral data of the exhaust gas.
  • the H 2 spectrometer may be, for example, a thermal conductivity gas spectrometer (TCD) or a mass spectrometer.
  • TCD thermal conductivity gas spectrometer
  • a mass spectrometer for the O 2 analyzer, for example, a zirconia sensor, a magnetic oxygen concentration meter, or the like may be used.
  • the machine learning unit 62 machine-learns the relationship between the H 2 concentration reference value and the spectrum data, and performs H 2 correlation data (a machine learning model for calculating H 2 concentration) that indicates the correlation between the H 2 concentration and the spectrum data. and the O2 correlation data ( O2 concentration calculation and an O 2 correlation data generator 622 that generates a machine learning model for
  • the H2 correlation data (machine learning model for calculating the H2 concentration) calculated by the H2 correlation data generation unit 621 is stored in the H2 correlation data storage unit 623, and is stored in the O2 correlation data generation unit 622.
  • the calculated O 2 correlation data (machine learning model for calculating O 2 concentration) is stored in the O 2 correlation data storage unit 624 .
  • the exhaust gas analyzer 100 can calculate the H 2 concentration using the H 2 correlation data (machine learning model for calculating the H 2 concentration ) generated by the machine learning device 6.
  • O2 concentration can be calculated using O2 correlation data (machine learning model for calculating O2 concentration).
  • the arithmetic processing unit 5 of the exhaust gas analyzer 100 includes an H 2 concentration calculation unit 52 that calculates the H 2 concentration using the H 2 correlation data, and an O 2 concentration calculation unit 52 that calculates the O 2 concentration using the O 2 correlation data . and a density calculator 53 .
  • the H 2 correlation data is stored in the H 2 correlation data storage unit 54
  • the O 2 correlation data is stored in the O 2 correlation data storage unit 55 .
  • the H2 correlation data storage unit 54 may be configured from the H2 correlation data storage unit 623 of the machine learning device 6.
  • the O 2 correlation data storage unit 55 may be configured from the O 2 correlation data storage unit 624 of the machine learning device 6 .
  • the H 2 concentration calculator 52 calculates the H 2 concentration in the exhaust gas from the spectrum data generated by the spectrum data generator 511 and the H 2 correlation data.
  • the H 2 concentration calculation unit 52 calculates the H 2 concentration using the absorption spectrum data generated by the spectrum data generation unit 511. . Further, when the H2 correlation data is generated using the transmitted light spectrum data, the H2 concentration calculator 52 calculates the H2 concentration using the transmitted light spectrum data generated by the spectrum data generator 511. do.
  • the O 2 concentration calculator 53 calculates the O 2 concentration in the combustion exhaust gas from the spectrum data generated by the spectrum data generator 511 and the O 2 correlation data.
  • the O 2 concentration calculation unit 53 calculates the O 2 concentration using the absorption spectrum data generated by the spectrum data generation unit 511. . Further, when the O 2 correlation data is generated using the transmitted light spectrum data, the O 2 concentration calculation unit 53 calculates the O 2 concentration using the transmitted light spectrum data generated by the spectrum data generation unit 511. do.
  • the H 2 concentration or O 2 concentration in the exhaust gas and the photodetector 4 H 2 concentration or O 2 concentration is calculated from the spectral data obtained from the detection signal of the photodetector 4 using the correlation data (machine learning model) that learned the relationship with the spectral data obtained from the detection signal of become able to.
  • the correlation data machine learning model
  • the teacher data receiving unit 61 obtains from the spectral data, in addition to the H 2 concentration reference value, the O 2 concentration reference value, and the spectral data as the teacher data, It may accept individual component concentrations selected based on an elemental balance equation. Then, in the machine learning unit 62, the H 2 correlation data generation unit 621 machine-learns the relationship between the H 2 concentration reference value, the spectrum data, and the individual component concentration, and calculates the H 2 concentration, the spectrum data, and the individual component concentration.
  • Generate H 2 correlation data (machine learning model for calculating H 2 concentration) showing the correlation of Further, the O 2 correlation data generation unit 622 machine-learns the relationship between the reference value of the O 2 concentration, the spectrum data, and the individual component concentration, and the O 2 concentration indicating the correlation between the O 2 concentration, the spectrum data, and the individual component concentration .
  • Generate correlation data (machine learning model for O2 concentration calculation). In this way, by including the individual component concentrations selected based on the element balance formula in addition to the spectral data in the teacher data, the measurement accuracy of the O 2 concentration or H 2 concentration can be improved.
  • the teacher data receiving unit 61 stores the H 2 concentration reference value obtained by an H 2 analyzer different from the infrared gas analyzer (exhaust gas analyzer) and the infrared gas analyzer
  • the spectral data obtained by the infrared gas analyzer (exhaust gas analyzer) and the individual components obtained from the spectral data It accepts teacher data including concentrations and
  • the spectral data included in this teacher data may be transmitted light spectral data of the exhaust gas generated by the spectral data generating section 511, or may be absorption spectral data.
  • the individual component concentration is the individual component concentration such as CO, CO 2 , NO, H 2 O, NO 2 or hydrocarbon component (HC) analyzed by the individual component analysis unit 512 .
  • the machine learning device 6 of this embodiment estimates the calculated value (estimated value) of the H 2 concentration and the calculated value (estimated value) of the O 2 concentration using the element balance formula. That is, from the above-mentioned elemental balance formula (conservation law of substance amount), the H 2 concentration can be linearly regressed with the concentration of the component (CO 2 , CO, H 2 O, THC), and the O 2 concentration can be linearly regressed from the component (CO 2 , CO, H 2 O, THC, and NO).
  • the THC concentrations a' and b' are unknown quantities, and the measured values of the individual components have not a little error. occurs. Therefore, in this embodiment, the minimum error value is obtained by minimizing the concentration error between the calculated value of the concentration of the specific component and the reference value, and the correlation between the minimum error value and the spectrum is calculated.
  • the machine learning unit 62 calculates the minimum H2 error value by minimizing the H2 concentration error between the reference value of the H2 concentration and the calculated value (estimated value) of the H2 concentration calculated from the element balance formula. and a first H2 correlation data generation unit 621a that generates first H2 correlation data indicating the correlation between the minimum H2 error value and the parameter used to calculate the minimum H2 error value ; and a 2H2 correlation data generation unit 621b that calculates the relationship with the minimum value and generates 2H2 correlation data.
  • the parameters used for calculating the minimum H 2 error value that minimizes the H 2 concentration error are a′ and b′ representing the THC concentration in the elemental balance formula.
  • the H2 error minimum value may be calculated by calculating the minimization problem by adding a, b and/or intake air moisture of the fuel to the parameters.
  • the machine learning unit 62 calculates the minimum O2 error value by minimizing the O2 concentration error between the reference value of the O2 concentration and the calculated value (estimated value) of the O2 concentration calculated from the element balance formula.
  • a first O2 correlation data generator 622a for generating first O2 correlation data indicating the correlation between the minimum O2 error value and the parameter used to calculate the minimum O2 error value ; and a second O2 correlation data generation unit 622b that machine-learns the relationship with the value to generate the second O2 correlation data.
  • the parameters used for calculating the minimum O 2 error that minimizes the O 2 concentration error are the THC concentrations a' and b' in the elemental balance equation.
  • the H2 error minimum value may be calculated by calculating the minimization problem by adding a, b and/or intake air moisture of the fuel to the parameters.
  • the 1H2 correlation data generated by the 1H2 correlation data generation unit 621a is data indicating the correlation between the "minimum H2 error value" and the "parameter of the element balance formula used to calculate the minimum H2 error value".
  • the 2H2 correlation data generated by the 2H2 correlation data generating section 621b is data indicating the correlation between the "spectrum data” and the "minimum H2 error value”.
  • the 1H2 correlation data is stored in the 1H2 correlation data storage unit 623a
  • the 2H2 correlation data is stored in the 2H2 correlation data storage unit 623b.
  • the first O2 correlation data generated by the first O2 correlation data generation unit 622a is the correlation between the "minimum O2 error value" and the "parameter of the element balance formula used to calculate the minimum O2 error value”. data shown.
  • the second O2 correlation data generated by the second O2 correlation data generating section 622b is data indicating the correlation between the "spectrum data” and the "minimum O2 error value”.
  • the first O2 correlation data is stored in the first O2 correlation data storage unit 624a
  • the second O2 correlation data is stored in the second O2 correlation data storage unit 624b.
  • the exhaust gas analyzer 100 uses the 1st H2 correlation data and the 2nd H2 correlation data (machine learning model for calculating the H2 concentration) generated by the machine learning device 6 to calculate H2.
  • the concentration can be calculated, and the O2 concentration can be calculated using the first O2 correlation data and the second O2 correlation data (machine learning model for calculating O2 concentration).
  • the arithmetic processing unit 5 of the exhaust gas analyzer 100 includes an H2 error minimum value calculation unit 52a that calculates the H2 error minimum value from the spectrum data and the second H2 correlation data, and an H2 error minimum value calculation unit and an H2 concentration calculator 52b for calculating the H2 concentration in the exhaust gas from the H2 error minimum value obtained by 52a and the first H2 correlation data.
  • the 1H2 correlation data is stored in the 1H2 correlation data storage section 52c
  • the 2H2 correlation data is stored in the 2H2 correlation data storage section 52d.
  • the arithmetic processing unit 5 includes an O 2 error minimum value calculation unit 53a that calculates the O 2 error minimum value from the spectrum data and the second O 2 correlation data, and an O 2 error value obtained by the O 2 error minimum value calculation unit 53a. and an O2 concentration calculator 53b for calculating the O2 concentration in the exhaust gas from the 2nd error minimum value and the first O2 correlation data.
  • the first O2 correlation data is stored in the first O2 correlation data storage section 53c
  • the second O2 correlation data is stored in the second O2 correlation data storage section 53d.
  • the first H2 correlation data storage unit 52c or the second H2 correlation data storage unit 52d, respectively, of the machine learning device 6 may comprise the first H2 correlation data storage unit 623a or the second H2 correlation data storage unit 623b, respectively, or the first O2 correlation data storage unit 53c or the second O2 correlation data storage unit 53d, respectively. 1st O2 correlation data storage section 624a or 2nd O2 correlation data storage section 624b.
  • the teacher data may include the first correlation data indicating the minimum error value obtained by minimizing the error between the reference value of the concentration of the specific component and the calculated value of the concentration of the specific component.
  • an information processing device (not shown) that generates the first correlation data is provided separately from the processing device 5, and the processing device 5 machine-learns the relationship between the spectrum data and the minimum error value.
  • a second correlation data generator for generating the second correlation data of the minimum error value for the spectrum.
  • the teacher data receiving unit 61 obtains from the spectral data, in addition to the H 2 concentration reference value, the O 2 concentration reference value, and the spectral data as the teacher data, It may accept individual component concentrations selected based on an elemental balance equation. Then, in the machine learning unit 62, the H 2 correlation data generation unit 621 machine-learns the relationship between the H 2 concentration reference value, the spectrum data, and the individual component concentration, and calculates the H 2 concentration, the spectrum data, and the individual component concentration.
  • Generate H 2 correlation data (machine learning model for calculating H 2 concentration) showing the correlation of Further, the O 2 correlation data generation unit 622 machine-learns the relationship between the reference value of the O 2 concentration, the spectrum data, and the individual component concentration, and the O 2 concentration indicating the correlation between the O 2 concentration, the spectrum data, and the individual component concentration .
  • Generate correlation data (machine learning model for O2 concentration calculation). In this way, by including the individual component concentrations selected based on the element balance formula in addition to the spectral data in the teacher data, the measurement accuracy of the O 2 concentration or H 2 concentration can be improved.
  • the teacher data receiving unit 61 stores the H 2 concentration reference value obtained by an H 2 analyzer different from the infrared gas analyzer (exhaust gas analyzer) and the infrared gas analyzer
  • the teaching data including the reference value of the O 2 concentration obtained by the O 2 analyzer different from the (exhaust gas analyzer) and the individual component concentrations obtained by the infrared gas analyzer (exhaust gas analyzer) are accepted.
  • the individual component concentrations included in this teacher data are individual component concentrations such as CO, CO 2 , NO, H 2 O, NO 2 or hydrocarbon components (HC) analyzed by the individual component analysis unit 512 .
  • the machine learning unit 62 includes an H 2 correlation data generation unit 621 for generating H 2 correlation data by performing machine learning on the relationship between the reference value of the H 2 concentration and the calculated value (estimated value) of the H 2 concentration, and an O 2 It has an O 2 correlation data generation unit 622 for generating O 2 correlation data by performing machine learning on the relationship between the reference value of concentration and the calculated value (estimated value) of O 2 concentration.
  • the calculated value (estimated value) of the H 2 concentration and the calculated value (estimated value) of the O 2 concentration can be estimated using the element balance formula obtained from the fuel combustion formula described above. That is, from the elemental balance formula (conservation law of substance amount), the H 2 concentration can be linearly regressed with the concentrations of the components (CO 2 , CO, H 2 O, THC), and the O 2 concentration can be linearly regressed from the components (CO 2 , CO , H 2 O, THC, NO) can be linearly regressed.
  • the H 2 concentration linear regression equation by adding the NO concentration in addition to the concentrations of the components (CO 2 , CO, H 2 O, THC), the measurement accuracy of the H 2 concentration can be improved. .
  • the H2 correlation data (machine learning model for calculating H2 concentration) generated by the H2 correlation data generation unit 621 is stored in the H2 correlation data storage unit 623, and the O2 correlation data generation unit 622 generates
  • the O 2 correlation data (machine learning model for calculating O 2 concentration) is stored in the O 2 correlation data storage unit 624 .
  • the exhaust gas analyzer 100 can calculate the H 2 concentration using the H 2 correlation data (machine learning model for calculating the H 2 concentration) generated by the machine learning device 6, O2 concentration can be calculated using O2 correlation data (machine learning model for calculating O2 concentration).
  • the arithmetic processing unit 5 of the exhaust gas analyzer 100 includes an H 2 concentration calculation unit 52 that calculates the H 2 concentration in the combustion exhaust gas from the individual component concentration and the H 2 correlation data, and the individual component concentration and the O 2 correlation data. and an O 2 concentration calculator 53 for calculating the O 2 concentration in the combustion exhaust gas from the data.
  • the H2 correlation data storage unit 54 may be configured from the H2 correlation data storage unit 623 of the machine learning device 6.
  • the O 2 correlation data storage unit 55 may be configured from the O 2 correlation data storage unit 624 of the machine learning device 6 .
  • the H 2 concentration calculation unit calculates a calculated value of the H 2 concentration from the individual component concentrations, and calculates the H 2 concentration in the flue gas from the calculated value and the H 2 correlation data. Further, the O 2 concentration calculation unit calculates a calculated value of O 2 concentration from the individual component concentrations, and calculates the O 2 concentration in the flue gas from the calculated value and the O 2 correlation data.
  • the THC concentration used in the above elemental balance formula is considered to be the THC concentration obtained by a THC analyzer different from the infrared gas analyzer (exhaust gas analyzer).
  • the exhaust gas analyzer 100 includes a THC correlation data storage unit 56 that stores THC correlation data obtained by learning the relationship between the THC concentration reference value and the spectrum data, and an infrared gas analyzer (spectrum).
  • the configuration further includes a THC concentration calculation unit 57 that calculates the THC concentration in the combustion exhaust gas from the spectral data and the THC correlation data obtained by the data generation unit 511), and the THC concentration calculation unit 57 obtains THC concentration may also be used.
  • the teacher data receiving unit 61 receives the reference value of the THC concentration obtained by a THC analyzer different from the infrared gas analyzer (exhaust gas analyzer) and the spectrum
  • the machine learning unit 62 is configured to have a THC correlation data generation unit 625 that generates THC correlation data by machine learning the relationship between the THC concentration reference value and the spectrum data. Also good.
  • the THC correlation data generated by this THC correlation data generation section 625 is stored in the THC correlation data storage section 626 .
  • concentrations of individual components used in modified embodiments 1 and 2 above may be concentrations of all components CO 2 , CO, H 2 O, THC and NO, or CO 2 , CO, H 2 O and THC. , NO may be the concentration of some components.
  • the 1H2 correlation data generation unit 621a or the 2H2 correlation data generation unit 621b generates individual component concentrations and/or O
  • the correlation data may be calculated using the reference values of two densities.
  • the first O2 correlation data generation unit 622a or the second O2 correlation data generation unit 622b uses the reference values of the individual component concentrations and/or H2 concentrations in addition to the calculated O2 concentration values obtained from the individual component concentrations. may be configured to calculate the correlation data. By increasing the parameters to be machine-learned in this way, it is possible to improve the measurement accuracy of the H 2 concentration or the O 2 concentration.
  • the exhaust gas measurement system of the above embodiment uses the chassis dynamo 300 to test the complete vehicle V.
  • an engine dynamometer may be used to test the performance of the engine.
  • a dynamometer may be used to test powertrain performance.
  • the exhaust gas analyzer 100 may irradiate a measurement sample with light and analyze from the spectrum.
  • the exhaust gas analyzer 100 in addition to Fourier transform infrared spectroscopy, for example, NDIR, quantum cascade laser infrared spectroscopy, non-dispersive infrared absorption method, chemiluminescence method (chemiluminescence method), or these A combined method or the like may also be used.
  • the present invention is not limited to the analysis of exhaust gases from automobiles, and can also analyze exhaust gases emitted from internal combustion engines such as ships, aircraft, agricultural machinery, and machine tools, power plants, or incinerators.
  • the components of exhaust gas contained in the environment may also be analyzed.
  • the exhaust gas analyzer may use light other than infrared light.
  • the H 2 concentration or O 2 concentration which had to be measured using another analyzer, can be measured in the analyzer.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

燃焼排ガスに光を照射して燃焼排ガスを透過した光を検出し、その検出信号に基づいて燃焼排ガスを分析する排ガス分析装置に用いられる機械学習装置６であって、排ガス分析装置とは異なる分析計により得られたＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度の基準値と、燃焼排ガスに光を照射して得られたスペクトルデータ、又は特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、元素バランス式に個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つと含む教師データを受け付ける教師データ受付部６１と、教師データを用いて、特定成分濃度の基準値と、スペクトルデータ、個別成分濃度、又は、特定成分濃度の演算値の少なくとも１つとの関係を機械学習する機械学習部６２とを備える。

Description

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
　本発明は、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に関するものである。
　従来、排ガス中に含まれる成分を分析するものとしては、特許文献１に示すように、フーリエ変換型赤外分光法（ＦＴＩＲ）を用いたＦＴＩＲ分析計が用いられている。このＦＴＩＲ分析計により、排ガス中のＣＯ、ＣＯ２、ＮＯ、Ｈ２Ｏ、ＮＯ２、Ｃ２Ｈ５ＯＨ、ＨＣＨＯ、又はＣＨ４等の多成分を同時に分析することができる。
　しかしながら、ＦＴＩＲ分析計では、赤外線を吸収する成分を分析することはできるものの、赤外線を吸収しない成分を分析することができない。そのため、赤外線を吸収しないＨ２の濃度を測定する場合には、ＦＴＩＲ分析計とは別に、例えば熱伝導式ガス分析計（ＴＣＤ）等の専用のＨ２分析計が必要となる。また、赤外線を吸収しないＯ２の濃度を測定する場合には、ＦＴＩＲ分析計とは別に、例えばジルコニア式センサ等の専用のＯ２分析計が必要となってしまう。その結果、ＦＴＩＲ分析計とＨ２分析計又はＯ２分析計との両方の設置スペースが必要となってしまい、排ガス分析装置が大型化してしまう。このような問題は、ＦＴＩＲ分析計だけでなく、光を用いた他の排ガス分析装置にも同様に生じ得る。
特開２０００－３４６８０１号公報
　そこで、本発明は上述したような問題に鑑みてなされたものであり、排ガス分析装置において他の分析計を用いて測定する必要があったＨ２濃度又はＯ２濃度を測定できるようにすることをその主たる課題とするものである。
　すなわち、本発明に係る機械学習装置は、燃焼排ガスに光を照射して前記燃焼排ガスを透過した光を検出し、その検出信号に基づいて前記燃焼排ガスを分析する排ガス分析装置に用いられる機械学習装置であって、教師データを受け付ける教師データ受付部と、前記教師データを用いて機械学習する機械学習部とを備え、前記教師データ受付部は、前記排ガス分析装置とは異なる分析計により得られたＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度の基準値と、前記燃焼排ガスに光を照射して得られたスペクトルデータ、前記特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、前記元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つと、を含む教師データを受け付けるものであり、前記機械学習部は、前記特定成分濃度の基準値と、前記スペクトルデータ、前記個別成分濃度、又は、前記特定成分濃度の演算値の少なくとも１つとの関係を機械学習して特定成分相関データを生成するものであることを特徴とする。
　このような構成であれば、Ｈ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度の基準値と、燃焼排ガスに光を照射して得られたスペクトルデータ、特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つとの関係を機械学習することにより、当該機械学習により生成された機械学習モデルを用いて、燃焼排ガスに光を照射して得られたスペクトルデータ、排ガス分析装置により得られた個別成分濃度、又は、個別成分濃度及び元素バランス式から演算された特定成分濃度の演算値の少なくとも１つから、特定成分濃度を算出できるようになる。その結果、排ガス分析装置において他の分析計を用いて測定する必要があったＨ２濃度又はＯ２濃度を測定できる。特に赤外光を用いた排ガス分析において、赤外光を吸収しないＨ２濃度又はＯ２濃度を測定することができる。
　また、本発明の機械学習装置において、前記教師データ受付部は、前記特定成分濃度の基準値と、前記スペクトルデータとを含む教師データを受け付けるものであり、前記機械学習部は、前記特定成分濃度の基準値と、前記スペクトルデータとの関係を機械学習して前記特定成分相関データを生成するものであることが望ましい。
　さらに、Ｈ２濃度又はＯ２濃度を精度良く測定できるようにするためには、前記教師データ受付部は、さらに前記個別成分濃度を教師データとして受けるものであり、前記機械学習部は、前記特定成分濃度の基準値と、前記スペクトルデータと、前記個別成分濃度との関係を機械学習して記特定成分相関データを生成するものであることが望ましい。
　特定成分濃度の基準値、特定成分濃度の演算値及びスペクトルデータを用いた機械学習の具体的な実施の態様としては、前記特定成分濃度の基準値と前記特定成分濃度の演算値との誤差を最小化した誤差最小値を算出して、前記誤差最小値と、前記誤差最小値の算出に用いたパラメータとの相関を示す第１相関データを前記特定成分相関データの一部として生成する第１相関データ生成部と、前記スペクトルデータと前記誤差最小値との関係を機械学習して、前記スペクトルデータと前記誤差最小値との相関を示す第２相関データを前記特定成分相関データの一部として生成する第２相関データ生成部とを有することが望ましい。
　また、本発明の機械学習装置において、前記教師データ受付部は、前記特定成分濃度の基準値と、前記個別成分濃度とを含む教師データを受け付けるものであり、前記機械学習部は、前記特定成分濃度の基準値と、前記個別成分濃度との関係を機械学習して前記特定成分相関データを生成するものであることが望ましい。
　前記特定成分相関データとしてＨ２相関データを機械学習する場合には、前記個別成分濃度は、ＣＯ２濃度、ＣＯ濃度、Ｈ２Ｏ濃度、又はＴＨＣ濃度の少なくとも１つとすることが考えられる。また、前記特定成分相関データとしてＯ２相関データを機械学習する場合には、前記個別成分濃度は、ＣＯ２濃度、ＣＯ濃度、Ｈ２Ｏ濃度、ＴＨＣ濃度、又はＮＯ濃度の少なくとも１つとすることが考えられる。
　また、従来の排ガス分析装置により全炭化水素（ＴＨＣ）を測定する場合には、スペクトルデータから各炭化水素（ＨＣ）の濃度をそれぞれ個別に求め、次にそれ等を重みづけして足し合わせるという２段階の演算を行っており、各ＨＣの濃度測定で生じ得る誤差に、重みづけ係数の設定において生じ得る誤差が重畳されるので、測定精度を向上させることが難しい。
　排ガス分析装置においてＴＨＣ濃度の測定精度を向上させるためには、前記教師データ受付部は、前記排ガス分析装置とは異なる分析計により得られたＴＨＣ濃度の基準値と、前記スペクトルデータと含む教師データを受け付けるものであり、前記機械学習部は、前記ＴＨＣ濃度の基準値と前記スペクトルデータとの関係を機械学習してＴＨＣ相関データを生成することが望ましい。
　ここで、前記個別成分濃度は、ＴＨＣ濃度を含むものであり、当該ＴＨＣ濃度は、前記排ガス分析装置により得られたスペクトルデータと前記ＴＨＣ相関データとから求められたものであることが望ましい。
　また、本発明に係る排ガス分析装置は、燃焼排ガスを分析する排ガス分析装置であって、前記燃焼排ガスに光を照射する光源と、前記燃焼排ガスを透過した光を検出する光検出器と、前記燃焼排ガス中のＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度と、前記燃焼排ガスに光を照射して得られたスペクトルデータ、前記特定成分濃度を求めるための元素バランス式に基づいて選択される個別成分濃度、又は、前記元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つとの関係を学習した特定成分相関データを格納する特定成分相関データ格納部と、前記スペクトルデータ、前記個別成分濃度、又は、前記特定成分濃度の演算値の少なくとも１つと、前記特定成分相関データとから、前記燃焼排ガス中の特定成分濃度を算出する特定成分濃度算出部とを備えることを特徴とする。
　このような構成であれば、燃焼排ガス中のＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度と、燃焼排ガスに光を照射して得られたスペクトルデータ、特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は元素バランス式に個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つとの関係を学習した特定成分相関データ（機械学習モデル）を用いて、燃焼排ガスに光を照射して得られたスペクトルデータ、排ガス分析装置により得られた個別成分濃度、又は、個別成分濃度及び元素バランス式から演算された特定成分濃度の演算値の少なくとも１つから、特定成分濃度を算出できるようになる。その結果、分析装置において他の分析計を用いて測定する必要があったＨ２濃度又はＯ２濃度を測定できる。特に、赤外光を用いた排ガス分析において、赤外光を吸収しないＨ２濃度又はＯ２濃度を測定することができる。
　また、本発明の排ガス分析装置は、排ガス分析装置とは異なる分析計により得られたＴＨＣ濃度の基準値と前記スペクトルデータとの関係を学習したＴＨＣ相関データを格納するＴＨＣ相関データ格納部と、燃焼排ガスに光を照射して得られたスペクトルデータと前記ＴＨＣ相関データとから、前記燃焼排ガス中のＴＨＣ濃度を算出するＴＨＣ濃度算出部とをさらに備えることが望ましい。この構成であれば、燃焼排ガス中のＴＨＣ濃度を精度良く測定することができる。
　また、前記個別成分濃度は、ＴＨＣ濃度を含むものであり、当該ＴＨＣ濃度は、前記ＴＨＣ濃度算出部により算出されたものであることが望ましい。この構成であれば、ＴＨＣ濃度を用いてＨ２濃度又はＯ２濃度を測定する場合に、Ｈ２濃度又はＯ２濃度を精度良く測定することができる。
　特定成分濃度の基準値、特定成分濃度の演算値及びスペクトルデータを用いてＨ２濃度又はＯ２濃度を測定する具体的な実施の態様としては、前記学習済モデル格納部は、前記特定成分濃度の基準値と前記特定成分濃度の演算値との誤差最小値と、前記誤差最小値の算出に用いたパラメータとの相関を示す第１相関データを格納する第１相関データ格納部と、前記スペクトルデータと前記誤差最小値との相関を示す第２相関データを格納する第２相関データ格納部とを有し、前記特定成分濃度算出部は、前記スペクトルデータと前記第２相関データとから、前記誤差最小値を算出する誤差最小値算出部と、前記誤差最小値算出部により得られた前記誤差最小値と前記第１相関データとから、前記燃焼排ガス中の特定成分濃度を算出することが望ましい。
　本発明の効果が顕著に奏される具体的態様としては、前記燃焼排ガス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、前記した排ガス分析装置は、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。
　さらに、本発明に係る機械学習方法は、燃焼排ガスに光を照射して前記燃焼排ガスを透過した光を検出し、その検出信号に基づいて前記燃焼排ガスを分析する排ガス分析装置に用いられる機械学習方法であって、教師データを受け付ける教師データ受付ステップと、前記教師データを用いて機械学習する機械学習ステップとを備え、前記教師データ受付ステップは、前記排ガス分析装置とは異なる分析計により得られたＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度の基準値と、前記燃焼排ガスに光を照射して得られたスペクトルデータ、又は前記特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、前記元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つと、を含む教師データを受け付け、前記機械学習ステップは、前記特定成分濃度の基準値と、前記スペクトルデータ、前記個別成分濃度、又は、前記特定成分濃度の演算値の少なくとも１つとの関係を機械学習して特定成分相関データを生成することを特徴とする。
　その上、本発明に係る機械学習プログラムは、燃焼排ガスに光を照射して前記燃焼排ガスを透過した光を検出し、その検出信号に基づいて前記燃焼排ガスを分析する排ガス分析装置に用いられる機械学習プログラムであって、教師データを受け付ける教師データ受付部としての機能と、前記教師データを用いて機械学習する機械学習部としての機能とをコンピュータに備えさせ、前記教師データ受付部は、前記排ガス分析装置とは異なる分析計により得られたＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度の基準値と、前記燃焼排ガスに光を照射して得られたスペクトルデータ、又は前記特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、前記元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つと、を含む教師データを受け付けるものであり、前記機械学習部は、前記特定成分濃度の基準値と、前記スペクトルデータ、前記個別成分濃度、又は、前記特定成分濃度の演算値の少なくとも１つとの関係を機械学習して特定成分相関データを生成するものであることを特徴とする。
　その上、本発明に係る排ガス分析方法は、燃焼排ガスに光を照射する光源と、前記燃焼排ガスを透過した光を検出する光検出器とを用いて燃焼排ガスを分析する排ガス分析方法であって、前記燃焼排ガス中のＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度と、前記燃焼排ガスに光を照射して得られたスペクトルデータ、又は前記特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、前記元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つとの関係を学習した特定成分相関データを用いて、前記スペクトルデータ、前記個別成分濃度、又は前記特定成分濃度の演算値の少なくとも１つと、前記特定成分相関データとから、前記燃焼排ガス中の特定成分濃度を算出することを特徴とする。
　さらに加えて、本発明に係る排ガス分析プログラムは、燃焼排ガスに光を照射する光源と、前記燃焼排ガスを透過した光を検出する光検出器とを用いた排ガス分析装置に用いられる排ガス分析プログラムであって、前記燃焼排ガス中のＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度と、前記燃焼排ガスに光を照射して得られたスペクトルデータ、又は前記特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、前記元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つとの関係を学習した特定成分相関データを格納する特定成分相関データ格納部としての機能と、前記スペクトルデータ、前記個別成分濃度、又は前記特定成分濃度の演算値の少なくとも１つと、前記特定成分相関データとから、前記燃焼排ガス中の特定成分濃度を算出する特定成分濃度算出部としての機能とをコンピュータに備えさせることを特徴とする。
　以上に述べた本発明によれば、排ガス分析装置において他の分析計を用いて測定する必要があったＨ２濃度又はＯ２濃度を測定できるようになる。
本発明の一実施形態における排ガス分析装置を含む排ガス測定システムの全体図である。 同実施形態における排ガス分析装置の全体を示す模式図である。 同実施形態における演算処理装置の基本的な機能ブロック図である。 同実施形態における機械学習装置の機能ブロック図である。 同実施形態における演算処理装置の機能ブロック図である。 変形実施形態における機械学習装置の機能ブロック図である。 変形実施形態における機械学習装置の機能ブロック図である。 変形実施形態における演算処理装置の機能ブロック図である。 変形実施形態における機械学習装置の機能ブロック図である。 変形実施形態における演算処理装置の機能ブロック図である。 変形実施形態における演算処理装置の機能ブロック図である。 変形実施形態における機械学習装置の機能ブロック図である。
　以下に本発明の一実施形態に係る排ガス分析装置について図面を参照して説明する。なお、以下に示すいずれの図についても、わかりやすくするために、適宜省略し又は誇張して模式的に描かれている。同一の構成要素については、同一の符号を付して説明を適宜省略する。
　本実施形態の排ガス分析装置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自動車Ｖの燃焼排ガス（以下、単に「排ガス」という。）を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。
＜排ガス分析装置１００の基本構成＞
　具体的に排ガス分析装置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及び演算処理装置５等を具備した、フーリエ変換型赤外分光法（ＦＴＩＲ）を用いた赤外ガス分析計である。
　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、又は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、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、例えば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、例えばバッファ、増幅器などを有したアナログ電気回路と、ＣＰＵ、メモリ、又は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コンバータとを有したものである。
　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、主分析部５１としての機能を発揮する。
　主分析部５１は、排ガス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の検出信号（光強度信号）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ものである。
　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、排ガス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り、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３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、排ガス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）及びその高さから排ガスに含まれる種々の成分（例えば、ＣＯ、ＣＯ２、ＮＯ、Ｈ２Ｏ、ＮＯ２、又は炭化水素成分（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。
＜機械学習装置６＞
　次に、上記の排ガス分析装置１００を用いて排ガス中のＨ２濃度又はＯ２濃度を測定できるようにするための機械学習装置６について説明する。
　本実施形態の機械学習装置６は、以下に示す燃料の燃焼式から求まる元素バランス式を用いてＨ２濃度及びＯ２濃度を推定できることを利用して機械学習するものである。以下の元素バランス式（物質量の保存則）から、Ｈ２濃度は、成分（ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ）の濃度で線形回帰でき、Ｏ２濃度は、成分（ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ、ＮＯ）の濃度で線形回帰できることを利用する。また、Ｈ２濃度及びＯ２濃度は、個別成分濃度から推定できることから、それら個別成分濃度を求めるためのスペクトルデータからも推定することができる。
　ここで、Ｈ２濃度を算出する場合の個別成分濃度は、ＣＯ２濃度、ＣＯ濃度、Ｈ２Ｏ濃度、又はＴＨＣ濃度の少なくとも１つを用いることができる。また、Ｏ２濃度を算出する場合の個別成分濃度は、ＣＯ２濃度、ＣＯ濃度、Ｈ２Ｏ濃度、ＴＨＣ濃度、又はＮＯ濃度の少なくとも１つを用いることができる。
（燃料の燃焼式）
ＣａＨｂＯｃ＋ｄＯ２＋ｅＮ２＋ｆＣＯ２＋ｇＨ２Ｏ
　→ｎ１ＣＯ２＋ｎ２ＣＯ＋ｎ３Ｈ２Ｏ＋ｎ４Ｈ２＋ｎ５Ｏ２＋ｎ６ＮＯ＋ｎ７Ｎ２＋ｎ８Ｃａ’Ｈｂ’＋ｒ
　上記式において、全炭化水素（ＴＨＣ）はＣａ’Ｈｂ’で表すものとし、ａ’、ｂ’は、各炭化水素のＣの数、Ｈの数をそれぞれ平均化したものである。
　ｒは、その他の成分であり、他の成分に比べて微量のため、Ｈ２濃度、Ｏ２濃度の算出では無視することができる。
（元素バランス式）
　Ｃ：ａ＋ｆ＝ｎ１＋ｎ２＋ａ’ｎ８
　Ｈ：ｂ＋２ｇ＝２ｎ３＋２ｎ４＋ｂ’ｎ８
　Ｏ：ｃ＋２ｄ＋２ｆ＋ｇ＝２ｎ１＋ｎ２＋ｎ３＋２ｎ５＋ｎ６
　Ｎ：２ｅ＝ｎ６＋２ｎ７
　ｎ０：燃焼排ガスの全物質量　ｎ０＝ｎ１＋ｎ２＋ｎ３＋ｎ４＋ｎ５＋ｎ６＋ｎ７＋ｎ８
　ｘｋ：成分ｋのモル分率（ｘｋ＝ｎｋ／ｎ０）（ｋ＝１～８）
　　　ｋ＝１；ＣＯ２、　２；ＣＯ、　３；Ｈ２Ｏ、　４；Ｈ２、
　　　　　５；Ｏ２、　６；ＮＯ、　７；Ｎ２、　８；ＴＨＣ（Ｃａ’Ｈｂ’）
　ａ’ｎ８＝ｎ０ｘＴＨＣとし、ｘＴＨＣ／ｐｐｍＣの単位で扱う。
　ｕｋ：燃料を除く吸気成分ｊのモル分率（ｕｊ＝ｊ／（ｄ＋ｅ＋ｆ＋ｇ））
　　　ｊ＝ｄ；Ｏ２、　ｅ；Ｎ２、　ｆ；ＣＯ２、　ｇ；Ｈ２Ｏ
　ｎｒ：燃料を除く吸気と排気の総モル数比　ｎｒ＝（ｄ＋ｅ＋ｆ＋ｇ）／ｎ０
　そして、Ｃの元素バランス式から以下の関係式が得られる。
Figure JPOXMLDOC01-appb-M000001
　また、ＣとＨとの元素バランス式から以下の関係式が得られる。
Figure JPOXMLDOC01-appb-M000002
　上記の式により、以下に示すＨ２濃度の式が得られる。なお、式が複雑になるため、以下の式では、吸気中のＣＯ２は他の成分に比べて微量のため無視している（ｕＣＯ２＝０）。
Figure JPOXMLDOC01-appb-M000003
　このように、Ｈ２濃度は、成分（ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ）の濃度で線形回帰できる。
　一方、ＯとＮとの元素バランス式から以下の関係式が得られる。なお、式が複雑になるので、以下では燃料中にＯが含まれない、かつ、吸気中のＣＯ２、Ｈ２Ｏは他の成分に比べて微量のため無視している。
Figure JPOXMLDOC01-appb-M000004
　乾燥空気のＯとＮとの物質量の比は一定のため、上記は一定値（定数Ａ）となる。これにより、以下の式が得られる。
Figure JPOXMLDOC01-appb-M000005
　上述したＨ２濃度の式（Ｈ／Ｃ元素バランス）で、上記式のＨ２項を消去すると、以下に示すＯ２濃度の式が得られる。
Figure JPOXMLDOC01-appb-M000006
　このように、Ｏ２濃度は、成分（ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ、ＮＯ）の濃度で線形回帰できる。
　この機械学習装置６は、ＣＰＵ、メモリ、入出力インターフェース、ＡＤ変換器、又はキーボード等の入力手段等を有するコンピュータであり、メモリに格納された機械学習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４に示すように、教師データを受け付ける教師データ受付部６１、及び、教師データを用いて機械学習する機械学習部６２等としての機能を発揮するものである。なお、この機械学習装置６は、上記の排ガス分析装置１００の演算処理装置５に組み込まれたものであっても良いし、機械学習装置６の一部の機能を演算処理装置５に備えさせても良い。
　教師データ受付部６１は、赤外ガス分析計（排ガス分析装置）とは異なるＨ２分析計（不図示）により得られたＨ２濃度の基準値と、赤外ガス分析計（排ガス分析装置）とは異なる、Ｏ２分析計（不図示）により得られたＯ２濃度の基準値と、赤外ガス分析計により得られたスペクトルデータとを含む教師データを受け付ける。この教師データに含まれるスペクトルデータは、演算処理装置５のスペクトルデータ生成部５１１により生成された吸光スペクトルデータであるが、排ガスの透過光スペクトルデータであっても良い。Ｈ２分析計には、例えば熱伝導式ガス分析計（ＴＣＤ）又は質量分析計等を用いてもよい。また、Ｏ２分析計には、例えばジルコニア式センサ又は磁気式酸素濃度計等を用いてもよい。
　機械学習部６２は、Ｈ２濃度の基準値とスペクトルデータとの関係を機械学習して、Ｈ２濃度とスペクトルデータとの相関を示すＨ２相関データ（Ｈ２濃度算出用の機械学習モデル）を生成するＨ２相関データ生成部６２１と、Ｏ２濃度の基準値とスペクトルデータとの関係を機械学習して、Ｏ２濃度とスペクトルデータとの相関を示すＯ２相関データ（Ｏ２濃度算出用の機械学習モデル）を生成するＯ２相関データ生成部６２２とを有している。
　ここで、Ｈ２相関データ生成部６２１により算出されたＨ２相関データ（Ｈ２濃度算出用の機械学習モデル）は、Ｈ２相関データ格納部６２３に格納され、Ｏ２相関データ生成部６２２により算出されたＯ２相関データ（Ｏ２濃度算出用の機械学習モデル）は、Ｏ２相関データ格納部６２４に格納される。
＜排ガス分析装置１００の特徴構成（Ｈ２濃度又はＯ２濃度の測定）＞
　そして、排ガス分析装置１００は、図５に示すように、機械学習装置６により生成されたＨ２相関データ（Ｈ２濃度算出用の機械学習モデル）を用いてＨ２濃度を算出可能であり、Ｏ２相関データ（Ｏ２濃度算出用の機械学習モデル）を用いてＯ２濃度を算出可能である。
　具体的に排ガス分析装置１００の演算処理装置５は、Ｈ２相関データを用いてＨ２濃度を算出するＨ２濃度算出部５２と、Ｏ２相関データを用いてＯ２濃度を算出するＯ２濃度算出部５３とを有している。なお、Ｈ２相関データは、Ｈ２相関データ格納部５４に格納されており、Ｏ２相関データは、Ｏ２相関データ格納部５５に格納されている。
　なお、機械学習装置６の一部又は全部が演算処理装置５に組み込まれている場合には、Ｈ２相関データ格納部５４を機械学習装置６のＨ２相関データ格納部６２３から構成しても良いし、Ｏ２相関データ格納部５５を機械学習装置６のＯ２相関データ格納部６２４から構成しても良い。
　Ｈ２濃度算出部５２は、スペクトルデータ生成部５１１により生成されたスペクトルデータと、Ｈ２相関データとから、排ガス中のＨ２濃度を算出するものである。
　ここで、Ｈ２相関データが吸光スペクトルデータを用いて生成された場合には、Ｈ２濃度算出部５２は、スペクトルデータ生成部５１１により生成された吸光スペクトルデータを用いてＨ２濃度を算出する。また、Ｈ２相関データが透過光スペクトルデータを用いて生成された場合には、Ｈ２濃度算出部５２は、スペクトルデータ生成部５１１により生成された透過光スペクトルデータを用いてＨ２濃度を算出する。
　Ｏ２濃度算出部５３は、スペクトルデータ生成部５１１により生成されたスペクトルデータと、Ｏ２相関データとから、燃焼排ガス中のＯ２濃度を算出するものである。
　ここで、Ｏ２相関データが吸光スペクトルデータを用いて生成された場合には、Ｏ２濃度算出部５３は、スペクトルデータ生成部５１１により生成された吸光スペクトルデータを用いてＯ２濃度を算出する。また、Ｏ２相関データが透過光スペクトルデータを用いて生成された場合には、Ｏ２濃度算出部５３は、スペクトルデータ生成部５１１により生成された透過光スペクトルデータを用いてＯ２濃度を算出する。
＜本実施形態の効果＞
　このように構成した本実施形態の分析装置１００によれば元素バランス式を用いてＨ２濃度及びＯ２濃度を推定できることを利用し、排ガス中のＨ２濃度又はＯ２濃度と光検出器４の検出信号から得られたスペクトルデータとの関係を学習した相関データ（機械学習モデル）を用いて、光検出器４の検出信号から得られたスペクトルデータから、Ｈ２濃度又はＯ２濃度を算出できるようになる。その結果、赤外光を用いた排ガス分析において、赤外光を吸収しないＨ２濃度又はＯ２濃度を測定することができる。
＜第１実施形態の変形例＞
　例えば、図６に示すように、教師データ受付部６１は、教師データとして、Ｈ２濃度の基準値と、Ｏ２濃度の基準値と、及び、スペクトルデータに加えて、スペクトルデータから得られ、元素バランス式に基づいて選択された個別成分濃度を受け付けるものであっても良い。そして、機械学習部６２において、Ｈ２相関データ生成部６２１は、Ｈ２濃度の基準値とスペクトルデータ及び個別成分濃度との関係を機械学習して、Ｈ２濃度とスペクトルデータ及び個別成分濃度との相関を示すＨ２相関データ（Ｈ２濃度算出用の機械学習モデル）を生成する。また、Ｏ２相関データ生成部６２２は、Ｏ２濃度の基準値とスペクトルデータ及び個別成分濃度との関係を機械学習して、Ｏ２濃度とスペクトルデータ及び個別成分濃度との相関を示すＯ２相関データ（Ｏ２濃度算出用の機械学習モデル）を生成する。このように教師データにスペクトルデータに加えて、元素バランス式に基づいて選択される個別成分濃度を含めることによって、Ｏ２濃度又はＨ２濃度の測定精度を向上させることができる。
＜変形実施形態１＞
　例えば、図７に示すように、教師データ受付部６１は、赤外ガス分析計（排ガス分析装置）とは異なるＨ２分析計により得られたＨ２濃度の基準値と、赤外ガス分析計（排ガス分析装置）とは異なるＯ２分析計により得られたＯ２濃度の基準値と、赤外ガス分析計（排ガス分析装置）により得られたスペクトルデータと、スペクトルデータから得られた個別成分濃度とを含む教師データを受け付ける。この教師データに含まれるスペクトルデータは、スペクトルデータ生成部５１１により生成された排ガスの透過光スペクトルデータであっても良いし、吸光スペクトルデータであっても良い。
　ここで、個別成分濃度は、個別成分分析部５１２により分析された例えばＣＯ、ＣＯ２、ＮＯ、Ｈ２Ｏ、ＮＯ２又は炭化水素成分（ＨＣ）等の個別成分濃度である。
　そして、この実施形態の機械学習装置６は、元素バランス式を用いてＨ２濃度の演算値（推定値）及びＯ２濃度の演算値（推定値）を推定する。つまり、上述した元素バランス式（物質量の保存則）から、Ｈ２濃度は、成分（ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ）の濃度で線形回帰でき、Ｏ２濃度は、成分（ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ、ＮＯ）の濃度で線形回帰できることを利用する。
　なお、上述した元素バランス式においてＴＨＣ濃度のａ’、ｂ’は未知数であり、かつ、個別成分の測定値には少なからず誤差があり、それらを単純代入した元素バランス式の算出値にも誤差が生じる。そこで、この実施形態では、特定成分濃度の演算値と基準値との濃度誤差を最小化問題により最小化した誤差最小値を求め、その誤差最小値とスペクトルとの相関を算出している。
　具体的に機械学習部６２は、Ｈ２濃度の基準値と元素バランス式から演算されたＨ２濃度の演算値（推定値）とのＨ２濃度誤差を最小化したＨ２誤差最小値を算出して、Ｈ２誤差最小値と、Ｈ２誤差最小値の算出に用いたパラメータとの相関を示す第１Ｈ２相関データを生成する第１Ｈ２相関データ生成部６２１ａと、スペクトルデータとＨ２誤差最小値との関係を算出して、第２Ｈ２相関データを生成する第２Ｈ２相関データ生成部６２１ｂとを有している。ここで、Ｈ２濃度誤差を最小化したＨ２誤差最小値の算出に用いたパラメータは、元素バランス式におけるＴＨＣ濃度を示すａ’、ｂ’である。その他、燃料のａ、ｂ及び／又は吸気水分をパラメータに加えて最小化問題を計算してＨ２誤差最小値を算出しても良い。
　また、機械学習部６２は、Ｏ２濃度の基準値と元素バランス式から演算されたＯ２濃度の演算値（推定値）とのＯ２濃度誤差を最小化したＯ２誤差最小値を算出して、Ｏ２誤差最小値と、Ｏ２誤差最小値の算出に用いたパラメータとの相関を示す第１Ｏ２相関データを生成する第１Ｏ２相関データ生成部６２２ａと、スペクトルデータとＯ２誤差最小値との関係を機械学習して、第２Ｏ２相関データを生成する第２Ｏ２相関データ生成部６２２ｂとを有している。ここで、Ｏ２濃度誤差を最小化したＯ２誤差最小値の算出に用いたパラメータは、元素バランス式におけるＴＨＣ濃度のａ’、ｂ’である。その他、燃料のａ、ｂ及び／又は吸気水分をパラメータに加えて最小化問題を計算してＨ２誤差最小値を算出しても良い。
　第１Ｈ２相関データ生成部６２１ａが生成する第１Ｈ２相関データは、「Ｈ２誤差最小値」と、「Ｈ２誤差最小値の算出に用いた元素バランス式のパラメータ」との相関を示すデータである。また、第２Ｈ２相関データ生成部６２１ｂが生成する第２Ｈ２相関データは、「スペクトルデータ」と、「Ｈ２誤差最小値」との相関を示すデータである。ここで、第１Ｈ２相関データは、第１Ｈ２相関データ格納部６２３ａに格納され、第２Ｈ２相関データは、第２Ｈ２相関データ格納部６２３ｂに格納される。
　また、第１Ｏ２相関データ生成部６２２ａが生成する第１Ｏ２相関データは、「Ｏ２誤差最小値」と、「Ｏ２誤差最小値の算出に用いた元素バランス式のパラメータ」との相関を示すデータである。また、第２Ｏ２相関データ生成部６２２ｂが生成する第２Ｏ２相関データは、「スペクトルデータ」と、「Ｏ２誤差最小値」との相関を示すデータである。ここで、第１Ｏ２相関データは、第１Ｏ２相関データ格納部６２４ａに格納され、第２Ｏ２相関データは、第２Ｏ２相関データ格納部６２４ｂに格納される。
　そして、排ガス分析装置１００は、図８に示すように、機械学習装置６により生成された第１Ｈ２相関データ及び第２Ｈ２相関データ（Ｈ２濃度算出用の機械学習モデル）を用いてＨ２濃度を算出可能であり、第１Ｏ２相関データ及び第２Ｏ２相関データ（Ｏ２濃度算出用の機械学習モデル）を用いてＯ２濃度を算出可能である。
　具体的に排ガス分析装置１００の演算処理装置５は、スペクトルデータと第２Ｈ２相関データとから、Ｈ２誤差最小値を算出するＨ２誤差最小値算出部５２ａと、Ｈ２誤差最小値算出部５２ａにより得られたＨ２誤差最小値と第１Ｈ２相関データとから、排ガス中のＨ２濃度を算出するＨ２濃度算出部５２ｂとを有している。なお、第１Ｈ２相関データは、第１Ｈ２相関データ格納部５２ｃに格納されており、第２Ｈ２相関データは、第２Ｈ２相関データ格納部５２ｄに格納されている。
　また、演算処理装置５は、スペクトルデータと第２Ｏ２相関データとから、Ｏ２誤差最小値を算出するＯ２誤差最小値算出部５３ａと、Ｏ２誤差最小値算出部５３ａにより得られたＯ２誤差最小値と第１Ｏ２相関データとから、排ガス中のＯ２濃度を算出するＯ２濃度算出部５３ｂとを有している。なお、第１Ｏ２相関データは、第１Ｏ２相関データ格納部５３ｃに格納されており、第２Ｏ２相関データは、第２Ｏ２相関データ格納部５３ｄに格納されている。
　なお、機械学習装置６の一部又は全部が演算処理装置５に組み込まれている場合には、第１Ｈ２相関データ格納部５２ｃ又は第２Ｈ２相関データ格納部５２ｄそれぞれを、機械学習装置６の第１Ｈ２相関データ格納部６２３ａ又は第２Ｈ２相関データ格納部６２３ｂそれぞれから構成しても良いし、第１Ｏ２相関データ格納部５３ｃ又は第２Ｏ２相関データ格納部５３ｄそれぞれを、機械学習装置６の第１Ｏ２相関データ格納部６２４ａ又は第２Ｏ２相関データ格納部６２４ｂそれぞれから構成しても良い。
＜変形実施形態１の変形例＞
　前記変形実施形態１において、教師データに含まれる個別成分濃度に代えて、個別成分濃度及び元素バランス式から演算された特定成分濃度の演算値を用いても良い。具体的には、特定成分濃度の基準値と特定成分濃度の演算値との誤差を最小化した誤差最小値を示す第１相関データを教師データに含めても良い。この場合、第１相関データを生成する情報処理装置（不図示）が演算処理装置５とは別に設けられており、演算処理装置５は、スペクトルデータと誤差最小値との関係を機械学習して、スペクトルに対する前記誤差最小値の第２相関データを生成する第２相関データ生成部を有する構成なる。
＜第１実施形態の変形例＞
　例えば、図６に示すように、教師データ受付部６１は、教師データとして、Ｈ２濃度の基準値と、Ｏ２濃度の基準値と、及び、スペクトルデータに加えて、スペクトルデータから得られ、元素バランス式に基づいて選択された個別成分濃度を受け付けるものであっても良い。そして、機械学習部６２において、Ｈ２相関データ生成部６２１は、Ｈ２濃度の基準値とスペクトルデータ及び個別成分濃度との関係を機械学習して、Ｈ２濃度とスペクトルデータ及び個別成分濃度との相関を示すＨ２相関データ（Ｈ２濃度算出用の機械学習モデル）を生成する。また、Ｏ２相関データ生成部６２２は、Ｏ２濃度の基準値とスペクトルデータ及び個別成分濃度との関係を機械学習して、Ｏ２濃度とスペクトルデータ及び個別成分濃度との相関を示すＯ２相関データ（Ｏ２濃度算出用の機械学習モデル）を生成する。このように教師データにスペクトルデータに加えて、元素バランス式に基づいて選択される個別成分濃度を含めることによって、Ｏ２濃度又はＨ２濃度の測定精度を向上させることができる。
＜変形実施形態２＞
　また、図９に示すように、教師データ受付部６１は、赤外ガス分析計（排ガス分析装置）とは異なるＨ２分析計により得られたＨ２濃度の基準値と、赤外ガス分析計（排ガス分析装置）とは異なるＯ２分析計により得られたＯ２濃度の基準値と、赤外ガス分析計（排ガス分析装置）により得られた個別成分濃度とを含む教師データを受け付ける。この教師データに含まれる個別成分濃度は、個別成分分析部５１２により分析された例えばＣＯ、ＣＯ２、ＮＯ、Ｈ２Ｏ、ＮＯ２又は炭化水素成分（ＨＣ）等の個別成分濃度である。
　機械学習部６２は、Ｈ２濃度の基準値とＨ２濃度の演算値（推定値）との関係を機械学習して、Ｈ２相関データを生成するＨ２相関データ生成部６２１と、Ｏ２濃度の基準値とＯ２濃度の演算値（推定値）との関係を機械学習して、Ｏ２相関データを生成するＯ２相関データ生成部６２２とを有している。
　ここで、Ｈ２濃度の演算値（推定値）及びＯ２濃度の演算値（推定値）は、上述した燃料の燃焼式から求まる元素バランス式を用いて推定することができる。つまり、元素バランス式（物質量の保存則）から、Ｈ２濃度は、成分（ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ）の濃度で線形回帰でき、Ｏ２濃度は、成分（ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ、ＮＯ）の濃度で線形回帰できることを利用する。ここで、Ｈ２濃度の線形回帰式において、成分（ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ）の濃度に加えて、ＮＯ濃度を加えることで、Ｈ２濃度の測定精度を向上させることができる。
　Ｈ２相関データ生成部６２１により生成されたＨ２相関データ（Ｈ２濃度算出用の機械学習モデル）は、Ｈ２相関データ格納部６２３に格納され、Ｏ２相関データ生成部６２２により生成されたＯ２相関データ（Ｏ２濃度算出用の機械学習モデル）は、Ｏ２相関データ格納部６２４に格納される。
　そして、排ガス分析装置１００は、図１０に示すように、機械学習装置６により生成されたＨ２相関データ（Ｈ２濃度算出用の機械学習モデル）を用いてＨ２濃度を算出可能であり、Ｏ２相関データ（Ｏ２濃度算出用の機械学習モデル）を用いてＯ２濃度を算出可能である。
　具体的に排ガス分析装置１００の演算処理装置５は、個別成分濃度とＨ２相関データとから、燃焼排ガス中のＨ２濃度を算出するＨ２濃度算出部５２と、個別成分濃度とＯ２相関データとから、燃焼排ガス中のＯ２濃度を算出するＯ２濃度算出部５３とを有している。
　なお、機械学習装置６の一部又は全部が演算処理装置５に組み込まれている場合には、Ｈ２相関データ格納部５４を機械学習装置６のＨ２相関データ格納部６２３から構成しても良いし、Ｏ２相関データ格納部５５を機械学習装置６のＯ２相関データ格納部６２４から構成しても良い。
　ここで、Ｈ２濃度算出部は、個別成分濃度からＨ２濃度の演算値を演算し、その演算値とＨ２相関データとから、燃焼排ガス中のＨ２濃度を算出する。また、Ｏ２濃度算出部は、個別成分濃度からＯ２濃度の演算値を演算し、その演算値とＯ２相関データとから、燃焼排ガス中のＯ２濃度を算出する。
　上記の元素バランス式に用いるＴＨＣ濃度は、赤外ガス分析計（排ガス分析装置）とは異なるＴＨＣ分析装置により得られたＴＨＣ濃度を用いることが考えられる。
　また、排ガス分析装置１００が、図１１に示すように、ＴＨＣ濃度の基準値とスペクトルデータとの関係を学習したＴＨＣ相関データを格納するＴＨＣ相関データ格納部５６と、赤外ガス分析計（スペクトルデータ生成部５１１）により得られたスペクトルデータとＴＨＣ相関データとから、燃焼排ガス中のＴＨＣ濃度を算出するＴＨＣ濃度算出部５７とをさらに備えた構成とし、当該ＴＨＣ濃度算出部５７により得られたＴＨＣ濃度を用いても良い。
　さらに、図１２に示すように、機械学習装置６において、教師データ受付部６１は、赤外ガス分析計（排ガス分析装置）とは異なるＴＨＣ分析計により得られたＴＨＣ濃度の基準値と、スペクトルデータと含む教師データを受け付けるものであり、機械学習部６２は、ＴＨＣ濃度の基準値とスペクトルデータとの関係を機械学習して、ＴＨＣ相関データを生成するＴＨＣ相関データ生成部６２５を有する構成としても良い。このＴＨＣ相関データ生成部６２５により生成されたＴＨＣ相関データは、ＴＨＣ相関データ格納部６２６に格納される。
　上記の変形実施形態１、２において用いる個別成分濃度は、ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ、ＮＯの全ての成分の濃度であっても良いし、ＣＯ２、ＣＯ、Ｈ２Ｏ、ＴＨＣ、ＮＯの一部の成分の濃度であっても良い。
　また、元素バランス式から演算された特定成分濃度の演算値を用いて機械学習する他に、特定成分濃度の演算値を求めることなく、個別成分濃度と特定成分濃度との関係を機械学習する構成としても良い。
　加えて、変形実施形態１において、第１Ｈ２相関データ生成部６２１ａ又は第２Ｈ２相関データ生成部６２１ｂは、個別成分濃度から求まるＨ２濃度の演算値に加えて、個別成分濃度及び／又はＯ２濃度の基準値を用いて相関データを算出するように構成しても良い。また、第１Ｏ２相関データ生成部６２２ａ又は第２Ｏ２相関データ生成部６２２ｂは、個別成分濃度から求まるＯ２濃度の演算値に加えて、個別成分濃度及び／又はＨ２濃度の基準値を用いて相関データを算出するように構成しても良い。このように機械学習するパラメータを増やすことによって、Ｈ２濃度又はＯ２濃度の測定精度を向上させることができる。
　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。
　排ガス分析装置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い。排ガス分析装置１００としては、フーリエ変換型赤外分光法以外にも、例えば、ＮＤＩＲ、量子カスケードレーザ赤外分光法、非分散形赤外吸収方式、化学発光法（ケミルミネッセンス法）、又はこれらを組み合わせた手法等を用いてもよい。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、発電所又は焼却炉から排出された排ガスを分析することも可能である。また、内燃機関のテールパイプ、又は発電所等の煙道だけなく、環境中に含まれる排ガスの成分を分析するものであってもよい。また、排ガス分析装置は、赤外光以外の光を用いたものであっても良い。
　その他、本発明の趣旨に反しない限りにおいて様々な実施形態の変形や組み合わせを行っても構わない。
　上記した本発明よれば、分析装置において他の分析計を用いて測定する必要があったＨ２濃度又はＯ２濃度を測定できる。
１００・・・排ガス分析装置
１・・・赤外光源
４・・・光検出器
５・・・演算処理装置
５２・・・Ｈ２濃度算出部
５２ａ・・・Ｈ２濃度誤差算出部
５２ｂ・・・Ｈ２濃度算出部
５２ｃ・・・第１Ｈ２相関データ格納部
５２ｄ・・・第２Ｈ２相関データ格納部
５３・・・Ｏ２濃度算出部
５３ａ・・・Ｏ２濃度誤差算出部
５３ｂ・・・Ｏ２濃度算出部
５３ｃ・・・第１Ｏ２相関データ格納部
５３ｄ・・・第２Ｏ２相関データ格納部
５４・・・Ｈ２相関データ格納部
５５・・・Ｏ２相関データ格納部
５６・・・ＴＨＣ相関データ格納部
５７・・・ＴＨＣ濃度算出部
６・・・機械学習装置
６１・・・教師データ受付部
６２・・・機械学習部
６２１・・・Ｈ２相関データ生成部
６２２・・・Ｏ２相関データ生成部
６２３・・・Ｈ２相関データ格納部
６２４・・・Ｏ２相関データ格納部
６２１ａ・・・第１Ｈ２相関データ生成部
６２１ｂ・・・第２Ｈ２相関データ生成部
６２２ａ・・・第１Ｏ２相関データ生成部
６２２ｂ・・・第２Ｏ２相関データ生成部
６２３ａ・・・第１Ｈ２相関データ格納部
６２３ｂ・・・第２Ｈ２相関データ格納部
６２４ａ・・・第１Ｏ２相関データ格納部
６２４ｂ・・・第２Ｏ２相関データ格納部
６２５・・・ＴＨＣ相関データ生成部
６２６・・・ＴＨＣ相関データ格納部
 

Claims (15)

  1. 　燃焼排ガスに光を照射して前記燃焼排ガスを透過した光を検出し、その検出信号に基づいて前記燃焼排ガスを分析する排ガス分析装置に用いられる機械学習装置であって、
    　教師データを受け付ける教師データ受付部と、
    　前記教師データを用いて機械学習する機械学習部とを備え、
    　前記教師データ受付部は、
    　　前記排ガス分析装置とは異なる分析計により得られたＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度の基準値と、
    　　前記燃焼排ガスに光を照射して得られたスペクトルデータ、又は前記特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、前記元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つと、を含む教師データを受け付けるものであり、
    　前記機械学習部は、
    　　前記特定成分濃度の基準値と、
    　　前記スペクトルデータ、前記個別成分濃度、又は、前記特定成分濃度の演算値の少なくとも１つとの関係を機械学習して特定成分相関データを生成するものである、機械学習装置。
  2. 　前記教師データ受付部は、前記特定成分濃度の基準値と、前記スペクトルデータとを含む教師データを受け付けるものであり、
    　前記機械学習部は、前記特定成分濃度の基準値と、前記スペクトルデータとの関係を機械学習して前記特定成分相関データを生成するものである、請求項１に記載の機械学習装置。
  3. 　前記教師データ受付部は、さらに前記個別成分濃度を教師データとして受けるものであり、
    　前記機械学習部は、前記特定成分濃度の基準値と、前記スペクトルデータと、前記個別成分濃度との関係を機械学習して記特定成分相関データを生成するものである、請求項２に記載の機械学習装置。
  4. 　前記機械学習部は、
    　　前記特定成分濃度の基準値と前記特定成分濃度の演算値との誤差を最小化した誤差最小値を算出して、前記誤差最小値と、前記誤差最小値の算出に用いたパラメータとの相関を示す第１相関データを前記特定成分相関データの一部として生成する第１相関データ生成部と、
    　　前記スペクトルデータと前記誤差最小値との関係を機械学習して、前記スペクトルデータと前記誤差最小値との相関を示す第２相関データを前記特定成分相関データの一部として生成する第２相関データ生成部とを有する、請求項１乃至３の何れか一項に記載の機械学習装置。
  5. 　前記教師データ受付部は、前記特定成分濃度の基準値と、前記個別成分濃度とを含む教師データを受け付けるものであり、
    　前記機械学習部は、前記特定成分濃度の基準値と、前記個別成分濃度との関係を機械学習して前記特定成分相関データを生成するものである、請求項１に記載の機械学習装置。
  6. 　前記特定成分相関データとしてＨ２相関データを機械学習する場合には、前記個別成分濃度は、ＣＯ２濃度、ＣＯ濃度、Ｈ２Ｏ濃度、又はＴＨＣ濃度の少なくとも１つであり、
    　前記特定成分相関データとしてＯ２相関データを機械学習する場合には、前記個別成分濃度は、ＣＯ２濃度、ＣＯ濃度、Ｈ２Ｏ濃度、ＴＨＣ濃度、又はＮＯ濃度の少なくとも１つである、請求項１乃至５の何れか一項に記載の機械学習装置。
  7. 　前記教師データ受付部は、前記排ガス分析装置とは異なる分析計により得られたＴＨＣ濃度の基準値と、前記スペクトルデータと含む教師データを受け付けるものであり、
    　前記機械学習部は、前記ＴＨＣ濃度の基準値と前記スペクトルデータとの関係を機械学習してＴＨＣ相関データを生成する、請求項１乃至６の何れか一項に記載の機械学習装置。
  8. 　前記個別成分濃度は、ＴＨＣ濃度を含むものであり、当該ＴＨＣ濃度は、前記スペクトルデータと前記ＴＨＣ相関データとから求められたものである、請求項７に記載の機械学習装置。
  9. 　燃焼排ガスを分析する排ガス分析装置であって、
    　前記燃焼排ガスに光を照射する光源と、
    　前記燃焼排ガスを透過した光を検出する光検出器と、
    　請求項１乃至８の何れか一項に記載の機械学習装置により生成された特定成分相関データを格納する特定成分相関データ格納部と、
    　前記スペクトルデータ、前記個別成分濃度、又は、前記特定成分濃度の演算値の少なくとも１つと、前記特定成分相関データとから、前記燃焼排ガス中の特定成分濃度を算出する特定成分濃度算出部とを備える、排ガス分析装置。
  10. 　前記燃焼排ガスが自動車の排ガスである、請求項９に記載の排ガス分析装置。
  11. 　フーリエ変換型赤外分光法を用いたものである、請求項９又は１０に記載の排ガス分析装置。
  12. 　燃焼排ガスに光を照射して前記燃焼排ガスを透過した光を検出し、その検出信号に基づいて前記燃焼排ガスを分析する排ガス分析装置に用いられる機械学習方法であって、
    　教師データを受け付ける教師データ受付ステップと、
    　前記教師データを用いて機械学習する機械学習ステップとを備え、
    　前記教師データ受付ステップは、
    　　前記排ガス分析装置とは異なる分析計により得られたＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度の基準値と、
    　　前記燃焼排ガスに光を照射して得られたスペクトルデータ、又は前記特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、前記元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つと、を含む教師データを受け付け、
    　前記機械学習ステップは、
    　　前記特定成分濃度の基準値と、
    　　前記スペクトルデータ、前記個別成分濃度、又は、前記特定成分濃度の演算値の少なくとも１つとの関係を機械学習して特定成分相関データを生成する、機械学習方法。
  13. 　燃焼排ガスに光を照射して前記燃焼排ガスを透過した光を検出し、その検出信号に基づいて前記燃焼排ガスを分析する排ガス分析装置に用いられる機械学習プログラムであって、
    　教師データを受け付ける教師データ受付部としての機能と、
    　前記教師データを用いて機械学習する機械学習部としての機能とをコンピュータに備えさせ、
    　前記教師データ受付部は、
    　　前記排ガス分析装置とは異なる分析計により得られたＨ２濃度又はＯ２濃度の少なくとも１つである特定成分濃度の基準値と、
    　　前記燃焼排ガスに光を照射して得られたスペクトルデータ、又は前記特定成分濃度を求めるための元素バランス式に基づいて選択された個別成分濃度、又は、前記元素バランス式に前記個別成分濃度を用いて演算された特定成分濃度の演算値の少なくとも１つと、を含む教師データを受け付けるものであり、
    　前記機械学習部は、前記特定成分濃度の基準値と、前記スペクトルデータ、前記個別成分濃度、又は、前記特定成分濃度の演算値の少なくとも１つとの関係を機械学習して特定成分相関データを生成するものである、機械学習プログラム。
  14. 　燃焼排ガスに光を照射する光源と、前記燃焼排ガスを透過した光を検出する光検出器とを用いて燃焼排ガスを分析する排ガス分析方法であって、
    　請求項１乃至８の何れか一項に記載の機械学習装置により生成された特定成分相関データを用い、前記スペクトルデータ、前記個別成分濃度、又は前記特定成分濃度の演算値の少なくとも１つと、前記特定成分相関データとから、前記燃焼排ガス中の特定成分濃度を算出する、排ガス分析方法。
  15. 　燃焼排ガスに光を照射する光源と、前記燃焼排ガスを透過した光を検出する光検出器とを用いた排ガス分析装置に用いられる排ガス分析プログラムであって、
    　請求項１乃至８の何れか一項に記載の機械学習装置により生成された特定成分相関データを格納する特定成分相関データ格納部としての機能と、
    　前記スペクトルデータ、前記個別成分濃度、又は前記特定成分濃度の演算値の少なくとも１つと、前記特定成分相関データとから、前記燃焼排ガス中の特定成分濃度を算出する特定成分濃度算出部としての機能とをコンピュータに備えさせる、排ガス分析プログラム。
PCT/JP2022/039964 2021-12-28 2022-10-26 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 Ceased WO2023127262A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/717,865 US20240418638A1 (en) 2021-12-28 2022-10-26 Machine learning device, exhaust gas analysis device, machine learning method, exhaust gas analysis method, machine learning program, and exhaust gas analysis program
JP2023570679A JPWO2023127262A1 (ja) 2021-12-28 2022-10-26
DE112022006203.7T DE112022006203T5 (de) 2021-12-28 2022-10-26 Vorrichtung für maschinelles Lernen, Abgasanalysevorrichtung, Verfahren für maschinelles Lernen, Abgasanalyseverfahren, Programm für maschinelles Lernen und Abgasanalyseprogramm

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-213871 2021-12-28
JP2021213871 2021-12-28

Publications (1)

Publication Number Publication Date
WO2023127262A1 true WO2023127262A1 (ja) 2023-07-06

Family

ID=86998617

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/039964 Ceased WO2023127262A1 (ja) 2021-12-28 2022-10-26 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

Country Status (4)

Country Link
US (1) US20240418638A1 (ja)
JP (1) JPWO2023127262A1 (ja)
DE (1) DE112022006203T5 (ja)
WO (1) WO2023127262A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233120A (zh) * 2023-11-14 2023-12-15 山东大学 基于机器学习和高光谱图像的污染气体检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018136911A1 (en) * 2017-01-23 2018-07-26 Honeywell International Inc. Equipment and method for three-dimensional radiance and gas species field estimation in an open combustion environment
WO2018165029A1 (en) * 2017-03-06 2018-09-13 Ion Engineering, Llc Carbon dioxide capture system and spectroscopic evaluation thereof
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
JP2020094990A (ja) * 2018-12-14 2020-06-18 株式会社堀場製作所 光学分析装置、並びに光学分析装置に用いられる機械学習装置及びその方法
JP2020201097A (ja) * 2019-06-07 2020-12-17 株式会社堀場製作所 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
JP2021004765A (ja) * 2019-06-25 2021-01-14 株式会社堀場製作所 分析装置、分析方法及び分析装置用プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4079404B2 (ja) 1999-06-04 2008-04-23 株式会社堀場製作所 Ｆｔｉｒ法による多成分ガス分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018136911A1 (en) * 2017-01-23 2018-07-26 Honeywell International Inc. Equipment and method for three-dimensional radiance and gas species field estimation in an open combustion environment
WO2018165029A1 (en) * 2017-03-06 2018-09-13 Ion Engineering, Llc Carbon dioxide capture system and spectroscopic evaluation thereof
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
JP2020094990A (ja) * 2018-12-14 2020-06-18 株式会社堀場製作所 光学分析装置、並びに光学分析装置に用いられる機械学習装置及びその方法
JP2020201097A (ja) * 2019-06-07 2020-12-17 株式会社堀場製作所 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
JP2021004765A (ja) * 2019-06-25 2021-01-14 株式会社堀場製作所 分析装置、分析方法及び分析装置用プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233120A (zh) * 2023-11-14 2023-12-15 山东大学 基于机器学习和高光谱图像的污染气体检测方法及系统
CN117233120B (zh) * 2023-11-14 2024-02-09 山东大学 基于机器学习和高光谱图像的污染气体检测方法及系统

Also Published As

Publication number Publication date
JPWO2023127262A1 (ja) 2023-07-06
DE112022006203T5 (de) 2024-10-31
US20240418638A1 (en) 2024-12-19

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
CN113496100B (zh) 用于外推校准光谱的系统和计算机实施的方法
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)
Cui et al. Photonic sensing of the atmosphere by absorption spectroscopy
JP7657219B2 (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
US11448589B2 (en) Analyzer, analysis method, and a program recording medium recorded with a program for analyzer
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
JP2018091827A (ja) ガス分析装置及びガス分析方法
JP2000346801A5 (ja)
Kawai et al. Compressive dual-comb spectroscopy
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
US20130166225A1 (en) Sample gas analyzing device and computer program for the same
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
CN120043992A (zh) 基于近红外光谱的车用汽油中甲醇和乙醇检测方法及装置
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
JPWO2019012773A1 (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
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
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
JP3020626B2 (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
JPWO2023127262A5 (ja)
JP2649667B2 (ja) 分光分析における多成分分析方法
Fang et al. Line-by-line trace gas absorption model and its application for NDIR gas detection technology
Yang et al. Study on temperature influence of infrared gas composition detection
CN118940398A (zh) 一种航空发动机热射流辐射光谱仿真方法
CN116235034A (zh) 排气分析装置、排气分析方法及排气分析装置用程序存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22915496

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023570679

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18717865

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 112022006203

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22915496

Country of ref document: EP

Kind code of ref document: A1