WO2024127968A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2024127968A1
WO2024127968A1 PCT/JP2023/042471 JP2023042471W WO2024127968A1 WO 2024127968 A1 WO2024127968 A1 WO 2024127968A1 JP 2023042471 W JP2023042471 W JP 2023042471W WO 2024127968 A1 WO2024127968 A1 WO 2024127968A1
Authority
WO
WIPO (PCT)
Prior art keywords
concentration
correlation
component
data
sensor signal
Prior art date
Application number
PCT/JP2023/042471
Other languages
English (en)
French (fr)
Inventor
祐治 業天
崇志 齋藤
Original Assignee
株式会社堀場製作所
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 株式会社堀場製作所 filed Critical 株式会社堀場製作所
Publication of WO2024127968A1 publication Critical patent/WO2024127968A1/ja

Links

Images

Definitions

  • the present invention relates to an analysis device, a machine learning device, a computing device, an analysis method, and an analysis program.
  • Patent Document 1 Conventionally, an analytical device using Fourier transform infrared spectroscopy (FTIR) as shown in Patent Document 1 has been considered for measuring the concentration of total hydrocarbons (THC) contained in a measurement sample, such as automobile exhaust gas.
  • FTIR Fourier transform infrared spectroscopy
  • This analytical device using FTIR uses correlation data that indicates the correlation between the spectral data obtained by FTIR and the THC concentration.
  • This correlation data is a learning model (THC estimation model) generated by machine learning of the THC concentration actually measured by, for example, an FID analyzer and the spectral data obtained by FTIR.
  • THC estimation model is sensitive to the hydrocarbons contained in the spectral data used for machine learning.
  • the estimated THC concentration will be lower than the actual value.
  • the above problem is not limited to estimating THC concentration, but can also occur when estimating the concentrations of other components, and when the types of components contained in the data used for machine learning differ from the types of components contained in the measurement sample.
  • the present invention was made in consideration of the above-mentioned problems, and its main objective is to estimate with high accuracy the concentration of the target component contained in the measurement sample.
  • the analytical device is characterized by comprising a measurement sensor that outputs a sensor signal related to a measurement sample, a correlation data storage unit that stores first correlation data and second correlation data that are different from each other and indicate a correlation between the sensor signal or a feature amount obtained from the sensor signal and the concentration of a measurement target component contained in the measurement sample, a first concentration calculation unit that calculates a first concentration of the measurement target component based on the sensor signal or the feature amount and the first correlation data, a second concentration calculation unit that calculates a second concentration of the measurement target component based on the sensor signal or the feature amount and the second correlation data, and a third concentration calculation unit that calculates a third concentration of the measurement target component by combining a predetermined frequency component of the first concentration and a predetermined frequency component of the second concentration.
  • Such an analytical device uses first and second correlation data that are different from each other to calculate the first and second concentrations of the component to be measured, and then calculates the third concentration of the component to be measured by combining a predetermined frequency component of the first concentration with a predetermined frequency component of the second concentration. This reduces the noise components contained in these concentrations, making it possible to estimate the concentration of the component to be measured with high accuracy.
  • the third concentration calculation unit calculates the third concentration by combining the low frequency component of either the first concentration or the second concentration with the high frequency component of the other of the first concentration or the second concentration.
  • the third concentration calculation unit uses a complementary filter to synthesize a predetermined frequency component of the first concentration and a predetermined frequency component of the second concentration to calculate the third concentration.
  • the first correlation data is preferably a machine learning model created using a measurement sample containing a specific component
  • the second correlation data is preferably a machine learning model created using a measurement sample not containing the specific component
  • a specific component may be, for example, benzene (C 6 H 6 ). That is, the first correlation data is a machine learning model created using a measurement sample containing benzene (C 6 H 6 ), and the second correlation data is a machine learning model created using a measurement sample not containing benzene (C 6 H 6 ).
  • the first concentration (THC concentration) calculated using the first correlation data will have a large noise component.
  • the second concentration (THC concentration) calculated using the second correlation data will be lower than the actual concentration, but will contain a small noise component.
  • the third concentration calculation unit may calculate the third concentration by combining the low frequency component of the first concentration and the high frequency component of the second concentration.
  • the analytical device When the third concentration is calculated by combining the first and second concentrations based on the frequency components as described above, an error (bias) will occur when the concentration of a specific indicator component is low, depending on the presence or concentration of the specific indicator component contained in the measurement sample.
  • the analytical device it is desirable for the analytical device to further include a fourth concentration calculation unit that calculates a fourth concentration of the component to be measured by switching between the first concentration, the second concentration, and the third concentration depending on the presence or absence or concentration of a predetermined indicator component contained in the measurement sample.
  • a specific embodiment for calculating the fourth concentration may further include a selection pattern data storage unit that stores selection pattern data indicating selection patterns of the first concentration, the second concentration, and the third concentration in each case of the presence or absence or concentration of the indicator component, and the fourth concentration calculation unit calculates the fourth concentration from the concentration of the indicator component and the selection pattern data.
  • the selection pattern data may be correlation value data that indicates the correlation values between the first concentration, the second concentration, and the third concentration in the presence or absence or concentration of the indicator component and the actual measured value of the component to be measured.
  • the effect of the present invention is prominent when the components to be measured are all hydrocarbon components.
  • a specific embodiment in which the effect of the present invention is prominent is when the measurement sample is automobile exhaust gas.
  • the analytical device of the present invention is of the so-called FTIR type, which uses Fourier transform infrared spectroscopy.
  • the machine learning device is a machine learning device that machine-learns the first correlation data and the second correlation data used in the above-mentioned analysis device, and is characterized in that it generates the first correlation data by machine learning a dataset including the actual THC concentration value of a reference sample containing the specific component and the absorption spectrum data obtained by an FTIR analysis device, and generates the second correlation data by machine learning a dataset including the actual THC concentration value of a reference sample not containing the specific component and the absorption spectrum data obtained by an FTIR analysis device.
  • the calculation device is a calculation device that generates the selection pattern data used in the above-mentioned analysis device, and is characterized in that it uses a data set including the actual THC concentration value of a reference sample containing the indicator component, the first concentration obtained by the first concentration calculation unit, the second concentration obtained by the second concentration calculation unit, and the third concentration obtained by the third concentration calculation unit to calculate correlation values between the actual THC concentration value and each of the first concentration, second concentration, and third concentration depending on the concentration or presence or absence of the indicator component, and generates correlation value data indicating the correlation values between the actual THC concentration value and each of the first concentration, second concentration, and third concentration in the concentration or presence or absence of the indicator component as the selection pattern data.
  • the analytical method according to the present invention is an analytical method using a measurement sensor that outputs a sensor signal related to a measurement sample, and first correlation data and second correlation data that are different from each other and indicate a correlation between the sensor signal or a feature value obtained from the sensor signal and the concentration of a component to be measured contained in the measurement sample, and is characterized in that a first concentration of the component to be measured is calculated based on the sensor signal or the feature value and the first correlation data, a second concentration of the component to be measured is calculated based on the sensor signal or the feature value and the second correlation data, and a predetermined frequency component of the first concentration and a predetermined frequency component of the second concentration are synthesized to calculate a third concentration of the component to be measured.
  • the analysis program according to the present invention is an analysis program using a measurement sensor that outputs a sensor signal related to a measurement sample, and is characterized in that the computer is provided with the following functions: a correlation data storage unit that stores first correlation data and second correlation data that are different from each other and indicate the correlation between the sensor signal or a feature value obtained from the sensor signal and the concentration of the component to be measured contained in the measurement sample; a first concentration calculation unit that calculates a first concentration of the component to be measured based on the sensor signal or the feature value and the first correlation data; a second concentration calculation unit that calculates a second concentration of the component to be measured based on the sensor signal or the feature value and the second correlation data; and a third concentration calculation unit that calculates a third concentration of the component to be measured by combining a predetermined frequency component of the first concentration and a predetermined frequency component of the second concentration.
  • the present invention configured in this way makes it possible to estimate the concentration of the target component contained in the measurement sample with high accuracy.
  • FIG. 1 is a schematic diagram showing an analysis device according to an embodiment of the present invention.
  • FIG. 2 is a functional block diagram of a processor according to the embodiment.
  • FIG. 2 is a functional block diagram of the machine learning device according to the embodiment.
  • 11 is a schematic diagram showing a method for creating selection pattern data in the arithmetic device according to the embodiment.
  • FIG. 13 is a diagram showing a flow of calculation processing of first to fourth concentrations in the calculation processing device in the embodiment.
  • FIG. FIG. 11 is a diagram showing the estimation result of THC concentration in the same embodiment.
  • 13A and 13B are schematic diagrams showing a method of creating selection pattern data in a modified embodiment.
  • FIG. 13 is a functional block diagram of a processor according to a modified embodiment.
  • FIG. 13 is a schematic diagram showing the calculation process of the analysis device in a modified embodiment.
  • the analysis device 100 of this embodiment constitutes, for example, a part of an exhaust gas measurement system.
  • This exhaust gas measurement system includes a chassis dynamometer, an exhaust gas sampling device that directly samples exhaust gas from a test vehicle, which is a test specimen running on the chassis dynamometer, without diluting the exhaust gas, and the analysis device 100 that analyzes the components in the sampled exhaust gas.
  • the test equipment for the test specimen may be, in addition to the chassis dynamometer, a dynamometer for an engine and/or a motor if the test specimen is an engine and/or a motor, or a powertrain dynamometer if the test specimen is a powertrain.
  • the exhaust gas sampling device may be one that dilutes the sampled exhaust gas.
  • the analysis device 100 is an analysis device that uses Fourier transform infrared spectroscopy (FTIR) and is equipped with an infrared light source 1, an interferometer (spectroscopic section) 2, a measurement cell 3, a photodetector 4, an arithmetic processing device 5, etc.
  • FTIR analysis device 100 (hereinafter also referred to as FTIR analysis device 100) is used as an exhaust gas analysis device that measures the concentration of total hydrocarbon components (hereinafter also referred to as THC concentration) in the exhaust gas, which is the measurement sample.
  • the infrared light source 1 emits infrared light with a broad spectrum (continuous light containing light of many wave numbers), and may be, for example, a tungsten iodine lamp or a high-intensity ceramic light source.
  • the interferometer 2 uses a so-called Michelson interferometer, which is equipped with one half mirror (beam splitter) 21, a fixed mirror 22, and a movable mirror 23.
  • the light from the infrared light source 1 that enters this interferometer 2 is split by the half mirror 21 into reflected light and transmitted light.
  • One light is reflected by the fixed mirror 22, and the other is reflected by the movable mirror 23, returning again to the half mirror 21, where they are combined and emitted from the interferometer 2.
  • the measurement cell 3 is a transparent cell into which the sampled exhaust gas is introduced, and the light emitted from the interferometer 2 passes through the exhaust gas in the measurement cell 3 and is guided to the photodetector 4.
  • the photodetector 4 detects infrared light that has passed through the exhaust gas and outputs a sensor signal (light intensity signal) related to the exhaust gas to the processor 5.
  • the photodetector 4 in this embodiment is an MCT (HgCdTe) detector, but may be a photodetector having other infrared detection elements.
  • the arithmetic processing device 5 has analog electrical circuits including buffers, amplifiers, etc., digital electrical circuits including a CPU, memory, DSP, etc., and an A/D converter and other components interposed between them.
  • the arithmetic processing device 5 calculates transmitted light spectrum data indicating the spectrum of light transmitted through the measurement sample from the sensor signal (output value) of the photodetector 4, as shown in Figure 2, and calculates infrared absorption spectrum data from the transmitted light spectrum data, thereby identifying various components in the exhaust gas and functioning as a main analysis unit 51 that calculates the concentration of each component.
  • This main analysis unit 51 includes a spectral data generation unit 511 and an individual component analysis unit 512.
  • the light intensity draws a sine curve due to interference.
  • the sine curve differs for each wavenumber, so the actual light intensity is a superposition of the sine curves drawn by each wavenumber, and the interference pattern (interferogram) takes the form of a wave packet.
  • the spectral data generating unit 511 determines the position of the movable mirror 23 using a range finder (not shown), such as a HeNe laser (not shown), and determines the light intensity at each position of the movable mirror 23 using the photodetector 4.
  • the interference pattern obtained from these is then converted into transmitted light spectral data with each wave number component on the horizontal axis by performing a fast Fourier transform (FFT).
  • FFT fast Fourier transform
  • the individual component analysis unit 512 identifies various components (e.g., CO, CO2 , NO, H2O , NO2 , or hydrocarbon components (HC), etc.) contained in the measurement sample, for example, from the peak positions (wave numbers) and their heights in the absorption spectrum data, calculates the concentration of each component, and outputs this as individual component concentration data.
  • various components e.g., CO, CO2 , NO, H2O , NO2 , or hydrocarbon components (HC), etc.
  • the calculation processing device 5 is further provided with functions such as a correlation data storage unit 52, a first concentration calculation unit 53, a second concentration calculation unit 54, a third concentration calculation unit 55, a fourth concentration calculation unit 56, and a selection pattern data storage unit 57 so as to enable accurate measurement of the concentration of THC, which is the measurement target component of the exhaust gas, which is the measurement sample.
  • functions such as a correlation data storage unit 52, a first concentration calculation unit 53, a second concentration calculation unit 54, a third concentration calculation unit 55, a fourth concentration calculation unit 56, and a selection pattern data storage unit 57 so as to enable accurate measurement of the concentration of THC, which is the measurement target component of the exhaust gas, which is the measurement sample.
  • the correlation data storage unit 52 is set in a specified area of the memory, and stores first correlation data and second correlation data that are different from each other and indicate the correlation between the sensor signal or the feature value obtained from the sensor signal and the THC concentration contained in the measurement sample.
  • the sensor signal or the feature value obtained from the sensor signal is the spectral data generated by the spectral data generation unit 511.
  • the first correlation data indicates a correlation between the first sensor signal or a first characteristic amount determined from the first sensor signal and a target component (e.g., THC concentration) contained in the measurement sample
  • the second correlation data indicates a correlation between the second sensor signal or a second characteristic amount determined from the second sensor signal and a target component (e.g., THC concentration) contained in the measurement sample.
  • the first correlation data is a machine learning model created using a measurement sample containing a specific component
  • the second correlation data is a machine learning model created using a measurement sample not containing the specific component.
  • the specific component in this embodiment is, for example, methane ( CH4 ), acetylene ( C2H2 ), benzene ( C6H6 ), and/or toluene ( C7H8 ), etc.
  • the machine learning model which is the first correlation data and the machine learning model which is the second correlation data are calculated in advance by a machine learning device 200 provided separately from the analysis device 100, as shown in FIG. 3, and are stored in the correlation data storage unit 52 as learned data.
  • these machine learning models were calculated by analyzing a reference sample (exhaust gas) using an FID analyzer and an FTIR analyzer, and learning the analysis results in the machine learning device 200.
  • the machine learning model which is the first correlation data, is generated by the machine learning device 200 in the following procedure.
  • the machine learning device 200 acquires the THC concentration of a reference sample (exhaust gas) containing a specific component measured by an FID analyzer, and acquires absorption spectrum data measured by introducing the reference sample into an FTIR analyzer.
  • the machine learning device 200 then links the measured THC concentration with the acquired absorption spectrum data to generate reference sample data.
  • a plurality of such reference sample data are prepared, and these are used as teacher data (dataset).
  • the first correlation data generation unit 201 of the machine learning device 200 then generates a machine learning model, which is the first correlation data, by calculating the correlation between the absorption spectrum data common to the plurality of reference sample data and the THC concentration by machine learning.
  • the machine learning model which is the second correlation data, is generated by the machine learning device 200 in the following procedure.
  • the machine learning device 200 acquires the THC concentration of a reference sample (exhaust gas) that does not contain a specific component measured by an FID analyzer, and acquires absorption spectrum data measured by introducing the reference sample into an FTIR analyzer.
  • the machine learning device 200 then links the measured THC concentration with the acquired absorption spectrum data to generate reference sample data.
  • a plurality of such reference sample data are prepared, and these are used as teacher data (dataset).
  • the second correlation data generation unit 202 of the machine learning device 200 then generates a machine learning model that is the second correlation data by calculating the correlation between the absorption spectrum data common to the plurality of reference sample data and the THC concentration by machine learning.
  • the first concentration calculation unit 53 calculates the THC concentration in the measurement sample as a first concentration based on the analysis results of the main analysis unit 51. Specifically, the first concentration calculation unit 53 acquires the absorption spectrum data from the main analysis unit 51 and acquires the first correlation data from the correlation data storage unit 52, and calculates the THC concentration in the measurement sample as a first concentration based on these.
  • the second concentration calculation unit 54 calculates the THC concentration in the measurement sample as a second concentration based on the analysis results of the main analysis unit 51. Specifically, the second concentration calculation unit 54 acquires the absorption spectrum data from the main analysis unit 51 and acquires the second correlation data from the correlation data storage unit 52, and calculates the THC concentration in the measurement sample as a second concentration based on these.
  • the third concentration calculation unit 55 calculates the THC concentration in the measurement sample as a third concentration based on the first concentration calculated by the first concentration calculation unit 53 and the second concentration calculated by the second concentration calculation unit 54. Specifically, the third concentration calculation unit 55 calculates the third concentration of THC by synthesizing a predetermined frequency component of the first concentration and a predetermined frequency component of the second concentration.
  • the third concentration calculation unit 55 of this embodiment calculates the third concentration by combining a low frequency component of either the first concentration or the second concentration with a high frequency component of the other of the first concentration or the second concentration.
  • the third concentration calculation unit 55 uses a complementary filter to combine a predetermined frequency component of the first concentration and a predetermined frequency component of the second concentration to calculate the third concentration.
  • the complementary filter improves accuracy in a wide frequency band by combining low frequency components (bias) and high frequency components (variance) of sensor signals (here, the first concentration and the second concentration) that have different frequency characteristics.
  • the low frequency components and high frequency components are distinguished by a predetermined cutoff frequency.
  • the components lower than this cutoff frequency are low frequency components, and the components higher than the cutoff frequency are high frequency components.
  • the cutoff frequency can be set arbitrarily, for example, so that the difference between the third concentration output from the third concentration calculation unit 55 and the true value (e.g., theoretical value) is small.
  • the first concentration calculated using the first correlation data has a large noise component.
  • the second concentration calculated using the second correlation data appears lower than the actual concentration, but contains a small noise component.
  • the third concentration calculation unit 55 extracts the low frequency components of the first concentration using a complementary filter, extracts the high frequency components of the second concentration, and synthesizes the low frequency components of the first concentration and the high frequency components of the second concentration to calculate the third concentration.
  • the fourth concentration calculation unit 56 calculates the THC concentration in the measurement sample as a fourth concentration based on the first concentration calculated by the first concentration calculation unit 53, the second concentration calculated by the second concentration calculation unit 54, and the third concentration calculated by the third concentration calculation unit 55. Specifically, the fourth concentration calculation unit 56 calculates the fourth concentration of the measurement target component by switching between the first concentration, the second concentration, and the third concentration depending on the presence or absence or concentration of a predetermined indicator component contained in the measurement sample.
  • the predetermined indicator component is, for example, methane (CH 4 ), acetylene (C 2 H 2 ), benzene (C 6 H 6 ), and/or toluene (C 7 H 8 ), and is calculated, for example, by the individual component analysis unit 512 or the indicator component concentration calculation unit.
  • the fourth concentration calculation unit 56 calculates the fourth concentration based on the selection pattern data stored in the selection pattern data storage unit 57 and the concentration of the indicator component.
  • the selection pattern data indicates a selection pattern of the first concentration, the second concentration, and the third concentration in the presence or absence or concentration of the indicator component.
  • One example of the selection pattern data is correlation value data indicating the correlation value between the first concentration, the second concentration, and the third concentration in the presence or absence or concentration of the indicator component and the actual measured value of the component to be measured.
  • the correlation value data which is the selection pattern data, is calculated in advance by a machine learning device 200 or a calculation device 300 (see FIG. 4) provided separately from the analysis device 100, and is stored in the selection pattern data storage unit 57.
  • the correlation value data is generated by analyzing a reference sample (exhaust gas) using an FID analyzer, an FTIR analyzer, and an analyzer having the first to third concentration calculation units 53 to 55 of this embodiment, and calculating the analysis results using the calculation device 300.
  • the correlation value data is generated by the calculation device 300 in the following procedure.
  • the calculation device 300 acquires the THC concentration of a reference sample (exhaust gas) containing an indicator component (benzene (C 6 H 6 ) in this case) measured by an FID analysis device, and also acquires the indicator component concentration (C 6 H 6 concentration in this case) measured by introducing the reference sample into an FTIR analysis device.
  • the calculation device 300 also introduces the reference sample into an analysis device having first to third concentration calculation units 53 to 55 of this embodiment, and acquires the first concentration calculated by the first concentration calculation unit 53, the second concentration calculated by the second concentration calculation unit 54, and the third concentration calculated by the third concentration calculation unit 55.
  • the calculation device 300 uses the correlation value calculation unit 301 to calculate correlation values between the THC concentration (actual THC concentration value) and the first concentration (THC concentration estimated value 1 ( C6H6 learned )), the second concentration (THC concentration estimated value 2 ( C6H6 unlearned )), and the third concentration (THC concentration estimated value 3 (complementary filter)) depending on the concentration or the presence or absence of C6H6 .
  • the correlation value calculation unit 301 calculates each correlation value depending on the presence or absence of C6H6 .
  • the correlation value data generation unit 302 generates correlation value data indicating the correlation values between the THC concentration and each of the first concentration, second concentration, and third concentration in the presence or absence of C6H6 .
  • the correlation value data generating unit 302 generates correlation value data between the THC concentration and the estimated value (respectively the first to third concentrations) when C6H6 is not included (determination that C6H6 is not present), and generates correlation value data between the THC concentration and the estimated value (respectively the first to third concentrations) when C6H6 is included (determination that C6H6 is present).
  • the correlation value data may also be generated by the following. That is, a reference sample (exhaust gas) is analyzed using an FID analyzer, an FTIR analyzer, and an analyzer having the first to third concentration calculation units 53 to 55 of this embodiment.
  • the correlation value data may also be generated by learning the analysis results in a machine learning device.
  • the machine learning model that becomes the correlation value data is generated by the machine learning device according to the following procedure.
  • Teacher data is prepared that is made up of a plurality of learning data sets that link the THC concentration (actual THC concentration value) with a selection pattern of a first concentration (THC concentration estimated value 1 (C6H6 learned ) ), a second concentration (THC concentration estimated value 2 ( C6H6 unlearned)), and a third concentration (THC concentration estimated value 3 (complementary filter)) according to the concentration or presence or absence of C6H6 .
  • the machine learning device generates a machine learning model that becomes correlation value data (selection pattern data) by machine learning the correlation between the actual THC concentration value and each concentration estimated value in the concentration or presence or absence of C6H6 , which is an indicator component, in the plurality of learning data sets.
  • FIG. 5 shows a flow of the calculation process of the first to fourth concentrations in the above-mentioned calculation processing device 5.
  • the spectrum data generating unit 511 generates the absorption spectrum data.
  • the first concentration calculating unit 53 calculates the first concentration using the absorption spectrum data
  • the second concentration calculating unit 54 calculates the second concentration.
  • the first and second concentrations are transmitted to the third concentration calculating unit 55, which calculates the third concentration.
  • the individual component analyzing unit 512 or the index component concentration calculating unit calculates the concentration of the index component using the absorption spectrum data.
  • the first concentration, second concentration, third concentration and indicator component concentration calculated as above are transmitted to the fourth concentration calculation unit 56, which uses the correlation value data, which is the selection pattern data, to switch between the first concentration, second concentration and third concentration and calculate the fourth concentration, which is the THC concentration.
  • the noise components are large on the high concentration side, while the concentration follows the actual measured value, and at the second concentration (THC concentration estimate ( C6H6 unlearned )), the concentration is lower on the high concentration side than the actual measured value.
  • the concentration is lower on the high concentration side than the actual measured value.
  • the noise components are reduced overall, but a small bias remains on the low concentration side.
  • the fourth concentration by switching between the estimates depending on the presence or absence of the index component, the noise components are reduced while the bias on the low concentration side is also reduced, resulting in an estimate with good overall accuracy.
  • the first and second concentrations of the component to be measured are calculated using the first and second correlation data which are different from each other, and a predetermined frequency component of the first concentration and a predetermined frequency component of the second concentration are combined to calculate the third concentration of the component to be measured. Therefore, it is possible to reduce noise components contained in these concentrations and estimate the concentration of the component to be measured with high accuracy.
  • the correlation value data which is the selection pattern data used in the fourth concentration calculation unit, is calculated as shown in FIG. 7.
  • the correlation value data is calculated using the actual measurement value of the measurement target component, the estimated values 1 to N (N is a natural number of 2 or more) of the measurement target component, and the actual measurement values 1 to M (M is a natural number of 2 or more) of the indicator component.
  • the indicator component may be one component or multiple components.
  • the indicator component inclusion pattern determination model is a model that determines the inclusion pattern of the indicator component contained in the measurement sample, and is determined in advance.
  • the correlation data sorting unit of the correlation value data generation unit 302 calculates the correlation value data by calculating the correlation value between the actual measurement value and the estimated value according to the inclusion pattern of the indicator component.
  • the correlation value data is calculated by dividing into patterns 1 to L (L is a natural number of 2 or more).
  • the third concentration calculation unit may use two or more complementary filters to combine two frequency components of the three or more estimated values to calculate two or more concentrations.
  • the analytical device 100 of the above embodiment has a configuration including a fourth concentration calculation unit 56 and a selection pattern storage unit 57, but as shown in FIG. 8, it may have a configuration that does not include the fourth concentration calculation unit 56 and the selection pattern storage unit 57, that is, it may output the third concentration calculated by the third concentration calculation unit 55.
  • FIG. 8 shows a configuration that can output the first and second concentrations in addition to the third concentration, it may also be a configuration that does not output the first and/or second concentrations.
  • the third concentration calculation unit uses a complementary filter, but it is also possible to use a filter that synthesizes other frequency components, such as a Kalman filter.
  • automobile exhaust gas is used as an example of the measurement sample or reference sample, but exhaust gas from a ship, aircraft, combustion furnace, etc. may also be used.
  • the measurement sample or reference sample is not limited to exhaust gas, and may be the atmosphere, etc.
  • the analytical device in the above embodiment uses FTIR, but it may also use NDIR (non-dispersive infrared spectroscopy) or may be a device that uses other spectral data for analysis. Specifically, it may be a device that uses absorption spectroscopy such as ultraviolet-visible spectroscopy, near-infrared spectroscopy, or infrared spectroscopy for analysis, a device that uses fluorescence spectroscopy, or a device that uses Raman spectroscopy for analysis.
  • absorption spectroscopy such as ultraviolet-visible spectroscopy, near-infrared spectroscopy, or infrared spectroscopy for analysis
  • a device that uses fluorescence spectroscopy or a device that uses Raman spectroscopy for analysis.
  • the analytical device may be applicable as long as it continuously measures the measurement sample, and may not use spectral data.
  • the analytical device may continuously capture images of a measurement sample, such as a fruit, and estimate the sugar content of the fruit from the RGB data of the moving images.
  • the analytical device has multiple estimation models (correlation data) that estimate the sugar content of the fruit from the RGB data of the captured images, and calculates multiple estimated sugar contents from these.
  • the analytical device then switches between the multiple estimated sugar contents according to characteristic parameters (e.g. aperture, exposure time, gain, illuminance, etc.) to calculate the sugar content of the fruit.
  • characteristic parameters e.g. aperture, exposure time, gain, illuminance, etc.
  • the present invention makes it possible to estimate the concentration of the target component contained in the measurement sample with high accuracy.
  • Analysis device 4 Sensor (photodetector) 52: correlation data storage section 53: first concentration calculation section 54: second concentration calculation section 55: third concentration calculation section 56: fourth concentration calculation section 57: selection pattern data storage section

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本発明は、測定試料に含まれる測定対象成分の濃度を高い精度で推定するものであり、測定試料を測定してセンサ信号を出力する測定センサと、センサ信号又はセンサ信号から求まる特徴量と測定試料に含まれる測定対象成分の濃度との相関を示す互いに異なる第１相関データ及び第２相関データを格納する相関データ格納部と、センサ信号又は特徴量と第１相関データとに基づいて、測定対象成分の第１濃度を演算する第１濃度演算部と、センサ信号又は特徴量と第２相関データとに基づいて、測定対象成分の第２濃度を演算する第２濃度演算部と、第１濃度の所定の周波数成分及び第２濃度の所定の周波数成分を合成して、測定対象成分の第３濃度を演算する第３濃度演算部とを備える。

Description

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
　本発明は、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に関するものである。
　従来、例えば自動車の排ガス等の測定試料に含まれる全炭化水素成分（ＴＨＣ）の濃度を測定するものとしては、特許文献１に示すフーリエ変換赤外分光法（ＦＴＩＲ）を用いた分析装置が考えられている。
　このＦＴＩＲを用いた分析装置では、ＦＴＩＲにより得られたスペクトルデータとＴＨＣ濃度との相関を示す相関データを用いている。この相関データは、例えばＦＩＤ分析計などにより実測されたＴＨＣ濃度と、ＦＴＩＲにより得られたスペクトルデータとを機械学習することにより生成された学習モデル（ＴＨＣ推定モデル）である。ここで、ＴＨＣ推定モデルは、機械学習に用いたスペクトルデータに含まれている炭化水素に対して感度を有するものである。
　しかしながら、機械学習に用いたスペクトルデータに含まれる炭化水素成分が、測定試料に含まれない場合には、その炭化水素成分の吸収波数にあるノイズを増幅してしまう。例えば、機械学習に用いたスペクトルデータにベンゼン（Ｃ６Ｈ６）が含まれているにも関わらず、測定試料にベンゼン（Ｃ６Ｈ６）が含まれていない場合には、当該ベンゼン（Ｃ６Ｈ６）の吸収波数にあるノイズを６倍に増幅してしまう。
　また、機械学習に用いたスペクトルデータに含まれていない炭化水素成分が、測定試料に含まれている場合には、ＴＨＣ濃度の推定値が実際よりも低く出てしまう。
　なお、上記の問題は、ＴＨＣ濃度の推定に限られず、その他の成分濃度を推定する場合であって、機械学習に用いたデータに含まれる成分の種類と、測定試料に含まれる成分の種類とが異なる場合にも同様に生じうる。
特開２０２１－４７６５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、測定試料に含まれる測定対象成分の濃度を高い精度で推定することをその主たる課題とするものである。
　すなわち、本発明に係る分析装置は、測定試料に関連するセンサ信号を出力する測定センサと、前記センサ信号又は前記センサ信号から求まる特徴量と前記測定試料に含まれる測定対象成分の濃度との相関を示す互いに異なる第１相関データ及び第２相関データを格納する相関データ格納部と、前記センサ信号又は前記特徴量と前記第１相関データとに基づいて、前記測定対象成分の第１濃度を演算する第１濃度演算部と、前記センサ信号又は前記特徴量と前記第２相関データとに基づいて、前記測定対象成分の第２濃度を演算する第２濃度演算部と、前記第１濃度の所定の周波数成分及び前記第２濃度の所定の周波数成分を合成して、前記測定対象成分の第３濃度を演算する第３濃度演算部とを備えることを特徴とする。
　このような分析装置であれば、互いに異なる第１、第２相関データを用いて、測定対象成分の第１濃度及び第２濃度を演算し、その第１濃度の所定の周波数成分と第２濃度の所定の周波数成分とを合成して測定対象成分の第３濃度を演算しているので、それら濃度に含まれるノイズ成分を低減して、測定対象成分の濃度を高い精度で推定することができる。
　第３濃度演算部の具体的な実施の態様としては、前記第３濃度演算部は、前記第１濃度又は前記第２濃度の一方の低周波数成分と、前記第１濃度又は前記第２濃度の他方の高周波数成分とを合成して、前記第３濃度を演算することが考えられる。
　前記第３濃度演算部は、相補フィルタを用いて、前記第１濃度の所定の周波数成分及び前記第２濃度の所定の周波数成分を合成して、前記第３濃度を演算することが望ましい。
　前記第１相関データは、特定成分を含む測定試料を用いて作成された機械学習モデルであり、前記第２相関データは、前記特定成分を含まない測定試料を用いて作成された機械学習モデルであることが望ましい。
　ここで、ＴＨＣ濃度の推定を例に説明すると、特定成分としては、例えばベンゼン（Ｃ６Ｈ６）が考えられる。つまり、第１相関データは、ベンゼン（Ｃ６Ｈ６）を含む測定試料を用いて作成された機械学習モデルであり、第２相関データは、ベンゼン（Ｃ６Ｈ６）を含まない測定試料を用いて作成された機械学習モデルである。
　そうすると、第１相関データを用いて演算された第１濃度（ＴＨＣ濃度）は、ノイズ成分が大きくなってしまう。一方、第２相関データを用いて演算された第２濃度（ＴＨＣ濃度）は、実際よりも低く出てしまうが、含まれるノイズ成分は小さい。この場合、第３濃度演算部は、第１濃度の低周波数成分及び第２濃度の高周波数成分を合成して、第３濃度を演算することが考えられる。
　上記のように周波数成分に基づいて第１濃度及び第２濃度を合成して第３濃度を演算した場合には、測定試料に含まれる所定の指標成分の有無又は濃度に応じて、所定成分が低濃度の場合に、誤差（バイアス）が生じてしまう。
　この問題を好適に解決するためには、分析装置は、前記測定試料に含まれる所定の指標成分の有無又は濃度に応じて、前記第１濃度、前記第２濃度及び第３濃度を切り替えて、前記測定対象成分の第４濃度を算出する第４濃度演算部をさらに備えることが望ましい。
　この構成であれば、ノイズ成分を低減しつつ、測定対象成分の濃度をより高い精度で推定することができる。
　第４濃度を演算する具体的な実施の態様としては、前記指標成分の有無又は濃度それぞれにおける前記第１濃度、前記第２濃度及び第３濃度の選択パターンを示す選択パターンデータを格納する選択パターンデータ格納部をさらに備え、前記第４濃度演算部は、前記指標成分の濃度と前記選択パターンデータとから前記第４濃度を演算することが考えられ
る。
　ここで、前記選択パターンデータは、前記指標成分の有無又は濃度それぞれにおける前記第１濃度、前記第２濃度及び前記第３濃度それぞれと前記測定対象成分の実測値との相関値を示す相関値データであることが考えられる。
　前記測定対象成分が全炭化水素成分である場合に、本発明の効果が顕著となる。また、本発明の効果が顕著に奏される具体的態様としては、前記測定試料が自動車の排ガスであるものを挙げることができる、さらに、本発明の分析装置は、フーリエ変換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。
　また、本発明に係る機械学習装置は、上記の分析装置に用いられる前記第１相関データ及び前記第２相関データを機械学習する機械学習装置であって、前記特定成分を含む参照試料のＴＨＣ濃度実測値とＦＴＩＲ分析装置により得られた吸光スペクトルデータとを含むデータセットを機械学習して、前記第１相関データを生成し、前記特定成分を含まない参照試料のＴＨＣ濃度実測値とＦＴＩＲ分析装置により得られた吸光スペクトルデータとを含むデータセットを機械学習して、前記第２相関データを生成することを特徴とする。
　さらに、本発明に係る演算装置は、上記の分析装置に用いられる前記選択パターンデータを生成する演算装置であって、前記指標成分を含む参照試料のＴＨＣ濃度実測値と、前記第１濃度演算部により得られた第１濃度、前記第２濃度演算部により得られた第２濃度及び第３濃度演算部により第３濃度とを含むデータセットを用いて、前記指標成分の濃度又は有無に応じて、前記ＴＨＣ濃度実測値と、前記第１濃度、前記第２濃度及び前記第３濃度それぞれとの相関値を算出し、前記指標成分の濃度又は有無における前記第１濃度、前記第２濃度及び前記第３濃度それぞれとＴＨＣ濃度実測値との相関値を示す相関値データを前記選択パターンデータとして生成することを特徴とする。
　さらに、本発明に係る分析方法は、測定試料に関連するセンサ信号を出力する測定センサ、及び、前記センサ信号又は前記センサ信号から求まる特徴量と前記測定試料に含まれる測定対象成分の濃度との相関を示す互いに異なる第１相関データ及び第２相関データを用いた分析方法であって、前記センサ信号又は前記特徴量と前記第１相関データとに基づいて、前記測定対象成分の第１濃度を演算し、前記センサ信号又は前記特徴量と前記第２相関データとに基づいて、前記測定対象成分の第２濃度を演算し、前記第１濃度の所定の周波数成分及び前記第２濃度の所定の周波数成分を合成して、前記測定対象成分の第３濃度を演算することを特徴とする。
　その上、本発明に係る分析プログラムは、測定試料に関連するセンサ信号を出力する測定センサを用いた分析プログラムであって、前記センサ信号又は前記センサ信号から求まる特徴量と前記測定試料に含まれる測定対象成分の濃度との相関を示す互いに異なる第１相関データ及び第２相関データを格納する相関データ格納部としての機能、前記センサ信号又は前記特徴量と前記第１相関データとに基づいて、前記測定対象成分の第１濃度を演算する第１濃度演算部としての機能、前記センサ信号又は前記特徴量と前記第２相関データとに基づいて、前記測定対象成分の第２濃度を演算する第２濃度演算部としての機能、及び、前記第１濃度の所定の周波数成分及び前記第２濃度の所定の周波数成分を合成して、前記測定対象成分の第３濃度を演算する第３濃度演算部としての機能をコンピュータに備えさせることを特徴とする。
　このように構成した本発明によれば、測定試料に含まれる測定対象成分の濃度を高い精度で推定することができる。
本発明の一実施形態に係る分析装置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装置における選択パターンデータの作成方法を示す模式図である。 同実施形態における演算処理装置における第１～第４濃度の演算処理のフローを示す図である。 同実施形態におけるＴＨＣ濃度の推定結果を示す図である。 変形実施形態における選択パターンデータの作成方法を示す模式図である。 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分析装置の演算処理を示す模式図である。
＜本発明の一実施形態＞
　以下に、本発明に係る分析装置の一実施形態について、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。
＜装置構成＞
　本実施形態の分析装置１００は、例えば排ガス測定システムの一部を構成するものである。この排ガス測定システムは、シャシダイナモメータと、シャシダイナモメータ上を走行する供試体である試験車両の排ガスを希釈することなくダイレクトにサンプリングする排ガス採取装置と、サンプリングされた排ガス中の成分を分析する分析装置１００とを備えている。なお、供試体の試験設備は、シャシダイナモメータの他に、供試体がエンジン及び／又はモータであればエンジン用及び／又はモータ用のダイナモメータであっても良いし、供試体がパワートレインであればパワートレインダイナモメータであっても良い。また、排ガス採取装置は、ダイレクトサンプリングの他に、サンプリングした排ガスを希釈するものであっても良い。
　具体的に分析装置１００は、図１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、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）を用いた分析装置である。この分析装置１００（以下、ＦＴＩＲ分析装置１００ともいう。）は、測定試料である排ガスの全炭化水素成分の濃度（以下、ＴＨＣ濃度ともいう。）を測定する排ガス分析装置として使用される。
　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等が用いられる。
　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、前記ハーフミラー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、排ガスに関連するセンサ信号（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、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、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、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コンバータ等を有したものである。
　この演算処理装置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２に示すように、測定試料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のセンサ信号（出力値）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主分析部５１としての機能を発揮する。
　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、測定試料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るから、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、測定試料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）及びその高さから測定試料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。
＜全炭化水素成分（ＴＨＣ）の濃度推定機能＞
　しかして、本実施形態では、図２に示すように、測定試料である排ガスの測定対象成分であるＴＨＣの濃度を精度良く測定できるように、演算処理装置５に、相関データ格納部５２、第１濃度演算部５３、第２濃度演算部５４、第３濃度演算部５５、第４濃度演算部５６、及び選択パターンデータ格納部５７等としての機能をさらに付与してある。
　相関データ格納部５２は、メモリの所定領域に設定されたものであり、センサ信号又はセンサ信号から求まる特徴量と測定試料に含まれるＴＨＣ濃度との相関を示す互いに異なる第１相関データ及び第２相関データを格納する。ここで、センサ信号又はセンサ信号から求まる特徴量とは、スペクトルデータ生成部５１１が生成するスペクトルデータである。
　言い換えると、第1相関データは、第１センサ信号又は第１センサ信号から求まる第１特徴量と測定試料に含まれる測定対象成分（例えばＴＨＣ濃度）との相関を示す。第２相関データは、第２センサ信号又は第２センサ信号から求まる第２特徴量と測定試料に含まれる測定対象成分（例えばＴＨＣ濃度）との相関を示す。
　具体例を挙げると、第１相関データは、特定成分を含む測定試料を用いて作成された機械学習モデルであり、第２相関データは、特定成分を含まない測定試料を用いて作成された機械学習モデルである。本実施形態の特定成分は、例えば、メタン（ＣＨ４）、アセチレン（Ｃ２Ｈ２）、ベンゼン（Ｃ６Ｈ６）及び／又はトルエン（Ｃ７Ｈ８）等である。
　第１相関データである機械学習モデル及び第２相関データである機械学習モデルは、図３に示すように、分析装置１００と別に設けた機械学習装置２００により予め算出されたものであり、学習済データとして相関データ格納部５２に格納されている。
　具体的にこれらの機械学習モデルは、ＦＩＤ分析装置及びＦＴＩＲ分析装置を用いて参照試料（排ガス）を分析し、それらの分析結果を機械学習装置２００において学習することによって算出されたものである。
　第１相関データである機械学習モデルは、以下の手順によって機械学習装置２００により生成される。
　機械学習装置２００は、ＦＩＤ分析装置により測定された特定成分を含む参照試料（排ガス）のＴＨＣ濃度を取得するとともに、当該参照試料をＦＴＩＲ分析装置に導入して測定された吸光スペクトルデータを取得する。そして、機械学習装置２００は、測定したＴＨＣ濃度と、取得した吸光スペクトルデータとを紐づけて参照試料データとする。このような参照試料データを複数準備し、これらを教師データ（データセット）とする。そして、機械学習装置２００の第１相関データ生成部２０１は、複数の参照試料データに共通する吸光スペクトルデータとＴＨＣ濃度との相関を機械学習によって算出することで、第１相関データである機械学習モデルを生成する。
　また、第２相関データである機械学習モデルは、以下の手順によって機械学習装置２００により生成される。
　機械学習装置２００は、ＦＩＤ分析装置により測定された特定成分を含まない参照試料（排ガス）のＴＨＣ濃度を取得するとともに、当該参照試料をＦＴＩＲ分析装置に導入して測定された吸光スペクトルデータを取得する。そして、機械学習装置２００は、測定したＴＨＣ濃度と、取得した吸光スペクトルデータとを紐づけて参照試料データとする。このような参照試料データを複数準備し、これらを教師データ（データセット）とする。そして、機械学習装置２００の第２相関データ生成部２０２は、複数の参照試料データに共通する吸光スペクトルデータとＴＨＣ濃度との相関を機械学習によって算出することで、第２相関データである機械学習モデルを生成する。
　第１濃度演算部５３は、主分析部５１の分析結果に基づいて測定試料中のＴＨＣ濃度を第１濃度として演算するものである。具体的に第１濃度演算部５３は、主分析部５１から吸光スペクトルデータを取得するとともに、相関データ格納部５２から第１相関データを取得し、これらに基づいて測定試料中のＴＨＣ濃度を第１濃度として演算する。
　第２濃度演算部５４は、主分析部５１の分析結果に基づいて測定試料中のＴＨＣ濃度を第２濃度として演算するものである。具体的に第２濃度演算部５４は、主分析部５１から吸光スペクトルデータを取得するとともに、相関データ格納部５２から第２相関データを取得し、これらに基づいて測定試料中のＴＨＣ濃度を第２濃度として演算する。
　第３濃度演算部５５は、第１濃度演算部５３により演算された第１濃度、及び、第２濃度演算部５４により演算された第２濃度に基づいて、測定試料中のＴＨＣ濃度を第３濃度として演算するものである。具体的に第３濃度演算部５５は、第１濃度の所定の周波数成分及び第２濃度の所定の周波数成分を合成して、ＴＨＣの第３濃度を演算する。
　本実施形態の第３濃度演算部５５は、第１濃度又は第２濃度の一方の低周波数成分と、第１濃度又は第２濃度の他方の高周波数成分とを合成して、第３濃度を演算する。詳細には、第３濃度演算部５５は、相補フィルタを用いて、第１濃度の所定の周波数成分及び第２濃度の所定の周波数成分を合成して第３濃度を演算する。なお、相補フィルタとは、周波数特性が互いに異なるセンサ信号（ここでは第１濃度と第２濃度）の低周波数成分（バイアス）と高周波数成分（バリアンス）とを組み合わせることで、広い周波数帯域での精度を向上させるものである。また、低周波数成分と高周波数成分とは、所定のカットオフ周波数により区別される。このカットオフ周波数よりも低いものが低周波数成分であり、カットオフ周波数よりも高いものが高周波成分である。カットオフ周波数は、例えば第３濃度演算部５５から出力する第３濃度と真値（例えば理論値）との差が小さくなるように、任意に設定することができる。
　第１相関データを用いて演算された第１濃度は、ノイズ成分が大きい。一方、第２相関データを用いて演算された第２濃度は、実際よりも低く出てしまうが、含まれるノイズ成分は小さい。このため、第３濃度演算部５５は、相補フィルタにより第１濃度の低周波数成分を抽出し、第２濃度の高周波数成分を抽出し、第１濃度の低周波数成分及び第２濃度の高周波数成分を合成して、第３濃度を演算する。
　第４濃度演算部５６は、第１濃度演算部５３により演算された第１濃度、第２濃度演算部５４により演算された第２濃度及び第３濃度演算部５５により演算された第３濃度に基づいて、測定試料中のＴＨＣ濃度を第４濃度として演算するものである。具体的に第４濃度演算部５６は、測定試料に含まれる所定の指標成分の有無又は濃度に応じて、第１濃度、第２濃度及び第３濃度を切り替えて、測定対象成分の第４濃度を演算する。ここで、所定の指標成分とは、例えば、メタン（ＣＨ４）、アセチレン（Ｃ２Ｈ２）、ベンゼン（Ｃ６Ｈ６）及び／又はトルエン（Ｃ７Ｈ８）等であり、例えば、個別成分分析部５１２又は指標成分濃度演算部により演算される。
　具体的に第４濃度演算部５６は、選択パターンデータ格納部５７に格納されている選択パターンデータと、指標成分の濃度とに基づいて、第４濃度を演算する。
　ここで、選択パターンデータは、指標成分の有無又は濃度それぞれにおける第１濃度、第２濃度及び第３濃度の選択パターンを示すものである。選択パターンデータの一例としては、指標成分の有無又は濃度それぞれにおける第１濃度、第２濃度及び第３濃度それぞれと測定対象成分の実測値との相関値を示す相関値データである。
　選択パターンデータである相関値データは、分析装置１００と別に設けた機械学習装置２００又は演算装置３００（図４参照）により予め演算されたものであり、選択パターンデータ格納部５７に格納されている。
　具体的に相関値データは、ＦＩＤ分析装置、ＦＴＩＲ分析装置、及び、本実施形態の第１～第３濃度演算部５３～５５を有する分析装置を用いて参照試料（排ガス）を分析し、それらの分析結果を演算装置３００により演算することにより生成されたものである。
　より具体的には、相関値データは、以下の手順により演算装置３００によって生成される。
　演算装置３００は、ＦＩＤ分析装置により測定された指標成分（ここでは、ベンゼン（Ｃ６Ｈ６））を含む参照試料（排ガス）のＴＨＣ濃度を取得するするとともに、当該参照試料をＦＴＩＲ分析装置に導入して測定された指標成分濃度（ここではＣ６Ｈ６濃度）を取得する。また、演算装置３００は、参照試料を本実施形態の第１～第３濃度演算部５３～５５を有する分析装置に導入して、第１濃度演算部５３により演算された第１濃度、第２濃度演算部５４により演算された第２濃度、及び第３濃度演算部５５により演算された第３濃度を取得する。
　そして、図４に示すように、演算装置３００は、Ｃ６Ｈ６の濃度又は有無に応じて、ＴＨＣ濃度（ＴＨＣ濃度実測値）と、第１濃度（ＴＨＣ濃度推定値１（Ｃ６Ｈ６学習））、第２濃度（ＴＨＣ濃度推定値２（Ｃ６Ｈ６未学習））及び第３濃度（ＴＨＣ濃度推定値３（相補フィルタ））それぞれとの相関値を相関値算出部３０１により算出する。ここでは、相関値算出部３０１は、Ｃ６Ｈ６の有無に応じて、各相関値を算出している。そして、相関値データ生成部３０２により、Ｃ６Ｈ６の有無における第１濃度、第２濃度及び第３濃度それぞれとＴＨＣ濃度との相関値を示す相関値データが生成される。具体的には、相関値データ生成部３０２は、Ｃ６Ｈ６が含まれない場合（Ｃ６Ｈ６なし判定）におけるＴＨＣ濃度と推定値（第１～第３濃度それぞれ）との相関値データと、Ｃ６Ｈ６が含まれる場合（Ｃ６Ｈ６あり判定）におけるＴＨＣ濃度と推定値（第１～第３濃度それぞれ）との相関値データとを生成する。
　また、相関値データ（選択パターンデータ）は、以下により生成されたものであっても良い。つまり、ＦＩＤ分析装置、ＦＴＩＲ分析装置、及び、本実施形態の第１～第３濃度演算部５３～５５を有する分析装置を用いて参照試料（排ガス）を分析する。そして、それらの分析結果を機械学習装置において学習することにより生成されたものであっても良い。
　具体的に相関値データ（選択パターンデータ）となる機械学習モデルは、以下の手順によって機械学習装置により生成される。
　ＴＨＣ濃度（ＴＨＣ濃度実測値）と、Ｃ６Ｈ６の濃度又は有無に応じた第１濃度（ＴＨＣ濃度推定値１（Ｃ６Ｈ６学習））、第２濃度（ＴＨＣ濃度推定値２（Ｃ６Ｈ６未学習））及び第３濃度（ＴＨＣ濃度推定値３（相補フィルタ））の選択パターンとを紐付けた複数の学習データセットからなる教師データを準備する。そして、機械学習装置は、複数の学習データセットにおいて指標成分であるＣ６Ｈ６の濃度又は有無におけるＴＨＣ濃度実測値と各濃度推定値との相関を機械学習することによって、相関値データ（選択パターンデータ）となる機械学習モデルを生成する。
　上述した演算処理装置５における第１～第４濃度の演算処理のフローを図５に示している。
　スペクトルデータ生成部５１１により吸光スペクトルデータが生成される。そして、吸光スペクトルデータを用いて第１濃度演算部５３により第１濃度が演算され、第２濃度演算部５４により第２濃度が演算される。第１濃度及び第２濃度は、第３濃度演算部５５に送信されて、第３濃度演算部５５により第３濃度が演算される。また、吸光スペクトルデータを用いて個別成分分析部５１２又は指標成分濃度演算部により指標成分の濃度が演算される。
　上記により算出された第１濃度、第２濃度、第３濃度及び指標成分濃度は、第４濃度演算部５６に送信されて、第４濃度演算部５６は、選択パターンデータである相関値データを用いて、第１濃度、第２濃度及び第３濃度を切り替えて、ＴＨＣ濃度である第４濃度を演算する。
　次に本実施形態の分析装置１００を用いて得られるＴＨＣ濃度（推定値）の演算結果を図６に示している。
　第１濃度（ＴＨＣ濃度推定値（Ｃ６Ｈ６学習））では、実測値に追従しているものの、高濃度側のノイズ成分が大きく、第２濃度（ＴＨＣ濃度推定値（Ｃ６Ｈ６未学習））では、高濃度側において実測値よりも濃度が低くなっている。一方、第３濃度（相補フィルタにより合成）では、全体的にノイズ成分が低減されているが、低濃度側で少しバイアスが残っている。そして、第４濃度では、指標成分の有無によって、各推定値を切り替えることにより、ノイズ成分が低減されつつ、低濃度側でのバイアスも低減され、全体的に精度の良い推定値が得られている。
＜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、互いに異なる第１、第２相関データを用いて、測定対象成分の第１濃度及び第２濃度を演算し、その第１濃度の所定の周波数成分と第２濃度の所定の周波数成分とを合成して測定対象成分の第３濃度を演算しているので、それら濃度に含まれるノイズ成分を低減して、測定対象成分の濃度を高い精度で推定することができる。
＜その他の実施形態＞
　例えば、前記実施形態では、第１相関データ及び第２相関データの２つの相関データを用いているが、３つ以上の相関データを用いて測定対象成分の濃度を推定するように構成しても良い。
　この場合、第４濃度演算部に用いられる選択パターンデータである相関値データは、図７に示すように演算される。ここでは、測定対象成分の実測値と、測定対処成分の推定値１～Ｎ（Ｎは２以上の自然数）と、指標成分の実測値１～Ｍ（Ｍは２以上の自然数）とを用いて、相関値データを演算している。なお、指標成分は、１つの成分であっても良いし、複数の成分であっても良い。また、指標成分含有パターン判定モデルは、測定試料中に含まれる指標成分の含有パターンを判定するモデルであり、予め定められている。そして、相関値データ生成部３０２の相関データ振り分け部により、指標成分の含有パターンに応じて、実測値と推定値それぞれとの相関値を演算して、相関値データを演算する。ここでは、パターン１～Ｌ（Ｌは２以上の自然数）に分けて相関値データを演算した例を示している。
　また、３つ以上の相関データを用いて測定対象成分の濃度を３つ以上推定する場合には、第３濃度演算部は、２つ以上の相補フィルタを用いて、３つ以上の推定値のうち２つの周波数成分を合成して、２つ以上の濃度を演算するものであっても良い。
　前記実施形態の分析装置１００は、第４濃度演算部５６及び選択パターン格納部５７を有する構成であったが、図８に示すように、第４濃度演算部５６及び選択パターン格納部５７を有さない構成、つまり、第３濃度演算部５５で演算された第３濃度を出力するものであっても良い。なお、図８では、第３濃度に加えて第１濃度及び第２濃度も出力できる構成としているが、第１濃度及び／又は第２濃度は出力しない構成としても良い。
　前記実施形態では、第３濃度演算部は相補フィルタを用いたものであったが、カルマンフィルタ等のその他の周波数成分を合成するフィルタを用いても良い。
　前記実施形態では、測定試料又は参照試料として自動車の排ガスを例に挙げたが、船舶、航空機、又は燃焼炉等の排ガスであってもよい。また、測定試料又は参照試料は、排ガスだけに限らず、大気等であってもよい。
　前記実施形態の分析装置は、ＦＴＩＲを用いたものであったが、その他、ＮＤＩＲ（非分散赤外吸光法）を用いたものであっても良いし、その他のスペクトルデータを用いて分析する装置であっても良い。具体的には、紫外・可視分光法、近赤外分光法や赤外分光法等の吸収分光法を用いて分析する装置であっても良いし、蛍光分光法を用いて分析する装置であっても良いし、ラマン分光法を用いて分析する装置であっても良い。
　さらに、分析装置は、測定試料を連続測定するものであれば適用可能であり、スペクトルデータを用いないものであっても良い。例えば、図９に示すように、例えば果物等の測定試料を連続して撮像し、その動画像のＲＧＢデータから果物の糖度を推定するものであっても良い。この場合、分析装置は、撮像画像のＲＧＢデータから果物の糖度を推定する複数の推定モデル（相関データ）を有しており、それらから複数の推定糖度を演算する。そして、分析装置は、特性パラメータ（例えば絞り、露光時間、ゲイン、照度等）を応じて、複数の推定糖度を切り替えて、果物の糖度を演算する。
　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。
　本発明によれば、測定試料に含まれる測定対象成分の濃度を高い精度で推定することができる。
１００・・・分析装置
４・・・センサ（光検出器）
５２・・・相関データ格納部
５３・・・第１濃度演算部
５４・・・第２濃度演算部
５５・・・第３濃度演算部
５６・・・第４濃度演算部
５７・・・選択パターンデータ格納部

 

Claims (13)

  1. 　測定試料に関するセンサ信号を出力するセンサと、
    　前記センサ信号又は前記センサ信号から求まる特徴量と前記測定試料に含まれる測定対象成分の濃度との相関を示す互いに異なる第１相関データ及び第２相関データを格納する相関データ格納部と、
    　前記センサ信号又は前記特徴量と前記第１相関データとに基づいて、前記測定対象成分の第１濃度を演算する第１濃度演算部と、
    　前記センサ信号又は前記特徴量と前記第２相関データとに基づいて、前記測定対象成分の第２濃度を演算する第２濃度演算部と、
    　前記第１濃度の所定の周波数成分及び前記第２濃度の所定の周波数成分を合成して、前記測定対象成分の第３濃度を演算する第３濃度演算部とを備える、分析装置。
  2. 　前記第３濃度演算部は、前記第１濃度又は前記第２濃度の一方の低周波数成分と、前記第１濃度又は前記第２濃度の他方の高周波数成分とを合成して、前記第３濃度を演算する、請求項１に記載の分析装置。
  3. 　前記第３濃度演算部は、相補フィルタを用いて、前記第１濃度の所定の周波数成分及び前記第２濃度の所定の周波数成分を合成して、前記第３濃度を演算する、請求項１又は２に記載の分析装置。
  4. 　前記第１相関データは、特定成分を含む測定試料を用いて作成された機械学習モデルであり、
    　前記第２相関データは、前記特定成分を含まない測定試料を用いて作成された機械学習モデルである、請求項１乃至３のいずれか一項に記載の分析装置。
  5. 　前記測定試料に含まれる所定の指標成分の有無又は濃度に応じて、前記第１濃度、前記第２濃度及び第３濃度を切り替えて、前記測定対象成分の第４濃度を算出する第４濃度演算部とをさらに備える、請求項１乃至４のいずれか一項に記載の分析装置。
  6. 　前記指標成分の有無又は濃度それぞれにおける前記前記第１濃度、前記第２濃度及び第３濃度の選択パターンを示す選択パターンデータを格納する選択パターンデータ格納部をさらに備え、
    　前記第４濃度演算部は、前記指標成分の濃度と前記選択パターンデータとから前記第４濃度を演算する、請求項５に記載の分析装置。
  7. 　前記選択パターンデータは、前記指標成分の有無又は濃度それぞれにおける前記第１濃度、前記第２濃度及び前記第３濃度それぞれと前記測定対象成分の実測値との相関値を示す相関値データである、請求項６に記載の分析装置。
  8. 　前記測定対象成分は、全炭化水素成分である、請求項１乃至７のいずれか一項に記載の分析装置。
  9. 　フーリエ変換赤外分光法を用いたものである、請求項１乃至８のいずれか一項に記載の分析装置。
  10. 　請求項４に記載の分析装置に用いられる前記第１相関データ及び前記第２相関データを機械学習する機械学習装置であって、
    　前記特定成分を含む参照試料のＴＨＣ濃度実測値とＦＴＩＲ分析装置により得られた吸光スペクトルデータとを含むデータセットを機械学習して、前記第１相関データを生成し、
    　前記特定成分を含まない参照試料のＴＨＣ濃度実測値とＦＴＩＲ分析装置により得られた吸光スペクトルデータとを含むデータセットを機械学習して、前記第２相関データを生成する、機械学習装置。
  11. 　請求項６に記載の分析装置に用いられる前記選択パターンデータを生成する演算装置であって、
    　前記指標成分を含む参照試料のＴＨＣ濃度実測値と、前記第１濃度演算部により得られた第１濃度、前記第２濃度演算部により得られた第２濃度及び第３濃度演算部により第３濃度とを含むデータセットを用いて、前記指標成分の濃度又は有無に応じて、前記ＴＨＣ濃度実測値と、前記第１濃度、前記第２濃度及び前記第３濃度それぞれとの相関値を算出し、前記指標成分の濃度又は有無における前記第１濃度、前記第２濃度及び前記第３濃度それぞれとＴＨＣ濃度実測値との相関値を示す相関値データを前記選択パターンデータとして生成する、演算装置。
  12. 　測定試料に関するセンサ信号を出力するセンサ、及び、前記センサ信号又は前記センサ信号から求まる特徴量と前記測定試料に含まれる測定対象成分の濃度との相関を示す互いに異なる第１相関データ及び第２相関データを用いた分析方法であって、
    　前記センサ信号又は前記特徴量と前記第１相関データとに基づいて、前記測定対象成分の第１濃度を演算し、
    　前記センサ信号又は前記特徴量と前記第２相関データとに基づいて、前記測定対象成分の第２濃度を演算し、
    　前記第１濃度の所定の周波数成分及び前記第２濃度の所定の周波数成分を合成して、前記測定対象成分の第３濃度を演算する、分析方法。
  13. 　測定試料に関連するセンサ信号を出力するセンサを用いた分析プログラムであって、
    　前記センサ信号又は前記センサ信号から求まる特徴量と前記測定試料に含まれる測定対象成分の濃度との相関を示す互いに異なる第１相関データ及び第２相関データを格納する相関データ格納部としての機能、
    　前記センサ信号又は前記特徴量と前記第１相関データとに基づいて、前記測定対象成分の第１濃度を演算する第１濃度演算部としての機能、
    　前記センサ信号又は前記特徴量と前記第２相関データとに基づいて、前記測定対象成分の第２濃度を演算する第２濃度演算部としての機能、及び、
    　前記第１濃度の所定の周波数成分及び前記第２濃度の所定の周波数成分を合成して、前記測定対象成分の第３濃度を演算する第３濃度演算部としての機能をコンピュータに備えさせる、分析プログラム。

     
PCT/JP2023/042471 2022-12-16 2023-11-28 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 WO2024127968A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-201104 2022-12-16
JP2022201104 2022-12-16

Publications (1)

Publication Number Publication Date
WO2024127968A1 true WO2024127968A1 (ja) 2024-06-20

Family

ID=91484872

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/042471 WO2024127968A1 (ja) 2022-12-16 2023-11-28 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

Country Status (1)

Country Link
WO (1) WO2024127968A1 (ja)

Similar Documents

Publication Publication Date Title
US11448588B2 (en) Analyzer, analysis method, analyzer program, and analysis learning device
US20100242572A1 (en) Wavelength modulation spectroscopy for simultaneous measurement of two or more gas ingredients
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
JP2019074521A (ja) 分析装置
US20180149586A1 (en) Gas analysis apparatus and gas analysis method
JP4079404B2 (ja) Ｆｔｉｒ法による多成分ガス分析方法
US20130166225A1 (en) Sample gas analyzing device and computer program for the same
US11448589B2 (en) Analyzer, analysis method, and a program recording medium recorded with a program for analyzer
JP2000346801A5 (ja)
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
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
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
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
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
JP3004747B2 (ja) フーリエ変換赤外分光計を用いた定量分析方法
CN111912804B (zh) 一种高炉烟气中微量二氧化硫监测的紫外光谱检测方法及装置
JP3004750B2 (ja) フーリエ変換赤外分光計を用いた定量分析方法
JPH04262237A (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
JP3004748B2 (ja) フーリエ変換赤外分光計を用いた定量分析方法
Riad et al. On the detection of volatile organic compounds (VOCs) using machine learning and FTIR spectroscopy for air quality monitoring
WO2022014126A1 (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
JPH04148830A (ja) 分光分析における多成分定量方法
JP4113302B2 (ja) ガス分析における共存ガスの影響除去方法及びガス分析装置
JPH1010044A (ja) 多波長光によるガス濃度計測方法
JPH09297060A (ja) ランプ切れ予報装置