JPH0972871A - 半導体ガスセンサーを用いた混合ガス測定方法 - Google Patents
半導体ガスセンサーを用いた混合ガス測定方法Info
- Publication number
- JPH0972871A JPH0972871A JP7229906A JP22990695A JPH0972871A JP H0972871 A JPH0972871 A JP H0972871A JP 7229906 A JP7229906 A JP 7229906A JP 22990695 A JP22990695 A JP 22990695A JP H0972871 A JPH0972871 A JP H0972871A
- Authority
- JP
- Japan
- Prior art keywords
- gas
- ethanol
- concentration
- heater
- semiconductor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000004065 semiconductor Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 104
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 claims description 93
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 19
- 239000007788 liquid Substances 0.000 claims description 9
- 238000000855 fermentation Methods 0.000 claims description 8
- 230000004151 fermentation Effects 0.000 claims description 8
- 241000894006 Bacteria Species 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- XOLBLPGZBRYERU-UHFFFAOYSA-N tin dioxide Chemical group O=[Sn]=O XOLBLPGZBRYERU-UHFFFAOYSA-N 0.000 claims description 2
- 229910001887 tin oxide Inorganic materials 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 7
- 230000007935 neutral effect Effects 0.000 abstract 2
- 239000007789 gas Substances 0.000 description 117
- 239000013598 vector Substances 0.000 description 28
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 239000000243 solution Substances 0.000 description 7
- CDXSJGDDABYYJV-UHFFFAOYSA-N acetic acid;ethanol Chemical compound CCO.CC(O)=O CDXSJGDDABYYJV-UHFFFAOYSA-N 0.000 description 6
- 241000894007 species Species 0.000 description 4
- PNEYBMLMFCGWSK-UHFFFAOYSA-N Alumina Chemical compound [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 3
- 239000010419 fine particle Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005245 sintering Methods 0.000 description 3
- 229910006404 SnO 2 Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000011259 mixed solution Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000257465 Echinoidea Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013124 brewing process Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
(57)【要約】
【課題】 半導体ガスセンサーを用いて混合ガスの成分
ガス濃度を測定することを可能とする。 【解決手段】 ガス種に対する選択性を有しない市販の
半導体ガスセンサー１０のヒーター１１に関数発生器２
１から周波数の異なる複数のヒーター電流を順次流し、
その時の半導体ガスセンサーの出力をそれぞれ高速デジ
タル化フーリエ変換手段３２でパワースペクトルに変換
し、そのスペクトル成分をニューラルネットワーク３４
に入力する。パワースペクトルと雰囲気混合ガス中の成
分ガス濃度の関係をニューラルネットワーク３４で学習
することで、混合ガスの成分ガス濃度を高精度に推定す
る。
ガス濃度を測定することを可能とする。 【解決手段】 ガス種に対する選択性を有しない市販の
半導体ガスセンサー１０のヒーター１１に関数発生器２
１から周波数の異なる複数のヒーター電流を順次流し、
その時の半導体ガスセンサーの出力をそれぞれ高速デジ
タル化フーリエ変換手段３２でパワースペクトルに変換
し、そのスペクトル成分をニューラルネットワーク３４
に入力する。パワースペクトルと雰囲気混合ガス中の成
分ガス濃度の関係をニューラルネットワーク３４で学習
することで、混合ガスの成分ガス濃度を高精度に推定す
る。
Description
【０００１】
【発明の属する技術分野】本発明は、半導体ガスセンサ
ーを用いるガス測定方法に関し、特に２種類以上のガス
からなる混合ガス中の成分ガス濃度を測定する混合ガス
測定方法に関する。
ーを用いるガス測定方法に関し、特に２種類以上のガス
からなる混合ガス中の成分ガス濃度を測定する混合ガス
測定方法に関する。
【０００２】
【従来の技術】酢酸菌によるエタノールを利用した酢酸
醗酵において、酢酸の醸造工程の管理のためにエタノー
ル濃度を測定することが行われる。現在、このエタノー
ル濃度の測定は、ガスクロマトグラフィー又は高速液体
クロマトグラフィーによって行われているが、試料調製
ために煩雑な作業が必要であり、測定に時間がかかる。
醗酵において、酢酸の醸造工程の管理のためにエタノー
ル濃度を測定することが行われる。現在、このエタノー
ル濃度の測定は、ガスクロマトグラフィー又は高速液体
クロマトグラフィーによって行われているが、試料調製
ために煩雑な作業が必要であり、測定に時間がかかる。
【０００３】一方、エタノール等のガス濃度を簡便に測
定できるセンサーとして半導体ガスセンサーが知られて
おり、この半導体ガスセンサーで雰囲気中のエタノール
ガス濃度を測定することで、雰囲気ガスと平衡状態にあ
る溶液中のエタノール濃度を測定する方法が考えられ
る。半導体ガスセンサーは、ＳｎＯ2，ＷＯ3，ＬａＮｉ
Ｏ3 等の半導体微粒子を成型焼結して作製された感ガス
素子を用いるもので、感ガス素子をヒーターで一定温度
に加熱して使用される。ガス分子は感ガス素子の半導体
微粒子の表面に吸着して半導体微粒子と電子授受をする
ため、感ガス素子の電気抵抗値はガス分子が吸着すると
変化し、また吸着気体分子の種類によっても変化する。
このように感ガス素子の電気抵抗値は周囲のガス濃度に
応じて変化するため、感ガス素子に一定電流を流しその
両端電圧を測定するなどの方法で抵抗変化を検出するこ
とによりガス濃度を知ることができる。
定できるセンサーとして半導体ガスセンサーが知られて
おり、この半導体ガスセンサーで雰囲気中のエタノール
ガス濃度を測定することで、雰囲気ガスと平衡状態にあ
る溶液中のエタノール濃度を測定する方法が考えられ
る。半導体ガスセンサーは、ＳｎＯ2，ＷＯ3，ＬａＮｉ
Ｏ3 等の半導体微粒子を成型焼結して作製された感ガス
素子を用いるもので、感ガス素子をヒーターで一定温度
に加熱して使用される。ガス分子は感ガス素子の半導体
微粒子の表面に吸着して半導体微粒子と電子授受をする
ため、感ガス素子の電気抵抗値はガス分子が吸着すると
変化し、また吸着気体分子の種類によっても変化する。
このように感ガス素子の電気抵抗値は周囲のガス濃度に
応じて変化するため、感ガス素子に一定電流を流しその
両端電圧を測定するなどの方法で抵抗変化を検出するこ
とによりガス濃度を知ることができる。
【０００４】
【発明が解決しようとする課題】半導体ガスセンサー
は、小型の感ガス素子を用いてガス濃度を電気信号とし
て実時間で取り出すことができるため取り扱いが簡便で
操作性に優れる反面、感ガス素子の表面に吸着し半導体
微粒子と電子授受を行うガス分子全てに対して応答する
ためガス種に対する選択性がないという問題がある。例
えば、エタノールに応答する半導体ガスセンサーは、Ｃ
Ｏガス、水素ガス等、他の還元性ガスに対しても、感度
に違いはあるものの同様に応答する。一例を示すと、Ｓ
ｎＯ2 微粒子を焼結して作製した感ガス素子を用いる半
導体ガスセンサーの出力（抵抗値）は、図１０に示すよ
うに、エタノールガスと酢酸ガスに対して同じような挙
動を示し、両者の応答を分離することは事実上不可能で
ある。従って、エタノールガスの他に酢酸ガスも同時に
発生する醸造装置にエタノールガス濃度測定用あるいは
酢酸ガス濃度測定用として半導体ガスセンサーを設置し
ても、半導体ガスセンサーによる出力がエタノールガス
によるものか酢酸ガスによるものかを区別することがで
きないため、測定値に対する信頼性が低く到底実用に耐
えない。
は、小型の感ガス素子を用いてガス濃度を電気信号とし
て実時間で取り出すことができるため取り扱いが簡便で
操作性に優れる反面、感ガス素子の表面に吸着し半導体
微粒子と電子授受を行うガス分子全てに対して応答する
ためガス種に対する選択性がないという問題がある。例
えば、エタノールに応答する半導体ガスセンサーは、Ｃ
Ｏガス、水素ガス等、他の還元性ガスに対しても、感度
に違いはあるものの同様に応答する。一例を示すと、Ｓ
ｎＯ2 微粒子を焼結して作製した感ガス素子を用いる半
導体ガスセンサーの出力（抵抗値）は、図１０に示すよ
うに、エタノールガスと酢酸ガスに対して同じような挙
動を示し、両者の応答を分離することは事実上不可能で
ある。従って、エタノールガスの他に酢酸ガスも同時に
発生する醸造装置にエタノールガス濃度測定用あるいは
酢酸ガス濃度測定用として半導体ガスセンサーを設置し
ても、半導体ガスセンサーによる出力がエタノールガス
によるものか酢酸ガスによるものかを区別することがで
きないため、測定値に対する信頼性が低く到底実用に耐
えない。
【０００５】本発明は、半導体ガスセンサーを用いなが
ら混合ガスの成分ガス濃度をガス種毎に定量可能にする
方法、ひいてはそのガスと気液平衡状態にある溶液中の
特定成分の濃度を簡便に測定する方法を提供することを
目的とする。
ら混合ガスの成分ガス濃度をガス種毎に定量可能にする
方法、ひいてはそのガスと気液平衡状態にある溶液中の
特定成分の濃度を簡便に測定する方法を提供することを
目的とする。
【０００６】
【課題を解決するための手段】半導体ガスセンサーのヒ
ーターに印加する電圧を周期的に変化させるとき、感ガ
ス素子へのガスの吸脱着はガス種特異性を示す。本発明
は、半導体ガスセンサーのこの性質を利用するもので、
ガス種に対する選択性を有しない市販の半導体ガスセン
サーに周波数の異なる複数のヒーター電流を流し、その
時の半導体ガスセンサーの出力をそれぞれ高速デジタル
化フーリエ変換でパワースペクトルに変換し、そのスペ
クトル成分をパワースペクトルの成分と混合ガス中の成
分ガス濃度の関係を学習したニューラルネットワークに
入力し、混合ガスの成分ガス濃度を高精度に推定する。
ーターに印加する電圧を周期的に変化させるとき、感ガ
ス素子へのガスの吸脱着はガス種特異性を示す。本発明
は、半導体ガスセンサーのこの性質を利用するもので、
ガス種に対する選択性を有しない市販の半導体ガスセン
サーに周波数の異なる複数のヒーター電流を流し、その
時の半導体ガスセンサーの出力をそれぞれ高速デジタル
化フーリエ変換でパワースペクトルに変換し、そのスペ
クトル成分をパワースペクトルの成分と混合ガス中の成
分ガス濃度の関係を学習したニューラルネットワークに
入力し、混合ガスの成分ガス濃度を高精度に推定する。
【０００７】周波数の異なるヒーター電流に対する複数
のパワースペクトルは、１個の半導体ガスセンサーのヒ
ーター電流を経時的に変えることで順次求めることもで
きるし、並列に設置した複数の半導体ガスセンサーに各
々異なるヒーター電流を流すことで同時に求めることも
できる。本発明は、１個又は複数個の半導体ガスセンサ
ーに対し複数のヒーター電流周波数を用い、複数倍の出
力情報を得るものであるため、少ない個数のガスセンサ
ーによって混合ガスの測定を行うことができる。
のパワースペクトルは、１個の半導体ガスセンサーのヒ
ーター電流を経時的に変えることで順次求めることもで
きるし、並列に設置した複数の半導体ガスセンサーに各
々異なるヒーター電流を流すことで同時に求めることも
できる。本発明は、１個又は複数個の半導体ガスセンサ
ーに対し複数のヒーター電流周波数を用い、複数倍の出
力情報を得るものであるため、少ない個数のガスセンサ
ーによって混合ガスの測定を行うことができる。
【０００８】本発明の方法により、酢酸菌によるエタノ
ールを利用する酢酸醗酵工程で溶液中のエタノール及び
／又は酢酸濃度を測定する場合、半導体ガスセンサーは
発酵タンク内部のガス中、発酵タンクからの排ガス中な
ど、発酵タンク内の醗酵溶液と気液平衡している任意の
箇所のガス中に配置することができる。
ールを利用する酢酸醗酵工程で溶液中のエタノール及び
／又は酢酸濃度を測定する場合、半導体ガスセンサーは
発酵タンク内部のガス中、発酵タンクからの排ガス中な
ど、発酵タンク内の醗酵溶液と気液平衡している任意の
箇所のガス中に配置することができる。
【０００９】
【発明の実施の形態】以下、実施例により本発明を詳細
に説明する。本実施例は、水蒸気／エタノール／酢酸の
混合ガス中におけるエタノールガスの濃度測定、あるい
は前記混合ガスと気液平衡状態にある溶液中のエタノー
ル濃度の定量に関するものである。半導体ガスセンサー
１０として、図１に示すように、中空のアルミナセラミ
ック管１２にＳｎＯ2 を焼結して製造された半導体感ガ
ス素子１５をマウントし、アルミナセラミック管１２の
内部にヒーター１１を配置したものを用いた。ヒーター
１１はヒーター電源に接続され、出力はアルミナセラミ
ック管１２の両端に印刷された２個の金電極１６，１７
から取り出される。
に説明する。本実施例は、水蒸気／エタノール／酢酸の
混合ガス中におけるエタノールガスの濃度測定、あるい
は前記混合ガスと気液平衡状態にある溶液中のエタノー
ル濃度の定量に関するものである。半導体ガスセンサー
１０として、図１に示すように、中空のアルミナセラミ
ック管１２にＳｎＯ2 を焼結して製造された半導体感ガ
ス素子１５をマウントし、アルミナセラミック管１２の
内部にヒーター１１を配置したものを用いた。ヒーター
１１はヒーター電源に接続され、出力はアルミナセラミ
ック管１２の両端に印刷された２個の金電極１６，１７
から取り出される。
【００１０】図２は、本実施例で用いた測定装置のブロ
ック図である。半導体ガスセンサー１０のヒーター１１
には関数発生器２１により発生させた一定周波数の正弦
波出力電圧を印加する。また、半導体ガスセンサー１０
の出力端子に負荷抵抗２２を直列接続した測定回路に、
直流電源２３より一定電圧、例えば９Ｖの電圧を印加す
る。負荷抵抗２２の両端電圧は、Ａ／Ｄ変換器２４によ
りデジタル信号に変換され、入出力インターフェイス２
５を介してマイクロコンピュータ３０に入力される。マ
イクロコンピュータ３０では、ヒーター電流の時間変化
に伴って変化するＡ／Ｄ変換器２４の出力を高速フーリ
エ変換手段３２によってフーリエ変換してパワースペク
トルに変換する。入力データ演算手段３３は、複数のヒ
ーター電流に対してそれぞれ得られたパワースペクトル
の成分からニューラルネットワーク３４の入力層に入力
するデータの組を生成する。濃度演算手段３５は、ニュ
ーラルネットワーク３４の出力層から得られた出力にデ
ファジィフィケーション演算を施して濃度信号を出力す
る。この濃度信号は、入出力インターフェイス３１を介
してディスプレイあるいはプリンター等の出力装置２５
に出力される。
ック図である。半導体ガスセンサー１０のヒーター１１
には関数発生器２１により発生させた一定周波数の正弦
波出力電圧を印加する。また、半導体ガスセンサー１０
の出力端子に負荷抵抗２２を直列接続した測定回路に、
直流電源２３より一定電圧、例えば９Ｖの電圧を印加す
る。負荷抵抗２２の両端電圧は、Ａ／Ｄ変換器２４によ
りデジタル信号に変換され、入出力インターフェイス２
５を介してマイクロコンピュータ３０に入力される。マ
イクロコンピュータ３０では、ヒーター電流の時間変化
に伴って変化するＡ／Ｄ変換器２４の出力を高速フーリ
エ変換手段３２によってフーリエ変換してパワースペク
トルに変換する。入力データ演算手段３３は、複数のヒ
ーター電流に対してそれぞれ得られたパワースペクトル
の成分からニューラルネットワーク３４の入力層に入力
するデータの組を生成する。濃度演算手段３５は、ニュ
ーラルネットワーク３４の出力層から得られた出力にデ
ファジィフィケーション演算を施して濃度信号を出力す
る。この濃度信号は、入出力インターフェイス３１を介
してディスプレイあるいはプリンター等の出力装置２５
に出力される。
【００１１】図３は、本実施例で採用したニューラルネ
ットワークの構造を示す説明図である。ネットワーク
は、入力層、中間層、出力層からなる３層の階層構造を
有する。入力層のエレメント数は（１０×出力信号を採
取したヒーター電流の周波数の数）、中間層のエレメン
ト数は（２０×出力信号を採取したヒーター電流の周波
数の数）、出力層のエレメント数は１５であり、出力層
から１５行１列のベクトルＮが出力される。このベクト
ルＮの１５の成分は、学習後のニューラルネットワーク
が形作るエタノール濃度計での濃度きざみ幅ｈ＝０.５
ｗｔ％の目盛りに相当するように設定した。図４に示す
ように、ネットワークの第ｍ層に属するエレメントＳi
には、その前段の第（ｍ−１）層の各エレメントＳj か
らの出力Ｑ j がそれぞれ重みＷijが付けられて入力され
る。エレメントＳj は、この重み付き入力の総和を関数
ｆによって決められた規則に従って変換して、次式のよ
うにＱi として出力する。
ットワークの構造を示す説明図である。ネットワーク
は、入力層、中間層、出力層からなる３層の階層構造を
有する。入力層のエレメント数は（１０×出力信号を採
取したヒーター電流の周波数の数）、中間層のエレメン
ト数は（２０×出力信号を採取したヒーター電流の周波
数の数）、出力層のエレメント数は１５であり、出力層
から１５行１列のベクトルＮが出力される。このベクト
ルＮの１５の成分は、学習後のニューラルネットワーク
が形作るエタノール濃度計での濃度きざみ幅ｈ＝０.５
ｗｔ％の目盛りに相当するように設定した。図４に示す
ように、ネットワークの第ｍ層に属するエレメントＳi
には、その前段の第（ｍ−１）層の各エレメントＳj か
らの出力Ｑ j がそれぞれ重みＷijが付けられて入力され
る。エレメントＳj は、この重み付き入力の総和を関数
ｆによって決められた規則に従って変換して、次式のよ
うにＱi として出力する。
【００１２】Ｑi＝ｆ（ΣＷijＱj） 重みＷijは各エレメント間の結合の強さを表し、学習に
よって重みＷijを変えることでネットワーク構造の最適
化が図られる。関数ｆとしては、次式で表されるロジス
ティック関数を用いた。ただし、式中のａ及びｂは可変
パラメータである。
よって重みＷijを変えることでネットワーク構造の最適
化が図られる。関数ｆとしては、次式で表されるロジス
ティック関数を用いた。ただし、式中のａ及びｂは可変
パラメータである。
【００１３】ｆ（ｘ）＝ａ／｛１＋exp（−ｂｘ）｝ 測定試料は次のようにして用意した。図５に示すよう
に、ステンレス製の密閉容器５０の底に既知濃度のエタ
ノール−酢酸混液を浸潤させたガーゼ５１を置き、容器
を一定温度、２５℃又は室温に保ってガーゼ５１に浸潤
させた既知濃度のエタノール−酢酸混液と気液平衡状態
にある密閉容器５０内の雰囲気ガスを試料ガスとした。
試料ガス中のエタノール濃度を測定する半導体ガスセン
サー１０は密閉容器５０の天板５２に取り付けた。
に、ステンレス製の密閉容器５０の底に既知濃度のエタ
ノール−酢酸混液を浸潤させたガーゼ５１を置き、容器
を一定温度、２５℃又は室温に保ってガーゼ５１に浸潤
させた既知濃度のエタノール−酢酸混液と気液平衡状態
にある密閉容器５０内の雰囲気ガスを試料ガスとした。
試料ガス中のエタノール濃度を測定する半導体ガスセン
サー１０は密閉容器５０の天板５２に取り付けた。
【００１４】以下、図２に示した測定装置の動作につい
て説明する。測定に先立って、ニューラルネットワーク
３８に学習用のデータを与えて学習を行わせる。ニュー
ラルネットワークの学習用に、図５の密閉容器５０内に
配置したガーゼ５１に浸潤させたエタノール−酢酸混液
として、エタノール濃度を０ｗｔ％，０.５ｗｔ％，１
ｗｔ％，５ｗｔ％，６ｗｔ％の５段階に変化させ、酢酸
濃度を０ｗｔ％，２ｗｔ％，４ｗｔ％，８ｗｔ％，１０
ｗｔ％の５段階に変化させた合計２５種類の試料を用意
した。
て説明する。測定に先立って、ニューラルネットワーク
３８に学習用のデータを与えて学習を行わせる。ニュー
ラルネットワークの学習用に、図５の密閉容器５０内に
配置したガーゼ５１に浸潤させたエタノール−酢酸混液
として、エタノール濃度を０ｗｔ％，０.５ｗｔ％，１
ｗｔ％，５ｗｔ％，６ｗｔ％の５段階に変化させ、酢酸
濃度を０ｗｔ％，２ｗｔ％，４ｗｔ％，８ｗｔ％，１０
ｗｔ％の５段階に変化させた合計２５種類の試料を用意
した。
【００１５】半導体ガスセンサーのヒーターに加える電
圧の周波数は、１，２，１０ｍＨの３種類とした。この
ときの半導体ガスセンサー１０の出力の一例を図６に示
す。（ａ）はヒーターに加える電圧の周波数が１ｍＨｚ
のときのセンサー出力、（ｂ）は２ｍＨｚのときの出
力、（ｃ）は１０ｍＨｚのときの出力であり、図中、Ａ
の波形はそれぞれエタノール濃度０ｗｔ％に対する出力
波形、Ｂの波形はそれぞれエタノール濃度０.５ｗｔ％
に対する出力波形である。同様に、Ｃの波形はエタノー
ル濃度１ｗｔ％、Ｄの波形はエタノール濃度５ｗｔ％、
Ｅの波形は６ｗｔ％に対する出力波形である。いずれの
場合も、酢酸濃度は４ｗｔ％である。
圧の周波数は、１，２，１０ｍＨの３種類とした。この
ときの半導体ガスセンサー１０の出力の一例を図６に示
す。（ａ）はヒーターに加える電圧の周波数が１ｍＨｚ
のときのセンサー出力、（ｂ）は２ｍＨｚのときの出
力、（ｃ）は１０ｍＨｚのときの出力であり、図中、Ａ
の波形はそれぞれエタノール濃度０ｗｔ％に対する出力
波形、Ｂの波形はそれぞれエタノール濃度０.５ｗｔ％
に対する出力波形である。同様に、Ｃの波形はエタノー
ル濃度１ｗｔ％、Ｄの波形はエタノール濃度５ｗｔ％、
Ｅの波形は６ｗｔ％に対する出力波形である。いずれの
場合も、酢酸濃度は４ｗｔ％である。
【００１６】ニューラルネットワークの学習は次のよう
にして行われる。例えば、エタノール濃度０ｗｔ％、酢
酸濃度０ｗｔ％の試料に対して、まず半導体ガスセンサ
ー１０のヒーター１１に流す電流の周波数を１ｍＨｚに
設定し、半導体ガスセンサー１０の出力をＡ／Ｄ変換器
２４を通してマイクロコンピュータ３０に取り込む。Ａ
／Ｄ変換器２４の出力に高速フーリエ変換手段３２によ
り高速デジタル化フーリエ変換を施し、パワースペクト
ルを求める。このパワースペクトルから、ニューラルネ
ットワーク３４の入力層に入力するデータとして主極
（第１成分）及び第２、第３、第４、第５成分の大きさ
と位相角を入力データ演算手段３３で抽出する。次に、
ヒーター電流の周波数を２ｍＨｚに変更し、半導体ガス
センサー１０の出力からパワースペクトルを求め、同様
にして主極（第１成分）及び第２、第３、第４、第５成
分の大きさと位相角のデータを抽出する。さらにヒータ
ー電流の周波数を１０ｍＨｚに変更し、同様にして主極
（第１成分）及び第２、第３、第４、第５成分の大きさ
と位相角のデータを抽出する。
にして行われる。例えば、エタノール濃度０ｗｔ％、酢
酸濃度０ｗｔ％の試料に対して、まず半導体ガスセンサ
ー１０のヒーター１１に流す電流の周波数を１ｍＨｚに
設定し、半導体ガスセンサー１０の出力をＡ／Ｄ変換器
２４を通してマイクロコンピュータ３０に取り込む。Ａ
／Ｄ変換器２４の出力に高速フーリエ変換手段３２によ
り高速デジタル化フーリエ変換を施し、パワースペクト
ルを求める。このパワースペクトルから、ニューラルネ
ットワーク３４の入力層に入力するデータとして主極
（第１成分）及び第２、第３、第４、第５成分の大きさ
と位相角を入力データ演算手段３３で抽出する。次に、
ヒーター電流の周波数を２ｍＨｚに変更し、半導体ガス
センサー１０の出力からパワースペクトルを求め、同様
にして主極（第１成分）及び第２、第３、第４、第５成
分の大きさと位相角のデータを抽出する。さらにヒータ
ー電流の周波数を１０ｍＨｚに変更し、同様にして主極
（第１成分）及び第２、第３、第４、第５成分の大きさ
と位相角のデータを抽出する。
【００１７】なお、測定開始時に必然的に生じる測定デ
ータ開始端をそのまま高速フーリエ変換に代入すること
による計算誤差を消去するためにハミング窓を用いる。
すなわち、図７に模式的に示すように、測定データ列
（ａ）にハミング窓値（ｂ）を乗じた数値列を高速フー
リエ変換（ＦＦＴ）手段３２に代入してパワースペクト
ル（ｃ）を求める。
ータ開始端をそのまま高速フーリエ変換に代入すること
による計算誤差を消去するためにハミング窓を用いる。
すなわち、図７に模式的に示すように、測定データ列
（ａ）にハミング窓値（ｂ）を乗じた数値列を高速フー
リエ変換（ＦＦＴ）手段３２に代入してパワースペクト
ル（ｃ）を求める。
【００１８】図８は、図６に例示した測定データ列に図
７の窓関数処理を施した上で高速フーリエ変換して求め
られた主極（第１成分）及び第２、第３成分を、ヒータ
ー電流の周波数が１，２，１０ｍＨｚの場合を合わせて
複素平面上にプロットした図である。複素平面上の各プ
ロットは、その原点からの距離がパワースペクトルの大
きさを表し、各プロットと原点とを結ぶ直線が実軸とな
す角度が位相角を表す。図にはパワースペクトルの主極
（第１成分）、第２成分及び第３成分のデータを図示
し、ヒーター電流の周波数１ｍＨｚの場合のデータ列、
２ｍＨｚのデータ列、１０ｍＨｚのデータ列を、それぞ
れ破線で囲んで示す。図から分かるように、主極（第１
成分）は第Ｉ象限に、第２、第３成分は第III象限にあ
る。
７の窓関数処理を施した上で高速フーリエ変換して求め
られた主極（第１成分）及び第２、第３成分を、ヒータ
ー電流の周波数が１，２，１０ｍＨｚの場合を合わせて
複素平面上にプロットした図である。複素平面上の各プ
ロットは、その原点からの距離がパワースペクトルの大
きさを表し、各プロットと原点とを結ぶ直線が実軸とな
す角度が位相角を表す。図にはパワースペクトルの主極
（第１成分）、第２成分及び第３成分のデータを図示
し、ヒーター電流の周波数１ｍＨｚの場合のデータ列、
２ｍＨｚのデータ列、１０ｍＨｚのデータ列を、それぞ
れ破線で囲んで示す。図から分かるように、主極（第１
成分）は第Ｉ象限に、第２、第３成分は第III象限にあ
る。
【００１９】測定試料中のエタノール及び酢酸濃度が異
なる場合、主極（第１成分）を含む全ての成分は、その
大きさ、位相角は違っていたが、試料中のエタノール又
は酢酸濃度に対し、その大きさ及び位相角の変化は単調
性を示さず、また、例えば、主極（第１成分）にみられ
る大きさ、位相角のエタノール又は酢酸濃度に対する変
化の順番は、他の成分で共通しておらず、非線形な関係
となった。
なる場合、主極（第１成分）を含む全ての成分は、その
大きさ、位相角は違っていたが、試料中のエタノール又
は酢酸濃度に対し、その大きさ及び位相角の変化は単調
性を示さず、また、例えば、主極（第１成分）にみられ
る大きさ、位相角のエタノール又は酢酸濃度に対する変
化の順番は、他の成分で共通しておらず、非線形な関係
となった。
【００２０】次いで、最初、ネットワークの全ての重み
Ｗijをランダムに初期設定し、エタノール濃度ｘ（ｗｔ
％）、酢酸濃度ｙ（ｗｔ％）の試料に対してパワースペ
クトル成分から得た前記１０種類のデータ、すなわち高
速フーリエ変換で得た主極（第１成分）及び第２、第
３、第４、第５成分の大きさと位相角をニューラルネッ
トワーク３４の入力層の１０個のエレメントに入力信号
として各々入力する。この入力信号は１０行１列の入力
ベクトルＭとみなすことができる。そして、出力層の１
５のエレメントから出力される１５行１列のベクトルＮ
に対する教師信号として、次の成分θi を有するベクト
ルＴ＝｛θ1，θ2，…，θi，…，θ15｝を与えた。
Ｗijをランダムに初期設定し、エタノール濃度ｘ（ｗｔ
％）、酢酸濃度ｙ（ｗｔ％）の試料に対してパワースペ
クトル成分から得た前記１０種類のデータ、すなわち高
速フーリエ変換で得た主極（第１成分）及び第２、第
３、第４、第５成分の大きさと位相角をニューラルネッ
トワーク３４の入力層の１０個のエレメントに入力信号
として各々入力する。この入力信号は１０行１列の入力
ベクトルＭとみなすことができる。そして、出力層の１
５のエレメントから出力される１５行１列のベクトルＮ
に対する教師信号として、次の成分θi を有するベクト
ルＴ＝｛θ1，θ2，…，θi，…，θ15｝を与えた。
【００２１】 θi＝１ （ｉ＝ｘ／ｈのとき） ０.７ （ｉ＝(ｘ／ｈ)±１のとき） ０.４ （ｉ＝(ｘ／ｈ)±２のとき） ０ （ｉ＜(ｘ／ｈ)−２、又はｉ＞(ｘ／ｈ)＋２のとき） 前述の２５種類の（ｘ，ｙ）の組について、測定を行
い、高速フーリエ変換により得たネットワークへの入力
ベクトルＭとそれぞれに対応する教師信号ベクトルＴを
順次ニューラルネットワークに与え、出力層からのベク
トルＮと教師信号ベクトルＴの誤差が小さくなるように
各重みＷijの値を修正する。この２５種類の（ｘ，ｙ）
の組それぞれからのネットワークへの入力ベクトルＭの
入力、出力ベクトルＮと教師信号ベクトルＴの比較、重
みＷijの修正からなる学習単位は、固定回数例えば２０
０００回の反復、あるいはネットワークからの出力ベク
トルＮと教師信号ベクトルＴのノルムが設定値、例えば
１０-2以下になるまで反復学習させた。学習にあたって
の重みＷijの修正量は、既知のバックプロパゲーション
法（D.E. Rumelhart and J.L. MaClelland, "Parallel
Distributed Processing", Vol.1, Bradford Books, Th
e MIT Press, 1986.参照）によって算出した。
い、高速フーリエ変換により得たネットワークへの入力
ベクトルＭとそれぞれに対応する教師信号ベクトルＴを
順次ニューラルネットワークに与え、出力層からのベク
トルＮと教師信号ベクトルＴの誤差が小さくなるように
各重みＷijの値を修正する。この２５種類の（ｘ，ｙ）
の組それぞれからのネットワークへの入力ベクトルＭの
入力、出力ベクトルＮと教師信号ベクトルＴの比較、重
みＷijの修正からなる学習単位は、固定回数例えば２０
０００回の反復、あるいはネットワークからの出力ベク
トルＮと教師信号ベクトルＴのノルムが設定値、例えば
１０-2以下になるまで反復学習させた。学習にあたって
の重みＷijの修正量は、既知のバックプロパゲーション
法（D.E. Rumelhart and J.L. MaClelland, "Parallel
Distributed Processing", Vol.1, Bradford Books, Th
e MIT Press, 1986.参照）によって算出した。
【００２２】こうして作成、成熟させたニューラルネッ
トワークは、測定データのスペクトル成分をその入力層
に入力すると、１５行１列のベクトルＮとして推定値が
出力層から出力される。濃度演算手段３５は、ベクトル
Ｎにデファジィフィケーション演算を施して得た濃度値
を出力手段２５に出力する。成熟後のニューラルネット
ワークに対し、エタノール濃度が０ｗｔ％，０.５ｗｔ
％，１ｗｔ％，５ｗｔ％，６ｗｔ％で、酢酸濃度が６ｗ
ｔ％である５種類のエタノール−酢酸混液を試料とし
て、半導体ガスセンサーの５つの出力信号からエタノー
ル濃度を推定した。測定に当たっては、前述と同様にし
て半導体ガスセンサーのヒーター電流の周波数を１，
２，１０ｍＨｚと変化させ、高速デジタル化フーリエ変
換により半導体ガスセンサーの出力（又は抵抗値）のパ
ワースペクトル成分を求めてニューラルネットワークに
入力した。
トワークは、測定データのスペクトル成分をその入力層
に入力すると、１５行１列のベクトルＮとして推定値が
出力層から出力される。濃度演算手段３５は、ベクトル
Ｎにデファジィフィケーション演算を施して得た濃度値
を出力手段２５に出力する。成熟後のニューラルネット
ワークに対し、エタノール濃度が０ｗｔ％，０.５ｗｔ
％，１ｗｔ％，５ｗｔ％，６ｗｔ％で、酢酸濃度が６ｗ
ｔ％である５種類のエタノール−酢酸混液を試料とし
て、半導体ガスセンサーの５つの出力信号からエタノー
ル濃度を推定した。測定に当たっては、前述と同様にし
て半導体ガスセンサーのヒーター電流の周波数を１，
２，１０ｍＨｚと変化させ、高速デジタル化フーリエ変
換により半導体ガスセンサーの出力（又は抵抗値）のパ
ワースペクトル成分を求めてニューラルネットワークに
入力した。
【００２３】ここでは、ニューラルネットワークへの教
師信号としてエタノール−酢酸混液中のエタノール濃度
を与える場合について説明した。そのため、本実施例の
混合ガス測定装置は、半導体ガスセンサーが設置された
雰囲気と気液平衡している溶液中のエタノール濃度を出
力するように設定されている。しかし、ニューラルネッ
トワークへの教師信号として半導体ガスセンサーが置か
れている雰囲気中のエタノール濃度を与えれば、本実施
例の混合ガス測定装置を気体中のエタノール濃度を出力
する装置とすることができることは明らかである。
師信号としてエタノール−酢酸混液中のエタノール濃度
を与える場合について説明した。そのため、本実施例の
混合ガス測定装置は、半導体ガスセンサーが設置された
雰囲気と気液平衡している溶液中のエタノール濃度を出
力するように設定されている。しかし、ニューラルネッ
トワークへの教師信号として半導体ガスセンサーが置か
れている雰囲気中のエタノール濃度を与えれば、本実施
例の混合ガス測定装置を気体中のエタノール濃度を出力
する装置とすることができることは明らかである。
【００２４】図９は、上述の５種類のエタノール−酢酸
溶液試料中のエタノール濃度とニューラルネットワーク
の出力の関係を示す図である。すなわち、図の左手前側
から右奥に向かって、エタノール濃度が０ｗｔ％，０.
５ｗｔ％，１ｗｔ％，５ｗｔ％，６ｗｔ％（酢酸濃度は
いずれも６ｗｔ％）の混液試料に対して、ヒーター電流
の周波数を１，２，１０ｍＨｚとしたときの各パワース
ペクトル成分から、これまで述べた一連の手続を経て成
熟済みのニューラルネットワークが出力した出力ベクト
ルを示す。左手前最前列の例では、エタノール濃度０ｗ
ｔ％に対応する出力エレメントの発火値が最も高く、実
試料のエタノール濃度と対応している。図の右奥へ順
次、試料のエタノール濃度が０.５，１，５，６ｗｔ％
である場合のニューラルネットワークの出力ベクトルを
配置しているが、それぞれの実試料に対し、正しいエタ
ノール濃度に対応するエレメントが最大に発火している
のが見て取れる。
溶液試料中のエタノール濃度とニューラルネットワーク
の出力の関係を示す図である。すなわち、図の左手前側
から右奥に向かって、エタノール濃度が０ｗｔ％，０.
５ｗｔ％，１ｗｔ％，５ｗｔ％，６ｗｔ％（酢酸濃度は
いずれも６ｗｔ％）の混液試料に対して、ヒーター電流
の周波数を１，２，１０ｍＨｚとしたときの各パワース
ペクトル成分から、これまで述べた一連の手続を経て成
熟済みのニューラルネットワークが出力した出力ベクト
ルを示す。左手前最前列の例では、エタノール濃度０ｗ
ｔ％に対応する出力エレメントの発火値が最も高く、実
試料のエタノール濃度と対応している。図の右奥へ順
次、試料のエタノール濃度が０.５，１，５，６ｗｔ％
である場合のニューラルネットワークの出力ベクトルを
配置しているが、それぞれの実試料に対し、正しいエタ
ノール濃度に対応するエレメントが最大に発火している
のが見て取れる。
【００２５】図２の濃度演算手段３５は、ニューラルネ
ットワーク３４からの出力ベクトルに対して最大に発火
している出力層のエレメントを抽出するデファジィフィ
ケーション、あるいは出力層の全ての発火エレメントに
発火量を重みとした平均で推定量を求めるデファジィフ
ィケーション演算を施してエタノール濃度を演算する。
上述のように、本実施例では、最大発火エレメントを抽
出するデファジィフィケーションを採用すると、１００
％の正解率が得られる。
ットワーク３４からの出力ベクトルに対して最大に発火
している出力層のエレメントを抽出するデファジィフィ
ケーション、あるいは出力層の全ての発火エレメントに
発火量を重みとした平均で推定量を求めるデファジィフ
ィケーション演算を施してエタノール濃度を演算する。
上述のように、本実施例では、最大発火エレメントを抽
出するデファジィフィケーションを採用すると、１００
％の正解率が得られる。
【００２６】続いて、比較のために、半導体ガスセンサ
ーを加熱するヒーター電流の周波数を１ｍＨｚあるいは
２ｍＨｚの単独の周波数とし、同様に半導体ガスセンサ
ーの出力のパワースペクトルの第１〜第５成分の大きさ
と位相を学習データとしてニューラルネットワークを構
築し（入力層のエレメント数は１０×１）、さらにヒー
ター電流の周波数を１ｍＨｚと２ｍＨｚの２種類として
同様に学習データを得、入力層エレメント数が１０×２
のニューラルネットワークを構築した。
ーを加熱するヒーター電流の周波数を１ｍＨｚあるいは
２ｍＨｚの単独の周波数とし、同様に半導体ガスセンサ
ーの出力のパワースペクトルの第１〜第５成分の大きさ
と位相を学習データとしてニューラルネットワークを構
築し（入力層のエレメント数は１０×１）、さらにヒー
ター電流の周波数を１ｍＨｚと２ｍＨｚの２種類として
同様に学習データを得、入力層エレメント数が１０×２
のニューラルネットワークを構築した。
【００２７】本実施例のニューラルネットワーク、及び
比較例によって得られたニューラルネットワークを次式
のスコアＳにより評価した。 Ｓ＝（１／ｎil）｛Ａi・Ｎi−Ｐi・Ｎi｝ ここで、ｉは学習及びテストデータの組、例えば１ｍＨ
ｚの単独のヒーター周波数でのデータの組であるか、又
は１及び２ｍＨｚの複数のヒーター周波数でのデータの
組であるかを示す。ｎilはネットワーク出力Ｎi のｌ成
分であり、ｌはネットワーク出力成分の中の最大値であ
る成分の番号である。Ａi はテストデータを与えた混液
の成分濃度、すなわち正解を本実施例のネットワーク出
力ベクトルの次元である１５行１列のベクトル形式で表
したものであり、ここでは教師ベクトルＴと同じものを
用いた。Ｐi はネットワーク出力が誤っている場合に与
えるペナルティベクトルである。ペナルティベクトルＰ
i としては、Ｉを単位ベクトルとして、Ｉ−Ａi を採用
した。また、式中、「・」はベクトルの内積を表す。
比較例によって得られたニューラルネットワークを次式
のスコアＳにより評価した。 Ｓ＝（１／ｎil）｛Ａi・Ｎi−Ｐi・Ｎi｝ ここで、ｉは学習及びテストデータの組、例えば１ｍＨ
ｚの単独のヒーター周波数でのデータの組であるか、又
は１及び２ｍＨｚの複数のヒーター周波数でのデータの
組であるかを示す。ｎilはネットワーク出力Ｎi のｌ成
分であり、ｌはネットワーク出力成分の中の最大値であ
る成分の番号である。Ａi はテストデータを与えた混液
の成分濃度、すなわち正解を本実施例のネットワーク出
力ベクトルの次元である１５行１列のベクトル形式で表
したものであり、ここでは教師ベクトルＴと同じものを
用いた。Ｐi はネットワーク出力が誤っている場合に与
えるペナルティベクトルである。ペナルティベクトルＰ
i としては、Ｉを単位ベクトルとして、Ｉ−Ａi を採用
した。また、式中、「・」はベクトルの内積を表す。
【００２８】次の表１は、このようにして計算したスコ
アＳを、ヒーター周波数が１ｍＨｚ単独でのデータを基
にしたスコアを１００として相対表示したものである。
なお、表中でシャッフルとは、ニューラルネットワーク
を成熟させるに際し、データをシャッフルしてその順序
をランダム化してから学習させたことを意味する。 〔表 １〕 ヒーター周波数 スコア １ｍＨｚ １００ ２ｍＨｚ １３２ １，２ｍＨｚ １５６ １，２，１０ｍＨｚ １６２ １，２，１０ｍＨｚ（シャッフル） １８５ 表１から、ヒーター電流の周波数が１ｍＨｚ単独でのス
コア１００と１，２，１０ｍＨｚの３種類でのスコア１
６２との比較から、単独のヒーター周波数で得られる信
号からの推定よりも、複数の周波数から得られる信号を
用いる方が推量の精度が６２ポイントも向上しているこ
とが分かる。さらに、複数のヒーター電流周波数からの
信号を学習させる際に、１ｍＨｚ、２ｍＨｚ、１０ｍＨ
ｚの順でなく、それらの信号をシャッフルしてから学習
させると、ニューラルネットワークの推量精度は更に向
上し、１ｍＨｚ単独での場合と比較すると８５ポイント
も向上している。
アＳを、ヒーター周波数が１ｍＨｚ単独でのデータを基
にしたスコアを１００として相対表示したものである。
なお、表中でシャッフルとは、ニューラルネットワーク
を成熟させるに際し、データをシャッフルしてその順序
をランダム化してから学習させたことを意味する。 〔表 １〕 ヒーター周波数 スコア １ｍＨｚ １００ ２ｍＨｚ １３２ １，２ｍＨｚ １５６ １，２，１０ｍＨｚ １６２ １，２，１０ｍＨｚ（シャッフル） １８５ 表１から、ヒーター電流の周波数が１ｍＨｚ単独でのス
コア１００と１，２，１０ｍＨｚの３種類でのスコア１
６２との比較から、単独のヒーター周波数で得られる信
号からの推定よりも、複数の周波数から得られる信号を
用いる方が推量の精度が６２ポイントも向上しているこ
とが分かる。さらに、複数のヒーター電流周波数からの
信号を学習させる際に、１ｍＨｚ、２ｍＨｚ、１０ｍＨ
ｚの順でなく、それらの信号をシャッフルしてから学習
させると、ニューラルネットワークの推量精度は更に向
上し、１ｍＨｚ単独での場合と比較すると８５ポイント
も向上している。
【００２９】ここでは、水蒸気／エタノール／酢酸の混
合ガス中におけるエタノールガスの濃度測定を例にとっ
て説明した。ニューラルネットワークに学習データとし
て酢酸濃度のデータも与え、２種類の成分ガス濃度に関
するネットワークを構築すると、エタノール濃度と酢酸
濃度の２種類のガス濃度を同時に測定することも可能で
ある。また、本発明の方法は、水蒸気／エタノール／酢
酸の混合ガス中におけるエタノールガス及び／又は酢酸
ガスの濃度測定の場合に限らず、任意の混合ガス中にお
ける成分ガスの測定に対して適用することができ、発酵
工程や化学プラント工程の管理に利用することができ
る。必要な測定時間は、連続測定の場合に数秒であり、
実用上十分な応答性を有する。
合ガス中におけるエタノールガスの濃度測定を例にとっ
て説明した。ニューラルネットワークに学習データとし
て酢酸濃度のデータも与え、２種類の成分ガス濃度に関
するネットワークを構築すると、エタノール濃度と酢酸
濃度の２種類のガス濃度を同時に測定することも可能で
ある。また、本発明の方法は、水蒸気／エタノール／酢
酸の混合ガス中におけるエタノールガス及び／又は酢酸
ガスの濃度測定の場合に限らず、任意の混合ガス中にお
ける成分ガスの測定に対して適用することができ、発酵
工程や化学プラント工程の管理に利用することができ
る。必要な測定時間は、連続測定の場合に数秒であり、
実用上十分な応答性を有する。
【００３０】なお、前記説明ではニューラルネットワー
クをソフト的に実現したが、ＬＳＩ等でハード的に実現
することももちろん可能である。
クをソフト的に実現したが、ＬＳＩ等でハード的に実現
することももちろん可能である。
【００３１】
【発明の効果】本発明によると、半導体ガスセンサーを
用いて混合ガスの成分ガス濃度を測定することが可能に
なり、従来は半導体ガスセンサーによっては不可能であ
ったエタノールガスと酢酸ガスの混合ガスに対してもそ
の成分ガス濃度を高精度で測定することができる。
用いて混合ガスの成分ガス濃度を測定することが可能に
なり、従来は半導体ガスセンサーによっては不可能であ
ったエタノールガスと酢酸ガスの混合ガスに対してもそ
の成分ガス濃度を高精度で測定することができる。
【図１】 半導体ガスセンサーの概略構成図。
【図２】 本発明の方法による測定回路図。
【図３】 ニューラルネットワークの説明図。
【図４】 ニューラルネットワークのエレメントの説明
図。
図。
【図５】 混合ガス雰囲気発生装置中での半導体ガスセ
ンサーの配置図。
ンサーの配置図。
【図６】 ヒーター電流周波数とセンサー出力の関係
図。
図。
【図７】 センサー出力の処理プロセスを示す説明図。
【図８】 パワースペクトル成分のガウシアン平面への
プロット図。
プロット図。
【図９】 入力ベクトルとニューラルネットワークの出
力ベクトルの説明図。
力ベクトルの説明図。
【図１０】 酸化スズ半導体ガスセンサーのエタノール
ガス及び酢酸ガスに対する応答を示す図。
ガス及び酢酸ガスに対する応答を示す図。
１０…半導体ガスセンサー、１１…ヒーター、５０…密
閉容器、５１…混液を浸潤させたガーゼ、２１…関数発
生器、２２…負荷抵抗、２３…直流電源、２４…Ａ／Ｄ
変換器、２５…出力装置、３０…マイクロコンピュー
タ、３１…入出力インターフェイス、３２…高速フーリ
エ変換手段、３３…入力データ演算手段、３４…ニュー
ラルネットワーク、３５…濃度演算手段
閉容器、５１…混液を浸潤させたガーゼ、２１…関数発
生器、２２…負荷抵抗、２３…直流電源、２４…Ａ／Ｄ
変換器、２５…出力装置、３０…マイクロコンピュー
タ、３１…入出力インターフェイス、３２…高速フーリ
エ変換手段、３３…入力データ演算手段、３４…ニュー
ラルネットワーク、３５…濃度演算手段
Claims (6)
- 【請求項１】 ヒーター及び出力端子を備える半導体ガ
スセンサーに周波数の異なる複数のヒーター電流を流
し、異なる周波数のヒーター電流を流したときに夫々出
力端子から得られる複数の出力に基づいて混合ガス中の
成分ガス濃度を測定することを特徴とする混合ガス測定
方法。 - 【請求項２】 前記複数の出力をフーリエ変換してパワ
ースペクトルに変換し、該スペクトルからニューラルネ
ットワークを用いて混合ガス中の成分ガス濃度を求める
ことを特徴とする請求項１記載の混合ガス測定方法。 - 【請求項３】 ヒーター電流の周波数が１００ｍＨｚ以
下であることを特徴とする請求項２記載の混合ガス測定
方法。 - 【請求項４】 混合ガスが水蒸気、エタノール及び酢酸
を主成分とする混合ガスであり、エタノールガス及び／
又は酢酸ガス濃度を定量することを特徴とする請求項３
記載の混合ガス測定方法。 - 【請求項５】 酢酸菌によるエタノールからの酢酸醗酵
工程で溶液中のエタノール及び／又は酢酸濃度を測定す
る方法において、 前記溶液と気液平衡状態にある雰囲気中にヒーター及び
出力端子を備える半導体ガスセンサーを設置し、前記半
導体ガスセンサーに周波数の異なるヒーター電流を流
し、前記異なる周波数のヒーター電流を流したときに半
導体ガスセンサーの出力端子から夫々得られる複数の出
力をフーリエ変換してパワースペクトルに変換し、該ス
ペクトル成分をニューラルネットワークに入力すること
によって前記溶液中のエタノール濃度を測定することを
特徴とする方法。 - 【請求項６】 前記半導体ガスセンサーは酸化スズ半導
体ガスセンサーであることを特徴とする請求項１〜５の
いずれか１項記載の方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22990695A JP3526667B2 (ja) | 1995-09-07 | 1995-09-07 | 半導体ガスセンサーを用いた混合ガス測定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22990695A JP3526667B2 (ja) | 1995-09-07 | 1995-09-07 | 半導体ガスセンサーを用いた混合ガス測定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0972871A true JPH0972871A (ja) | 1997-03-18 |
| JP3526667B2 JP3526667B2 (ja) | 2004-05-17 |
Family
ID=16899591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22990695A Expired - Fee Related JP3526667B2 (ja) | 1995-09-07 | 1995-09-07 | 半導体ガスセンサーを用いた混合ガス測定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3526667B2 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002243682A (ja) * | 2001-02-15 | 2002-08-28 | Figaro Eng Inc | ガス検出方法及びその装置 |
| JP2002350312A (ja) * | 2001-05-25 | 2002-12-04 | Shimadzu Corp | におい識別装置 |
| JP2005331473A (ja) * | 2004-05-21 | 2005-12-02 | U-Tec Kk | 化学物質の計測方法 |
| JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
| JP2023530436A (ja) * | 2020-06-17 | 2023-07-18 | ネクセリス イノベーション ホールディングス，エルエルシー | ガス検体を監視するためのシステム及び方法 |
| KR20250128187A (ko) | 2024-02-20 | 2025-08-27 | 전북대학교산학협력단 | 혼합가스 분리용 카본 재질 미니 컬럼 및 이를 포함하는 혼합가스 감지시스템 |
-
1995
- 1995-09-07 JP JP22990695A patent/JP3526667B2/ja not_active Expired - Fee Related
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002243682A (ja) * | 2001-02-15 | 2002-08-28 | Figaro Eng Inc | ガス検出方法及びその装置 |
| JP2002350312A (ja) * | 2001-05-25 | 2002-12-04 | Shimadzu Corp | におい識別装置 |
| JP2005331473A (ja) * | 2004-05-21 | 2005-12-02 | U-Tec Kk | 化学物質の計測方法 |
| JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
| JP2023530436A (ja) * | 2020-06-17 | 2023-07-18 | ネクセリス イノベーション ホールディングス，エルエルシー | ガス検体を監視するためのシステム及び方法 |
| KR20250128187A (ko) | 2024-02-20 | 2025-08-27 | 전북대학교산학협력단 | 혼합가스 분리용 카본 재질 미니 컬럼 및 이를 포함하는 혼합가스 감지시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3526667B2 (ja) | 2004-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Winquist et al. | An electronic tongue based on voltammetry | |
| GB2203249A (en) | Identifying or measuring components of a mixture | |
| JP3526667B2 (ja) | 半導体ガスセンサーを用いた混合ガス測定方法 | |
| Lozano et al. | Comparative study of sampling systems combined with gas sensors for wine discrimination | |
| Zampolli et al. | An ASIC-based system-in-package MEMS gas sensor with impedance spectroscopy readout and AI-enabled identification capabilities | |
| WO2003087811A1 (en) | Apparatus for analyzing mixtures of gases | |
| Ge et al. | Identification of gas mixtures by a distributed support vector machine network and wavelet decomposition from temperature modulated semiconductor gas sensor | |
| Joo et al. | Pattern recognition of gas sensor array using characteristics of impedance | |
| Wang et al. | The recognition of different odor using convolutional neural networks extracted from time and temperature features | |
| JPH07311170A (ja) | ガス検出方法及びその装置 | |
| US20230288359A1 (en) | Gas sensing device for sensing one or more gases in a mixture of gases | |
| CN115876849A (zh) | 一种气体检测芯片、方法及电子设备 | |
| Hoffheins | Using sensor arrays and pattern recognition to identify organic compounds | |
| KR19990047483A (ko) | 가스누설측정 및 경보장치 | |
| Faglia et al. | Identification and quantification of methane and ethyl alcohol in an environment at variable humidity by an hybrid array | |
| CN104950018A (zh) | 一种混合气体检测系统 | |
| Wang et al. | Feature Reduction Method Coupled with Electronic Nose for Quality Control of Tea. | |
| He et al. | A novel gas identification method based on gabor spectrogram using self-adapted temperature modulated gas sensors | |
| Hobson et al. | Temperature correction to chemoresistive sensors in an e-NOSE-ANN system | |
| Saeki et al. | Gas classification by an electronic‐nose prototype based on a single gas sensor with novel temperature modulation | |
| Alexander et al. | A field‐portable gas analyzer with an array of six semiconductor sensors. Part 2: Identification of beer samples using artificial neural networks | |
| Bull et al. | A connectionist approach to fuel cell sensor array processing for gas discrimination | |
| JPH0453573Y2 (ja) | ||
| Song et al. | Design and implementation a real-time electronic nose system | |
| Brezmes et al. | Application of artificial neural networks to the design and implementation of electronic olfactory systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20031219 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040203 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040217 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |