▶ ホーチキ株式会社の特許一覧 ▶ 第一精工株式会社の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-05-16
(45)【発行日】2023-05-24
(54)【発明の名称】ガス漏れ警報器
(51)【国際特許分類】
G08B 21/16 20060101AFI20230517BHJP
【ＦＩ】
G08B21/16
【請求項の数】
11
(21)【出願番号】P 2019062896
(22)【出願日】2019-03-28
(65)【公開番号】P2020161071
(43)【公開日】2020-10-01
【審査請求日】2022-03-25
(73)【特許権者】
【識別番号】000003403
【氏名又は名称】ホーチキ株式会社
(73)【特許権者】
【識別番号】592028846
【氏名又は名称】Ｉ－ＰＥＸ株式会社
(74)【代理人】
【識別番号】100079359
【弁理士】
【氏名又は名称】竹内 進
(72)【発明者】
【氏名】江幡 弘道
(72)【発明者】
【氏名】岡安 克也
(72)【発明者】
【氏名】緒方 健治
(72)【発明者】
【氏名】和田 俊介
【審査官】松原 徳久
(56)【参考文献】
【文献】特開２０１７－１６１０８９（ＪＰ，Ａ）
【文献】特開２０１７－０６７３８９（ＪＰ，Ａ）
【文献】特開２０１６－１２２２７４（ＪＰ，Ａ）
【文献】特開２００１－１６０１８７（ＪＰ，Ａ）
【文献】国際公開第２０１８／０６１０９２（ＷＯ，Ａ１）
【文献】特開平０４－３６５１９４（ＪＰ，Ａ）
【文献】特開２０１０－０７８３３３（ＪＰ，Ａ）
【文献】特開平０５－３４６９９６（ＪＰ，Ａ）
【文献】特開２０１６－２１８７７５（ＪＰ，Ａ）
【文献】特開平０８－１９４８７８（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｎ５／００－９／３６
Ｇ０８Ｂ１７／０２－２１／２４
(57)【特許請求の範囲】
【請求項1】
所定の監視対象ガスを検知するガス検知手段と、前記監視対象ガスに加えられた所定の付臭剤の匂いを検知する匂い検知手段と、
前記ガス検知手段の検知出力と前記匂い検知手段の検知出力に基づいてガス漏れ判定してガス漏れ警報を出力するガス漏れ判定手段と、
が設けられたことを特徴とするガス漏れ警報器。
【請求項2】
請求項１記載のガス漏れ警報器に於いて、前記匂い検知手段は、
複数の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂いセンサーと、
前記匂いセンサーから出力された前記複数種類の匂い検知値を入力して前記所定の付臭剤の匂いを判定する匂い判定部と、
を備えたことを特徴とするガス漏れ警報器。
【請求項3】
請求項２記載のガス漏れ警報器に於いて、前記匂い判定部は、多層式ニューラルネットワークによって構成され、入力情報である前記匂いセンサーの前記複数種類の匂い検知値と、出力期待値である前記付臭剤の匂いの組み合わせを学習情報として入力してディープラーニングにより学習し、前記匂いセンサーからの前記複数種類の匂い検知値を入力情報として入力した場合に前記所定の付臭剤の匂いを推定して出力することを特徴とするガス漏れ警報器。
【請求項4】
請求項３記載のガス漏れ警報器に於いて、前記ガス漏れ判定手段は、前記ガス検知手段による前記監視対象ガスの検知出力と、前記匂い検知手段による前記付臭剤の匂いの検知出力の両方を判別したときに、ガス漏れを判定してガス漏れ警報を出力することを特徴とするガス漏れ警報器。
【請求項5】
請求項３記載のガス漏れ警報器に於いて、前記ガス漏れ判定手段は、前記ガス検知手段による前記監視対象ガスの検知出力と、前記匂い検知手段による前記付臭剤の匂いの検知出力の何れか一方を判別したときに、ガス漏れ注意を判定してガス漏れの予備警報を出力することを特徴とするガス漏れ警報器。
【請求項6】
請求項１記載のガス漏れ警報器に於いて、前記ガス漏れ判定手段は、前記ガス検知手段による前記監視対象ガスの検知出力、又は、前記匂い検知手段による前記付臭剤の匂いの検知出力を判別したときに、ガス漏れを判定してガス漏れ警報を出力することを特徴とするガス漏れ警報器。
【請求項7】
請求項３記載のガス漏れ警報器に於いて、前記多層式ニューラルネットワークは、結合ニューラルネットワークであり、
前記学習情報を入力した場合に出力される値と所定値の期待値との誤差に基づくバックプロパゲーションにより学習することを特徴とするガス漏れ警報器。
【請求項8】
監視対象ガスに含まれる監視対象ガス及び前記監視対象ガスに加えられた付臭剤の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂い検知手段と、多層式ニューラルネットワークによって構成され、入力情報である前記匂い検知手段の前記複数種類の匂い検知値と、出力期待値である前記監視対象ガス及び前記付臭剤の匂いとの各々の組み合わせを学習情報として入力してディープラーニングにより学習し、前記匂い検知手段の前記複数種類の匂い検知値を入力情報として入力した場合に前記監視対象ガス及び付臭剤の匂いの有無を判定して出力する匂い判別手段と、
前記匂い判別手段による前記監視対象ガスと前記付臭剤の匂いの判定結果に基づいてガス漏れ判定してガス漏れ警報を出力するガス漏れ判定手段と、
が設けられたことを特徴とするガス漏れ警報器。
【請求項9】
請求項８記載のガス漏れ警報器に於いて、前記ガス漏れ判定手段は、前記匂い判定手段による前記監視対象ガスの検知と前記付臭剤の匂いの検知の両方を判別したときに、ガス漏れを判定してガス漏れ警報を出力することを特徴とするガス漏れ警報器。
【請求項10】
請求項９記載のガス漏れ警報器に於いて、前記ガス漏れ判定手段は、前記匂い判定手段による前記監視対象ガスの検知と前記付臭剤の匂いの検知の何れか一方を判別したときに、ガス漏れ注意を判定してガス漏れの予備警報を出力することを特徴とするガス漏れ警報器。
【請求項11】
請求項８記載のガス漏れ警報器に於いて、前記ガス漏れ判定手段は、前記匂い判定手段による前記監視対象ガスの検知、又は、前記付臭剤の匂いの検知を判別したときに、ガス漏れを判定してガス漏れ警報を出力することを特徴とするガス漏れ警報器。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、ガス検知素子の出力に基づいて都市ガスやＬＰガスのガス漏れを検知して警報するガス漏れ警報器に関する。
【背景技術】
【0002】
従来、一般住宅等で使用している都市ガスやＬＰガス（プロパンガス）のガス漏れを検知して警報するガス漏れ警報器が広く利用されている。
【0003】
ガス警報器は、監視対象ガスとしてＣＯガスと炭化水素ガスを検知するものであり、ガス検知素子のヒータによる過熱温度を、ＣＯガスの検知温度と炭化水素ガスの検知温度を周期的に切り替えた状態で、ＣＯガス又は炭化水素ガスを交互に監視し、ＣＯガスを検知したときはＣＯガス警報ランプを点灯又は点滅し、炭化水素ガスを検知したときは炭化水素ガス警報ランプを点灯又は点滅し、更に、警報ランプの点灯又は点滅に合わせてスピーカから警報音を出力させている。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２００２－２２８６１３号公報
【文献】特開２００２－２３０６６１号公報
【文献】ＷＯ２０１６－１３６４３４号公報
【文献】ＷＯ２０１６－０３１０８０号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
ところで、都市ガスやＬＰガスの原料である天然ガスは臭いがなく、微量な漏れでもいち早く発見できるよう保安上の目的から付臭剤を加えている。このため台所等で僅かなガス漏れが起きても、人がいればガス漏れ特有の匂いに気付いて迅速且つ適切に対処することが可能となる。
【0006】
しかしながら、従来のガス漏れ警報器にあっては、都市ガスやＬＰガスについては、主成分である炭化水素ガスを検知して警報するものであり、ガス漏れを検知するためには、漏れ出した炭化水素ガスのガス濃度が所定濃度を超える必要があり、また、ガス漏れ警報は台所の天井面や天井面に近い壁面に設置されていることから、ガス漏れを検知して警報するまでに時間がかかる場合がある。
【0007】
ところで、近年にあっては、人間の嗅覚のように、複雑な匂いの集合体から特定の匂いを検出、峻別することを可能とする匂いセンサーが実用化されている（特許文献３，４）。このように人間の嗅覚に相当する匂いを検知して峻別できるセンサーがあれば、都市ガスやＬＰガスに保安上の目的で加えられた付臭剤の匂いといった従来に見られない判断要素をガス漏れ監視に組み合わせることができ、ガス漏れを迅速且つ確実に判断して警報することでき、また、監視対象ガス以外の雑ガスによる誤報を確実に防止することができる。
【0008】
本発明は、ガス漏れ判断に匂いという要素を組み合わせることで、高い精度でガス漏れを判定可能とするガス漏れ警報器を提供することを目的とする。
【課題を解決するための手段】
【0009】
（ガス漏れ警報器）
本発明は、ガス漏れ警報器であって、
所定の監視対象ガスを検知するガス検知手段と、
監視対象ガスに加えられた所定の付臭剤の匂いを検知する匂い検知手段と、
ガス検知手段の検知出力と匂い検知手段の検知出力に基づいてガス漏れを判定してガス漏れ警報を出力するガス漏れ判定手段と、
が設けられたことを特徴とする。
本発明は、ガス漏れ警報器であって、
所定の監視対象ガスを検知するガス検知手段と、
監視対象ガスに加えられた所定の付臭剤の匂いを検知する匂い検知手段と、
ガス検知手段の検知出力と匂い検知手段の検知出力に基づいてガス漏れを判定してガス漏れ警報を出力するガス漏れ判定手段と、
が設けられたことを特徴とする。
【0010】
（匂いセンサーと匂い判定部）
匂い検知手段は、
複数の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂いセンサーと、
匂いセンサーから出力された複数種類の匂い検知値を入力して付臭剤の匂いを判定する匂い判定部と、
を備える。
匂い検知手段は、
複数の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂いセンサーと、
匂いセンサーから出力された複数種類の匂い検知値を入力して付臭剤の匂いを判定する匂い判定部と、
を備える。
【0011】
（多層式ニューラルネットワークによる匂い種別の判定）
匂い判定部は、多層式ニューラルネットワークによって構成され、入力情報である匂いセンサーの複数種類の匂い検知値と、出力期待値である付臭剤の匂いの組み合わせを学習情報として入力してディープラーニングにより学習し、匂いセンサーからの複数種類の匂い検知値を入力情報として入力した場合に付臭剤の匂いを推定して出力する。
匂い判定部は、多層式ニューラルネットワークによって構成され、入力情報である匂いセンサーの複数種類の匂い検知値と、出力期待値である付臭剤の匂いの組み合わせを学習情報として入力してディープラーニングにより学習し、匂いセンサーからの複数種類の匂い検知値を入力情報として入力した場合に付臭剤の匂いを推定して出力する。
【0012】
（ガス検知と匂い検知の両方でガス漏れ警報）
ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力と、匂い検知手段による付臭剤の匂いの検知出力の両方を判別したときに、ガス漏れを判定してガス漏れ警報を出力する。
ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力と、匂い検知手段による付臭剤の匂いの検知出力の両方を判別したときに、ガス漏れを判定してガス漏れ警報を出力する。
【0013】
（ガス検知又は匂い検知で予備警報）
ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力と、匂い検知手段による付臭剤の匂いの検知出力の何れか一方を判別したときに、ガス漏れ注意を判定してガス漏れの予備警報を出力する。
ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力と、匂い検知手段による付臭剤の匂いの検知出力の何れか一方を判別したときに、ガス漏れ注意を判定してガス漏れの予備警報を出力する。
【0014】
（ガス検知又は匂い検知でガス漏れ警報）
ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力、又は、匂い検知手段による付臭剤の匂いの検知出力を判別したときに、ガス漏れを判定してガス漏れ警報を出力する。
ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力、又は、匂い検知手段による付臭剤の匂いの検知出力を判別したときに、ガス漏れを判定してガス漏れ警報を出力する。
【0015】
（多層式ニューラルネットワークの構成と学習による効果）
多層式ニューラルネットワークは、結合ニューラルネットワークであり、
学習情報を入力した場合に出力される値と所定値の期待値との誤差に基づくバックプロパゲーションにより学習する。
多層式ニューラルネットワークは、結合ニューラルネットワークであり、
学習情報を入力した場合に出力される値と所定値の期待値との誤差に基づくバックプロパゲーションにより学習する。
【0016】
（匂い検知部のみを用いたガス漏れ警報器）
本発明の別の形態にあっては、ガス漏れ警報器であって、
監視対象ガスに含まれる監視対象ガス及び監視対象ガスに加えられた付臭剤の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂い検知手段と、
多層式ニューラルネットワークによって構成され、入力情報である匂い検知手段の複数種類の匂い検知値と、出力期待値である監視対象ガス及び付臭剤の匂いとの各々の組み合わせを学習情報として入力してディープラーニングにより学習し、匂い検知手段の複数種類の匂い検知値を入力情報として入力した場合に監視対象ガス及び付臭剤の匂いの有無を判定して出力する匂い判別手段と、
匂い判別手段による監視対象ガスと付臭剤の匂いの判定結果に基づいてガス漏れ判定してガス漏れ警報を出力するガス漏れ判定手段と、
が設けられたことを特徴とする。
本発明の別の形態にあっては、ガス漏れ警報器であって、
監視対象ガスに含まれる監視対象ガス及び監視対象ガスに加えられた付臭剤の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂い検知手段と、
多層式ニューラルネットワークによって構成され、入力情報である匂い検知手段の複数種類の匂い検知値と、出力期待値である監視対象ガス及び付臭剤の匂いとの各々の組み合わせを学習情報として入力してディープラーニングにより学習し、匂い検知手段の複数種類の匂い検知値を入力情報として入力した場合に監視対象ガス及び付臭剤の匂いの有無を判定して出力する匂い判別手段と、
匂い判別手段による監視対象ガスと付臭剤の匂いの判定結果に基づいてガス漏れ判定してガス漏れ警報を出力するガス漏れ判定手段と、
が設けられたことを特徴とする。
【0017】
（ガス漏れ警報の判別）
ガス漏れ判定手段は、
匂い判定手段による監視対象ガスの検知と付臭剤の匂いの検知の両方を判別したときに、ガス漏れを判定してガス漏れ警報を出力し、
この場合、監視対象ガスの検知と付臭剤の匂いの検知の何れか一方を判別したときには、ガス漏れ注意を判定してガス漏れの予備警報を出力する。
ガス漏れ判定手段は、
匂い判定手段による監視対象ガスの検知と付臭剤の匂いの検知の両方を判別したときに、ガス漏れを判定してガス漏れ警報を出力し、
この場合、監視対象ガスの検知と付臭剤の匂いの検知の何れか一方を判別したときには、ガス漏れ注意を判定してガス漏れの予備警報を出力する。
【0018】
またガス漏れ判定手段は、匂い判定手段による監視対象ガスの検知、又は、付臭剤の匂いの検知を判別したときに、ガス漏れを判定してガス漏れ警報を出力するようにしても良い。
【発明の効果】
【0019】
（基本的な効果）
本発明は、ガス漏れ警報器であって、所定の監視対象ガスを検知するガス検知手段と、監視対象ガスに加えられた所定の付臭剤の匂いを検知する匂い検知手段と、ガス検知手段の検知出力と匂い検知手段の検知出力に基づいてガス漏れを判定してガス漏れ警報を出力するガス漏れ判定手段とが設けられたため、都市ガスやＬＰガスの主成分となる炭化水素ガスを監視対象ガスとして検知したときに、これに加えて監視対象ガスに加えられた所定の付臭剤による匂いを検知してガス漏れの有無を判定することで、雑ガスに影響されることなく、高い精度でガス漏れを判断することができる。
本発明は、ガス漏れ警報器であって、所定の監視対象ガスを検知するガス検知手段と、監視対象ガスに加えられた所定の付臭剤の匂いを検知する匂い検知手段と、ガス検知手段の検知出力と匂い検知手段の検知出力に基づいてガス漏れを判定してガス漏れ警報を出力するガス漏れ判定手段とが設けられたため、都市ガスやＬＰガスの主成分となる炭化水素ガスを監視対象ガスとして検知したときに、これに加えて監視対象ガスに加えられた所定の付臭剤による匂いを検知してガス漏れの有無を判定することで、雑ガスに影響されることなく、高い精度でガス漏れを判断することができる。
【0020】
（匂いセンサーと匂い判定部の効果）
また、匂い検知手段は、複数の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂いセンサーと、匂いセンサーから出力された複数種類の匂い検知値を入力して付臭剤の匂いを判定する匂い判定部とを備え、更に、匂い判定部は、多層式ニューラルネットワークによって構成され、入力情報である匂いセンサーの複数種類の匂い検知値と、出力期待値である付臭剤の匂いの組み合わせを学習情報として入力してディープラーニングにより学習し、匂いセンサーからの複数種類の匂い検知値を入力情報として入力した場合に付臭剤の匂いを推定して出力するようにしたため、人間の嗅覚のように、複雑な匂いの集合体から都市ガスやＬＰガスに加えられた付臭剤の匂いを検出、峻別してガス漏れの判断に利用し、精度の高いガス漏れ判断ができる。
また、匂い検知手段は、複数の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂いセンサーと、匂いセンサーから出力された複数種類の匂い検知値を入力して付臭剤の匂いを判定する匂い判定部とを備え、更に、匂い判定部は、多層式ニューラルネットワークによって構成され、入力情報である匂いセンサーの複数種類の匂い検知値と、出力期待値である付臭剤の匂いの組み合わせを学習情報として入力してディープラーニングにより学習し、匂いセンサーからの複数種類の匂い検知値を入力情報として入力した場合に付臭剤の匂いを推定して出力するようにしたため、人間の嗅覚のように、複雑な匂いの集合体から都市ガスやＬＰガスに加えられた付臭剤の匂いを検出、峻別してガス漏れの判断に利用し、精度の高いガス漏れ判断ができる。
【0021】
（ガス検知と匂い検知の両方でガス漏れ警報する効果）
また、ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力と、匂い検知手段による付臭剤の匂いの検知出力の両方を判別したときに、ガス漏れを判定して警報を出力するようにしたため、より確実なガス漏れ判断ができる。
また、ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力と、匂い検知手段による付臭剤の匂いの検知出力の両方を判別したときに、ガス漏れを判定して警報を出力するようにしたため、より確実なガス漏れ判断ができる。
【0022】
（ガス検知又は匂い検知で予備警報する効果）
また、ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力と、匂い検知手段による付臭剤の匂いの検知出力の何れか一方を判別したときに、ガス漏れ注意を判定してガス漏れの予備警報を出力するようにしたため、ガス漏れが判定される前段階で予備警報を出すことで、僅かなガス漏れを報知して迅速な対処を可能とする。
また、ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力と、匂い検知手段による付臭剤の匂いの検知出力の何れか一方を判別したときに、ガス漏れ注意を判定してガス漏れの予備警報を出力するようにしたため、ガス漏れが判定される前段階で予備警報を出すことで、僅かなガス漏れを報知して迅速な対処を可能とする。
【0023】
（ガス検知又は匂い検知でガス漏れ警報する効果）
また、ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力、又は、匂い検知手段による付臭剤の匂いの検知出力を判別したときに、ガス漏れ警報を出力するようにしたため、例えば、ガス検知手段による炭化水素ガスの検知により早い段階で、都市ガスやＬＰガスに加えられた付臭剤による匂いが判定されてガス漏れ警報を出力することができ、人の臭覚に相当する感度で漏れガスに固有な付臭剤の匂いを検知して迅速且つ確実にガス漏れを警報することができる。
また、ガス漏れ判定手段は、ガス検知手段による監視対象ガスの検知出力、又は、匂い検知手段による付臭剤の匂いの検知出力を判別したときに、ガス漏れ警報を出力するようにしたため、例えば、ガス検知手段による炭化水素ガスの検知により早い段階で、都市ガスやＬＰガスに加えられた付臭剤による匂いが判定されてガス漏れ警報を出力することができ、人の臭覚に相当する感度で漏れガスに固有な付臭剤の匂いを検知して迅速且つ確実にガス漏れを警報することができる。
【0024】
また、ガス検知手段と匂い検知手段の何れか一方の障害に対し相互にバックアップすることができ、ガス漏れ警報器の信頼性が向上する。
【0025】
（多層式ニューラルネットワークの構成と学習による効果）
また、多層式ニューラルネットワークは、結合ニューラルネットワークであり、学習情報を入力した場合に出力される値と所定の期待値との誤差に基づくバックプロパゲーションにより学習するようにしたため、例えば匂い種別の判定にあっては、匂い検知手段から出力される複数の匂い検知値を入力情報として入力した場合に、出力の期待値として都市ガスやＬＰガスに加えられた付臭剤による特有の匂いの推定値を与えてバックプロパゲーション処理により出力値と期待値の誤差を最小とするように多層式ニューラルネットワークにおけるウェイト（重み）とバイアスが学習され、入力情報からより高い精度で都市ガスやＬＰガスに加えられた付臭剤による特有の匂いを判別して高精度のガス漏れ判断に利用できる。
また、多層式ニューラルネットワークは、結合ニューラルネットワークであり、学習情報を入力した場合に出力される値と所定の期待値との誤差に基づくバックプロパゲーションにより学習するようにしたため、例えば匂い種別の判定にあっては、匂い検知手段から出力される複数の匂い検知値を入力情報として入力した場合に、出力の期待値として都市ガスやＬＰガスに加えられた付臭剤による特有の匂いの推定値を与えてバックプロパゲーション処理により出力値と期待値の誤差を最小とするように多層式ニューラルネットワークにおけるウェイト（重み）とバイアスが学習され、入力情報からより高い精度で都市ガスやＬＰガスに加えられた付臭剤による特有の匂いを判別して高精度のガス漏れ判断に利用できる。
【0026】
（匂い検知部のみを用いたガス漏れ警報器の効果）
また、本発明の別の形態にあっては、ガス漏れ警報器であって、監視対象ガスに含まれる監視対象ガス及び監視対象ガスに加えられた付臭剤の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂い検知手段と、多層式ニューラルネットワークによって構成され、入力情報である匂い検知手段の複数種類の匂い検知値と、出力期待値である監視対象ガス及び付臭剤の匂いとの各々の組み合わせを学習情報として入力してディープラーニングにより学習し、匂い検知手段の複数種類の匂い検知値を入力情報として入力した場合に監視対象ガス及び付臭剤の匂いの有無を判定して出力する匂い判別手段と、匂い判別手段による監視対象ガスと付臭剤の匂いの判定結果に基づいてガス漏れ判定してガス漏れ警報を出力するガス漏れ判定手段とが設けられたため、都市ガスやＬＰガスに含まれる炭化水素ガス、付臭剤の匂いを、匂いセンサーである匂い検知手段が出力する複数の匂い検知値を多層式ニューラルネットワークで構成した匂い判定部に入力して判定し、その結果の組み合わせからガス漏れを高い精度で判断して警報することができる。
また、本発明の別の形態にあっては、ガス漏れ警報器であって、監視対象ガスに含まれる監視対象ガス及び監視対象ガスに加えられた付臭剤の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂い検知手段と、多層式ニューラルネットワークによって構成され、入力情報である匂い検知手段の複数種類の匂い検知値と、出力期待値である監視対象ガス及び付臭剤の匂いとの各々の組み合わせを学習情報として入力してディープラーニングにより学習し、匂い検知手段の複数種類の匂い検知値を入力情報として入力した場合に監視対象ガス及び付臭剤の匂いの有無を判定して出力する匂い判別手段と、匂い判別手段による監視対象ガスと付臭剤の匂いの判定結果に基づいてガス漏れ判定してガス漏れ警報を出力するガス漏れ判定手段とが設けられたため、都市ガスやＬＰガスに含まれる炭化水素ガス、付臭剤の匂いを、匂いセンサーである匂い検知手段が出力する複数の匂い検知値を多層式ニューラルネットワークで構成した匂い判定部に入力して判定し、その結果の組み合わせからガス漏れを高い精度で判断して警報することができる。
【0027】
（ガス漏れ警報の判別による効果）
また、ガス漏れ判定手段は、匂い判定手段による監視対象ガスの検知と付臭剤の匂いの検知の両方を判別したときに、ガス漏れを判定してガス漏れ警報を出力し、この場合、監視対象ガスの検知と付臭剤の匂いの検知の何れか一方を判別したときには、ガス漏れ注意を判定してガス漏れの予備警報を出力し、或いは、ガス漏れ判定手段は、匂い判定手段による監視対象ガスの検知、又は、付臭剤の匂いの検知を判別したときに、ガス漏れを判定してガス漏れ警報を出力することで、前述したガス検知手段と匂い検出手段を備えたガス漏れ警報器のガス漏れ判定手段と同様に効果が得られる。
また、ガス漏れ判定手段は、匂い判定手段による監視対象ガスの検知と付臭剤の匂いの検知の両方を判別したときに、ガス漏れを判定してガス漏れ警報を出力し、この場合、監視対象ガスの検知と付臭剤の匂いの検知の何れか一方を判別したときには、ガス漏れ注意を判定してガス漏れの予備警報を出力し、或いは、ガス漏れ判定手段は、匂い判定手段による監視対象ガスの検知、又は、付臭剤の匂いの検知を判別したときに、ガス漏れを判定してガス漏れ警報を出力することで、前述したガス検知手段と匂い検出手段を備えたガス漏れ警報器のガス漏れ判定手段と同様に効果が得られる。
【図面の簡単な説明】
【0028】
【発明を実施するための形態】
【0029】
［実施形態の基本的な概念］
図１はガス漏れ警報器の実施形態を示した説明図である。本実施形態によるガス漏れ警報器の基本概念は、ガス検知手段であるガス検知部１０により都市ガスやＬＰガス等の所定の監視対象ガスを検知し、匂い検知手段である匂い検知部１６により監視対象ガスに加えられた所定の付臭剤の匂いを検知し、ガス漏れ判定手段であるガス漏れ判定部３０により、ガス検知部１０の検知出力と匂い検知部１６の検知出力に基づいて、例えば、監視対象ガスの検知出力と付臭剤の匂いの検知出力の両方を判別したときにガス漏れを判定してガス漏れ警報を出力するというものであり、都市ガスやＬＰガスの主成分となる炭化水素ガスを監視対象ガスとして検知したときに、これに加えて都市ガスやＬＰガスに加えられた付臭剤による匂いを検知してガス漏れの有無を判定することで、雑ガスに影響されることなく、高い精度でガス漏れを判断することができる。
図１はガス漏れ警報器の実施形態を示した説明図である。本実施形態によるガス漏れ警報器の基本概念は、ガス検知手段であるガス検知部１０により都市ガスやＬＰガス等の所定の監視対象ガスを検知し、匂い検知手段である匂い検知部１６により監視対象ガスに加えられた所定の付臭剤の匂いを検知し、ガス漏れ判定手段であるガス漏れ判定部３０により、ガス検知部１０の検知出力と匂い検知部１６の検知出力に基づいて、例えば、監視対象ガスの検知出力と付臭剤の匂いの検知出力の両方を判別したときにガス漏れを判定してガス漏れ警報を出力するというものであり、都市ガスやＬＰガスの主成分となる炭化水素ガスを監視対象ガスとして検知したときに、これに加えて都市ガスやＬＰガスに加えられた付臭剤による匂いを検知してガス漏れの有無を判定することで、雑ガスに影響されることなく、高い精度でガス漏れを判断することができる。
【0030】
また、匂い検知部１６は、複数の匂い物質の吸着に応じて複数種類の匂い検知値を出力する匂いセンサー１８と、匂いセンサー１８から出力された複数種類の匂い検知値を入力して付臭剤の匂いを判定する匂い判定部２０とを備え、更に、匂い判定部２０は、多層式ニューラルネットワークによって構成され、入力情報である匂いセンサー１８の複数種類の匂い検知値と、出力期待値である付臭剤の匂いの組み合わせを学習情報として入力してディープラーニングにより学習し、匂いセンサー１８からの複数種類の匂い検知値を入力情報として入力した場合に付臭剤の匂いを推定して出力することにより、人間の嗅覚のように、複雑な匂いの集合体から都市ガスやＬＰガスに加えられた付臭剤の匂いを検出、峻別してガス漏れの判断に利用し、精度の高いガス漏れ判断を可能とするものである。
【0031】
［ガス漏れ警報器の概要］
図１に示すように、本実施形態のガス漏れ警報器は、ガス検知部１０、匂い検知部１６、制御部２４、表示部２６、音声警報部２８で構成される。制御部２４はＣＰＵ、メモリ、各種の入出力ポートを備えたコンピュータ回路で構成され、プログラムの実行によりガス漏れ判定部３０の機能が実現されている。表示部２６にはＣＯガス警報表示灯、炭化水素ガス警報表示灯が設けられる。音声警報部２８には音声増幅回路とスピーカが設けられる。
図１に示すように、本実施形態のガス漏れ警報器は、ガス検知部１０、匂い検知部１６、制御部２４、表示部２６、音声警報部２８で構成される。制御部２４はＣＰＵ、メモリ、各種の入出力ポートを備えたコンピュータ回路で構成され、プログラムの実行によりガス漏れ判定部３０の機能が実現されている。表示部２６にはＣＯガス警報表示灯、炭化水素ガス警報表示灯が設けられる。音声警報部２８には音声増幅回路とスピーカが設けられる。
【0032】
［ガス検知部］
ガス検知部１０にはガスセンサー１２とガス検知回路部１４が設けられ、都市ガスやＬＰガスの主成分である炭化水素ガス（ＣＨ４ガス）と、不完全燃焼等により発生するＣＯガスを検知する。ガスセンサー１２は例えば接触燃焼式であり、電流を流している白金線にガスが接触すると微小な燃焼を起こし、白金線の電気抵抗が増加することでガスを検知する。
ガス検知部１０にはガスセンサー１２とガス検知回路部１４が設けられ、都市ガスやＬＰガスの主成分である炭化水素ガス（ＣＨ４ガス）と、不完全燃焼等により発生するＣＯガスを検知する。ガスセンサー１２は例えば接触燃焼式であり、電流を流している白金線にガスが接触すると微小な燃焼を起こし、白金線の電気抵抗が増加することでガスを検知する。
【0033】
ガス検知回路部１４は、ガスセンサー１２に設けられた白金線を加熱するヒータの温度を、ＣＯガス検知用の温度Ｔ１と炭化水素ガス検知用の温度Ｔ２（＞Ｔ１）とに周期的に自動で切替え、各切替タイミングで白金線の電気抵抗を検出してＣＯガス検知信号Ｇ１と炭化水素ガス検知信号Ｇ２を制御部２４に出力する。
【0034】
なお、ガスセンサー１２としては、半導体式としてもよい。半導体式のガスセンサーは、半導体の表面にガスが接触することによって半導体の抵抗値が減少することでガスを検知する。
【0035】
［匂い検知部］
匂い検知部１６は、匂いセンサー１８と匂い判定部２０で構成され、匂い判定部２０には多層式ニューラルネットワークが設けられており、匂い検知部１６は都市ガスやＬＰガスに保安上の目的で加えられた付臭剤の匂いを判別する。
匂い検知部１６は、匂いセンサー１８と匂い判定部２０で構成され、匂い判定部２０には多層式ニューラルネットワークが設けられており、匂い検知部１６は都市ガスやＬＰガスに保安上の目的で加えられた付臭剤の匂いを判別する。
【0036】
（付臭剤）
都市ガスやＬＰガスに加えられる付臭剤の成分は、例えば、ターシャリーブチルメルカプタンＴＢＭとシクロヘキセンＣＨを混合している。ターシャリーブチルメルカプタンＴＢＭは化学式がＣ４Ｈ１０Ｓであり、また、シクロヘキセンＣＨは化学式がＣ６Ｈ１０である。
都市ガスやＬＰガスに加えられる付臭剤の成分は、例えば、ターシャリーブチルメルカプタンＴＢＭとシクロヘキセンＣＨを混合している。ターシャリーブチルメルカプタンＴＢＭは化学式がＣ４Ｈ１０Ｓであり、また、シクロヘキセンＣＨは化学式がＣ６Ｈ１０である。
【0037】
ターシャリーブチルメルカプタンＴＢＭは、有機硫黄化合物の一種で、臭気が強く、燃焼すると二酸化炭素、水、硫黄酸化物になる。また、シクロヘキセンＣＨは、硫黄を含まず、燃焼すると二酸化炭素と水になり、硫黄酸化物が発生しない。
【0038】
（匂いセンサー）
図２は図１の匂いセンサー１６による１６チャンネルの匂い検知値をレーダーチャートで示した説明図である。図１の匂い検知部１６に設けられた匂いセンサー１８は、複数の匂い物質の吸着に応じて複数種類の匂い検知値ｘ１～ｘ１６を出力する。
図２は図１の匂いセンサー１６による１６チャンネルの匂い検知値をレーダーチャートで示した説明図である。図１の匂い検知部１６に設けられた匂いセンサー１８は、複数の匂い物質の吸着に応じて複数種類の匂い検知値ｘ１～ｘ１６を出力する。
【0039】
匂いセンサー１８は、例えば水晶基板上に、異なる匂い分子を選択して吸着させる感応膜を成膜した複数のガスセンサーを設けている。ガスセンサーの感応膜は、アンモニア、トルエン、アセトン、エタノールなど、それぞれの匂い分子に反応し、選択的にガス成分が吸着する材料を用いている。ガスセンサーは、匂い分子の吸着量に比例して、例えば水晶振動子の周波数が変化し、周波数の変化量に応じたレベルを持つ検出値ｘｉを出力する。本実施形態にあっては、例えば１６種類の匂い分子に反応して検知値ｘ１～ｘ１６を出力する１６チャンネルの匂いセンサー１８を使用している。
【0040】
匂いセンサー１８は、都市ガスやＬＰガスが漏れた場合、炭化水素ガスと付臭剤が接触し、両者の接触に対応した複数の匂い検知値ｘ１～ｘ１６を出力する。また、匂いセンサー１８は、不完全燃焼等により発生したＣＯガスが接触したときにも、ＣＯガスの接触に対応した複数の匂い検知値ｘ１～ｘ１６を出力する。
【0041】
図２（Ａ）は付臭剤が接触したときの検知値ｘ１～ｘ１６のレーダーチャートを示し、図２（Ｂ）は炭化水素ガスが接触したときの検知値ｘ１～ｘ１６のレーダーチャートを示し、図２（Ｃ）はＣＯガスが接触したときの検知値ｘ１～ｘ１６のレーダーチャートを示している。なお、図２のレーダーチャートは一例であり、１６チャンネルのガスセンサーの種類と配置により、様々なパターンとなる。
【0042】
図２のレーダーチャートから明らかなように、多チャンネル構成（複数ガスセンサー構成）の匂いセンサー１８の検知値ｘ１～ｘ１６は、付臭剤、炭化水素ガス、ＣＯガスにつき、異なったパターンとして視覚的に捉えることができ、この視覚的なパターンの相違が、付臭剤については人間の嗅覚のように、複雑な匂いの集合体から特定の匂いを検出、峻別することを意味する。
【0043】
ここで、都市ガスやＬＰガスが漏れた場合には、同時に付臭剤が加わっていることから、このときの匂いセンサー１８の匂い検知値ｘ１～ｘ１６のレーダーチャートは、図２（Ａ）と図２（Ｂ）を合わせたパターンとなる。
【0044】
このような匂いセンサー１８の検知値ｘ１～ｘ１６から、付臭剤の匂いを判別するため、匂いセンサー１８からの匂い検知値ｘ１～ｘ１６を、多層式ニューラルネットワーク２２を備えた匂い判定部２０に入力している。
【0045】
なお、匂いセンサー１８は、本実施形態の１６チャンネル以外に、３２チャンネル、６４チャンネルといった更に高分解能の物を使用しても良い。
【0046】
【0047】
図１に示したように、匂い判定部２０は匂いセンサー１８からの匂い検知値ｘ１～ｘ１６を入力して付臭剤の匂いを判定するものであり、付臭剤の匂い判定値Ｙ１と非付臭剤の匂い判定値Ｙ２を出力する。ここで、付臭剤の匂いを判定した場合、（Ｙ１，Ｙ２）＝（１，０）となり、非付臭剤の匂いを判定した場合（付臭剤の匂いを判定しない場合）、（Ｙ１，Ｙ２）＝（０，１）となる。
【0048】
匂い判定部２０は、多層式ニューラルネットワーク２２を備える。多層式ニューラルネットワーク２２を備えた匂い判定部２０は、図３に示すように、多層式ニューラルネットワーク２２、入力部３２、学習制御部３４及び学習情報保持部３６で構成され、これらの機能は、ニューラルネットワークの処理に対応したコンピュータ回路のＣＰＵによるプログラムの実行により実現される。
【0049】
匂いセンサー１８からの匂い検知値ｘ１～ｘ１６は入力部３２を介して多層式ニューラルネットワーク２２に入力し、付臭剤の匂い推定値ｙ１と非付臭剤の匂い推定値ｙ２を出力する。
【0050】
学習制御部３４は、付臭剤そのもの、及び付臭剤を加えた都市ガスやＬＰガスの実験的な接触で検知された匂いセンサー１８の複数組の匂い検知値ｘ１～ｘ１６を学習情報として学習情報保持部３６に一時的に記憶保持させ、学習情報保持部３６に記憶した匂い検知値ｘ１～ｘ１６と出力期待値である付臭剤の匂いと非付臭剤の匂いの組み合わせを教師ありの学習情報として入力部３２を介して多層式ニューラルネットワーク２２に入力し、例えばバックプロパゲーション法（誤差逆伝搬法）等の学習法により多層式ニューラルネットワーク２２のウエイト（重み）とバイアスを学習させる。
【0051】
この教師ありの学習情報を用いて学習の済んだ多層式ニューラルネットワーク２２に、匂いセンサー１８から任意の匂い検知値ｘ１～ｘ１６を入力すると、付臭剤の匂い推定値ｙ１及び非付臭剤の匂い推定値ｙ２が出力される。
【0052】
ここで、付臭剤の匂い推定値ｙ１及び非付臭剤の匂い推定値ｙ２は、理想的には次のようになる。
付臭剤の匂いの場合は （ｙ１，ｙ２）＝（１，０）
非付臭剤の匂いの場合は（ｙ１，ｙ２）＝（０，１）
実際に匂いセンサー１８の匂い検知値ｘ１～ｘ１６を多層式ニューラルネットワーク４６に入力した場合は、推定値ｙ１，ｙ２の総和は１で、それぞれ０～１の間の値をとる。
付臭剤の匂いの場合は （ｙ１，ｙ２）＝（１，０）
非付臭剤の匂いの場合は（ｙ１，ｙ２）＝（０，１）
実際に匂いセンサー１８の匂い検知値ｘ１～ｘ１６を多層式ニューラルネットワーク４６に入力した場合は、推定値ｙ１，ｙ２の総和は１で、それぞれ０～１の間の値をとる。
【0053】
（全結合ニューラルネットワーク）
図４に示すように、多層式ニューラルネットワーク４６は、全結合ニューラルネットワークであり、入力層４２、全結合４４、中間層４６と全結合４４の繰り返し、及び出力層４８で構成されている。
図４に示すように、多層式ニューラルネットワーク４６は、全結合ニューラルネットワークであり、入力層４２、全結合４４、中間層４６と全結合４４の繰り返し、及び出力層４８で構成されている。
【0054】
ここで、全結合ニューラルネットワークは、入力情報である匂い検知値ｘ１～ｘ１６を付臭剤の匂いと非付臭剤の匂いの２クラスに分類する多クラス分類を行うことから、最後の出力層４８には、目的とする２クラスと同じ２ユニットを配置し、これらのユニットへの入力を、ソフトマックス関数を用いて、総和が１の出力ｙ１，ｙ２となるようにしており、各ユニットの出力ｙ１，ｙ２はそのクラスに属する確率を示すことになる。
【0055】
（バックプロパゲーションによる学習）
図４に示した入力層４２、複数の中間層４６及び出力層４８で構成される多層式ニューラルネットワーク２２は、各層に複数のユニットを設けて他の層の複数のユニットと結合し、各ユニットには重みとバイアス値が設定され、複数の入力値と重みとのベクトル積を求めてバイアス値を加算して総和を求め、これを所定の活性化関数に通して次の層のユニットに出力するようにしており、最終層に到達するまで値が伝搬するフォワードプロパゲーションが行われる。
図４に示した入力層４２、複数の中間層４６及び出力層４８で構成される多層式ニューラルネットワーク２２は、各層に複数のユニットを設けて他の層の複数のユニットと結合し、各ユニットには重みとバイアス値が設定され、複数の入力値と重みとのベクトル積を求めてバイアス値を加算して総和を求め、これを所定の活性化関数に通して次の層のユニットに出力するようにしており、最終層に到達するまで値が伝搬するフォワードプロパゲーションが行われる。
【0056】
このようなニューラルネットワークのウエイトやバイアスを変更するには、バックプロパゲーションとして知られている学習アルゴリズムを使用する。バックプロパゲーションでは、入力値ｘと期待される出力値（期待値）ｙというデータセットをネットワークに与えた場合の教師ありの学習と、入力値ｘのみをネットワークに与えた場合の教師なしの学習があり、本実施形態は、教師ありの学習を行う。
【0057】
教師ありの学習でバックプロパゲーションを行う場合は、ネットワークを通ってきたフォワードプロパゲーションの結果である推定値ｙ＊と期待値yの値を比較する誤差として、例えば、平均二乗誤差の関数を使用する。
【0058】
バックプロパゲーションでは、推定値ｙ＊と期待値ｙの誤差の大きさを使い、ネットワークの後方から前方までウエイトとバイアスを補正しながら値を伝播させる。各ウエイトとバイアスについて補正した量は、誤差への寄与として扱われ、最急降下法で計算され、ウエイトとバイアスの値を変更することにより、誤差関数の値を最小化する。
【0059】
ニューラルネットワークに対するバックプロパゲーションによる学習の手順は次にようになる。
（１） 入力値ｘをニューラルネットワークに入力して、フォワードプロパゲーションを行い推定値ｙ＊を求める。
（２） 推定値ｙ＊と期待値ｙに基づき誤差関数で誤差を計算する。
（３） ウエイトとバイアスを更新しながら、ネットワークにて、バックプロパゲーションを行う。
（１） 入力値ｘをニューラルネットワークに入力して、フォワードプロパゲーションを行い推定値ｙ＊を求める。
（２） 推定値ｙ＊と期待値ｙに基づき誤差関数で誤差を計算する。
（３） ウエイトとバイアスを更新しながら、ネットワークにて、バックプロパゲーションを行う。
【0060】
この手順は、ニューラルネットワークのウエイトとバイアスの誤差が可能な限り最小になるまで、異なる入力値ｘと期待値ｙの組み合わせを使って繰り返し、誤差関数の値を最小化する。
【0061】
図４に示す多層式ニューラルネットワーク２２の教師ありの学習制御では、
付臭剤の匂いの場合は （ｙ１，ｙ２）＝（１，０）
非付臭剤の匂いの場合は（ｙ１，ｙ２）＝（０，１）
を出力値（期待値）として使用し、前述したバックプロパゲーションを行う。
付臭剤の匂いの場合は （ｙ１，ｙ２）＝（１，０）
非付臭剤の匂いの場合は（ｙ１，ｙ２）＝（０，１）
を出力値（期待値）として使用し、前述したバックプロパゲーションを行う。
【0062】
（匂い判定部の実装）
図４に示した多層式ニューラルネットワーク２２の学習は、ガス漏れ警報器では行わず、別のコンピュータ装置で学習し、学習済みの多層式ニューラルネットワーク２２をガス漏れ警報器の匂い判定部２０として実装することになる。
図４に示した多層式ニューラルネットワーク２２の学習は、ガス漏れ警報器では行わず、別のコンピュータ装置で学習し、学習済みの多層式ニューラルネットワーク２２をガス漏れ警報器の匂い判定部２０として実装することになる。
【0063】
（匂い判定値の２値化）
図３に示すように、多層式ニューラルネットワーク２２から出力された付臭剤の匂い推定値ｙ１及び非付臭剤の匂い推定値ｙ２は、比較器３８，４０により２値化され、付臭剤の匂い判定値Ｙ１及び非付臭剤の匂い判定値Ｙ２として出力される。
図３に示すように、多層式ニューラルネットワーク２２から出力された付臭剤の匂い推定値ｙ１及び非付臭剤の匂い推定値ｙ２は、比較器３８，４０により２値化され、付臭剤の匂い判定値Ｙ１及び非付臭剤の匂い判定値Ｙ２として出力される。
【0064】
多層式ニューラルネットワーク２２から出力される付臭剤の匂い推定値ｙ１及び非付臭剤の匂い推定値ｙ２は、総和が１でそれぞれ０～１の間の値をとることから、比較器３８，４０により、０，１の何れかを示すように２値化する。
【0065】
比較器３８，４０には基準電圧源３８ａ，４０ａによって基準値１／２が設定されており、推定値ｙ１，ｙ２は２ビット判定値（Ｙ１，Ｙ２）に２値化され、付臭剤の匂いの有無を示すことになる。
【0066】
［ガス漏れ判定部］
図５は図１のガス漏れ判定部による判定処理を一覧で示した説明図であり、モード１～４に分類され、３ビット入力情報（Ｇ１，Ｇ２，Ｙ１）につきビット１に対応した「有り」を〇印で示し、ビット０に対応した「無し」を■印で示している。
図５は図１のガス漏れ判定部による判定処理を一覧で示した説明図であり、モード１～４に分類され、３ビット入力情報（Ｇ１，Ｇ２，Ｙ１）につきビット１に対応した「有り」を〇印で示し、ビット０に対応した「無し」を■印で示している。
【0067】
モード１は、ガス検知部１０からのＣＯガス検知値Ｇ１を判別した場合であり、判定は「ＣＯガス漏れ」となり、表示部２６のＣＯガス警報灯を点滅し、音声警報部２８からＣＯガス漏れを示す警報音や音声メッセージが出力させる。
【0068】
モード２は、ガス検知部１０からの炭化水素ガス検知値Ｇ２を判別し、且つ、匂い検知部１６からの付臭剤の匂いを判別した場合であり、判定は「炭化水素ガス漏れ」となり、表示部２６の炭化水素ガス警報灯を点滅し、音声警報部２８から炭化水素ガスのガス漏れを示す警報音や音声メッセージが出力させる。
【0069】
モード３は、匂い検知部１６からの付臭剤の匂いのみを判別した場合であり、判定は「ガス漏れ注意」となり、表示部２６の炭化水素ガス警報灯を点灯し、音声警報部２８から炭化水素ガスのガス漏れ注意を示す予備警報としての警報音や注意を喚起する音声メッセージを出力させる。
【0070】
モード４は、匂い検知部２０からの付臭剤の匂いが判別されず、ガス検知部１０からの炭化水素ガス検知値Ｇ２のみを判別した場合であり、判定はモード３と同様に「ガス漏れ注意」となり、表示部２６の炭化水素ガス警報灯を点灯し、音声警報部２８から炭化水素ガスのガス漏れ注意を示す予備警報としての警報音や注意を喚起する音声メッセージを出力させる。
【0071】
【0072】
［ガス漏れ警報器の制御動作］
図１のガス漏れ警報器による制御動作を説明する次のようになる。いま、ガス漏れ警報器の設置場所で例えば使用している都市ガスが漏洩したとすると、ガスセンサー１２に炭化水素ガスが接触し、ガス検知回路部１４から制御部２４に炭化水素ガス検知値が出力される。
図１のガス漏れ警報器による制御動作を説明する次のようになる。いま、ガス漏れ警報器の設置場所で例えば使用している都市ガスが漏洩したとすると、ガスセンサー１２に炭化水素ガスが接触し、ガス検知回路部１４から制御部２４に炭化水素ガス検知値が出力される。
【0073】
同時に、匂いセンサー１８の匂い検知値ｘ１～ｘ１６が匂い判定部２０の多層式ニューラルネットワーク２２に入力され、付臭剤の匂い判定値Ｙ１が制御部２４に出力される。
【0074】
制御部２４のガス漏れ判定部３０は図５のモード２に従って炭化水素ガスのガス漏れを判定し、表示部２６の炭化水素ガス警報灯を点灯し、音声警報部２８から炭化水素ガスのガス漏れ注意を示す警報音や音声メッセージを出力させる。
【0075】
【0076】
図６に示すように、本実施形態は、匂い検知部１００、制御部２４、表示部２６、音声警報部２８で構成され、図１の実施形態に示したガス検知部１０が取り除かれており、匂い検知部１００によりＣＯガス、炭化水素ガス、及び付臭剤の匂いを検知するようにしている。
【0077】
匂い検知部５０は、図７に示すように、多層式ニューラルネットワーク２２、入力部３２、学習制御部３４及び学習情報保持部３６で構成される。多層式ニューラルネットワーク２２は学習制御部３４により、匂いセンサー１８からの入力情報である匂い検知値ｘ１～ｘ１６と出力期待値であるＣＯガス、炭化水素ガス、付臭剤の匂い、を組み合わせた教師ありの学習情報を入力部３２を介して多層式ニューラルネットワーク２２に入力し、例えばバックプロパゲーション法（誤差逆伝搬法）等の学習法により多層式ニューラルネットワーク２２のウエイト（重み）とバイアスを学習させる。
【0078】
多層式ニューラルネットワーク２２の学習は、別のコンピュータ装置で学習し、学習済みの多層式ニューラルネットワーク２２をガス漏れ警報器に実装することになる。
【0079】
これにより実際に匂いセンサー１８からの匂い検知値ｘ１～ｘ１６が多層式ニューラルネットワーク２２に入力されると、０～１の範囲の値をもつＣＯガス推定値ｙ１、炭化水素ガス推定値ｙ２、及び付臭剤の匂い推定値ｙ３が出力され、比較器５２，５４，５６の基準電圧源５２ａ，５４ａ，５６ａより設定した基準値１／３と比較して２値化し、ＣＯガス判定値Ｇ１、炭化水素ガス判定値Ｇ２、及び付臭剤の匂い判定値Ｙ１として、
ＣＯガスを判定した場合は、 （Ｇ１，Ｇ２，Ｙ１）＝（１，０，０）
炭化水素ガスを判定した場合は、（Ｇ１，Ｇ２，Ｙ１）＝（０，１，０）
付臭剤の匂いを判定した場合は、（Ｇ１，Ｇ２，Ｙ１）＝（０，０，１）
を出力するようにしている。
ＣＯガスを判定した場合は、 （Ｇ１，Ｇ２，Ｙ１）＝（１，０，０）
炭化水素ガスを判定した場合は、（Ｇ１，Ｇ２，Ｙ１）＝（０，１，０）
付臭剤の匂いを判定した場合は、（Ｇ１，Ｇ２，Ｙ１）＝（０，０，１）
を出力するようにしている。
【0080】
ここで、炭化水素ガスと付臭剤は都市ガス又はＬＰガスの成分であることから、都市ガス又はＬＰガスが漏洩した場合、匂い判定部２０は、
（Ｇ１，Ｇ２，Ｙ１）＝（１，１，０）
を出力する。
（Ｇ１，Ｇ２，Ｙ１）＝（１，１，０）
を出力する。
【0081】
【0082】
［本発明の変形例］
上記の実施形態は、監視対象ガスとして炭化水素ガスとＣＯガスを例にとっているが、必要に応じて適宜の監視対象ガスのガス漏れ監視に適用することができる。
上記の実施形態は、監視対象ガスとして炭化水素ガスとＣＯガスを例にとっているが、必要に応じて適宜の監視対象ガスのガス漏れ監視に適用することができる。
【0083】
また、本発明はその目的と利点を損なうことのない適宜の変形を含み、更に上記の実施形態に示した数値による限定は受けない。
【符号の説明】
【0084】
１０：ガス検知部
１２：ガスセンサー
１４：ガス検知回路部
１６，１００：匂い検知部
１８：匂いセンサー
２０，５０：匂い判定部
２２：多層式ニューラルネットワーク
２４：制御部
２６：表示部
２８：音声警報部
３０：ガス漏れ判定部
３２：入力部
３４：学習制御部
３６：学習情報保持部
３８，４０，５２，５４，５６：比較器
３８ａ，４０ａ，５２ａ，５４ａ，５６ａ：基準電圧源
４２：入力層
４４：全結合
４６：中間層
４８：出力層
１２：ガスセンサー
１４：ガス検知回路部
１６，１００：匂い検知部
１８：匂いセンサー
２０，５０：匂い判定部
２２：多層式ニューラルネットワーク
２４：制御部
２６：表示部
２８：音声警報部
３０：ガス漏れ判定部
３２：入力部
３４：学習制御部
３６：学習情報保持部
３８，４０，５２，５４，５６：比較器
３８ａ，４０ａ，５２ａ，５４ａ，５６ａ：基準電圧源
４２：入力層
４４：全結合
４６：中間層
４８：出力層
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】