知財求人 - 知財ポータルサイト「IP Force」
(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】2023-12-22
(45)【発行日】2024-01-05
(54)【発明の名称】ガス分析システムおよびプログラム
(51)【国際特許分類】
G01N 30/86 20060101AFI20231225BHJP
G01N 30/88 20060101ALI20231225BHJP
G06N 3/02 20060101ALI20231225BHJP
【ＦＩ】
G01N30/86 F
G01N30/88 G
G06N3/02
【請求項の数】
6
(21)【出願番号】P 2019227400
(22)【出願日】2019-12-17
(65)【公開番号】P2021096159
(43)【公開日】2021-06-24
【審査請求日】2022-10-27
(73)【特許権者】
【識別番号】302031454
【氏名又は名称】東海電子株式会社
(74)【代理人】
【識別番号】100140796
【弁理士】
【氏名又は名称】原口 貴志
(72)【発明者】
【氏名】都築 伴三
【審査官】高田 亜希
(56)【参考文献】
【文献】特開２０１９－０５６６６４（ＪＰ，Ａ）
【文献】登録実用新案第３１６４１４０（ＪＰ，Ｕ）
【文献】特開平０２－０２２５５０（ＪＰ，Ａ）
【文献】国際公開第２０１９／０９２８３７（ＷＯ，Ａ１）
【文献】米国特許第０６２１２９３８（ＵＳ，Ｂ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｎ ３０／００ －３０／９６
Ｂ０１Ｊ ２０／２８１－２０／２９２
Ｇ０１Ｎ ２７／６０ －２７／９２
Ｇ０６Ｎ １０／００ －９９／００
Ｇ０６Ｆ １８／００ －９９／００
ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）
(57)【特許請求の範囲】
【請求項1】
ガスの成分毎のリテンションタイムを示す情報を使用してサンプルガスのガスクロマトグラムのデータを単純化することによって、単純化されたデータとしての単純化データを生成するデータ単純化部と、前記単純化データに基づいて前記サンプルガスの分析を実行するニューラルネットワークとしてのガス分析ニューラルネットワークによって、前記単純化データに基づいて前記サンプルガスの分析を実行するガス分析部と
を備え、
前記単純化データは、前記ガスクロマトグラムに基づいた検知強度に基づいた値として、前記情報に示される前記成分の前記リテンションタイムに対応する前記値のみを含み、
前記単純化データは、前記ガスクロマトグラムに含まれる、前記成分の前記リテンションタイムを含む特定の時間範囲における検知強度の最大値から、このリテンションタイムより前の全ての時間範囲における検知強度の最小値が差し引かれることによって取得された相対的な検知強度を、前記ガスクロマトグラムに基づいた検知強度に基づいた前記値として含むことを特徴とするガス分析システム。
【請求項2】
前記単純化データを適切な前記単純化データに自動的に修正するニューラルネットワークとしてのデータ修正ニューラルネットワークによって、前記単純化データを適切な前記単純化データに自動的に修正するデータ修正部を備え、
前記ガス分析部は、前記データ修正部による修正後の前記単純化データに基づいて前記ガス分析ニューラルネットワークによって前記サンプルガスの分析を実行することを特徴とする請求項１に記載のガス分析システム。
【請求項3】
ガスの成分毎のリテンションタイムを示す情報を使用してサンプルガスのガスクロマトグラムのデータを単純化することによって、単純化されたデータとしての単純化データを生成するデータ単純化部と、
前記単純化データに基づいて前記サンプルガスの分析を実行するニューラルネットワークとしてのガス分析ニューラルネットワークによって、前記単純化データに基づいて前記サンプルガスの分析を実行するガス分析部と
を備え、
前記単純化データは、前記ガスクロマトグラムに基づいた検知強度に基づいた値として、前記情報に示される前記成分の前記リテンションタイムに対応する前記値のみを含み、
少なくとも、２つの前記成分の前記リテンションタイムに対応する前記値を互いに入れ替えることによって、前記単純化データを適切な前記単純化データに自動的に修正するニューラルネットワークとしてのデータ修正ニューラルネットワークによって、前記単純化データを適切な前記単純化データに自動的に修正するデータ修正部を備え、
前記ガス分析部は、前記データ修正部による修正後の前記単純化データに基づいて前記ガス分析ニューラルネットワークによって前記サンプルガスの分析を実行することを特徴とするガス分析システム。
【請求項4】
前記ガス分析ニューラルネットワークに学習を実行させるガス分析学習部を備え、前記ガス分析学習部は、前記サンプルガスの前記ガスクロマトグラムのデータが前記データ単純化部によって単純化されて前記データ修正部によって修正された前記単純化データと、このサンプルガスに対する人による分析の結果との組み合わせを使用して、前記ガス分析ニューラルネットワークに教師有り学習を実行させることを特徴とする請求項２または請求項３に記載のガス分析システム。
【請求項5】
ガスの成分毎のリテンションタイムを示す情報を使用してサンプルガスのガスクロマトグラムのデータを単純化することによって、単純化されたデータとしての単純化データを生成するデータ単純化部をコンピューターに実現させ、前記単純化データは、前記ガスクロマトグラムに基づいた検知強度に基づいた値として、前記情報に示される前記成分の前記リテンションタイムに対応する前記値のみを含み、
前記単純化データは、前記ガスクロマトグラムに含まれる、前記成分の前記リテンションタイムを含む特定の時間範囲における検知強度の最大値から、このリテンションタイムより前の全ての時間範囲における検知強度の最小値が差し引かれることによって取得された相対的な検知強度を、前記ガスクロマトグラムに基づいた検知強度に基づいた前記値として含むことを特徴とするプログラム。
【請求項6】
ガスの成分毎のリテンションタイムを示す情報を使用してサンプルガスのガスクロマトグラムのデータを単純化することによって、単純化されたデータとしての単純化データを生成するデータ単純化部と、
前記単純化データに基づいて前記サンプルガスの分析を実行するニューラルネットワークとしてのガス分析ニューラルネットワークによって、前記単純化データに基づいて前記サンプルガスの分析を実行するガス分析部と
をコンピューターに実現させるプログラムであって、
前記単純化データは、前記ガスクロマトグラムに基づいた検知強度に基づいた値として、前記情報に示される前記成分の前記リテンションタイムに対応する前記値のみを含み、
前記プログラムは、少なくとも、２つの前記成分の前記リテンションタイムに対応する前記値を互いに入れ替えることによって、前記単純化データを適切な前記単純化データに自動的に修正するニューラルネットワークとしてのデータ修正ニューラルネットワークによって、前記単純化データを適切な前記単純化データに自動的に修正するデータ修正部を前記コンピューターに実現させ、
前記ガス分析部は、前記データ修正部による修正後の前記単純化データに基づいて前記ガス分析ニューラルネットワークによって前記サンプルガスの分析を実行することを特徴とするプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、ガスを分析するガス分析システムおよびプログラムに関する。
【背景技術】
【0002】
従来のガス分析システムとして、ガスからガスクロマトグラムを生成するガスクロマトグラフと、ガスクロマトグラフによって生成されたガスクロマトグラムに基づいてニューラルネットワークによってガスの臭気を判定するコンピューターとを備えるものが知られている（例えば、特許文献１参照。）。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１９－０５６６６４号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、従来のガス分析システムにおいては、ガスクロマトグラムにおける全てのサンプリング時間の検知強度をニューラルネットワークに入力するので、ガスの臭気の判定に不要な多数の検知強度がニューラルネットワークに入力されることになり、その結果、ガスの臭気の判定の正解率が高くないという問題がある。
【0005】
そこで、本発明は、ニューラルネットワークによるガスの分析の正解率を向上することができるガス分析システムおよびプログラム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】
【0006】
本発明のガス分析システムは、ガスの成分毎のリテンションタイムを示す情報を使用してサンプルガスのガスクロマトグラムのデータを単純化することによって、単純化されたデータとしての単純化データを生成するデータ単純化部と、前記単純化データに基づいて前記サンプルガスの分析を実行するニューラルネットワークとしてのガス分析ニューラルネットワークによって、前記単純化データに基づいて前記サンプルガスの分析を実行するガス分析部とを備え、前記単純化データは、前記ガスクロマトグラムに基づいた検知強度として、前記情報に示される前記リテンションタイムに対応する検知強度のみを含むことを特徴とする。
【0007】
この構成により、本発明のガス分析システムは、ガス分析ニューラルネットワークによるサンプルガスの分析において重要度が低いデータを含まない単純化データを使用して、ガス分析ニューラルネットワークに教師有り学習を実行させることができるので、ガス分析ニューラルネットワークによるガスの分析の正解率を向上することができる。
【0008】
本発明のガス分析システムにおいて、前記単純化データは、前記ガスクロマトグラムに含まれる複数の検知強度に基づいた相対的な検知強度を、前記ガスクロマトグラムに基づいた検知強度として含んでも良い。
【0009】
この構成により、本発明のガス分析システムは、サンプルガスに対してガスクロマトグラムを生成するガスクロマトグラフの個体に依存する、ガスクロマトグラムのベースラインのばらつきの影響を低減した単純化データを生成することができるので、ガス分析ニューラルネットワークによるガスの分析の正解率を向上することができる。
【0010】
本発明のガス分析システムは、前記単純化データを適切な前記単純化データに自動的に修正するニューラルネットワークとしてのデータ修正ニューラルネットワークによって、前記単純化データを適切な前記単純化データに自動的に修正するデータ修正部を備え、前記ガス分析部は、前記データ修正部による修正後の前記単純化データに基づいて前記ガス分析ニューラルネットワークによって前記サンプルガスの分析を実行しても良い。
【0011】
この構成により、本発明のガス分析システムは、サンプルガスに対してガスクロマトグラムを生成するガスクロマトグラフの個体に依存するリテンションタイムのばらつきが単純化データに与える影響を、データ修正ニューラルネットワークによる修正によって低減することができるので、ガス分析ニューラルネットワークによるガスの分析の正解率を向上することができる。
【0012】
本発明のガス分析システムは、前記ガス分析ニューラルネットワークに学習を実行させるガス分析学習部を備え、前記ガス分析学習部は、前記サンプルガスの前記ガスクロマトグラムのデータが前記データ単純化部によって単純化されて前記データ修正部によって修正された前記単純化データと、このサンプルガスに対する人による分析の結果との組み合わせを使用して、前記ガス分析ニューラルネットワークに教師有り学習を実行させても良い。
【0013】
この構成により、本発明のガス分析システムは、ガスクロマトグラフの個体に依存するリテンションタイムのばらつきによる影響がデータ修正ニューラルネットワークによる修正によって低減された単純化データを使用して、ガス分析ニューラルネットワークに教師有り学習を実行させるので、ガス分析ニューラルネットワークによるガスの分析の正解率を向上することができる。
【0014】
本発明のプログラムは、ガスの成分毎のリテンションタイムを示す情報を使用してサンプルガスのガスクロマトグラムのデータを単純化することによって、単純化されたデータとしての単純化データを生成するデータ単純化部をコンピューターに実現させ、前記単純化データは、前記ガスクロマトグラムに基づいた検知強度として、前記情報に示される前記リテンションタイムに対応する検知強度のみを含むことを特徴とする。
【0015】
この構成により、本発明のプログラムを実行するコンピューターは、サンプルガスの分析を実行するニューラルネットワークとしてのガス分析ニューラルネットワークによるサンプルガスの分析において重要度が低いデータを含まない単純化データを使用して、ガス分析ニューラルネットワークに教師有り学習を実行させることができるので、ガス分析ニューラルネットワークによるガスの分析の正解率を向上することができる。
【発明の効果】
【0016】
本発明のガス分析システムおよびプログラムは、ニューラルネットワークによるガスの分析の正解率を向上することができる。
【図面の簡単な説明】
【0017】
【図1】本発明の一実施の形態に係るガス分析システムの構成図である。
【発明を実施するための形態】
【0018】
以下、本発明の実施の形態について、図面を用いて説明する。
【0019】
まず、本実施の形態に係るガス分析システムの構成について説明する。
【0020】
図１は、本実施の形態に係るガス分析システム１０の構成図である。
【0021】
図１に示すように、ガス分析システム１０は、分析対象の気体であるサンプルガスからガスクロマトグラムを生成するガスクロマトグラフ２０と、サンプルガスの分析の結果を表示するための例えばＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などのコンピューター３０とを備えている。ガス分析システム１０は、サンプルガスの分析としてサンプルガスのにおいを判定する臭気判定システムである。
【0022】
ガスクロマトグラフ２０は、キャリアガスが圧縮されて貯蔵されている圧縮タンク２１と、圧縮タンク２１に接続されていて、サンプルガスを注入するための注射器９０からサンプルガスが注入されるための注入部２２と、注入部２２に接続されていて、注入部２２でキャリアガスにサンプルガスが混合されたガスとしての混合ガスを成分（以下「成分ガス」という。）毎に分離するためのガス分離カラム２３と、ガス分離カラム２３に接続されていて、ガス分離カラム２３から流入する成分ガスを検出する検出器２４とを備えている。
【0023】
図２は、コンピューター３０のブロック図である。
【0024】
図２に示すように、コンピューター３０は、種々の操作が入力される例えばキーボード、マウスなどの操作デバイスである操作部３１と、種々の情報を表示する例えばＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）などの表示デバイスである表示部３２と、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネットなどのネットワーク経由で、または、ネットワークを介さずに有線または無線によって直接に、外部の装置と通信を行う通信デバイスである通信部３３と、各種の情報を記憶する例えば半導体メモリー、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの不揮発性の記憶デバイスである記憶部３４と、コンピューター３０全体を制御する制御部３５とを備えている。
【0025】
コンピューター３０は、サンプルガスの分析の結果を表示部３２に表示することができる。
【0026】
記憶部３４は、ガスを分析するためのプログラムとしてのガス分析プログラム３４ａを記憶している。ガス分析プログラム３４ａは、例えば、コンピューター３０の製造段階でコンピューター３０にインストールされていても良いし、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｋ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリーなどの外部の記憶媒体からコンピューター３０に追加でインストールされても良いし、ネットワーク上からコンピューター３０に追加でインストールされても良い。
【0027】
記憶部３４は、ガスの各種の情報を示すガス辞書３４ｂを記憶している。
【0028】
図３は、ガス辞書３４ｂの一例を示す図である。
【0029】
図３に示すガス辞書３４ｂは、ガスの成分ガス毎のリテンションタイムと、成分ガスのＩＤ（以下「ガスＩＤ」という。）との組み合わせを、ガスのカテゴリーのＩＤ（以下「カテゴリーＩＤ」という。）毎に格納している。ここで、ガスのカテゴリーは、例えば、コーヒーのにおいを含むガス、養鶏場のにおいを含むガスなど、においの種類によって分けられている。例えば、カテゴリーＩＤが「３４」であるカテゴリーは、果物のうち「りんご」、「みかん」、「ばなな」および「すいか」のいずれかのにおいを含むガスのカテゴリーである。
【0030】
図２に示すように、記憶部３４は、ガスのカテゴリーＩＤと、ガスのカテゴリーの内容との対応関係を示すカテゴリー情報３４ｃを記憶している。また、記憶部３４は、成分ガスのガスＩＤと、成分ガスの名称との対応関係をガスのカテゴリー毎に示す成分ガス情報３４ｄを記憶している。
【0031】
制御部３５は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）と、プログラムおよび各種のデータを記憶しているＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と、制御部３５のＣＰＵの作業領域として用いられるメモリーとしてのＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）とを備えている。制御部３５のＣＰＵは、記憶部３４または制御部３５のＲＯＭに記憶されているプログラムを実行する。
【0032】
制御部３５は、ガス分析プログラム３４ａを実行することによって、ガスクロマトグラフ２０によって生成されたガスクロマトグラムのデータを単純化することによって、単純化されたデータ（以下「単純化データ」という。）を生成するデータ単純化部３５ａと、データ単純化部３５ａによって生成された単純化データを適切な単純化データに自動的に修正するニューラルネットワークとしてのデータ修正ニューラルネットワーク３５ｂと、データ単純化部３５ａによって生成された単純化データをデータ修正ニューラルネットワーク３５ｂによって適切な単純化データに自動的に修正するデータ修正部３５ｃと、データ修正部３５ｃによる修正後の単純化データに基づいてサンプルガスの分析を実行するニューラルネットワークとしてのガス分析ニューラルネットワーク３５ｄと、データ修正部３５ｃによる修正後の単純化データに基づいてガス分析ニューラルネットワーク３５ｄによってサンプルガスの分析を実行するガス分析部３５ｅと、データ修正ニューラルネットワーク３５ｂに学習を実行させるデータ修正学習部３５ｆと、ガス分析ニューラルネットワーク３５ｄに学習を実行させるガス分析学習部３５ｇとを実現する。
【0033】
次に、サンプルガスを分析する場合のコンピューター３０の動作について説明する。
【0034】
図４は、サンプルガスを分析する場合のコンピューター３０の動作のフローチャートである。
【0035】
図４に示すように、データ単純化部３５ａは、対象のサンプルガスに対してガスクロマトグラフ２０によって生成されたガスクロマトグラムのデータを単純化することによって単純化データを生成するデータ単純化工程を実行する（Ｓ１０１）。
【0036】
次いで、データ修正部３５ｃは、Ｓ１０１のデータ単純化工程によって生成された単純化データをデータ修正ニューラルネットワーク３５ｂによって適切な単純化データに自動的に修正するデータ修正工程を実行する（Ｓ１０２）。
【0037】
次いで、ガス分析部３５ｅは、Ｓ１０２のデータ修正工程による修正後の単純化データに基づいてガス分析ニューラルネットワーク３５ｄによってサンプルガスの分析を実行するガス分析工程を実行して（Ｓ１０３）、図４に示す動作を終了する。
【0038】
図５は、図４に示すデータ単純化工程のフローチャートである。図６は、ガスクロマトグラフ２０によって生成されたガスクロマトグラムの一例を示す図である。図７は、ガスクロマトグラフ２０によって生成されたガスクロマトグラムのデータに基づいて生成される各種のデータの一例を示す図である。
【0039】
なお、図６に示すガスクロマトグラムと、図７に示すデータとは、それぞれ別々の例である。すなわち、図７に示すデータは、図６に示すガスクロマトグラムとは異なるガスクロマトグラムのデータに基づいて生成されたデータである。また、図７に示すデータは、一部のリテンションタイムに対応する情報が省略して描かれているが、実際には、図示している情報の他にも、多くのリテンションタイムに対応する情報を含んでいる。
【0040】
図５に示すように、データ単純化部３５ａは、ガスクロマトグラフ２０によって生成されたガスクロマトグラムのデータと、このガスクロマトグラムの対象のガスのカテゴリーＩＤとを記憶する（Ｓ１２１）。例えば、ガスクロマトグラフ２０によって生成されたガスクロマトグラムは、例えば、図６に示すようなものである。図６に示すガスクロマトグラムにおけるベースラインの値やリテンションタイムの値は、ガスクロマトグラフ２０の個体に依存する値である。すなわち、ガスクロマトグラフ２０と、ガスクロマトグラフ２０以外のガスクロマトグラフとでは、ガスクロマトグラムにおけるベースラインの値やリテンションタイムの値が異なる可能性がある。データ単純化部３５ａは、Ｓ１２１の処理において、ガスクロマトグラムのデータとして、リテンションタイムと、リテンションタイム毎の検知強度とからなるデータを例えば図７に示すように記憶する。また、データ単純化部３５ａは、Ｓ１２１の処理において、ガスクロマトグラムの対象のガスのカテゴリーＩＤとして、例えば操作部３１を介して入力されたカテゴリーＩＤを記憶する。
【0041】
データ単純化部３５ａは、Ｓ１２１の処理の後、Ｓ１２１において記憶したカテゴリーＩＤにガス辞書３４ｂにおいて対応付けられているガスＩＤを、Ｓ１２１において記憶したデータに追加する（Ｓ１２２）。データ単純化部３５ａは、Ｓ１２２の処理において、ガス辞書３４ｂにおけるガスＩＤを、ガス辞書３４ｂにおいてこのガスＩＤに対応付けられているリテンションタイムに対応付けて、例えば図７に示すように記憶する。
【0042】
データ単純化部３５ａは、Ｓ１２２の処理の後、Ｓ１２１において記憶したガスクロマトグラムのデータのうち、局所的な上端になるピークとしての山頂が存在するリテンションタイムを検出する（Ｓ１２３）。例えば、データ単純化部３５ａは、リテンションタイムを１つずつ対象にしていき、対象のリテンションタイムにおける検知強度が、対象のリテンションタイムの２つ前のリテンションタイムにおける検知強度に特定の値を加算した値と、対象のリテンションタイムの２つ後のリテンションタイムにおける検知強度に特定の値を加算した値とのいずれよりも大きい場合に、対象のリテンションタイムに山頂が存在すると判定する。ここで、特定の値は、図７に示すデータにおいては例えば５０である。データ単純化部３５ａは、Ｓ１２３の処理において、例えば、図７に示すデータのうち、山頂の検知強度を示すｍａｘ値をリテンションタイムに対応付けて記憶する。図７に示すｍａｘ値は、山頂が存在するリテンションタイムに対しては、このリテンションタイムに対応付けられている検知強度を対応付け、山頂が存在しないリテンションタイムに対しては０を対応付ける。
【0043】
データ単純化部３５ａは、Ｓ１２３の処理の後、山頂が存在するリテンションタイムにおける相対的な検知強度、すなわち、濃度値を算出する（Ｓ１２４）。例えば、データ単純化部３５ａは、山頂が存在するリテンションタイム、すなわち、ｍａｘ値が０より大きいリテンションタイムを１つずつ対象にしていき、対象のリテンションタイムの２つ前のリテンションタイムから、対象のリテンションタイムの２つ後のリテンションタイムまでのリテンションタイムの範囲における検知強度の最大値から、対象のリテンションタイムより前の全てのリテンションタイムの範囲における検知強度の最小値を差し引くことによって、山頂が存在するリテンションタイムにおける濃度値を取得する。データ単純化部３５ａは、Ｓ１２４の処理において、例えば、図７に示すデータのうち、各リテンションタイムにおける濃度値をリテンションタイムに対応付けて記憶する。ここで、データ単純化部３５ａは、山頂が存在しないリテンションタイムにおける濃度値を０とする。
【0044】
データ単純化部３５ａは、Ｓ１２４の処理の後、ガスクロマトグラムを棒グラフ化したデータ（以下「棒グラフデータ」という。）を算出する（Ｓ１２５）。例えば、データ単純化部３５ａは、リテンションタイムを１つずつ対象にしていき、対象のリテンションタイムの２つ前のリテンションタイムから、対象のリテンションタイムの２つ後のリテンションタイムまでのリテンションタイムの範囲における検知強度の合計値が０より大きい場合に、対象のリテンションタイムの２つ前のリテンションタイムから、対象のリテンションタイムの２つ後のリテンションタイムまでのリテンションタイムの範囲における検知強度の最大値を、対象のリテンションタイムの、棒グラフデータにおける濃度値として取得する。一方、データ単純化部３５ａは、対象のリテンションタイムの２つ前のリテンションタイムから、対象のリテンションタイムの２つ後のリテンションタイムまでのリテンションタイムの範囲における検知強度の合計値が０より大きくない場合には、対象のリテンションタイムの、棒グラフデータにおける濃度値として０を決定する。データ単純化部３５ａは、Ｓ１２５の処理において、例えば、図７に示すデータのうち、各リテンションタイムの、棒グラフデータにおける濃度値を記憶する。
【0045】
【0046】
データ単純化部３５ａは、図５に示すデータ単純化工程において、図６に示すガスクロマトグラムに基づいて図８に示す棒グラフデータを生成する。すなわち、図６に示すアナログ的な波形を示すガスクロマトグラムは、傾斜部分が削除されて、図８に示すデジタル的な波形を示す棒グラフデータに変換される。なお、傾斜部分のデータは、例えば、ガスクロマトグラフ２０において使用されるガス分離カラム２３の種類および温度と、ガスクロマトグラフ２０において使用されるキャリアガスの種類および流量とによって変化するデータであり、ガス分析ニューラルネットワーク３５ｄによるサンプルガスの分析において重要度が低いデータである。
【0047】
図５に示すように、データ単純化部３５ａは、Ｓ１２５処理の後、ガスクロマトグラムのデータを単純化した単純化データを生成する（Ｓ１２６）。すなわち、データ単純化部３５ａは、Ｓ１２６において、Ｓ１２２においてデータに追加したガスＩＤと、このガスＩＤに対応付けられているリテンションタイムに、Ｓ１２５において対応付けられた濃度値とを対応付けたデータを単純化データとして生成する。
【0048】
【0049】
図９に示す単純化データ８１は、図７に示すデータのうち、Ｓ１２２において追加されたガスＩＤと、このガスＩＤに対応付けられた、棒グラフデータにおける濃度値とからなるデータと、Ｓ１２１において記憶したカテゴリーＩＤとからなるデータである。なお、図９に示す単純化データ８１は、一部のガスＩＤに対応する情報が省略して描かれているが、実際には、図示している情報の他にも、多くのガスＩＤに対応する情報を含んでいる。
【0050】
【0051】
なお、Ｓ１２３、Ｓ１２４およびＳ１２５の処理において、対象のリテンションタイムの２つ前のリテンションタイムと、対象のリテンションタイムの２つ後のリテンションタイムとが処理の基準として使用されている。この「２つ」という数は、例えば、ガスクロマトグラフ２０におけるリテンションタイムの誤差に基づいて決定されている。すなわち、ガスクロマトグラフ２０におけるリテンションタイムの誤差が±Ｎ％である場合、Ｎ％分に相当するリテンションタイムが２つ分のリテンションタイムである。したがって、何個分のリテンションタイムが処理の基準として使用されるかは、実際には、ガスクロマトグラフ２０におけるリテンションタイムの誤差に基づいて決定される。
【0052】
【0053】
図１０に示すように、データ修正部３５ｃは、データ単純化工程によって生成された例えば図９に示す単純化データ８１を、データ修正ニューラルネットワーク３５ｂによって適切な単純化データに自動的に修正する。データ修正ニューラルネットワーク３５ｂの設定項目には、入力側のノードの数を示す入力ノード数と、隠れノードの数を示す隠れノード数と、出力側のノードの数を示す出力ノード数と、活性化関数に何を使用するかということと、最適化として何を使用するかということと、Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎの使用の有無と、Ｗｅｉｇｈｔ ｄｅｃａｙの使用の有無と、Ｄｒｏｐｏｕｔの使用の有無と、入力のデータおよび出力の正解データからなる学習データ毎の教師有り学習の繰り返しの回数を示す教師学習繰返し回数とが含まれている。図１０に示すデータ修正ニューラルネットワーク３５ｂは、入力ノード数がガス１～ガスｎまでのｎ個と、カテゴリーの１個との合計ｎ＋１個であり、隠れノード数が２０個であり、出力ノード数がガス１～ガスｎまでのｎ個と、カテゴリーの１個との合計ｎ＋１個であり、活性化関数がＲｅＬＵであり、最適化がＡｄａｍであり、Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎを使用し、Ｗｅｉｇｈｔ ｄｅｃａｙを使用し、Ｄｒｏｐｏｕｔを使用し、教師学習繰返し回数が１００００回である。
【0054】
図１０に示す例では、単純化データにおいて、ガス１の値と、ガス２の値とが互いに入れ替えられるように修正されている。
【0055】
【0056】
図１１に示すように、ガス分析部３５ｅは、データ修正工程による修正後の単純化データに基づいてガス分析ニューラルネットワーク３５ｄによってサンプルガスの分析を実行する。ガス分析ニューラルネットワーク３５ｄの設定項目には、入力ノード数と、隠れノード数と、出力ノード数と、活性化関数に何を使用するかということと、最適化として何を使用するかということと、Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎの使用の有無と、Ｗｅｉｇｈｔ ｄｅｃａｙの使用の有無と、Ｄｒｏｐｏｕｔの使用の有無と、教師学習繰返し回数とが含まれている。図１１に示すガス分析ニューラルネットワーク３５ｄは、入力ノード数がガス１～ガスｎまでのｎ個と、カテゴリーの１個との合計ｎ＋１個であり、隠れノード数が２０個であり、出力ノード数が「りんご」、「みかん」、「ばなな」および「すいか」の４個であり、活性化関数がＲｅＬＵであり、最適化がＡｄａｍであり、Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎを使用し、Ｗｅｉｇｈｔ ｄｅｃａｙを使用し、Ｄｒｏｐｏｕｔを使用し、教師学習繰返し回数が１００００回である。
【0057】
図１１に示す例では、サンプルガスの臭気の判定の結果として、「みかん」が出力されている。
【0058】
次に、データ修正ニューラルネットワーク３５ｂに学習を実行させる方法（以下「データ修正学習方法」という。）について説明する。
【0059】
図１２は、データ修正学習方法のフローチャートである。
【0060】
図１２に示すように、データ修正学習部３５ｆは、Ｓ１０１（図４参照。）の処理と同様に、対象のサンプルガスに対してガスクロマトグラフ２０によって生成されたガスクロマトグラムのデータを単純化するデータ単純化工程を実行する（Ｓ１４１）。
【0061】
次いで、データ修正学習部３５ｆは、Ｓ１４１のデータ単純化工程によって生成された棒グラフデータを、Ｓ１４１のデータ単純化工程によって棒グラフデータに対応付けられたガスＩＤを付して、表示部３２に表示する（Ｓ１４２）。
【0062】
図１３は、データ修正学習方法において表示される棒グラフデータの一例の一部を示す図である。
【0063】
図１３に示す棒グラフデータには、山頂に相当する部分に対応付けられているガスＩＤが付されている。なお、谷底に相当する部分に対応付けられているガスＩＤは表示されなくても良い。
【0064】
図１２に示すように、Ｓ１４２の処理の後、Ｓ１４２において表示された棒グラフデータに不適切な成分ガスが存在するか否かが専門家によって判断される（Ｓ１４３）。
【0065】
不適切な成分ガスが存在しないとＳ１４３において判断されると、データ修正学習部３５ｆは、Ｓ１４１のデータ単純化工程によって生成した単純化データを、入力のデータにするとともに、出力の正解データにもすることによって、データ修正ニューラルネットワーク３５ｂに教師有り学習を実行させて（Ｓ１４４）、図１２に示すデータ修正学習方法を終了する。
【0066】
不適切な成分ガスが存在するとＳ１４３において判断されると、不適切な成分ガスの修正が可能であるか否かが専門家によって判断される（Ｓ１４５）。ここで、専門家は、Ｓ１４２において表示された棒グラフデータに存在する不適切な成分ガスの全てについて、対象の不適切な成分ガスに対応するリテンションタイムの近傍のリテンションタイムに対応する成分ガスに、対象の不適切な成分ガスと入れ替えることが適切なものが存在する場合に、不適切な成分ガスの修正が可能であると判断する。一方、専門家は、Ｓ１４２において表示された棒グラフデータに存在する不適切な成分ガスの少なくとも１つについて、対象の不適切な成分ガスに対応するリテンションタイムの近傍のリテンションタイムに対応する成分ガスに、対象の不適切な成分ガスと入れ替えることが適切なものが存在しない場合に、不適切な成分ガスの修正が可能ではないと判断する。
【0067】
不適切な成分ガスの修正が可能ではないとＳ１４５において判断されると、図１２に示すデータ修正学習方法は終了する。
【0068】
不適切な成分ガスの修正が可能であるとＳ１４５において判断されると、専門家による修正が実行される（Ｓ１４６）。ここで、専門家は、Ｓ１４２において表示された棒グラフデータに存在する不適切な成分ガスの全てについて、対象の不適切な成分ガスに対応するリテンションタイムの近傍のリテンションタイムに対応する成分ガスのうち、対象の不適切な成分ガスと入れ替えることが適切なものを、対象の不適切な成分ガスと入れ替えることによって修正する。
【0069】
【0070】
図１４（ａ）に示す単純化データは、Ｓ１４６の処理によって、例えば図１４（ｂ）に示す単純化データに修正される。図１４（ｂ）に示す単純化データは、図１４（ａ）に示す単純化データにおいてガス３の値と、ガス４の値とが互いに入れ替えられるように修正されている。なお、図１４に示す単純化データは、一部のガスＩＤに対応する情報が省略して描かれているが、実際には、図示している情報の他にも、多くのガスＩＤに対応する情報を含んでいる。
【0071】
図１２に示すように、Ｓ１４６の処理が終了すると、データ修正学習部３５ｆは、Ｓ１４１のデータ単純化工程によって生成した単純化データを入力のデータにするとともに、Ｓ１４６による修正後の棒グラフデータから得られる単純化データを出力の正解データにすることによって、データ修正ニューラルネットワーク３５ｂに教師有り学習を実行させて（Ｓ１４７）、図１２に示すデータ修正学習方法を終了する。
【0072】
次に、ガス分析ニューラルネットワーク３５ｄに学習を実行させる方法（以下「ガス分析学習方法」という。）について説明する。
【0073】
図１５は、ガス分析学習方法のフローチャートである。
【0074】
図１５に示すように、ガス分析学習部３５ｇは、Ｓ１０１（図４参照。）の処理と同様に、対象のサンプルガスに対してガスクロマトグラフ２０によって生成されたガスクロマトグラムのデータを単純化するデータ単純化工程を実行する（Ｓ１６１）。
【0075】
次いで、ガス分析学習部３５ｇは、Ｓ１０２（図４参照。）の処理と同様に、Ｓ１６１のデータ単純化工程によって生成された単純化データをデータ修正ニューラルネットワーク３５ｂによって適切な単純化データに自動的に修正するデータ修正工程を実行する（Ｓ１６２）。
【0076】
次いで、対象のサンプルガスのにおいが専門家によって判定される（Ｓ１６３）。
【0077】
Ｓ１６３の処理が終了すると、ガス分析学習部３５ｇは、Ｓ１６２のデータ修正工程による修正後の単純化データを入力のデータにするとともに、Ｓ１６３による判定の結果を出力の正解データにすることによって、ガス分析ニューラルネットワーク３５ｄに教師有り学習を実行させて（Ｓ１６４）、図１５に示すガス分析学習方法を終了する。
【0078】
以上に説明したように、ガス分析システム１０における単純化データは、ガスクロマトグラムに基づいた検知強度として、ガス辞書３４ｂに示されるリテンションタイムに対応する検知強度のみを含む。この構成により、ガス分析システム１０は、ガス分析ニューラルネットワーク３５ｄによるサンプルガスの分析において重要度が低いデータを含まない単純化データを使用して、ガス分析ニューラルネットワーク３５ｄに教師有り学習を実行させる（Ｓ１６４）ことができるので、例えばガス分析ニューラルネットワーク３５ｄによる過学習を防止することができ、その結果、ガス分析ニューラルネットワーク３５ｄによるサンプルガスの分析の正解率を向上することができる。
【0079】
ガス分析システム１０は、サンプルガスに対してガスクロマトグラムを生成するガスクロマトグラフ２０の個体に依存するリテンションタイムのばらつきが単純化データに与える影響を、データ修正ニューラルネットワーク３５ｂによるＳ１０２における修正によって低減することができるので、ガス分析ニューラルネットワーク３５ｄによるガスの分析の正解率を向上することができる。
【0080】
ガス分析システム１０において、単純化データは、ガスクロマトグラムに含まれる複数の検知強度に基づいた相対的な検知強度、すなわち、濃度値を、ガスクロマトグラムに基づいた検知強度として含んでいる。この構成により、ガス分析システム１０は、サンプルガスに対してガスクロマトグラムを生成するガスクロマトグラフ２０の個体に依存する、ガスクロマトグラムのベースラインのばらつきの影響を低減した単純化データを生成する（Ｓ１０１）ことができるので、ガス分析ニューラルネットワーク３５ｄによるガスの分析の正解率を向上することができる。なお、ガス分析システム１０は、ガス辞書３４ｂに示されるリテンションタイムに対応する検知強度として、ガスクロマトグラムに含まれる複数の検知強度に基づいた相対的な検知強度である濃度値ではなく、ガスクロマトグラムに含まれる検知強度のまま、単純化データに含めても良い。
【0081】
ガス分析システム１０は、ガスクロマトグラフ２０の個体に依存するリテンションタイムのばらつきによる影響がデータ修正ニューラルネットワーク３５ｂによるＳ１６２における修正によって低減された単純化データを使用して、ガス分析ニューラルネットワーク３５ｄに教師有り学習を実行させる（Ｓ１６４）ので、ガス分析ニューラルネットワーク３５ｄによるガスの分析の正解率を向上することができる。
【0082】
ガス分析システム１０は、ガス分析ニューラルネットワーク３５ｄによるガスの分析の正解率を向上することができるので、ガス分析ニューラルネットワーク３５ｄに実行させる必要がある教師有り学習の回数を低減することができ、その結果、ガス分析ニューラルネットワーク３５ｄの教師有り学習に必要な、ガスクロマトグラフ２０によるサンプルガスの測定の回数を低減することができる。ここで、ガスクロマトグラフ２０によるサンプルガスの測定には、時間および費用がかかる。したがって、ガス分析システム１０は、時間および費用の消費を抑えることができる。
【0083】
ガス分析システム１０は、単純化データに基づいてガス分析ニューラルネットワーク３５ｄによってサンプルガスの分析を実行するので、ガス分析ニューラルネットワーク３５ｄにおけるサンプルガスの分析のための計算時間を短縮することができる。
【0084】
ガス分析システム１０は、本実施の形態において、教師有り学習の方法として、図１２および図１５に示すように、１つの学習データ毎に都度学習するオンライン学習を採用している。しかしながら、教師有り学習の方法は、オンライン学習以外の方法でも良い。例えば、ガス分析システム１０は、教師有り学習の方法として、多数の学習データを一括で学習するバッチ学習を採用しても良い。
【0085】
ガス分析システム１０は、本実施の形態において、サンプルガスのにおいを判定する臭気判定システムである。しかしながら、ガス分析システム１０は、サンプルガスの分析として、においの判定以外の分析を実行するシステムでも良い。
【符号の説明】
【0086】
１０ ガス分析システム
３０ コンピューター
３４ａ ガス分析プログラム（プログラム）
３４ｂ ガス辞書（ガスの成分毎のリテンションタイムを示す情報）
３５ａ データ単純化部
３５ｂ データ修正ニューラルネットワーク
３５ｃ データ修正部
３５ｄ ガス分析ニューラルネットワーク
３５ｅ ガス分析部
３５ｇ ガス分析学習部
３０ コンピューター
３４ａ ガス分析プログラム（プログラム）
３４ｂ ガス辞書（ガスの成分毎のリテンションタイムを示す情報）
３５ａ データ単純化部
３５ｂ データ修正ニューラルネットワーク
３５ｃ データ修正部
３５ｄ ガス分析ニューラルネットワーク
３５ｅ ガス分析部
３５ｇ ガス分析学習部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】