特許 7566046 ガス検体を監視するためのシステム及び方法

(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】2024-10-03

(45)【発行日】2024-10-11

(54)【発明の名称】ガス検体を監視するためのシステム及び方法

(51)【国際特許分類】

   G01N 33/00 20060101AFI20241004BHJP

   G01N 27/02 20060101ALI20241004BHJP

【ＦＩ】

G01N33/00 C

G01N27/02 Z

【請求項の数】 15

(21)【出願番号】P 2022576795

(86)(22)【出願日】2021-06-14

(65)【公表番号】

(43)【公表日】2023-07-18

(86)【国際出願番号】 US2021037258

(87)【国際公開番号】W WO2021257470

(87)【国際公開日】2021-12-23

【審査請求日】2024-02-08

(31)【優先権主張番号】63/040,260

(32)【優先日】2020-06-17

(33)【優先権主張国・地域又は機関】US

【早期審査対象出願】

(73)【特許権者】

【識別番号】519336805

【氏名又は名称】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

(74)【代理人】

【識別番号】110000855

【氏名又は名称】弁理士法人浅村特許事務所

(72)【発明者】

【氏名】グレン、ブラッドリー

(72)【発明者】

【氏名】カミングス、スティーブン ランドール

(72)【発明者】

【氏名】フランク、ニコラス ブラニガン

【審査官】三木 隆

(56)【参考文献】

【文献】特表２０２２－５５０５３１（ＪＰ，Ａ）

【文献】特開２０２０－１２２８９２（ＪＰ，Ａ）

【文献】特表２０１９－５３００３７（ＪＰ，Ａ）

【文献】特表２００９－５３９１０３（ＪＰ，Ａ）

【文献】特開２０００－１４９９６１（ＪＰ，Ａ）

【文献】特開２０１９－１８４５７１（ＪＰ，Ａ）

【文献】特開２０１９－０９０８０５（ＪＰ，Ａ）

【文献】特開２０１６－１４５８００（ＪＰ，Ａ）

【文献】特開平１１－２３７２９８（ＪＰ，Ａ）

【文献】特開平１０－２５３５６６（ＪＰ，Ａ）

【文献】特表平１１－５００８４３（ＪＰ，Ａ）

【文献】特開平０９－０７２８７１（ＪＰ，Ａ）

【文献】特開平０６－０８２４０５（ＪＰ，Ａ）

【文献】特開平０６－０６６７４７（ＪＰ，Ａ）

【文献】特許第２９２３０３３（ＪＰ，Ｂ２）

【文献】特許第２６４５５６４（ＪＰ，Ｂ２）

【文献】特開２０２２－０４５３２９（ＪＰ，Ａ）

【文献】特開２０２０－０６０５７０（ＪＰ，Ａ）

【文献】特開２００７－２４８３５２（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｎ ３３／００

Ｇ０１Ｎ ２７／０２

(57)【特許請求の範囲】

【請求項1】

１つ又は複数の検知電極を有する少なくとも１つのガス・センサによって、ガス供給源によって放出された少なくとも１つのガス検体を監視するステップであって、前記少なくとも１つのガス・センサが、前記少なくとも１つのガス・センサの初期の現場配備前に、機械学習（ＭＬ）アルゴリズム又は深層学習（ＤＬ）アルゴリズムのうちの一方を利用して、前記ガス供給源によって放出された前記少なくとも１つのガス検体を、非ＯＧＥ干渉ガス放出からオフ・ガス事象（ＯＧＥ）又は熱暴走事象（ＴＲＥ）のうちの一方又は両方を含む事象であると分類するように先験的に事前訓練されている、ステップを含む方法であって、
前記ガス供給源によって放出された前記少なくとも１つのガス検体を分類するように前記少なくとも１つのガス・センサを先験的に事前訓練するための前記ＭＬ又はＤＬアルゴリズムの前記利用が、
前記少なくとも１つのガス・センサの前記１つ又は複数の検知電極のそれぞれによって、前記ガス供給源によって潜在的に放出され得る複数の既知のガス検体の一つ一つを継続時間にわたって検出して、前記複数の既知のガス検体の前記一つ一つの固有の特性を表すそれぞれのセンサ信号を生成するように、前記少なくとも１つのガス・センサを訓練するステップと、
前記複数の既知のガス検体の前記一つ一つの対応する複数の特徴を抽出するために、前記生成されたそれぞれのセンサ信号を前記継続時間にわたって前処理するステップと、
前記抽出された対応する複数の特徴を処理して、前記ＯＧＥ及び前記ＴＲＥのうちの一方又は両方についての偽陽性放出の決定境界を確立し、残りの一つ一つの非ＯＧＥタイプの干渉ガス放出についてそれぞれの決定境界を確立するステップと、
前記ガス供給源によって放出された前記少なくとも１つの前記ガス検体を前記非ＯＧＥ干渉ガス放出から前記ＯＧＥ又は前記ＴＲＥのうちの一方又は両方であると分類するために、前記ＭＬ又はＤＬアルゴリズムにおける前記確立された決定境界を、センサの現場配備後のための１つ又は複数の候補モデルとしてメモリに記憶するステップと
を含む、方法。

【請求項2】

前記ガス供給源が、再充電可能なリチウム・イオン電池システム又は電気エネルギー貯蔵システムを含み、前記ＯＧＥ又は前記ＴＲＥが、リチウム・イオン電池のオフ・ガス、炭酸ジメチル、炭酸ジエチル、炭酸メチル・エチル、炭酸エチレン、炭酸プロピレン、炭酸ビニレン、二酸化炭素、一酸化炭素、炭化水素、メタン、エタン、エチレン、プロピレン、プロパン、ベンゼン、トルエン、水素、酸素、窒素酸化物、揮発性有機化合物、有毒ガス、塩化水素、フッ化水素、硫化水素、硫黄酸化物、アンモニア、及び塩素を含む、１つまたは複数の可燃性ガス又は有毒ガスの放出の検出を含む、請求項１に記載の方法。

【請求項3】

前記少なくとも１つのガス・センサの前記１つ又は複数の検知電極のそれぞれによって生成される前記それぞれのガス・センサ信号が、第２の並列抵抗とコンデンサとの対と直列にカスケード接続された第１の並列抵抗器とコンデンサとの対を有する等価インピーダンス回路モデルに基づくインピーダンス値を含む、請求項１に記載の方法。

【請求項4】

前記等価インピーダンス回路モデルにおける前記第１の並列抵抗器とコンデンサとの対が、放出された異なる検体ガスの組合せに曝露されたときの前記少なくとも１つのガス・センサ応答のダイナミクスをシミュレートする、請求項３に記載の方法。

【請求項5】

前記センサの前記等価インピーダンス回路モデルが、前記第１の並列抵抗器とコンデンサとの対に接触抵抗を直列にカスケード接続することをさらに含む、請求項４に記載の方法。

【請求項6】

所与の固定入力電圧Ｖについて所与のインピーダンス値Ｒにおいて、ラプラス領域における前記ガス・センサについての入力／出力伝達関数を算出することをさらに含み、前記入力／出力伝達関数が、次のように、

【数2】

として表現され、式中、Ｒｃが接触抵抗であり、Ｒｎが第１の並列抵抗であり、Ｒｓが第２の並列抵抗であり、ＣＰＥが、一般的な２次ＲＣ回路を説明するための利得の等価静電容量である、請求項５に記載の方法。

【請求項7】

前記ＭＬ又はＤＬアルゴリズムによって事前訓練された前記少なくとも１つのガス・センサによる前記ガス供給源によって放出された前記少なくとも１つのガス検体の前記検出が、基準センサの使用を不要にする、請求項１に記載の方法。

【請求項8】

前記ガス供給源によって放出された前記少なくとも１つのガス検体を検出する際の前記少なくとも１つのガス・センサの前記ＭＬ又はＤＬアルゴリズム事前訓練が、温度の変化、相対湿度の変化、及び偽陽性の報告につながる環境内の酸素分圧に影響を与える他のガスのうちの１つ又は複数によって引き起こされる環境外乱による前記センサのインピーダンス変化を区別することをさらに含む、請求項１に記載の方法。

【請求項9】

前記複数の既知のガス検体の前記一つ一つの前記対応する複数の特徴の前記抽出における前記少なくとも１つのガス・センサの前記ＭＬアルゴリズム事前訓練が、移動平均算出、ボリンジャ・バンド、最小電極インピーダンス、最大インピーダンス変化速度、前記少なくとも１つのガス・センサ上の前記１つ又は複数の検知電極のそれぞれの最大インピーダンス回復速度、主成分分析を含む機能の組合せ（ＰＣＡ）、線形判別分析を含む特徴のいずれか１つ又は組合せを利用することを含み、前記ＤＬアルゴリズムが、前記複数の既知のガス検体の前記一つ一つにおける前記対応する複数の特徴の前記抽出における前記少なくとも１つのガス・センサの前記ＤＬアルゴリズム事前訓練が、ニューラル・ネットワークの隠れ層に内部的に含まれる、請求項１に記載の方法。

【請求項10】

前記ＯＧＥ又は前記ＴＲＥについての偽陽性放出の前記決定境界と前記残りの一つ一つのタイプの非ＯＧＥ干渉ガス放出についてそれぞれの決定境界との前記確立における前記少なくとも１つのガス・センサの前記ＭＬ又はＤＬアルゴリズム事前訓練が、サポート・ベクタ・マシン、判別分析又は最近傍アルゴリズム、ナイーブ・ベイズ及びニューラル・ネイバ、線形回帰、ＧＬＭ、サポート・ベクタ回帰、ＧＰＲ、アンサンブル法、決定木、並びに畳み込みニューラル・ネットワーク（ＣＮＮ）、インセプション・タイム・アーキテクチャ、エコー状態ネットワーク、及び長短期記憶（ＬＳＴＭ）ネットワークのうちの少なくとも１つを含むＤＬニューラル・ネットワークを含む決定方法のいずれかを使用して、前記生成されたセンサ信号を評価することを含む、請求項１に記載の方法。

【請求項11】

ガス供給源を有する筐体と、
前記ガス供給源によって放出された少なくとも１つのガス検体を監視するために配備される１つ又は複数の検知電極を有する少なくとも１つのガス・センサであって、前記少なくとも１つのガス・センサが、前記ガス供給源によって放出された前記少なくとも１つのガス検体を、非ＯＧＥ干渉ガス放出からオフ・ガス事象（ＯＧＥ）又は熱暴走事象（ＴＲＥ）のうちの一方又は両方を含む事象であると検出及び分類するために、プロセッサによる実行のためにメモリにプログラム・コードとして記憶された機械学習（ＭＬ）アルゴリズム又は深層学習（ＤＬ）アルゴリズムのうちの一方を利用して、前記配備前に先験的に事前訓練されている、少なくとも１つのガス・センサと
を含む、システムであって、
前記ガス供給源によって放出された前記少なくとも１つのガス検体を分類するように前記少なくとも１つのガス・センサを先験的に事前訓練するための前記ＭＬ又はＤＬアルゴリズムの前記利用が、前記プロセッサに、
前記少なくとも１つのガス・センサの前記１つ又は複数の検知電極のそれぞれによって、前記ガス供給源によって潜在的に放出され得る複数の既知のガス検体の一つ一つを継続時間にわたって検出して、前記複数の既知のガス検体の前記一つ一つの固有の特性を表すそれぞれのセンサ信号を生成し、
前記複数の既知のガス検体の前記一つ一つの対応する複数の特徴を抽出するために、前記生成されたそれぞれのセンサ信号を前記継続時間にわたって前処理し、
前記抽出された対応する複数の特徴を処理して、前記ＯＧＥ及び前記ＴＲＥのうちの一方又は両方についての偽陽性放出の決定境界を確立し、残りの一つ一つの非ＯＧＥタイプの干渉ガス放出についてそれぞれの決定境界を確立し、
前記ガス供給源によって放出された前記少なくとも１つの前記ガス検体を前記非ＯＧＥ干渉ガス放出から前記ＯＧＥ又は前記ＴＲＥのうちの一方又は両方であると分類するために、前記ＭＬ又はＤＬアルゴリズムにおける前記確立された決定境界を、センサの現場配備後のための１つ又は複数の候補モデルとしてメモリに記憶する
ように、センサの初期の現場配備前に前記少なくとも１つのガス・センサを事前訓練させる、システム。

【請求項12】

前記少なくとも１つのガス・センサの前記１つ又は複数の検知電極のそれぞれによって生成される前記それぞれのガス・センサ信号が、第２の並列抵抗とコンデンサとの対と直列にカスケード接続された第１の並列抵抗器とコンデンサとの対を有する等価インピーダンス回路モデルに基づくインピーダンス値を含み、前記等価インピーダンス回路モデルにおける前記第１の並列抵抗器とコンデンサとの対が、放出された異なるガスに曝露されたときの前記少なくとも１つのガス・センサ応答のダイナミクスをシミュレートする、請求項１１に記載のシステム。

【請求項13】

前記ＭＬ又はＤＬアルゴリズムによって事前訓練された前記少なくとも１つのガス・センサによる前記ガス供給源によって放出された前記少なくとも１つのガス検体の前記検出が、基準センサの使用を不要にする、請求項１２に記載のシステム。

【請求項14】

前記複数の既知のガス検体の前記一つ一つの前記対応する複数の特徴の前記抽出における前記少なくとも１つのガス・センサの前記ＭＬ又はＤＬアルゴリズム事前訓練が、移動平均算出、ボリンジャ・バンド、最小電極インピーダンス、最大インピーダンス変化速度、前記少なくとも１つのガス・センサ上の前記１つ又は複数の検知電極のそれぞれの最大インピーダンス回復速度、主成分分析を含む機能の組合せ（ＰＣＡ）、線形判別分析のうちのいずれか１つ又は組合せを利用することを含む、請求項１１に記載のシステム。

【請求項15】

前記ＯＧＥ又は前記ＴＲＥについての偽陽性放出の前記決定境界と前記残りの一つ一つのタイプの非ＯＧＥ干渉ガス放出についてそれぞれの決定境界との前記確立における前記少なくとも１つのガス・センサの前記ＭＬ又はＤＬアルゴリズム事前訓練が、サポート・ベクタ・マシン、判別分析又は最近傍アルゴリズム、ナイーブ・ベイズ及びニューラル・ネイバ、線形回帰、ＧＬＭ、サポート・ベクタ回帰、ＧＰＲ、アンサンブル法、決定木、並びに畳み込みニューラル・ネットワーク（ＣＮＮ）、インセプション・タイム・アーキテクチャ、エコー状態ネットワーク、及び長短期記憶（ＬＳＴＭ）ネットワークのうちの少なくとも１つを含むＤＬニューラル・ネットワークを含む決定方法のいずれかを使用して、前記生成されたセンサ信号を評価することを含む、請求項１１に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本出願は、２０２０年６月１７日に出願した「Ｓｙｓｔｅｍｓ Ａｎｄ Ｍｅｔｈｏｄｓ Ｆｏｒ Ｍｏｎｉｔｏｒｉｎｇ Ａ Ｇａｓ Ａｎａｌｙｔｅ」と題する米国仮特許出願第６３／０４０，２６０号の優先権及び利益を主張するものである。本出願は、２０２０年１２月２９日に米国特許第１０，８７７，０１１（Ｂ２）号として発行された、２０１７年６月２９日に出願した米国出願第１５／６３７，３８１号についても言及しており、当該米国出願は、参照により全体が本明細書に組み込まれている、２０１６年６月２９日に出願した「ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＡＮＡＬＹＴＥ ＤＥＴＥＣＴＩＯＮ ＡＮＤ ＣＯＮＴＲＯＬ」と題する米国仮出願第６２／３５６，１１１号及び２０１７年２月３日に出願した「ＳＹＳＴＥＭＳ ＩＮＣＬＵＤＩＮＧ ＡＮ ＥＮＥＲＧＹ ＳＴＯＲＡＧＥ ＥＮＣＬＯＳＵＲＥ ＡＮＤ ＭＯＮＩＴＯＲＩＮＧ ＴＨＥＲＥＯＦ」と題する米国仮出願第６２／４５４，５１６号の利益を主張するものである。

【0002】

本開示は、一般に、オフ・ガス事象（ＯＧＥ：ｏｆｆ－ｇａｓ ｅｖｅｎｔ）又は熱流出事象（ＴＲＥ：ｔｈｅｒｍａｌ ｒｕｎ ｏｆｆ ｅｖｅｎｔ）を非ＯＥＧ干渉ガス（ｉｎｔｅｒｆｅｒｉｎｇ ｇａｓ）放出と区別するよう先験的に事前訓練されたガス・センサによって、ガス供給源を有する閉鎖型システム内の放出されたガスを監視及び分類するためのシステム並びに方法に関する。

【背景技術】

【0003】

電池は、高密度電気エネルギーを貯蔵することができる電子デバイスである。あらゆる電池と同様に、放電中及び充電中に熱暴走（ＴＲＥ：ｔｈｅｒｍａｌ ｒｕｎａｗａｙ ｅｖｅｎｔ）状態が発生する場合がある。例えば、熱暴走は、電池（例えば、電池のセル）内の短絡、電池の不適切な使用、物理的な乱用、製造上の欠陥、又は極端な外部温度に対する電池の曝露によって始まる可能性がある。熱暴走は、引き出され得る熱よりも多くの熱が生成され得る点まで電池の内部反応速度が上昇した際に発生し、これにより、内部反応速度と生成される熱との両方がさらに上昇することになる。

【0004】

熱暴走状態の影響は、電池のタイプに依存し得る。例えば、鉛酸電池などの浸水型電解質電池では、熱暴走状態により電解質が蒸発し、その結果、オフ・ガス事象（ＯＧＥ）としても知られる周囲環境への危険な電解質ガスの漏洩につながる可能性がある。電気自動車、ラップトップ、携帯電話などのデバイスで使用され得るリチウム・イオン電池などの密閉型電池では、熱暴走状態により膨張が発生する可能性があり、その結果、密閉型電池が爆発し、危険な電解質ガスが周囲環境に放出されるか又は火災の危険が生じる恐れがある。

【発明の概要】

【0005】

本開示は、オフ・ガス事象（ＯＧＥ）又は熱流出事象（ＴＲＥ）を非ＯＧＥ干渉ガス放出と区別するよう先験的に事前訓練されたガス・センサによって、ガス供給源を有する閉鎖型システム内の放出されたガスを監視及び分類するためのシステム並びに方法に関する。事前訓練は、機械学習（ＭＬ：ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）アルゴリズム又は深層学習（ＤＬ：Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）アルゴリズムのうちの一方を利用して、複数の既知のガス検体を検出してそれぞれの固有の特性を有するセンサ信号を生成し、センサ信号から特徴を抽出して、非ＯＧＥタイプの干渉ガス放出からのＯＧＥ又はＴＲＥの偽陽性放出の決定境界又は推定確率を確立するように、ガス・センサを事前訓練する。確立された決定境界又は推定確率は、放出されたガスをＯＧＥ又はＴＲＥのうちの一方又は両方であると分類して非ＯＧＥタイプの干渉ガス放出と区別するための現場配備用の候補モデルとして実装され得る。

【0006】

ガス供給源を有する閉鎖型システム内の放出されたガスを監視及び分類するための方法は、１つ又は複数の検知電極を有する少なくとも１つのガス・センサによってガス検体の放出についてガス供給源を監視するステップを含み得、少なくとも１つのガス・センサは、センサの初期の現場配備前に、機械学習（ＭＬ）アルゴリズム又は深層学習（ＤＬ）アルゴリズムのうちの一方を利用して、放出されたガス検体を、非ＯＧＥ干渉ガス放出からオフ・ガス事象（ＯＧＥ）又は熱暴走事象（ＴＲＥ）のうちの一方又は両方を含む事象であると分類するように先験的に事前訓練されている。

【0007】

一実例では、放出されたガス検体を分類するように少なくとも１つのガス・センサを先験的に事前訓練するためのＭＬ又はＤＬアルゴリズムの利用は、少なくとも、（１）少なくとも１つのガス・センサの１つ又は複数の検知電極のそれぞれによって複数の既知のガス検体の一つ一つを継続時間にわたって検出して、複数の既知のガス検体の一つ一つの固有の特性を表すそれぞれのセンサ信号を生成するように、少なくとも１つのガス・センサを訓練するステップと、（２）複数の既知のガス検体の一つ一つの対応する複数の特徴を抽出するために、生成されたそれぞれのセンサ信号を継続時間にわたって前処理するステップと、（３）抽出された対応する複数の特徴を処理して、ＯＧＥ及びＴＲＥのうちの一方又は両方についての偽陽性放出の決定境界を確立し、残りの一つ一つの非ＯＧＥタイプの干渉ガス放出についてそれぞれの決定境界を確立するステップと、（４）ガス供給源によって放出されたガス検体を非ＯＧＥ干渉ガス放出からＯＧＥ又はＴＲＥのうちの一方又は両方であると分類するために、ＭＬ又は推定確率ＤＬアルゴリズムを提供する事前訓練済みニューラル・ネットワークにおける確立された決定境界を、センサの現場配備後のための１つ又は複数の候補モデルとしてメモリに記憶するステップとを含み得る。

【0008】

別の実施例では、ガス供給源を有する閉鎖型システム内の放出されたガスを監視及び分類するためのシステムは、ガス供給源を有する筐体と、ガス検体の放出についてガス供給源を監視するために配備される１つ又は複数の検知電極を有する少なくとも１つのガス・センサとを含み得、少なくとも１つのガス・センサは、放出されたガス検体を、オフ・ガス事象（ＯＧＥ）、干渉ガス放出事象、及び熱暴走事象（ＴＲＥ）のうちの１つ又は複数を含む事象であると検出及び分類するために、プロセッサによる実行のためにメモリにプログラム・コードとして記憶された機械学習（ＭＬ）アルゴリズム又は深層学習（ＤＬ）アルゴリズムのうちの一方を利用して、配備前に先験的に事前訓練されている。

【0009】

一実例では、放出されたガス検体を分類するように少なくとも１つのガス・センサを先験的に事前訓練するためのＭＬ又はＤＬアルゴリズムの利用は、プロセッサに、（１）少なくとも１つのガス・センサの１つ又は複数の検知電極のそれぞれによって複数の既知のガス検体の一つ一つを継続時間にわたって検出して、複数の既知のガス検体の一つ一つの固有の特性を表すそれぞれのセンサ信号を生成すること、（２）複数の既知のガス検体の一つ一つの対応する複数の特徴を抽出するために、生成されたそれぞれのセンサ信号を継続時間にわたって前処理すること、（３）抽出された対応する複数の特徴を処理して、ＯＧＥ及びＴＲＥのうちの一方又は両方についての偽陽性放出の決定境界を確立し、複数の既知のガス検体から残りの一つ一つの非ＯＧＥタイプの干渉ガスについてそれぞれの決定境界を確立すること、並びに（４）ガス供給源によって放出されたガス検体をＯＧＥ、干渉ガス事象、及びＴＲＥのうちの１つ又は複数であると分類するために、ＭＬ又はＤＬアルゴリズムにおける確立された決定境界を、センサの現場配備後のための１つ又は複数の候補モデルとしてメモリに記憶することを実行するように、センサの初期の現場配備前に少なくとも１つのガス・センサを事前訓練させる。

【0010】

オフ・ガス事象（ＯＧＥ）又は熱流出事象（ＴＲＥ）を非ＯＧＥ干渉ガス放出と区別するよう先験的に事前訓練されたガス・センサによって、ガス供給源を有する閉鎖型システム内の放出されたガスを監視及び分類するための本開示のシステムは、機械可読命令を記憶するための非一過性メモリとして実装され得る。プロセッサは、非一過性メモリにアクセスし、機械上で機械可読命令を実行して、１つ又は複数の検知電極を有する少なくとも１つのガス・センサによってガス検体の放出についてガス供給源を監視することを含むステップを実行し得、少なくとも１つのガス・センサは、センサの初期の現場配備前に、機械学習（ＭＬ）アルゴリズム又は深層学習（ＤＬ）アルゴリズムのうちの一方を利用して、放出されたガス検体を、非ＯＧＥ干渉ガス放出からオフ・ガス事象（ＯＧＥ）又は熱暴走事象（ＴＲＥ）のうちの一方又は両方を含む事象であると分類するように先験的に事前訓練されている。

【0011】

一実例では、機械可読命令が、ＭＬ又はＤＬアルゴリズムを利用して、放出されたガス検体を分類するように少なくとも１つのガス・センサを先験的に事前訓練し得ることは、少なくとも、（１）少なくとも１つのガス・センサの１つ又は複数の検知電極のそれぞれによって複数の既知のガス検体の一つ一つを継続時間にわたって検出して、複数の既知のガス検体の一つ一つの固有の特性を表すそれぞれのセンサ信号を生成するように、少なくとも１つのガス・センサを訓練するステップと、（２）複数の既知のガス検体の一つ一つの対応する複数の特徴を抽出するために、生成されたそれぞれのセンサ信号を継続時間にわたって前処理するステップと、（３）抽出された対応する複数の特徴を処理して、ＯＧＥ及びＴＲＥのうちの一方又は両方についての偽陽性放出の決定境界を確立し、残りの一つ一つの非ＯＧＥタイプの干渉ガス放出についてそれぞれの決定境界を確立するステップと、（４）ガス供給源によって放出されたガス検体を非ＯＧＥ干渉ガス放出からＯＧＥ又はＴＲＥのうちの一方又は両方であると分類するために、ＭＬ又はＤＬアルゴリズムにおける確立された決定境界を、センサの現場配備後のための１つ又は複数の候補モデルとしてメモリに記憶するステップとを含み得る。

【図面の簡単な説明】

【0012】

【図1】オフ・ガス事象（ＯＧＥ）を監視するためのシステム１００の一実例を示す図である。

【図2】オフ・ガス事象（ＯＧＥ）、熱暴走事象（ＴＲＥ）、及び干渉（非ＯＧＥ）ガス事象を含む事象の監視並びに検出をシミュレートするガス・センサの等価電気回路モデルの一実例を示す図である。

【図3A】図２に示すガス・センサの等価電気回路モデルからＭＬ特徴として抽出されるインピーダンス及び静電容量の変化として示されるオフ・ガス事象を示す図である。

【図3B】図２に示すガス・センサの等価電気回路モデルからＭＬ特徴として抽出されるインピーダンス及び静電容量の変化として示される別個のオフ・ガス事象を示す図である。

【図4】ＯＧＥガス供給源からの単一電極ガス・センサに対するＯＧＥの一実例を示す図である。

【図5】既存のアルゴリズムを用いた単一電極ガス・センサに対する干渉ガス供給源からの偽陽性検出の一実例を示す図である。

【図6】ＯＧＥガス供給源からの少なくとも１つの電極のガス・センサに対するＯＧＥの一実例を示す図である。

【図7】非ＯＧＥガス供給源からの少なくとも１つの電極のガス・センサに対する干渉ガス事象の一実例を示す図である。

【図8】機械学習（ＭＬ）分類設計プロセスの一実例を示す図である。

【図9】真のＯＧＥを偽のＯＧＥから分離する決定境界の一実例を示す図であり、この決定境界は、訓練済みＭＬアルゴリズムにおいて抽出された特徴によって確立される。

【図10】ＭＬアルゴリズムを用いて訓練された決定境界における真のオフ・ガス事象及び偽のオフ・ガス事象並びに他のガスの選択性の一実例を示す図である。

【図11A】機械学習（ＭＬ）又は深層学習（ＤＬ）アルゴリズムを適用する例示的なガス・センサ事前訓練の流れ図である。

【図11B】機械学習（ＭＬ）又は深層学習（ＤＬ）アルゴリズムを適用する例示的なガス・センサ事前訓練の流れ図である。

【図12】深層学習（ＤＬ）訓練における畳み込みニューラル・ネットワークの実装を示す図である。

【図13】ＤＬ訓練における長短期記憶（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）ニューラル・ネットワークの実装を示す図である。

【図14】時系列分類のためのＤＬフレームワークを示す図である。

【図15】ＤＬアルゴリズムを実行するための畳み込みニューラル・ネットワーク・アーキテクチャの一実例を示す図である。

【発明を実施するための形態】

【0013】

本開示は、一般に、配備されたガス・センサが、ガス放出事象を検出するために現場でさらに訓練する必要も基準ガス・センサを使用する必要もないように、現場での最初の配備前に先験的に事前訓練された（すなわち、工場で事前訓練された）少なくとも１つのガス・センサによって、オフ・ガス事象（ＯＧＥ）、熱暴走事象（ＴＲＥ）、及び干渉（非ＯＧＥ）ガス事象のうちのいずれか１つについて、ガス供給源（例えば、電池）を有する閉鎖型システムを監視するためのシステム及び方法に関する。

【0014】

耐用期間を過ぎた電池は徐々に劣化する可能性があり、その結果、容量、サイクル寿命、及び安全性が低下する恐れがある。劣化した電池は、「オフ・ガス」と呼ばれ得るガスを放出し得る。一実例では、オフ・ガスは、充電サイクル及び放電サイクルなどのサイクル状態中に電池によって放出され得る。電池の劣化の１つ又は複数の原因には、電池の不適切な使用、物理的な乱用、製造上の欠陥、極端な外部温度に対する電池の曝露、過充電、又は同類のものが含まれ得る。

【0015】

本明細書に記載のシステム及び方法は、サイクル状態中にオフ・ガス事象（ＯＧＥ）を検出し、熱暴走事象（ＴＲＥ）状態の早期警告を提供することができる。一実例では、早期警告は、論理信号出力、可聴警報、視覚警報、火災抑制、他のシステム及びユーザとの通信を含み得る。サイクル状態中に検出されたオフ・ガスは、電池が熱暴走の危険にさらされているという警告として解釈され得る。早期警告を提供することによって、熱暴走状態に対応して引き起こされる火災、爆発、及び怪我を大幅に軽減することができる。さらに、本明細書に記載のシステム及び方法は、オフ・ガス状態について任意のタイプの電池を監視するように構成され得る。したがって、本明細書に記載のシステム及び方法は、リチウム・イオン電池、鉛酸電池を監視するために使用され得る。より広範な用途では、本明細書に記載のシステム及び方法は、原子炉環境、油井若しくはガス井の掘削プラットフォーム、石炭ガス火力発電機、又は同類のものなどにおいて可燃性ガス又は有毒ガスのガス漏れを検出するための、ガス供給源を有する任意の閉鎖型システムに適用可能であり得る。

【0016】

「オフ・ガス」、「放出されたガス」、及び「ガス検体」という用語は、本明細書では交換可能に使用され得、電池などのガス供給源の化学反応のガス副産物を指す。オフ・ガス（すなわち、「放出されたガス」及び「ガス検体」）は、揮発性電解質溶媒、電池の電解質混合物の揮発性成分、又は同類のものなどの電解質ガスを含むことができる。揮発性電解質又はオフ・ガス検体種には、少なくとも次の可燃性ガス又は有毒ガス、すなわち、リチウム・イオン電池のオフ・ガス、炭酸ジメチル、炭酸ジエチル、炭酸メチル・エチル、炭酸エチレン、炭酸プロピレン、炭酸ビニレン、二酸化炭素、一酸化炭素、炭化水素、メタン、エタン、エチレン、プロピレン、プロパン、ベンゼン、トルエン、水素、酸素、窒素酸化物、揮発性有機化合物、有毒ガス、塩化水素、フッ化水素、硫化水素、硫黄酸化物、アンモニア、及び塩素、又は同類のものが含まれ得る。加えて、「電極」及び「パッド」という用語は、導電性端子を意味するように交換可能に使用され得る。

【0017】

さらに、本明細書に記載のシステム及び方法は、複数の電池筐体を有するように構成され得る。したがって、本明細書に記載のシステム及び方法は、電池筐体内に配置された１つ又は複数の電池によって放出されるガス検体（「オフ・ガス」）を監視するために使用され得る。本明細書で使用される「電池筐体」という用語は、１つ又は複数の電池を部分的に封入することができる任意のハウジングを指す。一実例では、電池筐体は、通気型及び非通気型の電池筐体を含むことができる。通気型電池筐体は、吸気及び排気を含むことができる換気システムを含むことができる。さらに別の一実例では、電池筐体は、電池輸送コンテナを含むことができる。

【0018】

さらに、本明細書で使用される「プロセッサ」という用語は、コンピュータ、コントローラ、集積回路（ＩＣ：ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、マイクロチップ、又はロジックを実装することが可能な任意の他のデバイスなど、機械可読命令を実行することが可能な任意のデバイスを指すことができる。本明細書で使用される「メモリ」という用語は、揮発性メモリ（例えば、ランダム・アクセス・メモリ）、不揮発性メモリ（例えば、ハード・ディスク・ドライブ、ソリッド・ステート・ドライブ、フラッシュ・メモリ、若しくは同類のもの）又はそれらの組合せなど、非一過性コンピュータ記憶媒体を指すことができる。

【0019】

図１は、オフ・ガス事象（ＯＧＥ）を監視するためのシステム１００の一実例を示す。システム１００は、電池１０２などの少なくともガス供給源と、電池１０２からのガス検体１０２ａの放出を監視するために配備された少なくともガス・センサ１０４とを含む。電池１０２は、筐体を有する（すなわち、保護ケースで封入された）リチウム・イオン電池であり得る。一実施例では、ガス・センサ１０４は、半導体タイプのガス・センサ、又は電池１０２から放出されるガス検体１０２ａ（例えば、化学蒸気）を検出する任意の好適なガス・センサであり得る。

【0020】

ほとんどの他のシステムとは異なり、配備されたガス・センサ１０４により、電池１０２内のオフ・ガス事象（ＯＧＥ）の検出のためにシステム１００内で別個の基準センサを使用してリアルタイムのセンサ信号１０４ａから移動平均を算出する必要がなくなる。実装において、ガス・センサ１０４は、１つ又は複数の検知電極１０４ｂを有し、且つ、メモリ１０８に記憶された機械学習（ＭＬ）又は深層学習（ＤＬ）アルゴリズム１０８ａ（プログラム・コード）のうちの一方を使用して（例えば、製造中に）先験的に事前訓練されたセンサとすることができ、機械学習（ＭＬ）又は深層学習（ＤＬ）アルゴリズム１０８ａは、プロセッサ１０６によって実行されて、ガス・センサ１０４が、任意の放出されたガス検体１０２ａを、オフ・ガス事象（ＯＧＥ）、熱暴走事象（ＴＲＥ）、及び干渉ガス放出事象（すなわち、非ＯＧＥ）のうちの１つ又は複数を含む事象としてリアルタイムで検出及び分類することを可能にする。一実例では、ガス・センサ１０４、プロセッサ１０６、及びメモリ１０８は、ＡＳＩＣ半導体チップなどの統合チップ１０１であり得る。他の実例では、ガス・センサ１０４、プロセッサ１０６、及びメモリ１０８はそれぞれ、配線ハーネスを介して電気的に接続された又はプリント回路基板（ＰＣＢ：ｐｒｉｎｔｅｄ ｃｉｒｃｕｉｔ ｂｏａｒｄ）に取り付けられた別個の構成要素であり得る。

【0021】

事前訓練済みのガス・センサ１０４は、基準ガス・センサの必要性も、一旦現場に配備されたガス・センサ１０４を再訓練する必要性もなしに、ガス・センサ１０４によって検出されたセンサ信号１０４ａをＯＧＥ及びＴＲＥのうちの一方であるとして非ＯＧＥ干渉ガスと区別するために、ＭＬ又はＤＬアルゴリズム１０８ａを候補モデルとしてメモリ１０８に記憶し得る。

【0022】

アルゴリズム１０８ａの機械学習及び訓練のステップは、システム１００におけるセンサ１０４の物理的な試運転又は設置前に、製造プロセス中に工場において先験的に又は任意の時にオフラインで実行され得る。センサ１０４がシステム１００で試運転されると、リアルタイムの適応は必要なくなる。さらに代替として、別の任意選択では、ＭＬ又はＤＬアルゴリズム１０８ａは、事前に再訓練されていない又はデータベースにリストされていなかった他のガス検体との新たな遭遇を学習するように、センサ１０４によって再訓練又は更新され得る。ＭＬ又はＤＬアルゴリズムを使用したこの事前訓練の目的は、ＯＧＥを検出することだけでなく、さらに、センサ１０４によって検出された他のガス供給源を識別できるようにして、基準センサを不要にすることである。

【0023】

一実例では、少なくとも１つのガス・センサ１０４上でＭＬ又はＤＬアルゴリズム１０８ａを利用して先験的に事前訓練することは、少なくとも、（１）少なくとも１つのガス・センサ１０４の１つ又は複数の検知電極１０４ｂのそれぞれによって複数の既知のガス検体（すなわち、訓練用のガス）の一つ一つを継続時間にわたって検出して、データベースを確立するために複数の既知のガス検体の一つ一つの固有の特性を表すそれぞれのセンサ信号１０４ａを生成するように、少なくとも１つのガス・センサを訓練するステップと、（２）複数の既知のガス検体１０２ａの一つ一つの対応する複数の特徴（例えば、インピーダンス及び静電容量、図３Ａ、図３Ｂから図７を参照）を抽出するために、生成されたそれぞれのセンサ信号１０４ａを継続時間にわたって前処理するステップと、（３）抽出された対応する複数の特徴を処理して、ＯＧＥ及びＴＲＥのうちの一方又は両方についての偽陽性放出の決定境界（図９及び図１０を参照）を確立し、残りの一つ一つの非ＯＧＥタイプの干渉ガス放出についてそれぞれの決定境界を確立するステップと、（４）ガス供給源（例えば、電池１０２）によって放出されたガス検体１０２ａを非ＯＧＥ干渉ガス放出からＯＧＥ又はＴＲＥのうちの一方又は両方であると分類するために、ＭＬ又はＤＬアルゴリズム（１０８ａ）における確立された決定境界を、センサの現場配備後のための１つ又は複数の候補モデルとしてメモリに記憶するステップとを含み得る。システム１００に事故又は損傷を引き起こさないよう予防策を講じるように警告するため又は画面上に表示するために、アラート警報又は論理信号などの出力信号１１０が送信され得る。

【0024】

一実例では、ガス供給源は、再充電可能なリチウム・イオン電池システム又は電気エネルギー貯蔵システム１０２とすることができ、ＯＧＥ又はＴＲＥにおいて放出されるガス検体は、少なくとも次の可燃性ガス又は有毒ガス、すなわち、いくつか例を挙げると、リチウム・イオン電池のオフ・ガス、炭酸ジメチル、炭酸ジエチル、炭酸メチル・エチル、炭酸エチレン、炭酸プロピレン、炭酸ビニレン、二酸化炭素、一酸化炭素、炭化水素、メタン、エタン、エチレン、プロピレン、プロパン、ベンゼン、トルエン、水素、酸素、窒素酸化物、揮発性有機化合物、有毒ガス、塩化水素、フッ化水素、硫化水素、硫黄酸化物、アンモニア、及び塩素のうちの１つ又は組合せであり得る。

【0025】

実際には、事前訓練中のＭＬ又はＤＬ学習法は、図２に示すようなセンサ１０４の等価回路モデル２００に基づき得る。説明のために、図２は、半導体ガス・センサの等価回路モデルを表し得る。しかしながら、他のガス・センサが、他の等価回路モデルを使用して、別の伝達関数で表現される場合もある。図示されたガス・センサのタイプ及び等価回路モデルの実例は限定的なものではない。

【0026】

図２の等価インピーダンス回路モデル２００は、少なくとも１つのガス・センサ１０４の１つ又は複数の検知電極１０４ｂのそれぞれによって生成されるそれぞれのガス・センサ信号が、第２の並列抵抗器ＲｓとコンデンサＣＰＥｓとの対２０６と直列にカスケード接続された第１の並列抵抗器ＲｎとコンデンサＣＰＥｖｒとの対２０４に基づくインピーダンス値を含み得ることを示す。等価回路モデル２００における第１の並列抵抗器とコンデンサとの対２０４は、放出された異なる検体ガス１０２ａの組合せに曝露され得る少なくとも１つのガス・センサ応答１０４ａのダイナミクスをシミュレートし得る。センサ１０４のインピーダンス等価回路モデル２００は、第１の並列抵抗器ＲｎとコンデンサＣＰＥｖｒとの対２０４に接触抵抗Ｒｃを直列にカスケード接続することをさらに含む。

【0027】

出力インピーダンスＲ、ラプラス領域内の固定入力電圧Ｖを有するガス・センサ１０４が与えられる場合、等価回路モデル２００について、次のように表現され得る対応する入力／出力伝達関数

【数1】

が展開され得、式中、Ｒｃは接触抵抗であり、Ｒｎ及びＲｓは回路モデルの抵抗であり、ＣＰＥｖｒ及びＣＰＥｓは回路モデルの利得の静電容量である。

【0028】

回路モデル２００内の複数の既知のガス検体１０２ａの一つ一つによって引き起こされる、電気要素（Ｒｃ、Ｒｎ、Ｒｓ、ＣＰＥｖｒ、ＣＰＥｓ）からの経時的なインピーダンス値（すなわち、抵抗及び静電容量）の変化（図３Ａ、図３Ｂから図７を参照）は、検出された既知のガス検体の固有の特性又は性質を表す訓練用のセンサ信号１０４ａとして送信され得る。ＭＬ又はＤＬ学習法は、ガス供給源（すなわち、電池１０２）から放出された検出されたガス検体１０２ａの監視及び検出をシミュレートし、したがって、ガス放出事象を、オフ・ガス事象（ＯＧＥ）、熱暴走事象（ＴＲＥ）、及び干渉（非ＯＧＥ）ガス事象のうちの１つ又は組合せとして分類する。既知のガス検体は、少なくとも次の可燃性ガス又は有毒ガス、すなわち、いくつか例を挙げると、リチウム・イオン電池のオフ・ガス、炭酸ジメチル、炭酸ジエチル、炭酸メチル・エチル、炭酸エチレン、炭酸プロピレン、炭酸ビニレン、二酸化炭素、一酸化炭素、炭化水素、メタン、エタン、エチレン、プロピレン、プロパン、ベンゼン、トルエン、水素、酸素、窒素酸化物、揮発性有機化合物、有毒ガス、塩化水素、フッ化水素、硫化水素、硫黄酸化物、アンモニア、及び塩素を含むがこれらに限定されない、訓練用のＯＧＥ又はＴＲＥで言及されたガスであり得る。

【0029】

一実例では、最小二乗法などの推定技法及び勾配アルゴリズムを使用する数学的表現を使用して、ガス・センサ１０４の等価モデル２００における等価抵抗及び等価静電容量が抽出され得る。実際には、ガス検体１０２ａの放出を検出する際の少なくとも１つのガス・センサ１０４のＭＬ又はＤＬアルゴリズム事前訓練は、温度の変化、相対湿度の変化、及び偽陽性の報告につながる環境内の酸素分圧に影響を与える他のガスのうちの１つ又は複数によって引き起こされる環境外乱によるセンサのインピーダンス変化を区別することを含み得る。

【0030】

一実例では、複数の既知のガス検体の一つ一つの対応する複数の特徴の抽出における少なくとも１つのガス・センサ１０４のＭＬアルゴリズム事前訓練（図８を参照）は、移動平均算出、ボリンジャ・バンド、最小電極インピーダンス、最大インピーダンス変化速度、少なくとも１つのガス・センサ１０４上の少なくとも１つの電極１０４ｂのそれぞれの最大インピーダンス回復速度、主成分分析を含む機能の組合せ（ＰＣＡ：ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）、線形判別分析を含む特徴のいずれか１つ又は組合せを利用することを含み得、ＤＬアルゴリズムは、複数の既知のガス検体の一つ一つにおける対応する複数の特徴の抽出における少なくとも１つのガス・センサのＤＬアルゴリズム事前訓練は、ＤＬニューラル・ネットワークの隠れ層に内部的に含まれる（図１１Ａ、図１１Ｂ、及び図１２を参照）。

【0031】

別の実例では、ＯＧＥ又はＴＲＥについての偽陽性放出の決定境界と残りの一つ一つのタイプの非ＯＧＥ干渉ガス放出についてそれぞれの決定境界との確立における少なくとも１つのガス・センサのＭＬ又はＤＬアルゴリズム事前訓練は、サポート・ベクタ・マシン、判別分析又は最近傍アルゴリズム、ナイーブ・ベイズ及びニューラル・ネイバ、線形回帰、ＧＬＭ、サポート・ベクタ回帰、ＧＰＲ、アンサンブル法、決定木、並びに畳み込みニューラル・ネットワーク（ＣＮＮ）（図１２）及び長短期記憶（ＬＳＴＭ）ネットワーク（図１１Ａ、図１１Ｂ）のうちの少なくとも１つを含むＤＬニューラル・ネットワークを含む決定方法のうちのいずれか１つを利用して、生成されたセンサ信号１０４ａを評価することを含み得る。

【0032】

図３Ａ及び図３Ｂは、受信したセンサ信号１０４ａからの２つの別個のオフ・ガス事象を示しており、これらのオフ・ガス事象は、図２に示すようにガス・センサ１０４の等価電気回路モデルからＭＬ特徴として抽出される、継続時間にわたるインピーダンス及びキャパシタンスの変化（例えば、図３Ａの領域３２０Ａから領域３３０Ａへの急激な変化、図３Ｂの領域３２０Ｂから３３０Ｂへの急激な変化）として示されている。これらのデータは、決定境界を確立するためのＭＬ及びＤＬ機械学習アルゴリズムのための訓練パラメータであり得る（図９、図１０を参照）。

【0033】

図４は、ＯＧＥガス供給源からの単一電極ガス・センサ１０４に対するＯＧＥの実例を示す。一実例では、センサ信号１０４ａのパラメータは、少なくとも、出力信号１１０において警報の生成を引き起こし得る、継続時間にわたるインピーダンスの値、移動平均の値の変化を含み得る。同様に、図５は、既存のアルゴリズムを用いた単一電極ガス・センサに対する干渉ガス供給源（非ＯＧＥ）からの偽陽性検出の一実例を示す。

【0034】

図６は、ＯＧＥガス供給源からの少なくとも１つの電極ガス・センサに対するＯＧＥの一実例を示す。図７は、非ＯＧＥガス供給源からの少なくとも１つの電極ガス・センサに対する干渉ガス事象の一実例を示す。ガス・センサ内の各電極の固有の応答は、ＯＧＥとエネルギー貯蔵施設内の一般的な干渉ガスとを区別する能力をＭＬ学習アルゴリズムに提供する。

【0035】

ＭＬアルゴリズムは、ＯＧＥの識別だけでなく、どの干渉ガスが存在するかを識別して他の診断機能を可能にする固有の選択性を有する。比較すると、実質的には、ガス・センサ１０４内の電極１０４ｂの数が増加すると、検出されたガス検体の識別を助けるための固有の特性又は属性（例えば、フィンガ・プリント）の数が多くなる。同様に、１つ又は複数の検知電極から抽出された特徴は、ＯＧＥ、ＴＲＥ、及び非ＯＧＥタイプの干渉ガス事象の偽陽性決定境界をより正確に確立する際に１つ又は複数の次元の動的応答を確立することができ、したがって、ガス検体のタイプの識別と同様に事象の分類においても、（誤差の確率を低減することによって）訓練済み候補モデルにおける信頼性及び正確度が向上する。

【0036】

図８は、機械学習（ＭＬ）分類設計プロセスの実例、すなわち、ＭＬアルゴリズムがどのように開発され得るかを示す。事前訓練（教師あり学習）の手法は、アルゴリズム開発フェーズのデータ前処理ステップにおいてヒューリスティックなインピーダンス情報と物理ベースのインピーダンス情報との両方を使用して（ガス・センサ１０４からの）多くの信号特徴を組み合わせ得る。この手法は、センサ・セット製品に含まれる温度、圧力、相対湿度などの環境測定値も含み得る。例えば、信号特徴には、移動平均、ボリンジャ・バンド、最小電極インピーダンス、インピーダンス変化の最大速度、各電極のインピーダンスの最大回復速度、主成分分析（ＰＣＡ）、及び線形判別分析が含まれ得る。さらに、他の技法を使用した、ＯＧＥ又はＴＲＥを非ＯＧＥと区別するためのガス・センサの事前訓練（教師あり学習）には、サポート・ベクタ・マシン、判別分析又は最近傍アルゴリズム、時系列値の分布の基本統計（例えば、位置、広がり、ガウス性、外れ値の性質）、線形相関（例えば、自己相関、パワー・スペクトルの特徴）、定常性（例えば、スライディング・ウィンドウ測定、予測誤差）、情報理論及びエントロピ／複雑性などの分類技法も含まれ得るが、これらに限定されない。

【0037】

以下の表１は、複数の電極１０４ｂのそれぞれにおけるセンサ信号１０４ａから抽出された異なる特徴のいくつかの実例を提供し、これらの特徴は、（図８及び図１１Ａ、図１１Ｂのプロセスに示すように）先験的な訓練のために且つガス検体１０２ａをＯＧＥ、ＴＲＥ、及び非ＯＧＥ干渉ガス事象のうちの１つであると分類するための決定境界を確立するために、ＭＬ又はＤＬアルゴリズム１０８ａにおいて利用され得る。機械学習は、教師あり学習技法であり、線形回帰、最近傍、サポート・ベクタ回帰、及びニューラル・ネットワークを訓練に利用して、現場でガス・センサ１０４を配備するときに使用する候補モデル８５４を確立し得る。

【表1】

【0038】

表１は、前のセクションで言及したガスのタイプごとに少なくとも１つの電極のそれぞれから抽出された特徴のいくつかの実例を示す。表１には、生データから抽出された様々な特徴とともに変換済みデータが一覧表示されており、これらのデータは、最適化プロセスを使用して候補モデルを作成するために使用され、最適化プロセスでは、フィッティング・データを使用するなどしてモデル・パラメータを検索し、フィッティングに使用されていないテスト・データを使用してモデル・パラメータを評価し、最適な性能が達成され得るまで候補モデルを調整する。深層学習における特徴抽出は、ニューラル・ネットワークの内部に組み込むことができ（図１１Ａ、図１１Ｂ、図１２、図１３、並びに図１４Ａ及び図１４Ｂを参照）、分類前に実行される必要はない。

【0039】

別の実例では、事前訓練プロセスの一部として、既知のガス検体から抽出された特徴を使用して、検出されたガス検体組成物中の各識別されたガス検体の概算の百分率％又は百万分率ｐｐｍを十分に定量化するようにＭＬ又はＤＬアルゴリズムを訓練することができ、これは、ＯＧＥ、ＴＲＥ、及び非ＯＧＥのうちの１つ又は組合せをガス供給源からの干渉ガス放出として分類することを支援するのに有用であり得る。以下の表２は、検出されたガス検体組成物のいくつかの実例を示し得る。

【表2】

【0040】

図９は、真のＯＧＥ９１０を偽のＯＧＥ９２０から分離する決定境界９３０の実例を示し、この決定境界は、過去の継続時間にわたって訓練済みＭＬアルゴリズム１０８ａにおいて抽出された特徴によって確立される。領域９１０内はＯＧＥが検出されたことを意味し、領域９２０内は非ＯＧＥを意味する。実際には、決定境界９３０は、時系列データに基づいて高次元（すなわち、３次元よりもはるかに高い次元）になるため、図９及び図１０に示す実例によってすべての決定境界プロットを描写することはほとんど不可能になる。

【0041】

図１０は、ＭＬアルゴリズム１０８ａによって訓練された決定境界１０３０における真のＯＧＥ１０１０及び偽のＯＧＥ並びに他のガス（１０２１～１０２９）の選択性の実例を示す。図８が、プロット内の他の抽出された特徴に対応するいくつかの次元の複合を示し、検出された可能な限りの干渉ガスごとに異なる決定境界を示し得ることを除いて、ＭＬ又はＤＬアルゴリズム１０８ａは、図８に示すものと同様のプロセス又は技法を使用して決定境界を訓練するという同じ考え方を使用した選択性アルゴリズムを含み得る。両方の技法（すなわち、複合次元）を使用することの背景にある考え方は、偽陽性をより簡単に検出できるようにするとともに、どのガスが検出されているかを識別することによってユーザに何らかの診断情報を提供することである。異なる領域（１０２１～１０２９）は、異なるタイプの干渉ガスが事前訓練済みガス・センサ１０４を通じてどのように検出され得るかを示す。図１０は、ＭＬ又はＤＬアルゴリズムが偽陽性干渉ガスを識別できるようにする決定境界を含む、真のＯＧＥ領域１０１０対いくつかの偽陽性（非ＯＧＥ）領域（１０２１～１０２９）の両方を示す。

【0042】

図１１Ａ及び図１１Ｂは、機械学習（ＭＬ）アルゴリズムを利用して、複数の既知のガス検体によってガス・センサ１０４を事前訓練するための例示的な流れ図を示す。例えば、ステップ１１０２において、既知のガス検体ごとに、ガス・センサ１０４の多電極１０４ｂから抵抗及び静電容量などの生信号１０４ａが生成され、ステップ１１０４における特徴抽出（例えば、継続時間にわたるインピーダンス又は伝達関数の変化）のためにプロセッサに送信され得る。特徴抽出ステップ１１０４は、時間領域アナログ信号を周波数領域信号に変換するための時間周波数変換（離散コサイン変換ＤＣＴ又は離散フーリエ変換ＤＦＴなど）を含み得る。ステップ１１０６において、抽出された特徴は、適宜に体系化され得る。ステップ１１０８において、体系化されたデータに機械学習（ＭＬ）アルゴリズムを適用して、候補モデル１１１０（多次元決定境界構築など）を確立する。複数の既知のガス検体の残りについてステップ１１０２からステップ１１１０を繰り返すことによって、候補モデル１１１０を、データベースを確立する又は複合決定境界プロットを構築するように更新して（ステップ１１１１を参照）、ＭＬアルゴリズム１０８ａの訓練を完了し、ＭＬアルゴリズム１０８ａは、プロセッサ１０６によって実行されるためにメモリ１０８に記憶される。図１１Ｂは、図１１ＡのＭＬ学習ステップ１１０８の詳細を示す。より具体的には、ステップ１１０８は、訓練ステップ１１０８ａから１１０８ｎを繰り返すことによって達成され得る。訓練ステップのそれぞれ（例えば、１１０８ａ）は、畳み込み演算、整流線形ユニット（ＲｅＬＵ：ｒｅｃｔｉｆｉｅｄ ｌｉｎｅａｒ ｕｎｉｔ）演算、及びプーリング演算の演算を逐次的に実行することを含み得る。配備モデル１１１２は、多電極ガス・センサ１０４と連動してガス検体分類を実行する場合の、現場対応のＭＬアルゴリズムとなる。

【0043】

同様に、これらの所望の分類は、図１２及び図１３に示すような事前訓練済みの畳み込みニューラル・ネットワーク（例えば、畳み込みニューラル・ネットワークＣＮＮ及び長短期記憶（ＬＳＴＭ））及び自動信号特徴抽出を利用して、図１１Ａ、図１１Ｂに示すように深層学習（ＤＬ）アルゴリズムによって実現され得る。

【0044】

図１４は、時系列分類のためのＤＬフレームワークの一実例を示す。図１５は、抽出された特徴を使用してＤＬアルゴリズム事前訓練を実行するための畳み込みニューラル・ネットワーク・アーキテクチャの一実例を示す。深層学習（ＤＬ）アルゴリズムは、非線形関数を実装する複数の層（図１４、図１５を参照）から構成され得る。各層は、前の層の出力から入力として受け取り、その出力を計算する非線形変換（すなわち、逐次パイプライン処理技法）を適用する。これらの非線形変換は、フィッティング・プロセスにおいて訓練可能なパラメータによって決定され得る。実装され得るいくつかの深層学習アーキテクチャには、畳み込みニューラル・ネットワーク（図１１Ｂを参照）、インセプション・タイム、及びエコー状態ネットワークが含まれ得る。

【0045】

本明細書では上記の特定の実例を図示及び説明しているが、特許請求される主題の趣旨及び範囲から逸脱することなく他の様々な変更及び修正を加えることができることを理解されたい。さらに、本明細書では特許請求される主題の様々な態様を説明してきたが、そのような態様を組み合わせて利用する必要はない。したがって、添付の特許請求の範囲は、特許請求される主題の範囲内にあるすべてのそのような変更及び修正を包含することが意図されている。

【図1】

【図2】

【図3A】

【図3B】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11A】

【図11B】

【図12】

【図13】

【図14】

【図15】