JP7527188B2 - ガス検知装置 - Google Patents

Description

本発明は、加熱された状態でガスに接触した際に電気的特性が変化するガス検知部を備えて、当該ガス検知部の電気的特性が変化することを利用したガス検知装置に関する。

対象ガスと接触することにより、対象ガスに応じた態様で電気的特性が変化するガス検知部位と、ガス検知部位を加熱するヒータ部位と、ヒータ部位による加熱を制御する加熱制御部と、ガス検知部位の電気的特性を測定して対象ガスを検出するガス検出部とを有するガス検知装置が知られている（例えば、特許文献１参照）。

特開２０１３－１９０２３２号公報

このようなガス検知装置において、複数種類の含有ガスを含む測定ガス中における対象ガス（複数種類の含有ガスのうちのガス）の濃度を精度良く検出することが望まれる場合がある。例えば、測定ガスとしての呼気中におけるアセトンを対象ガスとして、その対象ガスの濃度を精度良く検出することが望まれる。

本発明は、かかる実情に鑑みて為されたものであって、その目的は、複数種類の含有ガスを含む測定ガス中における対象ガスの濃度を精度良く検出できるガス検知装置を提供する点にある。

本発明のガス検知装置の特徴構成は、
加熱された状態でガスに接触した際に電気的特性が変化するガス検知部と、
前記ガス検知部を加熱するヒータ部と、
前記ヒータ部の加熱動作を制御する加熱制御部と、
前記加熱制御部により前記ヒータ部を加熱動作して設定駆動条件にて加熱した前記ガス検知部にて、複数種類の含有ガスを含む測定ガスを測定したときの前記電気的特性の時間変化に基づいて、前記測定ガス中における対象ガスの濃度を推定するための機械学習を行った学習済みモデルにより前記対象ガスの濃度を検出する検出部と、を備え、
前記機械学習の際に入力される教師データは、前記複数種類の含有ガスの夫々の種類を示す情報、当該複数種類の含有ガス夫々の零よりも大きな濃度、及び、当該濃度で前記設定駆動条件にて測定した前記電気的特性の時間変化が、１つの前記教師データとして含まれる点にある。

すなわち、加熱制御部によりヒータ部を加熱動作して設定駆動条件にて加熱したガス検知部にて、複数種類の含有ガスを含む測定ガスを測定し、測定したときの電気的特性の時間変化に基づいて、測定ガス中における対象ガスの濃度を推定するための機械学習を行った学習済みモデルにより対象ガスの濃度を検出（推定）することになる。
学習済みモデルを作成するために入力される教師データは、複数種類の含有ガスの夫々の種類を示す情報、当該複数種類の含有ガス夫々の零よりも大きな濃度、及び、当該濃度で設定駆動条件にて測定した電気的特性の時間変化が、１つの前記教師データとして含まれることになる。

このように、複数種類の含有ガスの夫々について、その濃度を零よりも大きな濃度とした状態で、設定駆動条件にて測定ガスを測定した電気的特性の時間変化を、教師データとして入力して、人工知能（以下、ＡＩと称す）等により機械学習された学習済みモデルを作成する。
そして、設定駆動条件にて加熱したガス検知部にて、複数種類の含有ガスを含む測定ガスを測定し、測定したときの電気的特性の時間変化に基づいて、学習済みモデルを用いて対象ガスの濃度を検出（推定）することになるから、複数種類の含有ガスを含む測定ガス中の対象ガスの濃度を精度良く検出（推定）できる。

本発明のガス検知装置の更なる特徴構成は、さらに、前記教師データには、前記複数種類の含有ガスの夫々の種類を示す情報、当該複数種類の含有ガス夫々についての濃度を零にした濃度、当該濃度で前記設定駆動条件にて測定した前記電気的特性の時間変化が、一つの前記教師データとして含まれる点にある。

すなわち、複数種類の含有ガス夫々の濃度を零にした場合の教師データが、学習済みモデルを機械学習する教師データとして、さらに用いられて、学習済みモデルが作成される。

このように、複数種類の含有ガス夫々の濃度を零にした場合の教師データが、学習済みモデルを機械学習する教師データとして、さらに用いられるから、複数種類の含有ガスを含む測定ガス中の対象ガスの濃度が零の場合においても、その濃度を適切に検出（推定）することが可能となる。

本発明のガス検知装置の更なる特徴構成は、前記教師データは、複数種の前記設定駆動条件にて測定したときの前記電気的特性の時間変化を含み、
前記機械学習の際に入力される前記教師データは、前記複数種類の含有ガス夫々についての濃度が同じ濃度である場合に、前記複数種の設定駆動条件の夫々にて測定した複数の前記電気的特性の時間変化が前記教師データとされ、
前記検出部は、前記複数種の設定駆動条件の夫々にて測定した前記測定ガスの前記電気的特性の時間変化に基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出する点にある。

すなわち、複数種類の含有ガス夫々の濃度が同じ濃度である場合において、複数種の設定駆動条件の夫々にて複数の電気的特性の時間変化が測定され、その複数の電気的特性が教師データとして用いられて学習モデルが作成される。
そして、複数種の設定駆動条件の夫々にて測定ガスを測定した複数の電気的特性の時間変化に基づいて、学習済みモデルにより、対象ガスの濃度の検出が行われることになる。

このように、複数種類の含有ガス夫々の濃度が同じ濃度である場合において、複数種の設定駆動条件の夫々にて測定ガスを測定した複数の電気的特性の時間変化が、機械学習の教師データとして入力されて、学習済みモデルが作成されるから、対象ガスの濃度を検出（推定）するために用いられる比較対象を増加させ、かつ、ガス検知部の温度に依存するガスの吸着特性や反応特性の情報を含む状態で、学習済みモデルを作成できる。
そして、複数種の設定駆動条件の夫々にて測定ガスを測定した複数の電気的特性の時間変化に基づいて、学習済みモデルにより、対象ガスの濃度を検出（推定）するものとなるため、対象ガスの濃度を一層精度良く検出（推定）することができる。

本発明のガス検知装置の更なる特徴構成は、前記検出部が、前記測定ガス中における前記複数種類の含有ガスのうちの複数を前記対象ガスとして、当該複数種類の対象ガス夫々の濃度を検出する点にある。

すなわち、測定ガス中における対象ガスの濃度を推定するための機械学習を行った学習済みモデルを用いて対象ガスの濃度を検出する検出部が、測定ガス中における複数種類の含有ガスのうちの複数を対象ガスとして、当該複数種類の対象ガス夫々の濃度を検出（推定）することになる。

このように、測定ガス中における複数種類の含有ガスのうちの複数の対象ガス夫々の濃度を一挙に検出（推定）できるものであるから、例えば、呼気中のアセトンの濃度とエタノールの濃度を一挙に検出する等、利便性の向上を図ることができる。

本発明のガス検知装置の更なる特徴構成は、前記ガス検知部は半導体からなる点にある。

このような構成により、高精度な対象ガスの検出を容易に行うことが可能となる。

本発明のガス検知装置の更なる特徴構成は、前記ガス検知部を覆う触媒部を備える点にある。

このような構成により、高精度な対象ガスの検出を容易に行うことが可能となる。

本発明のガス検知装置の更なる特徴構成は、前記ガス検知部は薄膜状の半導体からなり、前記ガス検知部を覆う触媒部としての触媒層を備え、前記ガス検知部の厚さは前記触媒層の厚さの１／３以下である点にある。

このような構成により、加熱の際にガス検知部と触媒層とで昇温に時間差が生じ、ガス検知部で対象ガスが早期に検知可能になるのに対し、触媒層で対象ガスが燃焼される時間が遅くなる。その結果、加熱の初期段階に比べて時間が経過するごとにガス検知部での対象ガスの検知感度が変化する。そして、この検知感度の時間変化はガスの反応特性等によって変化するため、より高精度かつ容易に対象ガスの検出を行うことが可能となる。

本発明のガス検知装置の更なる特徴構成は、前記加熱制御部は、前記ヒータ部を、前記設定駆動条件での加熱と当該加熱の停止とを設定周期で繰り返すように制御する点にある。

このような構成により、ヒータ部の加熱が設定周期で停止されるため、ガス検知装置の消費電力を抑制することができる。

本発明のガス検知装置の更なる特徴構成は、前記検出部は、検出された前記対象ガスの濃度が正しいと判断できる場合、この検出された前記対象ガスの濃度と、前記電気的特性の時間変化とを前記教師データとする点にある。

このような構成により、対象ガスの濃度の検出を繰り返すことにより、機械学習が行われて学習済みモデルの精度が向上するため、対象ガスの濃度を一層精度良く検出することができる。

本発明のガス検知装置の更なる特徴構成は、サーバと通信可能な通信部を備え、前記学習済みモデルは前記サーバに格納され、前記検出部は、前記サーバに格納された前記学習済みモデルを用いて前記対象ガスの濃度を検出する点にある。

このような構成により、他のガス検知装置が検出作業中に取得したデータを含めて学習済みモデルの更新を行うことができ、対象ガスの濃度の検出をより高精度に行うことが可能となる。

ガス検知装置の概要を示す概略図である。 検出部の構成を示す概略図である。 ガス検知部の駆動形態を示す図である。 異なる濃度のアセトンの電気抵抗値の時間変化を示す図である。 異なる濃度のアセトンの電気抵抗値の時間変化を示す図である。 異なる濃度のアセトンの電気抵抗値の時間変化を示す図である。 異なる濃度のアセトンの電気抵抗値の時間変化を示す図である。 異なる濃度のエタノールの電気抵抗値の時間変化を示す図である。 異なる濃度のエタノールの電気抵抗値の時間変化を示す図である。 異なる濃度のエタノールの電気抵抗値の時間変化を示す図である。 異なる濃度のエタノールの電気抵抗値の時間変化を示す図である。 異なる濃度の測定ガスの電気抵抗値の時間変化を示す図である。 異なる濃度の測定ガスの電気抵抗値の時間変化を示す図である。 異なる濃度の測定ガスの電気抵抗値の時間変化を示す図である。 異なる濃度の測定ガスの電気抵抗値の時間変化を示す図である。 検証結果を示す表である。

〔実施形態〕
以下、本発明の実施形態を図面に基づいて説明する。
（ガス検知装置の全体構成）
図１に示すように、ガス検知装置Ａは、センサ素子Ｓ（ガスセンサの一例）と、加熱制御部１２と、ガス検出部１３（検出部の一例）とを有する。
センサ素子Ｓは、加熱された状態でガスに接触した際に電気的特性が変化するガス検知層１０（ガス検知部の一例）と、ガス検知層１０を覆う触媒層１１（触媒部の一例）と、ヒータ層６（ヒータ部の一例）とを少なくとも有する形態に構成されている。

加熱制御部１２は、ヒータ層６の加熱動作を制御して、ガス検知層１０を設定駆動条件にて加熱することになる。設定駆動条件は、例えば、加熱制御部１２がヒータ層６への通電を行うことにより、ガス検知層１０を適切な目標駆動温度に加熱する条件である。
ちなみに、本実施形態おいては、設定駆動条件として、ガス検知層１０を目標駆動温度として４００℃に加熱する条件、ガス検知層１０を目標駆動温度として３００℃に加熱する条件、ガス検知層１０を目標駆動温度として２００℃に加熱する条件、ガス検知層１０を目標駆動温度として１５０℃に加熱する条件の４種類の設定駆動条件があり、その詳細は後述する。

ガス検出部１３は、複数種類の含有ガスを含む測定ガス中における対象ガスの濃度を検出（推定）するものである。
具体的には、ガス検出部１３は、設定駆動条件にて加熱したガス検知層１０にて、複数種類の含有ガスを含む測定ガスを測定したときの電気的特性の時間変化に基づいて、測定ガス中における対象ガスの濃度を推定するための機械学習を行った学習済みモデルＭ（図２参照）により、対象ガスの濃度を検出するように構成されている。
ガス検知層１０の電気的特性としては、電気抵抗値、電圧値などがあるが、本実施形態では、電気抵抗値を電気的特性として、その時間変化を検出するように構成されている。

本実施形態においては、測定ガスとして、空気中にアセトンとエタノールを含有させたガスを、測定ガスとする場合を例示する。
そして、ガス検出部１３が、測定ガス中の複数種類の含有ガスのうちの複数を対象ガスとするように構成されている。つまり、ガス検出部１３が、アセトンとエタノールとの夫々の濃度を検出するように構成されている。

（センサ素子の詳細）
センサ素子Ｓは、シリコン基板１に支持されてダイアフラムを構成する。センサ素子Ｓは、支持層５と、絶縁層７と、上述のガス検知層１０と、上述の触媒層１１とを有する。
支持層５はシリコン基板１の上部に形成され、支持層５の上部に、上述のヒータ層６が形成される。

絶縁層７は、ヒータ層６の全体を覆う形態で、支持層５の上部に形成される。絶縁層７の上部に一対の接合層８が形成され、接合層８の上に電極層９が形成されている。
一対の電極層９の間に、上述のガス検知層１０が形成される。絶縁層７の上部に、ガス検知層１０を覆う形態で、上述の触媒層１１が形成される。
尚、センサ素子Ｓは、ブリッジ構造をとっても良く、ヒータ層６は、電極として兼用されても良い。

支持層５は、例えば、熱酸化膜２と、Ｓｉ_３Ｎ_４膜３と、ＳｉＯ_２膜４とが順に積層される形態で形成されている。
ヒータ層６は通電により発熱して、ガス検知層１０および触媒層１１を加熱する。

ガス検知層１０は、金属酸化物を主成分とする半導体の層である。例えば、ガス検知層１０は、酸化スズ（ＳｎＯ_２）を主成分とする混合物である。
ガス検知層１０は、測定ガスとの接触により電気抵抗値が変化する。このように、ガス検知層１０を酸化物半導体とすることで、ガス検知層１０は昇温が早くなり、測定ガスに対する応答性が向上し、対象ガス濃度の検知精度が向上する。

触媒層１１は、ヒータ層６により加熱されて高温となり、その温度において活性のある（燃焼性がある）ガスを燃焼させる。さらに、その温度では、触媒層１１は、対象ガスであるガスを透過・拡散させてガス検知層１０へ到達させる。
つまり、触媒層１１は、アセトンの濃度、エタノールの濃度を検出する際に、対象ガス以外の水素ガス、アルコールガスなどの還元性ガス（非対象ガス）を燃焼させてガス検知層１０に到達しないようにし、ガス検知装置Ａにガス選択性を持たせるように機能させることができる。

ガス検知層１０は、厚さが３０～１００００ｎｍ、望ましくは１００～１０００ｎｍ程度の薄膜としても良い。ガス検知層１０の厚さが触媒層１１に比べて薄い薄膜型のセンサ素子Ｓの場合、ヒータ層６で加熱された際に、ガス検知層１０と触媒層１１との間で昇温時間にタイムラグが生じる。そのため、加熱初期においては、ガス検知層１０と対象ガスとの反応性に応じた検出感度を得ることができ、加熱時間が経過するにしたがって、触媒層１１にて非対象ガスが燃焼することによって感度が変化していくという、対象ガスに応じた時間応答特性を示す。

従って、ガス検知層１０の厚さを触媒層１１に比べて薄くすることにより、時間応答特性による対象ガスの種類の識別が、容易かつ正確になる。なお、このように、時間応答特性によって検出精度を向上させるために、ガス検知層１０の膜厚は、触媒層１１の膜厚に対して、１／３以下程度にされる。さらに、ガス検知層１０の膜厚は、触媒層１１の膜厚に対して、１／１０００以上１／３以下であることが好ましく、１／２００以上１／１０以下であることがより好ましい。

触媒層１１は、金属酸化物を主成分とする担体に、触媒金属を担持させて構成される。
具体的には、触媒層１１は、触媒金属を担持した金属酸化物を、バインダーを介して互いに結合させて形成される。
触媒金属としては、パラジウム（Ｐｄ）、白金（Ｐｔ）、ロジウム（Ｒｈ）、イリジウム（Ｉｒ）等が使用可能であるが、例えば、パラジウム、白金、イリジウム、ロジウムのうち少なくとも一つを含むものが用いられる。

触媒金属を担持する担体としては、遷移金属酸化物等が用いられることになる。例えば、アルミナ（Ａｌ_２Ｏ_３）、酸化ジルコニウム（ＺｒＯ_２）、酸化イットリウム（Ｙ_２Ｏ_３）、酸化セリウム（ＣｅＯ_２）、酸化ランタン（Ｌａ_２Ｏ_３）、酸化チタン（ＴｉＯ_２）、酸化ハフニウム（ＨｆＯ_２）、酸化ニオブ（Ｎｂ_２Ｏ_５）、または酸化タンタル（Ｔａ_２Ｏ_５）が用いられる。

担体を結合させるバインダーとしては、金属酸化物の微粉末、例えば酸化ジルコニウム、シリカ微粉末、シリカゾル、マグネシア等が用いられる。また、バインダーとしての微量の使用であれば、触媒層１１の機能を阻害しない範囲で、アルミナ微粉末またはアルミナゾルを用いることも可能である。尚、上述した触媒金属、担体としての金属酸化物、バインダーはいずれも、１種類を単独で使用してもよいし、２種以上を併用することもできる。

触媒層１１に含有される触媒金属の量（合計含有率）は、触媒金属と担体の合計質量に対して０．３～９質量％とするのが好適であり、さらに望ましくは触媒金属と担体の合計質量に対して０．５質量％～６質量％とするのが良い。

（加熱制御部の詳細）
図３に示すように、加熱制御部１２は、ヒータ層６に通電してガス検知層１０を設定駆動条件で加熱する加熱動作と、ヒータ層６に通電しない非加熱動作（ガス検知層１０の加熱を停止する非加熱動作）とを、設定周期で繰り返すように構成されている。
本実施形態では、設定駆動条件で加熱する各加熱動作を行う前に、ヒータ層６に通電してガス検知層１０を加熱するパージ加熱を行うように構成されている。つまり、パージ加熱を行ってから設定休止時間（例えば、５秒）が経過した後に、ガス検知層１０を設定駆動条件で加熱する加熱動作を行うように構成されている。
ちなみに、本実施形態では、ガス検知層１０を設定駆動条件で加熱する加熱動作が２００ｍｓのパルス加熱として行われ、同様に、パージ加熱が２００ｍｓのパルス加熱として行われるように構成されている。

また、加熱制御部１２は、ヒータ層６に対する通電電圧または通電電流を制御することにより、ヒータ層６を設定駆動条件にて加熱するように構成されている。つまり、加熱制御部１２は、ガス検知層１０を目標駆動温度として４００℃に加熱する条件、ガス検知層１０を目標駆動温度として３００℃に加熱する条件、ガス検知層１０を目標駆動温度として２００℃に加熱する条件、ガス検知層１０を目標駆動温度として１５０℃に加熱する条件を、設定駆動条件として、ヒータ層６に対する通電を制御するように構成されている。
尚、本実施形態においては、上述のパージ加熱が、ガス検知層１０を目標駆動温度として４００℃に加熱する条件に定められている。

具体的には、加熱制御部１２は、図示しない電池等の電源から電源供給を受け、センサ素子Ｓのヒータ層６に周期的に通電して、センサ素子Ｓをパルス加熱するように構成されている。ガス検知層１０を加熱する目標駆動温度、つまり、ガス検知層１０および触媒層１１がヒータ層６の加熱により到達する到達温度は、本実施形態においては、例えばヒータ層６に印可する電圧を変更することにより制御される。
以上の通り、本実施形態では、図３に示す如く、パージ加熱を行ってから設定休止時間（例えば、５秒）が経過した後に、ガス検知層１０を４つの設定駆動条件で加熱する加熱動作が、設定周期Ｔ（例えば、３０秒）で４回行われることになる。尚、本実施形態では、最初に、ガス検知層１０を目標駆動温度として４００℃に加熱し、次に、ガス検知層１０を目標駆動温度として３００℃に加熱し、続いて、ガス検知層１０を目標駆動温度として２００℃に加熱し、最後に、ガス検知層１０を目標駆動温度として１５０℃に加熱するように構成されている。

このように、ガス検知層１０が周期的に目標駆動温度に加熱されることにより、ガス検知層１０の電気抵抗値（電気的特性）が、目標駆動温度に加熱されている間において変化することになる。
つまり、ガス検知層１０を目標駆動温度として４００℃に加熱すること、ガス検知層１０を目標駆動温度として３００℃に加熱すること、ガス検知層１０を目標駆動温度として２００℃に加熱すること、ガス検知層１０を目標駆動温度として１５０℃に加熱することが順次行われて、ガス検知層１０の電気抵抗値（電気的特性）が、４段階の目標駆動温度にて加熱されている間の夫々において変化することになる。

（ガス検出部の詳細）
ガス検出部１３は、目標駆動温度に加熱されている間において変化するガス検知層１０の電気的特性に基づいて、対象ガスの濃度を検出するように構成されている。
本実施形態では、ガス検出部１３は、ガス検知層１０の電気抵抗値の時間的変化として、一対の電極層９の間の電気抵抗値（電気的特性）の時間的変化を測定して、その電気抵抗値（電気的特性）の時間的変化に基づいて、対象ガス（アセトン、エタノール）の濃度を検出するように構成されている。

すなわち、ガス検出部１３は、４段階の目標駆動温度にてガス検知層１０を加熱した際の夫々において、ガス検知層１０の加熱開始から加熱を停止するまでの電気的特性（電気抵抗値等）の時間変化（図３参照）を測定し、その電気抵抗値（電気的特性）の時間的変化に基づいて、記憶部１４に格納した学習済みモデルＭにより、対象ガス（アセトン、エタノール）の濃度を検出（推定）するように構成されている。

本実施形態においては、図２に示す如く、４段階の目標駆動温度にてガス検知層１０を加熱した際の夫々において、ガス検知層１０の加熱開始から加熱を停止するまでの電気抵抗値（電気的特性）の時間変化と、当該時間変化を得るための目標駆動温度との組合せからなる４つの測定データを、波形データとして、学習済みモデルＭに入力することにより、対象ガス（アセトン、エタノール）の濃度を検出（推定）するように構成されている。
尚、図２における「４駆動温度の波形データをセットにして学習」の記載は、後述する機械学習を説明する文言である。

ちなみに、電気的特性（電気抵抗値等）の時間変化の入力は、例えば、加熱開始から単位経過時間が経過する毎の電気抵抗値（電気的特性）と、加熱開始からの経過時間との組合せとして入力されることになる。

（学習済みモデルの詳細）
本実施形態の学習済みモデルＭは、図２に示すように、入力層１６、複数段階の中間層１７、及び、出力層１８を備えたニューラルネットワークのモデルであり、深層学習を用いた機械学習（以下、単に機械学習と総称する）によって生成されたモデルである。
そして、予め実測された多数のデータが多数の教師データとして用いられて、機械学習された学習済みモデルＭが生成されることになる。

上述の機械学習の際に入力される教師データは、複数種類の含有ガスの夫々の種類を示す情報（本実施形態ではアセトン、エタノールを示す情報）、当該複数種類の含有ガス夫々の零よりも大きな濃度、及び、当該濃度で設定駆動条件にて測定される電気的特性の時間変化が、１つの教師データとして含まれる。
加えて、本実施形態においては、教師データには、複数種類の含有ガス夫々についての濃度を零にした場合の教師データが含まれるように構成されている。つまり、教師データには、複数種類の含有ガスの夫々の種類を示す情報、当該複数種類の含有ガス夫々についての濃度を零にした濃度、当該濃度で設定駆動条件にて測定した電気的特性（電気抵抗値）の時間変化が、一つの教師データとして含まれる。

さらに、教師データは、複数種の設定駆動条件（本実施形態では４段階の駆動条件）にて測定したときの電気的特性の時間変化を含むものである。
すなわち、機械学習の際に入力される教師データは、複数種類の含有ガスの夫々についての濃度が同じ濃度である場合に、複数種の設定駆動条件（本実施形態では４段階の駆動条件）の夫々にて測定された複数の電気的特性の時間変化が教師データとされるように構成されている。

具体的には、複数種類の含有ガスの夫々の濃度と、複数種類の含有ガスの夫々についての濃度が同じ濃度である場合に、４段階の目標駆動温度にてガス検知層１０を加熱した際の夫々において、ガス検出部１３で測定されたガス検知層１０の加熱開始から加熱を停止するまでの電気的特性（電気抵抗値等）の時間変化と、当該時間変化を得るための目標駆動温度とを、教師データとして、ニューラルネットワークのモデルに入力することにより、学習済みモデルＭを生成するように構成されている。

つまり、図２を参照して説明すれば、複数種類の含有ガスの夫々の濃度を出力層１８に入力し、複数種類の含有ガスの夫々についての濃度が同じ濃度である場合の夫々において、４段階の目標駆動温度の夫々について測定した電気的特性（電気抵抗値等）の時間変化と、当該時間変化を得るための目標駆動温度の組合せからなるデータを入力層１６に入力（図２においては、「４駆動温度の波形データをセットにして学習」と記載）して、学習済みモデルＭを生成するように構成されている。
尚、本実施形態においては、複数種類の含有ガスの夫々の濃度としては、零よりも大きな濃度と零の濃度とが含まれることになる。

ちなみに、電気的特性（電気抵抗値等）の時間変化の入力は、例えば、加熱開始から単位経過時間が経過する毎の電気抵抗値（電気的特性）と、加熱開始からの経過時間との組合せとして入力されることになる。

説明を加えると、図４～図６に示すように、空気中のエタノールの濃度を零にした状態で、アセトンの濃度を、零を含む状態で７段階に変化させた夫々において、ガス検知層１０を４００℃、３００℃、２００℃、１５０℃の目標駆動温度に加熱した状態の夫々において得られる電気抵抗値（電気的特性）の時間変化が、教師データの一つとして用いられる。
ちなみに、変化させるアセトンの濃度は、例えば、０ｐｐｍ、０．０５ｐｐｍ、０．１ｐｐｍ、０．１５ｐｐｍ、０．２ｐｐｍ、０．３ｐｐｍ、０．４ｐｐｍである。
尚、図４～図６においては、加熱開始から２００ｍｓが経過するまでの電気抵抗値（電気的特性）の時間変化を、２ｍｓ毎のプロットデータとして図示する。

また、図８～図１１に示すように、空気中のアセトンの濃度を零にした状態で、エタノールの濃度を、零を含む状態で６段階に変化させた夫々において、ガス検知層１０を４００℃、３００℃、２００℃、１５０℃の目標駆動温度に加熱した状態の夫々において得られる電気的特性（電気抵抗値等）の時間変化が、教師データの一つとして用いられる。
ちなみに、変化させるエタノールの濃度は、例えば、０ｐｐｍ、０．２ｐｐｍ、０．３ｐｐｍ、０．４ｐｐｍ、０．６ｐｐｍ、０．８ｐｐｍである。
尚、図８～図１１においては、加熱開始から２００ｍｓが経過するまでの電気抵抗値（電気的特性）の時間変化を、２ｍｓ毎のプロットデータとして図示する。

さらに、図１２～図１５に示すように、空気中のアセトン濃度及びエタノールの濃度を、零を含む状態で６段階に変化させた夫々において、ガス検知層１０を４００℃、３００℃、２００℃、１５０℃の目標駆動温度に加熱した状態の夫々において得られる電気的特性（電気抵抗値等）の時間変化が、教師データの一つとして用いられる。
ちなみに、変化させるアセトン濃度及びエタノールの濃度の組合せは、例えば、０ｐｐｍと０ｐｐｍとの組合せ、０．１ｐｐｍと０．２ｐｐｍとの組合せ、０．２ｐｐｍと０．２ｐｐｍとの組合せ、０．３ｐｐｍと０．２ｐｐｍとの組合せ、０．１ｐｐｍと０．４ｐｐｍとの組合せ、０．２ｐｐｍと０．４ｐｐｍとの組合せである。
尚、図１２～図１５においては、加熱開始から２００ｍｓが経過するまでの電気抵抗値（電気的特性）の時間変化を、２ｍｓ毎のプロットデータとして図示する。

上述の多数の教師データは、対象ガスの種類、対象ガスの濃度、および、設定駆動条件下で測定されたガス検知層１０の電気抵抗値の時間変化であり、対象ガスの種類と対象ガスの濃度によって特異なデータとなる。そのため、設定駆動条件にて測定された電気抵抗値の時間変化を対象ガスの濃度や設定駆動条件と共に教師データとして大量に入力して、機械学習を行うことにより、対象ガスの種類と対象ガスの濃度に対応するガス検知層１０の電気抵抗値の時間変化が関連付けられた学習済みモデルＭが生成されることになる。

（実験結果について）
次に、本実施形態のガス検知装置Ａを、第１検証条件～第９検証条件より検証した結果を、図１６の表に例示する。
第１検証条件は、空気中のアセトンの濃度（実測値）が零、エタノールの濃度（実測値）が零の条件である。
第２検証条件は、空気中のアセトンの濃度（実測値）が０．０７５ｐｐｍ、エタノールの濃度（実測値）が零の条件である。
第３検証条件は、空気中のアセトンの濃度（実測値）が０．１５ｐｐｍ、エタノールの濃度（実測値）が零の条件である。

第４検証条件は、空気中のアセトンの濃度（実測値）が零、エタノールの濃度（実測値）が０．３ｐｐｍの条件である。
第５検証条件は、空気中のアセトンの濃度（実測値）が零、エタノールの濃度（実測値）が０．６ｐｐｍの条件である。

第６検証条件は、空気中のアセトンの濃度（実測値）が０．０７５ｐｐｍ、エタノールの濃度（実測値）が０．３ｐｐｍの条件である。
第７検証条件は、空気中のアセトンの濃度（実測値）が０．１５ｐｐｍ、エタノールの濃度（実測値）が０．３ｐｐｍの条件である。
第８検証条件は、空気中のアセトンの濃度（実測値）が０．１ｐｐｍ、エタノールの濃度（実測値）が０．２ｐｐｍの条件である。
第９検証条件は、空気中のアセトンの濃度（実測値）が０．１ｐｐｍ、エタノールの濃度（実測値）が０．４ｐｐｍの条件である。

図１６の表には、ガス検出部１３が、第１検証条件～第９検証条件について推定した結果が、推定値（ｐｐｍ）として記載する。尚、第１検証条件～第９検証条件より検証するにあたり、各条件での検証を７回行っており、推定値（ｐｐｍ）は、７回の検証結果の１つを抜粋するものである。
また、アセトンについての実測値と推定値との誤差が、アセトン誤差であり、エタノールについての実測値と推定値との誤差が、エタノール誤差である。
尚、アセトン誤差及びエタノール誤差は、７回の検証結果の平均値を示すものである。
さらに、アセトン誤差の平均値が、０．０１７であり、エタノール誤差の平均値が、０．０２８である。
このように、本実施形態のガス検知装置Ａは、空気中のアセトンの濃度やエタノールの濃度を精度良く検出できる。

ちなみに、学習済みモデルＭを用いて、検証用データについて検証し、検証用データに応じた検出結果が得られるか否かを確認する。そして、十分な正答率の検出結果が得られない場合、教師データを増やす等して、十分な正答率が得られるまで学習済みモデルＭの生成を繰り返すことになる。

（別実施形態）
次に、別実施形態を列記する。
（１）ガス検知装置Ａは、あらかじめ生成された学習済みモデルＭを用いて対象ガスの濃度の検出を行っても良いが、検出結果の成否が明らかな場合、その検出結果を用いて、検出作業中に学習済みモデルＭを更新していっても良い。

（２）ガス検知装置Ａはさらに通信装置（図示せず）を備え、他のガス検知装置Ａでの検出結果を受信して学習済みモデルＭを更新しても良く、他のガス検知装置Ａやサーバ（図示せず）等から最新の学習済みモデルＭを入手して置き換える構成としても良い。この際、学習済みモデルＭは、記憶部１４でなく、サーバに格納される構成としても良い。

（３）センサ素子Ｓの構成は上記した薄膜型の半導体であるガス検知層１０を備えたセンサ素子Ｓの構成に限らず、任意の構成のガスセンサを用いることができる。
例えば、上記実施形態のセンサ素子Ｓにおいて、ガス検知層１０を比較的厚さの厚い半導体からなるガス検知層１０を採用した２層構造のガスセンサとしてもよい。また、例えば、上記実施形態のセンサ素子Ｓにおいて、ガス検知層１０を覆う触媒層１１を設けない基板型のガスセンサとしてもよい。また、ガス検知層１０としての電極とヒータ部としてのヒータとを兼ねる電極線のコイルを備え、当該コイルの周囲に酸化物半導体を備えたセンサ素子Ｓを用いることもできる。

（４）上記実施形態では、学習済みモデルＭとして、深層学習式のニューラルネットワークを例示したが、学習済みモデルＭとしては、各種の形態のモデルを適用できる。

（５）上記実施形態では、アセトンとエタノールとを含む空気を測定ガスとする場合を例示したが、例えば、アセトン、エタノール、イソプレン、アセトアルデヒド、メタノール、水素、メタン等の各種の含有ガスを含む呼気ガス（生体ガス）を測定ガスとすることができる。この場合には、アセトンを対象ガスとすることができ、また、アセトンと他のガスを対象ガスとすることもできる。

（６）上記実施形態では、アセトンとエタノールとを含む空気を測定ガス中におけるアセトンの濃度とエタノールの濃度とを検出する場合を例示したが、例えば、アセトンの濃度のみを検出する形態で実施してもよく、また、多数種類の含有ガスを含むガスを測定対象ガスとする場合には、３種類以上のガスを対象ガスとして、夫々のガスの濃度を検出する形態で実施してもよい。

（７）上記実施形態では、設定駆動条件で加熱する加熱動作を行う前に、ヒータ層６に通電してガス検知層１０を加熱するパージ加熱を行う場合を例示したが、パージ加熱を省略する形態で実施してもよい。また、上記実施形態では、設定駆動条件で加熱する加熱動作としてのパルス加熱が２００ｍｓにて行われる場合を例示したが、パルス加熱を実行する時間は種々変更できる。

なお上述の実施形態（他の実施形態を含む、以下同じ）で開示される構成は、矛盾が生じない限り、他の実施形態で開示される構成と組み合わせて適用することが可能であり、また、本明細書において開示された実施形態は例示であって、本発明の実施形態はこれに限定されず、本発明の目的を逸脱しない範囲内で適宜改変することが可能である。

６ ヒータ層（ヒータ部）
１０ ガス検知層（ガス検知部）
１１ 触媒層（触媒部）
１２ 加熱制御部
１３ ガス検出部（検出部）

Claims (10)

1. 加熱された状態でガスに接触した際に電気的特性が変化するガス検知部と、
   前記ガス検知部を加熱するヒータ部と、
   前記ヒータ部の加熱動作を制御する加熱制御部と、
   前記加熱制御部により前記ヒータ部を加熱動作して設定駆動条件にて加熱した前記ガス検知部にて、複数種類の含有ガスを含む測定ガスを測定したときの前記電気的特性の時間変化に基づいて、前記測定ガス中における対象ガスの濃度を推定するための機械学習を行った学習済みモデルにより前記対象ガスの濃度を検出する検出部と、を備え、
   前記機械学習の際に入力される教師データは、前記複数種類の含有ガスの夫々の種類を示す情報、当該複数種類の含有ガス夫々の零よりも大きな濃度、及び、当該濃度で前記設定駆動条件にて測定した前記電気的特性の時間変化が、１つの前記教師データとして含まれるガス検知装置。
2. さらに、前記教師データには、前記複数種類の含有ガスの夫々の種類を示す情報、当該複数種類の含有ガス夫々についての濃度を零にした濃度、当該濃度で前記設定駆動条件にて測定した前記電気的特性の時間変化が、一つの前記教師データとして含まれる請求項１に記載のガス検知装置。
3. 前記教師データは、複数種の前記設定駆動条件にて測定したときの前記電気的特性の時間変化を含み、
   前記機械学習の際に入力される前記教師データは、前記複数種類の含有ガス夫々についての濃度が同じ濃度である場合に、前記複数種の設定駆動条件の夫々にて測定した複数の前記電気的特性の時間変化が前記教師データとされ、
   前記検出部は、前記複数種の設定駆動条件の夫々にて測定した前記測定ガスの前記電気的特性の時間変化に基づいて、前記対象ガスの種類および前記対象ガスの濃度を検出する請求項１又は２に記載のガス検知装置。
4. 前記検出部が、前記測定ガス中における前記複数種類の含有ガスのうちの複数を前記対象ガスとして、当該複数種類の対象ガス夫々の濃度を検出する請求項１～３のいずれか１項に記載のガス検知装置。
5. 前記ガス検知部は半導体からなる請求項１～４のいずれか１項に記載のガス検知装置。
6. 前記ガス検知部を覆う触媒部を備える請求項１～５のいずれか１項に記載のガス検知装置。
7. 前記ガス検知部は薄膜状の半導体からなり、
   前記ガス検知部を覆う触媒部としての触媒層を備え、
   前記ガス検知部の厚さは前記触媒層の厚さの１／３以下である請求項１～６のいずれか１項に記載のガス検知装置。
8. 前記加熱制御部は、前記ヒータ部を、前記設定駆動条件での加熱と当該加熱の停止とを設定周期で繰り返すように制御する請求項１～７のいずれか１項に記載のガス検知装置。
9. 前記検出部は、検出された前記対象ガスの濃度が正しいと判断できる場合、この検出された前記対象ガスの濃度と、前記電気的特性の時間変化とを前記教師データとする請求項１～８のいずれか１項に記載のガス検知装置。
10. サーバと通信可能な通信部を備え、
    前記学習済みモデルは前記サーバに格納され、
    前記検出部は、前記サーバに格納された前記学習済みモデルを用いて前記対象ガスの濃度を検出する請求項１～９のいずれか１項に記載のガス検知装置。

Images