CN102809493B - 异常音诊断装置 - Google Patents

Abstract

本发明提供一种异常音诊断装置。通过时频分析单元对波形数据获取单元所取入的对象设备的声音或振动的波形数据进行时频分析，求出时间轴和频率轴的时频分布，生成通过时频分布的时间轴和频率轴的坐标值规定的多个区域，通过区域提取单元提取包含与时频分布的稳定状态不同的变动成分的区域，通过判断单元基于包含在提取区域中的时频分布进行异常的判断并进行输出。

Description

异常音诊断装置

技术领域

本发明涉及一种通过由扩音器(以下称为麦克风)、振动传感器收集到的信号的时频分析来判断运转中的设备的异常音的产生的可能性的装置。特别是涉及一种对由多个设备构成的系统中在运转时产生的多种多样的异常音进行诊断的异常音诊断装置。

背景技术

作为与以往的诊断异常音的异常音诊断装置有关的第一技术，有如下技术等：从通过对来自判断对象物的振动数据进行时频分析处理得到的时频分布中提取非稳定振动的强度为设定值以上的时刻的非稳定振动数据，基于提取出的该非稳定振动数据判断异音产生的可能性的技术(专利文献1)；关于时频解析结果的各频率下的振动产生频度，计算振动产生判断振幅值以上的数据的时间比例来作为该频率的产生频度进行计算的技术，其中，上述振动产生判断振幅值是利用该频率下的最大振幅与振动产生阈值之积求出的(专利文献2)；从时间序列谱计算由异音成分的等高线表示的强度大的区域，从该区域仅抽出包含异音成分的谱列的技术(专利文献3)。

另外，作为与以往的诊断异常音的异常音诊断装置有关的第二技术，有如下技术：具备着眼于特定的已知异常事项来确认是否产生该异常事项的专用处理单元，在未产生已知异常事项的情况下进行通用的杂音解析，将该解析结果与正常时进行比较来检测不特定的未知异常事项，在检测出未知异常事项的情况下，生成用于检测从正常状态的变化的处理过程并提供给专用处理单元(专利文献4)。

专利文献1：日本专利第3885297号公报

专利文献2：日本专利第4373350号公报

专利文献3：日本专利第4262878号公报

专利文献4：日本特开平6-309580号公报

发明内容

发明要解决的问题

以往的第一技术被设为基于特化为出现在频率分析结果中的特定的异常音成分的出现样式的各种阈值来检测异常的结构，因此存在如下问题：通过分别独立的结构是无法将具有多种带宽、持续时间的异常音成分同样高精度地进行诊断。另外，从观测数据颠倒地求出时频分布的强度大的区域，因此还存在没有一定得到最佳的诊断结果的保证的问题。

另一方面，以往的第二技术存在如下问题：为了诊断未知异常事项，需要将对于未知异常事项的诊断过程预先登记在专用处理单元中。

本发明是为了解决如上所述的问题而完成的，其目的在于提供一种如下方法：不需要将专用的诊断过程登记在专用处理单元中，有能够得到最佳的诊断结果的保证，将包含在频率分析结果中的具有多种带宽、持续时间的异常音成分同样高精度地进行检测的方法。

用于解决问题的方案

本发明所涉及的异常音诊断装置具备：波形数据获取单元，取入检查对象设备所产生的声音或振动的波形数据；时频分析单元，对所述波形数据进行时频分析，求出一个轴为时间轴而另一轴为频率轴的时频分布；区域提取单元，生成通过所述时频分布的时间轴和频率轴的坐标值规定的多个区域，提取包含与所述时频分布的稳定状态不同的变动成分的区域；以及判断单元，基于包含在所述区域提取单元提取的区域中的时频分布进行异常的判断并进行输出。

发明的效果

根据本发明所涉及的异常音诊断装置，起到如下效果：通过设置从时频分布中提取关于时间频率连续地形成的时频区域的单元，不需要登记专用的诊断过程，而能够将出现在频率分析结果中的具有多种带宽、持续时间的异常音成分同样高精度地进行诊断。

附图说明

图1是表示本发明的异常音诊断装置的功能块结构图。

图2是扫描来自多个设备的声音的情况下的时频分布例的特性图。

图3是与时频分布的区域有关的事先知识的说明图。

图4是本发明的实施方式1中的处理的流程图。

（附图标记说明）

1：测量信号；2：波形获取部；3：波形数据；4：时频分析部；5：时频分布；6：正常时时频分布存储部；7：试验时时频分布存储部；8：事先知识存储部；9：区域候选生成部；10：区域候选；11：评价部；12：凝缩度；13：区域提取部；15：异常时计算部；17：判断部。

具体实施方式

实施方式1

本实施方式是作为对构成检查对象系统的设备所发出的异常的声压进行诊断的装置，安装为个人计算机(以下称为PC)上的软件，具有取入正常时的波形的学习模式和取入试验时的波形的诊断模式。测量者将麦克风或振动传感器等设置在检查对象设备中，将该麦克风或振动传感器等连接到PC的USB(Universal Serial Bus：通用串行总线)接口的输入端子来进行学习模式时和诊断模式时的操作。

作为检查对象系统，以如下情况为例：例如在电梯的轿厢中安装麦克风，经由控制电缆将麦克风的信号取入到放置于机械室的PC，使轿厢进行往复运转，从而对升降路内的各设备的运行音进行诊断。

当从特定的设备、例如顶部返回滑轮（return pulley）产生异常音时，由于存在产生异常音的设备以外的设备所产生的运行音、例如导轨滑动音，因此在轿厢接近产生该异常音的特定的设备的时间段、例如轿厢接近顶部返回滑轮的时间段(在轿厢上升时是在测量区间的后半部分，而在轿厢下降时是在测量区间的前半部分)中出现异常音的时频成分。

另外，在从平衡锤产生异常音的情况下，在轿厢与平衡锤交错的时间段即测量区间的中央部分出现异常音的时频成分。

另外，异常音的频谱的形状是根据产生异常的设备、异常的原因而不同，所占的频率范围也多样。一般，如上所述，在根据扫描设备系统的麦克风诊断多个设备的运行音的情况下，测量区间中出现异常音成分的时间范围和频率范围极其复杂且多样。

图2是针对电梯各设备的异常音产生时的时频分布，以横轴为时间、纵轴为频率来以浓淡示出各时刻和各频率下的分布的强度。虚线表示异常产生前的特定设备的运行音在麦克风中的强度，实线表示的是成为异常的该设备的运行音的强度。另外，点划线表示合成来自包括该设备的整个设备的运行音后的声音在麦克风中的强度。(A)是从顶部返回滑轮产生了异常音的情况下的例子，(B)是从平衡锤产生了异常音的情况下的例子。

图1是表示本发明的实施方式1中的异常音诊断装置的块结构图。

在图1中，1是从麦克风、振动传感器输出的测量信号，2是具备放大器、低通滤波电路和AD转换器而对测量信号1进行采样并转换为数字信号来输出波形数据3的波形获取部，4是时频分析部，该时频分析部对波形数据3应用时间窗，并将时间窗沿时间方向错开的同时通过高速傅里叶变换(以下称为FFT)运算对波形数据3进行时频分析，来输出时频分布5，其中，上述时频分布5是由表示对于时间和频率的强度的谱值构成的。

6是对时频分布5的正常时的时频分布6a(图中未示出)进行存储的正常时时频分布存储部，7是对时频分布5的试验时的时频分布7a(图中未示出)进行存储的试验时时频分布存储部，8是以表的方式存储了事先知识8a(图中未示出)的事先知识存储部，9是生成基于事先知识存储部8的事先知识8a决定的规定的区域候选10的区域候选生成部，11是关于区域候选10参照正常时时频分布存储部6的正常时时频分布6a和试验时时频分布存储部7的试验时时频分布7a来计算凝缩度12并输出的评价部，13是基于凝缩度12从区域候选10中选择最佳的区域候选并作为提取区域14进行输出的区域提取部，15是参照正常时时频分布6a和诊断时时频分布7a并基于包含在提取区域14中的时频分布计算表示异常音产生的可能性的程度的异常度并作为异常度16进行输出的异常时计算部，17是基于异常度16判断异常音产生的可能性并输出判断结果18的判断部。

以下参照图4的处理的流程图来说明动作。

在学习模式或诊断模式中，波形获取部2获取从麦克风、振动传感器输出的测量信号1并进行放大和AD转换，由此转换为采样频率32kHz的16位线性PCM(pulse code modulation：脉冲编码调制)的数字信号的波形数据3(步骤S1)。

时频分析部4针对波形获取部2所输出的波形数据3，将1024点的时间窗以16ms的间隔沿时间方向错开的同时切出帧，针对各帧通过FFT运算求出频谱的时间序列y(t,f)，并作为时频分布5进行输出(步骤S2)。在此，t表示取与错开分析窗的位移间隔对应的离散值的时刻，f表示取与FFT运算的结果的频率索引（index）对应的离散值的频率。此外，时间t和频率f分别满足0≤t≤T、0≤f≤F的关系。在此，T是时频分布5的时间方向的时间宽度，F是作为波形数据3的采样频率fs的1/2的奈奎斯特频率(F＝fs/2)。

当由时频分析部4计算出时频分布5时，异常音诊断装置判断是学习模式的时候还是诊断模式的时候(步骤S3)。

如果是学习模式的时候，则时频分布5作为正常时时频成分6a被传输到正常时时频成分存储部6并被存储(步骤S4)。另一方面，如果步骤S3的判断结果为诊断模式的时候，则时频分布5作为诊断时时频成分7a被传输到诊断时时频成分存储部7并被存储(步骤S5)。

接着，关于诊断模式的时候的诊断处理，说明动作。

区域候选生成部9基于事先知识8a生成区域候选10(步骤S6)。事先知识8a是用于规定从构成诊断对象系统的设备产生的异常成分在时频分布中的出现区域的形状的知识，表示本装置的设计者事先分析对象来获得的知识，作为本装置的区域候选生成部9所生成的区域候选以表的形式保存在事先知识存储部8中。在本例中，对于时频分布的整个区域，将整个时间区间T进行n分割，并且将整个频带F进行m分割来得到格子状的分割区域，生成以任意的格子线为边的矩形区域，作为事先知识8a的表保存在事先知识存储部8中。

图3中以A和B来表示作为事先知识8a生成为格子的矩形的例子。矩形区域A成为对如下的时频成分最佳的形状：时间区间的后半部分中的中高域的频率成分的短时间的时频成分。另外，矩形区域B成为对于产生如下的时频成分的情况最佳的形状：在测量时间靠前的时间区间中，在中间的频带中持续时间长的时频成分。在此，通过增加分割数n和m，能够更详细地表现区域的边界。但是，格子状的分割区域中的最初的第1/6时间区间和最后的第6/6时间区间中，由于检查对象的动作速度与额定速度相比慢，因此不会产生足够的运行音，因此还可以从区域候选的生成中排除。另外，在上述内容中，说明了对于时频分布的整个区域将整个时间区间T进行n分割、并且将整个频带F进行m分割来得到格子状的分割区域并生成以任意的格子线为边的矩形区域的例子，但是也可以通过对于异常成分的时频成分的事先知识，组合是否选择上述格子状的分割区域来还生成任意形状的区域作为最佳的形状。

评价部11针对区域候选10(以下用R表示区域候选)计算凝缩度E(R)12(步骤S7)。

关于凝缩度E(R)，当设试验时时频分布为y(t,f)、正常时时频分布为x(t,f)、矩形区域为R=[t1,t2,f1,f2]时，通过式1所示的运算求出针对它们的凝缩度E(R)。在此，t1、t2、f1、f2分别是矩形区域R的下限时间、上限时间、下限频率、上限频率。另外，对于矩形以外的区域候选R，代替式1而通过更一般的式2所示的运算求出。在此，符号(t,f)∈R＊意味着关于包含在提取区域R＊中的离散时间t和离散频率f的组合取总和。

[式1]

$E\left(R\right)=E\left(\right[t_1,t_2,f_1,f_2\left]\right)$

$=\{\frac{\underset{t\∈(t_1,t_2)^f\∈(f_1,f_2)}{\mathrm{\Σ}}\mathrm{\φ}\left(y(t,f)\right)}{n}-\frac{\underset{t\∈(t_1,t_2)^f\∈(f_1,f_2)}{\mathrm{\Σ}}\mathrm{\φ}\left(x(t,f)\right)}{n}\}\×w\left(n\right)$

$n=\underset{t\∈(t_1,t_2)^f\∈(f_1,f_2)}{\mathrm{\Σ}}1$

$w\left(n\right)=n^{\frac{1}{p}}$

[式2]

$E\left(R\right)==\{\frac{\underset{(t,f)\∈R}{\mathrm{\Σ}}\mathrm{\φ}\left(y(t,f)\right)}{n}-\frac{\underset{(t,f)\∈R}{\mathrm{\Σ}}\mathrm{\φ}\left(x(t,f)\right)}{n}\}\×w\left(n\right)$

$n=\underset{(t,f)\∈R}{\mathrm{\Σ}}1$

$w\left(n\right)=n^{\frac{1}{p}}$

在上式中，n是包含在时频分布的矩形区域中的谱值的样本数。另外，w(n)是与样本数n相应的加权系数，例如为样本数n的p次方根(p例如为2)。样本数n是随着区域的大小变大而成为大的值，上述加权系数w(n)是随着区域的大小变大而成为大的值，因此针对小区域的凝缩度E(R)变小，为了缓和局部存在于小区域的偏离值对计算结果带来的影响而使用上述加权系数w(n)。另外，函数φ对谱值进行非线性值变换，使变换后的值的分布接近正态分布，因此设为Box-Cox变换(还称为一般化对数变换)或对数变换。Box-Cox变换用式3来表示，当参数γ为γ=0时与对数变换一致。

[式3]

$\mathrm{\φ}\left(x\right)=\left\{\begin{array}{cc}(x^{\mathrm{\γ}}-1)/\mathrm{\γ}& (\mathrm{\γ}\≠0)\\ \log x& (\mathrm{\γ}=0)\end{array}\right.$

区域提取部13检查各区域候选与针对各区域候选的凝缩度E(R)的关系，将凝缩度E(R)表示最大的值的区域候选作为最佳的提取区域来进行选择并输出(步骤S8)。当设各区域候选为{R1,R2,…,Rk}、各自的凝缩度为{E(R1),E(R2)，...,E(Rk)}、最佳的区域候选为R＊时，通过式4的运算来求出R＊。在此，自然数k是区域候选的数量。

[式4]

$R^{*}=\underset{i=\mathrm{1,2},...,k}{\arg \max }E\left(R_i\right)$

异常度计算部15根据正常时时频分布x(t,f)和试验时时频分布ｙ(t,f)各自的最佳的提取区域R＊中所包含的谱值计算异常度(步骤S9)。设当前的提取区域R＊为矩形区域、R＊=[t1,t2,f1,f2]、异常度为a(R＊)时，异常度a(R＊)是通过式5的运算得到的数值。在此，t1、t2、f1、f2如已定义的那样。

[式5]

$a\left(R^{*}\right)=a\left(\right[t_1,t_2,f_1,f_2\left]\right)=\max \{\underset{t}{\max }\tilde{g}\left(t\right),\underset{f}{\max }\tilde{h}\left(f\right)\}$

$g\left(t\right)=\frac{\underset{f\∈(f_1,f_2)}{\mathrm{\Σ}}\mathrm{\ψ}\left(t(t,f)\right)}{\underset{f\∈(f_1,f_2)}{\mathrm{\Σ}}1}-\frac{\underset{f\∈(f_1,f_2)}{\mathrm{\Σ}}\mathrm{\ψ}\left(x(t,f)\right)}{\underset{f\∈(f_1,f_1)}{\mathrm{\Σ}}1}$

$h\left(t\right)=\frac{\underset{t\∈(t_1,t_2)}{\mathrm{\Σ}}\mathrm{\ψ}\left(y(t,f)\right)}{\underset{t\∈(t_1,t_2)}{\mathrm{\Σ}}1}-\frac{\underset{t\∈(t_1,t_2)}{\mathrm{\Σ}}\mathrm{\ψ}\left(x(t,f)\right)}{\underset{t\∈(t_1,t_1)}{\mathrm{\Σ}}1}$

$\tilde{g}\left(t\right)=\mathrm{smooth}(g\left(t\right),\mathrm{by}=t)$

$\tilde{h}\left(f\right)=\mathrm{smooth}(h\left(f\right),\mathrm{by}=f)$

在上述式5中，Ψ(x)是变量x的非线性映射函数，例如能够使用上述Box-Cox变换等。g(t)是将区域R＊的频率f方向的累积值除以单位频率的数量而得到的值、即时间t下的与频率有关的样本平均，h(f)是将区域R＊的时间t方向的累积值除以单位时间的数量而得到的值、即频率f下的与时间有关的样本平均。并且，g～(t)以及h～(f)分别是将g(t)关于时间t进行平滑化而将h(f)关于频率f进行平滑化得到的结果的值。平滑化是例如通过求出移动平均来实现的。最终，异常度a(R＊)是作为移动平均后的g～(t)的与时间t有关的最大值和移动平均后的h～(f)的与频率有关的最大值中的某一最大值来求出的。可以代替最大值而使用作为统计量的分位数，也可以将某一方的值设为异常度。在式6的a₁(R＊)、a₂(R＊)、a₃(R＊)、a₄(R＊)、a₅(R＊)等中示出这种例子。在此，quantile({x},α)表示序列{x}的α分位数。将α设为1时与最大值max{x}一致。式6的α、β也可以设为接近1的值、例如0.9。

[式6]

$a_1\left(R^{*}\right)=a_1\left(\right[t_1,t_2,f_1,f_2\left]\right)=\underset{t}{\max }\tilde{g}\left(t\right)$

$a_2\left(R^{*}\right)=a_2\left(\right[t_1,t_2,f_1,f_2\left]\right)=\underset{f}{\max }\tilde{h}\left(f\right)$

$a_3\left(R^{*}\right)=a_3\left(\right[t_1,t_2,f_1,f_2\left]\right)=\mathrm{quantile}\left(\right\{\tilde{g}\left(t\right)\},\mathrm{\α})$

$a_4\left(R^{*}\right)=a_4\left(\right[t_1,t_2,f_1,f_2\left]\right)=\mathrm{quantile}\left(\right\{\tilde{h}\left(f\right)\},\mathrm{\β})$

a₅(R*)=a₅([t₁，t₂，f₁，f₂])=max{a₃(R*)，a₄(R*)}

另外，作为其它的更简单的方法，也可以将异常度a(R＊)如式7的a₆(R＊)所示那样设为提取区域R＊中的正常时时频分布的映射Ψ(x(t,f))的平均值与提取区域R＊中的试验时时频分布的映射Ψ(y(t,f))的平均值之差。

[式7]

$a_6\left(R^{*}\right)=\frac{\underset{(t,f)\∈R^{*}}{\mathrm{\Σ}}\mathrm{\ψ}\left(y(t,f)\right)}{\underset{(t,f)\∈R^{*}}{\mathrm{\Σ}}1}-\frac{\underset{(t,f)\∈R^{*}}{\mathrm{\Σ}}\mathrm{\ψ}\left(x(t,f)\right)}{\underset{(t,f)\∈R^{*}}{\mathrm{\Σ}}1}$

判断单元17将异常度a(R＊)与阈值进行比较，在异常度为阈值以上时判断为存在产生异常音的可能性，将“警报”作为判断结果18进行输出(步骤S10)。另外，当异常度小于阈值时判断为产生异常音的可能性低，将“正常”作为判断结果18进行输出。

在上述实施方式中，时频分析部4被设为通过FFT运算来输出时频分布5的结构，但是不限于FFT，也可以使用小波变换。

另外，关于存储在事先知识存储部8中的事先知识8a的矩形区域，也可以对上限时间t2与下限时间t1之差t2-t1设置下限tmin。即，限定为t2-t1≥tmin的矩形区域而保存在事先知识存储部8中。

另外，同样地，也可以对上限频率f2与下限频率f1之差f2-f1设置下限fmin。即，限定为f2-f1≥fmin的矩形区域而保存在表8中。

并且，非线性函数除了解析函数以外，也可以是通过折线逼近赋予非线性特性的函数。

如上所述，根据本发明，起到如下效果：通过设置从时频分布中提取关于时间频率连续地形成的时频区域的单元，不需要登记专用的诊断过程，而能够将出现在频率分析结果中的具有多种带宽、持续时间的异常音成分同样高精度地进行诊断。

另外，通过使用生成区域候选的区域候选生成单元、关于所生成的区域候选评价其良好度(凝缩度)的评价单元以及选择良好度(凝缩度)最大的区域的单元，具有如下作用：不使用特化为特定的异常音成分的出现样式的各种阈值，而从区域候选生成单元所生成的所有区域候选中提取评价值最好的最佳区域。由此，起到如下效果：不需要登记专用的诊断过程，而能够将出现在频率分析结果中的具有多种带宽、持续时间的异常音成分同样高精度地进行诊断。

另外，作为候选区域的良好度(凝缩度)，将与样本数相应的数作为加权乘到从正常时的时频分布的变异量，由此样本数越少则加权越小，样本数越多则加权越大，因此具有如果变异量相同则选择所提取的区域的样本数尽可能大的(等价地，区域的面积大)区域这一作用，并且具有即使变异量大、样本数少的(等价地，区域的面积小)区域的良好度(凝缩度)也变小的作用。由此，提取出变异量和样本数的大小这两者的平衡良好的大区域，因此具有提高诊断精度的效果。

另外，在作为与正常时进行比较的分布的特性参数使用样本平均的情况下，样本的分布按照正态分布时得到有意义的结果，但是实际的谱值呈非负的非对称的分布，因此具有通过非线性变换使分布接近正态分布的作用，使得即使使用样本平均也能够进行有意义的比较。由此，能够适当地进行区域的良好度(凝缩度)的评价，能够基于作为结果适当地提取出的区域判断异音的可能性，因此具有提高诊断精度的效果。

另外，关于求出凝缩度的参数，对与包含在区域候选中的样本数相应的数，赋予对于样本数的非线性的特性(压缩特性)，由此以如下方式起作用：防止尽管变异小、但区域的样本数(等价的是面积)变得极端过大。由此，能够提取变异大且样本数也大的取得平衡的区域作为提取区域，作为结果，具有提高基于此的判断结果的诊断精度的效果。

另外，通过将生成的候选区域的形状限定为矩形，以如下方式起作用：避免错误地提取一般设想为不可能发生的矩形以外的形状的区域。由此，能够提取适当的区域作为提取区域，作为结果，具有提高基于此的判断结果的诊断精度的效果。

同样地，通过使用与变动成分的时频分布有关的事先知识限定区域的形状，以如下方式起作用：避免错误地提取事先知识中没有的区域。由此，能够提取适当的区域作为提取区域，作为结果，具有提高基于此的判断结果的诊断精度的效果。

同样地，通过使用与设备的运行状态有关的事先知识限定区域的形状，以如下方式起作用：避免错误地提取事先知识中没有的区域。由此，能够提取适当的区域作为提取区域，作为结果，具有提高基于此的判断结果的诊断精度的效果。

产业上的可利用性

本发明的异常音诊断装置有可能作为在组合多个设备而成的系统装置、例如电梯中对其异常状态的位置进行检测的检测装置而利用。

Claims (6)

1.一种异常音诊断装置，其特征在于，具备：

波形数据获取单元，取入检查对象设备所产生的声音或振动的波形数据；

时频分析单元，对所述波形数据进行时频分析，求出一个轴为时间轴而另一轴为频率轴的时频分布；

区域提取单元，生成通过所述时频分布的时间轴和频率轴的坐标值规定的多个区域，提取包含与所述时频分布的稳定状态不同的变动成分的区域；以及

判断单元，基于包含在所述区域提取单元提取的区域中的时频分布进行异常的判断并进行输出，

所述区域提取单元构成为具备：

区域候选生成部，提取包含与所述时频分布的稳定状态不同的变动成分的区域作为区域候选；以及

评价部，根据包含在所述区域候选中的时频分布与正常时的时频分布的关系求出区域候选的良好度，

其中，将所述区域候选的良好度大的区域候选作为提取区域进行输出。

2.根据权利要求1所述的异常音诊断装置，其特征在于，

所述评价部对包含在区域候选中的时频分布进行非线性变换，并且通过被非线性变换了的时频分布的特性参数、同样地被非线性变换了的正常时的时频分布的特性参数以及与包含在所述区域候选中的样本数相应的数的运算，求出区域候选的良好度。

3.根据权利要求2所述的异常音诊断装置，其特征在于，

用于所述评价部求出区域候选的良好度的所述非线性变换是使用对于强度具有非线性特性的变换函数。

4.根据权利要求2所述的异常音诊断装置，其特征在于，

用于所述评价部求出区域候选的良好度的与包含在所述区域候选中的样本数相应的数是将对于样本数具有非线性特性的函数应用于样本数的数。

5.根据权利要求3所述的异常音诊断装置，其特征在于，

用于所述评价部求出区域候选的良好度的与包含在所述区域候选中的样本数相应的数是将对于样本数具有非线性特性的函数应用于样本数的数。

6.根据权利要求1～5中的任一项所述的异常音诊断装置，其特征在于，

具备事先知识存储部，在该事先知识存储部中，将事先对检查对象设备进行分析得到的、规定来自设备的产生异常音成分在时频分布中的出现区域的形状的事先知识作为表进行存储，

所述区域提取单元基于存储在所述事先知识存储部中的表的矩形的区域候选来生成所述多个区域。