CN107209054A - 检查方法以及检查装置 - Google Patents

Abstract

具备：第一判定部(101)，根据测量数据组相对于基准正常数据组(11)的基准空间(30)的马氏距离进行判定，将判定为异常的测量数据组设为测量异常数据组；滤波处理部(102)，应用根据通过基准正常数据组(11)以及测量异常数据组的独立分量分析得到的测量异常系数设定的测量异常滤波器(71)而作为校正基准正常数据组(4)以及校正测量异常数据组(43)；以及第二判定部(103)，根据校正测量异常数据组(43)相对于校正基准正常数据组(4)的校正基准空间(80)的马氏距离判定是正常还是异常。

Description

检查方法以及检查装置

技术领域

本发明涉及例如用于振动检查或图像检查工序中的不良判定等的检查方法以及检查装置。

背景技术

关于以往的检查方法，在进行正常或者异常判定的检查方法中制作基于正常数据的基准空间，根据检查对象数据在基准空间中的马氏距离与阈值的大小关系来判定检查对象数据是正常还是异常(例如，专利文献1)。

现有技术文献

专利文献1：日本特开2005－121639号公报

发明内容

以往的检查方法以及检查装置制作基于良品工件的正常数据的基准空间，通过相对于基准空间的马氏距离与阈值的大小比较来判定检查对象数据是正常还是异常，但马氏距离是表示与制作基准空间的正常数据的近似程度的指标，所以不被进行正常或者异常的二值化处理，存在灰色区域。因此，存在若阈值的设定不适当则误判增加的问题。

作为解决上述问题的方法，考虑如下方法：蓄积异常数据，制作基于异常数据的基准空间，将对象数据在基于异常数据的基准空间中的马氏距离与对象数据在基于正常数据的基准空间中的马氏距离进行比较，从而对异常模式进行分类，并反馈到设计以避免发生该异常模式。

但是，对于虽然工件本身是良品工件，却由于测量异常而成为异常数据、且难以去除测量异常的检查来说，存在难以通过上述方法减少误判的问题。

另外，在发生频度小的不良模式或者今后有可能发生的未知的不良模式中，存在制作基于异常数据的基准空间、设定阈值本身就困难的问题。

本发明是为了解决上述课题而完成的，其目的在于提供一种降低测量异常所导致的误判率、并且降低发生频度小的不良模式或者今后有可能发生的未知的不良模式的误判率的检查方法以及检查装置。

本发明提供一种检查方法，具备：

第一判定工序，根据通过被检查工件的测量得到的测量数据组相对于基准空间的马氏距离来判定是正常还是异常，将判定为异常的所述测量数据组设为测量异常数据组，该基准空间是基于通过良品工件的测量得到的基准正常数据组的空间；

滤波处理工序，将所述基准正常数据组以及所述测量异常数据组施加到降低特征量的滤波器而作为校正基准正常数据组以及校正测量异常数据组；以及

第二判定工序，根据所述校正测量异常数据组相对于校正基准空间的马氏距离来判定是正常还是异常，该校正基准空间是基于所述校正基准正常数据组的空间，

其中，所述滤波器是根据通过所述基准正常数据组以及所述测量异常数据组的独立分量分析得到的测量异常系数设定的。

另外，本发明提供一种检查装置，具备：

第一判定部，根据通过被检查工件的测量得到的测量数据组相对于基准空间的马氏距离来判定是正常还是异常，将判定为异常的所述测量数据组设为测量异常数据组，该基准空间是基于通过良品工件的测量得到的基准正常数据组的空间；

滤波处理部，将所述基准正常数据组以及所述测量异常数据组施加到降低特征量的滤波器而作为校正基准正常数据组以及校正测量异常数据组；以及

第二判定部，根据所述校正测量异常数据组相对于校正基准空间的马氏距离来判定是正常还是异常，该校正基准空间是基于所述校正基准正常数据组的空间，

其中，所述滤波器是根据通过所述基准正常数据组以及所述测量异常数据组的独立分量分析得到的测量异常系数设定的。

根据本发明的检查方法以及检查装置，能够降低测量异常所导致的误判率、并且降低发生频度小的不良模式或者今后有可能发生的未知的不良模式的误判率。

附图说明

图1是用于说明本发明的实施方式1的检查方法的图。

图2是示出执行图1所示的检查方法的检查装置的结构的框图。

图3是示出图1所示的检查方法的流程图。

图4是示出用于实施图1所示的检查方法的工序的图。

图5是示出图1所示的检查方法所使用的滤波器的制作工序的图。

图6是示出图5所示的检查方法中的独立分量分析的过程的图。

图7是用于说明本发明的实施方式1中的变量变换的图。

图8是用于说明图5所示的检查方法中的满秩矩阵的设定的图。

图9是示出使用图8所示的满秩矩阵的、图5所示的检查方法中的QR分解的图。

图10是用于说明图5所示的检查方法中的滤波器选定的图。

图11是用于说明本发明的实施方式2的检查方法中的滤波器选定的图。

图12是示出本发明的实施方式3的检查方法所使用的滤波器的制作工序的图。

具体实施方式

实施方式1.

以下说明本申请发明的实施方式。

首先，说明一般的被检查工件的检查方法。作为在制造被检查工件的生产线中的检查方法，有技术人员通过五官感受被检查工件的状态并判定是否为良品的感官检查。例如，用耳朵听被检查工件的振动或者用手触摸振动来进行判定。但是，在感官检查的情况下，需要付出劳务费用，并且受到技术人员的身体状况的影响，所以难以进行稳定的判定。

另外，不仅为了确立稳定的判定基准，也为了削减技术人员的培训的成本、实现检查工序的自动化，将感官检查置换成由机器实施的自动检查的需求不断增加。由机器实施的自动检查方法例如通过传感器获取被检查工件的振动或者声音来作为波形数据，对所得到的波形数据进行数值解析，从而进行是否为良品的判定。例如，如果是作为被检查工件而检查旋转机的情况，则由于轴承的损伤或旋转体的轴芯偏移等多种原因产生检查中的异常数据。而且，根据这些异常的种类，在与良品工件的波形数据不同的频率出现异常数据。

在生产线中，需要在受限制的检查时间中进行判定，所以不可能对全部的异常数据进行判定并分类。进而，对于发生频度小的异常数据，蓄积测量数据本身就困难，所以难以设定适当的阈值。再有，对于今后有可能发生的未知的异常数据，甚至无法设定阈值。

如果是由技术人员实施的感官检查，则对于上述发生频度小的异常数据也能够根据与包括多个正常数据的正常数据组的差异进行异常判定，但如之前也示出的那样，难以进行稳定的判定。另外，作为其它检查方法，有对波形数据进行傅里叶变换并根据基准值中是否包含特定频率的数值来判定是否为良品的方法，但在未知的异常数据时不清楚在哪些频率出现特征，所以需要同时关注多个频率。但是，难以对傅里叶变换后的全部频率设定基准值。另外，阈值的设定需要大量的数据、且难以设定适当的值。

作为解决上述问题的方法，公知有制作基于测量良品工件而得到的正常数据组的基准空间、求出与测量被检查工件而得到的测量数据组之间的马氏距离的方法。马氏距离是表示与基准空间所包含的数据的近似程度的指标，所以无论异常数据的种类如何都能够辨别正常数据与异常数据。

但是，在尽管是良品工件却由于测量异常而得到示出与正常数据组不同的倾向的数据的情况下，有时判定为不良工件。例如，有如下情况：在利用传感器测量振动数据时承载被检查工件的基台晃动，传感器获取到该晃动。此外，还有如下情况：虽然被检查工件本身的振动没有异常，却由于传感器的安装面污损或尺寸所导致的传感器的位置偏移而成为异常数据。这样的测量异常多数情况下难以去除，导致将良品工件误判为不良工件。

本发明的目的在于利用对这样的测量异常的影响降低特征量的滤波器进行滤波处理，从而减少将良品工件误判为不良工件的情形，提高判定率。另外，在上述滤波处理中，对不良工件的异常数据几乎没有影响，仅减小被误判为异常工件的正常工件的马氏距离。因此，通过严格设定阈值能够减少不良工件的误判。也就是说，对于发生频度小的异常数据以及今后有可能发生的未知的异常数据也能够减少误判。

以下，根据附图说明实施方式1的检查方法。图1是示出本发明的实施方式1中的检查方法的工序图。图2是示出执行图1所示的检查方法的检查装置的结构的框图。图3是示出图1所示的检查方法的流程图。图4是示出用于制作图1所示的检查方法所使用的滤波器的数据准备工序的图。图5是示出图1所示的检查方法所使用的滤波器的制作工序的图。

图6是示出图5所示的检查方法的滤波器制作中的独立分量分析过程的图。图7是用于说明本发明的实施方式1中的变量变换的图。图8是用于说明图5所示的检查方法中的满秩矩阵的设定的图。图9是示出使用了图8所示的满秩矩阵的、图5所示的检查方法中的QR分解的图。图10是用于说明图5所示的检查方法中的滤波器选定的图。

在图2中，检查装置100包括第一判定部101、滤波处理部102以及第二判定部103。如图1所示，检查装置100进行预先判定为是良品的多个良品工件的基准良品工件组1与作为被检查工件的良品工件组A200、良品工件组B300、不良工件组400的检查。

第一判定部101进行第一判定72，将判定为异常的测量数据组(测量异常数据组130以及不良数据组140)设为测量异常数据组，该第一判定72根据通过被检查工件的测量得到的测量数据组(正常数据组A120、测量异常数据组130以及不良数据组140)相对于基准空间30的马氏距离来判定是正常还是异常，该基准空间是基于通过基准良品工件组1的测量10得到的基准正常数据组11的空间。

滤波处理部102将基准正常数据组11以及测量异常数据组(测量异常数据组130以及不良数据组140)施加到测量异常滤波器71进行滤波处理，设为校正基准正常数据组41以及校正测量异常数据组(校正测量异常数据组43以及校正不良数据组44)，该测量异常滤波器71为降低特征量的滤波器。第二判定部103根据校正测量异常数据组(校正测量异常数据组43以及校正不良数据组44)相对于校正基准空间80的马氏距离进行是正常还是异常的第二判定73，该校正基准空间80是基于校正基准正常数据组41的空间。

接下来，说明测量异常滤波器71的制作，该测量异常滤波器71为如上所述构成的实施方式1的检查装置100的滤波处理部102所使用的滤波器。首先，根据图4说明数据准备的过程。将预先判定为是良品的多个良品工件作为基准良品工件组1。另外，作为用于检查的被检查工件设为存在良品工件组A2、良品工件组B3、不良工件组4。良品工件组A2是通过1次测量被判定为是良品的工件组。良品工件组B3是通过1次测量被判定为异常，然后通过第2次的再次测量被判定为良品的工件组。不良工件组4是进行多次测量都被判定为异常的工件组。

然后，进行用于检查这些工件组1、2、3、4的测量10。设这些基准良品工件组1、良品工件组A2、良品工件组B3以及不良工件组4的测量结果分别是基准正常数据组11、正常数据组A12、测量异常数据组13以及不良数据组14(其中，在该阶段并不判定正常、测量异常、不良。另外，这一点在以下的实施方式的说明中也一样，所以适当地省略其说明)。

接下来，使用基准正常数据组11生成基准空间30。接下来，分别求出各数据组12、13、14相对于基准空间30的马氏距离。然后，进行对各马氏距离与预先设定的第一阈值进行比较的第一判定72。接下来，正常数据组A12在第一阈值内，所以被判定为良品。另外，测量异常数据组13以及不良数据组14不在第一阈值内，所以被判定为不良。

接下来，进行用于对良品工件组B3以及不良工件组4进行再次检查的再次测量10A。此外，该再次测量10A的测量方法与先前示出的测量10相同，但为了避免发生测量异常，通过采取防止先前示出的载置有被检查工件的基台晃动等的某些应对措施来进行。这些良品工件组B3以及不良工件组4的测量结果分别为正常数据组B23以及不良数据组24。

接下来，分别求出各数据组23、24相对于先前制作的基准空间30的马氏距离。然后，进行对各马氏距离与上述第一阈值进行比较的再次第一判定72A。然后，正常数据组B23在第一阈值内，所以被判定为良品。另外，不良数据组24不在第一阈值内，所以被判定为不良。

使用如以上所示地得到的基准正常数据组11以及测量异常数据组13制作滤波器，该基准正常数据组11是用于生成判定是否为良品时所使用的基准空间30的基准良品工件组1的测量结果的基准正常数据组，该测量异常数据组13是在测量10中被判定为不良、并且在再次测量10A中被判定为良品的良品工件组B3在测量10中的测量结果的测量异常数据组。另外，追加在测量10中被判定为不良、并且在再次测量10A中被判定为不良的工件在测量10中的测量结果的不良数据组14来进行滤波器选定。

接下来，根据图5说明使用如图4所示地得到的各数据组11、13、14制作滤波器的过程。首先，使用基准正常数据组11以及测量异常数据组13进行独立分量分析40。根据图6说明该独立分量分析40。首先，如图6的(A)所示，按轴数m对i个基准正常数据组11以及j个测量异常数据组13进行独立分量分析40。在这里，构成i个基准正常数据组11以及j个测量异常数据组13的列矢量分别为n维。

然后，通过独立分量分析40得到混合矩阵50、基准正常独立分量得分31以及测量异常独立分量得分33，该混合矩阵50包括表示独立分量分析40前后的变量的线性结合关系的系数组。混合矩阵50的维数是m×n，构成基准正常独立分量得分31以及测量异常独立分量得分33的列矢量分别是m维。

也就是说，独立分量得分能够针对每1个数据得到进行独立分量分析40时的轴数m个、作为测量异常系数的测量异常轴系数61(混合矩阵50的各行分别相当于测量异常轴系数61)。然后，如图6的(B)所示，通过将该混合矩阵50从左侧乘以k个不良数据组14而得到不良独立分量得分34。

接下来，根据图7说明实施方式1中的进行滤波处理时的各数据组11、13、14的变量变换。此外，这里为了方便，说明3维的情况。这些基准正常数据组11、测量异常数据组13、不良数据组14的变量f1、f2、f3通过混合矩阵50被变量变换成变量g1、g2、g3。并且，设基准正常独立分量得分31、测量异常独立分量得分33、不良独立分量得分34的变量为变量g1、g2、g3(图7的(A))。

然后，在对测量异常独立分量得分33与不良独立分量得分34进行比较时，存在测量异常独立分量得分33为与不良独立分量得分34同等以上的值的变量即g1，也就是说存在测量异常轴60。因此，混合矩阵50的行矢量中的、表示测量异常轴60中的各变量的线性结合的系数的测量异常轴系数61示出测量异常数据组13相对于原点分布在测量异常轴60方向(图7的(B))。

然后，对与测量异常轴60正交的轴组h2、h3即测量异常轴正交轴62投影，从而能够仅使测量异常独立分量得分33接近原点(图7的(C))。作为结果，能够仅减小测量异常数据组13的马氏距离。

在此基础上，说明接下来的QR分解。作为求解与测量异常轴60正交的轴组的方法，考虑利用QR分解。QR分解是将矩阵分解成标准正交矩阵Q与上三角矩阵R之积的形式的分解，能够通过求解简单的联立方程式的算法求出。

也就是说，只要能够制作列包含作为测量异常轴60的系数的测量异常轴系数61的标准正交矩阵Q，则标准正交矩阵Q的其它列与测量异常轴系数61正交。而且，由于需要标准正交矩阵Q是满秩的，所以需要生成满秩矩阵63。因此，首先，根据图8说明生成满秩矩阵63的方法。

首先，在设基准正常数据组11的维数为n时，生成n维的单位矩阵64(图8的(A))。接下来，在设为测量异常轴系数61的第I个非0时，将单位矩阵64的第l列置换成测量异常轴系数61。在这里，示出将先前求出的、图6的(A)所示的混合矩阵50的第一行置换到第I列的例子(图8的(B))。然后，使置换后的第l列移动到第一列而得到的矩阵为满秩矩阵63的(B)(图8的(C))。

接下来，根据图9，说明使用该满秩矩阵63的(B)的QR分解。首先，在对满秩矩阵63进行QR分解70时，作为标准正交矩阵Q的标准正交矩阵65的第一列是测量异常轴系数61的常数倍，第一列以外的列矢量与测量异常轴系数61正交。也就是说，标准正交矩阵65的第一列以外的列矢量是包括多个测量异常轴正交轴系数62A的测量异常轴正交轴组620。

从n维数据的右侧乘以标准正交矩阵65与先前示出的将n维数据投影到测量异常轴60以及测量异常轴正交轴62相同。因此，从基准正常数据组11、测量异常数据组13、不良数据组14的右侧乘以标准正交矩阵65而进行滤波处理。因此，该标准正交矩阵65相当于本实施方式1中的测量异常滤波器71。

然而，还考虑不良数据组14在测量异常轴60的方向分布的可能性。在该情况下会减小不良数据组14的马氏距离。而且，因为作为结果将不良数据组14处理成测量异常数据组13，所以需要选定异常轴系数61以避免不良数据组14的马氏距离变小。因此，将从基准正常数据组11、测量异常数据组13、不良数据组14的右侧乘以标准正交矩阵65得到的组设为校正基准正常数据组41、校正测量异常数据组43、校正不良数据组44。

然后，分别求出校正测量异常数据组43、校正不良数据组44相对于校正基准空间80的马氏距离即校正测量异常马氏距离53以及校正不良马氏距离54，其中该校正基准空间80是根据校正基准正常数据组41生成的空间。然后，如果校正测量异常马氏距离53相对于校正不良马氏距离54变小，则有测量异常滤波器71的效果。因此，测量异常轴系数61的选择是适当的，通过滤波器选定90选定为此时求出的测量异常滤波器71有效。

与此相对，如果校正测量异常马氏距离53相对于校正不良马氏距离54不变小，则没有测量异常滤波器71的效果。因此，通过滤波器选定90选定为测量异常轴系数61的选择不适当。因此，在这样的情况下，选择混合矩阵50的别的行矢量，再次通过QR分解70生成别的测量异常滤波器71，重复进行上述所示的动作。

然后，使用图10说明这样选定的测量异常滤波器71的进一步的滤波器选定90。首先，例如在基准正常数据组11包含电噪声的情况下，测量异常轴系数61有时也示出电噪声(图10的(B))。因此，在具有测量异常滤波器71的效果的情况下，在如电噪声那样没有再现性的测量异常的情况下，即使如上所述地设定测量异常轴系数61也无法得到测量异常滤波器71的效果。

另外，如图10的(A)所示，如果测量异常轴系数61为正则有测量异常数据组13在原来的变量中值大的倾向，如果为负则示出值小的倾向。另外，如果为0，则表示没有来自原来的变量的影响。一般来说，如果排除如电噪声那样在无规律的频率出现特征的测量异常，则测量异常的特征集中出现于特定的频率区域。

也就是说，如果关于变量对测量异常轴系数61的绝对值进行积分得到的值小于预先设定的规定值，则设为是图10的(B)所示的由电噪声造成的，选定为不适合作为测量异常滤波器71。另外，如果积分得到的值大于预先设定的规定值，则设为是图10的(A)所示的由测量异常造成的，选定为适合作为测量异常滤波器71。由此进一步选定各测量异常滤波器71。

接下来，根据图1至图3说明使用如上所述选定的测量异常滤波器71的检查装置100中的检查方法。首先，检查装置100进行先前示出的基准良品工件组1与作为被检查工件的良品工件组A200、良品工件组B300、不良工件组400的检查。其中，在该时间点，未判定各工件组是良品还是不良品，是为了方便而示出的。

然后，进行各工件组1、200、300、400的测量10。通过这些测量10，从基准良品工件组1得到基准正常数据组11。而且，通过良品工件组A200、良品工件组B300、不良工件组400的测量10得到的测量数据组被得到为正常数据组A120、测量异常数据组130、不良数据组140。然后，第一判定部101根据基准正常数据组11设定基准空间30。

接下来，分别计算正常数据组A120、测量异常数据组130以及不良数据组140相对于该基准空间30的马氏距离(图3的步骤ST1)。接下来，对这些各马氏距离与预先设定的第一阈值进行比较，对正常数据组A120、测量异常数据组130以及不良数据组140是正常还是异常进行第一判定72(图3的步骤ST2)。

在这里，判定为正常数据组A120正常(“是”)。因此，对于该正常数据组A120，不进行这之后的判定而判定为正常(图3的步骤ST6)。另外，判定为测量异常数据组130以及不良数据组140异常(“否”)。因此，这些数据组130、140进入到以后的判定。然后，将判定为异常的测量数据组设为测量异常数据组130。在这里，不良数据组140也相当于测量异常数据组。

接下来，滤波处理部102将作为基准正常数据组11以及测量异常数据组的测量异常数据组130和不良数据组140施加到测量异常滤波器71进行滤波处理，设为校正基准正常数据组41以及校正测量异常数据组43(图3的步骤ST3)。在这里，校正不良数据组44也相当于校正测量异常数据组。

接下来，第二判定部103根据校正基准正常数据组41设定校正基准空间80。然后，分别计算校正测量异常数据组43以及校正不良数据组44相对于该校正基准空间80的马氏距离(图3的步骤ST4)。接下来，对这些各马氏距离与预先设定的第二阈值进行比较，进行校正测量异常数据组43以及校正不良数据组44是正常还是异常的第二判定73(图3的步骤ST5)。

在这里，判定为校正测量异常数据组43正常(图3的步骤ST6)，判定为校正不良数据组44异常(图3的步骤ST7)。根据以上的结果，良品工件组A200以及良品工件组B300被判定为正常，不良工件组400被判定为异常。因此，即使在使用包含测量异常的数据的良品工件组B300的测量结果的情况下，也能够判定为正常。

根据如上所述构成的实施方式1的检查方法以及检查装置，因为对在第一判定部中被判定为异常的测量异常数据组以及不良数据组进行测量异常滤波器的滤波处理，求出校正基准空间中的马氏距离，并进行第二判定，所以在第一判定中被判定为异常的测量异常数据组在第二判定中被判定为正常，因此能够降低误判率。

另外，对于发生频度小的不良数据或者今后有可能发生的未知的不良数据，通过使第一判定中的第一阈值比以往的情况更严格，容易判定为异常。由此，误判率降低。

另外，测量异常滤波器仅影响测量异常数据组，影响不良数据组的可能性小，所以不良数据组由测量异常滤波器在第二判定中判定为正常的可能性小。

另外，仅选定测量异常系数的绝对值的积分值大于预先设定的规定值的对象，所以通过避免制作降低如电噪声那样没有再现性的异常的滤波器，能够仅制作有效降低误判率的滤波器。

实施方式2.

图11是用于说明本发明的实施方式2中的检查方法以及检查装置的滤波器的选定的图。在本实施方式2中，仅说明与上述实施方式1不同的滤波器的选定。在本实施方式2中，说明通过图像检查在2维区域表示测量异常轴系数61的情况。

表示测量异常的特征量有集中于特定区域的倾向。因此，当在2维区域表示测量异常轴系数61时，测量异常轴系数61为正的特征量、测量异常轴系数61为负的特征量集中于特定区域。也就是说，在测量异常轴系数61的各点，关于在整个区域对包含于单位圆内的测量异常轴系数61的合计值的绝对值进行积分而得到的值，集中于特定区域的系数(测量异常时(图11的(A)))的一方比电噪声(图11的(B))大。由此，利用这些，通过与预先设定的规定值比较，从而与上述实施方式1同样地进行滤波器的选定。

根据如上所述地进行的实施方式2的检查方法，与上述实施方式1同样地，在图像检查中，通过排除使如电噪声那样没有再现性的异常降低的滤波器，能够仅制作有效降低误判率的滤波器。

实施方式3.

图12是示出本发明的实施方式3中的检查方法的滤波器的制作的图。在本实施方式3中，说明与上述各实施方式不同的滤波器的制作部位。如上述实施方式1所示，通过QR分解求出的滤波器是n×n维的矩阵，所以考虑在运用于生产线时产生花费运算时间而不收敛于节拍时间的情形。

因此，在本实施方式3中，利用如果测量异常轴系数61为正则有测量异常数据组13在原来的变量中值大的倾向、如果为负则示出小的倾向这一点，将测量异常轴系数61设为指数函数的指数，从而近似地求出作为滤波器的滤波器系数67(图12的(A))。然后，通过滤波器系数67对测量异常数据组13进行滤波处理，设为校正测量异常数据组43(图12的(B))。这以外的方法与上述各实施方式相同，所以适当地省略其说明。

也就是说，如果指数为正则除以大于1的值，从而能够对测量异常数据组13进行减小校正，如果指数为负则除以小于1的值，从而能够对测量异常数据组13进行增大校正。

根据如上所述进行的实施方式3的检查方法，滤波器是n维的列矢量，所以与通过QR分解求出的滤波器相比，能够缩短运算时间。

此外，本发明能够在其发明范围内自由地组合各实施方式或者对各实施方式适当地进行变形、省略。

Claims (6)

1.一种检查方法，具备：

第一判定工序，根据通过被检查工件的测量得到的测量数据组相对于基准空间的马氏距离来判定是正常还是异常，将判定为异常的所述测量数据组设为测量异常数据组，该基准空间是基于通过良品工件的测量得到的基准正常数据组的空间；

滤波处理工序，将所述基准正常数据组以及所述测量异常数据组施加到降低特征量的滤波器而作为校正基准正常数据组以及校正测量异常数据组；以及

第二判定工序，根据所述校正测量异常数据组相对于校正基准空间的马氏距离来判定是正常还是异常，该校正基准空间是基于所述校正基准正常数据组的空间，

其中，

所述滤波器是根据通过所述基准正常数据组以及所述测量异常数据组的独立分量分析得到的测量异常系数设定的。

2.根据权利要求1所述的检查方法，其中，

所述滤波处理工序通过投影进行，该投影是基于对包含所述测量异常系数的矩阵进行QR分解而得到的矩阵的投影。

3.根据权利要求1所述的检查方法，其中，

所述滤波处理工序通过除法运算进行，该除法运算是基于将所述测量异常系数作为指数函数的指数而得到的矢量的除法运算。

4.根据权利要求1至3中的任意一项所述的检查方法，其中，

所述滤波器仅选定所述测量异常系数的绝对值的积分值比预先设定的规定值大的滤波器。

5.根据权利要求1至3中的任意一项所述的检查方法，其中，

用2维区域表现所述测量异常系数，所述滤波器仅选定关于所述测量异常系数的各点的包含于单位圆内的所述测量异常系数的合计值的绝对值的在整个区域的积分值比预先设定的规定值大的滤波器。

6.一种检查装置，具备：

第一判定部，根据通过被检查工件的测量得到的测量数据组相对于基准空间的马氏距离来判定是正常还是异常，将判定为异常的所述测量数据组设为测量异常数据组，该基准空间是基于通过良品工件的测量得到的基准正常数据组的空间；

滤波处理部，将所述基准正常数据组以及所述测量异常数据组施加到降低特征量的滤波器而作为校正基准正常数据组以及校正测量异常数据组；以及

第二判定部，根据所述校正测量异常数据组相对于校正基准空间的马氏距离来判定是正常还是异常，该校正基准空间是基于所述校正基准正常数据组的空间，

其中，

所述滤波器是根据通过所述基准正常数据组以及所述测量异常数据组的独立分量分析得到的测量异常系数设定的。