CN1601250A - 检查方法、检查装置及设备诊断装置 - Google Patents

Abstract

本发明公开了一种检查方法、检查装置及设备诊断装置。该检查方法可根据生产等引起的出现不良的状况变化(开发→批量生产试制→批量生产初期→批量生产稳定期)而进行适当的检查。其对输入的波形信号抽取特征量，并使用根据抽取的特征量而判定状态的检查装置来检查。即，在初始状态下使用仅根据正常状态的数据而生成的正常知识，并进行是否符合正常状态的判定(S1、S2)。随着该判定的反复执行，根据收集到的不良数据生成不良种类单位下的不良种类知识(从S3到S6)。然后，使用正常知识和不良种类判别知识来判定状态(S7)。若能通过改变设计等而消除不良，则进行基于新的正常知识的判定并过渡到批量生产稳定期(从S8到S10)。

Description

检查方法、检查装置及设备诊断装置

技术领域

本发明涉及检查方法、检查装置及设备诊断装置。

背景技术

有通过传感器从检查对象物获取声音或振动，检查其是正常还是异常的检查装置。检查装置用于产品检查和设备诊断。设备诊断是根据工作机器和生产设备自身产生的振动和声音而诊断工作机器和生产设备自身是否正常工作、是否需要修理和调整等的维修。具体例中有NC加工机、半导体机械设备、食品机械设备等设备诊断。产品检查是根据产品产生的振动和声音而检查该产品是合格品还是不良品。上述产品检查和设备诊断在根据振动或声音而进行检查这一点上是共通的。若主要说明产品检查，则由生产设备和生产系统制造的产品在其内部内设音源和振动源。而且，通过产品的动作产生声音或产生振动。例如在家电产品的冰箱、空调、洗衣机中装入电机等部件，运行时随着电机等的旋转而产生声音和振动。例如在机动车中，除发动机、动力转向装置、自动调节式座位、变速箱以外的其他部位有音源或振动源。

这样的产品的声音和振动若随着正常的动作必然产生，则随着不良的动作也会产生。伴随该不良动作的异常噪音和振动由发动机内部的异常接触、旋转机构部分的轴承(bearing)的异常、旋转机构内部的异常接触、旋转机构的不平衡以及杂质混入等引起而产生。更具体地说，由机构的动作而产生的异常噪音例如是像电机内部的旋转部和固定部仅在旋转中的一瞬间相互摩擦那样的异常噪音。旋转机构的异常噪音起因于旋转齿轮每次旋转一周所产生的缺齿、齿轮中啮入异物以及轴承的点蚀等。另外，使人感觉不舒服的声音例如是在一定的工作声音中仅在一瞬间混入的“吱”的声音。若在合格产品中仅能听到一定的动作声音，则产生“吱”的声音的产品可视为不良产品。

另外，在将陶器制品和树脂制品组合而形成的产品中，其自身虽然不具有作为音源和振动源的部件，但也有检查其是否有裂纹的情况。这样的产品的检查，用锤等工具敲击检查对象的陶器和树脂部分而发出声音来检查。因为对象物上没有裂纹时发出高亮的音色，而在有裂纹时发出钝音，所以可通过这种差异来进行检查。

另外，说明书中的“声音”包含声音和振动。而且在说明书中异常噪音和异常振动统称为“异常声音”或“异常噪音”。另外，“振动”包含振动和声音。

伴随着上述异常和不良而产生的声音不仅另人不舒服而且产品自身也会发生故障。产生这样声音的产品必须在生产工序中检查并与合格品区分。因此，对由生产设备及生产系统制造的各产品，以保证质量为目的，通常在生产工厂中进行依赖于检查员的听觉和触觉等的感觉的“官能检查”，并判定有无异常噪音。具体地说，通过人们用耳朵听声音或用手触摸来确认振动从而进行检查。另外，官能检查由官能检查用语JIS(日本工业规格)的Z8144定义。

然而，依赖上述检查员的感觉的官能检查不仅需要熟练的技术，而且判定结果因人的不同而差别较大。而且，有不易进行官能检查的判定结果的数据化、数值化且管理也困难的问题。因此，为解决上述问题而提供一种以定量的且明确的基准的检查为目的的异常声音检查装置。该异常声音检查装置是以“官能检查”工序的自动化为目的的装置，由传感器测定产品驱动部的振动和声音，并分析检查由传感器获取的模拟信号(专利文献1、2、3)。由传感器获取的模拟信号波形的分析方法是应用FFT算法以外的带通滤波器的方法等。

使用这样的异常噪音装置检查，预先，熟练的检查操作者必须比较合格品的波形数据的抽样数据和不良品的波形数据的抽样数据发现两者的不同特性。然后在异常噪音检查装置上设定输入检查条件(模型规则和参数)以检测处理合格品和不良品的不同特性。

若简单说明该专利文件1～3所公开的技术，则是一种应用FFT算法的频率分析装置，其通过傅立叶变换算法而从获取的振动波形的时间区域成分中抽取频率区域。被取样的频率分量中根据预见的异常特性而求出该成分的特征量，根据该特征量判断是否异常并判断输出有无异常。

显然，作为取样的特征量并不限于频率分量，也存在除了基于由检查对象物产生的振动和声音的波形数据的有效值、最大振动水平、极点数之外的其他各种数据，并随着检测对象物的种类的扩大，特征量的种类也随之增加。

专利文献1：特开平11-173956号

专利文献2：特开平11-173909号

专利文献3：特开2001-91414号

现有的检查装置因为从基于检查对象物产生的振动和声音的波形数据中抽取特征量，并判定是否适合预先准备的模型规则，所以该模型规则是像符合上述的异常振动和异常噪音的产生区域的频率分量那样完全基于不良品的规则。而且在不符合不良品规则时判断为良品。

即，为了构成这种检查装置，首先分别准备多个检测对象不良品的抽样数据和合格品的抽样数据，比较二者而找出其不同特性。比较合格品的振动特性或声音特性的特征量，根据不良品的抽样数据发现适合仅抽取出不良品的特征量等，编制并登记用于判定合格品和不良品的区别的模型规则。该模型规则是用于判定合格品和异常品的判定算法，并且是适用于多个抽样数据的任一个的通用规则。以往，适合于判定怎样的特征量、特征量有效的抽取方法以及判定算法的发现方法各种各样，但任何一个方法都必须根据不良品的取样数据而决定模型规则，这已成为既定实事和固定概念化了。

在不能准备不良品抽样数据时，因为不能开发模型数据所以具有不能构成检查装置的问题。进而，为了合并判定是何种异常而必须准备每一种不良种类的抽样数据，具有在生产线组装时的初期阶段不能很好地得到抽样的情况。另外，这样的检查有无不良和检查不良种类的装置只能检测出准备抽样数据并制制成模型规则的已知的不良品，而检测出未知的不良品是有困难的。

另一方面，因为以往基于不良品的抽样数据的好坏判定虽然对转换成特别指定的产生一定程度的不良、异常种类的批量生产体制的生产设备、制造线适用，但在生产线组装时因为不能特别指定不良的种类或未知的不良种类一个个出现或不明确多个不良种类的合成，所以集中抽样数据和编制模型规则是十分困难的，不能有效地适用于检查装置。

如果可以很好地准备不良品的抽样数据并可构成检查装置，则对于某一种类的不良品来说，每天研究不良品的产生原因，为了不产生该不良品而不进行生产设备、制造线的改进。因此，对不再产生的不良品而言，辛苦地汇集抽样数据而编制模型规则所以是低效的。另外，每次产生新的不良种类时必须汇集不良品抽样数据并根据该抽样数据编制有效的模型规则，花费很多劳力和时间。所以即使产生新的不良种类也具有不能立即用检查装置判定的问题。这样，有因要消除的不良品、新产生的种类的不良品等不明确的不良品而不能很好地应用检查装置的问题。

另外，设备诊断中也有同样的问题。设备诊断中为了诊断出不良而必须汇集多个不良的抽样数据编制模型规则，为了诊断出不良种类而必须汇集多个每一不良种类的抽样数据编制每一不良种类的模型规则。但是因为在设备诊断中也有过渡期，所以最初不明确诊断对象的工作机器和生产设备自身产生怎样的振动和声音时为不良(变得不正常)、发生何种振动和声音时是何种不良种类。当然，也产生新的不良种类。即在设备诊断中也与产品检查时同样地存在不明确的不良。

发明内容

本发明的目的在于，提供一种可检测不明确的不良的同时可根据在过渡期内产生的不良现象(不想形态)的状况变化而进行合适的检查(诊断)，并从检查的初期阶段就可有效使用的检查装置、检查方法及设备诊断装置。

为实现上述目的，本发明的检查方法是使用对输入的波形信号抽取特征量并根据抽取的特征量而判定状态的检查装置的检查方法，上述检查装置在初始状态下使用仅根据正常状态的数据而生成的正常知识，进行是否符合正常状态的判定，随着该判定的反复执行，根据收集到的异常状态的数据生成以异常种类为单位的异常种类知识，然后使用上述正常知识和上述异常知识判定状态。

另外，根据使用上述正常知识和上述异常种类知识而判定状态的结果，若基于上述异常种类知识的异常种类不再被检测出，则可以删除该异常种类的异常种类知识，并在该删除后的状态下进行判定处理。

另外，本发明的检查装置是对输入的波形信号抽取特征量并根据抽取的特征量而判定状态的检查装置，其使用仅根据检查对象物的正常状态的数据而生成的正常知识，并具有判定是否是正常状态的第一模式和使用根据规定的异常种类数据而生成的异常种类知识判定是否正常及是否是规定的异常种类的第二模式，异常种类在未特别指定的初始状态下用上述第一模式进行判定，在经过了上述初始状态的规定的时刻用上述第二模式进行判定。

此外，其他解决装置可以是对输入的波形信号抽取特征量，并根据抽取的特征量判定状态的检查装置，其使用仅根据检查对象物的正常状态的数据而生成的正常知识，并具有判定是否是正常状态的正常判定装置和使用根据规定的异常种类的数据而生成的异常种类知识判定是否是规定异常种类的异常判定装置，异常种类在未特别指定的初始状态下，仅由上述正常判定装置进行状态的判定，而在经过了上述初始状态的规定时刻，使上述正常判定装置和上述异常判定装置工作并综合地进行状态的判定。这时，上述异常判定装置也可在经过了上述初始状态时组装。当然也可从初始状态时组装。

在生产线的初期组装等的初始状态下，虽然有异常发生，但不能特别指定该异常产生的原因或将多个原因相乘作用，或不能准备用于检测出异常的每一个异常种类抽样的异常数据。另外，即使可以准备，若异常种类有很多，其抽样的数据也很多，随之而来地，为了编制用于判别各异常种类的异常种类知识，而花费时间和劳力。而且，在初始状态下，若有异常原因则通过改进而消除上述异常原因并不产生异常(不良)，所以好不容易制成的异常种类知识只能短时间利用，不仅是一种浪费而且改进尽快进行时恐怕完全不能利用。因此，准备现有的异常(不良品)数据，并使用判断是否异常的检查装置，为可检测出所有不良品而寻求的各自的特征量、判定条件的异常种类知识是困难的并不能实际运用。为此，在现有产品中，只有在限定了某种程度不良原因(异常种类)的批量生产稳定期适用。

相反，本发明与上述的现有技术思想不同，其根据“不可抽取批量生产稳定后消失的不良(仅在批量生产不稳定时产生的不良品)”和“应在批量生产不稳定时以良品为基准设定判定条件”的思想而实现判定。由此，即使是初始状态，因为可以准备正常数据，所以使用根据该正常数据而生成的正常知识来判断是否正常。由此，可从初始状态的时期起进行精度高的好坏判定。

而且，若稳定到一定程度并也知道不良品的产生原因，则也准备基于异常种类数据的异常种类知识，并根据该异常种类知识判断是否是该异常种类。当然，也可根据正常知识进行是否正常的状态判别。由此，根据由生产而引起的不良现象(不良形态)的状况变化(开发→批量生产试制→批量生产初期→批量生产稳定期)而可进行适当的检查。换言之，从检查对象物的试制阶段就可进行检查。而且，因为作为判定正常(良品)状态的基础可检测出不良种类不能特别指定的不明确的不良并可进行各种不良的检测。

也可具有加工正常状态数据编制虚拟的异常数据的虚拟异常数据生成装置，并使用由上述虚拟异常数据生成装置生成的上述虚拟的异常数据进行判定处理，进行上述正常知识的评价。特别是，在仅根据正常知识判别时不存在异常的抽样数据。因此，可使正常数据变形并模拟生成虚拟的异常种类数据(实施例中对应于“虚拟NG数据”)，并可根据该数据进行知识的评价。

进而，上述正常判定可求出将多个特征量集中为一个的矢量，并根据矢量相互间的距离而决定状态。另外，上述正常判定和上述异常判定中至少一个判定可求出将多个特征量集中为一个的矢量，并根据矢量相互间的距离决定状态。而且，上述矢量相互间的距离可作为马哈拉诺毕斯距离(Mahalanobis distance)。这样则因为比较处理变得容易，同时可综合判断各种特征量，所以可进行更正确的判定。

另外，正常知识中判定是否是正常状态的阈值可设定为能取得通过判定产品为不正常而将其废弃所产生的成本和将判定为不正常的检查对象物修正为使其正常所需要的成本的平衡的值。

另外，正常知识中判定是否是正常状态的阈值的设定也可通过登记质量性能临界的信息、废弃成本信息以及修正成本信息的登记装置和根据上述登记装置的信息计算损失函数的损失函数计算装置以及根据上述损失函数计算装置的损失函数而计算阈值(Δ)来设定。在此，质量性能临界信息对应实施例中图18的ΔO，废弃成本信息对应实施例中图18的A0，修正成本信息对应实施例中图18的A。而且，登记装置对应实施例中图17的登记装置20。

若如上述地进行设定，则通过过剩管理不废弃处理原本可不废弃的产品，提高了经济性。

另外，本发明的设备诊断装置是对输入的波形信号抽取特征量并根据抽取的特征量而判定设备状态的设备诊断装置，其具有使用仅根据作为诊断对象物的设备的正常状态的数据而生成的正常知识判定是否是正常状态的正常判定装置和使用根据规定的异常种类数据而生成的异常种类知识判定是否是规定的异常种类的异常判定装置，在未特别指定异常种类的初始状态下仅由上述正常判定装置进行状态判定，在经过了上述初始状态的规定时刻使上述正常判定装置和上述异常判定装置动作，综合地进行设备状态的判定。

上述各发明中，所谓“初始状态”至少意味着众所周知的可靠的正常工作的阶段，或虽可区分正常和异常，但是异常种类仍不能充分地特别指定的阶段，或检查对象的异常出现为流动性的阶段等。在实施例中，在图3(a)的状态下，相当于试制或批量生产阶段。

另外，所谓“然后”是指经过了初始状态的规定的时刻，并且含有经过了初始状态时和经过了初始状态后的任意的时刻的意思。而且，所谓经过了初始状态，是可区别正常和异常，进而可特别指定异常种类的阶段。在实施例中，相当于图3(b)的批量生产初期阶段或批量生产稳定阶段中任一阶段。

本发明的检查装置及检查方法，通过仅以合格品的抽样数据为基准来判断是否正常，从而可检测不明确的不良，同时根据过渡期的不良现象(不良形态)的状况变化，可进行适当的检查(诊断)。另外，可从过渡期的初期阶段开始有效地使用检查装置。

附图说明

图1是表示适用于本发明的系统结构的一例的图；

图2是表示本发明适合的一实施例的工序图；

图3是表示说明该实施例的作用、工作原理的图；

图4是表示说明该实施例的作用、工作原理的图；

图5是表示说明该实施例的作用、工作原理的图；

图6是表示本发明的检查装置(编制算法时)的第一实施例的框图；

图7是表示特征量、历史数据库的数据结构的一例的图；

图8是表示历史种类类别数据库的内部数据结构的一例的图；

图9是表示虚拟NG生成装置的内部结构的图；

图10是表示波形数据数值化装置的内部结构的图；

图11是表示特定函数最佳化部分的功能的流程图；

图12是表示历史种类类别状态判定计算式生成装置的内部结构的一例的框图；

图13是表示历史种类类别状态判定计算式生成装置的内部结构的一例的框图；

图14是表示历史种类类别状态判定计算式生成装置的内部结构的一例的框图；

图15是表示更新判定式更新判定装置的功能的流程图；

图16是表示历史种类类别阈值设定装置的内部结构的一例的框图；

图17是表示历史种类类别阈值设定装置的内部结构的一例的框图；

图18是说明图17所示的历史种类阈值设定装置的工作原理的图；

图19是表示本发明的检查装置(检查工作)的第一实施例的框图；

图20是表示本发明的检查装置(编制算法时)的第二实施例的框图；

图21是说明状态判定装置的功能的图；

图22是表示状态判定装置的其他结构的图；

图23是表示正常状态判定式生成装置的一例的内部结构图；

图24是说明其功能(其中之一)的图；

图25是说明其功能(其中之一)的图；

图26是表示本发明的检查装置(检查工作时)的第二实施例的框图。

具体实施方式

图1表示本发明的优选的一实施例。如图1所示，在实施例中，由放大器4放大来自与检查对象物1接触/非接触设置的话筒2及加速度拾音器3的信号后，由AD转换器5转换成数字数据后，检查装置10得到该数字数据。另外，从PLC6也可取得作动时刻之外的数据。而且，检查装置10取得基于由话筒2收集的声音数据的波形数据或基于由加速度拾音器3收集的振动数据的波形数据，并从该波形数据中抽取特征量，同时进行好坏判定。另外，图中虽然在检查对象物1上配置有话筒2和加速度拾音器3，但也可以仅配置其中之一，检查装置10收集基于声音数据或者振动数据中任一个的波形数据。另外，系统的硬件结构基本上与现有结构相同。

在此，本发明在检查装置10中根据正常的抽样而生成好还判定时使用的判定知识(规则)，并将符合条件的产品是良品、不符合条件的产品是不良品的判定作为基本算法。通过取得该结构可在过渡期阶段进行适当的好坏判定，另外可相应于直至稳定期的各时期进行适当的好坏判定。

若表示从过渡期到稳定期的一例，则如图2所示。在此假定编制产品的工序，并表示从产品的试制阶段到批量生产初期直至批量生产稳定时期的流程。首先，检查装置10通过检查担当者设定基于正常工作(合格品、良品)的判定知识(正常知识)，登记该判定知识(S1)，开始检查的实际运用(S2)。即，因为可以定义合格品，所以检查装置10根据从该合格品中得到的各种波形数据(声音、振动等)，为了认识该合格品而设定合适的特征量和判定规则等的判定知识(正常知识)，并存储该判定知识。而且，检查装置10在实际运用开始的状态下，根据对制造的检查对象物存储的正常知识进行好坏判定(S2)。另外，通过检查担当者的判定，加入随着该实际运用开始而得到的合格品的抽样，根据需要而进行检查装置10的正常知识的修正，并改变检查装置10的正常知识的设定(S1)。由此，虽然初期时的不良品的产生较多，但即使不良原因、不良种类不能特别指定的情况下，使用检查装置10也可进行适用于过渡期的好坏判定。

而且，若通过反复进行上述处理并增加产品的抽样数据，从而将一些不良品集中成几种，可评价其原因并定义不良种类(S3)，则检查担当者明确其原因的同时在检查装置10上登记并存储不良种类X和不良原因X的信息(S5)。检查担当者与以往同样地编制用于从基于其不良品的抽样数据中检测出不良品的判定知识(不良知识)，检查装置10追加登记该判定知识(S6)。由此，检查装置10使用正常知识和不良种类、不良知识来进行检查(S7)。

其结果，检查装置10因为同时使用与S1、S2时同样的正常的判定知识和每一种不良种类的判定知识来检查，所以可区分产品是合格品还是不良品，还可判别不良品是何种不良种类。另外，在检查装置10中，获取的波形数据也有不符合不良种类判定知识中任一条件的情况，在该情况下可判断为基于新的不良种类的不良品。而且，若基于该新的不良种类的抽样数据集中到一定数量，则返回S3，检查装置10定义新的不良种类，从S4经过S6的工序编制用于判别新的不良种类的不良判定知识。而且检查装置10追加登记该不良判定知识。

另外，在试制阶段和批量生产初期等不良品比较多发的时期，通常为了不产生该不良品而进行适当地改进。所以，相当于S3工序中求出的不良种类定义的不良品的产生率渐渐下降，其中某些异常种类发生率变为零。这样，一部分属于不良种类定义的不良品进行各种改进为使相同的不良不再产生而调整设计和生产设备来谋求消除不良(S8、S9)。

若调整设计和生产设备来谋求消除不良的不良品增加，则相当于至此使用的不良种类、不良知识并检测出的不良品不再产生，使用该不良知识的判定处理无效。因此，根据设计改变后的正常工作编制新的正常知识(S10)。以后，检查装置10通过使用最新的正常知识进行判定处理从而可进行好坏判定，并即使在产生预想不到的不良品时也能可靠地进行检测。当然，即使S9的设计改变工序结束，也有不能完全将不良品产生率抑制为零的困难，并也会产生属于不能完全消灭的已知不良种类的不良品。如此地在频率少的属于某种不良种类的不良品产生的众所周知的情况下，即使是S10之后的批量生产稳定期，也可根据正常知识和规定的不良种类、不良知识进行好坏的判定。

这样，因为以根据正常知识而进行好坏判定为前提，所以从试制阶段的极其初期的阶段开始，可进行正确的好坏判定而没有检查装置产生的偏差，而且，从试制阶段到批量生产稳定期的各期间中，可分别进行合适的判定处理。

图3表示从试制阶段到批量生产稳定期的各阶段下的正常/异常(不良)的判定结果的标准偏差(横轴)、出现状态(纵轴：出现数)的一例。图2着眼于各工序中应执行的内容、顺序而记述，并根据其说明本发明的一实施例。在此，一边引用该判定结果一边说明一实施例。

首先，图3(a)表示试制、批量生产试制阶段的判定结果的状态。在该过渡期阶段可定义合格品。另外，虽然编制的产品中也产生异常品，但出现不可把握产生怎样的异常并产生何种程度的异常的状况。而且，因为该异常随机产生多个模式，所以不能划分异常的种类，以异常判定为基础的判定算法无论怎样周密地编制也不能检测出异常。

因此，在这样的状况下，以合格品为基础生成判定算法并进行好坏判定。即，如图3(a)所示，识别是正常(良品)还是异常(不良品)，并将未被分类成正常的产品全部判定为异常。

图3(b)表示批量生产初期阶段。若过渡到该阶段，则还集中多个至此收集到的合格品的抽样数据，合格品的定义更加明确。进而，在该状况下存在能清楚地定义异常种类的异常(异常A、B、C、D)和不能清楚地定义异常种类的异常(异常？)。因此，可清楚定义异常种类的异常在检查装置10上登记异常种类判定算法(不良种类、不良知识)。而且，检查装置10开始运用将正常判定和异常种类判定二者结合的判定。

进而，各种异常通过改进而区分不再出现的异常(异常A、B)和还继续出现的异常(异常C、D)。即，异常的产生原因依存于组装操作的质量、加工的质量以及原先的设计质量。而且，组装操作因为可通过操作的熟练和操作工具的充实而提高并维持质量，所以抑制基于该原因的不良品的产生。另外，加工也因为通过加工操作的熟练和加工机器的稳定化而提高并维持质量，所以抑制基于该原因的不良品的产生。同样地，因为设计质量上的异常品在设计改变的实施中也提高质量，所以抑制了基于该原因的不良品的产生。因此，在上述过程中，伴随改进而在异常种类中出现了已不再出现的不良品。但是，上述改进不限于对全体一次有效作用，也可产生使一个改进产生其他问题的新的异常种类。

因此，检查担当者在适当的时刻确认异常(不良)的产生状况，在产生新的异常种类时在检查装置10中编制用于检测出该异常种类的判定算法。而且检查装置10登记该判定算法并结合该算法进行判定。另外，因为多个异常种类(不良种类)通过改进而消除，所以检查装置10未必需要存储基于全部异常种类的判定算法。但是，对像通过改进而产生的不良品那样的异常种类而言，检查装置10存储基于该异常种类的判定算法(不良知识)。包括使用检查装置10的检查结果，检查担当者收集其产生频率和产生时的条件等数据并进行设计改变等。

图3(c)表示批量生产稳定期。若过渡到该阶段，则合格品的定义清楚并且分布上也均匀。进而，也可特别指定继续出现的异常种类，并将出现比例最小化，每一种异常种类的分布也变得均匀(异常C)。但有时产生预想不到的异常(异常？)。

因此，检查装置10将正常判定和异常种类判定两个判定组合运用。检查装置10的异常种类的判定主要运用残留到最后的“异常种类”(异常C)和偶尔随机产生的“其他异常”。随机异常也有由过去定义的异常种类通过改进而不再产生的异常种类再次发生的情况。另外，在不能定义“其他异常”时，检查装置10将既不是正常也不是异常C的产品判断为“其他异常”(异常？)。

图4、图5是着眼于判定方法的一实施例的说明图。即，首先如图4所示，检查装置10进行合格品的判定。多数情况下，因为即使不能准备异常、不良的样本也可以准备合格品的样本，所以检查装置10存储为了检测出基于该合格品的样本的合格品而编制的判定算法(正常知识)。而且，从批量生产的产品中通过判定算法仅抽取合格品，并将残存的产品判定为异常品(批量生产的产品-合格品＝异常品)。由此，可捕捉未知的异常品。

其次，如图5所示，若出现异常品，则检查担当者和生产技术者通过分析症状和原因(改进活动的一个环节)而使异常种类X明确化。而且在检查装置10中，拾取在异常品中异常种类清楚的产品(图示为“异常品A”和“异常品B”)。而且将残留的未知异常品作为“其他异常”对待(异常品-异常品A-异常品B-…＝其他异常)。若生产线的操作时间变长，则异常种类的种类也增加，如各实施例中的说明，通过改进等而不再产生的不良品越来越多。

接下来，说明用于实施上述的各种实施例的检查装置10的具体内部结构。图6表示用于编制判定算法的功能框。检查装置10通过设置在检查工件1(未图示)上的各种测量装置而获得波形数据。因为每一个检查对象工件都取得波形数据，所以检查装置10处理多个波形数据。

检查对象工件1，例如是机动车的发动机。实际上使发动机起动，并在检查期间继续旋转。计测装置例如是图1中的话筒2和加速度拾音器3。检查装置10收集的驱动信息在上述话筒2的情况下为基于声音信号的波形数据，而在加速度拾音器3的情况下为基于振动的波形数据。

将使检查对象工件1动作并由计测装置取得的波形数据提供给波形数据数值化装置11和虚拟NG生成装置12以及记录波形显示装置13。波形数据数值化装置11如后述那样将取得的波形数据数值化并特征化。

另外，虚拟NG生成装置12使正常历史波形数据变形。而且，将由该虚拟NG生成装置12编制的虚拟NG数据提供给波形数据数值化装置11。本实施例的情况下，虽然可取得合格品的抽样数据，但未必能取得不良品(异常)的抽样数据(NG数据)。因此，通过虚拟NG生成装置12而获取合格品的抽样数据(波形数据)，根据该正常波形数据模拟地编制NG数据。如此制成的虚拟NG数据可利用于制成的判定算法的评价。即，虚拟NG生成装置12提供给后段的各装置以虚拟NG数据，根据该数据判定的结果，通过是否可正确判断异常而可推断制成的辨别算法的精度。

记录波形显示装置13表示从计测装置获取的波形数据或记录装置中存储的记录波形数据。检查装置10因为由通用的个人计算机等而构成，所以记录波形显示装置13可通过具有这样的个人计算机的显示监控器而实现。

另外，在波形数据数值化装置11上连接数值化装置调整装置9和波形数据的历史记录装置14。数值化装置调整装置9在波形数据数值化装置11抽取特征量时进行该特征量的参数调整，具有将用于该参数调整的指示提供给波形数据数值化装置11的功能。波形数据的历史记录装置14根据在驱动上述检查对象工件1时产生的声音等，进行工作产品(人)正常/异常(异常情况下进而判断异常种类)的判断，并记录该判定结果。进而，波形数据数值化装置11对数值化结果显示装置13″处理结果的波形数据数值化结果，即，可将求得的各特征量输出表示。

波形数据数值化装置11从提供的波形数据中抽取特定的特征量。除表示振动水平大小的RMS(Route mean Square Value)、表示一帧中直到数据的振动水平的高位n的数据平均值的XP、以及表示一帧中直到数据的变化量的高位n的平均值的AMXa以外、抽取的特征量可使用各种数值。可求出各检查对象工件的各特征量。而且，使由波形数据的历史存储装置14求得的判定结果(历史数据)和由波形数据数值化装置11求得的特征量相关联并存储在特征量历史数据库15中。这时特征量和历史数据通过试验序号而附带储存。

图7表示该特征量历史数据库15的数据结构的一例。试验序号是一种记录序号，并且是简单地设定各个检查对象工件的序号。若单纯地则依照检查的顺序而设定。而且，历史栏(正常/异常(带异常种类))存储由波形数据的历史记录装置14提供给的数据，并在此之后的特征量栏中存储由波形数据数值化装置11提供给的各特征量。

另外，存储在特征量历史数据库15中的数据可在登记内容显示装置13上显示，或可操作编辑删除装置16而改变。这里所谓的登记内容显示装置13′和上述的记录波形显示装置13物理上可通过同样的监控器而实现。

另外，特征量历史数据库15中存储的数据被历史种类分类装置17调出，将历史信息分类成关键码。而且，历史种类分离装置17将数据库制制成历史种类类别。之后，制成的数据库存储在历史种类类别数据库18中。在此，历史种类不仅分为正常和异常，而且在异常时可进一步分类成其每一种异常种类。另外，不能特别指定的异常种类作为其他(异常)。而且，图8表示该历史种类类别数据库18的内部数据结构的一例。图8(a)是正常的数据，图8(b)是异常的数据。

而且，存储在该历史种类类别数据库18中的数据被输出到登记内容显示装置13′，并由登记内容显示装置13′显示。另外，编辑删除装置16可删除、改变存储在历史种类类别数据库18中的数据。

存储在该历史种类类别数据库18中的各数据将历史种类类别提供给下级的历史种类类别状态判定式生成装置19。该历史种类类别状态判定式生成装置19根据每个历史种类的特征量生成用于判定检查对象的波形数据(特征量)是否符合各个历史种类的判定式。即，历史种类类别状态判定式生成装置19一方面根据历史种类正常的正常数据编制用于正常判定的判定式，另一方面根据历史种类异常的异常数据(异常品A的数据)编制判定是否是异常A的判定式。而且，制成的判定式被提供给下一级的状态判定装置21。

另外，状态判定式获得马哈拉诺毕斯距离方式、欧几里得距离方式、正常/异常对比方式、神经元网络方式以及使用隶属函数的模糊方式等各种方式。而且，如后上述，可自动地生成，也可与以往同样地人为制成。

而且，本发明的情况、最初、状态判定装置21因为仅根据正常知识进行判定，所以在特征量历史数据库15中仅存储历史正常的数据，在历史种类类别数据库18中也仅编制并存储如图7所示的历史种类“正常”的数据。因此，历史种类类别状态判定式生成装置19中也生成用于正常判定的判定式并设置在状态判定装置21上。

另外，在历史种类类别数据库18中存储的各数据也提供给历史种类类别阈值设定装置20。而且，该历史种类类别阈值设定装置20决定使用判定式演算处理根据从检查对象工件中得到的波形数据求得的特征量而得到的结果是否符合该历史种类的阈值。而且，将决定的阈值提供给状态判定装置21。

由此，生成判定算法、正常知识和异常种类判定算法(不良种类、不良知识)，状态判定装置21使用设定的判定式及阈值，根据提供给的检查对象的波形数据(特征量)进行好坏判定。而且，该判定结果通过显示装置2 3和输出装置24而输出的同时被存储在结果存储装置25中。在结果存储装置25中不仅存储状态判定结果还可相关存储人为判定(历史数据)、波形数据和特征量等。另外，显示装置23在物理上与记录波形显示装置13相同。

然而，最初只进行正常判定，若如后述地继续进行检查并某种程度地收集不良品(异常)，则历史种类类别状态判定生长装置19生成历史种类为异常A、B、…的异常种类类别数据库18进而生成异常A、B、…的判定式，状态判定装置21追加设置该判定式。另外，可通过不仅存储异常数据，还可存储正常数据从而能编制更好的判定式。因此，设置状态判定式更新判定装置22并比较现在使用中的判定式和根据现在存储的数据而新制成的判定式，判断哪一个判定式更好。状态判定式更新判定装置22在判断新制成的判定式更好时，将该结果显示在显示装置上，并向用户询问是否更新。而且，在设定输入更新并提供给许可的情况下，状态判定装置21由状态判定式更新判定装置22而更新新的判定式。另外，也可不这样查询而自动地更新。

而且，状态判定式更新判定装置22在由状态判定式更新周期定义装置26定义的更新周期下进行有无更新的判定。另外，作为更新周期定义可在存储一定数量的抽样数据时和每个一定的期间等设定各种定义。

下面详细说明各处理部。首先，如图9所示，虚拟NG生成装置12在输入侧具有波形变形参数设定装置12a，并设定用于将输入的波形数据变形的参数。

设定的规格例如为：(1)波形库的异常模式波形合成(偏心异常波形的合成、冲击波形的合成)；(2)驱动条件固有频率的n次增幅(将旋转频率、啮合频率的1～4次的振幅1.5倍化)；(3)特定或随机频率增幅(将频率500～1000Hz的振幅1.2倍化)；(4)FM调制、AM调制；(5)相位参差调谐(将原波形的相位微小地错开并与原波形合成)等。

这里(1)的波形合成通过合成不产生正常波形的异常波形，从而由该合成的异常波形部分的影响而在重叠合成后的波形数据的部分出现与正常数据不同的波形数据，并作为异常数据。另外，(2)是在例如假想齿轮等的情况下，通过啮合频率而在异常时产生的声音和振动出现特定的频率。该啮合频率可通过齿数和旋转频率而计算。因此，通过增大各频率的n次振幅(通过提高合格品的功率)，从而形成与正常数据不同的异常数据。省略详细说明的其他情况下也可生成在正常时不能得到的波形数据。

将设定的参数与波形数据一同提供给下一级的变形参数规格设定装置12b。该变形规格设定装置12b因为设定根据试验计划正交表将波形变形参数变形的，所以例如波形合成是“ON/off的两个规格”、特定频率是“三个档次的频率”以及增幅是“1.2倍、1.5倍、2倍的三个档次”。如此设定波形变形时的各参数值等。

而且，波形数据选择取样装置12c随机地选择正交表的试验序号数的波形数据。而且，对选择的波形数据，波形变形装置12d根据由基于正交表的变形参数规格而选择的变形量而改变波形数据。由此，最终生成虚拟NG波形，并作为波形数据追加到正常的波形数据中。即，根据该波形数据也可以进行好坏判定，若可判定为不良品，则提高检查装置10的检查算法的可靠性。

波形数据数值化装置11接收从由测定装置提供给的从检查对象得到的波形数据和从样品NG生成装置12提供给的虚拟NG数据(为判定为不良而模拟生成的波形数据)，并从这些各波形数据中抽取特征量。其具体的特征量取样算法可使用现有的各种算法，也可使用其他的特征量取样算法。

若表示一例，则波形数据数值化装置11如图10所示地构成。将从计测装置得到的波形数据分开存储在由时间轴波形形状模板组11a和频率分解处理部11b进行FFT和顺序变换等的频率分解而求得的频率轴波形形状的样板组11c上。登记在各样板组上的数据基本上与以往相同，从一个波形数据中抽取多种特征量数据。因为各种特征量数据分别通过特定函数而求出，所以若简单说明该特征量取样处理算法，则波形数据数值化装置11从取样的整个时间的波形数据中因为演算而截出必要的时间的数据，同时进而将截出的数据由一定数据数分割而得到的一个总的数据作为一个帧，以该帧为单位来分别抽取多种(例如四十种)的特征量。而且，从全部帧得到的每个特征量，每个同一种类的特征量通过平均之外的其他各种方法求取代表特征量演算值。因此，波形数据数值化装置11对应特征量的种类计算多个(四十种)代表特征量演算值。

然而，波形数据数值化装置11通过特定函数求出的项目预先决定平均值、最大值以及n个高位部分的平均等(根据必要进行追加)。用于求出这些特征量的特定函数(演算式)含有可调整的参数(系数及常数)，并通过适当地设定该参数而提高好坏判定的精度。换言之，若调整不适当，则好坏判定的精度下降。而且，现有的参数设定是熟练的检查担当者通过尝试和错误来调整并最终决定。当然本发明也可与以往同样地通过人工操作调整而设定参数，在本实施例中检查装置10自动地将参数最佳化，并使用设定最佳值的特定函数将波形数据数值化(特征量取样)。

具体地说，波形数据数值化装置11调整将波形数据数值化时使用的特定函数，并具有最佳化的特定函数最佳化部11d。该特定函数最佳化部11d通过由数值化装置调整装置9发出的指示而改变特定函数的各种参数。具体地说，具有实施图11所示流程图的功能。

即，特定函数最佳化部11d，首先检查特定函数的系数和常数的组合效果，并根据试验计划正交表设定调查条件(ST1)。即，根据从数值化装置调整装置9发出的指示对系数和常数的组合设定多个参数，并制成与调查条件(调查规格)相关的正交表。其次，特定函数最佳化部11d将正常和异常作为信号因子将数据数作为误差因子而计算各调查规格(试验序号)的动态性(sn比)(ST2)。即，使用由被各调查规格规定的参数(系数及常数)设定的特定函数将被提供的多个波形数据数值化(求出特征量)、并求出表示OK(正常品、良品)的特征量(数值)组和表示NG(异常、不良)的特征量(数值)组的距离是多少等。

而且，特定函数最佳化部11d计算特定函数的系数及常数的平均工序(ST3)，并选择每个特定函数的计计算的数字及常数选择sn比高的值(ST4)。根据该选择的值而决定特定函数的参数(系数及常数)，并设定为使用该系数和常数的特定函数最佳的数值(ST5)。上述的特定函数的参数的评价、设定可对每个特定函数，即每个特征量进行。

另外，特定函数最佳化部11d将最佳化的特定函数提供给数值化处理部11e。而且，数值化处理部11e使用设定的最佳的各特定函数，将波形数据数值化，并输出得到的特征量。特征量历史存储装置14存储该输出的特征量。

前面已叙述了历史种类类别状态设定计算式生成装置19可采取各种方式，但作为一例其可采取图12所示的内部结构。该图所示的是实现欧几里得距离的一例。首先，将存储历史种类类别数据库18的正常数据库18a和异常数据库18b的每个历史种类的特征量数据分别提供给对应的欧几里得距离的计算、存储装置19a、19b。正常数据的欧几里得距离的计算、存储装置19a根据取得的正常数据(特征量)，通过计算该特征量的平方和的平方根，从而求出欧几里得距离并将其存储。另外，异常数据的欧几里得距离的计算、存储装置19b除去异常的处理对象的数据，求出正常数据的欧几里得距离并将其存储。另外，在异常数据将每个异常种类分开时，求出并存储每个异常种类的欧几里得距离。

将如上述计算并存储的各数据的欧几里得距离分别提供给对应的统计量计算装置19c、19d。计算正常数据的欧几里得距离的统计量的正常统计量计算装置19c计算被提供的多个正常数据的欧几里得距离的最大值、平均值以及标准偏差等的统计量。同样地，计算异常数据的欧几里得距离的统计量的异常统计量计算装置19d计算被提供的多个异常数据的欧几里得距离的最大值、平均值以及标准偏差等的统计量。此时也求出每个异常种类。

而且，将由各统计量计算装置19c、19d求出的统计量提供给下一级的判定式决定部19e。判定式决定部19e比较由正常统计量计算装置19c求得的正常统计量的最大值(正常最大值)和由异常统计量计算装置19d求得的异常统计量的最小值(异常最小值)，并判定是否是正常最大值<异常最小值。而且，在具备上述条件式时，判断求出此时设定的特征量的欧几里得距离式正确，并设置在状态判定装置上。由此，状态判定装置21通过求取提供给的特征量的平方和的平方根而计算欧几里得距离。

另外，在不具备上述条件式时，因为计算特征量的特定函数的设定不适当，所以判定式决定部19e对数值化装置调整装置9请求改变其参数(特征函数的系数及常数)。接受该请求的数值化装置调整装置9将上次设置的特定函数的系数和常数设置成其他值。由此，因为特定函数改变，所以根据改变的特定函数而改变数值化的特征量，并改变统计值。通过反复执行该处理从而由判定式决定部19e生成具备条件的特定函数。

图13表示状态判定式生成装置19的其他结构。在该例中实现正常、异常对比方式。即，将存储历史种类类别数据库18的正常数据库18a和异常数据库18b的每个历史种类的特征量数据提供给特征量计算装置19f。该特征量计算装置19f选择任意的特定函数，并使用该选择的特定函数计算存储在上述数据库中的数据的特征量。而且，正常数据的特征量存储在正常数据的特征量数据存储装置19g中，异常数据的特征量存储在异常数据的特征量数据存储装置19h中。

将如上述计算并存储的各数据的特征量分别提供给对应的统计量计算装置19i、19j。计算正常数据的特征量的统计量的正常统计量计算装置19i计算被提供的多个正常数据的特征量的最大值、平均值以及标准偏差等的统计量。同样地，计算异常数据的特征量的统计量的异常统计量计算装置19j，计算被提供的多个异常数据的特征量的最大值、平均值以及标准偏差等的统计量。此时也可求出每一异常种类。

而且，由各统计量计算装置19i、19j求出的统计量被提供给下一级的判定式决定部19k。判定式决定部19k比较由正常统计量统计装置19i求出的正常统计量的最大值(正常最大值)和由异常统计量计算装置19j求出的异常统计量的最小值(异常最小值)，并判断是否是正常最大值<异常最小值。而且，具备上述条件式时，判断由特征量计算装置19f选择的特定函数正确，并在状态判定装置21上进行。由此，状态判定装置21通过求出被提供的特征量的平方和的平方根而计算欧几里得距离。而且，通过该欧几里得距离是否在阈值以上从而进行状态判定。

另外，不具备上述条件式时，因为可判断选择的特定函数不适合，所以对特征量计算装置19f要求改变使用的特定函数。接收到此要求的特征量计算装置19f选择与上次不同的特定函数，并再次计算特征量。由此，因为特定函数改变，所以根据改变的特定函数改变数值化的特征量，并改变统计值。通过反复执行该处理，由判定式决定部19k选择具备条件的特定函数。

另外，判定式决定部19k的条件不限于上述条件，例如也可以是最大值取标准平均+3σ，最小值取异常平均-3σ，并可进行各种改变。

图14表示状态判定计算式生长装置19的另一其他结构。在该例中实现神经元网络方式。即，将存储历史种类类别数据库18的正常数据库18a和异常数据库18b的每个历史种类的特征量数据提供给筛选装置19m。该筛选装置19m计算各个数据库的不合理值并删除该数据。不合理值例如是：(1)从平均±3σ去除的数值；(2)不使用从最大值到第三个的数据和从最小值到第三个的数据，共计六点的数据而计算平均、标准偏差，并可作为从平均±3σ去除的数值等。

由筛选装置19m筛选的数据提供给数据合并装置19n并将数据合并。而且由学习装置19p将存储在合并的数据库中的特征量数据输入，并学习输出历史水平的神经元网络模型(建立集合模型)。学习处理可使用在神经元网络中使用的各种方法。而且，若学习结束后，则将学习结果的神经元网络模型定义为状态判别装置并设置在状态判定装置21上。

省略图示，更新判定式更新判定装置22具有存储保持由历史种类类别状态判定式生成装置19生成的判定式的状态判定式存储装置判定式数据库，并具有实现图15所示流程图的功能。

即，更新判定式更新判定装置22从状态判定装置21取得现在的历史种类类别状态判定式，同时取得从历史种类类别阈值设定装置20生成的阈值，并对存储在历史种类类别数据库18的数据实施状态判定(ST11)。

接下来，更新判定式更新判定装置22组合执行步骤11得到的判定结果和存储在历史种类类别数据库18中的历史信息(人为判定结果)，分别求出误判的比例(ST)。在此，将A设为将异常判定为正常的比例，将求出的值设为Anew。另外，将B设为将正常判定为异常的比例，并将求出的值设为Bnew。然后将这样求出的值(Anew、Bnew)存储在状态判定式存储装置判定式数据库中。该判定式数据库，每次存储A、B的值并存储保持。因此，更新判定式更新判定装置22从该判定式数据库中读出现在使用的状态判定式的误判定比例Aold、Bold，并比较在步骤中求出的现在生长的状态判定式的误判定比例Anew、Bnew(ST13)。

而且，在Anew未达到Aold时，在显示装置上显示新旧A、B的误判定的比例(ST14)，并促进更新算子。即，因为若将异常误判为正常则恐怕会使不良品出厂，而若将正常误判为正常则将本来可出厂的产品废弃处理，所以必须要降低A的误判比例。因此，在本实施例中更新判定式更新判定装置22，如步骤14所示地在减少关于A的误判的比例的情况下判断并显示更新状态判定式。

而且，最终是否更新等待操作者的指示(ST15)。即，操作者根据关于A、B的新旧误判的比例之外的其他条件，决定是否更新状态判定式，操作输入装置传达该决定内容。因此，状态判定式更新判定装置根据其决定的内容执行状态判定式的更新处理或继续原状态中任一种处理。

另外，本例中最终更新的接收的判断由操作者进行，当然也可自动进行。另外，在如初期阶段那样地仅进行正常判定时，因为也有仅存在关于B的信息的情况，所以步骤14也可以在Bold＞Bnew时显示Bold vs Bnew。

历史种类类别阈值设定装置20通过人工操作而设定阈值。即，如图16所示，历史种类类别阈值设定装置20将存储在历史种类类别数据库18中的正常数据的特征量数据提供给正常分布确认装置20a，并将存储在历史种类类别数据库18中的异常数据的特征量数据提供给异常种类分布确认装置20b。在设定异常种类时，提供给每个异常种类。在此，正常数据、异常数据可根据历史信息而划分，并也可以根据人的判定结果来区分正常、异常。

各分布确认装置20a、20b因为求出每个取得的历史种类的特征量的分布状况，所以计算例如平均值、中央值、标准偏差、四分位点以及n×σ(n＝1、2、……)。而且将计算的各值提供给正常分布、异常分布种类分布位置关系计算装置20c。该正常分布、异常种类分布位置关系计算装置20c求出正常分布和一个异常种类分布的位置关系TX。例如，求出正常分布和异常种类A的分布的位置关系TA、正常分布与异常种类B的分布的位置关系TB，…那样的全部的异常种类的分布和正常分布的位置关系。

在此，位置关系TX(X＝A、B、C、…)是特征量上的数值，例如可通过TX＝标准(平均+3σ)-异常种类X(平均-3σ)而求出。另外，平均可改变成中央值，或可将3σ改变成四分位点，或改变成n×σ(n＝1、2、…)。

将与由该正常分布、异常分布位置关系计算装置20c求出的各异常种类的位置关系TX提供给阈值决定装置20d。阈值决定装置20d确认TX的符号并根据以下规则求出ΔX。

TX为负时，因为正常分布和异常种类分布的一部分是重叠的状态，所以将TX的中间位置设为ΔX。具体地通过下面的式子求出。

ΔX＝1/2{正常(平均+3σ)+异常种类A(平均-3σ)}

TX为零、正的情况下，因为两分布不重叠，所以在异常种类X的分布侧设为ΔTX。具体通过下面的式子求出。

ΔX＝异常种类X(平均-3σ)

而且，关于所有的异常种类，求出各自的ΔX，并将其中最小的作为阈值Δ(Δ＝min(ΔX))。而且，在上述式子中有时将平均改变成中央值或将3σ改变成四分位点和n×σ(n＝1、2、...)。

图17表示历史种类类别阈值设定装置20的其他结构。图16所示的例子中正常分布和异常分布是必要的，但在该例中，可根据二者中一个的分布进行设定。

具体地说，收集存储在历史种类类别数据库18中的数据，并合计检查装置10的检查对象工件1的所有特征量的值。具体地说，求取特征量值的标准偏差σ。

另外，历史种类类别阈值设定装置20包括各种登记装置20f。具体地是：(1)检查对象工件的废弃成本A0；(2)废弃判定的阈值ΔX(任意的特征量水平)；(3)登记检查对象工件的再制成本A。在此，废弃成本是判定为异常(不良)而废弃处理时的成本。例如制造的费用和废弃时花费的费用等。再生产成本是判定为异常(不良)的检查对象工件为了成为良品而进行部件交换等并重新制作所需要的成本。

将由特征量合计装置20e收集的特征量以及由登记装置20f输入的登记信息提供给下一级的损失函数计算装置20g。该损失函数计算装置20g根据下面的式子计算损失函数L。

L＝(A0/ΔO^2)×σ^2

而且，将这样求出的损失函数L提供给下一级的阈值计算装置20h，在此根据下面的式子计算阈值Δ。

Δ＝(A/A0)^(1/2)×Δ0

在此，说明评价函数L。特性的变化是质量的变化，通过由损害金额表示该变化从而将质量作为管理指标发挥作用。即，通过使在引入注目的工序中维持质量的成本和在下一工序以后产生的质量损害金额的和平衡到最小的阈值而进行管理。

即，考虑质量在功能的稳定性上花费的费用时，可由经济损失定义质量，并可由金额决定管理目标(阈值)。例如，出厂后提供给使用者，若此时功能不稳定则产生问题并出现损害。这是使用者的损失。另一方面，检查功能的稳定性并重新做，或者若在此废弃则这是引入注目的工序的经济损失。另外，为了在工序中不出现损失，若生产制造物则在使用者的阶段损失变大。若相反地在工序中完全吸收损失，则在工序阶段的损失最大化。重要的是使这两个损失平衡并最小化。

上述的两个损失的平衡可如图18所示地表现。即，某种特征量Y的质量越不好经济损失越高。而且，因为NG一般是标准偏差，所以质量(功能性)若恶化则损失急剧上升。而且，若执行上述式子求出阈值Δ，则OK侧的区域α的面积和NG侧的区域β的面积相等，若取得两个损失的平衡则可使损失降到最小。

另外，根据该方法即使用正常数据或异常数据中一方的历史种类下设定阈值。因此，在仅进行正常判定期间用该方法决定阈值就可以。

图19表示检查工作时的本检查装置10的内部结构。在本实施例中，因为即使在检查工作时也进行用于好坏判定的判定算法的修正，所以也同时进行用图6说明的算法的编制。因为用于算法编制的功能程序也是必要的，所以为了与图6清楚地比较而采取大致相同的结构。而且，若着眼于检查工作说明，则波形数据数值化装置11取得检查对象工件1的波形数据，将其数值化并求取特征量，将该特征量存储在特征量历史数据库15中。另外，对同一对象同时进行人为判断时，人为判定结果也可作为历史信息而存储在特征量历史数据库15中。

而且，将在特征量历史数据库15中存储的特征量数据提供给状态判定装置21，并在那里进行状态判别(好坏判定)。求出的状态判别结果在显示装置23中显示，或被输出装置24输出，或存储在结果存储装置25中。

另一方面，检查运行时的学习(算法编制、修正)基本上与现在说明的相同。另外，其他结构及作用效果因为与上述实施例相同，所以付与同一符号并省略其详细的说明。

图20表示本发明第二实施例的算法制成时的形态。如该图所示，基本的结构与上述第一实施例相同，付与对应部件(处理部)同一符号，并以不同点为中心进行说明。

波形数据数值化装置11取得波形数据将其数值化并求出各特征量，将求出的特征量存储在特征量历史数据库15中。显然，该特征量历史数据库通过波形数据的历史存储装置14将人为判定结果也作为历史信息而存储。而且，历史种类分类装置17将历史信息作为关键码来访问特征量历史数据库15，抽取历史信息正常的数据并存储在正常数据库18a中，抽取历史信息异常的数据并将每个异常种类存储在异常数据库18b中。

将存储在正常数据库18a中的正常特征量数据提供给正常状态判定式生成装置31，并在那里计算正常用的状态判定式，交送给状态判定装置21。另一方面，将存储在异常数据库18b中的异常种类的特征量数据提供给异常种类状态判定式生成装置32，并计算异常用的状态判定式，提供给状态判定装置21。

另外如已说明的，在本发明中，首先试制、提高时等只进行正常判定，然后进行组合正常判定和异常种类判定的状态判定，进而若转换成批量生产稳定期则作为原则只进行异常判定。因此，根据该判定的变换，首先在初期阶段异常数据库18b不设置异常种类状态判定生成装置32而具有正常数据库18a和正常状态判定生成装置32，在必须进行不良判定时，异常数据库18b也可增设异常种类状态判定式生成装置32。当然，异常数据库18b也可从最初设置异常种类状态判定生成装置32。

而且，状态判定装置21根据由正常状态判定式生成装置31、异常种类状态判定式生成装置32提供给的信息进行好坏判定。状态判定装置21可通过安装执行例如图21所示的处理的功能而构成。即，首先进行正常判定(ST21)。其根据由正常状态判定式生成装置31提供给的判定式和由波形数据数值化装置11求出的检查对象的波形数据的特征量而进行检查对象工件是否是正常(良品)的判定。

而且，状态判定装置21判定其判断结果是否正常(ST22)并在正常的情况下作为状态判别结果输出正常(良品)(ST24)。另外，判断结果不正常时，进行异常种类判定(ST23)。即，状态判定装置21根据由异常种类状态判定式生成装置32提供给的判定式和由波形数据数值化装置11求出的检查对象的波形数据的特征量而特别指定检测对象工件的异常种类。而且将该特定结果作为状态判别结果输出(ST24)。

在本例中，状态判定装置21首先进行正常判定，对不正常的产品进行异常种类判定，但本发明不限于此，也可以是例如图22所示地将从一个检查对象工件得到的波形数据的特征量提供给正常判定装置21a和异常种类判定装置21b，由利用判定装置21a、21b并行处理并求出“是否正常”和“是否相当于规定的异常种类”。

而且，分别将求出的判定结果提供给综合判定装置21c，并在那里综合地判断各判定结果，决定最终的状态判别。这时进行的综合判断的算法例如可根据以下规则而进行。

正常判定”是”且异常种类判定”是”→输出异常种类判定

正常判定”是”且异常种类判定”否”→输出正常判定

正常判定”否”且异常种类判定”是”→输出异常种类

正常判定”否”且异常种类判定”否”→输出异常种类

虽然反复进行了说明，正常状态判定式生成装置31和异常种类状态判定式生成装置32可采取与第一实施例的历史种类状态判定式生长装置19同样的结构，而在本实施例中正常状态判定式生成装置31如图23所示地构成，使用与异常种类状态判定式生成装置32不同的判定式。

即，将存储在正常数据库18a中的正常数据的特征量提供给统计处理装置31a，并在此计算全部的特征量的统计量。求出的统计量作为平均和标准偏差。即，求出每个特征量的平均值和标准偏差，求出将各特征量的平均值作为一个汇集的平均矢量和将标准偏差作为一个汇集的标准偏差矢量。

而且，将求出的统计量提供给正常数据库基准化装置31b，正常数据库基准化装置31b由平均矢量和标准偏差矢量将存储在正常数据库18a中的数据基准化。这是由于各特征量的数值大小存在标准偏差，所以谋求正规化、基准化。进而，由求出相关矩阵的装置31c求出各特征量的相关矩阵，并将求出的相关矩阵提供给逆矩阵的装置31d，求出相关矩阵的逆矩阵。

而且，由上述装置求出的平均矢量、标准偏差矢量以及逆矩阵存储在存储装置31e中。将存储在该存储装置的各数据提供给马哈拉诺毕斯距离的计算式生成装置31f并求出马哈拉诺毕斯距离的计算式。

即，马哈拉诺毕斯距离D^2设特征量数为k；各项目的值为X1、X2、...、Xk；在测定n个检查对象工件的数据时求出每个特征量的平均m1、m2、...、mk和标准偏差σ1、σ2、...、σk。若将此时的相关矩阵的逆矩阵的成分设为aij，则由下面的式子定义马哈拉诺毕斯距离。计算式生成装置31f生成该式子并设置成状态判定装置21。

算式1

$D^2=1/k\underset{\mathrm{ij}}{\mathrm{\&Sigma;}}\mathrm{aij}\&times;(\mathrm{Xi}-\mathrm{mi})/\mathrm{\&sigma;i}(\mathrm{Xj}-\mathrm{mj})/\mathrm{\&sigma;j}$

另外，n个数据必须全部作为相同的历史种类。

因为批量生产正常数据与理想的正常数据和参数相似，所以在靠近平均基准的位置上描绘，马哈拉诺毕斯距离成为1附近的值。而异常数据结合与正常数据的不同参数在远离评价基准处描绘，马哈拉诺毕斯距离成为较大值(参照图24)。因此，马哈拉诺毕斯距离通过是否接近1而简单地进行是否正常的判定。另外，也可评价使用的特定函数的马哈拉诺毕斯距离的可靠性影响程度，并附加删除影响程度低的数据的功能。

即，在现有检查装置中，从取样的整个时间上的波形数据中截出因为演算而必要的时间上的数据，同时进一步将由规定数据数分割该截至的数据而得到的一个汇集的数据作为一个帧，在该帧单位下分别抽取多种(四十种)特征量。而且，关于从全部帧得到的每个特征量，每个同一种类的特征量通过平均之外的其他方法而求出代表特征量演算值。因此，对应特征量的种类计算四十个代表特征量演算值。而且，好坏判定使用从该四十个代表特征量演算值的全部或其中一部分中选择的规定数的演算值而进行判定。姑且不论使用代表特征量演算值的数，由特征量(代表特征量演算值)单位(标量)比较并判定。

相反，在本实施例中汇集求出的多个种类的特征量，变换成一个数值(多元的波形平均：矢量)。作为该波形数据数值和各特征量的图像如图25所示。当然，好坏判定时的模式也是求出多个特征量而生成的矢量。因此，好坏判定通过相互比较基于该模式和检查对象的波形数据的矢量而进行，如果两矢量的距离在一定范围内则符合该模式并且若分开一定距离则判定为与模式不同。即，仅在正常判定时，作为基准的模式可以是汇集多种特征量而求出的一个数值(多元的波形平均：矢量)中的至少一个，并通过求出与其的距离而进行好坏判定。即，计算汇集各特征量(实际上是根据多个帧而求出的各代表特征量演算值)的矢量后，可仅在一次求取距离的演算处理中进行好坏判定。而且，两矢量间的距离也可如本实施例地通过马哈拉诺毕斯距离而计算，并可由欧几里得距离以外的其他各种方法计算。

图26表示检查运行时的本检查装置10的内部结构。本实施例中，因为即使在检查工作时也进行用于好坏判定的判定算法的修正，所以同时进行使用图29说明的算法的编制。因为用于编制算法的功能块也是必要的，所以为了与图20清楚地比较而采取大致相同的结构。而且，若着眼于检查工作而说明，则将检查对象工件1的波形数据改用波形数据数值化装置11，在此使其数值化求出特征量，并将其存储在特征量历史数据库15中。另外，在对同一对象同时进行人为判断时，历史信息(人的判定结果)也存储在特征量历史数据库15中。

而且，将存储在特征量历史数据库15中的特征量数据提供给状态判定装置21，并进行状态判别(好坏判定)。求出的状态判别结果在显示装置23上显示、被输出装置24输出或存储在结果存储装置25中。

另一方面，在检查工作时的学习(算法编制、修正)基本上与现在说明的相同。另外，其他结构及作用效果因为与上述实施例相同，所以付与同一符合并省略详细说明。

上述的实施例的检查装置10可适用于异常噪音、组装错误、输出特性的检查领域。另外，既可适用于进行批量生产的联机(in line)，也可适用于批量生产之外的试制品的检查等的脱机(off line)。而且，更加具体地说，本实施例的检查装置10例如可作为机动车的发动机(声音)、变速器(振动)等的机动车的驱动模式的检查机和电动前车门侧反光镜、电动自动调节式座位、电动支柱(手把的定位)等的机动车的电机驱动器模式的检查机，或可作为上述开发的异常噪音、组装错误、输出特性的评价装置，还可作为开发中的试制机的评价装置来运用。

另外，可作为冰箱、空调室内外机、洗衣机、清扫机、打印机等的电机驱动家电的检查机及上述开发中的异常噪音、组装错误以及输出特性的评价装置而适用。

另外，也可作为进行NC加工机、半导体机械设备、食品机械设备等设备的状态判别(异常状态/正常状态)的设备诊断机器而适用。这是考虑到在设备诊断中仅从正常时的抽样数据判定使以往根据异常时的抽样数据编制有无异常的判定式(判定规则)已定实事、固定概念化的状态是正常还是异常。通常因为导入设备机器后立即边调整机器(或边调整、改变操作参数的设定)边使用，所以虽然不稳定地产生所谓的“异常状态”，但通过维护或调整机器而不能产生该异常状态。

即，若达到设备机器的工作稳定期，则若干异常状态可不实施并产生解决策略。这意味着是与若干设备机器的状态判别的“异常状态”不再产生和若干检查对象物的“不良品”不再产生相类似的现象，并意味着可将本发明作为进行设备的状态判别(异常状态/正常状态)的设备诊断装置而适用。适用于该设备诊断装置时，“初始状态”相当于设备稳定工作前的阶段。另外，关于异常种类知识，因为在设备机器的工作稳定后以设备机器本身的岁月变化等为起因，判明在设备机器中定期地维护调整所必须的位置，所以可特别指定该异常状态(有异常和异常种类两种状态)，根据其每个异常种类的数据生成异常判定知识。若异常判定知识中不实施并产生解决策略，则可删除该异常种类的异常种类知识，并在删除的状态下进行判定处理。

另外，设备不仅限于机械设备，可适用于包括车、飞机等的交通工具，并进行各种物品的状态判别的诊断机器。若例举交通工具，则在试制阶段仅根据发动机状态的正常状态的数据而生成正常知识。试制时产生明显异常的状态，但若干异常状态在试制改进后不再产生。因此，在试制的初期阶段，仅从正常数据编制判定规则，在进行试制改进解决若干异常状态使之不再产生并在接近完成的阶段特别指定若干异常种类，从该异常状态中生成异常种类知识。所以，可判定正常状态和特定的异常状态。这样，从试制阶段开始积累数据和知识，编制使用正常知识和异常种类知识判定是否正常及是何种异常的诊断机器，将该诊断机器作为完成品安装在进入市场的车和飞机上，并可根据发动机的振动诊断正常和异常。

Claims (11)

1.一种检查方法，其使用对输入的波形信号抽取特征量，并根据抽取的特征量而判定状态的检查装置，其特征在于，所述检查装置在初始状态下使用仅根据正常状态的数据而生成的正常知识，进行是否符合正常状态的判定，随着该判定的反复执行，根据收集到的异常状态数据生成以异常种类为单位的异常种类知识，然后，使用所述正常知识和所述异常知识来判定状态。

2.如权利要求1所述的检查方法，其特征在于，根据使用所述正常知识和所述异常知识来判定状态的结果，若基于所述异常种类知识的异常种类不再被检测出，则删除该异常种类的异常种类知识，并在该删除后的状态下进行判定处理。

3.一种检查装置，其对输入的波形信号抽取特征量，并根据抽取的特征量判定状态，其特征在于，其具有：使用仅根据检查对象物的正常状态的数据而生成的正常知识，并进行是否是正常状态的状态判定的第一模式；使用根据所述检查对象物的正常状态的数据而生成的正常知识和根据规定的异常种类的数据而生成的异常种类知识来进行是否正常及是否是规定的异常种类的状态判定的第二模式，在没有特别指定异常种类的初始状态下用所述第一模式进行状态判定，在经过了所述初始状态的规定的时刻用所述第二模式判定状态。

4.一种检查装置，其对输入的波形信号抽取特征量，根据抽出的特征量判定状态，其特征在于，其包括：使用仅根据检查对象物的正常状态的数据而生成的正常知识，进行是否是正常状态的状态判定的正常判定装置；使用根据规定的异常种类的数据而生成的异常种类知识而进行是否是规定的异常种类的状态判定的异常判定装置，在未特别指定异常种类的初始状态下，仅由所述正常判定装置进行状态判定，而在经过了所述初始状态的规定的时刻，使所述正常判定装置和所述异常判定装置动作，综合地进行状态的判定。

5.如权利要求4所述的检查装置，其特征在于，所述异常判定装置在经过了所述初始状态时组装。

6.如权利要求3或4所述的检查装置，其特征在于，具有加工正常状态数据来编制虚拟的异常数据的虚拟异常数据生成装置，使用由所述虚拟异常数据生成装置生成的所述虚拟的异常数据来进行判定处理，并进行所述正常知识的评价。

7.如权利要求3或4所述的检查装置，其特征在于，所述正常判定求出将多个特征量汇集成一个的矢量，并根据矢量相互的距离而决定状态。

8.如权利要求3或4所述的检查装置，其特征在于，所述正常判定和所述异常判定的至少一个判定求出将多个特征量汇集成一个的矢量，并根据矢量相互的距离而决定状态。

9.如权利要求3或4所述的检查装置，其特征在于，正常知识中判定是否是正常状态的阈值设定为能取得由判定为不正常而废弃所产生的成本和将判定为不正常的检查对象物修正为正常所需要的成本的平衡的值。

10.如权利要求9所述的检查装置，其特征在于，正常知识中判定是否是正常状态的阈值的设定通过登记质量性能临界信息、废弃成本信息、修正成本信息的登记装置、根据所述登记装置的信息而计算损失函数的损失函数计算装置以及根据所述损失函数计算装置的损失函数计算阈值的阈值计算装置来进行。

11.一种设备诊断装置，其对输入的波形信号抽取特征量，并根据抽取的特征量来判定设备的状态，其特征在于，包括：使用仅根据作为诊断对象物的设备的正常状态的数据而生成的正常知识，进行是否是正常状态的状态判定的正常判定装置；以及使用根据规定的异常种类的数据而生成的异常种类知识而进行是否是异常种类的状态判定的异常判定装置，在未特别指定异常种类的初始状态下，仅由所述正常判定装置进行状态的判定，而在经过了所述初始状态的规定时刻，使所述正常判定装置和所述异常判定装置动作，综合地进行设备状态的判定。

Images