CN1758034A - 知识作成装置及参数搜索方法 - Google Patents
知识作成装置及参数搜索方法 Download PDFInfo
- Publication number
- CN1758034A CN1758034A CNA2005101086068A CN200510108606A CN1758034A CN 1758034 A CN1758034 A CN 1758034A CN A2005101086068 A CNA2005101086068 A CN A2005101086068A CN 200510108606 A CN200510108606 A CN 200510108606A CN 1758034 A CN1758034 A CN 1758034A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- knowledge
- parameter
- characteristic quantity
- estimate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Abstract
本发明提供一种可以容易对适于判断检查/诊断装置中的检查对象物的正常/异常的判别知识进行搜索/确定的装置。该装置具有:对运算特征量的参数集进行搜索的参数搜索部(12);特征量运算部(11),其对于所赋予的包含正常数据和异常数据的学习用数据,基于所述搜索部所搜索出的参数集,运算多个特征量;一次评价部(12),其根据由该特征量运算部求出的特征量的运算结果输出参数集的优良程度作为评价值;最优解候选输出单元(14),其把在该一次评价部所求出的一次评价的结果中得到较高的一次评价值的参数集搜索结果作为最优解候选而输出;判别知识作成部(15),其基于从该最优解候选数据单元输出的多个最优解候选作成判别知识;二次评价部(16),其对该判别知识作成部所作成的多个判别知识进行评价;以及最优解输出部(17),其基于该二次评价的结果输出评价值较高的判别知识作为最优解。
Description
技术领域
本发明涉及知识作成装置及参数搜索方法。
背景技术
在汽车和家电产品等中,非常广泛地采用了装有电机的旋转设备。例如以汽车为例时,在发动机、动力转向装置、电动座椅、变速器以及其它部分安装了旋转设备。并且,以家电产品为例时,有冰箱、空调、洗衣机以及其它各种产品。并且,在相关的旋转设备实际运转时,随着电机等的旋转发出声音。
相关的声音不仅有伴随正常的工作而必然产生的声音,还有伴随不良状况而产生的声音。作为伴随该不良状况的异常声的一个例子,有轴承的异常、内部的异常接触、失衡、混入杂质等。更具体讲,有以齿轮旋转1周发生1次的频率发生的掉齿、异物进入、斑痕、电机内部的旋转部和固定部在旋转中的瞬间磨合的异常声。并且,作为令人感到不快的声音,在例如人类听得到的20Hz至20kHz中有各种声音,有例如约15kHz左右的声音。并且,在产生相关的预定频率成分的声音的情况下,也形成异常声。当然,异常声不限于该频率。
伴随该不良状况的声音不仅令人不快,还有发生更严重的故障的危险。因此,为了对这些各产品保证质量,在生产工厂中,通常由检查员进行依靠听觉和触觉等五感的“官能检查”,判断有无异常声。具体讲,通过用耳朵听、用手触摸而确认振动来进行。另外,由官能检查用语JISZ8144定义了官能检查。
然而,从数年前开始对汽车的声音品质的要求已急剧地变严格。即,在汽车业界内,已提高了定量地对发动机、变速器、电动座椅等车载驱动部件进行自动检查的要求,通过像以往进行的检查员的上述官能检查那样进行定性/模糊的检查已无法得到符合该要求的质量。
因此,为了解决相关的问题,开发出了实现定量且依据明确基准的稳定的检查的异音检查装置。该异音检查系统是以实现“官能检查”过程的自动化为目的的装置,用传感器测出制品驱动部的振动和声音,使用应用了FFT算法等的频率分析装置查出其模拟信号的频率成分,从而进行检查(专利文献1)。模拟信号的分析也可以应用带通滤波器。
对该专利文献1中公开的技术进行简单的说明,应用了FFT算法的频率分析装置可利用快速傅立叶变换算法对时域信号进行频域分析。另一方面,也在一定程度上决定了异常声的频率范围。从而,可在通过分析提取的频率成分中提取出与异常声发生范围对应的成分,从而求出相关的提取成分的特征量。并且,可以根据特征量并利用模糊逻辑推断出有无异常及其原因等。
在上述的异音检查系统中,可以进行遵从既定基准的自动判断,并且可将检查的结果(实绩)和此时的波形数据保存在异音检查系统内的存储装置中。
目前在上述的异音检查系统中,最优特征量的选择以及特征量运算用的参数集的选择由人依靠直觉和经验来进行。并且,对于搜索这种最优参数的问题的自动化而言,例如,有专利文献2中公开的“利用遗传算法的优化处理方法及装置”。在该专利文献2中公开的层级化遗传算法和并列遗传算法有助于提高遗传算法的复杂优化问题中的搜索精度。
专利文献1:日本特开平11-173909号
专利文献2:日本特开平9-44465号
在专利文献1等所公开的现有的异音检查系统中,提取与有无异常对应的特征量、用于运算特征量的参数集的选择是由人靠直觉和经验进行的。
因此,从超过数千条的异常判断结果数据中选择有无异常和与其对应的特征量以及运算特征量的参数,不仅要求经验和直觉,还需要非常大的工作量,成为检查/诊断业务自动化的障碍。
特别是例如在汽车业界,新车的销量推移形成了在刚发售后迎来高峰,数月后便跌落的倾向,因此从新车型生产开始时就要求很高的合格率,并实现制造质量的不断提高也成为了当务之急。因此,必须尽快确定异音检查系统中的最优参数,但就基于人的经验和直觉的最优参数确定而言,有很费时间的问题。
并且,在考虑将专利文献2中公开的层级型遗传算法应用于确定异音检查系统的最优参数的情况下,产生如下所示的问题。即,只要是不具有层级结构的遗传算法,以试错的方式设定对遗传算法的动作进行控制的参数(杂交率、突变率、淘汰方法),因此当把这种参数构造成层级结构时,为了得到所期望的结果,需要与手工选择上述特征量和运算参数时匹配的试错。
而且,由于遗传算法自身的控制复杂,因此难以组织与想要搜索的参数集的特性(参数间的影响)对应的搜索战略。其结果是,假设采用专利文献2的方法,也难以在短时间内高效地求出最优参数。
而且,还有用于搜索参数集的操作者所判断的异常有无数据(学习时的训练数据:样本数据)本身有误的情况,如果这样在包含错误的状态下直接搜索参数集,则搜索会失败,或搜索到最优解之前需要很长的时间。
并且,像官能检查(异音检查)那样作成带有运算参数的使用了特征量的知识的情况下,某一参数可能会对多个特征量的值产生影响。例如有时在像异音检查那样根据波形数据计算特征量时,首先,利用带通滤波器对输入波形进行滤波处理,去掉无用的成分,然后求出各个特征量。此时,与滤波器相关的参数是多个特征量共同使用的参数,但设置便于针对某一特征量分辨出良品和次品的滤波器后,有时对其它特征量,难以分辨出其差异。因此,无法单纯地关注于一个特征量而确定参数。
发明内容
本发明的目的在于,提供可以容易地搜索/确定适于检查/诊断装置中的检查对象物的正常/异常判断的有效特征量、以及用于运算该有效特征量的参数集,而且即使搜索时使用的样本数据含有错误,也可以高精度地在短时间内求出有效特征量等的知识作成装置及参数搜索方法。
本发明的知识作成装置对于取得的计测数据,基于进行特征量提取处理而得到的特征量数据,求出与判断检查对象物是正常还是异常的检查/诊断装置中的所述检查对象物相适宜的判别知识,其特征在于,具有:搜索部,其对运算特征量的参数集进行搜索;特征量运算部,其对于所提供的包含正常数据和异常数据的学习用数据,基于所述搜索部所搜索出的参数集,运算多个特征量;一次评价部,其根据由该特征量运算部求出的特征量的运算结果输出参数集的优良程度作为评价值;最优解候选输出单元,其输出该一次评价部所求出的一次评价结果中得到较高的一次评价值的多个参数搜索结果作为多个最优解候选;判别知识作成部,其基于从该最优解候选输出单元输出的多个最优解候选作成判别知识;二次评价部,其对该判别知识作成部所作成的多个判别知识进行评价;以及最优解输出部,其基于该二次评价的结果输出评价值较高的判别知识作为最优解。
所述搜索部可以基于评价部的评价结果再次搜索参数集,同时确定评价值较高的有效特征量和该有效特征量的参数集。
所述一次评价部具有对于共用同一参数的特征量组,使用对各特征量设定的权重,求出加权和作为一次评价值的功能。以该功能为前提,所述一次评价部优选为,可以通过采用多种对所述各特征量设定的权重的模式,对一个参数集计算出多个一次评价值。并且,所述一次评价部可以使用多种类型的评价运算式,对于一个参数集计算出多个一次评价值。所述一次评价部优选为,具有计算每个特征量的一次评价值的功能。
并且,本发明的判别知识作成方法是知识作成装置中的判别知识作成方法,该知识作成装置对于取得的计测数据,基于进行特征量提取处理而得到的特征量数据,求出与判断检查对象物是正常还是异常的检查/诊断装置中的所述检查对象物相适宜的判别知识,其特征在于,对于所提供的包含正常数据和异常数据的学习用数据,基于特征量运算部所设定的参数集,运算多个特征量,根据由该特征量运算部求出的特征量的运算结果计算表示所述参数集的优良程度的一次评价值,基于该计算出的一次评价结果再次搜索参数集,基于所搜索的参数集反复进行所述特征量计算和评价值的计算,基于满足所设定的搜索结束条件时的一次评价值,将多个参数搜索结果确定为多个最优解候选,基于该多个最优解候选作成判别知识,进行针对该作成的多个判别知识的二次评价,基于该二次评价的结果,将评价值较高的判别知识确定为最优解。
并且,优选为在针对所述多个判别知识的二次评价结果不满足结束条件的情况下,从运算所述特征量的处理开始再次执行。而且,在针对所述多个判别知识的二次评价结果不满足结束条件的情况下,在从运算所述特征量的处理开始再次执行时提供给特征量运算部的参数集采用在作成二次评价较高的判别知识时使用的参数集。
根据本发明,进行一次评价,选择多个一次评价值较高(容易关注于特征量而判别良次)的参数集,将它们作为最优解候选。接着,对于最优解候选进行详细评价,即,实际地基于各最优解候选作成判别知识,评价(二次评价)各判别知识,由此,可以高速地作成真正最优的判别知识。
并且,在本发明中,无需把最终的判别知识限定为一个。即,通过作成针对多个最优解候选的判别知识,可以在把各判别知识的二次评价作为参考的同时,根据需要区别使用多个判别知识。而且,在设置了搜索范围指定部的情况下,由该指定部预先从运算对象中去掉无用的特征量,由此,可以更高速地作成知识。
特征量是为定量地表示状态所需的项目,例如,使用特征量来表示模糊知识等的判别知识。特征量的值发生变化时判别知识也发生变化。参数是计算特征量所需的项目。使用参数来表示特征量。参数的调整结果发生变化时特征量的值也发生变化。
并且,“检查/诊断装置”在实施方式中是异音检查系统(装置),但本发明不限于此,也可以是针对振动和其它波形信号的检查/诊断装置。而且,可以与这些波形信号无关地应用于各种设备维护/检查装置等,可以进行与其关联的计测方法的参数等的确定。
在该发明中,可以容易地搜索/确定出适于检查/诊断装置中的检查对象物的正常/异常判断的判别知识。
附图说明
图1是表示本发明的第一实施方式的方框图。
图2是表示检查实绩文件的数据结构的图。
图3是对第一实施方式的功能(工作原理)进行说明的流程图。
图4是表示编码的一个例子的图。
图5是表示编码中的各基因的值的表索引的一个例子。
图6是表示编码中的各基因的值的表索引的一个例子。
图7(a)是对杂交进行说明的图,(b)是对突变进行说明的图。
图8是表示最优解候选输出部输出的输出数据的数据结构的一个例子的图。
图9是表示从最优解输出部输出的数据结构的一个例子的图。
图10是表示本发明的第二实施方式的方框图。
图11是指定由搜索范围指定部18指定的搜索范围的缩小的数据结构的一个例子。
图12是对第二实施方式的功能(工作原理)进行说明的流程图。
图13是表示本发明的第三实施方式的方框图。
图14是对第三实施方式的功能(工作原理)进行说明的流程图。
图15是表示由基于第一实施方式的实施例中的参数得到的运算结果的一个例子的图。
图16是表示本实施例中的参数搜索的一个例子的图。
图17是表示本实施例中的进行一次评价而得到的特征量的值的一个例子的图。
图18是对本实施例中的判别评价进行说明的图。
图19是对根据一个特征量无法充分地分离良品和次品的情况进行说明的图。
图20是对利用多个特征量可以高精度地分离良品和次品的情况进行说明的图。
具体实施方式
首先,对各实施方式进行说明之前,作为前提简单地说明在本实施方式中作为设定特征量和参数的对象的异音检查系统(波形检查系统)时,基本结构为:利用滤波器对振动传感器或拾音器等取得的波形数据进行预处理之后,提取预定的多个特征量,在所提取的特征量中利用有效的特征量求出综合特征量,根据该值判断为良品/次品/不确定。而且,作为滤波器,准备了带通滤波器、低通滤波器、高通滤波器等多种类型,并且提取的特征量也准备了多个(例如40种)。就检查对象而言,对于良次判断有效的预处理和特征量等是确定的。因此,在预先知道不太有效的特征量时,求出相关的无效特征量的处理是无谓的。因此,在发明中,求出适合于检查对象的特征量等,设定到异音检查系统中。而且,虽然各特征量的运算方式已确定,但通过改变参数,所得到的特征量的值发生变化,从而判断结果也发生变化。即,即使是原本有效的特征量等,如果设定的参数有误,就有误判的危险。
因此,以往,人们基于样本数据,一边进行试错一边进行对象物的简易分析,求出可能对于该对象物的良次判断有效的特征量。而且,人们基于超过数千条的样本数据(包括良品/次品的判断结果),试着对最终要采用哪个滤波器作为预处理,而该滤波器的参数要设定多少个、以及采用哪个特征量,而该特征量的参数要设定多少个进行试错之后,由人们确定有效的设定条件。由此,得知有效的特征量等,因此在实际的异音检查系统中,通过仅对该有效的特征量、参数等进行设定,可以在短时间内高效地进行良次判断。
并且,这样使用多个特征量进行判别是由于下述的原因。即,如图19所示,良品和次品中有数据偏差。因此,仅关注于单一的特征量会产生重叠,无法排除次品。即,仅根据特征量X无法完全地分离,仅根据特征量Y也无法完全地分离。
相对于此,如图20所示,基于多个特征量时,可消除良品和次品的重叠。即,在该例中,对特征量X和Y进行组合时可以仅把次品完全分离出来。从而,通过组合多个特征量,可以高性能且高效地进行判断。当然,需要正确地设定在各特征量中用于分辨良品和次品的边界(参数),如果该设定不恰当,则即使使用多个特征量也无法高效地进行判断。
在本发明的装置可以预先基于包含良品/次品判断结果的(该判断结果可以是人们作出的结果)样本数据自动地检索上述的有效特征量以及该特征量的参数集。图1示出了本发明的第一实施方式。
如图1所示,知识作成装置10具有:特征量运算部11、一次评价部12、参数搜索部13、最优解候选输出部14、判别知识作成部15、二次评价部16、以及最优解输出部17。并且,作为外部装置或接口,具有:学习用数据库2、默认检查条件数据库3、输入装置4、输出装置5、以及检查条件数据库6。
学习用数据库2是存储保持作成知识时使用的学习数据的数据库。作为学习数据,具有实际波形数据和用于确定该波形数据的内容的检查实绩文件。
实际波形数据是检测检查/诊断对象中发生的振动或声音等得到的数据。这些数据把例如发生声音的波形数据,即计测到的计测数据记录到文件中,每计测一次就生成一个文件。并且,各文件具有分别独立的文件名(检查ID)。
检查实绩文件是将各波形数据文件与正常/异常判断结果关联起来的文件。对于异常的波形数据,还附加了异常类型(名称或异常代码)的信息。举出具体的数据结构的一个例子,有如图2所示,把确定参数搜索中使用的波形数据的检查ID(也可以是文件名)、判断结果和异常类型关联起来的表。可以把该检查ID作为关键字来参照对应的波形数据。另外,正常/异常判断可以由检查员(人)进行,或基于此后的对象异常信息来作成/修正。
默认检查条件文件3是记载了所搜索的参数集的搜索开始时刻的初始设定值的文件。基于该检查条件运算特征量值。另外,该默认检查条件文件3可以不是必需的。在这种情况下,所搜索的参数集的搜索开始时刻的初始设定值被随机设定。
该学习用数据库2中存储的学习数据(样本数据)、默认检查条件数据库中存储的初始设定值被提供给特征量运算部11。并且,输入装置4是人输入搜索的各参数的部分,可采用键盘或鼠标及其它各种输入装置。并且,利用该输入装置4,用户把搜索结束条件、搜索手段(GA(遗传算法)、NN(神经网络)、全局、SVM(支持向量机))等的指示提供给知识作成装置10。
输出装置5有显示器等的显示装置或打印机等的印刷装置等各种设备。知识作成装置10所作成的最终的知识(检查条件)被输出到这些输出装置5。并且,检查条件数据库6存储最终求出的检查条件(最优解)。
特征量运算部11按照参数搜索部13的搜索结果,更新检查条件文件的参数集,进行针对各波形数据文件的特征量运算。并且,在参数搜索部13搜索到的数据不存在的处理开始之初,基于从默认检查条件文件3中取得的初始设定值,求出特征量。并且,把求出的特征量传送给一次评价部12。
一次评价部12根据针对各波形数据文件的特征量运算结果,利用后述的评价式计算参数集的优良程度(评价值),作为所作成的知识的临时评价。对于共用同一参数的特征量组而言,使用参数搜索部13所设定的权重,把加权和作为评价值。
参数搜索部13以检查条件文件的各参数集为基准,搜索可最好地分离良品(OK品)和次品(NG品)的特征量运算用的参数集(特征量运算参数和各特征量的评价值的权重)。搜索方法有GA(遗传算法)、NN(神经网络)、SVM(支持向量机,support vector machine)、全局等的各种方法。而且,该参数搜索部13从一次评价部12取得一次评价值,对是否达到了从输入装置4提供的一次搜索结束条件进行判断。在搜索结束条件成立的情况下,结束参数的搜索。在结束条件成立的情况下,把此前的搜索所生成的参数中满足条件的多个参数传送到最优解候选输出部14。
最优解候选输出部14输出在从参数搜索部13取得的参数中,作为一次评价结果得到了较高的一次评价值的多个参数搜索结果,作为最优解候选(帕雷托(Pareto)解)。
判别知识作成部15利用从最优解候选输出部14输出的多个最优解候选,作成进行异音检查时的知识(判别规则)。把该作成的知识提供给二次评价部16。
二次评价部(判别知识评价部)16使用漏检率和过检率等的基准,执行针对判别知识作成部15所作成的各知识本身的评价(二次评价)。即,按照后述的运算式,针对各知识计算二次评价值。并且,也可以使用不象这样对漏检和过检的各误判进行区别,而只是对判别结果是否正确进行区别的所谓“误判率”的基准。
最优解输出部17取得二次评价的结果后,把得到了最高的二次评价值的知识确定为最优解。把该确定的最优解输出到输出装置5,或存储到检查条件数据库6中。或者,也可以按照二次评价值的高低顺位在输出装置5(显示装置等)上进行提示,以便让用户进行选择。
接着,对于上述的装置的工作原理进行说明,并对适合各处理部的详细功能进行说明。整体的处理算法形成图3所示的流程图。即,从学习用数据库2中读入输入文件(S1)。该处理按照来自输入装置4的指示取得图2所示的检查实绩文件,并且读入与该检查实绩文件中存储的检查ID对应的波形数据文件。读入之后,进行检查实绩文件2的OK/NG信息与波形数据文件的对应。由来自输入装置4的指示指定是取得所有的数据还是读入特定的异常类型和正常数据。这些读入的输入文件被提供给特征量运算部11。
接着,对于所有数据针对每个NG类别(异常类型)统计NG品的传感器数据文件(ST3)。即,如图2所示,在检查实绩文件中,判断结果为NG(异常)的数据文件是与其异常类型相关联地登记的,因此对异常类型相同的文件进行归组。并且,针对每次调出,作成所有OK品的波形数据文件和一个NG类别的波形数据文件(同一异常类型的波形数据文件)的组。当然,在仅是简单地判别OK和NG的情况下,无需这样针对每个NG类别进行统计,可以把所有NG类别归纳为1组而进行统计。
接着,按照来自输入装置4的指示,设定搜索条件(S2)。这里设定的搜索条件有搜索方法和搜索结束条件等。搜索结束条件是用于判断搜索是否结束的条件,例如,选择一次评价值超过一定基准值的情况(评价值超过)或搜索次数超过一定次数的情况(次数超过)中的任意一种,并且设定满足所选择的结束条件的阈值(评价值/次数)。并且,搜索结束条件可以择一选择任一个,也可以指定双方条件,以便在具备一方的条件时结束。搜索方法对分离度优先还是分离数优先进行选择。在重视分离数的情况下,指定各权重系数来确定使用多少上位。
进行参数搜索的算法有各种,但在本实施方式中,采用了遗传算法(GA)。作为指定遗传算法工作的参数,有个体数、杂交率、突变率、世代数。个体数是用于搜索的个体(解候选)的数目。并且,杂交率是个体与个体杂交的概率。突变率是个体中的基因发生突变的概率。世代数是应用了遗传算法的世代数。这些参数可以预先设定到参数搜索部13中,也可以从输入装置4或默认检查条件数据库2输入。并且,上述搜索结束条件中,次数超过所指定的次数是遗传算法的世代数。上述的各种条件例如由用户对输入装置4进行操作而设定。所设定的条件被提供给例如参数搜索部13、各评价部12、16等。
接着,参数搜索部13进行参数的搜索(ST3)。在该参数搜索为第1次时,通过特征量运算部11取得默认的参数,生成初始个体,返回特征量运算部11。并且,该初始个体也可以随机生成。并且,第2次以后的参数搜索通过杂交和突变生成新个体。并且,评价较低的个体被新个体替换。
即,在作为参数搜索的算法使用遗传算法的情况下,把个别的参数视为基因、把所有参数的组合视为个体。因此,通过个体的杂交/突变创造出新的个体,同时通过保留更优秀的个体而获得接近最优的个体(参数设定)。另外,对于第2次以后进行的参数搜索,将在后面叙述。
在特征量运算部11中,以从参数搜索部13接收到的各个体(用于特征量运算的参数集)为基础,求出例如在日本特开平11-173909号公报等中公开的各种特征量(ST4)。对在步骤S1输入的波形数据中的判断结果为OK的所有文件的波形数据和某一个类型的NG型文件的波形数据进行求出这些特征量的运算,把求出的运算值(特征量)传送给一次评价部12。另外,对于个体分别地进行该特征量的计算处理。
一次评价部12对各个体(参数集)运算n个一次评价值。输出用各个运算式求出的一次评价值最大的参数解(共n个)。首先,说明对于各个体求出1个评价值的情况。即,运用式(1)运算每个特征量的评价值e1i。此处下标“i”是确定特征量的特征量序号,是从1到特征量个数的整数。并且,下述式(1)中的系数α是在检查实绩文件中为OK的波形数据(以下为OK品)的平均小于检查实绩文件中为NG的波形数据(以下为NG品)的平均的情况下,即以较高的值检测出NG品的情况下,用于增大值的系数。另一方面,计数β是在OK品的组和NG品的组完全分离的情况下用于进行加点的系数。在OK品和NG品的两个分布中没有重叠时(较少的程度),评价值变大。
e1i=α×β×(μng-μok)/σok…(1)
这里,α根据下述条件取0、100、-10中的任一个,
0:σok=0时
100:σok>0且MINng-MAXok>0时
-10:σok>0且MINng-MAXok≤0时
β根据下述条件取2、1中的任一个。
2:MINng-MAXok>0时
1:MINng-MAXok≤0时
其中,μng:NG品的特征量计算结果的平均值
μok:OK品的特征量计算结果的平均值
σok:OK品的特征量计算结果的方差
MAXok:OK品特征量的最大值
MINng:NG品特征量的最小值
接着,把基于上述的式(1)求出的各特征量的评价值e1i代入下述式(2),计算考虑到特征量整体的针对该个体(参数集)的一次评价值E。E成为所有特征量的评价值的加权和。
E=∑wi×e1i ……(2)
这里,wi是第i个特征量的权重
1≤i≤(特征量的个数)
实际上,一次评价部12对各个体(参数集)求出n个一次评价值,输出一次评价值最大的参数解(共n个)。作为这样对n种的一个个体求出n种的一次评价值的方法,例如,利用式(1)针对由各个体确定的各特征量求出1个评价值e1,准备n种求出一次评价值E时针对各特征量的权重的组合(准备多种式(2)的wi),由此,可以求出不同的n种的一次评价值E。
并且,作为其它的评价值运算式,通过准备
E′=Max(e1i)
所示的仅考虑了1个最大特征量的一次评价值E′等,可以使式(2)的权重的组合小于n而求出n个一次评价值。
并且,也可以与上述相反,准备n种与式(1)对应的基于各特征量求出个体的评价值ex(x是1至n的整数)的运算式本身。在这种情况下,考虑了全体特征量的针对该个体(参数集)的一次评价值E例如使用式(2),对于各特征量的加权也是一组。作为其它的评价值运算式,例如可以利用对式(1)进行简化而得到的下式(1)′或(1)″等,分别求出评价值e2、e3。
e2=|μng-μok|/σok……(1)′
(由于关注于OK品与NG品之差和OK品的偏差,因此OK品之间特征量值的偏差越小则评价值e2越大)
e3=|μng-μok| ……(1)″
(由于仅关注OK品与NG品之差,因此OK品和NG品中特征量的平均之差越大则评价值e3越大)
当然,也可以采用除此以外的评价值,通过对这些3种评价值ex(x为1、2、3),准备预定数目的求出一次评价值E时针对各特征量的权重的组合(准备多种式(2)的wi),由此可以求出不同的n种的一次评价值E。而且,一次评价值的运算式也可以为一种(针对各特征量的权重组合为1种),按照评价值的高低顺位输出多个(n个)参数解。并且,把各个体(参数集)和所求出的针对各个体的n种一次评价值相关联地存储保持。
基于上述各式求出了n种的一次评价值时,由参数搜索部13内的搜索结束条件判断功能对搜索结束条件成立进行检查(ST6)。通过执行步骤2而由输入装置4设定搜索结束条件,因此有例如,评价值达到一定程度以上的情况、世代数达到一定值的情况等。并且,在未达到搜索结束条件的情况下,回到步骤3,参数搜索部13以一次评价值为基础,进行下一个参数集的搜索,把搜索结果传送到特征量运算部11(ST3)。此后,回到步骤S4,特征运算部11基于新的参数集计算特征量。
另外,在本实施方式中,执行步骤S5时,存储保持所求出的所有一次评价值,但也可以针对各类型进行最优解的保存。即,参数搜索部13从一次评价部12接收到了一次评价值时,与对应类型的当前参数集的最大一次评价值进行比较,如果此次接收的一次评价值大,则更新关于该类型的最大一次评价值,保存当前的参数集作为最优解候选。
这里对参数检索部15的功能进行说明。作为在参数搜索部13中采用遗传算法时的个体的编码例而言,如图4所示。该编码中的各基因的值分别与图5、图6的表索引对应。这里,作为特征量,对于从FFTx_L至FFTx_H的频率范围内的FFT的频谱峰值,把从KL_x指定的第k个开始对L个进行平均而得到的值设定为特征量。
因此,例如,x=2时,表示FFT2_L(FFT下限频率)和FFT2_H(FFT上限频率)运算79Hz~140Hz之间的FFT频谱作为特征量。并且KL_2表示从由FFT2_L、FFT2_H得到的频谱峰值中的第1个开始对5个进行平均。
同样,x=1时,表示由于FFT1_L和FFT1_H均是0,因此求出20至28Hz之间的FFT频谱,从所得到的频谱峰值中的第1个开始对5个进行平均。
随机地生成多个上述编码基因的众多个体作为初始集,利用遗传算法进行选择和淘汰,并且进行适当杂交和突变操作,由此,搜索作为最优解的参数。参数搜索部13进行相关遗传算法中的所谓选择和淘汰、杂交、突变的遗传操作,生成新的世代的基因(参数集)。
所利用的遗传算法本身可以用一般常用的算法。即,基于由搜索条件设定部14设定的工作条件(个体数、世代数等),生成初始(0世代)集。并且,基于这样设定的参数集,特征量运算部11求出特征量,由一次评价部12进行评价。
接着,从当前的集中选择2个优秀的个体。该选择使适应于环境的个体保留下来,评价值较高的个体保留下来的概率较高。并且,在本实施方式中,个体(亲代)选择方式采用了轮盘赌方式。该轮盘赌方式是被选中的概率与个体的评价值成正比的方式。具体讲,把识别个体的索引设为0~n,把个体i的评价值设为fit(i)时,选择出满足下式的个体j。
(数1)
这里,j∶0=>j>=0
0<=RAND(1)<1.0
即,随机地产生小于评价值总和的数值(T_val)。接着,按照索引的顺位对评价值进行相加,选择出具有超过(T_val)的索引的个体。
并且,在大于等于杂交概率的情况下,进行杂交。即,由上述这样选择的2个个体(亲代)生成2个新的个体(子代)。作为杂交方法,采用了2点杂交。即,如图7所示,随机地确定杂交位置,相互交换该杂交位置的数据。由于这样生成的新的个体从2个优秀的亲代生成,因此可推断出继承了亲代的良好的性质。
并且,在大于等于突变率的情况下,使个体突变。突变是使子代的个体产生亲代的个体所不具有的性质的操作。即,如图7(b)所示,把随机确定的突变部位的基因的值替换为随机确定的突变值。另外,突变值在所选择的基因的上下限值的范围内随机地生成。即,在图4所示的示例中,确定FFT频率参数的从前头至第10个为止,在0~15的范围内确定,而确定峰值位置表的后5个在0~4的范围内确定。
并且,选择评价值最低的2个个体,替换为由上述的杂交或突变生成的新的个体。由此,进行世代的交替。对所有个体进行上述的处理。并且,通过反复进行适当次数的上述的世代交替,可以确定最优个体。
另一方面,在步骤S6的分支判断中,如果为“是”,由于参数搜索部13中的参数搜索结束,因此最优解候选输出部14从参数搜索部13中取得各世代的个体(参数集)和一次评价部12求出的对于该个体的一次评价值(n种),针对n种一次评价值分别检测最大的个体,把构成所检测出的各个体的参数集作为最优解候选,向判别知识作成部15输出(S7)。即,输出n个最优解候选。
另外,如上所述,在执行步骤5时,在针对各类型进行最优解的保存,而不是对所求出的全部一次评价值进行存储保持的情况下,在参数搜索部13中的参数搜索结束的时刻,针对各类型存储着一次评价值较高的个体(参数集)和该一次评价值的值,因此读出该值,并且也可以向下一级的判别知识作成部15输出。另外,也可以不特地输出一次评价值的具体值。
并且,最优解候选输出部14对于各检查数据,针对参数集作成记述了利用某一参数集(最优解候选)计算出的各特征量的值的输出数据(参照图8),并输出。
接着,判别知识作成部15基于所取得的n种构成个体的参数集(特征量的值和参数等)和输出数据,针对各个体作成判别知识(S8)。该判别知识的作成,首先,找出有效特征量(容易分离OK数据和NG数据的特征量),基于有效特征量作成知识。这里作成的知识针对各特征量设定分离OK和NG的阈值,或使用有效特征量设定隶属函数(membershipfunction)和模糊规则(fuzzy rule)等各种方式。由此,作成了n个判别知识,对各知识赋予作成知识名(用于识别的ID)。
该作成的n个判别知识被提供给二次评价部16,针对各判别知识求出二次评价值eval(S9)。这里,关注于根据所作成的判别知识而把OK品判断为NG的过检(过度)和把NG判断为OK的漏检的误判的发生程度,定量地评价该判别知识。具体地,利用式(3)求出。
eval=100-w1×过检率-w2×漏检率 ……(3)
这里,w1和w2是分别针对过检率(%)和漏检率(%)的权重。
分别对基于从最优解候选输出部14输出的输出数据(通过判别知识作成部15取得)的检查ID的波形数据,利用判别知识作成部15作成的判别知识进行良次判断,提取判断结果与输出数据的记述不同(误判)的数据,并且分辨该误判是“过检”还是“漏检”,由此可以计算出过检率和漏检率。
当然,二次评价值不限于上述方式,除了不区分过检和漏检的运算式(例如,eval’=100-判别错误率)以外,可以采用各种运算式。
最优解输出部17取得二次评价部16所求出的针对各作成知识的二次评价值,最终把评价值最高的作成知识确定为最优的作成知识(最终知识),并输出(S10)。输出目标可以是显示装置等的输出装置5,对最终知识进行输出显示,或是检查条件数据库6,对最终知识进行存储。而且,最优解输出部17可以在印刷装置(输出装置5)打印出最终知识,或对异音检查系统进行直接参数等的设定。
并且,通过执行到步骤S9为止的处理,可以作成例如在图9中所示的参数结构的表。即,是对于由一次评价得到的最优解候选,描述了以其为基础作成的判别知识和知识评价结果的表。该表也存储在检查知识数据库6和其它预定存储装置中。通过作成相关的表,例如,可以以最优解候选ID为关键字,参照此时的运算参数和作成知识。
在上述的实施方式中,与参数搜索同时地搜索求出评价值加权和时的权重,使用各种变化的权重,可以求出多个最优解候选(一次评价)。保留由有效特征量的权重较大的一次评价值的运算式求出的个体(参数集)。而且,对于所输出的多个最优解候选(由预定数的特征量和参数构成),实际地作成知识而对知识进行评价(二次评价),由此可以确定真正最优的解(最优知识)。
图10示出了本发明的第二实施方式。基本结构与第一实施方式相同,但在本实施方式中,还设置了搜索特征量指定部18。该搜索特征量指定部18按照来自输入装置4的输入限定搜索的范围。在通过该指定而确定的范围内,进行参数搜索。作为搜索范围的指定方式,可采用指定从搜索范围去掉的特征量的情况和指定成为搜索对象的特征量的情况中的任意一种。例如,在从参数搜索和特征量运算的对象中去掉指定的特征量的情况下,搜索特征量指定部18以通过输入装置4取得的搜索范围指定信息为基础,确定参数搜索范围,从搜索对象中排除判断为无用的特征量等。从该搜索对象中排除的特征量等被提供给参数搜索部13。并且,对于加设了滤波器的特征量,也可以通过指定滤波器的频带(成为搜索对象的滤波器的上限值和下限值中的至少一方)来加以限制。
作为指定这些由搜索范围指定部18指定的搜索范围的缩小的数据结构,如图11所示。即,分别指定是否可以搜索(也可以把一方(例如为“ON”)设定为初始值,仅对成为OFF的值进行指定),或指定滤波器的情况的范围。搜索范围指定部18利用来自输入装置4的指示,作成这种内部表,根据需要对参数搜索部13指定搜索范围。
该第二实施方式的具体处理根据图12所示的流程图执行。比较该图12的流程图和图3的流程图可知,继处理步骤S2,搜索特征量指定部18进行搜索范围的缩小(S1)。由此,在处理步骤S3以后,在缩小的搜索范围内进行各种处理。由此,可预先排除明显无用的特征量和参数范围等,可以更有效地求出最优的最终知识。另外,对于图10所示的各处理部的功能、图12所示的流程图的各处理步骤(除了处理步骤S11以外),由于与第一实施方式相同,因此对相应的处理部/处理步骤标以相同标号,省略其详细说明。
图13示出了本发明的第三实施方式。本实施方式以第一实施方式为基础,对最优解输出部17′附加了对是否满足判别知识作成结束条件进行判断的功能。当然,也具有第一实施方式中的最优解输出部17的功能。该最优解输出部17′预先或通过输入装置4取得判别知识作成结束条件。作为该结束条件,例如可以设定为二次评价值达到一定基准以上时。并且,在不满足判别知识作成结束条件的情况下,对参数搜索部13指示参数搜索的执行。由此,参数搜索部13进行参数的搜索,把搜索的结果传送给特征量运算部11,求出特征量。即,从一次评价开始再次进行。并且,在不满足判别知识作成结束条件、对参数搜索部13提供了参数搜索再执行命令时,最优解输出部17′也可以结合二次评价值较好的前m个参数解而提供。
参数搜索部13的第1次的初始个体(多个)也可以与第一实施方式相同地基于从默认检查文件3取得的参数集而生成,还可以随机地生成。并且,从最优解输出部17′收到再执行命令时的初始个体采用从最优解输出部17′取得的二次评价值较好的前m个参数解。也可以基于m个优秀的参数集设定初始个体的一部分,而其余的则随机地生成。
在采用了遗传算法的参数搜索中,初始个体的设定影响到所得到的参数解的结果。因此,在本实施方式中,通过把得到二次评价值较高的判别知识(前m个)时的参数解(m个)设定为下一次参数搜索的初始个体,构成更优的参数解,高效地得到判别知识。
当然,也可以不反馈二次评价的结果,而只是重新执行参数搜索。这是因为:在采用遗传算法的参数搜索中,通过随机地生成初始个体,可以得到与前一次不同的参数搜索结果。而且,即使假设初始个体与前一次相同时,由于在参数搜索时进行的突变等,最终得到的结果也不同。因此,反复执行一次评价至二次评价的过程,直到满足判别知识作成结束条件,由此可以作成具有满足结束条件的二次评价值的参数解。
当然,判别知识作成结束条件也可以不像上述那样仅设定为二次评价值大于一定程度,例如,设定重复次数,进行一次评价至二次评价的过程,对求得的二次评价值和此时的参数集进行存储保持,把多次重复中得到最高二次评价值的知识作为最优的最终知识。还可进行把“重复次数”和“二次评价值大于一定程度”作为OR条件,即使重复次数未达到设定值,只要二次评价值大于一定程度就结束等的各种条件设定。
该第三实施方式的具体处理算法如图14所示的流程图。由图可知,在图3所示的第一实施方式的流程图的处理步骤9的二次评价值运算处理之后,添加了是否满足作成结束条件的分支判断(S12),当不满足条件而分支判断为“否”时,返回处理步骤S3,从参数搜索开始重新进行。并且,当满足处理步骤S12的条件,分支判断变为“是”时,输出最优的判别知识(S10)。该处理步骤S12、S10由最优解输出部17′执行。
即,在该第三实施方式中,反复执行特征量参数搜索(S3~S6)和判别知识作成(S3~S9),直到针对所作成的判别知识的二次评价结果满足结束条件为止。换言之,特征量参数搜索(S3)按照以下的二重循环而反复进行。
·内循环(S3~S5):对于针对特征量参数的一次评价值进行优化。
·外循环(S3~S9):对于针对判别知识的评价值(二次评价值)进行优化。
另外,对于图13所示的各处理部的功能和图14所示的流程图的各处理步骤(除了处理步骤S3、S12以外)而言,由于与第一实施方式相同,因此对相应的处理部/处理步骤标以相同标号,省略其详细的说明。并且,该第三实施方式以第一实施方式为基础而构成,但也可以在第二实施方式的基础上采用。
另外,作为在计算机等中安装各功能而形成的装置对上述的装置进行了说明,但本发明不限于该装置,也可以是实现所需处理功能的方法。当然,也可以作为实现该方法的程序产品而实现,考虑采用各种通信线路进行发布,存储到各种存储介质中而发布等的流通方法。
(实施例)
利用上述的第一实施方式而对具体的实施例进行说明。首先,在本实施例中使用的特征量设定为PN(PeakNumbers,峰数)和PV(PeakValue,峰值)两个。
这里,特征量PN值是在时间t的某个范围(下限值/上限值由参数TL/TH指定)中,波形s(t)的值超过阈值(由参数PT指定)的峰的数目。并且,特征量PV是在时间t的某个范围(下限值/上限值由参数TL/TH指定)中,位于某个顺位(顺位由参数RP指定)的峰的值(纵轴s(t)的值)。其中,指定时间范围的参数TL/TH在特征量PN和PV中共同地使用。
并且,这里采用的参数为TL(TimeLow,时间下限)、TH(TimeHigh,时间上限)、PT(PeakThreshold,峰阈值)、RP(Rank of Peaks,峰顺位)四个。
这里,参数TL在特征量PN和PV中相同,是在波形数据s(t)内的所关注的时间t的范围的下限值。参数TH在特征量PN和PV中相同,是在波形数据s(t)内的所关注的时间t的范围的上限值。参数PT用于特征量PN,是峰值的阈值。仅把超过该阈值的峰作为特征量PN而计数。参数RP用于特征量PV,用峰值的顺位(值的大小顺位)指定所关注的峰。即,第RP高的峰的值成为特征量PV。
图15示出了这些由两个特征量和四个参数得出的运算结果的一个例子。图15(a)是参数TL=1.0、TH=4.0、PT=2.0、RP=1的情况,由于参数PT=2.0,特征量PN的值是超过s(t)值2.0的峰数3。由于参数RP=1,特征量PV的值是顺位为第1的峰值4.0。
同样地,图15(b)是参数TL=1.0、TH=3.0、PT=2.0、RP=1的情况,因此特征量PN的值由于参数PT=2.0而成为s(t)值超过2.0的峰数2,特征量PV的值由于参数RP=1而成为顺位是第1的峰值3.2。
这样,在参数设定(在上述的例子中为参数TL/TH/PT/RP的组合)发生变化时,特征量(PV/PN)的值也发生变化。因此,需要把参数的值设定为便于可以用特征量的值准确地分离良品和次品,但在多个特征量共用参数的情况下,用于提高一个特征量的分离度的参数值设定有时会降低另一个特征量的分离度(=竞争关系),因此难以对所有的特征量进行优化。
接着,以采用上述的特征量和参数为前提,执行图3的处理步骤S1,作为学习数据输入四个波形数据(数据ID:W01、W02、W03、W04)。判断结果为W01和W02是OK、W03和W04是NG。执行处理步骤S2,输入搜索条件。具体讲,结束条件为搜索次数=2次,搜索方法为分离数优先(特征量使用2个,评价的权重为1∶1)。
并且,执行参数搜索处理(S3),像图16所示的那样得到参数。这里,图16(a)是初始个体,随机地生成A1、B1两个。并且,通过下一个参数搜索,如图16(b)所示那样,生成A2、B2所示的个体。
在处理步骤S4中,求出与各波形数据相对的上述A1、A2、B1、B2中的各特征量的值。为了便于说明,A2的特征量的值设定为如图17(a)所示,B2的特征量的值设定为如图17(b)所示。
接着,求出一次评价值(S5)。作为一个例子,求出A2的PN时,如下式所示。
利用
μng=(3+2)/2=2.5,μok=(1+3)/2=2.0
σok={(1-2.5)2+(3-2.5)2}/(2-1)=2.0
MINng-MAXok=2-3=-1,α=-10,β=1
成为
e1=-10×1×(2.5-2.0)/2.0=-2.5。
同样地,对于特征量PV的评价值为
e=-2.5
同样地对B2求出各值时,对于特征量PN的评价值为e=-5.0,对于特征量PV的评价值为e=-1.25。并且,最终的一次评价值为
E=1.0×(-5.0)+1.0×(-1.25)
=-6.3
接着,求出多种一次评价值E,但作为对运算式的权重的组采用了以下的2种设定。
(a)w1=w2=1.0(只是和)→设为评价值Ea
(b)e的值高的特征量为w=0.75,低者为w=0.25→设为评价值Eb。
因此,对于A而言,为
特征量PN的评价值e=-2.5
特征量PV的评价值e=-2.5,
因此成为
评价值Ea=1.0×(-2.5)+1.0×(-2.5)=-5.0
评价值Eb=0.25×(-2.5)+0.75×(-2.5)=-2.5
并且,对于B而言,为
特征量PN的评价值e=-5.0
特征量PV的评价值e=-1.25,
因此成为
评价值Ea=1.0×(-5.0)+1.0×(-1.25)=-6.3
评价值Eb=0.25×(-5.0)+0.75×(-1.25)=-2.2。
因此,对于评价值Ea,输出参数解A2,对于评价值Eb,把参数解B2作为最优解候选而输出(S7)。
对于各最优解作成判别知识时,对于A2得到
判别知识XA:
“IF特征量PN≥3.0AND特征量PV≥4.5THEN不合格(NG)”,对于B2,得到
判别知识XB:
“IF特征量PN≥3.5AND特征量PV≥4.5THEN不合格(NG)”。对这些进行图示时,如图18所示。
分别对其求出过检(把OK误判为NG)和漏检(把NG误判为OK)的概率如下。
对于A2,为
过检率=(误判为NG的OK件数)/(所有OK件数)
=1/2=0.5
漏检率=(误判为OK的NG件数)/(所有NG件数)
=0/2=0.0
对于B2,为
过检率=0/2=0.0
漏检率=0/2=0.0。
并且,对于判别知识的评价值(=二次评价值)eval分别如下所示地进行计算(过检率和漏检率的权重w1、w2分别设为0.1、0.9)。
对于A2,为
二次评价值eval=1.0-w1×过检率-w2×漏检率
=1.0-0.1×0.5-0.9×0.0
=0.95
对于B2,为
二次评价值eval=1.0-0.1×0.0-0.9×0.0
=1.0
其结果是,可以把基于在一次评价值中评价低于A2的B2的知识确定为最终的检查知识。
这从图18中也能得知。即,在基于A2的图18(a)中,无法设定把不合格(NG)数据W03与良品分离开的阈值,而在基于B2的图18(b)中,可以设定把不合格(NG)与良品(OK)分离开的阈值。
即,如果仅使用了一种评价值,会选择出一次评价值较高的A2,在这种情况下作为结果无法作成充分有效的知识,但使用多个类型的评价值,并且输出多个参数最优解候选,而且,实际地作成判别知识,求出对所作成的判别知识进行评价的二次评价值,因此可以生成更正确且优良的知识。
Claims (9)
1.一种知识作成装置,其对于取得的计测数据,基于进行特征量提取处理而得到的特征量数据,求出与判断检查对象物是正常还是异常的检查/诊断装置中的所述检查对象物相适宜的判别知识,其特征在于,具有:
搜索部,其对运算特征量的参数集进行搜索;
特征量运算部,其对于所提供的包含正常数据和异常数据的学习用数据,基于所述搜索部所搜索出的参数集,运算多个特征量;
一次评价部,其根据由该特征量运算部求出的特征量的运算结果输出参数集的优良程度作为评价值;
最优解候选输出单元,其输出该一次评价部所求出的一次评价结果中得到较高的一次评价值的多个参数搜索结果作为多个最优解候选;
判别知识作成部,其基于从该最优解候选输出单元输出的多个最优解候选作成判别知识;
二次评价部,其对该判别知识作成部所作成的多个判别知识进行评价;以及
最优解输出部,其基于该二次评价的结果输出评价值较高的判别知识作为最优解。
2.根据权利要求1所述的知识作成装置,其特征在于,
所述搜索部可以通过基于一次评价部的评价结果再次搜索参数集,同时确定评价值较高的有效特征量和该有效特征量的参数集。
3.根据权利要求1所述的知识作成装置,其特征在于,
所述一次评价部具有对于共用同一参数的特征量组,使用对各特征量设定的权重,求出加权和作为一次评价值的功能。
4.根据权利要求3所述的知识作成装置,其特征在于,
所述一次评价部可以通过采用多种对所述各特征量设定的权重的模式,对一个参数集计算出多个一次评价值。
5.根据权利要求1所述的知识作成装置,其特征在于,
所述一次评价部可以使用多种类型的评价运算式,对于一个参数集计算出多个一次评价值。
6.根据权利要求1所述的知识作成装置,其特征在于,
设置了指定所述搜索部所搜索的范围的搜索范围指定部。
7.一种知识作成装置中的判别知识作成方法,该方法在检查/诊断装置中,利用特征量数据,求出用于判断检查对象物是正常还是异常的与所述检查对象物相适宜的判别知识,其特征在于,
搜索部对参数集进行搜索,
对于所提供的包含正常数据和异常数据的学习用数据,特征量运算部基于由搜索部搜索的参数集,运算多个特征量,
根据由该特征量运算部求出的特征量的运算结果计算表示所述参数集的优良程度的一次评价值,
基于该计算出的一次评价结果再次搜索参数集,基于所搜索的参数集反复进行所述特征量计算和评价值的计算,
基于满足所设定的搜索结束条件时的一次评价值,将多个参数搜索结果确定为多个最优解候选,
基于该多个最优解候选作成多个判别知识,
进行针对该作成的多个判别知识的二次评价,基于该二次评价的结果,将评价值较高的判别知识确定为最优解。
8.根据权利要求7所述的判别知识作成方法,其特征在于,
在针对所述多个判别知识的二次评价结果不满足结束条件的情况下,从搜索所述参数的处理开始再次执行。
9.根据权利要求8所述的判别知识作成方法,其特征在于,
在针对所述多个判别知识的二次评价结果不满足结束条件,从搜索所述参数的处理开始再次执行的情况下,搜索部对搜索的初始值的一部分或全部采用在作成二次评价较高的判别知识时使用的参数集。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004297034A JP2006105943A (ja) | 2004-10-08 | 2004-10-08 | 知識作成装置及びパラメータ探索方法並びにプログラム製品 |
JP2004297034 | 2004-10-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1758034A true CN1758034A (zh) | 2006-04-12 |
Family
ID=36375845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2005101086068A Pending CN1758034A (zh) | 2004-10-08 | 2005-10-08 | 知识作成装置及参数搜索方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20060161391A1 (zh) |
JP (1) | JP2006105943A (zh) |
CN (1) | CN1758034A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101484910B (zh) * | 2006-07-06 | 2015-04-08 | 旭硝子株式会社 | 聚类系统及缺陷种类判定装置 |
CN106560751A (zh) * | 2015-09-30 | 2017-04-12 | 发那科株式会社 | 机器学习装置、机器学习方法及具备机器学习装置的机床 |
CN110275506A (zh) * | 2018-03-14 | 2019-09-24 | 欧姆龙株式会社 | 异常检测系统、支持装置以及模型生成方法 |
CN112334849A (zh) * | 2018-06-18 | 2021-02-05 | 三菱电机株式会社 | 诊断装置、诊断方法及程序 |
CN113532628A (zh) * | 2020-04-16 | 2021-10-22 | 丰田自动车株式会社 | 异响评价系统以及异响评价方法 |
CN113557536A (zh) * | 2019-04-25 | 2021-10-26 | 欧姆龙株式会社 | 学习系统、数据生成装置、数据生成方法及数据生成程序 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7650004B2 (en) * | 2001-11-15 | 2010-01-19 | Starkey Laboratories, Inc. | Hearing aids and methods and apparatus for audio fitting thereof |
US7305325B2 (en) * | 2006-01-12 | 2007-12-04 | International Business Machines Corporation | Method to improve requirements, design manufacturing, and transportation in mass manufacturing industries through analysis of defect data |
JP5050607B2 (ja) * | 2006-05-09 | 2012-10-17 | オムロン株式会社 | 検査装置、検査方法、検査プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体 |
JP4967474B2 (ja) * | 2006-06-28 | 2012-07-04 | オムロン株式会社 | 判定知識作成装置、判定知識作成方法、プログラムおよび記録媒体 |
JP4974345B2 (ja) * | 2006-06-30 | 2012-07-11 | 一般財団法人電力中央研究所 | 信号検出装置、信号検出方法および信号検出プログラム |
EP1967996A1 (en) * | 2007-03-09 | 2008-09-10 | Omron Corporation | Factor estimating support device and method of controlling the same, and factor estimating support program |
JP5080146B2 (ja) * | 2007-06-19 | 2012-11-21 | 株式会社小野測器 | エンジンの設計変数の最適解を計算する方法、コンピュータ、及びプログラム |
US8718288B2 (en) * | 2007-12-14 | 2014-05-06 | Starkey Laboratories, Inc. | System for customizing hearing assistance devices |
JP4928484B2 (ja) * | 2008-02-29 | 2012-05-09 | 株式会社小野測器 | エンジンの設計変数を計算する方法、コンピュータ、及びプログラム |
US8559662B2 (en) * | 2008-05-06 | 2013-10-15 | Starkey Laboratories, Inc. | Genetic algorithms with subjective input for hearing assistance devices |
US8359283B2 (en) * | 2009-08-31 | 2013-01-22 | Starkey Laboratories, Inc. | Genetic algorithms with robust rank estimation for hearing assistance devices |
JP5441728B2 (ja) * | 2010-01-15 | 2014-03-12 | パナソニック株式会社 | 官能検査装置及び官能検査方法 |
JP6544219B2 (ja) * | 2015-11-30 | 2019-07-17 | オムロン株式会社 | 制御装置 |
JP6333871B2 (ja) * | 2016-02-25 | 2018-05-30 | ファナック株式会社 | 入力画像から検出した対象物を表示する画像処理装置 |
WO2017199652A1 (ja) * | 2016-05-16 | 2017-11-23 | 株式会社日立製作所 | 診断システム及び電子制御装置 |
JP6457563B2 (ja) * | 2017-01-24 | 2019-01-23 | ファナック株式会社 | 数値制御装置及び機械学習装置 |
JP7012086B2 (ja) * | 2017-08-18 | 2022-01-27 | ローム株式会社 | 人工知能アルゴリズム |
US11953555B2 (en) * | 2017-10-24 | 2024-04-09 | Mitsubishi Electric Corporation | Abnormality diagnosis device, abnormality diagnosis method, and abnormality diagnosis system |
KR102474811B1 (ko) * | 2017-12-07 | 2022-12-06 | 현대자동차주식회사 | 차량 데이터 기록 장치 및 방법 |
WO2020202446A1 (ja) * | 2019-04-01 | 2020-10-08 | アイポア株式会社 | 細孔電気抵抗法による測定対象粒子の細孔通過にともなうイオン電流の過渡変化を計測し、そのパルス波形を解析するための機械学習プログラム、方法、および装置 |
JP7297609B2 (ja) | 2019-09-05 | 2023-06-26 | 株式会社野村総合研究所 | インシデント診断対応支援装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02195400A (ja) * | 1989-01-24 | 1990-08-01 | Canon Inc | 音声認識装置 |
JP3480563B2 (ja) * | 1999-10-04 | 2003-12-22 | 日本電気株式会社 | パターン識別のための特徴抽出装置 |
US20020059154A1 (en) * | 2000-04-24 | 2002-05-16 | Rodvold David M. | Method for simultaneously optimizing artificial neural network inputs and architectures using genetic algorithms |
-
2004
- 2004-10-08 JP JP2004297034A patent/JP2006105943A/ja active Pending
-
2005
- 2005-10-08 CN CNA2005101086068A patent/CN1758034A/zh active Pending
- 2005-10-11 US US11/248,025 patent/US20060161391A1/en not_active Abandoned
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101484910B (zh) * | 2006-07-06 | 2015-04-08 | 旭硝子株式会社 | 聚类系统及缺陷种类判定装置 |
CN106560751A (zh) * | 2015-09-30 | 2017-04-12 | 发那科株式会社 | 机器学习装置、机器学习方法及具备机器学习装置的机床 |
US10121107B2 (en) | 2015-09-30 | 2018-11-06 | Fanuc Corporation | Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device |
CN110275506A (zh) * | 2018-03-14 | 2019-09-24 | 欧姆龙株式会社 | 异常检测系统、支持装置以及模型生成方法 |
US11163277B2 (en) | 2018-03-14 | 2021-11-02 | Omron Corporation | Abnormality detection system, support device, and model generation method |
CN110275506B (zh) * | 2018-03-14 | 2022-04-05 | 欧姆龙株式会社 | 异常检测系统、支持装置以及模型生成方法 |
CN112334849A (zh) * | 2018-06-18 | 2021-02-05 | 三菱电机株式会社 | 诊断装置、诊断方法及程序 |
CN112334849B (zh) * | 2018-06-18 | 2022-02-18 | 三菱电机株式会社 | 诊断装置、诊断方法及程序 |
CN113557536A (zh) * | 2019-04-25 | 2021-10-26 | 欧姆龙株式会社 | 学习系统、数据生成装置、数据生成方法及数据生成程序 |
CN113532628A (zh) * | 2020-04-16 | 2021-10-22 | 丰田自动车株式会社 | 异响评价系统以及异响评价方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2006105943A (ja) | 2006-04-20 |
US20060161391A1 (en) | 2006-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1758034A (zh) | 知识作成装置及参数搜索方法 | |
CN1319212A (zh) | 用于统计过程控制的多维方法和系统 | |
CN101069184A (zh) | 信息处理装置和方法、及程序 | |
CN1286066C (zh) | 纸券类的投入方向判别方法 | |
CN1601250A (zh) | 检查方法、检查装置及设备诊断装置 | |
CN109686439B (zh) | 遗传病基因检测的数据分析方法、系统及存储介质 | |
CN1599913A (zh) | 虹膜识别系统和方法以及具有其程序的存储介质 | |
CN1488933A (zh) | 良否判定装置、判定程序、方法以及多变量统计解析装置 | |
CN1474979A (zh) | 用于专家系统的定制规则系统和方法 | |
CN1871563A (zh) | 加工信息产生装置、程序和加工信息产生方法 | |
CN1929530A (zh) | 图像质量预测方法和设备以及故障诊断系统 | |
CN1945602A (zh) | 一种基于人工神经网络的特征选择方法 | |
CN1185305A (zh) | 用于识别诊断为充血性心力衰竭危重病人的方法和系统 | |
CN1384538A (zh) | 半导体集成电路的不良检测方法和不良检测装置 | |
CN101057207A (zh) | 误操作检测装置及具有其的机器、误操作检测方法和机器评价方法 | |
CN1285563A (zh) | 价格波动预测装置和预测方法,价格波动警告装置和方法,以及提供程序的介质 | |
CN1251128C (zh) | 文字列匹配装置和文字列匹配方法 | |
CN1847820A (zh) | 检查仪及其辅助设备、异常检测设备和耐久性测试方法 | |
CN100351610C (zh) | 状态判断方法 | |
CN1298486A (zh) | 评价化学和生物学分析的方法 | |
CN1862582A (zh) | 基于价值工程的离散型中小汽配企业生产流程诊断方法 | |
WO2012091093A1 (ja) | 緑内障診断チップと変形プロテオミクスクラスター解析による緑内障統合的判定方法 | |
CN1653492A (zh) | 纸片鉴别装置、纸片鉴别方法及程序 | |
JP4431988B2 (ja) | 知識作成装置および知識作成方法 | |
CN1143127C (zh) | 非稳定信号分析装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |