CN1834607A

CN1834607A - 检查装置及检查方法

Info

Publication number: CN1834607A
Application number: CNA2006100574251A
Authority: CN
Inventors: 糀谷和人; 清水敦; 田崎博
Original assignee: Omron Corp
Current assignee: Omron Corp
Priority date: 2005-03-16
Filing date: 2006-03-15
Publication date: 2006-09-20
Also published as: US20060210141A1; JP2006258535A; JP4573036B2

Abstract

检查装置及检查方法。本发明的课题是提供可以对应于不良出现的状况变化，进行适当的检查的检查方法。作为解决手段，本发明的检查装置用于执行异常判断，即根据基于从良品中得到的正常数据的模型进行异常判断，具有基于参量判别模型进行良否判断的功能、以及基于非参量判别模型进行良否判断的功能。在可取得的样本数据不够、或者特征空间中的良品的分布形状不稳定、从而正常区域的形状的估计精度不够的阶段中，执行基于双方的判别模型的判断，根据两者的判断结果来进行最终的良否判断。在可取得的样本数据足够、良品的分布或正常区域的形状稳定的状态下，仅基于参量判别模型的判断来执行判断。

Description

检查装置及检查方法

技术领域

本发明涉及检查装置及检查方法，更具体的说，涉及针对所输入的检查对象的计测数据提取特征量，并根据提取出的特征量来判断状态的检查装置及使用该检查装置执行的检查方法。

背景技术

在汽车或家电产品等中，非常多地使用组装了电机等驱动类部件的旋转设备。例如，如果以汽车为例，在发动机、动力转向装置、电动座椅、变速器及其它部分安装有旋转设备。此外，在家电产品中，有冰箱、空调、洗衣机及其它各种产品。而且，在这些旋转设备实际运转时，伴随电机等的旋转而发出声音。

这样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。作为该伴随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、混入异物等。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。另外，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。于是，在产生这样的预定频率成分的声音的情况下，也成为异常声。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，在这样的依赖于检查员的五感的官能检查中，不仅要求熟练的技术，而且判断结果中，由个人差异或时间所引起的变化等的偏差也大。进而，存在判断结果的数据化、数值化困难而且管理也困难的问题。因此，为了解决这样的问题，作为对包含驱动类部件的产品的异常进行检查的检查装置，有目的在于依据定量且明确的基准进行稳定的检查的异音检查装置。

作为这样自动地进行根据从检查对象得到的振动波形来判别正常/异常的检查(所谓的异音检查)的异音检查装置，以往有专利文献1中所公开的装置。该专利文献1中所公开的发明使用从时间轴波形得到的特征量和从频率波形得到的特征量，综合地对检查对象的正常/异常进行判别。

这样由时间轴波形和频率轴波形这样不同的轴得到的波形来综合地进行异音检查的原因如下。即，通过此前公开的、仅为从时间轴波形得到的特征量的异音检查、仅为从频率轴波形得到的特征量的异音检查，难以检查出所有的异音。这是因为对于各个特征量，有适合/不适合之分。使用多个特征量的异音检查与使用单一特征量的异音检查相比具有较高的判别能力。

即，驱动类部件终究是通过反复地进行旋转或往复运动的机构来实现的，如果该机构中有稍微的机械异常，则其引起的异常成分(与从良品发出的正常成分略有不同的成分)必定作为振动或声音而被传递到周围。但是，异音检查中的异常成分与正常成分相比，也只是振动或声音的波形中所包含的细微的不同，即使存在熟练人员的耳朵可以区分的不同，有时在试图进行波形分析时也因被噪声吞没而不能良好地检测。这是由于以往的异音检查是仅为从时间轴波形得到的特征量、或仅为从频率轴波形得到的特征量的判别、而且仅基于单一特征量来进行的判别。因此，在上述专利文献1中，根据从多个轴得到的多个特征量来综合地判断正常/异常。而且，在该专利文献1中所公开的发明中，作为判别规则，使用模糊规则，通过模糊推理，进行基于多个特征量的正常/异常的判断。

然而，在专利文献1中公开的异音检查中作为判别规则使用的模糊推理与神经网络等其它的判别模型相比，具有人容易理解判别规则的优点。例如，神经网络是指互相结合多个神经元模型而连接成为网络状的模型，进行何种判断而达到这样的结果的依据费解，感觉上难以理解。人难以相信感觉上不能理解的东西。如果是要求质量的检查装置则更甚。

相对于此，模糊推理可以使用表现模糊性的隶属函数，使用模糊推理的判别规则可以将判别的依据与判别结果对应地、以如“IF特征量A＝大THEN异常”这样人容易理解的表现形式来表示。这样，感觉上可以理解的东西也容易说明，在质量解决方案为事业的情况下，由于容易将判别规则作为检查装置的检查逻辑而进行说明，因此对于接受该说明的顾客而言，理解的程度也高，所以具有可以安心地采用的优点。

此外，要新导入异音检查装置的顾客在此之前进行基于熟练者(官能检查员)的耳朵的官能检查的情况也较多，官能检查员的“发出异音”等记述对于一般的检查基准已经具有了独自的判断基准、诀窍或见识。在这样的情况下，现状是异音检查装置为官能检查员此前进行的官能检查的替换，所以自然而然要求与官能检查员所具有的判断基准或诀窍、见识之间的匹配性。在这样的情况下，容易说明所作成的判别规则和此前的官能检查员所具有的知识(检查基准)之间的匹配性，这对于对顾客担负说明责任的解决方案提供者来说，模糊推理带来的说明的容易性对推进事业成为了很大的优点。

然而，所使用的特征量的数量越增加，用于进行良否判断的判别规则也越复杂，需要多个。因此，为了进行高精度的异音检查，需要高精度地作成判别规则。作为削减作成异音检查中的判别规则的工时的技术，有非专利文献1中所公开的技术。在该非专利文献1中公开了下述的技术：在判别规则(检查逻辑)的自动生成中，对判别规则所使用的特征量选择和参数搜索使用遗传算法。即，通过对判别规则所使用的特征量选择和参数搜索使用遗传算法，可以使至此为止只能是基于人的直觉或经验的尝试法的判别规则作成处理实现自动化/半自动化。

此外，作为自动作成异音检查中的判别规则的技术，还有非专利文献2中所公开的发明。在该非专利文献2中公开了以下的技术：在判别规则的自动生成中，从为了生成判别规则而采集的正常数据和异常数据中选择适当数量的正常数据和异常数据，并根据所选择的数据，使用遗传算法来进行判别规则所使用的特征量选择和参数调节，根据所选择的特征量和调节后的参数，使用模糊推理来生成判别规则。这样根据正常数据和异常数据生成最佳地将它们分离开的判别规则的技术一般被称作不良识别。

但是，在不良识别中，为了判别正常/异常而预先需要正常数据和异常数据作为样本数据，由于异常数据比正常数据难取得，因此存在如果没有异常数据则无法生成判别规则的问题。

相对于此，有例如在专利文献2中公开的发明这样的技术：仅用正常数据形成良品存在的正常区域，如果检测值在正常区域内则判断为正常，如果检测值在正常区域外则判断为异常。在该专利文献2中公开的发明中，使用多个输入信息，用多维向量设定允许正常状态的正常区域，如果检测值在正常区域内则判断为正常，如果在区域外则判断为异常。这样的判断方法一般被称作异常检测。

在这样的异常检测的情况下，在能够预先取得对于形成正常区域足够的样本数据时，可以根据这样的正常区域的内外来判断正常/异常。但是，在实际使用检查装置的制造线等中会频繁地变更检查对象，经常会有不能准备足够的样本数据的情况。在这样不能预先准备足够的正常数据的情况下，由于正常区域本身无法形成，所以存在连异常检测都不能进行的问题。

此外，与上述相反，根据与异常声的产生区域对应的频率成分等、在不良/异常时产生的声音或振动等的波形信号来作成模型/规则，在实际的检查中，判断是否与根据次品的样本而作成的规则对应，在不对应的情况下，判断为良品。这样的判断算法是以往在异音检查中通常进行的算法。

但是，在该情况下，在无法准备次品的样本数据的情况下，也无法作成适当的模型/规则，存在无法构建高性能的检查装置的问题。另外，次品的样本数据需要针对是何种异常等的每个不良类型进行准备，同时针对各不良类型需要多个次品的样本数据，因此样本数据的准备烦杂。而且，可以检测的是特征量适合已知的次品样本数据的不良，因此难以进行未知的不良的检测。

[专利文献1]日本特许第3484665号

[专利文献2]日本特许第3103193号

[非专利文献1]オムロンテクニクス(欧姆龙技术)Vol.43 No.1pp.99-105(2003)

[非专利文献2]オムロンテクニクスVol.44 No.1 pp.48-53(2004)

如上所述，此前也尝试了各种异音检查装置的开发。但都是以消除将次品(异常品)误判为良品(正常品)的漏检率的产生(由于造成次品出厂，因此需要可靠地阻止)，同时实现将良品误判为次品的过检率的降低(防止良品无法出厂而被废弃处理等的浪费、成品率下降)为目的，进行高性能的良否判断算法的作成、改进，因此现状为所使用的特征量的数据增加，或为了作成更好的判断规则而要求的样本数量增加。

另一方面，近年来，消费者对于工业产品的质量的关注度不断变苛刻。此外，在多品种少量生产的时代的制造业中，重要的课题是如何迅速地进行生产线的调试而不仅是确保产品的质量。即，单纯地实现异音检查算法的高精度化还不够，为了将更好质量的产品投放市场，在生产现场有以下的两个需求。

第一是检查的自动化。即，通常，生产过程中的检查分别针对产品的尺寸或重量等、生产出的产品的各个特性值确定管理基准，对质量进行管理。例如，在使印刷配线基板的焊锡外观检查或汽车发动机的异音检查这样的官能检查实现自动化的检查装置中，根据图像或波形提取多个质量特性，由判别模型综合地判别它们的特性而判断良否。

第二是垂直调试。在生产现场，在生产线的调试时，一般经过称作批量试生产的过程，来对批量生产线进行调试。批量试生产是指在研究、设计后通过与批量生产相同的生产手段制造产品，确定工序中是否没有问题等、确定是否可以进行批量生产。在自动生成自动检查装置的判别模型的情况下，由于不收集足够的数据就无法建模，因此在批量生产开始之前无法确定检查基准。在该批量试生产阶段中确定批量生产阶段所使用的检查基准，在批量生产开始的同时开始稳定的检查，这在实现生产线的垂直调试中成为重要的课题。

图1表示从某一产品(工件)的开发开始到最终的正常批量生产线的调试完成为止的阶段(工序)、各工序中所得到的良品(OK)、以及次品(NG)的样本之间的关系。即，首先，开始对最初使产品成为什么样的研究(研究)、进行具体的设计(设计)、对于所设计的产品的批量试生产(量试)。然后，在该批量试生产中确认了工序中没有问题等的基础上，开始实际的批量生产，对批量生产线进行调试(批量生产)。

而且，批量生产开始后也有时产生没有预料到的出现次品等的问题等，每次进行校正(批量生产变动时)，然后，有查明而消除次品的产生原因，极力降低次品的产生率而提高成品率的稳定期(批量生产稳定期)。即，即使批量生产开始后，也有时产生、检测出次品，在其原因为判别规则等不合适的情况下，进行变更检查基准(变更特征量/变更检测范围)的校正，在还是产生次品的情况下，不变更检查基准而查明原因，进行原因对策(设计变更)的同时继续批量生产。

从图1可知，在研究/设计阶段，实际作成(试生产)的产品的数量少(初期试生产)。特别是在研究阶段，次品的样本数量(工件数)极少。因此，正常和异常的分布区域也分别成为很小的范围。而且，转移到设计阶段时，由于进行各种尝试，次品的产生数量增加，同时也从分布图可知，次品的产生原因也为多方面。由此，也分布多个成为异常的区域。

而且，转移到批量试生产阶段时，由于实际批量生产产品而制造出的样本数量也增加，出现在研究/设计阶段还产生无法预测的不良因素，因此，次品的产生数量也增加。作为该无法预测的不良因素，具体来说，例如有制造过程中的问题所造成的不良等。从分布图也可知，在该批量试生产阶段中，由于次品的产生原因也为多方面，因此也分布多个成为异常的区域，其分布数量以及各区域中的样本数量也比设计阶段增加。此外，由于异常的区域涉及多方面，因此被判断为良品(正常)的区域有时也分布多个。随着批量试生产阶段的推进，每天查明次品产生的原因，同时考虑使得不产生这样的次品的解决对策，进行生产设备、制造线的改进。因此，不仅减少次品的产生数量，同时消除次品的产生原因，因此次品的产生区域也渐渐减少。

在批量生产开始时，良品的产生数量增加，而次品的产生数量减少。这样的现象随着从批量生产变动时起向批量生产稳定期的推进而更加显著。而且，不管是分布图，还是次品的产生区域数量均减少，同时制造出的良品的偏差也逐渐减小，因此成为正常的区域也缩小。由此，拉开异常区域和正常区域间的距离，在最终的批量生产稳定期中，可以进行高精度的良否判断。

但是，如果要满足下述要求，则产生以下的问题，该要求为：要从批量生产前的初始阶段开始进行基于异音检查装置的良否判断，准确且高精度地进行次品的确定，同时尽早进行批量生产的调试。

产生的问题是，例如，以往一般进行的基于次品的样本数据的良否判断(不良识别)对于已经转移到确定了在一定程度上发生的不良/异常的类型的批量生产体制的生产设备/制造线是适合的。但是，如生产线的调试时(设计、批量试生产)等这样，次品的产生率高，而且多个不良类型复合地作用或未知的不良类型等也存在多个的情况下，不能准备适当的次品的样本数据，不能高效地应用检查装置。进而，假设可以准备次品的样本数据、可以构建检查装置，在调试时，也要每天查明次品的产生原因，同时考虑不致产生这样的次品的解决对策，进行生产设备、制造线的改进。因此，存在的问题是：对于成为构建检查装置时使用的样本数据的基础的次品而言，多为已经被实施解决对策而不致产生，不仅如此，还产生新的不良类型等，不能提供有效的检查装置等。

发明内容

本发明的目的在于提供检查装置及检查方法，可以根据制造业等所引起的不良出现(不良形式)数量、与良品之间的平衡状况变化(初期试生产(初始阶段)→批量试生产(调节阶段)→批量生产(稳定阶段))，进行适当的检查，并可以从检查对象物的初期试生产阶段开始进行检查。

为了达成上述目的，本发明的检查方法使用了针对所输入的计测数据提取特征量、基于提取出的特征量判断状态的检查装置，所述检查装置根据基于从良品中得到的正常数据的模型来执行异常判断，具有基于参量判别模型进行异常判断的单元、以及基于非参量判别模型进行异常判断的单元。而且，在可取得的样本数据不足、或者特征空间中的良品的分布形状不稳定、从而正常区域的形状的估计精度不够的状态下的调节阶段中，针对检查对象的计测数据，同时使基于所述参量判别模型进行异常判断的单元、以及基于所述非参量判别模型进行异常判断的单元进行工作，根据两者的判断结果来进行最终的异常判断。并且，在可取得的样本数据足够、良品的分布或正常区域的形状稳定的状态下的稳定阶段中，针对检查对象的计测数据，仅通过基于所述参量判别模型进行异常判断的单元来进行异常判断。本发明通过第二实施方式来实现。

例如，在工业产品从开发向生产转移的阶段，大概有批量试生产、批量生产，分别有以下的特征。即，在批量试生产阶段中，可取得的样本数据增加，良品的分布可以估计，但由于偏差造成的误差，处于正常区域的形状不稳定的状态(调节阶段)，在批量生产阶段中，可取得的样本数据足够，处于良品的分布或正常区域的形状稳定的状态(稳定阶段)。因此，在批量试生产时以及批量生产时，分别应用异常检测的调节阶段模型以及稳定阶段模型。

即，作为调节阶段模型，由于仅使用参量的方法则可靠性降低，因此同时使用参量的方法和非参量的方法，综合地进行判断。由此，即使在没有采集到足够的样本数量的批量生产开始前，也保证精度高的异常判断。而且，在达到稳定阶段时，可以确保足够的样本数量，所以仅通过基于参量的方法的判断就可以进行高性能的异常判断。达到稳定阶段时，参量的方法和非参量的方法的判断结果一致，因此不仅在判断结果的性能方面没有了进行使用两种方法的判断的优点，而且在进行两种处理的烦杂、CPU负载的方面也不理想，因此仅通过参量的方法进行良否判断。

此外，作为另一种解决手段，一种检查方法，使用了针对所输入的计测数据提取特征量，基于提取出的特征量判断状态的检查装置，所述检查装置根据基于从良品中得到的正常数据的模型来执行异常判断，具有基于参量判别模型进行异常判断的单元、以及基于非参量判别模型进行异常判断的单元，在可取得的样本数据少、无法估计特征空间中的良品的分布或正常区域的形状的初始阶段中，针对检查对象的计测数据，仅通过基于所述非参量判别模型进行异常判断的单元来进行异常判断，在可取得的样本数据不足、或者特征空间中的良品的分布形状不稳定、从而正常区域的形状的估计精度不够的状态下的调节阶段中，针对检查对象的计测数据，同时使基于所述参量判别模型进行异常判断的单元、以及基于所述非参量判别模型进行异常判断的单元进行工作，根据两者的判断结果来进行最终的异常判断，在可取得的样本数据足够、良品的分布或正常区域的形状稳定的状态下的稳定阶段中，针对检查对象的计测数据，仅通过基于所述参量判别模型进行异常判断的单元来进行异常判断。本发明通过第一实施方式来实现。

例如，存在工业产品从开发向生产转移的阶段中还包含初期试生产(研究/设计阶段)的情况，在该情况下，大概为初期试生产(试生产)、批量试生产(批量试制)、批量生产。初期试生产是可取得的样本数据少、特征空间中的良品的分布或正常区域的形状不能估计的状态(初始阶段)。从而，无法通过基于参量判别模型的方法来进行异常判断，但基于非参量判别模型的判断可以保证一定程度的精度。因此，在初始阶段中，通过基于非参量判别模型的方法进行异常判断，可以从初期试生产的阶段开始进行自动的异常判断。在可采集一定程度的样本数量的批量试生产以后，与上述发明相同。

而且，从所述初始阶段向所述调节阶段的转移可以在所采集的样本数量至少比特征量的数量多的情况下执行。更好是设为大于等于3倍。当然，切换的条件不限于这样基于样本数量的条件，也可以使用其它的各种切换条件。

此外，从所述调节阶段向所述稳定阶段的转移可以在所述调节阶段中的基于所述非参量判别模型的异常判断结果和基于所述参量判别模型的异常判断结果一致的比例大于等于预定的阈值的情况下进行。该一致可以完全一致，也可以不等到完全一致而在一致的程度高到某种程度的情况下进行切换。在实施方式中，为“在两者的判别结果没有差异的情况下”，但所谓没有差异当然包括完全没有(完全一致)的情况，也可以包括允许一定的余量(允许产生略微的差异)的情况。

在所述调节阶段中，在基于所述非参量判别模型的异常判断结果和基于所述参量判别模型的异常判断结果不同的情况下，所述检查装置可以等待人为判断结果的输入，从而将所输入的判断结果作为对于其检查对象的计测数据的最终的异常判断结果。本发明由第三实施方式来实现。

此外，适合于实施上述各方法的发明的本发明的检查装置针对所输入的计测数据提取特征量，基于提取出的特征量判断状态，根据基于从良品中得到的正常计测数据生成的模型来执行异常判断，具有基于参量判别模型进行异常判断的单元、以及基于非参量判别模型进行异常判断的单元，具有控制单元(在实施方式中，与“使用模型选择部”对应)，其可以同时使基于所述参量判别模型进行异常判断的单元和基于所述非参量判别模型进行异常判断的单元中的一方或两方进行工作，并且控制其工作。而且，该控制单元可以构成为进行下述控制：在可取得的样本数据不足、或者特征空间中的良品的分布形状不稳定、从而正常区域的形状的估计精度不够的状态下的调节阶段中，针对检查对象的计测数据，同时使基于所述参量判别模型进行异常判断的单元、以及基于所述非参量判别模型进行异常判断的单元进行工作，根据两者的判断结果来进行最终的异常判断，在可取得的样本数据足够、良品的分布或正常区域的形状稳定的状态下的稳定阶段中，针对检查对象的计测数据，仅通过基于所述参量判别模型进行异常判断的单元来进行异常判断。

而且，所述控制单元还进行如下控制：在可取得的样本数据少、无法估计特征空间中的良品的分布或正常区域的形状的初始阶段中，针对检查对象的计测数据，仅通过基于所述非参量判别模型进行异常判断的单元来进行异常判断。

进而，可以构成为：具有模型生成单元，基于从良品中得到的正常的计测数据作成用于异常检测的模型，并且基于所述参量判别模型进行异常判断的单元和基于所述非参量判别模型进行异常判断的单元基于由所述模型生成单元生成的模型来进行异常判断。在该情况下，所述模型生成单元生成模型时所使用的所述正常的计测数据优选为还包含检查对象的计测数据被判断为良品的情况下的相应的计测数据。

进而，还可以具有以下单元：在所述调节阶段中，在基于所述非参量判别模型的异常判断结果和基于所述参量判别模型的异常判断结果不同的情况下，显示用于接收人为判断结果的输入的输入画面的单元、以及将基于该输入画面输入的判别结果作为对于该检查对象的计测数据的最终的异常判断结果的单元。

而且，可以为：基于所述参量判别模型进行异常判断的单元使用MTS，基于所述非参量判别模型进行异常判断的单元使用1类SVM(支持向量机)。

1类SVM是基于与事例的对照的判断，按照“如果是与过去经历过的良品的声音/波形接近的声音/波形，则是良品”进行判断，对可确实认为是良品的产品以外的产品进行检测。从而，在数据少的阶段中，由于还检测出本来是不良以外的产品，所以过检增多。但是，由于是“非参量的方法”，所以也可以由少量的良品样本进行训练，所以在无法充分采集样本的试生产、批量试生产阶段中也可以进行检查。而且，可以假设多变量正态性，并且在数据足够的情况下，判断与MTS应该一致。但是，在1类SVM的情况下，由于无法说明用何种基准进行判断，所以不适合于批量生产阶段中的质量管理。

另一方面，MTS(Maharanobis-Taguchi System)通过基于与模型的对照的判断而判断为“如果是理想的接近良品的声音/波形则为良品”，是来自管理平均和偏差的质量管理的方法，可以说明以何种基准进行判断。而且，尽管由于是假设了多变量正态性的“参量的方法”、从而存在为进行统计上的分布估计而需要足够数量的良品样本的缺点，但在可以充分采集样本的最终批量试生产、批量生成阶段中，消除了这样的缺点，发挥出可以说明以何种基准进行判断的优点。由此，在批量生成阶段中，进行基于参量的方法的良否判断。

计测数据在实施方式中是基于声音或振动的波形数据，但本发明不限于此，例如，也可以是图像信号、温度、转速、转矩等的计测数据。此外，参量的方法如下：对于由已经观测到的数据所构成的组(例如正常)，进行训练，估计规定属于各组的数据所遵从的概率密度分布形状的参数(例如均值/方差)，在判别时，如果观测到新的数据，则使用所估计的参数求出对于该组的归属程度，来确定是否属于该组。

在实施方式中，作为该参量判别模型的具体例，示出了MTS(Maharanobis-Taguchi System)(将良品组所遵从的概率密度分布假设为多变量正态分布，来估计作为其形状的参数的平均值和标准偏差，在新观测到数据时，将从观测到的数据到良品组的Maharanobis距离(根据平均值和方差求出)为大于等于预定的阈值的产品判别为次品)，但除此以外，例如，也可以使用如下的方法：同样假设为良品组所遵从的概率密度分布为正态分布，来估计作为其形状参数的平均值和标准偏差，在新观测到数据时，求出该数据属于该组的事后概率，将该概率为小于等于预定的阈值的产品判别为次品。

此外，非参量的方法如下：针对每个组进行原样保持已经观测到的所有数据或对判别有用的一部分数据的训练，在判别时，如果是新观测到的数据，则根据与所保持的数据之间的相似度或距离来求出对于该组的归属度，确定是否属于该组。

作为该非参量的方法的具体例，在实施方式中，示出了1类支持向量机(1类SVM)，但除此以外，例如，也可以使用如下的方法：保持所有数据，在观测到新的数据时，从所保持的数据中按照欧几里得距离远近的顺序提取k个数据，将其平均值为大于等于预定的阈值的产品判别为次品。

在本发明中，通过以正常(良品)数据库为基准来判断是否正常(是否不异常)，可以进行包含不明确的不良的检测在内的各种不良的检测，同时可以根据制造业等所引起的不良出现(不良形式)的状况变化(初期试生产→批量试生产→批量生产)，进行适当的检查。

即，在本发明中，在不良数据少或较少的情况下也可以进行检查，在正常数据少的情况下(生产线调试时等)也可以进行检查。进而，随着数据增加，可以提高异常检测精度。

附图说明

图1是表示从某种产品(工件)的开发开始到最终的正常批量生产线的调试完成为止的阶段(过程)、各个过程中所得到的良品、次品的样本之间的关系的图。

图2是本发明的优选的一种实施方式的图。

图3是表示检查装置10的内部结构的一例的图。

图4是表示更详细的内部结构的图。

图5(a)是说明MTS的原理的图，(b)是说明1类SVM的原理的图。

图6是说明1类SVM的图。

图7是说明1类SVM的图。

图8是说明1类SVM的图。

图9是说明初始阶段的作用的图。

图10是说明调节阶段的作用的图。

图11是说明稳定阶段的作用的图。

图12是表示调节阶段的模糊规则的一例的图。

图13是表示第一实施方式的概略结构的流程图。

图14是表示初始阶段的处理功能的一例的流程图。

图15是表示调节阶段的处理功能的一例的流程图。

图16是表示稳定阶段的处理功能的一例的流程图。

图17是表示第二实施方式的概略结构的流程图。

图18是表示第三实施方式的概略结构的流程图。

图19是表示第三实施方式的作用的图。

具体实施方式

图2表示本发明的优选的一种实施方式。如图2所示，在本实施方式中，由放大器4放大来自与检查对象物1接触/靠近配置的传声器2以及加速度传感器3的信号，由AD转换器5变更为数字数据之后，提供给检查装置10。此外，虽然未图示，但批量试生产阶段、批量生产开始后，也可以从生产现场实际负责进行工件(产品)的制造控制的PLC取得动作定时及其它数据。而且，检查装置10取得基于由传声器2采集的音频数据或由加速度传感器3采集的振动数据的波形数据，并提取特征量，同时进行异常判断。从图2可知，检查装置10由计算机构成，具有CPU本体10a、键盘和鼠标等的输入装置10b、显示器10c。此外，可以根据需要配备外部存储装置，或具有通信功能，与外部的数据库进行通信，取得必要的信息。

此外，在本实施方式中，基本的算法是：基于正常的样本生成进行异常判断时使用的判断知识，进行适合条件的判断为良品而不适合的判断为次品的异常检测。通过采用这样的结构，本实施方式的检查装置10在从批量试生产等的批量生产开始前经过批量生产初期(生产线调试)而到达批量生产的稳定期的各时期中，均可进行正常/异常的判断。

图3主要表示检查装置10的内部结构，图4表示更详细的内部结构。该检查装置10具有作成在进行异常判断时所需的知识的功能、以及基于该作成的知识进行良否判断的功能。在本实施方式中，所有的功能均基于正常的良品的样本进行，同时按照从开发向生产转移的各阶段，自动地对知识进行修正，从而可以进行适合于各阶段的良否判断。

作为作成知识的功能，检查装置10具有存储经由A/D转换器5取得的波形数据的波形数据库11。在本实施方式中，该波形数据库11中存储有基于正常的产品(良品)而产生的波形数据。当然，不妨碍存储基于次品而产生的异常的波形数据。异常的波形数据可以用于检查装置10的性能的检查(是否正确地判断为不良)。

为了作成模型(判别规则)，仅存储良品的数据即可。其中，本发明的检查装置10在从批量生产开始前至批量生产开始后的各阶段中依次改良/修正模型的同时，构建进行更好的判断用的模型。从而，起初准备良品的样本波形数据，并将其存储在波形数据库11中，在可以采集一定数量的样本数据时，实际地进行异常判断的检查，同时进一步进行样本数据的采集，基于该采集的样本数据(检查对象数据)进行模型的重构。

从而，实际上，在检查时，经由A/D转换部5输入的波形数据被提供给特征量提取部13而进行异常判断，同时也存储在波形数据库11中。但是，此时存储的波形数据是否是良品的数据还不明确，模型的重构所使用的是良品的波形数据。因此，虽然省略图示，但判断结果被反馈给波形数据库11中所存储的波形数据。即，波形数据库11的数据结构是将实际的波形数据与正常/异常的区别关联起来的表结构。进而，为了反馈判断结果而建立关联，还需要识别各波形数据的代码(可以兼用为记录编号)。另外，在初期提供的良品的样本数据的情况下，不必等待判断结果，区别为“正常”。此外，即使是判断结果被判断为异常的波形数据，在由人为判断而得到了良品的判断结果的情况下，也可以将区别更新为“正常”，用于模型的作成。

由异常检测模型生成部12调用该波形数据库11中所存储的正常的波形数据，作成进行异常判断所需的知识。作为这里作成的知识，有特征量参数以及异常检测模型，所作成的特征量参数被存储在特征量参数数据库17中，异常检测模型被存储在异常检测模型数据库18中。进而，具有作成用于进行判断部15中的判断处理的模糊规则的功能，该判断部15进行后述的异常判断。

此外，检查装置10具有：特征量提取部13，其从经由A/D转换部5取得的波形数据中提取特征量；异常检测部14，其基于由该特征量提取部13提取的特征量，判别该特征量的值是否包含在正常区域中，在正常区域外时检测为异常；判断部15，其基于该异常检测部14的检测结果，最终进行良否判断(异常判断)；以及使用模型选择部16，其确定/选择进行异常检测处理时所使用的模型。该判断部15的判断结果例如可以在显示器10c中实时地显示，或存储在存储装置中。

在说明各处理部的功能/结构的细节之前，说明本实施方式中的异常检测算法。

观察图1也可知，不呈现从产品的研究/设计到批量生产的各工序中的良品和次品分别构成的组的数据量或性质。即，在批量生产开始后，次品的产生频率降低，不能得到足够的数据量。此外，在批量生产开始前，尽管次品的产生频率较高，但只是一时地产生而立即被改善，基于同一原因的次品、即具有同种特征量的次品的波形数据的特征量其后继续产生的可能性低。另外，在任何时期中，可以根据产生原因而将不良分类为各种各样，将其看作类(class)是不合理的。而且，以对称性的观点来看，产品的良品/次品的建模中可以利用的样本数量不对称。因此，在本实施方式中，以基于良品的正常波形数据为基准，利用如概率密度估计这样的1类的判别方法。

此外，在所采集的样本数量少时，基于在本实施方式中作为对象的良品的、正常波形数据的特征量的值的统计性质无法期待形成正态分布，但至少在批量生产开始后可以期待形成正态分布(多变量正态分布)。然后，在可以假设服从正态分布的情况下，作为可利用的建模，有参量的方法，但如果不能假设，则仅可以利用非参量的建模方法。

因此，在本实施方式中，在从良品中得到的数据(特征量值)的统计性质可以期待多变量正态分布时使用参量的方法，在不能期待多变量正态分布时使用非参量的方法。其中，在从批量生产前开始连续地通过本实施方式的检查装置10进行异常判断的情况下，所得到的样本数据(也包含实际的检查对象的数据)量逐渐增加，因此特征量值的统计性质不以某一瞬间作为基点而瞬间地切换为多变量正态分布，存在难以说是哪一方的过渡期的期间。此外，假设(理论上)在某一瞬间切换为多变量正态分布，也难以断定该瞬间而将所使用的模型从非参量的方法切换为参量的方法。

因此，在本实施方式中，上述的过渡期的期间在同时使用参量的方法和非参量的方法两者来进行良否判断、批量生产开始后等的通过参量的方法可以进行比较准确的判断的情况下，切换为仅基于参量的方法的判断。基于该想法而实现的是本发明的第二实施方式。

当然，在样本数量少或存在失真/偏差等而未形成正态分布的迹象很明确的情况下，由于相对于基于参量方法的异常判断结果的可靠性低，因此附加仅基于非参量的建模方法进行判断的功能即可。基于该想法而实现的是本发明的第一实施方式。

而且，在本实施方式中，作为基于参量的方法，使用MTS(Maharanobis-Taguchi System)法。即，在MTS法中，如良品的集合这样，以任何的意思设定普通的集合。将其称为单位空间。在次品的判断中，良品纳入单位空间。而且，如果设定了单位空间和观测变量，则仅由属于单位空间内的样本来估计成为以下叙述的Maharanobis距离的基础的平均向量和方差协方差矩阵。

这里，Maharanobis距离是由下式表示的、表示以平均向量为原点，考虑了方差协方差矩阵即变量的相关度的距离的标量值。

Δ²＝(x-μ)’Σ^-1(x-μ) (式1)

(Σ：方差协方差矩阵，μ：平均向量)

这样，可以把握根据良品样本计算出的Maharanobis距离作为表示从良品组乖离的程度的量。即，如图5(a)所示，由于为正态分布，因此从分布的中心起Maharanobis距离为所希望的等距离的超椭圆的范围内(图中用虚线表示的范围内)为良品的范围，将超出该估计的分布(预定的等距离的超椭圆的范围内)的区域检测为异常。从而，假设图中“黑圈”所表示的为范围外，所以被判断为异常(次品)。

另外，使用该参量方法的异常判断中，数据量至少大于等于特征数，这是数据量的下限，优选为(经验上)数据量需要大于等于特征数的三倍。

另一方面，在本实施方式中，作为非参量方法，使用了1类SVM(支持向量机)的方法。该SVM是为了解决2类的判别问题而制作的训练机。SVM具有如下特征：通过将称为核变换的输入数据在高维空间中的映射用于训练，也可以构成非线性的判别函数。SVM为了确定最佳地判别样本数据的分离超平面，将分离超平面和样本数据之间的最小距离用作为评价式，确定分离超平面，以使该评价式最大。与该最大时的最小距离对应的样本数据称为支持向量(参照图6)。该支持向量仅由边界的数据确定。

这里，将n个d维数据x＝{x1，……，xd}的集合作为样本数据时，SVM的判别函数如下表示。

f (Φ (x)) = Σ_{j = 1}^{n} α_{i} y_{i} K (x, x_{j}) + b

(式2)

这里，y_i是样本数据的标签(label)，α_i是被称为支持向量的权重的参数。此外，b是称为偏置项的参数。而且，Ф是基于核变换的映射，K(x，x_j)表示映射后的空间中的内积。满足该判别器的f(x)＝0的点的集合(识别面)为d-1维的超平面。

这里，核法为了非线性地扩展SVM，通过非线性映射Ф进行非线性映射，维数变高时，通常复杂而难以计算，但在SVM的情况下，由于目标函数和识别函数仅取决于输入图形的内积，因此如果可以计算内积则可以构成最佳的识别函数。这样，在高维地进行映射的同时，避免实际映射的空间内的特征的计算，置换为核函数。将仅通过核函数的计算来构成最佳识别函数称为kernel trick。

例如，如图7(a)所示，在分布白圈和黑方块的情况下，不能按照d-1维(图示的情况下由于d＝2，一维：直线)分离两者的区域，但如图7(b)所示，作成(假设)基于Ф(x)的非线性映射，由此可以通过d-1维(在图示的情况下由于d＝3，二维：平面)的分离超平面，将两者(白圈和黑方块)分离开。关键是将原始的输入数据映射到高维特征空间中，在特征空间中进行线性分离。尽管越高维则计算量越增加，但由于可以使用内积进行运算处理，所以可以简单地进行计算。

而且，1类SVM是指确定如下的判别函数的训练功能，该判别函数可以仅根据正常数据的信息，对未知的数据也可以高精度地判别其正常/异常。通过1类SVM得到的识别面被构成为与样本数据的分布的外形匹配。即，将与样本数据不同的数据判别为异常。通过核变换而非线性地扩展的1类SVM的判别函数如下式所示。

f (x) = \underset{i}{Σ} (α_{i} K (x_{i}, x)) - ρ

(式3)

这里，f(x)的值表示对于识别面的乖离度。由此，可根据离正常数据的集合的距离来判断正常/异常。即，1类SVM是用于求出样本点的支持的核法。对核使用高斯函数时，利用偏离点被映射在特征空间的原点附近的性质来检测输入空间中的偏离点(参照图8)。在图8中，v是样本组残留在原点侧的比例(0＞v≥1)，v越小则越可以说是偏离点、即异常。

如图示地说明使用1类SVM的异常检测，如图5(b)所示，判断为在与表示正常范围的组的外形(以虚线表示的区域)匹配的范围内存在的点是与正常(良品)相关的点。即，将没有数据的出现实例的区域检测为异常。由此，即使是在样本数少的状态下也可以进行异常判断。另外，也可以将位于该范围外的点均检测为异常，但还可以设定一定的乖离度，在该乖离度大于等于预定的阈值的情况下检测为异常。

即，MTS和1类SVM中的异常程度的意思是，前者是相对于分布中心的乖离度为大于等于预定的阈值，后者是相对于识别面的乖离度为大于等于预定的阈值。此外，由于1类SVM中的正常范围是由现有的良品的波形数据(基于此的特征量值)构成的组的集合体的外形，因此随着追加基于良品的数据，其形状也发生变化。而且，在所采集的数据的样本数量增多、可以采集到正态分布的程度时，该1类SVM中的正常范围的外形形状与基于正态分布的超椭圆的范围相等。在该状态下，由于也可以高精度地执行基于MTS的判断，所以可以切换为基于MTS的判断。另外，良品组的形状不一定是正态分布，即使不服从正态分布的情况下，如果服从威布尔(weibull)分布或二项分布等的参量方法已知的分布，则可以切换为适合于各个分布的参量方法。

返回图3、图4，说明本实施方式的装置。异常检测模型生成部12具有：参数优化部12a、特征选择维压缩部12b、以及建模部12c。在本实施方式中，预先确定使用的特征量。而且，由参数优化部12a自动地确定特征量中的参数。该参数优化部12a中的参数的确定方法可以应用上述非专利文献等中公开的技术。而且，求出的参数存储在特征量参数数据库17中。

特征选择维压缩部12b从多个特征量中选择有效的特征量，将高维特征量压缩为低维。即，在本实施方式中，由于可以更准确、且高性能地对宽范围的对象进行异常判断，因此根据基于时间轴的波形和基于频率轴的波形(通过波形转换部13e生成)，分别求出预定数量的特征量，因此特征量的数量增多，该特征量的数量今后可能进一步增加。这样，广泛地加进认为对异常判断有效的特征量，结果，生成高维的特征向量，但对这样的高维的特征向量，选择对正常/异常的识别有效的维来压缩。建模部12c对于基于良品的波形数据的特征量空间，作成1类SVM的模型(构成组的范围)或MTS的模型，存储在异常检测模型数据库18中。进而，基于作成的模型，还作成由判断部15进行的模糊推理时所使用的模糊规则(也包含隶属函数)，存储在模糊规则数据库19中。这里作成、存储的模糊规则以MTS的结果和1类SVM的结果为两方，相当于综合地进行判断的过渡期中的良否判断所用的规则和以单独的模型(MTS/1类SVM)进行异常判断的情况下所使用的规则中的任意一种。后面叙述作成的规则。

如图4所示，特征量提取部13具有：滤波器13a，其从经由A/D转换器5取得的检查对象的一系列的波形数据中提取/除去(滤波)预定的频率成分；帧分割部13b，其对通过该滤波器13a后的波形数据进行帧分割；波形转换部13e，其对于由该帧分割部13b分割的各帧的波形数据进行波形转换；帧特征量运算部13c，其基于由该帧分割部13b分割的各帧单位的波形数据以及由波形转换部13e转换的数据(帧单位)，计算帧单位的特征量(帧特征量)；以及代表特征量运算部13d，其基于该帧特征量，求出检查对象的波形数据的代表特征量。由该代表特征量运算部13d求出的代表特征量被发送给后级的异常检测部14、判断部15。该特征量提取部13的各处理部的功能基本上与公知的异音检查装置等中所安装的特征量提取部的功能相同。

简单地说明各处理部的功能，滤波器13a为带通滤波器、或低通滤波器等的各种滤波器，用于除去噪声或提取判断所需的频率成分，设定各种作为边界的频率值。

但是，在本实施方式中，因为是基于良品的异常检查，与不良识别相比，需要相当程度地增加特征量数量。即，在不良识别的情况下，伴随次品产生的异音在该异音的类型所固有的波段中出现，因此如果不是仅关注该频带，则无法捕捉异音(异音被淹没到其它的频率成分中)，但反之由于已知产生该异音的波段，因此在实际的检查中仅对于该波段通过特征量进行监视即可。但是，由于在异常检测中没有次品数据，所以无法确定波段，这是由于需要在检查中对各波段都要用特征量进行监视的缘故。现实中，在可根据经验规律而在一定程度上(即使不是不良识别那样)限定应检查的频率范围的情况下，可以限定在该范围内。此外，如后所述，由于也可以通过FFT等进行频率分析，因此可以进行宽频率范围内的特征量的分析。

检查对象的波形数据是驱动检查对象的产品时进行测量而得到的具有一定长度的连续波形。因此，通过帧分割部13b将这一系列的波形数据分割为由单位时间(单位采样数)构成的帧单位。进行该分割处理时，可采用下述各种方式：对于一系列的波形数据，分割成使得前后的帧无间断地连续，或前后的帧的一部分重叠等。波形变形部13e有求出Hilbert变换、FFT(傅立叶变换)、高频强调、低频强调、自相关函数等各种形式。

帧特征量运算部13c有平均、方差、失真度、峰度、峰值数(超过阈值的数)、最大值等各种形式。代表特征量运算部13d求出针对每一帧求出的帧特征量的平均值、最大值、最小值、变化量等。当然，计算出的帧特征量的类型或基于该帧特征量计算的代表特征量的计算方法不限于以上列举出方法，可以使用其它各种方法。

实际上，由特征量提取部13读取特征量参数数据库17中所存储的特征量和参数(例如，作为滤波器的边界的频率或求出峰值数时的阈值等)，由各处理部据此执行运算处理等。

异常检测部14具有：维压缩部14a、SVM处理部14b、MTS处理部14c。在本实施方式中，由于更准确且高性能地对宽范围的对象进行异常判断，因此根据基于时间轴的波形和基于频率轴的波形(由波形转换部13e生成)，分别求出预定数量的特征量，因此特征量的数量增多，该特征量的数量今后可能进一步增加。这样，广泛地加进被认为对异常判断有效的特征量的结果是，生成高维的特征向量，但维压缩部14a对这样的高维的特征向量进行选择对正常/异常识别有效的维而压缩的处理。

SVM处理部14b取得异常模型数据库18中所存储的当前的1类SVM用的模型(表示正常范围(外形)的信息)，计算上述1类SVM中的判别函数(式3)，求出基于检查对象的波形数据的维压缩后的特征量空间中的相对于识别面的乖离度f(x)。然后，将求出的结果传递给下一级的判断部15。

MTS处理部14c取得异常模型数据库18中所存储的当前的MTS用的模型(表示正常范围的超椭圆的存在位置信息)，求出上述基于检查对象的波形数据的维压缩后的特征量空间中的相对于超椭圆的中心的Maharanobis距离(式1)。然后，将求出的结果传递给下一级的判断部15。

判断部15具有模糊推理部15a和阈值处理部15b。模糊推理部15a基于从异常检测部14取得的1类SVM的乖离度、或MTS的Maharanobis距离、或从特征量提取部13取得的代表值特征量，按照模糊规则数据库19中所存储的规则来进行模糊推理，并将该推理得到的结果传递给阈值处理部15b。阈值处理部15b根据所取得的模糊推理的结果，判断检查对象的产品的良品/次品。虽然所使用的模型不同，但通过模糊推理处理以及基于其推理结果的阈值处理实现的异常判断可以使用基本上与以往相同的机构。

这里，说明各阶段中的分布状况(分布正常度)和此时使用的模型/模糊规则。在研究/设计的初始阶段中，样本数据量少。从而，基于各样本数据的特征量的分布状况如图9(a)所示，不是正态分布，基于良品(正常)的范围的外形形状也不是超椭圆。另外，为便于说明，特征量设为两个(x1、x2)、在二维平面上进行图示，但实际上为大于等于三个的多个的特征量空间。

如上所述，在得不到足够的样本数量的初始阶段中，仅通过1类SVM进行，因此如图9(b)所示，仅对1类SVM的乖离度(横轴)作成如图所示的隶属函数。关于该隶属函数，在分配了对于良品范围小、对于次品范围大的隶属函数的情况下，在良品的范围的外形部分，使对于大和小的隶属函数的适合度相等。例如，双方在0.5处相交。在初始阶段中，由于不进行基于MTS模型的判断，因此也不作成隶属函数。从而，如图9(b)所示，仅基于横轴的隶属函数来进行异常判断。由于不求MTS的乖离度，因此对于纵轴，不作成隶属函数。此外，更新时使用的训练数据是被判断为正常(良品)的数据。另外，即使是被判断为异常(次品)的数据，也可以通过人工再检查，如果是良品则进行追加。

此外，转移到批量试生产阶段等，采集到一定程度的样本数量(例如，“数据量为特征数量的三倍以上”)时，还可进行基于MTS的异常判断。但是，对于此时的分布正常度，虽然可以进行分布的估计，但因应该还未完成多变量正态分布，所以由于偏差引起的误差而成为不稳定的状态。从而，如图10(a)所示，基于1类SVM的模型的良品范围(以虚线表示的无定形的形状)和基于MTS的模型的良品的范围(以实线表示的超椭圆的形状)不完全一致。因此，把基于两个模型的判断结果都判断为正常的数据判断为良品，把基于两个模型的判断结果都为异常的数据判断为次品。而且，对于MTS和SVM的判断不同的数据，判断为GRAY(不定：不明)。

而且，用于进行这样的处理的隶属函数对于1类SVM，与上述的初始阶段的情况相同。此外，关于MTS的隶属函数，在该隶属函数分配了对于良品范围小、对于次品范围大的隶属函数的情况下，在良品的范围的外形部分，使对于大和小的隶属函数的适合度相等。例如，双方在0.5处相交。此外，规则如图12所示。

进而，转移到批量生产阶段，如图11(a)所示，在还估计了分布正常度的多变量正态分布稳定的状态下，如上所述，仅通过MTS模型进行异常判断。这是由于：因在该阶段中，基于1类SVM的良品范围也为与超椭圆同等的形状，因此基于两个模型的判断结果也都一致。从而，无需如调节阶段那样，特地进行基于两个模型的判断处理，因此仅通过MTS进行判断。此时的隶属函数与初始阶段相反仅为MTS，对于MTS的隶属函数，在该隶属函数分配了对于良品范围小、对于次品范围大的隶属函数的情况下，在良品的范围的外形部分，使对于大和小的隶属函数的适合度相等。例如，双方在0.5处相交。另外，在转移到稳定阶段的情况下，不对模型(判断规则)依次进行更新。而且，根据需要，检查分布是否没有变化。

在上述的各阶段中，由使用模型选择部16确定执行哪种处理，向各处理部(异常检测部14、判断部15)发送切换指令。基于该指令，各处理部执行基于所指定的模型的处理。

接着，说明使用上述的检查装置的本发明的第一实施方式。图13是表示本发明的第一实施方式的整体处理的流程图。例如，在从工业产品的开发向生产转移的阶段中，在进行初期试生产之后，经过批量试生产转移到实际的批量生产。在本实施方式中，在按照这样的三阶段从开发向生产转移的情况下，可以从初期试生产的阶段起进行异常判断。

如图13所示，首先，进行初期试生产(初始阶段)中的异常判断处理(S10)。在该初始阶段中，处于可取得的样本数据少、无法估计特征量空间中的良品的分布或正常区域的形状的状态。因此，作为初始阶段模型，进行仅基于1类SVM的异常判断。

具体来说，执行图14所示的流程图。即，首先读入预先准备的良品初始样本数据(S11)。该读入的数据被存储在波形数据库11中。然后，异常检测模型生成部12根据存储在该波形数据库11中的波形数据，作成1类SVM的模型(S12)。然后，将作成的特征量、异常检测模型以及模糊规则分别存储在对应的数据库17、18、19中。该处理步骤S11、S12为训练阶段，到该训练阶段为止不进行实际的针对未知波形数据的异常判断(异音检查)。准备预定数量的样本数据，如果可以进行基于据此作成的1类SVM模型的检查，则转移到从处理步骤S13起的实际检查中。

即，取得在初期试生产阶段得到的基于产品(样本/试制品)的波形数据，经由A/D转换器5发送给特征量提取部13。此时，也一并存储到波形数据库11中。使用模型选择部16设定为：对于异常检测部14、判断部15，在初始阶段模式下、即仅以1类SVM进行工作。由此，由特征量提取部13提取出的代表特征量被发送给异常检测部14，在由维压缩部14a进行维压缩之后，仅对SVM处理部14b发送数据，并在其中求出基于1类SVM模型的乖离度，发送给判断部15。在判断部15中，仅基于1类SVM，进行模糊推理处理(参照图9)，并进行正常/异常的判断。

接着，进行样本的积蓄(S14)。即，将波形数据库11中所存储的在处理步骤S13中进行了检查的检查数据(波形数据)的判断结果与所存储的波形数据关联起来进行登记。在良品(正常)的情况下，用于1类SVM的模型作成。另外，异常检测模型生成部12可以在每追加一个样本时进行模型的重构，也可以在每积蓄到预定量时进行重构。此外，如后所述，在进行基于该1类SVM模型的异常判断的期间，也有时新的样本数据仅进行积蓄，而不进行基于该积蓄的样本的模型重构。但是，优选为依次按照适当的定时进行模型的重构。这样，可以增加作为良品提取的样本(可以避免本来是良品的样本被判断为异常)。

另外，在执行该初始阶段中的仅基于1类SVM的检查处理的期间，也可以基于通过执行处理步骤S11、S12而求出的模型进行异常判断，而不进行基于通过执行处理步骤S14而得到的新样本的1类SVM模型的重构。

另外，在上述的说明中，作为将检查对象的波形数据存储在波形数据库11中的定时，在为了检查而提供给特征量提取部13的同时(不等待异常判断结果)进行存储，但本发明不限于此，例如，也可以执行处理步骤S13，仅将判断为良品的数据存储在波形数据库11中。在该情况下，经由A/D转换器5提供的波形数据在判断结果出来之前存储在缓存及其它临时存储单元中，可以通过将等待判断结果而存储在该临时存储单元中的波形数据存储到波形数据库11中来进行应对。而且，抛弃(删除)被判断为次品(异常)的波形数据，或存储到其它的数据库中。当然，即使在该情况下，在知道是基于次品的波形数据的状态下，仍不妨碍存储到波形数据库11中。

然后，判断所积蓄的样本的特征量是否可以形成正态分布(S15)。该判断由使用模型选择部16进行。在图3中，为便于图示，记载为使用模型选择部16仅与异常检测部14以及判断部15连接，进行数据的收发，但也可以访问其它的处理部或数据库。而且，在本实施方式中，访问使用模型选择部16或波形数据库11，根据其中存储的良品的样本数据量是否达到对于良品分布估计(基于MTS模型的判断)足够的样本量来进行判断。具体来说，至少为大于等于特征量的数量，在本实施方式中，判断是否为大于等于特征量的数量的三倍。在良品的样本数量没达到大于等于三倍的情况下(小于三倍的情况下)，该分支判断为“否”，返回处理步骤S13，并执行对于下一个产品(试制品)的检查处理。然后，在上述处理步骤S15的分支判断中成为“是”的情况下，图13所示的初期试生产(初始阶段)中的异常判断处理(S10)结束，转移到下一阶段、即批量试生产(调节阶段)中的异常判断处理(S20)。另外，对于特征量是否为正态分布，在本实施方式中，采用了基于特征量的数量和样本数据的数量来进行估计的方式，但本发明不限于此，例如，也可以基于求出的特征量的值的分布状况，利用失真度和峰度的指标来简单地进行判断。

在批量试生产阶段中，可取得的样本数据增加，可以估计良品的分布，但由于偏差引起的误差，正常区域的形状为不稳定的状态。因此，作为调节阶段模型，同时使用基于1类SVM模型的判断处理和基于MTS模型的判断处理，综合地进行判断(S20)。

具体来说，执行图15所示的流程。即，首先进行良品的样本数据的追加读入(S21)。然后，包含该追加的样本数据在内而再次进行1类SVM的建模(S22)。另外，在初始阶段的处理中、基于一直追加积蓄的样本反复执行1类SVM的模型的重构的情况下，也可以不特别设置S22的处理。但是，在任何的情况下都需要进行接着进行的MTS的建模(S23)，因此在S21中，需要读入包含追加部分在内的良品的波形数据。把通过上述的各建模处理求出的特征量、异常检测模型及模糊规则存储在各数据库17、18、19中。

根据通过执行从步骤S21至S23而作成的1类SVM模型和MTS模型，进行基于从检查对象的产品得到的波形数据的判别(S24)，进行判别结果的综合，进行检查结果的输出(S25)。

即，使用模型选择部16设定为对于异常检测部14、判断部15，在调节阶段模式下、即利用1类SVM和MTS两者来进行工作。由此，由特征量提取部13提取出的代表特征量被发送给异常检测部14，在由维压缩部14a进行维压缩之后，向SVM处理部14b和MTS处理部14c两方发送数据，并分别在其中求出基于1类SVM模型的乖离度以及基于MTS模型的乖离度，发送给判断部15。在判断部15中，基于1类SVM和MTS两者的乖离度，进行模糊推理(参照图10)，进行正常/异常的判断。在本实施方式中，如使用图10所说明的那样，通过模糊推理来一并进行处理步骤S24中的各模型的判别处理和各个判别结果的综合处理，但当然也可以各自分别执行。

接着，进行样本的积蓄(S26)。即，将处理步骤24中的检查对象的波形数据存储在波形数据库11中。此时，也一并存储判断结果(检查结果)。波形数据存储的定时与上述初始阶段的情况同样，可以取各种定时。

而且，根据过去n个样本来判断1类SVM和MTS的判别结果中是否存在差异(S27)。具体来说，可以通过由模糊推理部15a求出的推理结果中是否有GRAY的结果来进行判断。在存在GRAY的情况下，判断为有差异。另外，虽然是GRAY判断的有无，但可以在过去n个样本中哪怕出现一个GRAY判断的情况下即判断为有差异，也可以在一个或小于等于预定数量的情况下判断为没有差异。该判断是由使用模型选择部16来进行的。

在存在差异的情况下，返回处理步骤21，反复执行上述的处理。然后，如果差异消失，则图13所示的批量试生产(调节阶段)中的异常判断处理(S20)结束，转移到下一阶段、即批量生产(稳定阶段)中的异常判断处理(S30)。另外，根据该流程图，在处理步骤27的分支判断中为“是”的情况下，返回处理步骤S21，因此在每次进行对于一个波形数据的检查时，进行模型的重构。但是，本发明不限于此，也可以在进行了预定数量的样本的追加积蓄时返回S24，在不进行模型重构的情况下进行检查。

在批量生产阶段中，可取得的样本数据足够、良品的分布或正常区域的形状为稳定的状态。因此，进行作为稳定阶段模型而仅基于MTS模型的判断处理(S30)。

具体来说，执行图16所示的流程。即，首先进行良品的样本数据的追加读入(S31)。另外，在调节阶段的处理中、基于一直追加积蓄的样本来反复执行MTS模型的重构的情况下，也可以不特别设置S31的处理。然后，通过包含该追加的样本数据在内的到此为止采集到的良品的样本数据、即形成了多变量正态分布的良品数据进行MTS的建模(S32)。然后，把通过建模求出的特征量、异常检测模型以及模糊规则存储在各数据库17、18、19中。以后，进行基于MTS模型的判别(异常判断)(S33)。

图17表示本发明的第二实施方式。例如，在从工业产品的开发向生产转移的阶段中，大概有批量试生产、批量生产。在这样的情况下，取消第一实施方式中的初期试生产(初始阶段)的异常判断处理，进行批量试生产(调节阶段)中的同时使用1类SVM和MTS的异常判断处理(S20)，转移到批量生产(稳定阶段)之后，切换为仅基于MTS的异常判断(S30)。

另外，各个阶段中的具体的处理流程与第一实施方式所示的流程(图15、图16)相同，因此省略详细的说明。此外，也不妨碍将该第二实施方式应用于如第一实施方式那样从初期试生产(初始阶段)开始开发的情况。

图18、图19表示本发明的第三实施方式。即，在上述的各实施方式中，在调节阶段中1类SVM和MTS的判断结果存在差异的情况下，输出GRAY的判断结果。此时，可以是GRAY状态的原样，但示出了通过人为判断正常还是异常而更早地转移到稳定阶段的具体处理功能。

具体来说，如图18所示，首先，取得检查数据，由特征量提取部13进行特征量的运算(S41)。接着，对于求出的特征量(代表特征量)，根据1类SVM模型和MTS模型来分别求出乖离度，进行异常判断(S42)。这样的处理与图15中的处理步骤S24同等。

然后，判断1类SVM和MTS的判别结果中是否存在差异(S43)。即，判断由判断部15中的模糊推理部15a执行的模糊推理结果是否为GRAY。然后，在一致的情况下，将模型的判别结果(正常/异常)作为检查结果来执行处理(S45)，即在显示器上显示检查结果，或存储在波形数据库11中。

另一方面，在基于两个模型的判别结果存在差异的情况下，与判别结果一同输出让检查员进行正常还是异常的判断输入的指示信息。作为该指示信息，例如，在显示器上显示如图19所示的判断输入画面。从波形数据库11或临时存储单元等读取检查处理的波形数据而输出到波形曲线的栏中。此外，在该判断输入画面中，点击“再现按钮”时，根据波形曲线所显示的波形数据，再现、输出音频。由此，进行判断的人根据波形曲线或再现的音频，判断是良品(正常)还是次品(异常)，点击“OK”按钮或“NG”按钮的任意一方。

因此，作为检查装置，执行处理步骤S44，如果显示了包含指示信息的判断输入画面，则等待判断输入的到来(S46)，在没有判断输入的情况下，执行预定处理(在上述例子中，为音频的再现等)(S48)。然后，如果输入了正常/异常的判断，则将该输入的判断结果作为检查结果来执行处理(S47)。即，例如，对判断结果进行修正显示，或更新波形数据库11中所登记的信息，进而执行模型重构等的各种处理。特别是在1类SVM的情况下，由于根据是否在良品的组的范围外来进行判断，因此通过这样以适当的定时进行人为修正，可以使良品的组的范围尽快接近超椭圆。

此外，除了上述以外，例如，对于所追加的样本，基于调节阶段模型和稳定阶段模型的判别结果不同的情况(尽管是同一样本，但一方判别为正常，另一方判别为异常时)等，也可以利用与上述同样的结构，进行人为修正。

上述的实施方式的检查装置10可以应用于异音噪声、装配误差、输出特性的检查领域。此外，也可以应用于进行批量生产的在线(inline)状态，还可以应用于与批量生产分开进行试制品的检查等的离线(offline)状态。而且，更具体地说，本实施方式的检查装置10例如可以应用为：汽车的发动机(声音)、变速器(振动)等的汽车的驱动模块的检查设备；电动门镜、电动座椅、电动柱(方向盘的对位)等的汽车的电机致动模块的检查设备；上述开发中的异音噪声、装配误差、输出特性的评价装置进而为开发中的试生产机的评价装置。

此外，可以应用为：电冰箱、空调室内外机、洗衣机、吸尘器、打印机等的电机驱动家电的检查设备；以及上述开发中的异音噪声、装配误差、输出特性的评价装置。

进而，也可以应用为：进行NC机床、半导体设备、食品设备等的设备的状态判别(异常状态/正常状态)的设备诊断仪器。这是出于以下考虑：要在设备诊断中，将以往的基于异常时的样本数据作成有无异常的判别式(判定规则)的方法进行既定实事、固定观念化的情况变为仅根据正常时的样本数据来判断正常还是异常。在引入设备仪器之后，通常一边进行仪器的调节(或一边调节/变更操作参数的设定)一边使用，所以“异常状态”可以说不稳定地产生，但该异常状态可通过进行维护或良好地进行仪器的调节，来不致产生。

即，达到设备仪器的运转稳定期时，异常状态的某些是可以实施解决对策而不致产生的。这表示设备仪器的状态判别的“异常状态”的某些不产生的情况和检查对象的“次品”的某些不产生的情况为相似的现象，表示可以将本发明作为进行设备的状态判别(异常状态/正常状态)的设备诊断装置来应用。在应用到该设备诊断装置中时，“初始状态”相当于设备稳定地运转前的阶段。此外，关于异常类型知识，用于判明在设备仪器的运转稳定之后、由于设备仪器本身的老化等而在设备仪器中需要定期地进行维护调节的部位，所以确定该异常状态(有异常和异常类型的两个)，基于每个各异常类型的数据生成异常判断识别即可。在异常判断知识中、如果实施解决对策而不致产生，则删除该异常类型的异常类型知识，在删除后的状态下进行判断处理即可。

此外，设备不限于工厂设备(plant)等，也可以应用为：进行包含汽车、飞机等交通工具在内的各种对象的状态判别的诊断仪器。例如，举交通工具为例，在试生产阶段仅基于对于发动机状态的正常状态的数据生成正常知识。在试生产时刻当然产生成为异常的状态，但异常状态的某些则通过试生产改进而不致产生。从而，在试生产的初始阶段中，仅从正常数据来作成判断规则，在推进试生产改进而解决异常状态的某些，从而使其不产生并接近完成的阶段，确定某些异常类型，根据该异常状态的数据生成异常类型知识。这样，可以判断正常状态和确定的异常状态。这样，也可以制造出从试生产阶段开始积蓄数据和知识、使用正常知识和异常类型知识来判断是否正常以及异常类型中的哪一个的诊断仪器，将该诊断仪器作为成品搭载到视场上出现的汽车和飞机中，基于发动机的振动来诊断正常和异常。

Claims

1.一种检查方法，针对所输入的计测数据提取特征量，基于提取出的特征量判断检查对象的状态的良否，其特征在于，

所述检查方法根据基于从良品中得到的正常数据的模型来执行良否判断，

在可取得的样本数据不足、或者特征空间中的良品的分布形状不稳定、从而正常区域的形状的估计精度不够的状态下的调节阶段中，针对检查对象的计测数据，同时执行基于参量判别模型的判断、以及基于非参量判别模型的判断，根据两者的判断结果来进行良否判断，

在可取得的样本数据足够、良品的分布或正常区域的形状稳定的状态下的稳定阶段中，仅根据针对检查对象的计测数据的、基于所述参量判别模型的判断结果来进行良否判断。

2.一种检查方法，针对所输入的计测数据提取特征量，基于提取出的特征量判断检查对象的状态的良否，其特征在于，

在可取得的样本数据少、无法估计特征空间中的良品的分布或正常区域的形状的初始阶段中，仅根据针对检查对象的计测数据的、基于非参量判别模型的判断结果来进行良否判断，

3.如权利要求2所述的检查方法，其特征在于，

在采集到的样本的数量至少比特征量的数量多的情况下，执行从所述初始阶段至所述调节阶段的转移。

4.如权利要求1或2所述的检查方法，其特征在于，

在所述调节阶段中的基于所述非参量判别模型的良否判断结果和基于所述参量判别模型的良否判断结果一致的比例大于等于预定的阈值的情况下，进行从所述调节阶段至所述稳定阶段的转移。

5.如权利要求1或2所述的检查方法，其特征在于，

在所述调节阶段中，在基于所述非参量判别模型的良否判断结果和基于所述参量判别模型的良否判断结果不同的情况下，将人为判断结果作为对于该检测对象的计测数据的最终的良否判断结果。

6.如权利要求1或2所述的检查方法，其特征在于，

使用MTS作为所述参量判别模型，使用1类SVM作为所述非参量判别模型。

7.一种检查装置，针对所输入的计测数据提取特征量，基于提取出的特征量判断检查对象的状态的良否，其特征在于，

所述检查装置根据基于从良品中得到的正常计测数据生成的模型来执行良否判断，

具有基于参量判别模型进行良否判断的单元、以及基于非参量判别模型进行良否判断的单元，

具有控制单元，其使基于所述参量判别模型进行良否判断的单元和基于所述非参量判别模型进行良否判断的单元中的一方或两方同时进行工作，并且控制其工作，

该控制单元进行下述控制：

在可取得的样本数据不足、或者特征空间中的良品的分布形状不稳定、从而正常区域的形状的估计精度不够的状态下的调节阶段中，针对检查对象的计测数据，同时使基于所述参量判别模型进行良否判断的单元、以及基于所述非参量判别模型进行良否判断的单元进行工作，根据两者的判断结果来进行最终的良否判断，

在可取得的样本数据足够、良品的分布或正常区域的形状稳定的状态下的稳定阶段中，针对检查对象的计测数据，仅通过基于所述参量判别模型进行良否判断的单元来进行良否判断。

8.如权利要求7所述的检查装置，其特征在于，

所述控制单元还进行如下控制：在可取得的样本数据少、无法估计特征空间中的良品的分布或正常区域的形状的初始阶段中，针对检查对象的计测数据，仅通过基于所述非参量判别模型进行良否判断的单元来进行良否判断。

9.如权利要求7所述的检查装置，其特征在于，

具有模型生成单元，其基于从良品中得到的正常的计测数据作成用于异常检测的模型，并且

基于所述参量判别模型进行良否判断的单元和基于所述非参量判别模型进行良否判断的单元根据由所述模型生成单元生成的模型来进行良否判断。

10.如权利要求9所述的检查装置，其特征在于，

所述模型生成单元生成模型时所使用的所述正常的计测数据还包含检查对象的计测数据被判断为良品的情况下的相应的计测数据。

11.如权利要求7所述的检查装置，其特征在于，

具有以下单元：在所述调节阶段中，在基于所述非参量判别模型的良否判断结果和基于所述参量判别模型的良否判断结果不同的情况下，显示用于接收人为判断结果的输入的输入画面的单元、以及将基于该输入画面输入的判别结果作为对于该检查对象的计测数据的最终的良否判断结果的单元。

12.如权利要求7所述的检查装置，其特征在于，

基于所述参量判别模型进行良否判断的单元使用MTS，基于所述非参量判别模型进行良否判断的单元使用1类SVM。