CN1847820A - 检查仪及其辅助设备、异常检测设备和耐久性测试方法 - Google Patents

Abstract

在稳定运行的同时，在根据从测试仪中获得的正常数据创建了判断模型之后，进行耐久性测试，并且利用创建的判断模型，根据在测试期间获得的波形数据判断在目标对象中是否存在异常。辅助设备通过将获取的波形数据划分成单位时间的部分创建分开式波形数据，并且根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量，自动创建这样的判断模型。判断模型是根据获取的特征量为单位时间创建的。

Description

检查仪及其辅助设备、异常检测设备和耐久性测试方法

本申请要求2005年3月15日提出的日本专利申请第2005-074120号的优先权。

技术领域

本发明涉及检查仪、为检查仪创建判断模型的辅助设备、用于耐久性测试仪的异常检测设备和耐久性测试的方法。更具体地说，本发明涉及从输入波形信号中提取特征量并根据提取的特征量判断状况的技术。

背景技术

当前，存在根据被检查的目标对象生成的声音等，确定这个目标对象处在正常状况下还是处在异常状况下的产品检查和仪器诊断的技术。仪器诊断是根据制造设备或生产设备本身生成的振动或声音，确定制造设备或生产设备正在正常运行还是到了需要维修或调整的时候的技术。要诊断的目标对象的例子可以包括NC制造设备、半导体加工设备和食品加工设备。产品检查是根据产品生成的振动或声音，检查目标产品是正常产品还是有缺陷产品。它们的共同之处在于，根据振动或声音进行检查。

让我们将产品检查当作一个例子来说。在生产设备或生产系统生成的产品当中，有一些产品内含声源或振动源。还有一些产品在工作时产生声音或振动。诸如电冰箱、空调和洗衣机之类的家用电子产品包含诸如电机之类的部件，并且当被启动时，由于电机的转动，产生振动。在汽车的情况中，存在引擎、动力转向装置和传动装置之类的许多声源和振动源。

这些声音和振动的一些作为产品正常工作的一部分必然会出现，而它们的另一些只有当存在异常时才会出现。与异常状况相联系的异常声音和振动可能由电机内的异常接触、旋转机械的轴承的异常、旋转机械内的异常接触、旋转机械的不平移状况或外来物的存在引起的。更详细地说，存在像电机的固定部分和运动部分瞬时相互接触时那样，只会瞬时出现的那种类型的异常声音。在旋转机械的情况中，还存在周期性，比方说，旋转齿轮每转动一次出现的那种类型的异常噪声。这种类型的噪声的例子包括剥蚀齿轮、齿轮箱中的外来物和轴承中的玷污损伤引起的那些。

给人以不愉快感觉的噪声的例子包括混合在均匀工作噪声中、只瞬时一次性发出的尖叫声。如果预计正常产品的工作发出均匀噪声，那么，可以将引起尖叫声的产品当作有缺陷产品。

在陶瓷产品或由树脂零件组成的产品的情况中，它们可能不包括可以起声源或振动源作用的任何部件，但存在可能检查这样的产品是否存在裂缝的情况。这可以通过用榔头之类的工具打击产品使其发出声音来进行。没有裂缝的产品产生高音，而如果存在裂缝，生成的声音是沉闷的。由于生成产品的这种差异，这种检查是可能的。

在本文中，“声音”将自始至终包括振动和“振动”将自始至终包括声音。换句话说，为了方便起见，表述“声音”和“振动”有时可交换使用。

与异常相联系的声音不仅使听者感到不愉快，而且它们本身有可能进一步引起异常。因此，在生产过程中应该通过检查将生成这样声音的产品与正常产品分开。因此，依赖于处在生产地点的检查人员的五官对生产设备或生产系统生产的每个产品进行所谓的感官测试是切实可行的。更详细地说，通过听和摸感觉振动的测试已经实现了。感官测试定义在JIS(日本工业标准)的Z8144中。

不但由于需要熟练的检查人员，而且由于测试结果包括巨大的人为差异，依赖于检查人员五官的感官测试是不利的。此外，难以将测试结果转化成数字数据，因此，难以管理它们。针对这个问题，人们已经开发出按照清晰的定量标准进行检查的噪声检查设备。这些噪声检查设备使感官测试的步骤自动化，适用于通过传感器测量产品驱动部分的振动或声音，并分析和检查传感器接收的模拟信号。

日本专利公布Tokkai 3484665公开了这种适用于根据从目标对象中获得的振动波形自动判断正常和异常产品的设备。这种设备的特征在于，利用从沿着时间轴的波形中获得的特征量和从频率波形中获得的特征量提供概括性判断。

另一方面，日本专利公布Tokkai 3103193描述了首先只根据从正常产品中获得的正常数据形成正常产品的正常范围和如果发现从中获得的检查值在这个范围内判断产品是正常产品的另一种技术。多个输入数据用于通过多维矢量设置正常范围。

当正在开发诸如引擎、传动装置和轮胎之类的产品时，在试验阶段经常进行耐久性测试，以查明是否存在不耐用部件(在测试期间断裂)。在这种耐久性测试中，需要诸如转速表、温度传感器和振动表之类的传感器实时记录测试工件(譬如，测试引擎、测试传动装置和测试轮胎)的状况。如果当正被测试的目标对象的一个部分首先断裂时，这样的测试没有马上停止，这种最初损坏(初级损坏)可能不久之后在别的地方引起次级损坏，以及在其它地方引起三级损坏和其它更高级损坏。如果只在已经发生了这样的一系列损坏之后停止测试和作出分析测试工件的尝试，那么，非常难以识别代表最不耐用部分的初级损坏。即使这样的识别是可能的，也需要花费大量的时间和劳力。

首先断裂的最不耐用部件未必总是突然断裂。情况往往是出现一些事件作为初级损坏的先兆。例如，在出现断裂之前，通常存在由于磨损或变形引起的微小异常。随着耐久性测试继续下去，这样的异常不断增大，直到部件不能承受这种异常，发生断裂，导致初级损坏。在这样的情况中，测试工件的组成零件的运动发生变化，因此，它的振动也发生变化。测试工件的驱动负载、温度和畸变将开始变化，这些变化引起测试工件产生的噪声的变化。换句话说，这些复合数据导致传播的声音。

来自经受耐久性测试的对象的声音的音调在初级损坏前后是不同的。如果有工件检查经验的检查人员在工件测试期间站在测试工件旁边倾听声音，通过检测声音音调的变化可以检测初级损坏的发生。换句话说，由于检查人员不是将注意力集中在特定类型的数据在(譬如，只集中在特定频率上、只集中在特定振动频率上、或只集中在特定控制的温度上)，而是根据诸如声音音调之类的整个频率范围的图谱作出判断的，这就是为什么会注意到正常状况和异常状况之间的差异的原因。因此，如果像用在现有耐久性测试中的检查系统那样，只根据特定类型的数据作出判断，不能在出现初级损坏的时刻或在预知初级损坏的先兆阶段检测到异常。

因此，尽管事实上依赖于检查人员的听觉在初级损坏阶段或在预知初级损坏的先兆阶段可以检测到异常，但由于许多耐久性测试需要持续24个小时到一个星期和人的敏感度不是一成不变的，这不是切实可行的问题解决方案。检查人员可能在某个时候在初级损坏阶段检测到异常，但也有可能在其它时候在到达次级或三级损坏之前无法注意到它。

在像描述在上述日本专利公布中那样，适用于根据声音或振动的波形信号判断正常和异常状况的检查估仪器的情况中，在驱动测试工件的同时取出从5秒到30秒的特定时间长度的数据波形，并且对这个获得的波形作出判断。换句话说，判断是基于特定时间长度内通过工件获得的特定秒数的整个数据波形的。

在耐久性测试的情况中，连续地输入持续多于24个小时的波形数据，并且对这样的长数据作出实时判断。因此，上述类型的传统检查仪不能直接用于耐久性测试。

更进一步，对于耐久性测试中的应用，由于出现损坏与停止测试之间的允许时间长度非常短，并且要求从0.1秒到1秒的非常短间隔的波形数据中获得精确判断，不能容易地直接使用根据几秒的波形数据确定正常和异常状况的现有算法。

发明内容

因此，本发明的目的是提供即使从时间间隔短的波形数据中也能够作出正常和异常判断，并且即使在在相对长的时间间隔内从连续驱动的测试工件中获取波形数据的同时，也能够在短时间内检测异常的检查仪、为检查仪创建判断模型的辅助设备、用于耐久性测试仪的异常检测设备以及耐久性测试的方法。

按照本发明的辅助设备用于为从输入波形信号中提取特征量的检查仪创建判断模型，其特征在于包括分开式波形数据创建装置，用于通过将获取的波形数据划分成以N秒为单位时间的部分创建分开式波形数据；计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；以及模型创建装置，用于根据获取的特征量为单位时间创建判断所述目标对象的状况的判断模型。借助于如此构成的辅助设备，即使由于使用了不同分开式波形数据，单位时间很短，也可能创建精确的判断模型。

分开式波形数据创建装置可以具有从特定位置开始规则地将波形数据划分成单位时间的部分的功能。它也可能配有随机地确定这个特定位置的功能。在每一种情况中，可以收集到许多分开式波形数据，因此，由于人们在实际情况中不能预测在什么时候和在什么地方应该出现异常，特别适合创建精确的模型。

根据本发明另一个实施例的辅助设备的特征在于包括分开式波形数据创建装置，用于通过依次地和规则地将获取的波形数据划分成单位时间的部分创建分开式波形数据；计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；以及模型创建装置，用于根据获取的特征量，为所述分开式波形数据创建装置划分所述模式而成的每个区域创建判断模型。当被检查目标对象的运行模样周期性重复时，这样的辅助设备是方便的。

在上文中，计算装置可以配有将分开式波形数据进一步划分成特定尺寸的帧，根据分帧提取特征量，并且随机确定这个特定尺寸的进行帧划分处理的功能。这样，可以收集到许多个帧，因此，可以创建精确的判断模型。

本发明的检查仪的特征在于包括判断装置，用于根据本发明的辅助设备创建的判断模型对获得的被检查目标对象进行状态判断。

本发明的耐久性测试仪是用于进行耐久性测试以测试目标对象的耐久性的异常检测器，其特征在于具有在仪器稳定运行的同时，在开始测试之后马上收集传感数据波形数据，并且假设这样的数据是正常数据来创建判断模型的判断模型创建功能，并且包括利用创建的判断模型和根据在耐久性测试期间获得的波形数据判断目标对象正常还是异常的判断装置。在上文中，判断模型创建功能可以通过本发明的辅助设备实现。

本发明的耐久性测试方法的特征在于包括如下步骤：在特定时间长度内引起转动和将同时获得的波形数据提供给本发明的辅助设备，将提供的波形数据用作正常数据使辅助设备创建判断模型，此后进行耐久性测试，以便利用创建的判断模型，根据在耐久性测试期间获得的波形数据判断是否存在异常，并且如果检测到异常，输出警告信号。

附图说明

图1是按照本发明的耐久性测试系统的示意性方块图；

图2是按照本发明进行的耐久性测试的整个流程；

图3A和3B统称为图3，是说明判断算法的创建和基于它的判断过程的概念图；

图4是检查仪的功能方块图；

图5和6是示出波形划分装置的功能的图形；

图7示出了伪NG创建装置的内部结构；

图8示出了特征量-历史数据库中的数据结构的例子；

图9、10和11是说明数值化过程的图形；

图12是示出在测试工件正受到驱动的时候来自测试工件的声音的频谱的例子的图形；

图13示出了波形数据数值化装置的例子的内部结构；

图14是波形数据数值化装置的一部分功能的流程图；

图15、16、17和18示出了判断模型创建装置的不同内部结构；

图19和20示出了阈值设置装置的不同内部结构；

图21是运行期间本发明的检查仪的方块图；

图22A、22B、22C、22D和22E统称为图22，示出了本发明的检查仪的功能；

图23A、23B和23C统称为图23，示出了另一个例子中本发明的检查仪的功能；

图24和25是说明根据不同运行模样(profile)创建判断模型的功能的图形；

图26和27是说明基于不同运行模样的另一个实施例的图形；以及

图28和29示出了常态下变化的显示例子。

具体实施方式

图1示出了按照本发明优选实施例的耐久性测试系统的示意性结构。诸如电动回转装置之类的驱动设备2与用作要测试的对象的引擎1的转轴连接，以便可以迫使引擎1旋转。驱动设备2配有伺服电机和控制这个伺服电机的旋转的伺服驱动器，而伺服电机适合按照从PLC 3接收的控制命令以特定转速旋转。由于这是一个伺服电机，它可以以恒定速率旋转，它的转速可以精确地升高或降低。因此，可以使引擎1在相对长的时间间隔(从一天到一个星期或甚至更长)内以所希望的速率连续旋转。

麦克风4作为检测来自引擎1的声音的传感器，位于引擎1附近，而检测引擎1的振动的振动传感器5被放置得与引擎1的特定部分接触。按照如图1所示的例子，使用两个麦克风，一个在引擎1的上面，另一个在引擎1的下面，但是，使用的麦克风的数量和放置的位置是任意的，对振动传感器也是如此。本发明对像为引擎放置的麦克风和振动传感器那样的不同类型的传感器没有什么要求。重要的是获取可以从中检测异常的波形数据。

从麦克风4和振动传感器5输出的模拟波形数据通过AD转换器6转换成数字数据之后，发送到检查仪10。检查仪10进一步适用于接收来自PLC 3的工作定时信号，并且通过AD转换器6从驱动设备2接收来自放置在驱动设备2上的监视传感器(譬如，编码器和转矩计)的波形数据。

检查仪10配有数据库7，该数据库7用于存储诸如检测异常的判断模型和判断规则之类的数据，并用于按照从这个数据库7中接收到的判断模型等，判断在从AD转换器6接收的波形数据中是否存在异常，如果检测到存在异常，则发送有关出现异常的报告。如果接收到这种有关异常的报告，则PLC 3将立刻停止命令发送到驱动设备2，以便立刻停止能够相对迅速停止的驱动设备2的伺服电机的旋转，从而也停止正被测试的引擎1的旋转。

如下所述，甚至可以根据大约只有一秒的波形数据，也就是说，几乎与异常的出现同时地作出异常的检测。在上文中，要测检的异常的例子不仅包括引擎1的部件的初级损坏的出现，而且包括如果以相同的方式继续驱动将导致初级损坏的状况。由于可以如此根据只有一秒的波形数据迅速地和准确地作出异常的判断，所以也可以从检测到异常的那一时刻起使引擎迅速(略超过一秒)地停止，因为检测结果被传送到PLC 3。

图2是示出按照本发明进行的耐久性测试的整个流程的图形。首先通过将传感器附在工具上开始测试(步骤S1)按照图1的例子，引擎1是要测试的工件，并且在将引擎1放置在诸如电动回转装置之类的驱动设备2上之后，将传感器4和5放置在引擎1的特定位置上。附着方法依赖于传感器的类型。一些传感器可以直接附在引擎1上。一些传感器可以放置成远离特定距离。放置这些传感器的方法与用在检查噪声的传统方法中的放置方法相同。

在放置了传感器之后，开始耐久性测试(步骤S2)。这是通过重复像在特定时间间隔内以某个速率旋转、加速、减速或重复包括加速、减速和恒速运动的特定模式那样的各种运动模样(profile)完成的。在执行各种模样的同时，从各种放置传感器(安装到驱动设备上的麦克风、振动传感器和/或监视传感器)获得的传感数据(波形数据)由AD转换器6转换成数字数据，然后输入到检查仪10。检查仪10这样接收到的波形数据可以存储在数据库7中或检查仪10内的主存储装置中。基本上，由于测试的引擎1是正常产品，因此可以将开始耐久性测试之后马上获得的波形数据当作预计来自正常产品的正常波形数据。

在从开始耐久性测试算起经过一定时间之后，停止耐久性测试(步骤S3)，并将到此为止获得的传感数据作为正常数据发送到安装在检查仪10内的判断算法创建装置(或判断模型创建辅助设备)(步骤S4)。判断算法创建装置一旦接收到正常波形数据，就将它们转换成数值数据(或“数值化”)，以便创建定义正常区域的标准空间和判断模型，并且在判断算法中记录(步骤S5)。这个判断算法是安装在检查仪10中的应用程序之一，用于实现在耐久性测试时进行状况判断(或是否出现异常的判断)的异常检测装置(功能)。实际上，这个“记录”可能影响到数据库7。

在需要预热操作的工件(譬如，引擎)的情况中，在结束预热操作之后，像初始正常状况下那样获取传感数据若干次，并且根据这些创建判断算法(判断模型)。

严格地说，正常产品的波形数据不仅因引擎而异，而且依赖于驱动设备2和引擎1的组合、它们之间的连接方式和环境状况。因此，每当按照本发明对引擎进行耐久性测试时，在进行长时间的连续操作之前在特定时间间隔内进行操作，并借助于对创建标准空间和判断模型加以考虑的环境状况获取正常波形数据。

在完成步骤S4和步骤S5并创建了监视算法之后，设置根据判断模型判断异常的阈值(或定义和检测与标准空间分开的区域的值)(步骤S6)。将这个阈值记录在检查仪10中的判断算法(或执行这种算法的功能)中。

现在，开始实际耐久性测试，或者，按照所要求模样使引擎长时间连续运行，重新开始在步骤S2中停止的耐久性测试(步骤S7)。在这个时间内，将从各种传感器中获得的各种传感数据(波形数据)提供给检查仪10中的判断算法，以进行实时状况判断(步骤S8)。如果超过阈值，将立刻停止命令输出到测试仪(驱动设备2)(步骤S9)。

总而言之，检查仪10能够根据与每个时间单位相对应的波形数据判断异常的存在与否，并且如果超过阈值，则向PLC 3报告有关异常的检测，作为判断结果，比方说，通过使判断结果位从“0”变成到“1”。一旦接收到这个报告，PLC 3就将立刻停止命令输出到驱动设备2。其结果是，立刻停止驱动设备2中的伺服电机，并且，在可能出现次级损坏之前，还可以马上停止相应耐久性测试。因此，如果已经发生初级损坏，则可以容易地识别已经损坏的部件。如果在发生初级损坏之前停止运行，则可以相应容易地识别不久有可能损坏的不耐用部件。因此，可以显著缩短耐久性测试和它的分析所需的时间。

图3A是示出在现有联机噪声检查仪的情况中判断模型的概念的图形。在联机检查仪的情况中，根据在某个时间间隔(譬如，按照本例，6秒)上的正常声音音调创建判断模型，并且根据这个判断模型作出判断。如果直接使用这种用于联机检查仪的现有判断算法，由于判断模型是根据6秒钟的波形数据创建的，可以查明在这个6秒间隔内的某个时间出现的异常，但检查仪不能与异常的出现同时停止。这是因为只期望现有检查仪判断被检查目标对象是正常的还是异常的，不要求它判断在一系列波形数据的什么部位出现异常(或立刻停止检查仪)。

按照本发明，在已经获得正常状况的波形数据之后，不是根据整个获得波形数据创建判断模型，而是如图3B所示，将波形数据划分成若干时段(在本例中，每段为1秒)。利用那时正常状况的声音音调为每个时段创建判断模型，并且执行基于这些判断模型的判断算法。因此，异常的存在与否可以在1秒的每个间隔内作出判断，无需等待6秒钟才知道判断结果，但输出停止命令要花费一些时间。

尽管图3B示出了将6秒的波形数据划分成每一个与一秒相对应的部分，为6个时段分别创建模型1-6的例子，但是，如果耐久性测试是为了调查恒速转动在较长时间间隔上的状态变化，同时外部条件没有显著变化，那么，例如，可以从像上面那样获得的模型1-6中创建一秒间隔的判断模型。在按照特定模式(也可以包括恒速运动)重复加速和减速的耐久性测试的情况中，可以按照这种内含速度的不同外部条件创建模型，以便可以根据这些模型作出判断。重要的是，不是根据已经获得的整个波形数据创建判断模型，而是通过将波形数据的时间划分成分段来创建判断模型。单位时间不需要是固定的，也可以改变成，比方说，0.5秒或超过1秒。这种时间长度可以按照从发生异常(或检测时间)到应该使设备停止所需(允许)的时间长度确定。

下面参照图4描述检查仪10的内部结构，图4是它创建判断算法的功能方块图。检查仪10适合从像提供给引擎或它的驱动设备的麦克风和振动传感器那样的各种测量设备接收波形数据。可以从多个位置中获得数种类型的波形数据，因此，检查仪10可能适合管理数种类型的波形数据。

将图2的步骤S2和S3获得的波形数据提供给数据划分装置11、伪NG创建装置12和波形记录显示装置13。数据划分装置11用于将接收的波形数据划分成多个部分，并且为每个分开式波形数据部分获取特征量和创建最终判断模型。

图5示出了波形划分装置11如何将获取的连续波形数据划分成可以确定为用户要求的时间间隔(像从发生异常时刻到必须使目标设备停止的时刻的必要时间那样)的N秒的单元(在所示的例子中，N＝1)的例子。图5示出了与从恒定力矩恒速度旋转的连续测试中获得的6秒钟波形数据的相对应的部分。

如果使用如上所述从分开式波形数据中创建的判断模型，可以在其发生的一秒钟内检测到异常，并立刻停止所需的时间变成大约一秒钟。

如图5中的实线所示，划分成时段的方法之一是以N＝1秒为单位从头开始依次和规则地划分。通过这种方法，提取出分开式波形数据的六个部分，如下所述，为这些部分的每一个提取出特征量。由于在这六秒期间存在的所有波形数据存在于分开式波形数据部分的至少一个之中，所以在这些数据中的一些地方会受到创建特征量的影响。

划分成时段的另一种方法是随机选择开始时间，以便这样提取特定个波形数据部分，使提取的波形数据部分可能相互重叠或可能留下不属于任何一个分开式波形数据部分的区域。即使可能存在这种不属于任何一个的区域，也不会出现什么问题，因为通过第一次处理它将属于一些分开式波形数据。例如，可能提取出从0.7秒到1.7秒、从0.75秒到1.75秒、从0.9秒到1.9秒和从0.5秒到1.5秒的分段，但每个提取波形数据部分都是一秒。

图6示出了N＝2秒的另一个例子。在这种情况下，也可以如实线所示从头开始或如虚线双箭头所示随机地开始依次和规则地作出划分，提取出特定个(在本例中，三个)波形数据部分。当然，最大个数N是获得波形数据的长度(在本例中，6秒)。

即使在异常的出现与立刻停止的时间之间用户要求的时间是1秒，也有可能存在通过与一秒相对应的分开式波形数据不可检测，而是需要基于与更长时间间隔，譬如，2秒相对应的分开式波形数据的特征量的各种异常。在这样的情况下，在检测到异常之后可能需要花费2秒钟来停止运动，这比用户要求的时间长度长。即使可能考虑到这样的情况，也远比按照现有技术等待6秒钟好，并且，可以更容易地检测到异常来源的识别。在实际应用中，可以随机地设置N的值。N可以是整数，但不是必须为整数。

如果希望在检测到异常之后停止一秒钟，根据每一秒截取的波形数据创建的判断模型基本上应该用作主模型。但是，如果有跨过一秒倾向的数据用于判断，最好使用从与这样的时间长度相对应的波形数据中创建的判断模型。也不用多说，N可以自由选择，并且，可以准备多个数据库和判断模型。

因此，通过将N设置得比1秒长创建的判断规则(判断模型)不影响在一秒钟内立刻停止，但是，由于它们具有能够包含有长时间判断倾向的数据的优点，因此最好包含从基于各种时间长度的波形数据中创建的判断模型。

伪NG创建装置12用于使通过执行步骤S2和S3获得的正常波形数据变形。将这个伪NG创建装置12创建的伪NG数据提供给波形划分装置11。在上述例子的情况中，可以获得与正常产品有关的样本数据，但不能获得与异常(“不好”)产品有关的样本数据。这是因为，假设在耐久性测试中最初获得的数据是正常数据，并且测试的目的是检测在长时间间隔上连续运行引起的异常的发生。

因此，NG数据是通过获取正常样本数据(波形数据)和根据这些获得的正常波形数据虚拟创建的。如此创建的伪NG数据可以用于评估创建的判断算法。例如，伪NG创建装置12可以将伪NG数据提供给下游侧的每个装置，并且在根据它们作出判断之后，视是否可以正确地作出为异常的判断而定，可以估计所创建识别算法的精确度。换句话说，可以用于检验通过判断模型是否可以正确地检测到相对于初始(正常)状况发生的变化。

图7示出了伪NG创建装置12的内部结构，伪NG创建装置12在输入侧配有波形变形参数设置装置12a，用于设置使输入波形数据变形的参数。

由这个波形变形参数设置装置12a设置的参数的例子包括与如下有关的那些参数：(1)波形库的异常模式波形的合成(偏心异常波形和冲击波波形的合成)；(2)驱动条件的特征频率的第n阶放大(旋转和啮合频率的第1到第4阶振幅提高到1.5倍)；(3)特定或随机频率的放大(频率500-1000Hz的振幅提高到1.2倍)；(4)FM(调频)和AM(调幅)调制；以及(5)相移(稍微移动原始波形的相位和与原始波形合成)。

在上文中，(1)的波形合成指的是合成不是从正常波形中生成的异常波形，以便与正常波形不同的波形出现在受合成异常波形位置影响的合成波形的重叠部分中和变成异常数据。(2)的参数出现在，例如，齿轮发出发生异常时出现在视啮合的频率而定的特定频率上的声音或振动的情况中。啮合的频率可以从轮齿的数量和旋转频率中计算出来。因此，如果每个频率的第n阶振幅提高了(通过增加正常产品的功率)，可以获得与正常数据不同的异常数据。这里将省略其详细说明，但在其它情况中可以创建不可正常获得的波形数据。

在下一级将已经设置的参数与波形数据一起提供给变形方法设置装置12b。变形方法设置装置12b用于按照实验计划表设置使波形变形参数变形的方法，它的例子包括对于波形合成，ON和OFF两种标准，对于特定频率，三种频率标准，而对于放大，三种标准(1.2倍、1.5倍和2倍)。因此，这样与波形的变形有关的参数值得到设置。

伪NG创建装置12进一步包括波形数据选择装置12c，用于随机选择与计划表中的实验次数一样多的波形数据；以及波形变形装置12d，用于按照变形方法设置装置12b根据计划表选择的变形量改变这些所选波形。因此，最终创建了伪NG波形，并且将它们作为波形数据加入正常波形数据中。正常和异常的判断也可以根据这些波形数据作出，如果由此可以作出为异常产品的判断，那么，这意味着检查仪10的检查算法的可靠性提高了。

波形记录显示装置13用于显示从各种测量设备接收的波形数据或已经存储在记录装置中的记录正常数据。由于检查仪10可以包括多用途个人计算机等，波形记录显示装置13可以通过这种个人计算机的显示监视器实现。在耐久性测试的情况中，接收连续波形数据和进行实时异常判断。因此，在普通工作状况下，波形记录显示装置13自始至终实时连续地显示输入的波形数据。由于如此连接接收的波形数据存储在数据库7中或一些其它存储装置中，如果发生异常和停止运行以便进行分析，可以读出这样存储的波形数据加以显示，以供分析之用。在上文中，“波形记录”包括要记录的波形和已记录的波形两者。

接着将数据划分装置11划分的分开式波形数据提供给用于“数值化”给定分开式波形数据(或转换成数值数据)和用特征量表达它们的波形数据数值化装置14。

波形数据数值化装置14与数值化装置调整装置9和波形数据的历史记录装置7(数据库)连接。数值化装置调整装置9用于调整波形数据数值化装置14提取的特征量的参数。它还具有将这种参数调整的命令提供给波形数据数值化装置14的功能，并且用于进行带区划分设置、帧划分设置和帧变化数设置。

波形数据历史记录装置7用于记录像通过驱动设备2强制驱动引擎1转动时生成的声音那样的波形数据。正常和异常判断结果也可以相关联地记录。可以再现和判断记录的波形数据，并可以人工纠正判断结果。

波形数据数值化装置14用于从给定分开式波形数据中提取特定特征量。要提取的特征量的例子包括表示平均振动电平和振幅的均方根(RMS)值和许多其它类型。这样的特征量是在创建诸如分开式波形数据之类的条件时为每个单位时间(N)创建的。尽管未示出，但也可以为诸如环境温度、转速和加速和减速的条件之类的每种运行模样创建它们。波形数据数值化装置14可以将波形数据(也就是说，每个获得的特征量)的数值化结果输出到结果显示装置13″。

在恒速运动的情况中，以N值相同的分开式波形数据为单位获取特征量。例如，如果N＝1，通过(1)和(2)的方法为每秒提取的每个分开式波形数据获取特征量。使判断结果(正常或异常)和波形数据数值化装置14获得的特征量相关联和将它们存储在特征量-历史数据库15中。特征量和历史像例如图8所示存储它们的那样，通过记录号相关联。有关历史(正常的或异常的(具有异常的类型))的列存储从波形数据历史记录装置7接收的数据(历史类型)，并从波形数据数值化装置14接收的特征量存储在随后的列中。当创建模型(判断算法)时，有关历史的列(HIST)都是正常的(OK)。

在如图8所示的例子中，列Fx1，Fx2等包含与用记录号标识的分开式波形数据相对应的特征量。例如，第1记录表示与第1分开式波形数据相对应的特征量，第2记录表示与下一个分开式波形数据相对应的特征量，...，而第6记录表示与最后一个分开式波形数据相对应的特征量。尽管在图8中未示出，但此后记录着与按照开始点随机的方法(2)的分开式波形数据相对应的特征量。

上述提取过程是根据沿着时间轴的分开式波形数据进行的，但是，由于进行FFT(快速付里叶变换)的目标波形数据也是分开式波形数据，可以提取像通过FFT或有序变换获得的那样与频率轴有关的特征量。图9示出了对特定帧尺寸的分开式波形数据进行的帧划分(划分成m个部分)的例子。随机选择小于N秒(在本例中，N＝1)的帧尺寸。由于数字处理，这个数字被选成2的幂次。

对每个帧进行FFT，为所有频带区(从F1到Fn)获取频率成分，以便以如图10所示的矩阵形式为频带区(从F1到Fn)和帧(从T1到Tm)获取频率成分。从这种矩阵中，为每个频带区计算沿着时间方向的平均功率值和标准偏差。如图11所示，将如此获得的平均值和标准偏差排列成单行，并且将其称为特征量(1)。

接着，随机重新定义帧尺寸，并且利用这些重新定义的帧重复如上所述的过程，以获取特征量(2)。重复这种过程特定次数(n)，如图11所示，通过沿着水平行排列所有特征量获得最终特征量。可以对这个行施加对数转换以定义最终特征量。

图12是通过将所选频带区划分成40个频带部分示出在测试工件正受到驱动的时候测试工件的声音(音调)作为频谱的图形。人的听觉不同于测量传感器，它不只感测一个特定频率成分，而是感测作为某个图谱的听觉范围内的所有频带区。由于这个原因，无论哪一个频带区的功率发生变化，都被识别为是声音音调发生变化。如果目的是像用于联机检查的现有检查仪的情况那样，检测产品中的特定类型的损坏，由于可以根据这样的特定频率作出判断，可以像预备过程那样进行提取特定频率的滤波过程。但是，在耐久性测试的情况中，没有办法预测在哪个部件中可能发生了初级损坏，因此，没有办法预测在那个频率范围内将发生声音变化。因此，按照本发明的实施例，为了创建判断模型，通过将整个频带区当作检查目标获取特征量，以便将整个频带区识别为一个图谱。

总而言之，按照本发明，不是只考虑一个所选频率，而是考虑整个频带区(从F1到Fn)，并且通过一些手段用数字表示频谱，以便模仿人的听觉。由于声音就是一种振动形式，不用多说，本发明的基本原理一般可应用于存在振动的情况。例如，振动可以通过振动传感器(或加速传感器)来感测，如果这种波形通过扬声器再现，人可以感测到与麦克风所经历的变化相似的变化。除了加速传感器之外，对温度传感器或畸变测量仪也一样。

图13示出了波形数据数值化装置14的例子的内部结构。如图所示，这个波形数据数值化装置14配有存储从波形划分装置11获得的分开式波形数据的第一模板存储器14a和对每个分开式波形数据进行帧划分处理的帧划分部分14f。如上面参照图9所述的那样，帧划分部分14f的功能包括随机选择帧尺寸，并且按照所选帧尺寸将每个分开式波形数据划分成帧。一边改变帧尺寸一边重复这样的帧划分处理达指定次数。帧划分部分14f创建的波形数据由频率分析部分14b接收，频率分析部分14b适用于以帧为单位对提供的波形数据进行诸如FFT和有序变换之类，上面参照图10所述那种类型的频率分析处理。将如此获得的特征量数据存储在第二模板存储器14c中。将从相同分开式波形数据中提取的数种类型的特征数据存储在这些模板存储器14a和14c中。这些特征量数据每一个都是通过特定函数获得的。

尽管有时可以加入一些其它项目，但像平均值和极大值那样，波形数据数值化装置14利用这些特定函数获得的项目通常是预定的，这些函数包含像系数和常数那样的可调参数，如果这些参数设置得适当，判断(检测异常)的精度会提高。这意味着，如果作出不正确选择，精度可能会受到负面影响。传统上，这样的参数由有经验的工作人员通过试错法设置。本发明不排除通过试错选择参数，但按照本发明的优选实施例，检查仪10自动优化参数，并且最佳设置的参数用于数值化波形数据(提取特征量)。

更详细地说，波形数据数值化装置14包括通过按照来自数值化装置调整装置9的命令改变各种参数，准备和优化要用于数值化波形数据的特定函数的函数优化装置14d。图14是函数优化部分14d执行的功能的流程图。

函数优化装置14d从检验组合特定函数的系数和常数造成的影响开始，并且根据实验计划表设置调查条件(步骤S11)。这是通过按照来自数值化装置调整装置9的命令设置系数和常数的数种组合，以便与调查条件(调查方法)相关联地创建计划表完成的。接着，将正常和异常作为信号元素和将数据号作为出错元素，为每种调查方法(实验号)计算动态特征(SN比)(步骤S12)。这是利用通过每种调查方法规定的参数(系数和常数)设置的特定函数为多个给定波形数据获取特征量，并且计算指示OK(正常产品)的特征量组(数值)与指示NG(异常或有缺陷产品)的特征量组(数值)之间的距离完成的。

接着，计算特定函数的系数和常数的过程平均值(步骤S13)，并且为特定函数的每组系数和常数选择SN比高的值(步骤S14)。从这些所选值中确定特定函数的参数(系数和常数)，并且将利用这些系数和常数的特定函数设置成最佳的(步骤S15)。对每个特定函数，也就是说，对每个特征量进行特定函数的参数的评估和设置。

将最佳特定函数发送到数值化处理部分14e，数值化处理部分14e用于将已经设置的最佳特定函数用于数值化波形数据和输出获得的特征量。这些输出的特征量存储在波形数据历史记录装置7中。

可以在记录内容显示装置13′上显示或通过操作编辑装置16改变存储在特征量-历史数据库15中的数据。这个记录内容显示装置13′和上述波形记录显示装置13在物理上可以通过单个监视器实现。存储在特征量-历史数据库15中的数据在每个分时(N秒)变成存储在时间-划分数据库18中。将存储在这个时间-划分数据库18中的数据输出到记录内容显示装置13′加以显示。编辑装置16适用于删除和编辑存储在时间-划分数据库18中的数据。

对于每个时间划分，将记录在这个时间-划分数据库18中的每个数据发送到下一级的(每个时间的)判断模型创建装置19。这个判断模型创建装置19根据每个时间的特征量，创建判断正受到检查的目标对象波形数据(特征量)是否与各自历史类型一致的判断公式，即，根据正常历史类型的正常数据作出正常判断的判断公式。

状况判断公式可以是任何形式，譬如，Mahalanobis距离型、Euclid距离型、正常-异常比较型、神经网络型和利用隶属函数的模糊方法。正如下面所说明的那样，可以自动创建状况判断公式，也可以以传统方式人工创建状况判断公式。

在恒速测试的情况中，只创建一种类型的模型，但是，从与几秒相对应的数据中创建判断模型。也就是说，从划分成秒的多个波形数据的特征量中创建模型。这里创建的判断模型(判断规则)是从每个特征量的平均值和标准偏差中定义正常范围(比方说，在平均值的±3σ之内)和按照距离这个正常范围的程度判断为正常或异常的那些判断模型。判断模型可能适用于首先获取每个特征量的正常范围，从每秒获得的波形数据中获取每个特征量，确定每个特征量是否在上述正常范围之内(在特定距离之内)，并且如果在特征量当中恰好存在一个(或特定预定个)异常的，那么判断为异常的。异常的存在与否可以通过预先考虑代表每个特征量的多维矢量和根据这个多维矢量与从目标波形数据中获得的另一个多维矢量之间的距离来判断。

由于按照本发明，判断最初是由判断执行装置21根据只对正常数据创建的判断公式给出的，只有具有正常历史的数据存储在特征量-历史数据库15中，并且只有具有如图8所示的正常历史类型的数据存储在时间-划分数据库18中。因此，判断模型创建装置19创建作出正常判断的判断公式，以便将其设置在判断执行装置21中。

由于特征量值具有像如下那样的行矢量形式：

Normal＝f(CV1，CV2，…，CVn)，

以像“1”那样的归一化形式(尽管它当然可以是非“1”的值)处理正常电平。由于每个特征量值在开始耐久性测试之后马上变成与它的初始值不同的值，f(CV1，CV2，…，CVn)的值最终接近1。因此，可以从f(CV1，CV2，…，CVn)的值中判断状况是否接近正常。

利用诸如f(CV1，CV2，…，CVn)之类的表达式计算与正常产品的差异的算法的例子包括利用Euclid距离、Mahalanobis距离和神经网络模型的方法。

还将存储在时间-划分数据库18中的每个数据发送到阈值设置装置20，阈值设置装置20用于设置确定利用判断公式以及根据从引擎1获得的波形数据获得的特征值、通过计算获得的结果是否与它的历史类型匹配的阈值。将如此设置的阈值发送到判断执行装置21。

由于创建了判断算法(判断模型)，判断执行装置21根据给定被检查目标的波形数据(特征量)，利用判断公式和阈值作出正常-异常判断。这个判断的结果不仅可以通过显示装置23或输出装置24输出，而且可以存储在结果存储器25中。结果存储器25不仅存储状况判断结果，而且最好还以相关联形式存储人为作出的判断结果(历史)、波形数据和特征量。显示装置23在物理上可以与上述波形记录显示装置13相同。

如上所述，判断模型创建装置19可以具有各种类型。图15示出了对于执行Euclid距离方法可以胜任的一种内部结构。首先，将存储在时间-划分数据库18(由伪NG创建装置12创建)的正常数据库18a和异常数据库18b中的每种历史类型的特征量数据发送到相应Euclid距离的计算-保存装置19a和19b。正常数据的Euclid距离计算-保存装置19a根据获得的正常数据(特征量)，通过计算这些特征量的平方和的平方根获取Euclid距离，并且将其保存起来。除了处理的是异常数据之外，异常数据的Euclid距离计算-保存装置19b进行相似的运算，并且将运算结果保存起来。如果按照异常的类型分离异常数据，为异常的每种类型计算Euclid距离和将其保存起来。

将如上所述的如此计算和保存的每个数据的Euclid距离发送到相应统计量计算装置19c或19d。正常统计量计算装置19c用于计算正常统计量，并且计算诸如极大值、平均值和标准偏差值之类的多个给定正常数据的Euclid距离的统计量。类似地，异常统计量计算装置19d用于计算异常统计量，并且计算诸如极大值、平均值和标准偏差值之类的多个给定异常数据的Euclid距离的统计量。在这种情况下，还可以为每种异常类型获取它们。

将统计量计算装置19c和19d每一个获得的统计量发送到判断公式确定部分19e，判断公式确定部分19e将正常统计量计算装置19c获得的正常统计量的极大值(极大正常值)与异常统计量计算装置19d获得的异常统计量的极小值(极小异常值)相比较，以检查(极大正常值)＜(极小异常值)是否成立。如果满足这个不等式，获取当前设置的特征距离的Euclid距离的公式被判断为正确的，并且将其设置在判断执行装置21中。因此，判断执行装置21通过获取给定特征量的总和的平方根计算Euclid距离。

如果不满足上面给出的不等式，则由于断定计算特征量的特定函数未得到适当设置，判断公式确定部分19e向数值化装置调整装置9作出请求，以修改参数(特定函数的系数和常数)。一旦接收到这个请求，数值化装置调整装置9就将不同的值设置给特定函数的系数和常数。由于特定函数由此发生了变化，所以根据修改特定函数数值化的特征量也发生了变化，并且统计值也发生了变化。随着这个过程被重复，最终达到使判断公式确定部分19e满意的状况。

如果判断模型创建装置19是像所述那样计算Euclid距离那种类型的，则将计算正常数据的Euclid距离(特征量的平方和的平方根)的函数指定给判断执行装置21。

图16示出了适用于正常-异常比较方法的判断模型创建装置19的另一种结构。通过这种方法，将存储在时间-划分数据库18的正常数据库18a和18b中的特征数据发送到特征量计算装置19f，特征量计算装置19f适用于选择特定函数和将它用于计算存储在这些数据库中的数据的特征量。将正常数据的特征量存储在正常特征量数据存储装置19g中，并且将异常数据的特征量存储在异常特征量数据存储装置19h中。

将如上所述的如此计算和存储的数据的这些特征量发送到各自相应统计量计算装置19i和19j。正常统计量计算装置19i用于计算正常数据的特征量的统计量，并且计算多个给定正常数据的特征量的极大值、平均值和标准偏差值。类似地，异常统计量计算装置19j用于计算异常数据的特征量的统计量，并且计算多个给定异常数据的特征量的极大值、平均值和标准偏差值。

将统计量计算装置19i和19j获得的统计量发送到判断公式确定部分19k，判断公式确定部分19k将正常统计量计算装置19i获得的正常统计量的极大值(极大正常值)与异常统计量计算装置19j获得的异常统计量的极小值(极小异常值)相比较，以检查(极大正常值)＜(极小异常值)是否成立。如果满足这个不等式，特征量计算装置19f提取的特定函数被判断为正确的，并且照这样将其定义在判断执行装置21中。因此，判断执行装置21通过获取给定特征量的平方和的平方根计算Euclid距离，并且根据Euclid距离是否在阈值之前判断状况。

如果不满足上面给出的不等式，则由于断定提取的函数不合适，而向特征量计算装置19f作出请求，以修改要使用的特定函数。一旦接收到这个请求，特征量计算装置19f就选择不同的特定函数和再次计算特征量。由于特征函数发生了变化，所以根据修改特定函数数值化的特征量也发生了变化，并且统计值也发生了变化。随着这个过程被重复，判断公式确定部分19k选择达到满意状况的那一个。

判断公式确定部分19k可以考虑各种状况。例如，可以将极大值设置成等于(正常平均值)+3σ，并且可以将极小值设置成等于(正常平均值)-3σ。

如果判断模型创建装置19使用如上所述的正常-异常比较方法，它就为判断执行装置21定义所选特定函数。

图17示出了适用于神经网络方法的判断模型创建装置19的又一种结构。通过这种方法，将存储在时间-划分数据库18的正常数据库18a和18b中的每种历史类型的特征数据发送到筛选装置19m，筛选装置19m用于计算每个数据库的排除值和删除它的数据。排除的例子包括：(1)在(平均值)±σ之外的那些；以及(2)在通过排除三个最大值(包括极大值)和三个最小值(包括极小值)计算平均值和标准偏差值的(平均值)±σ之外的那些。

将筛选装置19m筛选之后剩下的数据发送到统一装置19n，以便统一数据。然后，学习装置19p用于学习将存储在统一数据库中的特征量数据作为输入和将历史电平作为输出的神经网络模型(构建聚类模型)。用在神经网络中的各种方法可以用于学习过程。随着这个过程完成，将作为这个学习过程的结果的神经网络模型定义成状况判断装置和设置在判断执行装置21中。

图18示出了适用于只根据正常数据统一多个特征量和利用Mahalanobis距离创建判断模型的判断模型创建装置19的再一种结构。将正常数据库18a中存储的正常数据的特征量发送到统计处理装置19q，统计处理装置19q计算所有特征量的统计量。平均值和标准偏差是要获得的统计量。换句话说，为每个特征量获取平均值和标准偏差，并且获取使特征量的平均值合在一起平均值矢量和使特征量标准偏差合在一起的标准偏差矢量。

将获得的统计量发送到标准化装置19r，以便利用平均值矢量和标准偏差矢量标准化存储在正常数据库18a中的数据。这是为了归一化和标准化，因为在特征量的数值大小之间存在偏差。接着，由矩阵获取装置19s获取各个特征量的关联矩阵，并且由逆矩阵获取装置19t获取这些关联矩阵的逆矩阵。

将这些矩阵存储在存储装置19u中和发送到公式创建装置19v，以便获取计算Mahalanobis距离的计算公式。

Mahalanobis距离D^2按如下计算。考虑从特征量个数＝k和X1，X2，...，Xk是项目的值的目标工件中测量n个数据的情况。如果各个特征量的平均值和标准偏差是m1，m2，...，mk和σ1，σ2，...，σk，并且将关联矩阵的逆矩阵的矩阵元写成aij，那么，Mahalanobis距离定义如下：

$D^2=1/k\underset{\mathrm{ij}}{\mathrm{\Σ}}\mathrm{aij}\{(\mathrm{Xi}-\mathrm{MI})/\mathrm{\σi}\}\{(\mathrm{Xj}-\mathrm{mj})/\mathrm{\σj}\}$

其中，必须预先将n个数据排列成相同历史类型的。这个公式由公式创建装置31f创建，并且将创建的公式设置在判断执行装置21中。

在开头和在耐久性测试的早期间隔内获得的正常数据具有与理想正常数据的图谱非常相似的图谱，因此，被描绘成接近评估标准。在这种情况下的Mahalanobis距离几乎等于1。相反，在发生初级损坏之后获得的异常数据按照它们相对于正常数据的图谱的距离，被描绘成远离评估标准。于是，在这种情况下的Mahalanobis距离变得较大。因此，通过检查Mahalanobis距离与1有多接近，可以容易地作出正常和异常之间的判断。可以提供评估要使用的特定函数对Mahalanobis距离的可靠性的贡献率和删除贡献率低的那些特定函数的功能。

传统检查仪所做的是从整个取样时间的波形数据中截取与某个时间间隔相对应的一部分数据，以便将用某个数据数划分所截取数据获得的一组数据当作一个帧，并且以帧为单位提取数种类型的特征量。然后，通过诸如求平均之类的各种方法，为从与每种类型的特征量有关的所有帧中获得的各个特征量获取典型计算值。因此，计算出数量与典型量的不同类型数相同的典型计算值。利用所有这些典型计算值或特定个所选典型计算值作出正常-异常判断。无论用于判断的典型值有多少个，都可以以特征量(标量)为单位作出比较以便加以判断。

相反，按照本发明，将获得的数种类型的特征量转换成用于多维波形评估的单个矢量。实际结果是，要用于异常判断的模型是通过获取多个特征量创建的矢量。因此，通过比较基于这种模型的矢量和被检查目标对象的波形数据作出判断。如果两个矢量之间的距离较小，判断波形数据与该模型匹配。如果这个距离较大，判断波形数据不同于该模型。

对于只作出正常判断的情况，只需要一个标准模型，以及通过统一数种类型的特征值获得的一个数值(用于多维波形评估的矢量)，并且可以通过获取相对于它的距离作出正常判断。换句话说，在通过统一各个特征量(基于多个帧的典型计算值)计算出矢量之后，可以通过获取距离的单个计算作出判断。两个矢量之间的距离可以作为Mahalanobis距离、Euclid距离或通过任何其它方法获得。

这种特征量的统一可应用于多个波形数据的特征量的统一。在波形数据来自不同传感器或不同测量地点的情况下，不能像上述那样统一特征量，但是，可以根据作为波形数据源的每个传感器获得的波形分别作出判断，并且可以作出总判断(例如，通过如果某一个传感器发现异常，断定存在初级损坏)。如果存在数种感测数据(譬如，声音、温度和振动)，可以通过利用上述的任何一种方法判断每个波形和最后通过统一判断结果来创建判断算法。

阈值设置装置20用于通过人工操作设置阈值。如图19所示，将存储在时间-划分数据库18中的正常数据的特征量数据发送到正常分布确认装置20a，并且将存储在时间-划分数据库18中的异常数据(伪NG数据)的特征量数据发送到伪NG分布确认装置20b。如果设置了异常的类型，这可以对每种异常类型来做。在上文中，可以根据历史数据或根据人为判断划分正常和异常数据。

这些分布确认装置20a和20b的每一个用于为每种获取的历史类型获取特征量的分布状况，计算，例如，平均值、中心值、标准偏差、四分位点和nσ(其中，n＝1，2，...)，并且将计算值提供给位置关系计算装置20c，位置关系计算装置20c用于获取正常分布和一种异常分布之间的位置关系TX。例如，获取像正常分布与异常类型A的分布之类的位置关系TA和正常分布与异常类型B的分布之类的位置关系TB等那样，所有异常类型的分布与正常分布之关的位置关系。

在上文中，位置关系TX(其中，X＝A，B，C，...)是有关特征值的数值，并且可以按如下获得：

TX＝(正常)(平均值+3σ)-(异常类型X)(平均值-3σ)。

在这个公式中，(平均值)可以用(中心值)取代，“3σ”可以用“四分位”或用nσ(其中，n＝1，2，...)取代。

将这个位置关系计算装置20c获得的与每种异常类型的位置关系TX发送到阈值确定装置20d，阈值确定装置20d确认TX的符号和按照像如下那样给出的规则获取ΔX。

如果TX是负的，这意味着正常分布和异常分布部分重叠，像如下那样将ΔX定义成TX的中点：

ΔX＝1/2{(正常)(平均值+3σ)+(异常类型X)(平均值-3σ)}。

如果TX＝0或正的，由于这些分布不重叠，将ΔX设置在异常类型X的分布那一侧，或者，

ΔX＝(异常类型X)(平均值-3σ)。

在已经获得所有异常类型的ΔX的值之后，将它们的最小者定义成阈值Δ，或Δ＝min(ΔX)。如上所述，上面方程中的平均值可以用中心值取代，或3σ可以用四分位值或用nσ(其中，n＝1，2，...)取代。

图20示出了阈值设置装置20的另一种内部结构。虽然在图19的情况中需要正常和异常(伪NG)分布两者，但具有如图20所示的内部结构的阈值设置装置20可以只根据这些分布之一设置阈值。更详细地说，收集存储在时间-划分数据库18中的数据，并且求和正被检查仪10检查的引擎1的所有特征量的值，或获取特征量值的标准偏差σ。

如图20所示的阈值设置装置20包括不同类型的记录装置20f，用于记录，例如，(1)引擎1的报废成本A0、(2)报废判定的阈值Δ0(任何特征量的电平)和(3)引擎1的重做成本A。在上文中，报废成本指的是作为异常判断的结果进行报废处理的成本，包括生产的成本和报废时造成的成本。重做成本是取代其中被判断为异常的引擎部件做成正常产品的成本。将特征量收集装置20e收集的特征量和输入到记录装置20f的记录数据发送到损失函数计算装置20g，损失函数计算装置20g用于按如下计算损失函数L：

L＝(A0/Δ0＾s)σ＾2。

将如此获得的损失函数L发送到下一级的阈值计算装置20h，在阈值计算装置20h中按如下计算阈值Δ：

Δ＝(A/A0)＾(1/2)Δ0。

如上所述，按照本实施例，只根据如图2的步骤S4和S5所示的正常状况下的数据创建判断模型，但是，在异常状况下的数据(伪NG数据)也可以用于创建甚至更准确的判断规则和模型。

图21示出了检查仪10在它进行检查操作时的内部结构。在这个时间内，在如图4所示的算法当中，不需要创建判断模型和调整它的功能(或数值化装置调整装置9、伪NG创建装置12和判断模型创建装置19)。尽管仅从检测异常的角度来看，可能认为编辑装置16也是多余的，但为了在检查仪出现错误的情况下，可以人工作出纠正，还是将它保留下来。

在引擎1的耐久性测试期间，随着从各种传感器连续地输入波形数据，波形划分装置11通过以N秒为单位划分波形来创建分波形，并且将结果发送到波形数据数值化装置14。划分处理从头开始规则地和依次地进行。如果在创建模型(算法)时随机地设置N和据此创建分开式波形数据，那么，为每个单位时间创建分开式波形数据。因此，创建了单位时间不同(譬如，1秒、2秒、3秒等)的分开式波形数据。

波形数据数值化装置14通过数值化从引擎1的耐久性测试期间获取的感测数据中创建的分开式波形数据获取特征量，并且让这些特征量存储在特征量-历史数据库15中。如果同时对同一个目标对象作出人为判断，也可以将这种人为判断的结果存储在特征量-历史数据库15中。但是，在引擎1在长期的时间间隔内连续运行的耐久性测试中，要求检查人员一直照管着和不断地输入他/她的判断结果是不切实际的。如果以适当的定时(比方说，周期性地)记录这样的判断结果和将其登记成补充内容，那么，它们可用于随后的分析和对检查仪10的判断模型的精度的判断中。

将存储在特征量-历史数据库15中的特征量数据发送到进行状况判断(异常判断)的判断执行装置21。这个判断的结果由显示装置23显示，输出到输出装置24和/或存储在结果存储器25中。

在已经创建了算法(判断模型)之后，重复地执行测试模样，作为真正耐久性测试。通过以N秒为单位从开始时间(第0秒)到结束时间(第X秒)评估常态实时检测异常。在如图22所示的例子中，N＝1，并且从每一个对应于一秒间隔的波形中获取数值化结果(具有如图23A所示的行矢量形式的特征量)。在测试期间以一秒为单位连续地创建这样的行矢量数据。

图22示出了恒速转动的一个例子，因此，使用单个判断模型(模型1)(如图22B所示)。如图22C所示，为每个分开式波形数据计算常态。这样创建判断模型，使常态随着数据接近正常数据而接近1，并且随着相对于正常数据的距离增加而变成较大的。在耐久性测试的情况中，常态在测试的最初间隔内通常几乎等于1.0。

单位时间(N)不仅可以设置成1秒(如即刻停止所要求的那样)，而且可以设置成诸如3秒和6秒之类的不同时间。如图22D和22E所示，也可以根据这样的分开式波形数据计算常态。

图23示出了在第5秒之前，常态判断结果几乎等于1，但在第5秒中，它达到2.3，并且在第6秒中，它仍然较大和等于3.4，迅速远离1的另一个例子。如果异常判断的阈值小于2.3，在第5秒中，在判断时输出停止命令。由此停止引擎1的耐久性测试，并且不输入第6秒的波形数据，因此，没有判断结果(在图23中，阈值不小于2.3，这就是为什么输出判断结果直到第6秒的原因)。

上面描述了恒速运动的例子，并且从此将公用判断模型用于每个分开式波形数据，但是，本发明当然不局限于这样的应用，本发明还可应用于速度可变的运行模样。图24示出了引擎1的旋转在第1秒内加速，在第2和第3秒期间恒速，并且此后在减速和加速之间交替变化的另一个例子。

首先由波形划分装置11通过以一秒为单位划分在最初间隔获得的正常波形数据创建在这种情况下的判断模型(算法)。如果旋转的速率像在本例中那样迅速地变化，尽管如果同一类型的运动持续某个固定时间间隔，可以使用随机改变划分的开始时间的方法，也不随机改变划分的初始时间。尽管图24展示了在每个一秒间隔内运动的类型保持不变的例子，但未必总是这种情况。例如，如果只持续加速0.5秒，接着在另一个0.5秒的间隔内作恒速运动，可以提取这样的变化作为这个波形部分的特征，如果适当地协调定时作出判断，就不会出现什么问题。

接着，波形数据数值化装置14通过对获取的分开式波形数据进行帧划分处理获取特征量。帧划分处理可以通过随机改变帧尺寸来进行，以便尽管只能获取与一秒相对应的波形数据，也可以创建精确的判断模型。在实际操作中，为了创建判断模型，可以重复像图24所示那样的测试模样若干次，收集同一定时的波形数据，以便可以创建更精确的判断算法(判断模型)。图25示出了对于每个分开式波形数据，收集波形数据8次的例子，并且进一步重复这个过程，为创建模型获取足够数量的数据。因此，在本例中从第1秒到第6秒创建判断模型1-6。

在与第1到第6秒相对应创建了模型1-6之后，利用与运行模样的每种状况相对应的判断模型为耐久性测试进行实际判断处理。通过从PLC 3接收定时信号，可以精确地获得每个分开式波形数据。如果判断结果像图26所示那样，由于通过每个判断模型的判断值几乎都等于1，可以断定该状况是正常的。

如果连续测试很长时间，结果可能像图27所示那样，与图23的情况一样，在第5秒内基于判断模型5的判断结果变成2.3那么大，并且在第6秒内基于判断模型6的判断结果甚至变得更大和达到3.4。在这种情况下，不清楚距离从1开始逐渐增大，还是在加速时间(在第5秒内)和减速时间(在第6秒内)之间在不同部件中出现初级损坏，但是，毫无疑问，在每一种情况中，某个或某些不耐用部件已经损坏或将要损坏。

如果对于每种判断模型，判断异常的阈值小于2.3，在通过模型5判断时输出停止命令，停止引擎1的耐久性测试，并且不输入或处理第6秒的波形数据。图27指出了阈值不小于2.3，这是为什么在第6秒作出判断的原因。可以对不同的判断模型设置不同的阈值。

图28和29示出了常态下变化的显示或利用耐久性测试估计器的方法的例子。这个例子示出了在开始测试之后2秒内检测到轻微异常，使得判断值上升到2.1(譬如，声音的音调瞬间发生变化)，此后马上返回到正常状况，但判断值突然改变成超过10的较大值。在这样的情况下，轮到用户判定是否应该将判断值为2.1的轻度异常当作正规异常来对待，以便立刻停止。首先遭受的轻微异常可以是初级损坏的先兆或在正常运行期间的纯振动。因此，通过研究正常时(最初状况)常态的分布曲线的较低斜率，可以计算阈值。例如，如果将正常范围定义成在平均值的±3σ内，有99.7％将包括在这个范围之内，由此，将该范围之外定义成异常的。

尽管图1示出了用适合于将波形数据输出成模拟信号的传感器进行耐久性测试的例子，模拟信号经AD连接器6转换发送到检查仪10，但是，这些传感器本身可以包含数据处理器和适用于通过DD转换器将数字信号输出到检查仪10或将波形数据输出到检查仪10。视各种数据设备的能力而定，检查仪10的一些功能可以通过这样的数据处理器实现。

在如图1所示的例子中，只对一个目标对象进行耐久性测试，但是，存在对多个目标对象同时进行耐久性测试的许多情况。在这样的情况中，由于从成本的观点来看，将检查仪与多个目标对象的每一个连接不仅效率低下而且不合需要，可以安排成只有一个检查仪10用于监视多个耐久性测试。如果在这样的情况下引擎1和它们的驱动设备2具有相同类型，可以共同使用单个判断模型，但是，最好根据紧接在其开始之后的其最初间隔内获得的正常数据为每个测试创建判断模型和算法和作出各自的判断。这是因为，尽管目标可能具有相同类型，但有必要考虑环境状况的影响，并且预计在目标对象之间存在一些振荡。

尽管上面示出了设置进行耐久性测试的检查仪的例子，但这无意限制本发明的范围。检查仪可以位于某个遥远的地方，并且通过某种其它类型的专用高速线或网络系统与处在测试地的计算机(用作数据收集装置)连接，以便可以通过检查仪获取实时波形数据，进行判断，并且如有必要，利用相同的或不同的通信网络输出停止信号。尤其，在在创建判断模型的过程中必需完成设置和调整的工作的情况下，不需要工人来到测试地，在监视中心就可以完成必要工作。诸如数据记录器之类的数据收集装置可以用于收集数据。

总而言之，本说明书旨在概括地解释本发明。可能在本发明范围之内的许多改进和改变和对于本领域的普通技术人员来说显而易见的那些改进和改变都在本发明的范围之内。

Claims (20)

1.一种为检查仪创建判断模型的辅助设备，所述检查仪用于从由被检查目标对象中获得的波形数据中提取特征量并根据提取的特征量判断所述目标对象的状况，所述辅助设备包括：

分开式波形数据创建装置，用于通过将获取的波形数据划分成单位时间的部分来创建分开式波形数据；

计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；以及

模型创建装置，用于根据获取的特征量为单位时间创建用来判断所述目标对象的状况的判断模型。

2.根据权利要求1所述的辅助设备，其中，所述分开式波形数据创建装置用于从特定位置开始将波形数据划分成所述单位时间的部分。

3.根据权利要求1所述的辅助设备，其中，所述分开式波形数据创建装置用于随机确定所述特定位置。

4.根据权利要求2所述的辅助设备，其中，所述分开式波形数据创建装置用于随机确定所述特定位置。

5.根据权利要求1所述的辅助设备，其中，所述分开式波形数据创建装置用于随机确定所述单位时间。

6.根据权利要求2所述的辅助设备，其中，所述分开式波形数据创建装置用于随机确定所述单位时间。

7.根据权利要求3所述的辅助设备，其中，所述分开式波形数据创建装置用于随机确定所述单位时间。

8.根据权利要求4所述的辅助设备，其中，所述分开式波形数据创建装置用于随机确定所述单位时间。

9.一种为检查仪创建判断模型的辅助设备，所述检查仪用于从由以特定模式重复运行的被检查目标对象中获得的波形数据中提取特征量并根据提取的特征量判断所述目标对象的状况，所述辅助设备包括：

分开式波形数据创建装置，用于通过将获取的波形数据划分成单位时间的部分来创建分开式波形数据；

计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；以及

模型创建装置，用于根据获取的特征量，为所述模式被所述分开式波形数据创建装置划分成的每个区域创建判断模型。

10.根据权利要求1所述的辅助设备，其中，所述计算装置具有如下功能：

通过将所述分开式波形数据进一步划分成特定尺寸的帧进行帧划分处理；

根据所述划分的帧提取所述特征量；以及

随机确定所述特定尺寸。

11.根据权利要求9所述的辅助设备，其中，所述计算装置具有如下功能：

通过将所述分开式波形数据进一步划分成特定尺寸的帧进行帧划分处理；

根据所述划分的帧提取所述特征量；以及

随机确定所述特定尺寸。

12.根据权利要求10所述的辅助设备，其中，所述计算装置进一步具有如下功能：对进行所述帧划分处理获得的每个所述帧进行频率分析。

13.根据权利要求11所述的辅助设备，其中，所述计算装置进一步具有如下功能：对进行所述帧划分处理获得的每个所述帧进行频率分析。

14.一种包括根据辅助设备创建的判断模型对获得的被检查目标对象进行状态判断的判断装置的检查仪，所述辅助设备包括：

分开式波形数据创建装置，用于通过将获取的波形数据划分成单位时间的部分来创建分开式波形数据；

计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；以及

模型创建装置，用于根据获取的特征量为单位时间创建用来判断所述目标对象的状况的判断模型。

15.一种检查通过重复特定模式运行的目标对象的检查仪，所述检查仪包括具有如下功能的判断装置：

利用辅助设备根据所述重复的特定模式之一获取判断模型，所述辅助设备包括：

分开式波形数据创建装置，用于通过将获取的波形数据划分成单位时间的部分创建分开式波形数据；

计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；

模型创建装置，用于根据获取的特征量，为所述模式被所述分开式波形数据创建装置划分成的每个区域创建判断模型；以及

利用与获得的波形部分相对应的所述获得判断模型进行判断处理。

16.一种进行耐久性测试以测试目标对象的耐久性的耐久性测试仪，所述耐久性测试仪包括判断装置，用于利用判断模型以及根据在所述耐久性测试期间获得的波形数据判断所述目标对象是正常的还是异常的，该判断模型是使用当所述耐久性测试仪稳定运行时在所述耐久性测试的最初间隔内获得的数据作为正常数据而创建的。

17.根据权利要求16所述的耐久性测试仪，其中，所述判断模型是利用包括如下的辅助设备创建的：

分开式波形数据创建装置，用于通过将获取的波形数据划分成单位时间的部分创建分开式波形数据；

计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；以及

模型创建装置，用于根据获取的特征量为单位时间创建用来判断所述目标对象的状况的判断模型。

18.根据权利要求16所述的耐久性测试仪，其中，所述判断模型是利用包括如下的辅助设备创建的：

分开式波形数据创建装置，用于通过将获取的波形数据划分成单位时间的部分创建分开式波形数据；

计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；以及

模型创建装置，用于根据获取的特征量，为所述耐久性测试仪的运行模式被所述分开式波形数据创建装置划分成的每个区域创建判断模型。

19.一种包括如下步骤的耐久性测试方法：

在特定时间长度内引起转动并且将同时获得的波形数据提供给包括如下的辅助设备：

分开式波形数据创建装置，用于通过将获取的波形数据划分成单位时间的部分创建分开式波形数据；

计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；以及

模型创建装置，用于根据获取的特征量为单位时间创建用来判断所述目标对象的状况的判断模型；

通过将所述提供的波形数据用作正常数据使所述辅助设备创建判断模型；

此后进行耐久性测试，以便利用所述创建的判断模型，根据在所述耐久性测试期间获得的波形数据判断是否存在异常；以及

如果检测到异常，输出警告信号。

20.一种包括如下步骤的耐久性测试方法：

在特定时间长度内引起转动和将同时获得的波形数据提供给包括如下的辅助设备：

分开式波形数据创建装置，用于通过将获取的波形数据划分成单位时间的部分创建分开式波形数据；

计算装置，用于根据多个关于单位时间的分开式波形数据，以分开式波形数据为单位获取特征量；以及

模型创建装置，用于根据获取的特征量，为所述耐久性测试仪的运行模式被所述分开式波形数据创建装置划分成的每个区域创建判断模型；

通过将所述提供的波形数据用作正常数据使所述辅助设备创建判断模型；

此后进行耐久性测试，以便利用所述创建的判断模型，根据在所述耐久性测试期间获得的波形数据判断是否存在异常；以及

如果检测到异常，输出警告信号。

Images