JP2004279211A

JP2004279211A - Knowledge formation support system, parameter retrieval method and program product

Info

Publication number: JP2004279211A
Application number: JP2003070904A
Authority: JP
Inventors: Toyoo Iida; 豊男飯田
Original assignee: Omron Corp; Omron Tateisi Electronics Co
Current assignee: Omron Corp
Priority date: 2003-03-14
Filing date: 2003-03-14
Publication date: 2004-10-07
Anticipated expiration: 2023-03-14
Also published as: JP3743515B2

Abstract

<P>PROBLEM TO BE SOLVED: To provide a system capable of easily retrieving and determining effective parameters for calculating effective feature value for determining normal/abnormal of examination subject in an examination device and a diagnostic device. <P>SOLUTION: The system comprises a parameter retrieval part 15 for retrieving parameters to be used for calculating the feature value, a feature value calculation part 12 for calculating a plurality of feature amounts based on the parameters retrieved in the parameter retrieval part 15 for a given sample data (1, 2) containing a normal data and an abnormal data, and an evaluation part 13 for outputting evaluation for the parameters as an evaluation value from the calculation results obtained by the feature value calculation part. The parameter retrieval part can determine the effective feature value of high evaluation and their effective parameters at once by again retrieval based on the evaluation result of the evaluation part. <P>COPYRIGHT: (C)2005,JPO&NCIPI

Description

【０００１】
【発明の属する技術分野】
この発明は、知識作成支援装置及びパラメータ探索方法並びにプログラム製品に関するものである。
【０００２】
【従来の技術】
自動車や家電製品などには、モータが組み込まれた回転機器が非常に多く用いられている。例えば自動車を例にとってみると、エンジン，パワーステアリング，パワーシート，ミッションその他の至る所に回転機器が実装されている。また、家電製品では、冷蔵庫，エアコン，洗濯機その他各種の製品がある。そして、係る回転機器が実際に稼働すると、モータ等の回転に伴って音が発生する。
【０００３】
係る音は、正常な動作に伴い必然的に発生するものもあれば、不良に伴い発生する音もある。その不良に伴う異常音の一例としては、ベアリングの異常，内部の異常接触，アンバランス，異物混入などがある。より具体的には、ギヤ１回転について１度の頻度で発生するギヤ欠け，異物かみ込み，スポット傷，モータ内部の回転部と固定部が回転中の一瞬だけこすれ合うような異常音がある。また、人が不快と感じる音としては、例えば人間が聞こえる２０Ｈｚから２０ｋＨｚの中で様々な音があり、例えば約１５ｋＨｚ程度のものがある。そして、係る所定の周波数成分の音が発生している場合も異常音となる。もちろん、異常音はこの周波数に限られない。
【０００４】
係る不良に伴う音は、不快であるばかりでなく、さらなる故障を発生させるおそれもある。そこで、それら各製品に対する品質保証を目的とし、生産工場においては、通常検査員による聴覚や触覚などの五感に頼った「官能検査」を行ない、異常音の有無の判断を行っている。具体的には、耳で聞いたり、手で触って振動を確認したりすることによって行っている。なお、官能検査は、官能検査用語ＪＩＳＺ８１４４により定義されている。
【０００５】
ところで、数年前から自動車に対する音品質の要求が急激に激しくなってきている。すなわち、自動車業界では、エンジン，ミッション，パワーシートなどの車載駆動パーツの検査を定量的に自動検査するニーズが高まっており、従来から行われている検査員による上記の官能検査のように定性的・曖昧な検査ではそのニーズに応える品質を得ることができなくなってきている。
【０００６】
そこで、係る問題を解決するため、定量的かつ明確な基準による安定した検査を目的とした異音検査装置が開発されている。この異音検査システムは、「官能検査」工程の自動化を目的とした装置であり、製品駆動部の振動や音をセンサで測定し、そのアナログ信号をＦＦＴアルゴリズムなどを応用した周波数解析装置を使って周波数成分を調べて検査するものである（特許文献１）。アナログ信号の解析は、他にバンドパスフィルタを応用したものでもよい。
【０００７】
この特許文献１に開示された技術を簡単に説明すると、ＦＦＴアルゴリズムを応用した周波数解析装置は、時間領域信号を高速フーリエ変換アルゴリズムにより、周波数領域の分析をすることができる。一方、異常音の周波数領域もある程度決まっている。従って、分析により抽出された周波数成分のうち、異常音の発生領域に該当する成分を抽出することができるので、係る抽出した成分の特徴量を求める。そして、特徴量から異常の有無やその原因などをファジィ推論などを用いて推定するようにしている。
【０００８】
上記した異音検査システムでは、一度定めた基準に従った自動判定ができるとともに、検査した結果（実績）と、そのときの波形データを、異音検査システム内の記憶装置に保存することができる。
【０００９】
上記のような異音検査システムでは、最適な特徴量の選択および特徴量演算用の諸パラメータの選択は人が勘と経験に頼って行っているのが現状である。また、このような最適パラメータを探索する問題の自動化に対しては、例えば、特許文献２に示された「遺伝的アルゴリズムを用いた最適化処理方法および装置」がある。この特許文献２で開示されている階層化遺伝的アルゴリズムや並列遺伝的アルゴリズムは、遺伝的アルゴリズムの複雑な最適化問題における探索精度の向上に寄与すると考えられている。
【００１０】
【特許文献１】
特開平１１−１７３９０９号
【特許文献２】
特開平９−４４４６５号
【００１１】
【発明が解決しようとする課題】
特許文献１等に開示された従来の異音検査システムでは、異常の有無に対応する特徴量を抽出することおよび、特徴量を演算するための諸パラメータの選択は人が勘と経験にたよって行っている。
【００１２】
従って、数千件を超える異常判定結果のデータから異常の有無とそれに対応する特徴量及び特徴量を演算するパラメータを選択することは、経験と勘が要求されるだけでなく、非常に大きな工数が必要であり、検査／診断業務の自動化の妨げになっている。
【００１３】
特に、例えば自動車業界では、新車の販売数推移が、発売直後にピークを迎え、数ヶ月で落ち込む傾向になってきているため、新機種生産開始時から高い良品率が要求され、製造品質の垂直立ち上げを行うことも急務となってきている。そのため、異音検査システムにおける最適パラメータを早期に決定する必要があるが、人の経験と勘に基づく最適パラメータの決定では、時間がかかってしまうという問題がある。
【００１４】
また、特許文献２に示すような階層型遺伝的アルゴリズムを異音検査システムの最適パラメータを特定するものに適用することを考えた場合、以下に示す問題を生じる。すなわち、階層構造を持たない遺伝的アルゴリズムでさえ、遺伝的アルゴリズムの動作を制御するパラメータ（交叉率，突然変異率，淘汰方法）の設定は試行錯誤的に行うため、そのようなパラメータを階層構造に積み上げた場合、所望の結果を得るためには、上記特徴量や演算パラメータを人手で選択することに匹敵する試行錯誤が必要になってしまう。
【００１５】
さらに、遺伝的アルゴリズム自体の制御が複雑化するため、探索したい諸パラメータの性質（パラメータ間の影響）に応じた探索戦略を組み込むことが困難になる。その結果、仮に特許文献２の方法を用いても、短期間で効率良く最適なパラメータを求めることは困難である。
【００１６】
さらにまた、諸パラメータを探索するための作業者が判断した異常の有無のデータ（学習時の教師データ：サンプルデータ）自体に誤りが含まれている場合があり、そのように誤りを含んだまま諸パラメータの探索を行うと探索が失敗したり、最適解を探索するまでに著しい時間を要してしまうおそれがある。
【００１７】
この発明は、検査・診断装置における検査対象物の正常／異常を判断するのに適した有効特徴量と、その有効特徴量を演算するための諸パラメータを容易に探索・決定することができ、さらに、探索する際に用いるサンプルデータにあいまいさを含んでいても、精度良く短時間で有効特徴量等を求めることのできる知識作成支援装置及びパラメータ探索方法並びにプログラム製品を提供することを目的とする。
【００１８】
【課題を解決するための手段】
この発明による知識作成支援装置は、取得した計測データに対し、フィルタリング処理並びに特徴量抽出処理を行って得られた特徴量データに基づいて、検査対象物が正常か異常かを判断する検査・診断装置における前記検査対象物に適した有効特徴量と、その有効特徴量を演算するための諸パラメータを求める知識作成支援装置である。そして、特徴量を演算する諸パラメータを探索する探索部と、与えられた正常データと異常データを含むサンプルデータに対し、前記探索部で探索された諸パラメータに基づいて複数の特徴量を演算する特徴量演算部と、その特徴量演算部により求められた特徴量の演算結果から諸パラメータの良さを評価値として出力する評価部を備え、前記探索部は、評価部の評価結果を基に再度諸パラメータを探索することで、評価値の高い有効特徴量と、その有効特徴量の諸パラメータを同時に決定することができるようにした。
【００１９】
そして、前記評価部における前記諸パラメータを探索する方式として、
（１）正常と異常を分離できる度合いを重視する方式と
（２）分離できる特徴量の数を重視する方式と
を択一的に実行可能とし、
設定された探索方式に応じて、
（１）′最も正常と異常を分離することができる有効特徴量と、その有効特徴量を演算するための諸パラメータ、
（２）′正常と異常を分離する複数の有効特徴量と、その有効特徴量を演算するための諸パラメータ、
のいずれかを求めることができるようにするとよい。さらに、本発明に係る知識作成支援装置では、前記サンプルデータは、同一の異常種類についての異常データと、正常データとすることができる。
【００２０】
また、本発明に係るパラメータ探索方法は、取得した計測データに対し、フィルタリング処理並びに特徴量抽出処理を行って得られた特徴量データに基づいて、検査対象物が正常か異常かを判断する検査・診断装置における前記検査対象物に適した有効特徴量と、その有効特徴量を演算するための諸パラメータを求める知識作成支援装置におけるパラメータ探索方法である。そして、与えられた正常データと異常データを含むサンプルデータに対し、特徴量演算部が設定された諸パラメータに基づいて複数の特徴量を演算し、その特徴量演算部により求められた特徴量の演算結果から前記諸パラメータの良さを表す評価値を算出し、その算出した評価結果を基に再度諸パラメータを探索し、探索した諸パラメータに基づいて前記特徴量算出並びに評価値の算出を実行することを繰り返し実行し、設定された探索終了条件に満たしたときの評価値の高い有効特徴量と、その有効特徴量の諸パラメータを同時に決定することである。
【００２１】
この場合に、前記諸パラメータを探索する方式として、正常と異常を分離できる度合いを重視する第１方式と、分離できる特徴量の数を重視する第２方式を用意し、前記設定された探索方式に応じて、前記第１方式または前記第２方式を実行することにより、
（１）′最も正常と異常を分離することができる有効特徴量と、その有効特徴量を演算するための諸パラメータ、
（２）′正常と異常を分離する複数の有効特徴量と、その有効特徴量を演算するための諸パラメータ、
のいずれかを求めるようにするとよい。
【００２２】
さらに、本発明に係るプログラム製品は、取得した計測データに対し、フィルタリング処理並びに特徴量抽出処理を行って得られた特徴量データに基づいて、検査対象物が正常か異常かを判断する検査・診断装置における前記検査対象物に適した有効特徴量と、その有効特徴量を演算するための諸パラメータを求めるためのプログラム製品である。そして、与えられた正常データと異常データを含むサンプルデータに対し、特徴量演算部が設定された諸パラメータに基づいて複数の特徴量を演算する処理と、その特徴量演算部により求められた特徴量の演算結果から前記諸パラメータの良さを表す評価値を算出する処理と、その算出した評価値を基に再度諸パラメータを探索し、その探索した諸パラメータに基づいて前記特徴量算出並びに評価値の算出を設定された探索終了条件に満たすまで繰り返し実行する処理と、前記探索終了条件に満たしたときの評価値の高い有効特徴量と、その有効特徴量の諸パラメータを同時に決定する処理を実行するプログラム部分を持つようにした。
【００２３】
さらに、前記諸パラメータを探索する処理として、正常と異常を分離できる度合いを重視する第１方式と、分離できる特徴量の数を重視する第２方式を持ち、前記設定された探索方式に応じて、前記第１方式または第２方式を実行する処理を行うプログラム部分を持つようにするとよい。上記した各発明は、第１の実施の形態により実現されている。
この発明によれば、検査・診断装置の特徴量選択及びその特徴量演算の諸パラメータの決定を自動化し、人による探索工数を削減することができる。
【００２４】
また、前記探索部は、前記諸パラメータをコーディングした個体に対して、遺伝的アルゴリズムを適用し、交叉・突然変異・選択操作を所望の条件が満たされるまで実行して最適な諸パラメータを探索ものであり、前記コーディングした個体の中の個々の遺伝子は、各機能ごとにブロック化し、そのブロック単位で遺伝子の形質の発現または隠蔽を制御するようにすると良い。この発明は、第２の実施の形態により実現されている。
【００２５】
階層化遺伝的アルゴリズム（ＧＡ）よりも見通しのよいＧＡ動作パラメータ設定ができる。また、機能ごとにブロック化し、ブロック単位で遺伝操作を行うようにしたため、探索したいパラメータ間の影響関係に基づいた探索戦略を容易に設定できる。
【００２６】
さらにまた、全サンプルデータを使用した諸パラメータによる探索が所望の条件を満たした際に、前記サンプルデータの中で誤判定と推定できるデータを抽出し、その誤判定と推定したデータを誤判定とみなして再構成したサンプルを利用して諸パラメータを求めた際に得られる評価値が、再構成前の評価値よりも高い場合に、前記誤判定と推定したデータは誤判定のデータと確定する機能を備えるとよい。係る判定は、実施の形態では誤判定データ検出部１８で行う。そして、誤判定と決定したデータは、表示装置その他の出力手段に出力するようにすると、ユーザにその内容を確認させることができるのでより好ましい。
【００２７】
また、前記再構成は、前記誤判定と推定したデータを削除する処理、逆の判定結果のサンプルグループへ組替える処理、異なる判定結果のサンプルグループへ組替える処理の少なくとも１つを実行するようにすることができる。さらには、前記誤判定と確定したデータを、正しいサンプルデータに更新した状態で、前記探索部における探索を実行するようにするとよい。係る更新は、実施の形態では誤判定データフィルタ部１９で行う。
【００２８】
この発明によれば、検査・診断条件を決めるために人が作成したサンプルデータに誤りが含まれていても、誤り候補として削除または、逆判定に組み入れることができるため、データの誤りに基づく探索の失敗や長期化を防ぐことができる。また、誤り候補をユーザに提示することにより、ユーザの判定を検証することができる。つまり、あいまいさを含んだ人の良否判定データ（サンプルデータ）から、「有効特徴量」と「有効特徴量を演算するための諸パラメータ」を容易かつ短時間で同時に求めることができる。
【００２９】
「検査・診断装置」は、実施の形態では、異音検査システム（装置）であるが、本発明はこれに限ることはなく、振動その他の波形信号に対する検査・診断装置でも良い。さらには、それら波形信号に関係なく、各種の設備保全・検査装置等に適用することができ、それらに関連する計測量方法のパラメータ等の決定を行うことができる。
【００３０】
【発明の実施の形態】
まず、各実施の形態を説明するに先立ち、前提として本実施の形態で特徴量及びパラメータを設定する対象となる異音検査システム（波形検査システム）を簡単に説明すると、振動センサまたは音声マイクなどで取得した波形データをフィルタによる前処理を行った後、所定の複数の特徴量を抽出し、抽出した特徴量から有効なものを用いて総合特徴量を求め、その値から良品／不良品／不定の判断を行うことを基本構成としている。そして、フィルタとしては、バンドパスフィルタ，ローパスフィルタ，ハイパスフィルタなど数種類用意されるとともに、抽出する特徴量も多数（例えば４０種類）用意される。検査対象にとって良否判定をするのに有効な前処理，特徴量等は決まっている。従って、あまり有効でない特徴量が予めわかっていると、係る有効でない特徴量を求める処理は無駄である。そこで、発明では、検査対象に適した特徴量などを求め、異音検査システムに設定するものである。さらに、各特徴量は、演算方式が決定されているものの、パラメータを変えることで、得られる特徴量の値ひいては判定結果も変わる。つまり、本来有効な特徴量などであっても、設定するパラメータを誤ると、誤判定をするおそれがある。
【００３１】
そこで、従来は、サンプルデータに基づいて対象物の簡易分析を人間が試行錯誤をしながら行い、その対象物の良否判断に有効そうな特徴量を求める。さらに、何千件ものサンプルデータ（良品／不良品の判断結果を含む）に基づいて、最終的に前処理としてどのフィルタを用い、そのフィルタのパラメータをいくつにするか、並びにどの特徴量を用い、その特徴量のパラメータをいくつにするかを人間が試行錯誤してみて、有効な設定条件を人間が決定する。これより、有効な特徴量などがわかるので、実際の異音検査システムでは、その有効な特徴量，パラメータ等のみを設定することで、短時間で効率よい良否判定を行うことができる。
【００３２】
本発明では、予め良品／不良品の判断結果を含む（この判断結果は人間が行ったものでもよい）サンプルデータに基づいて上記した有効な特徴量や、その特徴量の諸パラメータを自動的に検索することができるようにした装置である。図１は、本発明の第１の実施の形態を示している。図１に示すように、本装置への入力データとしては、センサデータ１と、検査実績ファイル２と、デフォルト検査条件ファイル３と入力装置４を介して与えられる各種の情報がある。
【００３３】
そして、センサデータ１は、検査／診断対象で発生した振動または音をセンシングしたデータである。これは発生音の波形データ、つまり計測した計測データをファイルに記録され、１計測に付き１ファイルが生成される。つまり、マイクや振動センサを用いて検出した実際の出力波形である。そして、各ファイルそれぞれ独立したファイル名を付与している。
【００３４】
検査実績ファイル２は、各センサデータファイル１のひとつひとつのデータ毎の正常／異常の実際の判定結果を予め記述したファイルである。異常のデータに対しては、異常種類（名称または、異常コード）の情報もさらに付加する。具体的なデータ構造の一例を示すと、図２のようになる。そして、正常／異常の判定は検査員（人）が行ったり、その後の対象の異常情報に基き、作成・修正したりすることができる。上記したセンサデータ１や検査実績ファイル２のデータが、サンプルデータとなる。
【００３５】
デフォルト検査条件ファイル３は、探索する諸パラメータの探索開始時点の初期設定値を記述したファイルであり、この検査条件を基に特徴量値を演算する。そして、人が諸パラメータを探索する際にも、この検査条件をデフォルトとして探索を開始するようになる。
【００３６】
入力装置４は、人が探索の各パラメータを入力する部分であり、キーボードやマウスその他の各種の入力装置を用いることができる。そして、具体的に入力する情報は、
（１）入力ファイル情報（検査実績ファイル名，センサデータ格納位置）
（２）探索終了条件（ａ）評価値閾値超え、（ｂ）評価値飽和，（ｃ）指定探索時間（世代）など
（３）探索方法（ａ）分離度優先，（ｂ）分離数優先
などがある。
【００３７】
内部装置としては、検索実績ファイル読込部１１と、特徴量演算部１２と、評価部１３と、探索条件設定部１４と、パラメータ探索部１５と、探索終了条件判定部１６並びに検査条件出力部１７を備えている。各処理部の具体的な機能は以下の通りである。
【００３８】
まず、探索条件設定部１４は、探索方式（分離度／分離数），探索終了条件，探索手段（ＧＡ，ＮＮ，総当り，ＳＶＭ）などの入力を入力装置４から受け取り、各対応する処理部へ設定する。
【００３９】
そして、検査実績ファイル読込部１１は、センサデータ１と検査実績ファイル２から入力された各情報を取得するものである。すなわち、検査実績ファイル２に記載されている検査実績（正常／異常判定：ＯＫ／ＮＧ））と、ファイル名を対応つけ、検査実績ＯＫとＮＧのファイルをそれぞれ読み込む。ここでは、センサデータおよび検査実績ファイルというように、一旦ファイルに落とした情報を使用しているが、検査実績は計測毎に都度入力手段や他の外部装置から入力することもできる。また、センサデータ１もファイルを介さず、直に入力し、内部で保持しておくこともできる。
【００４０】
この検査実績ファイル読込部１１で取得したデータは、次段の特徴量演算部１２に渡される。この特徴量演算部１２には、デフォルト検査条件ファイル３のデータも与えられる。そして、この特徴量演算部１２は、パラメータ探索部１５の探索結果に従い、検査条件ファイルの諸パラメータを更新し、各波形データファイルに対する特徴量演算を行うものである。そして、パラメータ探索部１５で探索されたデータが存在しない処理の開始当初は、デフォルト検査条件ファイル３から取得したデフェルト値に基づいて特徴量を求める。そして、求めた特徴量は、評価部１３に渡す。
【００４１】
評価部１３は、各波形データファイルに対する複数の特徴量演算の結果から、諸パラメータの良さを後述する評価式から算出し、求めた評価値に基づいて良く良否を分離できる特徴量名を抽出する。なお、使用する評価式は、探索方法の指定によって異なる。また、抽出する特徴量の数も探索方法の指定によって異なる。なお、探索方法は、探索条件設定部１４から与えられる。
【００４２】
パラメータ探索部１５は、検査条件ファイルの各パラメータを基準に、良品（ＯＫ品）と不良品（ＮＧ品）を最もよく分離できる特徴量演算用の諸パラメータを探索するものである。探索方法は、ＧＡ（遺伝的アルゴリズム）、ＮＮ（ニューラルネットワーク），ＳＶＭ（サポートベクターマシン），総当りなどの各種の手法がある。そして、最も評価値の高い諸パラメータおよび特徴量名を保持する。
【００４３】
探索終了条件判定部１６は、評価部１３から評価値を取得し、入力装置４から与えられた探索の終了条件になったか否かを判断する。探査の終了条件が成立した場合には、パラメータ探索部１５に探索終了を通知する。
【００４４】
パラメータ探索部１５は、そのパラメータ探索部１５が探索した最も優れた諸パラメータを検査条件ファイルに出力するとともに、最も良否を分離する特徴量名を求め、それを検索条件出力部１７へ渡す。そして、検索条件出力部１７は、パラメータ検索部１５から与えられた最も優れた諸パラメータ並びに最も良否を分離する特徴量名を出力する。
【００４５】
一方、検索条件出力部１７から出力される出力データには、センサデータの正常／異常（ＯＫ／ＮＧ，良否）を最もよく分離する特徴量を指定する有効特徴量名と、上記有効特徴量を演算するための諸パラメータを格納したファイルである検査条件ファイルがある。有効特徴量名は、上位からｎ個（ｎは１を含む正の整数）提示する。
【００４６】
次に、上記した装置の動作原理を説明しつつ、適宜各処理部の詳細な機能について説明する。全体の処理アルゴリズムは、図３に示すフローチャートのようになっている。
【００４７】
すなわち、まず探索条件設定部１４が入力装置４から探索条件を受け付けとると、受け付けた探索条件を関連する処理部へ与える（ＳＴ１）。パラメータ探索にはさまざまなアルゴリズムを適用することが可能であるが、遺伝的アルゴリズムを用いた場合にユーザが与える探索条件としては、以下に示すものがある。
【００４８】
まず、遺伝的アルゴリズム動作を規定するパラメータとしては、個体数，交叉率，突然変異率，世代数がある。個体数は、探索に用いる個体個体（解候補）の数である。また、交叉率は、個体個体を交叉させる確立である。突然変異率は、個体個体の中の遺伝子を突然変異させる確率である。世代数は、遺伝的アルゴリズムを適用する世代数である。また、探索方法を規定するパラメータ（探索方法）としては、分離度重視か分離数重視かの選択があり、分離数重視の場合は上位いくつを使うかと、各重み係数がある。さらに、探索終了条件を規定するパラメータ（終了条件）としては、▲１▼遺伝的アルゴリズムの世代数に達した時点と、▲２▼評価値（後述する式（２）または（２）′）が一定値を超えた時点と、▲３▼評価値が同一の値である世代が一定世代数を超えた時点などがあり、少なくとも１つを具備したときに探索条件を具備したとすることができる。
【００４９】
そして、検査実績ファイル読込部１１は、探索条件設定部１４から収集すべき検査実績ファイル名およびセンサデータファイルディレクトリを取得し、検査実績ファイルに記載されているファイル名のファイルを読み込む。読み込み後、検査実績ファイル２のＯＫ／ＮＧ情報と、センサデータファイル名の対応付けを行う（ＳＴ２）。
【００５０】
次いで、ＮＧ種別（異常種類）毎にＮＧ品のセンサデータファイルを集計する（ＳＴ３）。つまり、図２に示すように、検査実績ファイルには、判定結果がＮＧ（異常）となったデータファイルは、その異常の種類も関連づけて登録されているため、その異常種類が同じ物同士をグループ化する。そして、呼び出される毎に、全てのＯＫ品のセンサデータファイルと、単一ＮＧ種別のセンサデータファイル（同一の異常種類のセンサデータファイル）の組を作る。
【００５１】
その後、パラメータ探索部１５が、特徴量演算部１２経由でデフォルトのパラメータを取得し、パラメータの探索を行う（ＳＴ４）。そして、探索した結果の諸パラメータを特徴量演算部１２に渡す。
【００５２】
次に、特徴量演算部１２では、パラメータ探索部１５から受け取ったパラメータを基に、例えば、特開平１１−１７３９０９号公報等に開示されたような各種の特徴量を演算し求める（ＳＴ５）。この演算は、ステップ３で選択した全てのＯＫセンサデータと、ある１種類のＮＧ種のファイルのデータに対して行い、求めた演算値（特徴量）を評価部１３へ送る。
【００５３】
評価部１３は、特徴量演算結果とＯＫ品とＮＧ品のごとに集計し、式（１）に示す特徴量番号毎の評価値を演算する。そして、探索種類として分離度が指定されている場合は、式（２）で評価値Ｖａｌを確定する。また、分離数優先が指定されている場合は、式（２）′で評価値Ｖａｌを確定する。
【００５４】
すなわち、まず、特徴量毎の評価値を式（１）を用いて求める。ここで、係数αは、検査実績ファイルでＯＫとなっているセンサデータ（以下ＯＫ品）の平均が検査実績ファイルでＮＧとなっているセンサデータ（以下ＮＧ品）の平均より小さい場合即ち、ＮＧ品を高い値で検出している場合に値を大きくするための係数である。一方、計数βはＯＫ品のグループとＮＧ品のグループが完全に分離した場合に加点するための係数である。なお、式（１）は１例であり、他の式であってもよい。
【００５５】

但し
ＯＫＡｖｅｎ：ＯＫ品の特徴量ｎの平均値
ＯＫσｎ：ＯＫ品の特徴量ｎの分散
ＮＧＡｖｅｎ：ＮＧ品の特徴量ｎの平均値
ＮＧσｎ：ＮＧ品の特徴量ｎの分散
ＯＫＭｉｎｎ，ＯＫＭａｘｎ：ＯＫ品特徴量ｎの最大値，最小値
ＮＧＭｉｎｎ，ＮＧＭａｘｎ：ＮＧ品特徴量ｎの最大値，最小値
ｎ：０〜特徴量数−１
【００５６】
最終的な評価値Ｖａｌは、以下のようにして求める。すなわち、評価値Ｖａｌは、ユーザが指定する探索方法によって式（２）と式（２）′を使い分ける。探索方法が、分離度優先の場合は式（２）を使い、探索方法が、分離数優先の場合は式（２）′を使う。式（２）′は評価値Ｖｎが上位２つを使う式であるが、任意の上位評価値の重み付き平均でもよい。
【００５７】
Ｖａｌ＝Ｖｍ……（２）
Ｖｍ：ＭＡＸ（Ｖｎ：ｎ＝０〜特徴量数−１）
Ｖａｌ＝（ｗ＊Ｖｍ＋（１−ｗ）＊Ｖｋ）／１……（２）′
Ｖｍ：ＭＡＸ（Ｖｎ：ｎ＝０〜特徴量数−１）
Ｖｋ：ＭＡＸ（Ｖｎ：ｎ＝０〜特徴量数−１かつｍを除く）
ｗ：０．０〜１．０（ユーザが設定する重み）
【００５８】
上記各式に基づいて評価値を求めたならば、探索終了条件判定部１６は、探索終了条件成立をチェックする（ＳＴ７）。探索終了条件は、ステップ１を実行することにより探索条件設定部１４から設定されたもので、例えば、評価値が一体の水準以上に達した場合や、世代数が一定の値に達したなどがある。そして、探索終了条件に達していない場合には、ステップ８に進み、最良解の保存を行う。すなわち、パラメータ探索部１５は、評価部１３から評価値を受け取り、現在の諸パラメータの評価値が最大であれば、最大評価値を更新し、現在の諸パラメータを最良解候補として保持する。
【００５９】
さらにパラメータ探索部１５は、評価値を基に、次の諸パラメータの探索を行い、探索した結果を特徴量演算部１２に渡す（ＳＴ９）。この後、ステップ５に戻り、特徴量演算部１２が新たな諸パラメータに基づいて特徴量を算出することになる。
【００６０】
ここでパラメータ検索部１５の機能を説明する。パラメータ探索部１５に遺伝的アルゴリズムを用いた場合の個体個体のコーディング例としては、図４に示すようになる。このコードディングにおける各遺伝子の値は、それぞれ図５，図６のテーブルインデックスに対応する。ここでは、特徴量としてＦＦＴ＿ＬｘからＦＦＴｘ＿Ｈの周波数範囲内におけるＦＦＴの周波数スペクトルピークに対し、ＫＬ＿ｘで規定されるＫ番目からＬ個分を平均した値を特徴量とするものである。
【００６１】
従って、たとえば、ｘ＝２の場合、ＦＦＴ２＿Ｌ（ＦＦＴ下限周波数）とＦＦＴ２＿Ｈ（ＦＦＴ上限周波数）は、７９Ｈｚ〜１４０Ｈｚ間のＦＦＴ周波数スペクトルを特徴量として演算することを示す。そして、ＫＬ＿２は、ＦＦＴ２＿Ｌ，ＦＦＴ２＿Ｈによって得た周波数スペクトルピークの１番目から５個分を平均することを意味する。
【００６２】
同様に、ｘ＝１の場合、ＦＦＴ１＿ＬとＦＦＴ１＿Ｈが同じ０であるため、２０から２８Ｈｚ間のＦＦＴ周波数スペクトルを求め、得られた周波数スペクトルピークの１番目から５個分を平均することを意味する。
【００６３】
上記のようなコーディングされた遺伝子の個体個体を初期集団として多数ランダムに生成させ、遺伝的アルゴリズムを用い選択と淘汰を行うとともに、適宜交叉や突然変異操作を行うことにより、最適解となるパラメータを探索する。パラメータ探索部１５は、係る遺伝的アルゴリズムにおける選択と淘汰，交叉，突然変異といった遺伝的操作を行い、新たな世代の遺伝子（諸パラメータ）を生成することを行う。
【００６４】
利用する遺伝的アルゴリズム自体は一般的に用いられているものを適用することができる。すなわち、探索条件設定部１４から設定された動作条件（個体数，世代数等）に基づき、初期（０世代）の集団を生成する。そして、そのようにして設定された諸パラメータに基づいて特徴量演算部１２で特徴量を求め、評価部１３で評価する。
【００６５】
次いで、現在の集団から優秀な個体を２つ選択する。この選択は、環境に適合した個体が生き残るようにすることであり、評価値の高い個体が生き残る確率が高い。そして、本実施の形態では、個体（親）選択方式はルーレット方式を採用している。このルーレット方式は、選ばれる確率が個体の評価値に比例する方式である。具体的には、個体を識別するインデックスを０〜ｎとし、個体ｉの評価値をｆｉｔ（ｉ）とすると、以下の式を満たす個体ｊが選択される。
【００６６】
【数１】

【００６７】
つまり、評価値の総和未満の数値（Ｔ＿ｖａｌ）をランダムに発生する。次に評価値をインデックス順に加算し、Ｔ＿ｖａｌを超えたインデックスを持つ個体が選択されることになる。
【００６８】
そして、交叉確率以上の場合には、交叉を行う。つまり、上記のようにして選択された２つの個体（親）から２つの新たな個体（子）を生成する。交叉方法としては、２点交叉を採用している。すなわち、図７（ａ）に示すように、ランダムに交叉位置を決定し、その交叉位置のデータを互いに交換する。このようにして生成された新たな個体は、２つの優秀な親から生成されているので親の優れた形質を受け継ぐと推定できる。
【００６９】
また、突然変異率以上の場合には、個体を突然変異変異させる。突然変異は、親の個体が持たない形質を子の個体に発生させる操作である。すなわち、図７（ｂ）に示すように、ランダムに決定した突然変異個所の遺伝子の値をランダムに決定される突然変異値に置き替える。なお、突然変異値は、選択された遺伝子の上下限値の範囲でランダムに生成する。つまり、図４に示す例では、ＦＦＴ周波数パラメータを特定する先頭から１０番目までは、０〜１５の範囲内で決定され、ピーク位置テーブルを特定する後ろの５個分は、０〜４の範囲内で決定される。
【００７０】
そして、評価値の最も低い２つの個体を選択し、上記した交叉或いは突然変異により生成された新しい個体と入れ替える。これにより、世代の交代が行われる。上記した処理を全個体に対して行う。そして、上記した世代交代を適当数繰り返し行うことにより、最良個体を決定することができる。
【００７１】
つまり、１つのＮＧ種に対する探索（ＳＴ４〜９）の中で、最大のＶａｌを演算値として得た時のＶｍに対応するｍ番目の特徴量が最もＯＫ品とＮＧ品をよく分離する特徴量となる。また、式（２）′を選択した場合は、最大のＶａｌを演算値として得た時のＶｍとＶｋに対応する特徴量が、最もＯＫ品とＮＧ品をよく分離する特徴量のＴＯＰ１とＴＯＰ２に該当する。
【００７２】
一方、ステップ７の分岐判断で、Ｙｅｓとなると、パラメータ探索が終了するので、検索条件出力部１７は、探索した結果最も評価値が高かった特徴量とその特徴量を演算する諸パラメータを出力する（ＳＴ１０）。出力したデータは、プリントアウトしたり、表示装置に表示することもできるし、所定の記憶媒体に記録保持することもできる。さらには、異音検査システムに対して、直接パラメータ等の設定を行うようにしてもよい。
【００７３】
そして、異常種類ごとに異音の有無を判定する特徴量，パラメータは異なるので、上記した処理は、異常種類ごとに行う。したがって、全ての異常種に対して探索が終了したかチェックし（ＳＴ１１）、終了していなければ、ステップ４へ戻り、次の異常種類に対する処理を行う。また、すべての異常種類に対する探索が行われていれば、探索動作を終了する。
【００７４】
本実施の形態によれば、複数の有効特徴量候補を演算するための諸パラメータを、評価関数を基に探索することにより、有効な特徴量と、その特徴量を演算するための諸パラメータを同時に発見することができる。そのため、従来、分析者が勘と経験を基に大きな時間をかけて行った作業の工数を削減できる。
【００７５】
また、以上の種類によっては１つの有効特徴量だけで良否（ＯＫ／ＮＧ，正常／異常）を識別することができない場合もある。係る場合、単一の特徴量のみで分離する探索方式では、探索に失敗する場合がある。そこで、探索方式として、▲１▼最も良品と不良品を分離する特徴量を探索する方式と、▲２▼良品と不良品を分離する複数の特徴量を探索する方式という２つの探索方式（評価式（２）と（２）′）を選択可能にすることにより、有効特徴量が単一で済む場合と複数必要な場合のいずれにも対応できる。
【００７６】
図８以降は、本発明の第２の実施の形態を示している。異音検査システムにおける特徴量演算では、図８に示すような「フィルタ処理」→「特徴抽出」→「最終特徴量演算」のステップで求める特徴量を演算するための諸パラメータを遺伝的アルゴリズムで求めることを試みる場合、フィルタまで考慮すると図９示すような遺伝子のコーディングが考えられる。
【００７７】
単純な遺伝的アルゴリズムを用いて上記のようにコーディングした個体に対して、交叉，突然変異操作を行い、パラメータを探索することができる。但し、図８に示すような特徴量演算では、フィルタ処理のパラメータが特徴抽出のパラメータに影響し、特徴量抽出のパラメータが統合特徴量演算のパラメータに影響する場合がある。このように、各処理が独立でない諸パラメータを求める場合に、単純に遺伝的アルゴリズムを用いると、以下のような問題が考えられる。
【００７８】
▲１▼パラメータが相互依存するため、探索の収束に時間がかかる可能性がある（時間がかかっても広域に探索したい場合ももちろんある）。▲２▼全くすべてをランダムに探索するよりは、いくつかのパラメータを固定した方が効率がよい場合があるが、単純なＧＡではそのような制御ができない。▲３▼複雑なケースに対応できると言われる階層化ＧＡや並列ＧＡはＧＡ動作自身の制御が難しく、最適な動作状態を得るための試行錯誤が大きい。
【００７９】
そこで、本実施の形態では、上記３つの課題を解決するために単純なＧＡに対し、「ブロック毎の遺伝形質の隠蔽／発現」，「ブロック交叉」，「ブロック突然変異」といった機構を導入した。すなわち、遺伝子のコーディングを、各機能ごとにブロック化する。一例をあげると、図９に示すコーディング例の場合、図１０のように、フィルタ処理に対応する第１ブロックと、特徴量を求める第２ブロックと、統合特徴量を求める第３ブロックに分けることができる。そして、各ブロックは、ブロック単位で形質の隠蔽／発現を制御するようにした。つまり、形質が隠蔽状態のブロックは、交叉および突然変異の影響を受けないようにする。また、ブロック内の遺伝子の値によらず、デコード時に固定値をデコード値として返す。この固定のデコード値はデフォルト値でも良いし、ユーザの指定する値でもよい。そして、形質が発現状態のブロックは、通常の伝的アルゴリズムで処理する。
【００８０】
なお、ブロック毎の形質の発現／隠蔽は、入力装置４を操作して探索条件としてユーザが指定する。具体的には、ユーザは以下の項目の何れかをブロックごとに指定することになる。
（１）常時発現（通常のＧＡと同じ）
（２）世代数発現（指定された世代数に達した時点で発現するもので、それまでは隠蔽する）
（３）評価値が一定値を超えた時点で発現
（４）評価値の飽和を検知した時点で発現（飽和は評価値が一定世代以上変らない場合）
【００８１】
そして、パラメータ探索部１５が行う遺伝的アルゴリズムにおける選択と淘汰，交叉，突然変異といった遺伝的操作を、ブロック単位で行うようにした。つまり、ブロック単位交叉では、図１１（ａ）に示すように、ブロック内を１つの個体とみなし、交叉位置はブロック内でランダムに生成させ、互いの個体同士で交叉を行う。このとき、形質が隠蔽状態のブロックは交叉を行わない。
【００８２】
また、図１１（ｂ）に示すように、ブロック単位突然変異では、ブロック内を１つの個体をみなして突然変異を行う。なお、形質が隠蔽状態（後述する）のブロックは突然変異を行わない。
【００８３】
このように、ブロック毎に遺伝形質の発現／隠蔽の設定並びにブロック単位交叉及びブロック単位突然変異の導入により、柔軟な探索が可能になる。すなわち、たとえば、ブロック１を常時発現させ、ブロック２を１０世代後に発現させ、ブロック３を評価値飽和後に発現するように設定すると、「フィルタ処理」→「特徴量抽出」→「統合特徴量演算」の順に絞込み探索が可能である。また、全てのブロックを常時発現とすれば、通常のＧＡと同じように広域探索が可能になる。このように、特徴量演算のパラメータの相互依存関係を探索戦略に盛り込むことができる。
【００８４】
そして、係る処理を行うためのパラメータ探索部１５は、例えば図１２に示すように構成することができる。図１２に示すように、本実施の形態におけるパラメータ探索部１５は、遺伝的演算制御部１５ａと、遺伝的演算部１５ｂと、コーディング／デコーディング部１５ｃを備えている。
【００８５】
そして、遺伝的演算制御部１５ａは、ユーザの設定に基づいて各ブロックを制御するもので、具体的には各ブロック毎の形質の発現／隠蔽のタイミングを監視し、遺伝的演算部１５ｂに、各ブロックの遺伝的演算の許可／不許可を演算制御情報として出力する。また、コーディング／デコーディング部１５ｃにデコード制御を出力する。
【００８６】
また、遺伝的演算部１５ｂは、交叉／選択／突然変異といった遺伝的演算を行う。この機能は、第１の実施の形態でも備えている。但し、その遺伝的演算がブロック単位で行うことが相違する。また、遺伝的演算制御部１５ａからの指示に従い、隠蔽対象のブロックは遺伝的演算を行わない。
【００８７】
コーディング／デコーディング部１５ｃは、固体をデコード（図５，図６のようなリストに基づいて行う）し、特徴量演算用の諸パラメータに変換する。遺伝的演算制御部１５ａの制御に従い、隠蔽対象のブロックは、指定されたデフォルト値または、ユーザの指定値にデコードする。
【００８８】
そして、上記した各処理部１５ａ〜１５ｃを備えたパラメータ探索部１５の機能は、図１２に示すフローチャートを実行するようになる。この図１２に示すフローチャートは、図３に示したメインのフローチャート中のステップ９の具体的な処理に対応する。したがって、この処理を経ると、ステップ５に飛ぶ。
【００８９】
まず、ユーザが入力装置４を操作して入力した探索条件から、ブロック毎の形質発現／隠蔽の情報を設定する。また、探索終了条件を設定する（ＳＴ３１）。これらの処理は、遺伝的演算制御部１５ａが行う。
【００９０】
遺伝的演算制御部１５ａは、設定された探索終了条件が成立したか否かをチェックする（ＳＴ３２）。そして、成立していれば処理を終了し、メインフローへ戻り、成立しない場合には、遺伝的演算制御部１５ａが、集団から２つの個体（親）を選択する。選択の基準は、第１の実施の形態と同様である。
【００９１】
次いで、遺伝的演算部１５ｂは、選択した個体に対する交叉確率を算出し、指定された交叉率以上であれば、２つの個体をブロック単位で交叉させ、新たな２個体（子）を生成する。但し、形質が隠蔽されているブロックは交叉しない。なお、形質の隠蔽／発現の情報は、遺伝的演算制御部１５ａから取得する（ＳＴ３４，３５）。
【００９２】
また、遺伝的演算部１５ｂは、選択した個体に対する突然変異確率を計算し、突然変異率以上であれば、ブロック単位で突然変異を行う。但し、形質が隠蔽されているブロックは突然変異しない。なお、形質の隠蔽／発現の情報は、遺伝的演算制御部１５ａから得る。そして、突然変異操作は、それぞれの個体に対して行う（ＳＴ３６，３７）。
【００９３】
コーディング／デコーディング部１５ｃは、各個体を特徴量演算用の諸パラメータの形式にデコードする。このとき、形質が隠蔽されているブロックは、遺伝子を直にデコードせず、デフォルト値もしくは、ユーザの設定した指定値にデコードする。なお、形質の隠蔽／発現の情報は、遺伝的演算制御部１５ａから取得する（ＳＴ３８）。
【００９４】
次いで、個体評価を行う（ＳＴ３９）。すなわち、デコードした各個体の評価値を、評価部１３から得る。そして、評価値が最大の場合は、評価値と最大評価値の個体を保持する（ＳＴ４０）。
【００９５】
全個体に対して処理を完了したか否かを判断する（ＳＴ４１）。そして、未処理の個体が存在する場合には、上記したステップ３３から４１までの処理を実行する。このようにして、集団の中の全個体に対してステップ３３から４１の処理を繰り返した段階で１世代が終了する。
【００９６】
遺伝的演算制御部１５ａは、１世代の処理が完了する毎に、ブロック毎の隠蔽／発現条件に達しているかをチェックし、ユーザが指定した条件に達している場合にはブロック毎の隠蔽／発現条件を更新する（ＳＴ４２）。
【００９７】
本実施の形態では、遺伝的アルゴリズムを用いた探索に、ブロック毎の遺伝形質の隠蔽／発現，ブロック交叉並びにブロック突然変異の仕組みを導入したため、探索するべき諸パラメータの性質（相互依存など）に応じた意図的な探索を容易に組み込むことができ、その結果、探索効率を向上することができる。なお、その他の構成並びに作用効果は、上記した第１の実施の形態と同様であるので、説明を省略する。
【００９８】
図１４は、本発明の第３の実施の形態を示している。上記した第１，第２の実施の形態は、いずれも検査実績ファイルでＯＫ（良品／正常）とＮＧ（不良／異常）と記述されている波形ファイルをそのままＯＫとＮＧに分離できる特徴量とその特徴量を演算する諸パラメータを求めている。これは、検査実績ファイル２に記述しているＯＫとＮＧの判定は正しいという前提にたっている。しかし、係る検査実績ファイルの基となる波形データからＯＫとＮＧを判定するのは人間であるため、ＯＫ／ＮＧの判定に誤りが含まれる可能性がある。
【００９９】
従って、誤りを含んだまま、特徴量とその特徴量を演算する諸パラメータを探索した場合、探索に失敗したり探索が完了するまでに長時間かかるおそれがある。そこで、本実施の形態では、ユーザが誤判定した疑いがある判定結果（ＯＫ／ＮＧ）を検出し、誤判定した疑いのあるデータを削除したり、或いは判定結果を変えた状態で再評価することにより、誤判定したものか否かを確定し、誤判定の場合には、正しく修整することにより、効率的なパラメータ探索を実現する。さらに、ユーザが誤判定したと推定したデータファイル名をユーザに提示する機能も付加しており、ユーザ側も再検討をさせることが可能になる。
【０１００】
そして、係る機能を実現するための具体的な装置構成としては、図１４に示すように、第１の実施の形態の構成を基本とし、さらに、誤判定データ検出部１８と、誤判定データフィルタ部１９と、誤判定候補表示部２０を追加した。
【０１０１】
ここで、誤判定データ検出部１８は、ユーザが指定した開始条件から終了条件が成立するまで、誤判定候補のセンサデータを抽出するものである。そして、誤判定データをユーザの指定通りに処置（後述する）した結果、評価値に改善があれば、誤判定候補を誤判定と確定し、誤判定データフィルタ部１９へ通知する。
【０１０２】
ここで、誤判定候補の検出開始条件並びに終了条件はは、ユーザが入力装置４から指定する。指定できる検出開始条件としては、
（１）探索が一定世代（ＧＡの場合）または、一定時間（回数）経過時点
（２）評価値の改善が一定世代（回数／時間）停止した時点
（３）実行しない
がある。
【０１０３】
また、誤判定の検出終了条件としては、
（１）探索の終了世代（ＧＡ）／時間／回数に達した時点（探索の終了と同期）
（２）検出し、確定した誤判定候補が全データファイル数のａ％に達した時点（ａ％はユーザが任意に設定できる。）
がある。
【０１０４】
誤判定データフィルタ部１９は、誤判定データ検出部１８が検出した誤判定データ候補をユーザの指示に従って処理する。ユーザの指示としては、
（１）誤判定候補を現在の判定と逆の（または異なる）判定グループに入れる
（２）誤判定候補を取り除く
がある。つまり、検査実績ファイル読込部１１で取得した検査実績ファイル等のデータに対し、指定されたフィルタ処理を行い特徴量演算部１２に渡す機能を持つ。
【０１０５】
誤判定候補表示部２０は、誤判定データフィルタ部１９が出力した誤判定データファイル名とそのファイルをどのように処理（上記（１）／（２））したかを、ユーザに表示するものである。
【０１０６】
そして、本実施の形態の処理アルゴリズムとしては、図１５に示すようになる。この図１５に示すフローチャートは、本実施の形態の特徴部分を示しており、図示省略した前後の処理は、図３に示したものと同様である。そして、その特徴点のみ説明すると、ステップ８の最良解の保存処理を実行後、誤判定候補選出処理を行う（ＳＴ５０）。
【０１０７】
この誤判定候補選出処理は、まず、誤判定データ検出部１８が、最良解の評価値の値が変化しない世代数／時間／探索回数を計測する（ＳＴ５１）。次いで、誤判定候補の抽出の処理実行の可否を判断する（ＳＴ５２）。誤判定候補の開始〜終了期間は、上記した通りである。そして、条件が成立しなければ、誤判定がないと推定できるので、ステップ９のパラメータ検索に移る。また、条件が成立していれば、誤判定候補抽出処理に移る。
【０１０８】
つまり、最良解で最も分離度（式（２）のＶｍ）の高い特徴量を選択する（ＳＴ５３）。そして、そのステップ５３で特定した特徴量ｍについて、ＯＫ品の特徴量ｍの平均値（ＯＫＡｖｅｎ）と、ＯＫ品の特徴量ｍの分散（ＯＫσｎ）を求める。そして、ＯＫ（正常／良品）と判定されているセンサデータの中で、特徴量がＯＫＡｖｅｎ＋３＊ＯＫσより大きいものを抽出する。このとき、複数ある場合は最大のものを抽出する。そして、抽出したセンサデータを誤判定候補とする（ＳＴ５４）。
【０１０９】
誤判定候補のセンサデータをユーザが指定した処理方法（除去／逆の判定に入れる）に従い処理し、再度評価値を計算する。またＯＫ品とＮＧ品の特徴量から評価値（式（２）または式（２）′）を演算する（ＳＴ５５）。そして、評価値が改善したか否かを判断する（ＳＴ５６）。このとき、評価値が改善していない場合には、誤判定であるとは言えないので、何もせずステップ９に飛び、次の評価のためのパラメータ探索を行う。
【０１１０】
一方、改善している場合には誤判定候補は誤判定と確定し、誤判定データフィルタ部１９へ誤判定候補を通知する。続いて、誤判定候補処理を行う（ＳＴ６０）。具体的には、まず、誤判定データフィルタ部１９では、誤判定候補となったセンサデータをユーザの設定に従い、以降のパラメータ探索で有効になるように処理する。このとき、除去が指定されている場合、以降の探索で誤判定候補のセンサデータファイルを使わないようにする。また、逆の判定に編入する場合は、以降のパラメータ探索の評価値演算で逆の判定に入るようにする。つまり、検査実績ファイルの情報を更新する（ＳＴ６１）。
【０１１１】
次いで、誤判定候補のセンサデータファイル名と処理（除去／逆グループに編入）をユーザに表示する（ＳＴ６２）。なお、その他の構成並びに作用効果は、上記した各実施の形態と同様であるので、その説明を省略する。
【０１１２】
本実施の形態によれば、例えば誤判定抽出前の特徴量が、図１６（ａ）に示すようになっているとする。ここで横軸はデータファイル名であり、縦軸が特徴量の値である。人間が判定した良品（ＯＫ品）のデータである「ＯＫ５」がＮＧの誤判定と確定し、反対の不良品（ＮＧ品）のデータ「ＮＧ４」と置き換えて特徴量の再計算を行い、評価値を求めると、図１６（ｂ）に示すようになる。このように、同じ特徴量と諸パラメータを用いた場合でも評価値が誤判定抽出前の２９から誤判定抽出後の１４９２に向上する。
【０１１３】
このように、本実施の形態では、統計的に誤判定と推定できるデータを除去や逆の（または別の）判定グループへ編入することにより、人の誤判定による探索精度、探索効率低下のリスクを低減できる。また、誤判定候補の表示として、図１６に示すような結果をユーザに提示することにより、ユーザにデータの見直しの機会を与えることができる。
【０１１４】
なお、上記した実施の形態ではＯＫ側だけについて誤判定候補を探索したが、本発明はこれに限ることはなく、例えば、ＮＧ側の誤判定候補を抽出したり、ＯＫ側とＮＧ側の双方の誤判定候補を抽出したりすることもできる。
【０１１５】
また、本実施の形態では、誤判定候補の検出をＯＫＡｖｅｎ＋３＊ＯＫσよりも大きいものとしたが、誤判定候補検出の厳しさを調整するために、ＯＫＡｖｅｎ＋ｑ＊ＯＫσよりも大きいものとし、ｑをユーザが指定できるようにすることもできる。
【０１１６】
さらに、ＯＫグループ、ＮＧグループの値の分散が単峰性ではない場合を考慮し、誤判定検出のための式を任意に設定できるようにすることもできる。さらにまた、本実施の形態では、誤判定候補の抽出と、誤判候補処理は自動で行うようにしているが、抽出した誤判定候補をユーザに提示し、以降の処理をユーザに選択させるインタラクティブなインターフェースを用いることもできる。
【０１１７】
また、誤判定候補のデータがＮＧ品の場合、ＯＫのサンプル側へ入れるのではなく、異なるＮＧ種のグループに入れるようにすることもできる。この場合、ＮＧ品を追加されたＮＧ種に対する諸パラメータの探索が終了していれば、再度探索を実行することにより、探索結果の精度を向上することができる。
【０１１８】
なお、上記した各処理部は、アプリケーションプログラムにより実現することができる。従って、上記した各実施の形態では、各機能をコンピュータ等に実装して形成される装置として説明したが、本発明は係る装置に限るものではなく、必要な処理機能を実現するためのソフトウエア（プログラム製品）でも良い。そして、そのプログラム製品の提供は、各種の通信回線を用いて配信することもできるし、各種の記録媒体に格納しそれを配布することもできる。
【０１１９】
【発明の効果】
以上のように、この発明では、検査・診断装置における検査対象物の正常／異常を判断するのに適した有効特徴量と、その有効特徴量を演算するための諸パラメータを容易に探索・決定することができる。
【図面の簡単な説明】
【図１】本発明に第１の実施の形態を示すブロック図である。
【図２】検査実績ファイルのデータ構成を示す図である。
【図３】第１の実施の形態の機能（動作原理）を説明するフローチャートである。
【図４】コーディングの一例を示す図である。
【図５】コードディングにおける各遺伝子の値を示すテーブルインデックスの一例である。
【図６】コードディングにおける各遺伝子の値を示すテーブルインデックスの一例である。
【図７】（ａ）は交叉を説明する図である。
（ｂ）は突然変異を説明する図である。
【図８】異音検査システムにおける特徴量演算の一例を説明する図である。
【図９】本発明の第２の実施の形態で使用するコーディングの一例を示す図である。
【図１０】本発明の第２の実施の形態で使用するコーディングのブロック化を説明する図である。
【図１１】（ａ）はブロック単位交叉を説明する図である。
（ｂ）はブロック単位突然変異を説明する図である。
【図１２】本発明の第２の実施の形態の要部を示すブロック図である。
【図１３】第２の実施の形態の要部機能（動作原理）を説明するフローチャートである。
【図１４】本発明の第３の実施の形態を示すブロック図である。
【図１５】第３の実施の形態の要部機能（動作原理）を説明するフローチャートである。
【図１６】第３の実施の形態の作用を説明する図である。
【符号の説明】
１センサデータ
２検査実績ファイル
３デフォルト検査条件ファイル
４入力装置
１１検査実績ファイル読込部
１２特徴量演算部
１３評価部
１４探索条件設定部
１５パラメータ探索部
１５ａ遺伝的演算制御部
１５ｂ遺伝的演算部
１５ｃコーディング／デコーディング部
１６探索終了条件判定部
１７検査条件出力部
１８誤判定データ検出部
１９誤判定データフィルタ部
２０誤判定候補表示部[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a knowledge creation support device, a parameter search method, and a program product.
[0002]
[Prior art]
2. Description of the Related Art In automobiles and home electric appliances, a rotating device with a built-in motor is widely used. For example, taking a car as an example, rotating equipment is mounted on an engine, a power steering, a power seat, a transmission, and other places. In addition, home appliances include refrigerators, air conditioners, washing machines, and various other products. Then, when the rotating device is actually operated, a sound is generated as the motor or the like rotates.
[0003]
Some of such sounds are inevitably generated with a normal operation, while others are generated with a failure. Examples of abnormal sounds due to the failure include abnormal bearings, abnormal internal contact, imbalance, and foreign matter inclusion. More specifically, there is a missing gear, a foreign substance bite, a spot flaw, and an abnormal sound generated once every rotation of the gear, such that the rotating portion and the fixed portion inside the motor rub against each other for a moment during rotation. Also, as a sound that a person feels uncomfortable, for example, there are various sounds within a range of 20 Hz to 20 kHz that can be heard by a human, for example, a sound of about 15 kHz. An abnormal sound is also generated when a sound of the predetermined frequency component is generated. Of course, the abnormal sound is not limited to this frequency.
[0004]
The sound associated with such a defect is not only unpleasant, but also may cause a further failure. Therefore, for the purpose of quality assurance for each of these products, in a production factory, a "sensory test" is usually performed by an inspector based on the senses and tactile senses of the senses to determine the presence or absence of abnormal sounds. Specifically, it is performed by listening with ears or touching with hands to confirm vibration. The sensory test is defined by the sensory test term JIS Z8144.
[0005]
By the way, the demand for sound quality for automobiles has been rapidly increasing several years ago. In other words, in the automobile industry, there is an increasing need to quantitatively and automatically inspect the in-vehicle drive parts such as engines, missions, and power seats. -Ambiguous inspections are no longer able to provide quality that meets those needs.
[0006]
Therefore, in order to solve such a problem, an abnormal noise inspection device for the purpose of stable inspection based on a quantitative and clear standard has been developed. This abnormal noise inspection system is a device for the purpose of automating the "sensory inspection" process. It measures the vibration and sound of the product driver with a sensor and uses a frequency analysis device that applies an analog signal to the FFT algorithm. Inspection is performed by examining the frequency component by using the method (Patent Document 1). The analysis of the analog signal may be performed by applying a band-pass filter.
[0007]
To briefly explain the technology disclosed in Patent Document 1, a frequency analysis device to which an FFT algorithm is applied can analyze a time domain signal in a frequency domain by a fast Fourier transform algorithm. On the other hand, the frequency range of the abnormal sound is also determined to some extent. Therefore, among the frequency components extracted by the analysis, a component corresponding to a region where an abnormal sound occurs can be extracted, and the feature amount of the extracted component is obtained. Then, the presence or absence of an abnormality and the cause thereof are estimated from the feature amount using fuzzy inference or the like.
[0008]
In the above-described abnormal noise inspection system, the automatic determination can be performed according to a once-determined standard, and the inspection result (actual result) and the waveform data at that time can be stored in a storage device in the abnormal noise inspection system. .
[0009]
In the abnormal noise inspection system as described above, at present, the selection of the optimum feature amount and the selection of various parameters for the feature amount calculation are performed by humans based on intuition and experience. As for automation of such a problem of searching for an optimal parameter, for example, there is “an optimization processing method and apparatus using a genetic algorithm” disclosed in Patent Document 2. It is considered that the hierarchical genetic algorithm and the parallel genetic algorithm disclosed in Patent Document 2 contribute to the improvement of search accuracy in a complicated optimization problem of the genetic algorithm.
[0010]
[Patent Document 1]
JP-A-11-173909
[Patent Document 2]
JP-A-9-44465
[0011]
[Problems to be solved by the invention]
In the conventional abnormal noise inspection system disclosed in Patent Literature 1 and the like, extraction of a feature amount corresponding to the presence or absence of an abnormality and selection of various parameters for calculating the feature amount are performed by human intuition and experience. Is going.
[0012]
Therefore, selecting the presence or absence of an abnormality and the corresponding feature amount and the parameter for calculating the feature amount from the data of the abnormality determination result of more than several thousand cases requires not only experience and intuition but also a very large man-hour. Is required, which hinders automation of inspection / diagnosis work.
[0013]
Particularly in the automotive industry, for example, the trend of new car sales peaks shortly after its release, and tends to decline in a few months. Launching is also urgently needed. Therefore, it is necessary to determine the optimal parameters in the abnormal sound inspection system at an early stage, but it takes time to determine the optimal parameters based on human experience and intuition.
[0014]
In addition, when the hierarchical genetic algorithm as disclosed in Patent Document 2 is applied to the one that specifies the optimal parameters of the abnormal noise inspection system, the following problem occurs. In other words, even in a genetic algorithm having no hierarchical structure, parameters (crossover rate, mutation rate, selection method) for controlling the operation of the genetic algorithm are set by trial and error, so such a parameter is assigned to the hierarchical structure. In order to obtain a desired result, it is necessary to perform trial and error comparable to manually selecting the above-mentioned feature amounts and calculation parameters.
[0015]
Further, since the control of the genetic algorithm itself becomes complicated, it becomes difficult to incorporate a search strategy according to the properties of parameters to be searched (the influence between parameters). As a result, even if the method of Patent Document 2 is used, it is difficult to efficiently find the optimal parameters in a short period of time.
[0016]
Furthermore, there is a case where an error is included in the data of the presence or absence of an abnormality (teacher data at the time of learning: sample data) itself determined by an operator for searching for various parameters, and the error is included as such. If various parameters are searched, the search may fail, or it may take a considerable time to search for an optimal solution.
[0017]
According to the present invention, it is possible to easily search and determine an effective feature amount suitable for determining whether the inspection object is normal / abnormal in an inspection / diagnosis device and various parameters for calculating the effective feature amount. It is still another object of the present invention to provide a knowledge creation support apparatus, a parameter search method, and a program product that can accurately obtain an effective feature amount or the like in a short time even if the sample data used in the search includes ambiguity. I do.
[0018]
[Means for Solving the Problems]
A knowledge creation support apparatus according to the present invention provides an inspection / diagnosis device that determines whether an inspection object is normal or abnormal based on feature amount data obtained by performing a filtering process and a feature amount extraction process on acquired measurement data. A knowledge creation support device for obtaining an effective feature amount suitable for the inspection object in the device and various parameters for calculating the effective feature amount. A search unit that searches for various parameters for calculating the feature amount; and a plurality of feature amounts are calculated based on the various parameters searched for by the search unit for the given sample data including normal data and abnormal data. A feature calculation unit, and an evaluation unit that outputs goodness of various parameters as an evaluation value from the calculation result of the feature obtained by the feature calculation unit, and the search unit re-executes based on the evaluation result of the evaluation unit. By searching for various parameters, an effective feature value having a high evaluation value and various parameters of the effective feature value can be determined simultaneously.
[0019]
And as a method of searching for the various parameters in the evaluation unit,
(1) A method that emphasizes the degree of separation between normal and abnormal
(2) A method that emphasizes the number of feature quantities that can be separated
Can be executed alternatively,
Depending on the set search method,
(1) ′ an effective feature amount capable of separating the most normal and abnormal, and various parameters for calculating the effective feature amount;
(2) ′ a plurality of effective feature amounts for separating normal and abnormal, and various parameters for calculating the effective feature amount;
Should be able to be determined. Further, in the knowledge creation support device according to the present invention, the sample data can be abnormal data and normal data of the same abnormal type.
[0020]
In addition, the parameter search method according to the present invention is an inspection method for determining whether an inspection object is normal or abnormal based on feature amount data obtained by performing a filtering process and a feature amount extraction process on acquired measurement data. A parameter search method in a knowledge creation support device for obtaining an effective feature amount suitable for the inspection object in a diagnostic device and various parameters for calculating the effective feature amount. Then, for the given sample data including the normal data and the abnormal data, the feature value calculation unit calculates a plurality of feature values based on the set parameters, and calculates the feature value calculated by the feature value calculation unit. An evaluation value representing the goodness of the various parameters is calculated from the calculation result, the various parameters are searched again based on the calculated evaluation result, and the feature amount calculation and the evaluation value calculation are executed based on the searched various parameters. That is, the effective feature amount having a high evaluation value when the set search end condition is satisfied and various parameters of the effective feature amount are determined at the same time.
[0021]
In this case, as a method for searching for the various parameters, a first method that emphasizes the degree of separation between normal and abnormal and a second method that emphasizes the number of characteristic amounts that can be separated are prepared, and the set search method is used. By executing the first method or the second method according to
(1) ′ an effective feature amount capable of separating the most normal and abnormal, and various parameters for calculating the effective feature amount;
(2) ′ a plurality of effective feature amounts for separating normal and abnormal, and various parameters for calculating the effective feature amount;
It is good to ask for either one.
[0022]
Further, the program product according to the present invention provides an inspection / determination method for judging whether an inspection object is normal or abnormal based on feature amount data obtained by performing a filtering process and a feature amount extraction process on the acquired measurement data. The diagnostic product is a program product for obtaining an effective feature amount suitable for the inspection object and various parameters for calculating the effective feature amount. Then, for the given sample data including the normal data and the abnormal data, the feature amount calculation unit calculates a plurality of feature amounts based on the set parameters, and the feature calculated by the feature amount calculation unit. A process of calculating an evaluation value representing the goodness of the various parameters from the calculation result of the quantity, and searching for the parameters again based on the calculated evaluation values, and calculating the characteristic amount and evaluating the evaluation value based on the searched parameters. Is performed until the set search end condition is satisfied, and the effective feature amount having a high evaluation value when the search end condition is satisfied and the various parameters of the effective feature amount are simultaneously determined. I have a program part to do.
[0023]
Further, as a process of searching for the various parameters, there is a first method that emphasizes the degree of separation between normal and abnormal, and a second method that emphasizes the number of feature amounts that can be separated, according to the set search method. It is preferable to have a program portion for performing processing for executing the first method or the second method. Each of the above-described inventions is realized by the first embodiment.
ADVANTAGE OF THE INVENTION According to this invention, the selection of the feature-value of an inspection / diagnosis apparatus and the determination of various parameters of the feature-value calculation can be automated, and the man-hour for a human search can be reduced.
[0024]
In addition, the search unit applies a genetic algorithm to the individual that has coded the various parameters, executes crossover / mutation / selection operations until a desired condition is satisfied, and searches for optimal parameters. The individual genes in the coded individual may be blocked for each function, and the expression or concealment of the trait of the gene may be controlled for each block. The present invention is realized by the second embodiment.
[0025]
GA operation parameters can be set more clearly than the hierarchical genetic algorithm (GA). In addition, since each function is divided into blocks and genetic operations are performed on a block basis, a search strategy based on an influence relationship between parameters to be searched can be easily set.
[0026]
Furthermore, when a search using various parameters using all sample data satisfies a desired condition, data that can be estimated as erroneous determination is extracted from the sample data, and the data estimated as erroneous determination is determined as erroneous determination. When the evaluation value obtained when obtaining various parameters using the sample that has been regarded and reconstructed is higher than the evaluation value before the reconstruction, the data estimated as the erroneous determination is determined as the data of the erroneous determination. It is good to have a function. Such determination is performed by the erroneous determination data detection unit 18 in the embodiment. It is more preferable that the data determined to be erroneous is output to a display device or other output means, since the content can be confirmed by the user.
[0027]
Further, the reconstructing may execute at least one of a process of deleting the data estimated as the erroneous determination, a process of rearranging the sample group to a sample group having a reverse determination result, and a process of rearranging a sample group of a different determination result. can do. Further, it is preferable that the search in the search unit is performed in a state where the data determined to be erroneous is updated to correct sample data. Such an update is performed by the erroneous determination data filter unit 19 in the embodiment.
[0028]
According to the present invention, even if an error is included in sample data created by a person to determine examination / diagnosis conditions, it can be deleted as an error candidate or incorporated into a reverse decision, so that a search based on data error can be performed. Failure and prolonged operation can be prevented. Also, by presenting the error candidate to the user, the user's determination can be verified. In other words, the “effective feature amount” and “various parameters for calculating the effective feature amount” can be easily and simultaneously obtained from the pass / fail judgment data (sample data) of the person including the ambiguity.
[0029]
The “inspection / diagnosis device” is an abnormal sound inspection system (device) in the embodiment, but the present invention is not limited to this, and may be an inspection / diagnosis device for vibration and other waveform signals. Further, the present invention can be applied to various equipment maintenance / inspection devices and the like irrespective of these waveform signals, and can determine parameters and the like of a measurement quantity method related thereto.
[0030]
BEST MODE FOR CARRYING OUT THE INVENTION
First, prior to describing each embodiment, a brief description will be given of an abnormal sound inspection system (waveform inspection system) for which feature amounts and parameters are set in the present embodiment. After performing pre-processing by a filter on the waveform data obtained in step 2, a plurality of predetermined feature values are extracted, and a comprehensive feature value is obtained from the extracted feature values by using effective ones. The basic configuration is to make an uncertain decision. Several types of filters such as a band-pass filter, a low-pass filter, and a high-pass filter are prepared, and a large number (for example, 40 types) of feature amounts to be extracted are prepared. Pre-processing, feature amounts, and the like that are effective for determining the quality of the inspection target are determined. Therefore, if a feature that is not very effective is known in advance, the process of finding such an ineffective feature is useless. Therefore, in the present invention, a characteristic amount or the like suitable for an inspection target is obtained and set in the abnormal noise inspection system. Further, for each feature amount, although the calculation method is determined, by changing the parameter, the value of the obtained feature amount and eventually the determination result also change. In other words, even if the feature amount is originally valid, an erroneous determination may be made if the parameter to be set is wrong.
[0031]
Therefore, conventionally, a simple analysis of an object is performed by trial and error by a human based on sample data, and a feature amount that is likely to be effective in determining the quality of the object is obtained. Furthermore, based on the thousands of sample data (including the result of the judgment of good / defective products), which filter is finally used as preprocessing, how many parameters of the filter are used, and which feature amount is used. The human decides effective setting conditions by trial and error on how many parameters of the feature amount are to be set. From this, the effective feature amount and the like can be known, and in the actual abnormal noise inspection system, by setting only the effective feature amount, parameters, and the like, it is possible to efficiently perform the good / bad judgment in a short time.
[0032]
In the present invention, the above-described effective feature amount and various parameters of the feature amount are automatically determined based on the sample data including the result of the determination of the non-defective / defective product (this determination may be made by a human). This is a device that can be searched. FIG. 1 shows a first embodiment of the present invention. As shown in FIG. 1, input data to the present apparatus include sensor data 1, an inspection result file 2, a default inspection condition file 3, and various types of information provided via the input device 4.
[0033]
The sensor data 1 is data obtained by sensing vibration or sound generated in the inspection / diagnosis target. In this method, waveform data of generated sound, that is, measured data is recorded in a file, and one file is generated for each measurement. That is, it is an actual output waveform detected using a microphone or a vibration sensor. Each file is given an independent file name.
[0034]
The inspection result file 2 is a file in which actual determination results of normal / abnormal for each data of each sensor data file 1 are described in advance. Information on the type of abnormality (name or abnormality code) is further added to the abnormality data. FIG. 2 shows an example of a specific data structure. The normality / abnormality can be determined by an inspector (person) or can be created / corrected based on the subsequent target abnormality information. The data of the sensor data 1 and the inspection result file 2 described above become sample data.
[0035]
The default inspection condition file 3 is a file in which initial setting values of various parameters to be searched at the start of the search are described, and a feature amount value is calculated based on the inspection conditions. When a person searches for various parameters, the search is started with the inspection conditions as defaults.
[0036]
The input device 4 is a part where a person inputs each parameter of the search, and a keyboard, a mouse, and other various input devices can be used. And the specific information to be entered is
(1) Input file information (inspection results file name, sensor data storage location)
(2) Search end condition (a) Evaluation value threshold exceeded, (b) Evaluation value saturation, (c) Designated search time (generation), etc.
(3) Search method (a) Separation degree priority, (b) Separation number priority
and so on.
[0037]
The internal devices include a search result file reading unit 11, a feature calculation unit 12, an evaluation unit 13, a search condition setting unit 14, a parameter search unit 15, a search end condition determination unit 16, and an inspection condition output unit 17. It has. The specific functions of each processing unit are as follows.
[0038]
First, the search condition setting unit 14 receives inputs such as a search method (separation degree / separation number), a search end condition, and search means (GA, NN, brute force, SVM) from the input device 4, and receives a corresponding processing unit. Set to
[0039]
Then, the inspection result file reading unit 11 acquires each piece of information input from the sensor data 1 and the inspection result file 2. That is, the inspection result (normal / abnormal judgment: OK / NG) described in the inspection result file 2 is associated with the file name, and the inspection result OK and NG files are read. Here, information once dropped into a file, such as sensor data and an inspection result file, is used, but the inspection result can also be input from an input unit or another external device every time measurement is performed. In addition, the sensor data 1 can also be input directly without using a file and stored internally.
[0040]
The data acquired by the inspection result file reading unit 11 is passed to the feature amount calculation unit 12 at the next stage. The data of the default inspection condition file 3 is also given to the feature amount calculation unit 12. The feature value calculation unit 12 updates various parameters of the inspection condition file according to the search result of the parameter search unit 15 and performs a feature value calculation for each waveform data file. Then, at the beginning of the process in which the data searched by the parameter search unit 15 does not exist, the feature amount is obtained based on the default value acquired from the default inspection condition file 3. Then, the obtained feature amount is passed to the evaluation unit 13.
[0041]
The evaluation unit 13 calculates the goodness of various parameters from the results of a plurality of feature quantity calculations for each waveform data file using an evaluation formula described later, and extracts a feature quantity name that can be used to separate good or bad based on the obtained evaluation value. . The evaluation formula to be used differs depending on the specification of the search method. Further, the number of feature amounts to be extracted also differs depending on the specification of the search method. The search method is provided from the search condition setting unit 14.
[0042]
The parameter search unit 15 searches various parameters for feature value calculation that can best separate good (OK) products and defective (NG) products based on each parameter in the inspection condition file. There are various search methods such as GA (Genetic Algorithm), NN (Neural Network), SVM (Support Vector Machine), and brute force. Then, various parameters and feature quantity names having the highest evaluation values are held.
[0043]
The search termination condition determination unit 16 acquires the evaluation value from the evaluation unit 13 and determines whether or not the search termination condition given from the input device 4 has been satisfied. When the search termination condition is satisfied, the search completion is notified to the parameter search unit 15.
[0044]
The parameter search unit 15 outputs the best parameters searched by the parameter search unit 15 to the inspection condition file, obtains a feature amount name that separates the best or bad, and passes it to the search condition output unit 17. Then, the search condition output unit 17 outputs the best parameters given from the parameter search unit 15 and the feature amount name for separating the best or bad.
[0045]
On the other hand, the output data output from the search condition output unit 17 includes an effective feature amount name for designating a feature amount that best separates normal / abnormal (OK / NG, pass / fail) of sensor data, and the effective feature amount. There is an inspection condition file which is a file storing various parameters for calculation. The effective feature quantity name is presented from the top n (n is a positive integer including 1).
[0046]
Next, a detailed function of each processing unit will be described as appropriate while explaining the operation principle of the above-described apparatus. The overall processing algorithm is as shown in the flowchart of FIG.
[0047]
That is, first, when the search condition setting unit 14 receives a search condition from the input device 4, the search condition setting unit 14 gives the received search condition to a related processing unit (ST1). Various algorithms can be applied to the parameter search. Search conditions given by the user when a genetic algorithm is used include the following.
[0048]
First, parameters defining the operation of the genetic algorithm include the number of individuals, the crossover rate, the mutation rate, and the number of generations. The number of individuals is the number of individual individuals (solution candidates) used for the search. In addition, the crossover rate is a probability that individual individuals are crossed. The mutation rate is the probability of mutating a gene in an individual individual. The number of generations is the number of generations to which the genetic algorithm is applied. Further, as a parameter (searching method) that defines the search method, there is a selection between importance on the degree of separation and importance on the number of separations. Further, as parameters (terminating conditions) defining the search terminating conditions, (1) the point in time when the number of generations of the genetic algorithm is reached and (2) the evaluation value (formula (2) or (2) ′ described later) There are a point in time when the value exceeds a certain value and a point in time when the number of generations having the same evaluation value (3) exceeds a certain number of generations. When at least one is included, it can be determined that the search condition is satisfied. .
[0049]
Then, the inspection result file reading unit 11 acquires the inspection result file name and the sensor data file directory to be collected from the search condition setting unit 14, and reads the file having the file name described in the inspection result file. After the reading, the OK / NG information of the inspection result file 2 is associated with the sensor data file name (ST2).
[0050]
Next, sensor data files of NG products are totaled for each NG type (abnormal type) (ST3). That is, as shown in FIG. 2, in the inspection result file, since the data file whose determination result is NG (abnormal) is registered in association with the type of the abnormality, the files having the same abnormal type are registered. Group. Each time it is called, a set of all OK product sensor data files and a single NG type sensor data file (the same abnormal type sensor data file) is created.
[0051]
After that, the parameter search unit 15 acquires a default parameter via the feature value calculation unit 12, and searches for the parameter (ST4). Then, the parameters obtained as a result of the search are passed to the feature value calculator 12.
[0052]
Next, based on the parameters received from the parameter search unit 15, the characteristic amount calculation unit 12 calculates various characteristic amounts as disclosed in, for example, Japanese Patent Application Laid-Open No. H11-173909 (ST5). This calculation is performed on all the OK sensor data selected in step 3 and data of a certain type of NG file, and sends the calculated value (feature amount) to the evaluation unit 13.
[0053]
The evaluation unit 13 totals the calculation result of the feature amount, the OK product, and the NG product, and calculates an evaluation value for each feature number shown in Expression (1). Then, when the degree of separation is specified as the search type, the evaluation value Val is determined by Expression (2). If the number of separations priority is specified, the evaluation value Val is determined by equation (2) ′.
[0054]
That is, first, an evaluation value for each feature value is obtained using Expression (1). Here, the coefficient α is determined when the average of sensor data (hereinafter referred to as “OK product”) which is OK in the inspection result file is smaller than the average of sensor data (hereinafter referred to as “NG product”) which is NG in the inspection result file. This is a coefficient for increasing the value when a product is detected at a high value. On the other hand, the count β is a coefficient for adding points when the group of OK products and the group of NG products are completely separated. Expression (1) is one example, and another expression may be used.
[0055]

However
OKAven: Average value of characteristic quantity n of OK product
OKσn: Variance of feature quantity n of OK product
NGaven: Average value of characteristic amount n of NG product
NGσn: Variance of feature amount n of NG product
OKMinn, OKMaxn: maximum and minimum values of OK product feature quantity n
NGMinn, NGMaxn: maximum and minimum values of NG product feature quantity n
n: 0-number of features -1
[0056]
The final evaluation value Val is obtained as follows. That is, for the evaluation value Val, the expression (2) and the expression (2) ′ are selectively used depending on the search method specified by the user. Equation (2) is used when the search method is prioritized by the degree of separation, and Equation (2) ′ is used when the search method is prioritized by the number of separations. Equation (2) 'is an equation using the top two evaluation values Vn, but may be a weighted average of any higher evaluation values.
[0057]
Val = Vm (2)
Vm: MAX (Vn: n = 0 to number of features -1)
Val = (w * Vm + (1-w) * Vk) / 1 (2) '
Vm: MAX (Vn: n = 0 to number of features -1)
Vk: MAX (Vn: n = 0 to the number of features -1 and excluding m)
w: 0.0 to 1.0 (weight set by user)
[0058]
When the evaluation value is obtained based on each of the above expressions, the search end condition determination unit 16 checks whether the search end condition is satisfied (ST7). The search end condition is set by the search condition setting unit 14 by executing step 1, and includes, for example, a case where the evaluation value has reached a level equal to or higher than an integrated level or a case where the number of generations has reached a certain value. is there. If the search termination condition has not been reached, the process proceeds to step 8, where the best solution is stored. That is, the parameter search unit 15 receives the evaluation values from the evaluation unit 13, and if the current evaluation values of the various parameters are the maximum, updates the maximum evaluation values and holds the current parameters as the best solution candidates.
[0059]
Further, the parameter search unit 15 searches for the following various parameters based on the evaluation value, and passes the search result to the feature value calculation unit 12 (ST9). Thereafter, the process returns to step S5, and the feature value calculation unit 12 calculates the feature value based on the new parameters.
[0060]
Here, the function of the parameter search unit 15 will be described. FIG. 4 shows an example of coding of an individual individual when a genetic algorithm is used for the parameter search unit 15. The value of each gene in this coding corresponds to the table index in FIGS. 5 and 6, respectively. Here, the feature amount is a value obtained by averaging the L-th to F-th frequency spectrum peaks defined by KL_x with respect to the frequency spectrum peak of the FFT in the frequency range from FFT_Lx to FFTx_H.
[0061]
Therefore, for example, when x = 2, FFT2_L (FFT lower limit frequency) and FFT2_H (FFT upper limit frequency) indicate that the FFT frequency spectrum between 79 Hz and 140 Hz is calculated as a feature amount. KL_2 means that the first five frequency spectrum peaks obtained by FFT2_L and FFT2_H are averaged.
[0062]
Similarly, in the case of x = 1, since FFT1_L and FFT1_H are the same 0, it means that an FFT frequency spectrum between 20 and 28 Hz is obtained and the first five frequency spectrum peaks obtained are averaged. .
[0063]
A large number of individual individuals of the coded gene as described above are randomly generated as an initial group, and selection and selection are performed using a genetic algorithm, and by performing crossover and mutation operations as appropriate, parameters that are optimal solutions are obtained. Explore. The parameter search unit 15 performs a genetic operation such as selection and selection, crossover, and mutation in the genetic algorithm to generate a new generation of genes (various parameters).
[0064]
A generally used algorithm can be applied to the genetic algorithm used. That is, an initial (zero generation) group is generated based on the operating conditions (number of individuals, number of generations, etc.) set by the search condition setting unit 14. Then, based on the various parameters set in this way, the characteristic amount calculation unit 12 obtains the characteristic amount, and the evaluation unit 13 evaluates the characteristic amount.
[0065]
Next, two excellent individuals are selected from the current population. This selection is to ensure that individuals that are suitable for the environment survive, and individuals with high evaluation values have a high probability of surviving. In the present embodiment, the individual (parent) selection method employs a roulette method. The roulette method is a method in which the probability of being selected is proportional to the evaluation value of the individual. Specifically, assuming that an index for identifying an individual is 0 to n and an evaluation value of the individual i is fit (i), an individual j that satisfies the following equation is selected.
[0066]
(Equation 1)

[0067]
That is, a numerical value (T_val) smaller than the total sum of the evaluation values is randomly generated. Next, the evaluation values are added in index order, and an individual having an index exceeding T_val is selected.
[0068]
If it is equal to or greater than the crossover probability, crossover is performed. That is, two new individuals (children) are generated from the two individuals (parents) selected as described above. As a crossover method, a two-point crossover is adopted. That is, as shown in FIG. 7A, the crossover position is determined at random and the data of the crossover position is exchanged with each other. Since the new individual thus generated is generated from two excellent parents, it can be estimated that the new individual inherits the excellent traits of the parent.
[0069]
If the mutation rate is higher than the mutation rate, the individual is mutated. Mutation is an operation that causes a trait not possessed by a parent individual to occur in a child individual. That is, as shown in FIG. 7 (b), the value of the gene at the mutation location determined at random is replaced with a mutation value determined at random. The mutation value is randomly generated within the range of the upper and lower limits of the selected gene. That is, in the example shown in FIG. 4, the tenth from the beginning for specifying the FFT frequency parameter is determined within the range of 0 to 15, and the last five for specifying the peak position table are in the range of 0 to 4. Is determined within.
[0070]
Then, the two individuals with the lowest evaluation values are selected and replaced with new individuals generated by the above-mentioned crossover or mutation. Thereby, the generation is changed. The above processing is performed on all the individuals. Then, the best individual can be determined by repeating the above-described generation alternation an appropriate number of times.
[0071]
In other words, in the search for one NG type (ST4 to ST9), the m-th feature amount corresponding to Vm when the maximum Val is obtained as the operation value is the feature amount that best separates the OK product and the NG product. It becomes. When the equation (2) 'is selected, the feature quantities corresponding to Vm and Vk when the maximum Val is obtained as the operation value are the feature quantities TOP1 and TOP2 which are the best separating the OK product and the NG product. Corresponds to.
[0072]
On the other hand, if the result of the branch determination in step 7 is Yes, the parameter search is terminated, and the search condition output unit 17 outputs the feature value having the highest evaluation value as a result of the search and various parameters for calculating the feature value. (ST10). The output data can be printed out, displayed on a display device, or recorded and held in a predetermined storage medium. Further, parameters and the like may be directly set in the abnormal noise inspection system.
[0073]
Since the feature amount and the parameter for determining the presence or absence of abnormal noise are different for each abnormal type, the above-described processing is performed for each abnormal type. Therefore, it is checked whether or not the search has been completed for all the abnormal types (ST11). If the search has not been completed, the process returns to step 4 and the process for the next abnormal type is performed. If the search has been performed for all the abnormal types, the search operation ends.
[0074]
According to the present embodiment, by searching various parameters for calculating a plurality of effective feature amount candidates based on an evaluation function, an effective feature amount and various parameters for calculating the feature amount are obtained. Can be found at the same time. Therefore, it is possible to reduce the number of man-hours conventionally required for an analyst to spend a large amount of time based on intuition and experience.
[0075]
Further, depending on the types, there is a case where the pass / fail (OK / NG, normal / abnormal) cannot be identified by only one effective feature amount. In such a case, the search may fail in a search method that separates only a single feature amount. Therefore, there are two search methods (evaluation method): (1) a method for searching for a feature value that separates the best product from the defective product, and (2) a method for searching for a plurality of feature values for separating the good product and the defective product. By making equations (2) and (2) ′) selectable, it is possible to cope with both cases where only a single effective feature is required and cases where a plurality of effective features are required.
[0076]
FIG. 8 et seq. Show a second embodiment of the present invention. In the feature value calculation in the abnormal noise inspection system, various parameters for calculating the feature value obtained in the steps of “filter processing” → “feature extraction” → “final feature value calculation” as shown in FIG. When trying to find it, coding of the gene as shown in FIG.
[0077]
Crossover and mutation operations can be performed on individuals coded as described above using a simple genetic algorithm to search for parameters. However, in the feature amount calculation as shown in FIG. 8, there is a case where the parameter of the filter processing affects the parameter of the feature extraction, and the parameter of the feature amount extraction affects the parameter of the integrated feature amount calculation. As described above, when various parameters that are not independent from each other are obtained, simply using a genetic algorithm may cause the following problem.
[0078]
{Circle around (1)} Since the parameters are interdependent, it may take time for the search to converge. {Circle over (2)} It may be more efficient to fix some parameters than to search all at random, but such control cannot be performed with a simple GA. {Circle around (3)} Hierarchical GAs and parallel GAs, which are said to be able to cope with complicated cases, have difficulty in controlling the GA operation itself and require a lot of trial and error to obtain an optimal operation state.
[0079]
Therefore, in the present embodiment, in order to solve the above three problems, mechanisms such as “hiding / expressing a genetic trait for each block”, “block crossover”, and “block mutation” have been introduced for a simple GA. . That is, the coding of the gene is blocked for each function. As an example, in the case of the coding example shown in FIG. 9, as shown in FIG. 10, the coding is divided into a first block corresponding to a filter process, a second block for obtaining a feature, and a third block for obtaining an integrated feature. Can be. Each block controlled concealment / expression of the trait on a block basis. That is, blocks with the trait concealed are not affected by crossover and mutation. Also, a fixed value is returned as a decoded value at the time of decoding regardless of the value of the gene in the block. This fixed decode value may be a default value or a value specified by the user. Then, the block in which the trait is in the expression state is processed by a normal genetic algorithm.
[0080]
The expression / concealment of the trait for each block is specified by the user as a search condition by operating the input device 4. Specifically, the user specifies one of the following items for each block.
(1) Constant expression (same as normal GA)
(2) Generation number expression (expressed when the specified number of generations is reached, concealed until then)
(3) Appears when the evaluation value exceeds a certain value
(4) Appears when saturation of the evaluation value is detected (saturation occurs when the evaluation value does not change for a certain generation or more)
[0081]
Then, genetic operations such as selection and selection, crossover, and mutation in the genetic algorithm performed by the parameter search unit 15 are performed in block units. That is, in the block unit crossover, as shown in FIG. 11A, the inside of the block is regarded as one individual, the crossover position is randomly generated in the block, and the crossover is performed between the individuals. At this time, the blocks whose traits are hidden do not cross.
[0082]
In addition, as shown in FIG. 11B, in the block unit mutation, the mutation is performed by regarding one individual in the block. In addition, the block in which the trait is in a concealed state (described later) does not perform mutation.
[0083]
As described above, the setting of the expression / concealment of the genetic trait for each block and the introduction of the block unit crossover and the block unit mutation enable a flexible search. That is, for example, if it is set that the block 1 is always expressed, the block 2 is expressed after 10 generations, and the block 3 is expressed after the evaluation value is saturated, “filter processing” → “feature extraction” → “integrated feature calculation” In the order of "." If all the blocks are always expressed, a wide area search can be performed in the same manner as a normal GA. In this way, the interdependency of the parameters of the feature calculation can be included in the search strategy.
[0084]
Then, the parameter search unit 15 for performing such processing can be configured, for example, as shown in FIG. As shown in FIG. 12, the parameter search unit 15 in the present embodiment includes a genetic operation control unit 15a, a genetic operation unit 15b, and a coding / decoding unit 15c.
[0085]
The genetic operation control unit 15a controls each block based on the setting of the user. Specifically, the genetic operation control unit 15a monitors the timing of expression / concealment of the trait for each block, and the genetic operation unit 15b The permission / non-permission of the genetic operation of each block is output as operation control information. Also, it outputs decode control to the coding / decoding unit 15c.
[0086]
The genetic operation unit 15b performs a genetic operation such as crossover / selection / mutation. This function is also provided in the first embodiment. However, the difference is that the genetic operation is performed in block units. Further, according to the instruction from the genetic operation control unit 15a, the block to be concealed does not perform the genetic operation.
[0087]
The coding / decoding unit 15c decodes the solid (performed based on the lists as shown in FIGS. 5 and 6) and converts the decoded data into various parameters for calculating the feature amount. Under the control of the genetic operation control unit 15a, the block to be concealed is decoded into a specified default value or a value specified by the user.
[0088]
Then, the function of the parameter search unit 15 including the above-described processing units 15a to 15c executes the flowchart shown in FIG. The flowchart shown in FIG. 12 corresponds to the specific processing of step 9 in the main flowchart shown in FIG. Therefore, after this process, the process jumps to step 5.
[0089]
First, based on search conditions input by the user operating the input device 4, information on the expression / concealment of each block is set. Further, a search end condition is set (ST31). These processes are performed by the genetic operation control unit 15a.
[0090]
The genetic operation control unit 15a checks whether the set search end condition is satisfied (ST32). If the condition is satisfied, the process ends, and the process returns to the main flow. If the condition is not satisfied, the genetic operation control unit 15a selects two individuals (parents) from the population. The selection criteria are the same as in the first embodiment.
[0091]
Next, the genetic operation unit 15b calculates the crossover probability for the selected individual, and if the crossover ratio is equal to or higher than the specified crossover ratio, the two individuals are crossed over in block units to generate two new individuals (children). However, blocks where the trait is hidden do not cross. The information on the concealment / expression of the trait is obtained from the genetic operation control unit 15a (ST34, ST35).
[0092]
In addition, the genetic operation unit 15b calculates the mutation probability for the selected individual, and if the mutation rate is equal to or higher than the mutation rate, performs the mutation in block units. However, the block in which the trait is hidden is not mutated. The information on the concealment / expression of the trait is obtained from the genetic operation control unit 15a. Then, the mutation operation is performed for each individual (ST36, 37).
[0093]
The coding / decoding unit 15c decodes each individual into various parameter formats for calculating a feature amount. At this time, the block in which the trait is hidden does not decode the gene directly, but decodes the block to a default value or a specified value set by the user. The information on the concealment / expression of the trait is obtained from the genetic operation control unit 15a (ST38).
[0094]
Next, individual evaluation is performed (ST39). That is, the decoded evaluation value of each individual is obtained from the evaluation unit 13. If the evaluation value is the maximum, the individual having the evaluation value and the maximum evaluation value is held (ST40).
[0095]
It is determined whether the processing has been completed for all individuals (ST41). Then, when there is an unprocessed individual, the processing of steps 33 to 41 described above is executed. In this way, one generation ends when the processing of steps 33 to 41 is repeated for all individuals in the group.
[0096]
Each time one generation of processing is completed, the genetic operation control unit 15a checks whether the concealment / expression condition for each block has been reached. If the condition specified by the user has been reached, the concealment / expression for each block has been performed. The expression condition is updated (ST42).
[0097]
In the present embodiment, since a mechanism of concealment / expression of a genetic trait for each block, block crossover, and block mutation is introduced into a search using a genetic algorithm, the properties (interdependence, etc.) of various parameters to be searched are changed. A corresponding intentional search can be easily incorporated, and as a result, search efficiency can be improved. Note that the other configuration and operation and effect are the same as those of the above-described first embodiment, and a description thereof will not be repeated.
[0098]
FIG. 14 shows a third embodiment of the present invention. In each of the first and second embodiments described above, the waveform data in which the inspection result file describes OK (good / normal) and NG (defective / abnormal) can be separated into OK and NG as they are. Various parameters for calculating the feature amount are obtained. This is based on the premise that the determination of OK and NG described in the inspection result file 2 is correct. However, since it is a person who determines OK and NG from the waveform data on which the inspection result file is based, an error may be included in the OK / NG determination.
[0099]
Therefore, when a feature amount and various parameters for calculating the feature amount are searched for while including an error, the search may fail or it may take a long time to complete the search. Therefore, in the present embodiment, a determination result (OK / NG) suspected of erroneous determination by the user is detected, and data suspected of erroneous determination is deleted, or reevaluation is performed with the determination result changed. In this way, it is possible to determine whether or not an erroneous determination has been made, and in the case of an erroneous determination, correct the correction to realize an efficient parameter search. Furthermore, a function of presenting to the user the data file name that the user has presumed to have made an erroneous determination is added, so that the user can reconsider.
[0100]
As a specific device configuration for realizing such a function, as shown in FIG. 14, the configuration of the first embodiment is basically used. Unit 19 and an erroneous determination candidate display unit 20 are added.
[0101]
Here, the erroneous determination data detection unit 18 extracts sensor data of erroneous determination candidates from the start condition specified by the user until the end condition is satisfied. If the evaluation value is improved as a result of treating the erroneous determination data as specified by the user (described later), the erroneous determination candidate is determined to be an erroneous determination, and is notified to the erroneous determination data filter unit 19.
[0102]
Here, the detection start condition and the end condition of the erroneous determination candidate are designated by the user from the input device 4. The detection start conditions that can be specified are:
(1) When a certain number of generations (for GA) or a certain time (number of times) have passed
(2) When the improvement of the evaluation value stops for a certain generation (number / time)
(3) Do not execute
There is.
[0103]
In addition, the detection termination condition of the erroneous determination includes:
(1) When the search reaches the end generation (GA) / time / number of times (synchronous with the end of search)
(2) When the number of detected and determined erroneous determination candidates reaches a% of the total number of data files (a% can be arbitrarily set by the user).
There is.
[0104]
The misjudgment data filter unit 19 processes the misjudgment data candidates detected by the misjudgment data detection unit 18 according to a user instruction. As a user instruction,
(1) Put the erroneous judgment candidate in the judgment group opposite (or different) from the current judgment
(2) Remove false judgment candidates
There is. In other words, it has a function of performing a specified filter process on the data of the inspection result file or the like acquired by the inspection result file reading unit 11 and passing the data to the feature amount calculating unit 12.
[0105]
The misjudgment candidate display section 20 displays to the user the misjudgment data file name output by the misjudgment data filter section 19 and how the file was processed ((1) / (2) above). is there.
[0106]
The processing algorithm according to the present embodiment is as shown in FIG. The flowchart shown in FIG. 15 shows a characteristic portion of the present embodiment, and processes before and after the illustration are omitted are the same as those shown in FIG. Explaining only the characteristic points, after executing the storing process of the best solution in Step 8, an erroneous determination candidate selecting process is performed (ST50).
[0107]
In the erroneous determination candidate selection process, first, the erroneous determination data detection unit 18 measures the number of generations / time / number of searches in which the evaluation value of the best solution does not change (ST51). Next, it is determined whether the process of extracting the erroneous determination candidate can be performed (ST52). The start to end period of the erroneous determination candidate is as described above. If the condition is not satisfied, it can be estimated that there is no misjudgment, and the process proceeds to the parameter search in step 9. If the condition is satisfied, the process proceeds to an erroneous determination candidate extraction process.
[0108]
That is, a feature amount having the highest degree of separation (Vm in equation (2)) as the best solution is selected (ST53). Then, for the characteristic amount m specified in the step 53, the average value (OKAven) of the characteristic amount m of the OK product and the variance (OKσn) of the characteristic amount m of the OK product are obtained. Then, among the sensor data determined to be OK (normal / non-defective), those having a feature amount larger than OKAven + 3 * OKσ are extracted. At this time, if there are a plurality, the largest one is extracted. Then, the extracted sensor data is set as an erroneous determination candidate (ST54).
[0109]
The sensor data of the erroneous determination candidate is processed according to the processing method designated by the user (removal / reverse determination), and the evaluation value is calculated again. An evaluation value (formula (2) or formula (2) ′) is calculated from the feature values of the OK product and the NG product (ST55). Then, it is determined whether or not the evaluation value has improved (ST56). At this time, if the evaluation value has not been improved, it can not be said that it is an erroneous determination, so the process jumps to step 9 without doing anything and performs a parameter search for the next evaluation.
[0110]
On the other hand, if it is improved, the erroneous determination candidate is determined to be erroneous determination, and the erroneous determination data filter unit 19 is notified of the erroneous determination candidate. Subsequently, an erroneous determination candidate process is performed (ST60). Specifically, first, the erroneous determination data filter unit 19 processes the sensor data that is a candidate for erroneous determination according to the setting of the user so that the sensor data becomes valid in the subsequent parameter search. At this time, if the removal is specified, the sensor data file of the erroneously determined candidate is not used in the subsequent search. When the reverse determination is incorporated, the reverse determination is made in the evaluation value calculation of the subsequent parameter search. That is, the information of the inspection result file is updated (ST61).
[0111]
Next, the sensor data file name and the processing (removal / incorporation into the reverse group) of the erroneous determination candidate are displayed to the user (ST62). Note that the other configurations, functions, and effects are the same as those of the above-described embodiments, and thus description thereof is omitted.
[0112]
According to the present embodiment, for example, it is assumed that the feature amount before the erroneous determination is extracted is as shown in FIG. Here, the horizontal axis is the data file name, and the vertical axis is the value of the feature amount. "OK5", which is data of a non-defective product (OK product) determined by a human, is determined to be NG, and is replaced with data "NG4" of the opposite defective product (NG product) to recalculate feature values and evaluate. When the value is obtained, the result is as shown in FIG. As described above, even when the same feature amount and various parameters are used, the evaluation value improves from 29 before erroneous determination extraction to 1492 after erroneous determination extraction.
[0113]
As described above, in the present embodiment, by removing data that can be statistically estimated to be erroneous determination and incorporating it into a reverse (or another) determination group, the risk of search accuracy and search efficiency reduction due to human erroneous determination is increased. Can be reduced. Also, by presenting a result as shown in FIG. 16 to the user as a display of the erroneous determination candidate, the user can be given an opportunity to review the data.
[0114]
In the above-described embodiment, an erroneous determination candidate is searched for only the OK side. However, the present invention is not limited to this. For example, an NG side erroneous determination candidate may be extracted, or both the OK side and the NG side may be extracted. Can be extracted.
[0115]
Further, in the present embodiment, the detection of the erroneous determination candidate is set to be larger than OKAven + 3 * OKσ. However, in order to adjust the severity of the erroneous determination candidate detection, it is set to be larger than OKAven + q * OKσ, and q Can be specified.
[0116]
Further, in consideration of the case where the variance of the values of the OK group and the NG group is not unimodal, it is possible to arbitrarily set an expression for detecting an erroneous determination. Furthermore, in the present embodiment, the extraction of the erroneous judgment candidate and the erroneous judgment candidate processing are automatically performed. However, the extracted erroneous judgment candidate is presented to the user, and the interactive processing for the user to select the subsequent processing is performed. An interface can also be used.
[0117]
Further, when the data of the erroneous determination candidate is an NG product, it can be put in a group of a different NG type instead of being put in the OK sample side. In this case, if the search for various parameters for the NG type to which the NG product has been added has been completed, the accuracy of the search result can be improved by executing the search again.
[0118]
Each of the processing units described above can be realized by an application program. Therefore, in each of the above-described embodiments, each function is described as an apparatus formed by being mounted on a computer or the like. However, the present invention is not limited to such an apparatus, and software for realizing necessary processing functions is not limited to such an apparatus. (Program product). The program product can be distributed using various communication lines, or can be stored in various recording media and distributed.
[0119]
【The invention's effect】
As described above, according to the present invention, an effective feature amount suitable for determining whether the inspection target is normal / abnormal in the inspection / diagnosis apparatus and various parameters for calculating the effective feature amount are easily searched and determined. can do.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a first embodiment of the present invention.
FIG. 2 is a diagram illustrating a data configuration of an inspection result file.
FIG. 3 is a flowchart illustrating a function (operation principle) of the first embodiment.
FIG. 4 is a diagram illustrating an example of coding.
FIG. 5 is an example of a table index indicating a value of each gene in coding.
FIG. 6 is an example of a table index indicating a value of each gene in coding.
FIG. 7A is a diagram illustrating crossover.
(B) is a diagram illustrating a mutation.
FIG. 8 is a diagram illustrating an example of a feature amount calculation in the abnormal noise inspection system.
FIG. 9 is a diagram illustrating an example of coding used in the second embodiment of the present invention.
FIG. 10 is a diagram illustrating coding blocking used in the second embodiment of the present invention.
FIG. 11A is a diagram illustrating block unit crossover.
(B) is a figure explaining a block unit mutation.
FIG. 12 is a block diagram showing a main part of a second embodiment of the present invention.
FIG. 13 is a flowchart illustrating a main part function (operation principle) of the second embodiment.
FIG. 14 is a block diagram showing a third embodiment of the present invention.
FIG. 15 is a flowchart illustrating a main part function (operation principle) of the third embodiment.
FIG. 16 is a diagram illustrating the operation of the third embodiment.
[Explanation of symbols]
1 Sensor data
2 Inspection results file
3 Default inspection condition file
4 Input device
11 Inspection result file reading unit
12 Feature calculation unit
13 Evaluation section
14 Search condition setting section
15 Parameter search unit
15a Genetic operation control unit
15b Genetic operation unit
15c coding / decoding unit
16 Search end condition judgment unit
17 Inspection condition output section
18 Misjudgment data detector
19 Misjudgment data filter section
20 Misjudgment candidate display section

Claims

Based on the feature data obtained by performing a filtering process and a feature extraction process on the acquired measurement data, the inspection / diagnosis device that determines whether the inspection target is normal or abnormal is suitable for the inspection target. An effective feature quantity, a knowledge creation support device for obtaining various parameters for calculating the effective feature quantity,
A search unit that searches for various parameters for calculating a feature amount;
For a given sample data including normal data and abnormal data, a feature amount calculation unit that calculates a plurality of feature amounts based on various parameters searched by the search unit,
An evaluation unit that outputs goodness of various parameters as an evaluation value from a calculation result of the feature amount obtained by the feature amount calculation unit,
The search unit searches for various parameters again based on the evaluation result of the evaluation unit, so that an effective feature amount having a high evaluation value and various parameters of the effective feature amount can be simultaneously determined. A knowledge creation support device that is a feature.

As a method of searching for the various parameters in the evaluation unit,
(1) A method emphasizing the degree of separation between normal and abnormal and (2) a method emphasizing the number of feature amounts that can be separated can be selectively executed.
Depending on the set search method,
(1) ′ an effective feature amount capable of separating the most normal and abnormal, and various parameters for calculating the effective feature amount;
(2) ′ a plurality of effective feature amounts for separating normal and abnormal, and various parameters for calculating the effective feature amount;
The knowledge creation support device according to claim 1, wherein any one of the following can be obtained.

The knowledge creation support device according to claim 1, wherein the sample data is abnormal data of the same abnormal type and normal data.

The search unit is a unit that applies a genetic algorithm to an individual who has coded the parameters, executes crossover / mutation / selection operations until a desired condition is satisfied, and searches for optimal parameters. ,
The individual gene in the coded individual is blocked for each function, and the expression or concealment of the trait of the gene is controlled in units of the block, The gene according to any one of claims 1 to 3, wherein Knowledge creation support device.

When a search using various parameters using all sample data satisfies a desired condition, data that can be estimated as erroneous determination is extracted from the sample data, and the data estimated as erroneous determination is regarded as erroneous determination and re-determined. When the evaluation value obtained when various parameters are obtained using the configured sample is higher than the evaluation value before reconstruction, the data estimated as the erroneous determination is provided with a function of determining the data as the erroneous determination. The knowledge creation support device according to any one of claims 1 to 4, wherein:

The reconstruction is configured to execute at least one of a process of deleting the data estimated as the erroneous determination, a process of rearranging the sample group to a sample group having an opposite determination result, and a process of rearranging a sample group having a different determination result. The knowledge creation support device according to claim 5, wherein:

The knowledge creation support device according to claim 5, wherein the search unit executes a search in a state where the data determined to be erroneous is updated to correct sample data.

Based on the feature data obtained by performing a filtering process and a feature extraction process on the acquired measurement data, the inspection / diagnosis device that determines whether the inspection target is normal or abnormal is suitable for the inspection target. A parameter search method in a knowledge creation support device for obtaining an effective feature amount and various parameters for calculating the effective feature amount,
For the given sample data including normal data and abnormal data, the feature value calculation unit calculates a plurality of feature values based on the set parameters,
From the calculation result of the feature amount obtained by the feature amount calculation unit, calculate an evaluation value representing the goodness of the various parameters,
Various parameters are searched again based on the calculated evaluation result, and repeatedly executing the feature amount calculation and the calculation of the evaluation value based on the searched parameters is repeatedly executed,
A parameter search method characterized by simultaneously determining an effective feature amount having a high evaluation value when a set search end condition is satisfied and various parameters of the effective feature amount.

As a method of searching for the various parameters,
A first method that emphasizes the degree to which normal and abnormal can be separated and a second method that emphasizes the number of characteristic amounts that can be separated are prepared.
By executing the first method or the second method according to the set search method,
(1) ′ an effective feature amount capable of separating the most normal and abnormal, and various parameters for calculating the effective feature amount;
(2) ′ a plurality of effective feature amounts for separating normal and abnormal, and various parameters for calculating the effective feature amount;
The parameter search method according to claim 8, wherein any one of the following is obtained.

Based on the feature data obtained by performing a filtering process and a feature extraction process on the acquired measurement data, the inspection / diagnosis device that determines whether the inspection target is normal or abnormal is suitable for the inspection target. A program product for obtaining an effective feature amount and various parameters for calculating the effective feature amount,
A process of calculating a plurality of feature amounts based on various parameters set by a feature amount calculation unit for given sample data including normal data and abnormal data;
A process of calculating an evaluation value representing the goodness of the various parameters from the calculation result of the feature amount obtained by the feature amount calculation unit,
A process of repeatedly searching for the various parameters based on the calculated evaluation values, and repeatedly executing the feature amount calculation and the evaluation value calculation based on the searched parameters until the set search end condition is satisfied;
A program product comprising: a program portion for executing a process of simultaneously determining an effective feature having a high evaluation value when the search termination condition is satisfied and various parameters of the effective feature.

As a process of searching for the various parameters,
There is a first method that emphasizes the degree to which normal and abnormal can be separated, and a second method that emphasizes the number of feature amounts that can be separated, and executes the first method or the second method according to the set search method. The program product according to claim 10, further comprising a program portion that performs a process of performing the process.