JP2006105943A - 知識作成装置及びパラメータ探索方法並びにプログラム製品 - Google Patents

Abstract

【課題】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判別知識を容易に探索・決定することができる装置を提供する。
【解決手段】正常データと異常データを含む学習用データに対し、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１１と、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一次評価部１２と、一次評価部で求めた一次評価の結果、高い一次評価値が得られた複数のパラメータ探索結果を複数の最適解候補として出力する最適解候補出力手段１４と、最適解候補出力手段から出力された複数の最適解候補に基づいて判別知識を作成する判別知識作成部１５と、判別知識作成部で作成した複数の判別知識に対する評価を行なう二次評価部１６と、二次評価の結果に基づき評価値の高い判別知識を最適解として出力する最適解出力部１７とを備える。
【選択図】 図１

Description

この発明は、知識作成装置及びパラメータ探索方法並びにプログラム製品に関するものである。

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。

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。

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 ＪＩＳ Ｚ８１４４により定義されている。

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。

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。

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。

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。

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。
特開平１１−１７３９０９号 特開平９−４４４６５号

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。

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。

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。

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。

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。

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。

また、官能検査（異音検査）のように演算パラメータ付きの特徴量を使った知識を作成する場合、ある1つのパラメータが、複数の特徴量の値に影響を及ぼす可能性がある。例えば、異音検査のように波形データから特徴量を計算するときには、まず、入力された波形に対してバンドパスフィルタによるフィルタリング処理を行ない不要な成分を除去し、その後に個々の特徴量を求めることがある。この際、フィルタに関するパラメータは、複数の特徴量で共通に用いられるパラメータとなるが、ある特徴量に対して良品と不良品を見分けやすくするフィルタをかけることで、他の特徴量に対しては、その違いが見分けにくくなってしまう場合がある。従って、単純に１つの特徴量に着目してパラメータを決定することはできない。

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。

この発明による知識作成装置は、取得した計測データに対し、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判別知識を求める知識作成装置であって、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学習用データに対し、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一次評価部と、その一次評価部で求めた一次評価の結果、高い一次評価値が得られた複数のパラメータ探索結果を複数の最適解候補として出力する最適解候補出力手段と、その最適解候補出力手段から出力された複数の最適解候補に基づいて判別知識を作成する判別知識作成部と、その判別知識作成部で作成した複数の判別知識に対する評価を行なう二次評価部と、その二次評価の結果に基づき評価値の高い判別知識を最適解として出力する最適解出力部と、備えて構成した。

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するとよい。

前記一次評価部は、同一のパラメータを共用する特徴量群に対しては、各特徴量に設定された重みを使って、重み付き加重和を一次評価値として求める機能を備えるとよい。係る機能を前提とし、前記一次評価部は、前記各特徴量に設定する重みのパターンを複数種用いることにより、１つの諸パラメータに対して複数の一次評価値を算出可能とするとよい。また、前記一次評価部は、複数種類の評価演算式を使い、１つの諸パラメータに対して複数の一次評価値を算出可能とするとよい。前記一次評価部は、特徴量ごとの一次評価値を算出する機能を備えるよい。

また、本発明に係る判別知識作成方法は、取得した計測データに対し、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判別知識を求める知識作成装置における判別知識作成方法であって、与えられた正常データと異常データを含む学習用データに対し、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一次評価値を算出し、その算出した一次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を満たしたときの一次評価値に基づき、複数のパラメータ探索結果を複数の最適解候補に決定し、その複数の最適解候補に基づいて判別知識を作成し、その作成した複数の判別知識に対する二次評価を行ない、その二次評価の結果に基づき評価値の高い判別知識を最適解に決定するようにした。

そして、前記複数の判別知識に対する二次評価の結果が、終了条件に満たない場合には、前記特徴量を演算する処理から再実行を行なうようにするとよい。さらに、前記複数の判別知識に対する二次評価の結果が、終了条件に満たない場合には、前記特徴量を演算する処理から再実行を行なう場合に特徴量演算部に与える諸パラメータは、二次評価の高い判別知識を作成する際に使用した諸パラメータを利用するようにすると良い。

また、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、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判別知識を求めるためのプログラム製品であって、与えられた正常データと異常データを含む学習用データに対し、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、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一次評価値を算出する処理、その算出した一次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する処理、設定された探索終了条件に満たしたときの一次評価値に基づき、複数のパラメータ探索結果を複数の最適解候補に決定する処理、その複数の最適解候補に基づいて判別知識を作成する処理、その作成した複数の判別知識に対する二次評価を行ない、その二次評価の結果に基づき評価値の高い判別知識を最適解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。

この発明によれば、一次評価を行ない、一次評価値の高い（特徴量に注目して良否を判別しやすい）諸パラメータを複数選択し、それらを最適解候補とする。次いで、最適解候補に対して詳細に評価、すなわち、実際に各最適解候補に基づいて判別知識を作成し、各判別知識を評価（二次評価）することで、 真に最適な判別知識を高速に作成することができる。

また、本発明では、最終的な判別知識を１つに限定する必要はない。すなわち、複数の最適解候補に対する判別知識を作成することで、各判別知識の二次評価を参考にしながら必要に応じて、複数の判別知識を使い分けることができる。さらに、探索範囲指定部を設けた場合には、その指定部により不要な特徴量をあらかじめ演算対象から外すことで、より高速に知識を作成の作成が可能となる。

特徴量は、状態を定量的に示すために必要な項目であり、例えば、 ファジィ知識等の判別知識は特徴量を使って表される。特徴量の値が変われば判別知識も変わる。パラメータは、特徴量を計算するために必要な項目である。特徴量は、パラメータを使って表される。 パラメータの調整結果が変われば特徴量の値も変わる。

また、「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。

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判別知識を容易に探索・決定することができる。

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。

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。

また、このように複数の特徴量を用いて判別するのは、以下に示す理由からである。すなわち、図１９に示すように、良品と不良品にはデータのばらつきがある。従って、単一の特徴量だけに着目しても重なりが生じ、不良品を排除することができない。つまり、特徴量Ｘだけでは完全に分離できないし、特徴量Ｙだけでも完全に分離できない。

これに対し、図２０に示すように、複数の特徴量に着目すると、良品と不良品の重なりをなくすことができる。つまり、この例では、特徴量ＸとＹを組み合わせると不良品のみが完全に分離できる。従って、複数の特徴量を組み合わせることで、高性能で効率よく判断ができる。もちろん、各特徴量において良品と不良品を分別するための境界（パラメータ）を正しく設定する必要があり、この設定が適切でないと、複数の特徴量を用いても効率よく判断ができない。

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、知識作成装置１０は、特徴量演算部１１と、一次評価部１２と、パラメータ探索部１３と、最適解候補出力部１４と、判別知識作成部１５と、二次評価部１６と、最適解出力部１７とを備えている。また、外部装置あるいはインタフェースとして、学習用データベース２と、デフォルト検査条件データベース３と、入力装置４と、出力装置５と、検査条件データベース６とを備えている。

学習用データベース２は、知識を作成する際に使用する学習データを記憶保持するデータベースである。学習データとしては、実際の波形データと、その波形データの内容を特定するための検査実績ファイルとを備えている。

実際の波形データは、検査／診断対象で発生した振動や音等をセンシングしたデータである。これは例えば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。そして、各ファイルは、それぞれ独立したファイル名（検査ＩＤ）を持つ。

検査実績ファイルは、各波形データファイルに対して正常／異常の判定結果を関連づけたファイルである。異常の波形データに対しては、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に示すように、パラメータ探索に使用する波形データを特定する検査ＩＤ（ファイル名でも良い）と、判定結果と、異常種類とを関連づけたテーブルとなる。この検査ＩＤをキーとして、対応する波形データが参照できる。なお、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づき、作成・修正したりすることができる。

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る。この検査条件を基に特徴量値を演算する。なお、このデフォルト検査条件ファイル３は必ずしも無くても良い。その場合には、探索する諸パラメータの探索開始時点の初期設定値は、ランダムに設定される。

この学習用データベース２に格納された学習データ（サンプルデータ）と、デフォルト検査条件データベースに格納された初期設定値が特徴量演算部１１に与えられる。また、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。また、この入力装置４を用いて、ユーザは、探索終了条件，探索手段（ＧＡ，ＮＮ，総当り，ＳＶＭ）などの指示を知識作成装置１０に与える。

出力装置５は、ディスプレイなどの表示装置や、プリンタなどの印刷装置等各種の機器がある。これらの出力装置５には、知識作成装置１０にて作成された最終的な知識（検査条件）が出力される。また、検査条件データベース６は、最終的に求めた検査条件（最適解）を格納する。

特徴量演算部１１は、パラメータ探索部１３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。そして、パラメータ探索部１３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から取得した初期設定値に基づいて特徴量を求める。そして、求めた特徴量は、一次評価部１２に渡す。

一次評価部１２は、作成する知識の仮評価として、各波形データファイルに対する特徴量演算の結果から、諸パラメータの良さ（評価値）を後述する評価式から算出する。同一のパラメータを共用する特徴量群に対しては、パラメータ探索部１３で設定された重みを使って、重み付き加重和を評価値とする。

パラメータ探索部１３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（特徴量演算パラメータや各特徴量の評価値の重み）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。さらに、このパラメータ探索部１３は、一次評価部１２から一次評価値を取得し、入力装置４から与えられた一次探索の終了条件になったか否かを判断する。探索の終了条件が成立した場合には、パラメータの探索を終了する。終了条件が成立した場合に、それまでの探索で生成されたパラメータの中で条件を満たす複数個を最適解候補出力部１４に渡す。

最適解候補出力部１４は、パラメータ探索部１３から取得したパラメータの中で、一次評価の結果、高い一次評価値が得られた複数のパラメータ探索結果を最適解候補（パレート解）として出力するものである。

判別知識作成部１５は、最適解候補出力部１４から出力された複数の最適解候補を用い、異音検査をする際の知識（判別ルール）を作成する。この作成された知識は、二次評価部１６に与えられる。

二次評価部（判別知識評価部）１６は、見逃し率や過検出率などの基準を使い、判別知識作成部１５で作成された各知識そのものに対する評価（二次評価）を実行する。つまり、後述する演算式に従い、各知識に対し、二次評価値を算出する。また、このように見逃しと過検出の各判別誤りを区別をせず、単に判別結果が正しいか否かを区別する「判別誤り率」という基準を使うこともできる。

最適解出力部１７は、二次評価の結果を取得し、最も高い二次評価値が得られた知識を最適解として決定する。この決定した最適解を出力装置５に出力したり、検査条件データベース６に格納する。あるいは、出力装置５（表示装置等）に二次評価値の高い順番に知識を提示し、ユーザに選択させるようにしてもよい。

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。すなわち、学習用データベース２から入力ファイルを読み込む（Ｓ１）。この処理は、入力装置４からの指示に従い図２に示すような検査実績ファイルを取得するとともに、その検査実績ファイルに格納された検査ＩＤに対応する波形データ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、波形データファイルの対応付けを行う。全てのデータを取得するのか、あるいは、特定の異常種類と正常なデータを読み込むかは、入力装置４からの指示により規定される。これら読み込まれた入力ファイルは、特徴量演算部１１に与えられる。

次いで、全てのデータを、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もの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品の波形データファイルと、単一ＮＧ種別の波形データファイル（同一の異常種類の波形データファイル）の組を作る。もちろん、単にＯＫとＮＧの判別だけで十分な場合には、このようにＮＧ種別ごとに集計する必要はなく、すべてのＮＧ種別を1グループにまとめて集計しても良い。

次に、入力装置４からの指示に従い、探索条件を設定する（Ｓ２）。ここで設定する探索条件は、探索方法と探索終了条件等がある。探索終了条件は、探索終了するか否かを判断するための条件であり、例えば、一次評価値が一定の基準値を越えた場合（評価値越え）か、探索回数が一定回数を超えた場合（回数越え）かのいずれかを選択するとともに、選択した終了条件を満たすしきい値（評価値／回数）を設定する。また、探索終了条件は、いずれかを択一的に選択してもよいし、両方の条件を指定し、一方の条件を具備したときに終了するようにしてもよい。探索方法は、分離度優先か分離数優先かを選択する。分離数重視の場合は、上位いくつを使うかと、各重み係数を指定する。

パラメータ探索を行なうアルゴリズムは各種のものがあるが、本実施の形態では、遺伝的アルゴリズム（ＧＡ）を用いている。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、個体と個体を交叉させる確率である。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。これらのパラメータは、予めパラメータ探索部１３に設定しておいても良いし、入力装置４やデフォルト検査条件データベース２から入力するようにしても良い。また、上記探索終了条件のうち、回数超えで指定する回数は、遺伝的アルゴリズムの世代数である。上述した各種の条件は、例えば、ユーザが入力装置４を操作して設定する。設定した条件は、たとえばパラメータ探索部１３や、各評価部１２，１６等に与えられる。

ついで、パラメータ探索部１３が、パラメータの探索を行なう（ＳＴ３）。このパラメータの探索は、１回目の場合には、特徴量演算部１１経由でデフォルトのパラメータを取得し、初期個体を生成し、特徴量演算部１１に返す。また、この初期個体は、ランダムに生成するようにしても良い。また、２回目以降のパラメータ探索は、交叉，突然変異により新個体を生成する。また、評価の低い個体を新個体で置き換える。

すなわち、パラメータ探索のアルゴリズムとして遺伝的アルゴリズムが用いられた場合、個別のパラメータを遺伝子，全パラメータの組合せを個体とみなす。そこで、個体の交叉・突然変異によって新たな個体を創り出しながら、より優れた個体を残していくことにより最適に近い個体（パラメータ設定)を獲得する。なお、２回目以降に行なうパラメータ探索については、後述する。

特徴量演算部１１では、パラメータ探索部１３から受け取った各個体（特徴量演算のための諸パラメータ)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求める（ＳＴ４）。この特徴量を求める演算は、ステップＳ１で入力された波形データのうち、判定結果がＯＫとなった全てのファイルの波形データと、ある１種類のＮＧ種のファイルの波形データに対して行い、求めた演算値（特徴量）を一次評価部１２へ送る。なお、この特徴量の算出処理は、個体別に行なう。

一次評価部１２は、各個体（諸パラメータ）につき，ｎ通りの一次評価値を演算する。それぞれの演算式で求めた一次評価値が最大のパラメータ解(合計n個)を出力する。まず、各個体に対し、１つの評価値を求める場合を説明する。すなわち、特徴量毎の評価値ｅ１ｉを、式（１）を用いて演算する。ここで添え字の「ｉ」は、特徴量を特定する特徴量番号であり、１から特徴量の個数までの整数である。また、下記式（１）における係数αは、検査実績ファイルでＯＫとなっている波形データ（以下ＯＫ品）の平均が検査実績ファイルでＮＧとなっている波形データ（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。ＯＫ品とＮＧ品の両分布に重なりがないとき（少ない程）、評価値は大きくなる。

ｅ１ｉ＝α×β×（μng−μok）／σok ……（１）
ここで、αは、下記の条件により０，１００，−１０のいずれかをとり、
０：σok＝０の場合
１００：σok＞０かつＭＩＮng−ＭＡＸok＞0の場合
−１０：σok＞０かつＭＩＮng−ＭＡＸok≦0の場合
βは、下記の条件により、２，１のいずれかをとる。
２：ＭＩＮng−ＭＡＸok ＞０の場合
１：ＭＩＮng−ＭＡＸok ≦０の場合

ただし、μng：ＮＧ品の特徴量計算結果の平均値
μok：ＯＫ品の特徴量計算結果の平均値
σok：ＯＫ品の特徴量計算結果の分散
ＭＡＸok：ＯＫ品特徴量の最大値
ＭＩＮng：ＮＧ品特徴量の最小値

ついで、上述した式（１）に基づいて求めた各特徴量ごとの評価値ｅ１ｉを下記式（２）に代入し、特徴量全体を考慮したその個体（諸パラメータ）についての一次評価値Ｅを算出する。Eは，すべての特徴量の評価値の荷重和になっている。
Ｅ＝Σ（ｗｉ×ｅ１ｉ） ……（２）
ここで、ｗｉはｉ番目の特徴量の重み
1≦ｉ≦(特徴量の個数)

実際には、一次評価部１２は、各個体（諸パラメータ）につき、ｎ通りの一次評価値を求め、一次評価値が最大のパラメータ解(合計n個)を出力する。このようにｎ通りの１つの個体に対してｎ通りの一次評価値を求める方法として、例えば、式（１）を用いて各個体により特定される各特徴量ごとに１つの評価値ｅ１を求め、 一次評価値Ｅを求める際の各特徴量に対する重みの組み合わせをn通り用意する（式（２）のＷｉを複数種用意する）ことで、相異なるn種類の一次評価値Ｅを求めることができる。

また、他の評価値演算式として、
Ｅ′＝Ｍａｘ(ｅ１ｉ)
に示す最大の特徴量の１つだけを考慮した一次評価値Ｅ′などを用意することにより、式（２）の重みの組み合わせをｎよりも小さくしつつｎ通りの一次評価値を求めることができる。

また、上記とは逆に、式（１）に対応する各特徴量に基づく個体の評価値ｅｘ（ｘは１からｎの整数）を求める演算式自体をｎ通り用意してもよい。この場合、特徴量全体を考慮したその個体（諸パラメータ）についての一次評価値Ｅは、例えば式（２）を用い、各特徴量に対する重み付けも１組でよい。他の評価値演算の式としては、例えば式（１）を簡略化した次の式（１）′や（１）″などを用い、それぞれ評価値ｅ２，ｅ３を求めることができる。
ｅ２＝｜μng−μok｜／σok ……（１）′
(ＯＫ品とＮＧ品の差とＯＫ品のばらつきに注目したもので、ＯＫ品同士で特徴量値のばらつきが小さい程評価値ｅ２は大きくなる）

ｅ３＝｜μng−μok｜ ……（１）″
(ＯＫ品とＮＧ品の差だけに注目したもので、ＯＫ品とＮＧ品で特徴量の平均の差が大きいほど，評価値ｅ３は大きくなる)

もちろんこれ以外の評価値を用いることもできるし、これら３種類の評価値ｅｘ（ｘは１，２，３）に対し、一次評価値Ｅを求める際の各特徴量に対する重みの組み合わせを所定数用意する（式（２）のＷｉを複数種用意する）ことで、相異なるｎ種類の一次評価値Ｅを求めることができる。さらには、一次評価値の演算式は、１通り（各特徴量に対する重みの組み合わせ1通り）とし、評価値の高い順に複数（ｎ個)のパラメータ解を出力するようにしてもよい。そして、各個体（諸パラメータ）と、求めた各個体ごとに対するｎ種類の一次評価値と、を関連づけて記憶保持する。

上記各式に基づいてｎ種類の一次評価値を求めたならば、パラメータ探索部１３内の探索終了条件判定機能が、探索終了条件成立をチェックする（ＳＴ６）。探索終了条件は、ステップ２を実行することにより入力装置４から設定されたもので、例えば、評価値が一定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３に戻りパラメータ探索部１３は、一次評価値を基に、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１１に渡す（ＳＴ３）。この後、ステップＳ４に戻り、特徴量演算部１１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。

なお、本実施の形態では、ステップＳ５の実行の際に、求めた全ての一次評価値を記憶保持するようにしたが、各種類ごとに最良解の保存を行うようにしても良い。すなわち、パラメータ探索部１３は、一次評価部１２から一次評価値を受け取ったならば、対応する種類の現在の諸パラメータの最大一次評価値と比較し、今回受け取った一次評価値が大きければ、その種類についての最大一次評価値を更新し、現在の諸パラメータを最良解候補として保持する。

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１３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ＦＦＴｘ＿Ｌ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。

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。

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。

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１３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。

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１１で特徴量を求め、一次評価部１２で評価する。

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。

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。

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。

また、突然変異率以上の場合には、個体を突然変異させる。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。

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。

一方、ステップＳ６の分岐判断で、Ｙｅｓとなると、パラメータ探索部１３におけるパラメータ探索が終了するので、最適解候補出力部１４は、パラメータ探索部１３から各世代の個体（諸パラメータ）と、一次評価部１２が求めたその個体に対する一次評価値（ｎ通り）を取得し、ｎ通りの一次評価値ごとにそれぞれ最大となる個体を検出し、検出された各個体を構成する諸パラメータを最適解候補として、判別知識作成部１５に向けて出力する（Ｓ７）。つまり、ｎ個の最適解候補が出力される。

なお、上述したように、ステップ５の実行の際に、求めた全ての一次評価値を記憶保持することに替えて、各種類ごとに最良解の保存を行うようにした場合には、パラメータ探索部１３におけるパラメータ探索が終了した時点で、各種類ごとに一次評価値の高い個体（諸パラメータ）と、その一次評価値の値が格納されているため、それを読み出すとともに、次段の判別知識作成部１５に向けて出力するようにしても良い。なお、一次評価値の具体的な値は特に出力しなくても良い。

また、最適解候補出力部１４は、各検査データに対して、あるパラメータセット（最適解候補）を用いて計算された各特徴量の値が記述された出力データ（図８参照）を、パラメータセットごとに作成し、出力する。

次に、判別知識作成部１５は、取得したｎ通りの個体を構成する諸パラメータ（特徴量の値とパラメータ等），出力データに基づき、各個体ごとに判別知識を作成する（Ｓ８）。この判別知識の作成は、まず、有効特徴量（ＯＫデータとＮＧデータを分離しやすい特徴量）を見つけ、有効特徴量に基づいて知識を作成する。ここで作成する知識は、各特徴量ごとにＯＫとＮＧを分離する閾値を設定したり、有効特徴量を使って、メンバシップ関数とファジィルールを設定したりするなど、各種の方式がとれる。これにより、ｎ個の判別知識が作成され、各知識ごとに作成知識名（識別するためのＩＤ）が付与される。

この作成されたｎ個の判別知識が二次評価部１６に与えられ、各判別知識ごとに二次評価値ｅｖａｌを求める（Ｓ９）。ここでは、作成された判別知識によって、ＯＫ品をＮＧと判定する過検出（見過ぎ)と、ＮＧ品をＯＫと判定する見逃しの誤判別がどの程度発生するかに注目することで、その判別知識を定量的に評価する。具体的には、式（３）を用いて求める。
ｅｖａｌ＝１００−ｗ１×過検出率−ｗ２×見逃し率 ……（３）
ここで、ｗ１とｗ２は、それぞれ過検出率［％］と見逃し率［％］に対する重みである。

過検出率と見逃し率は、それぞれ最適解候補出力部１４から出力された出力データ（判別知識作成部１５経由で取得）の検査ＩＤに基づく波形データに対し、判別知識作成部１５で作成した判別知識を用いて良否判定を行ない、判定結果が出力データで記述されたものと異なる（誤判定した）ものを抽出するとともに、その誤判定が「過検出」なのか「見逃し」なのかを弁別することにより算出できる。

二次評価値は、上記したものに限定されることはないのは言うまでもなく、過検出と見逃しとを区別しない演算式（例えば ｅｖａｌ‘＝１００−判別誤り率）その他、各種のものを用いることができる。

最適解出力部１７は、二次評価部１６で求めた各作成知識に対する二次評価値を取得し、最も評価値が高かった作成知識を最終的に最良の作成知識（最終知識）と決定し、出力する（Ｓ１０）。出力先は、表示装置等の出力装置５とし、最終知識を出力表示したり、検査条件データベース６とし、最終知識を格納したりすることができる。さらに、最適解出力部１７は、最終知識を印刷装置（出力装置５）に対してプリントアウトしたり、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することもできる。

また、ステップＳ９までの処理を実行することにより、例えば図９に示すようなデータ構造のテーブルが作成できる。つまり、一次評価で得られた最適解候補に対して、それを元に作成された判別知識と知識の評価結果が記述されたテーブルである。このテーブルも検査知識データベース６その他の所定の記憶装置に格納する。係るテーブルを作成することにより、例えば、最適解候補ＩＤをキーとして、そのときの演算パラメータや作成知識が参照可能となる。

上述した実施の形態では、パラメータ探索と同時に評価値の加重和を求める際の重みも探索し、様々なバリエーションの重みを使って、複数の最適解候補を求めることができる（一次評価）。有効な特徴量の重みが大きい一次評価値の演算式により求められた個体（諸パラメータ）が残る。さらに、出力された複数の最適解候補（所定数の特徴量と、パラメータから構成される）に対して、実際に知識を作成して知識の性能を評価（二次評価）することにより、真に最適な解（最良の知識）を決定することができる。

図１０は、本発明の第２の実施の形態を示している。基本的な構成は、第１の実施の形態と同様であるが、本実施の形態では、さらに、探索特徴量指定部１８を設けている。この探索特徴量指定部１８は、入力装置４からの入力に従い、探索する範囲を限定するものである。この指定により特定された範囲内について、パラメータ探索を行なう。探索範囲の指定の仕方としては、探索範囲から外す特徴量を指定する場合と、探索対象とする特徴量を指定する場合のいずれも採りうる。例えば、指定された特徴量をパラメータ探索および特徴量演算の対象から外すものとした場合、探索特徴量指定部１８は、入力装置４を介して取得した探索範囲指定情報を元に、パラメータ探索範囲を決定し、不要と判断された特徴量などを探索対象から除外する。この探索対象から除外された特徴量等は、パラメータ探索部１３に与えられる。また、フィルタをかける特徴量については、フィルタの周波数帯（探索対象とするフィルタの上限値と、下限値の少なくとも一方）を指定することにより制限をかけることもできる。

これらの探索範囲指定部１８により指定される探索範囲の絞込みを規定するデータ構成の一例としては、図１１のようになる。すなわち、探索可否をそれぞれ指定（一方（例えば「ＯＮ」）を初期値とし、ＯＦＦにするもののみ指定することもできる）したり、フィルタの場合の範囲を指定したりする。探索範囲指定部１８は、入力装置４からの指示により、このような内部テーブルを作成し、必要に応じてパラメータ探索部１３に探索範囲を指定する。

この第２の実施の形態の具体的な処理は、図１２に示すフローチャートにより実行される。この図１２のフローチャートと図３のフローチャートを比較すると明らかなように、処理ステップＳ２に続いて、探索特徴量指定部１８が探索範囲の絞り込みを行なう（Ｓ１１）。これにより、処理ステップＳ３以降では、絞り込まれた探索範囲内で各種の処理を実行することになる。これにより、明らかに不要な特徴量や、パラメータ範囲などを事前に排除することができ、より効率的に、最適な最終知識を求めることができる。なお、図１０に示した各処理部の機能や、図１２に示すフローチャートの各処理ステップ（処理ステップＳ１１を除く）については、第１の実施の形態と同様であるため、対応する処理部・処理ステップに同一符号を付し、その詳細な説明を省略する。

図１３は、本発明の第３の実施の形態を示している。本実施の形態は、第１の実施の形態を基本とし、最適解出力部１７′に判別知識作成終了条件を満たしたか否かを判断する機能を付加している。もちろん、第１の実施の形態における最適解出力部１７の機能も備えている。この最適解出力部１７′は、予め、あるいは入力装置４を介して判別知識作成終了条件を取得しておく。この終了条件としては、例えば二次評価値が一定の基準以上に達したときとすることができる。そして、判別知識作成終了条件を満たさない場合には、パラメータ探索部１３に対し、パラメータ探索の実行を指示する。これに伴い、パラメータ探索部１３がパラメータの探索を行ない、探索した結果を特徴量演算部１１に渡し、特徴量を求める。つまり、一次評価から再度やり直しを行なう。また、最適解出力部１７′は、判別知識作成終了条件を満たさず、パラメータ探索部１３に対してパラメータ探索の再実行命令を与える際に、二次評価値の良かった上位ｍ個のパラメータ解を、合わせて与えるようにすると良い。

パラメータ探索部１３は、１回目の初期個体（複数個）は、第１の実施の形態と同様に、デフォルト検査条件ファイル３から取得した諸パラメータに基づいて生成しても良いし、ランダムに生成させても良い。そして、最適解出力部１７′から再実行命令を受けた場合の初期個体は、最適解出力部１７′から取得した二次評価値の良かった上位ｍ個のパラメータ解を用いる。初期個体の一部をｍ個の優良な諸パラメータに基づき設定し、残りをランダムに生成することもできる。

遺伝的アルゴリズムを用いたパラメータ探索では、初期個体の設定が得られるパラメータ解の結果に影響する。そこで、本実施の形態では、二次評価値の高い判別知識(上位m個)が得られたときのパラメータ解（ｍ個）を、次回パラメータ探索の初期個体として設定することにより、より良いパラメータ解となり、判別知識が効率良く得られる。

もちろん、二次評価の結果をフィードバックせずに、単純にパラメータ探索を再実行するようにしてもよい。遺伝的アルゴリズムを用いたパラメータ探索において，初期個体をランダムに生成することで、前回とは異なるパラメータ探索結果が得られるためである。さらに、仮に初期個体が前回と同じになったとしても、パラメータ探索の際に行なわれる突然変異等により、最終的に得られる結果は異なる。従って、判別知識作成終了条件を満たすまで、一次評価から二次評価の工程を繰り返し実行することにより、終了条件を満たす二次評価値を持つパラメータ解を作成することが可能となる。

もちろん、判別知識作成終了条件は、上述したように二次評価値が一定以上のみとするのではなく、例えば、繰り返し回数を設定し、一次評価から二次評価の工程を行い求められた二次評価値とそのときの諸パラメータを記憶保持し、複数回繰り返した中で最高の二次評価値を得たものを最適な最終知識とすることもできる。さらに、「繰り返し回数」と「二次評価値が一定以上」とをＯＲ条件とし、繰り返し回数が設定値に満たなくても二次評価値が一定以上になった場合にはそこで終了するようにするなど、各種の条件設定が可能となる。

この第３の実施の形態の具体的な処理アルゴリズムは、図１４に示したフローチャートのようになる。図から明らかなように、図３に示す第１の実施の形態のフローチャートの処理ステップ９の二次評価値演算処理の後に、作成終了条件を満たすか否かの分岐判断を加え（Ｓ１２）、条件を満たさず分岐判断がＮｏの場合には処理ステップＳ３に戻り、パラメータ探索からやり直す。そして、処理ステップＳ１２の条件を満たし、分岐判断がＹｅｓになると、最良の判別知識を出力する（Ｓ１０）。この処理ステップＳ１２，Ｓ１０は、最適解出力部１７′が実行する。

すなわち、この第３の実施の形態では、作成した判別知識に対する二次評価の結果が終了条件に満たすまで、特徴量パラメータ探索（Ｓ３〜Ｓ６）と判別知識作成（Ｓ３〜Ｓ９）を繰り返し、実行する。換言すると、特徴量パラメータ探索（Ｓ３）は、次の二重ループにより繰り返し行われる。
・内側ループ（Ｓ３〜Ｓ５）：特徴量パラメータに対する一次評価値を最適化する。
・外側ループ（Ｓ３〜Ｓ９）：判別知識に対する評価値（二次評価値）最適化する。

なお、図１３に示した各処理部の機能や、図１４に示すフローチャートの各処理ステップ（処理ステップＳ３，Ｓ１２を除く）については、第１の実施の形態と同様であるため、対応する処理部・処理ステップに同一符号を付し、その詳細な説明を省略する。また、この第３の実施の形態は、第１の実施の形態を基本として構成したが、第２の実施の形態に基づいても適用できる。

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。

上述した第１の実施の形態を用い、具体的な実施例を説明する。まず、本実施例で使用する特徴量は、ＰＮ（ＰｅａｋＮｕｍｂｅｒｓ）とＰＶ（ＰｅａｋＶａｌｕｅ）の２つとする。

ここで、特徴量ＰＮ値は、時間ｔのある範囲（下限値・上限値はパラメータＴＬ・ＴＨで指定）において、波形ｓ（ｔ）の値がしきい値(パラメータＰＴで指定)を超えるピークの数である。また、特徴量ＰＶは、時間ｔのある範囲（下限値・上限値はパラメータＴＬ・ＴＨで指定）において、ある順位（順位はパラメータＲＰで指定する）に位置するピークの値（縦軸ｓ（ｔ）の値）。ただし、時間の範囲を指定するパラメータＴＬ・ＴＨは、特徴量ＰＮとＰＶで共通に用いる。

また、ここで用いるパラメータは、ＴＬ（ＴｉｍｅＬｏｗ），ＴＨ（ＴｉｍｅＨｉｇｈ），ＰＴ（ＰｅａｋＴｈｒｅｓｈｏｌｄ），ＲＰ（Ｒａｎｋ ｏｆ Ｐｅａｋｓ)の4つとする。

ここで、パラメータＴＬは、特徴量ＰＮとＰＶに共通のもので、波形データｓ（ｔ）内の注目すべき時間ｔの範囲の下限値である。パラメータＴＨは、特徴量ＰＮ・ＰＶ共通で、波形データｓ（ｔ）内の注目すべき時間ｔの範囲の上限値である。パラメータＰＴは、特徴量ＰＮ用であり、ピーク値のしきい値である。このしきい値を越えるピークのみを特徴量ＰＮとしてカウントする。パラメータＲＰは、特徴量ＰＶ用であり、注目すべきピークを、ピーク値の順位（値の大きい順）で指定する。つまり、ＲＰ番目に高いピークの値が特徴量ＰＶとなる。

図１５は、これら２つの特徴量と４つのパラメータによる演算結果の一例を示している。図１５（ａ）は、パラメータＴＬ＝１．０，ＴＨ＝４．０，ＰＴ＝２．０，ＲＰ＝１の場合で、特徴量ＰＮの値は、パラメータＰＴ＝２．０なのでｓ（ｔ）値２．０を超えるピーク数３となる。特徴量ＰＶの値は、パラメータＲＰ＝１なので順位が１番目のピークの値４．０となる。

同様に、図１５（ｂ）は、パラメータＴＬ＝１．０，ＴＨ＝３．０，ＰＴ＝２．０，ＲＰ＝１であるので、特徴量ＰＮの値は，パラメータＰＴ＝２．０なのでｓ（ｔ）値２．０を越えるピーク数２となり、特徴量ＰＶの値は、パラメータＲＰ＝１なので順位が１番目のピークの値３．２となる。

このように、パラメータ設定（上の例では、パラメータＴＬ・ＴＨ・ＰＴ・ＲＰ値の組合せ）が変わると、特徴量（ＰＶ・ＰＮ）の値も変わる。そこで、特徴量の値で良品と不良品をうまく分離できるようにパラメータの値を設定する必要があるが、複数の特徴量がパラメータを共有する場合は、一方の特徴量の分離度を高めるためのパラメータ値の設定が他方の特徴量の分離度を低くしてしまうことがあり（＝競合関係）、すべての特徴量を最適化するのは難しい。

次に、上記の特徴量とパラメータを用いることを前提とし、図３の処理ステップＳ１を実行し、学習データとして4つの波形データ（データＩＤ：Ｗ０１，Ｗ０２，Ｗ０３，Ｗ０４）を入力する。判定結果は、Ｗ０１とＷ０２がＯＫで、Ｗ０３とＷ０４がＮＧとする。処理ステップＳ２を実行し、探索条件を入力する。具体的には、終了条件が探索回数＝２回し、探索方法が分離数優先（特徴量２個使用，評価の重みは１：１）とする。

そして、パラメータ探索処理（Ｓ３）を実行し、図１６に示すようにパラメータが得られたとする。ここで図１６（ａ）は初期個体であり、Ａ１，Ｂ１の２個がランダムに生成されたものとする。そして、次のパラメータ探索により、図１６（ｂ）に示すように、Ａ２，Ｂ２に示す個体が生成されたとする。

処理ステップＳ４では、各波形データに対する上記Ａ１，Ａ２，Ｂ１，Ｂ２における各特徴量の値を求める。説明の便宜上、Ａ2の特徴量の値は、図１７（ａ）のようになり、Ｂ2の特徴量の値は図１７（ｂ）のようになったとする。
次に、一次評価値を求める（Ｓ５）。一例として、Ａ２のＰＮについて求めると、下記式のようになる。

μng＝（３＋２）／２＝２．５， μok＝（１＋３）／２＝２．０
σok＝｛（１−２．５）＾２＋（３−２．５）＾２｝／（２−１）＝２．０
ＭＩＮng−ＭＡＸok＝２−３＝−１，α＝−１０，β＝１
より、
ｅ１＝−１０×１×（２．５−２．０）／２．０）＝−２．５
となる。

同様にして、特徴量ＰＶに対する評価値は、
ｅ＝−２．５
となる。

同様にＢ２について各値を求めると、特徴量ＰＮに対する評価値はｅ＝−５．０となり、特徴量ＰＶに対する評価値はｅ＝−１．２５となる。そして、最終的な一次評価値は、
Ｅ＝１．０×（−５．０）＋１．０×（−１．２５）
＝−６．３
となる。

次に、複数種の一次評価値Ｅを求めるが、演算式に対する重みの組として次の２通りの設定を用いるものとする。
（ａ）ｗ１＝ｗ２＝１．０ （単純な和）→評価値Ｅａとする
（ｂ）ｅの値が高い特徴量はｗ＝０．７５，低い方はｗ=０．２５→評価値Ｅｂとする。

従って、Ａについては、
特徴量ＰＮの評価値ｅ＝−２．５
特徴量ＰＶの評価値ｅ＝−２．５
であるので、
評価値Ｅａ＝１．０×（−２．５）＋１．０×（−２．５）＝−５．０
評価値Ｅｂ＝０．２５×（−２．５）＋０．７５×（−２．５）＝−２．５
となる。

また、Ｂについては、
特徴量ＰＮの評価値ｅ＝−５．０
特徴量ＰＶの評価値ｅ＝−１．２５
であるので、
評価値Ｅａ＝１．０×（−５．０）＋１．０×（−１．２５）＝−６．３
評価値Ｅｂ＝０．２５×（−５．０）＋０．７５×（−１．２５）＝−２．２
となる。

従って、評価値Ｅａについては，パラメータ解Ａ２を出力し、評価値Ｅｂについては，パラメータ解Ｂ２を最適解報補として出力する（Ｓ７）。

各最適解について判別知識を作成すると、Ａ２については
判別知識ＸＡ：
”ＩＦ 特徴量ＰＮ≧３．０ ＡＮＤ 特徴量ＰＶ≧４．５ ＴＨＥＮ 不良（ＮＧ）”
が得られ、
Ｂ２については
判別知識ＸＢ：
"ＩＦ 特徴量ＰＮ≧３．５ ＡＮＤ 特徴量ＰＶ≧４．５ ＴＨＥＮ 不良（ＮＧ）"
が得られたとする。これらを図示すると、図１８のようになる。

それぞれについて，過検出（ＯＫをＮＧと誤判別）と見逃し（ＮＧをＯＫと誤判別）の率を求めると以下のようになる。
Ａ２について、
過検出率＝（ＮＧと誤判別されるＯＫ件数）／（全ＯＫ件数）
＝１／２＝０．５
見逃し率＝（ＯＫと誤判別されるＮＧ件数）
／（全ＮＧ件数）
＝０／２＝０．０
Ｂ２について
過検出率＝０／２＝０．０
見逃し率＝０／２＝０．０
となる。

そして、判別知識に対する評価値（＝二次評価値）ｅｖａｌは，それぞれ次のように計算される（過検出率と見逃し率に対する重みｗ１，ｗ２はそれぞれ，０．１，０．９とする）。
Ａ２について
二次評価値ｅｖａｌ＝１．０−ｗ１×過検出率−ｗ２×見逃し率
＝１．０−０．１×０．５−０．９×０．０
＝０．９５
Ｂ２について
二次評価値ｅｖａｌ＝１．０−０．１×０．０−０．９×０．０
＝１．０
となる。
その結果、一次評価値ではＡ２よりも評価の低かったＢ２に基づく知識が最終の検査知識に決定される。

このことは、図１８からも明らかである。すなわち、Ａ２に基づく図１８（ａ）では、不良（ＮＧ）データＷ０３を良品と分離するしきい値が設定できないが、Ｂ２に基づく図１８（ｂ）では、不良（ＮＧ）と良品（ＯＫ）を分離するしきい値が設定できる。

すなわち、１種類の評価値だけ使っていたとすると、一次評価値が高いＡ２が選択されてしまい、この場合は結果として十分に有効な知識を作成することができなくなるが、複数種類の評価値を使うとともに、複数のパラメータ最適解候補を出力し、しかも、実際に判別知識を作成し、作成された判別知識を評価する二次評価値求めるため、より正確で良好な知識を生成することができる。

本発明に第１の実施の形態を示すブロック図である。 検査実績ファイルのデータ構成を示す図である。 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。 コーディングの一例を示す図である。 コー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。 コー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。 （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。 最適解候補出力部が出力する出力データのデータ構造の一例を示す図である。 最適解出力部から出力されるデータ構造の一例を示す図である。 本発明の第２の実施の形態を示すブロック図である。 探索範囲指定部１８により指定される探索範囲の絞込みを規定するデータ構成の一例である。 第２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。 本発明の第３の実施の形態を示すブロック図である。 第３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。 第１の実施の形態に基づく実施例におけるパラメータによる演算結果の一例を示す図である。 本実施例におけるパラメータ探索の一例を示す図である。 本実施例における一次評価を行ない得られた特徴量の値の一例を示す図である。 本実施例における判別評価を説明する図である。 １つの特徴量では、良品と不良品を十分に分離できないことを説明する図である。 複数の特徴量を用いることにより、良品と不良品を精度良く分離することができることを説明する図である。

符号の説明

２ 学習用データベース
３ デフォルト検査条件データベース
４ 入力装置
５ 出力装置
６ 検査条件データベース
１１ 特徴量演算部
１２ 一次評価部
１３ パラメータ探索部
１４ 最適解候補出力部
１５ 判別知識作成部
１６ 二次評価部
１７，１７′ 最適解出力部
１８ 探索範囲指定部

Claims (10)

1. 取得した計測データに対し、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判別知識を求める知識作成装置であって、
   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学習用データに対し、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一次評価部と、
   その一次評価部で求めた一次評価の結果、高い一次評価値が得られた複数のパラメータ探索結果を複数の最適解候補として出力する最適解候補出力手段と、
   その最適解候補出力手段から出力された複数の最適解候補に基づいて判別知識を作成する判別知識作成部と、
   その判別知識作成部で作成した複数の判別知識に対する評価を行なう二次評価部と、
   その二次評価の結果に基づき評価値の高い判別知識を最適解として出力する最適解出力部と、
   を備えたことを特徴とする知識作成装置。
2. 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ことを特徴とする請求項１に記載の知識作成装置。
3. 前記一次評価部は、同一のパラメータを共用する特徴量群に対しては、各特徴量に設定された重みを使って、重み付き加重和を一次評価値として求める機能を備えたことを特徴とする請求項１または２に記載の知識作成装置。
4. 前記一次評価部は、前記各特徴量に設定する重みのパターンを複数種用いることにより、１つの諸パラメータに対して複数の一次評価値を算出可能としたことを特徴する請求項３に記載の知識作成装置。
5. 前記一次評価部は、複数種類の評価演算式を使い、１つの諸パラメータに対して複数の一次評価値を算出可能としたことを特徴する請求項１から４のいずれか１項に記載の知識作成装置。
6. 前記探索部で探索する範囲を規定する探索範囲指定部を設けたことを特徴とする請求項１から５のいずれか１項に記載の知識作成装置。
7. 取得した計測データに対し、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判別知識を求める知識作成装置における判別知識作成方法であって、
   与えられた正常データと異常データを含む学習用データに対し、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一次評価値を算出し、
   その算出した一次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を満たしたときの一次評価値に基づき、複数のパラメータ探索結果を複数の最適解候補に決定し、
   その複数の最適解候補に基づいて判別知識を作成し、
   その作成した複数の判別知識に対する二次評価を行ない、その二次評価の結果に基づき評価値の高い判別知識を最適解に決定すること特徴とする判別知識作成方法。
8. 前記複数の判別知識に対する二次評価の結果が、終了条件に満たない場合には、前記特徴量を演算する処理から再実行を行なうことを特徴とする請求項７に記載の判別知識作成方法。
9. 前記複数の判別知識に対する二次評価の結果が、終了条件に満たない場合には、前記特徴量を演算する処理から再実行を行なう場合に特徴量演算部に与える諸パラメータは、二次評価の高い判別知識を作成する際に使用した諸パラメータを利用するようにしたことを特徴とする請求項７または８に記載の判別知識作成方法。
10. 取得した計測データに対し、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判別知識を求めるためのプログラム製品であって、
    与えられた正常データと異常データを含む学習用データに対し、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、
    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一次評価値を算出する処理、
    その算出した一次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する処理、
    設定された探索終了条件に満たしたときの一次評価値に基づき、複数のパラメータ探索結果を複数の最適解候補に決定する処理、
    その複数の最適解候補に基づいて判別知識を作成する処理、
    その作成した複数の判別知識に対する二次評価を行ない、その二次評価の結果に基づき評価値の高い判別知識を最適解に決定する処理を実行するプログラム部分を持つことを特徴とするプログラム製品。

Images