JP2010231455A - 信号識別方法および信号識別装置 - Google Patents

Abstract

【課題】専門知識がなくても自動で学習を行うとともに、検査時間を短縮する。
【解決手段】特徴量抽出部２は、学習時において、正常サンプルと異常サンプルとを含む学習用信号が入力されると、学習用信号を短時間フーリエ変換し、学習用データを抽出する。識別器作成部６は、時間・周波数の組み合わせごとに、学習時判定部４の判定結果を用いて算出部５で算出された誤判定率が最小となる識別器を作成する。識別器選択部７は、時間・周波数の組み合わせごとに作成された識別器の中から、誤判定率が最小である識別器を選択し、信頼度を算出する。重み指示部３１は、選択された識別器による判定結果に応じて、学習用データの重みを変更するように重み設定変更部３０に指示する。検査時判定部８は、検査時において、学習時に選択された複数の識別器を用いて検査対象物が正常状態であるか否かを判定する。
【選択図】図１

Description

本発明は、検査対象物の状態を識別する信号識別方法および信号識別装置に関する。

従来から、競合学習型ニューラルネットワークを用いて検査対象物の状態を識別する信号識別装置が知られている（例えば特許文献１，２参照）。

従来の信号識別装置は、学習時において、複数の学習用データを競合学習型ニューラルネットワークに入力して、検査対象物の状態を表わすカテゴリが設定されたクラスタリングマップを作成する。

学習時にクラスタリングマップを作成した従来の信号識別装置は、検査時において、検査対象物の状態に基づく検査用データをクラスタリングマップに入力し、クラスタリングマップ上の出力層ニューロンの重み係数データと検査用データとのユークリッド距離を算出する。その後、従来の信号識別装置は、ユークリッド距離が最小となる出力層ニューロンのカテゴリに検査用データを分類し、検査用データを分類したカテゴリに応じて、検査対象物の状態を識別する。従来の信号識別装置によれば、専門知識がなくても自動で学習を行うことができる。

特開２００４−３５４１１１号公報 特開２００８−０４０６８３号公報

しかしながら、従来の信号識別装置は、専門知識がなくても自動で学習を行うことができるものの、検査時おいて、クラスタリングマップ上のすべての出力層ニューロンにおいてユークリッド距離を算出し、さらにユークリッド距離の最小値を求める必要があり、検査時間が長くなるという問題があった。

本発明は上記の点に鑑みて為され、その目的は、専門知識がなくても自動で学習を行うとともに、検査時間を短縮することができる信号識別方法および信号識別装置を提供することにある。

請求項１に係る信号識別方法の発明は、それぞれ検査対象物の状態を識別する複数の識別器を備える信号識別装置を用いて、各識別器の判定基準を設定する学習と、前記検査対象物の状態に基づく検査用データを各識別器の判定基準に照合して当該検査対象物の状態を識別する検査とを行う信号識別方法であって、学習時において、１次元波形の正常信号と異常信号とを含む複数の学習用の電気信号が入力され、各学習用の電気信号から、予め設定された抽出手法を用いて特徴量を抽出し、当該特徴量を学習用データとし、前記学習用データごとに重みを設定または変更し、予め設定された抽出範囲ごとに、各学習用データの抽出範囲の要素値を昇順または降順に並び替え、並び替えた各要素値を順に閾値に設定し、各要素値と前記閾値との大小関係を比較することによって、判定基準を変更しながら各学習用データの抽出範囲の要素値の当該判定基準への照合を行い、各学習用データの抽出元である学習用の電気信号が正常信号であるか否かを判定し、各学習用データの前記重みが設定または変更されると、前記判定基準ごとに、誤判定された前記学習用データの前記重みの総和を誤判定率として算出し、前記抽出範囲ごとに、前記誤判定率が最小となるときの判定基準を適用して識別器候補を作成し、前記重みが設定または変更されるごとに、前記抽出範囲ごとに作成された識別器候補の中から前記誤判定率が最小である識別器候補を前記識別器として選択し、前記識別器ごとに前記誤判定率を用いて信頼度を算出し、前記識別器が選択されるごとに、当該識別器によって誤判定された前記学習用データの前記重みを増加させ、検査時において、前記検査対象物の状態を表わす１次元波形の検査用の電気信号が入力され、当該検査用の電気信号から前記抽出手法を用いて特徴量を抽出し、当該特徴量を前記検査用データとし、前記識別条件を決定する各識別器において、前記検査用データを前記識別器の判定基準に照合して、前記検査対象物が正常状態であるか否かを判定し、前記検査対象物が正常状態であると判定した識別器の信頼度の総和が、前記検査対象物が異常状態であると判定した識別器の信頼度の総和以上である場合、前記検査対象物が正常状態であると最終判定することを特徴とする。

ここで、１次元波形とは、時間に対する検査対象物の所定の変数（物理量）を表わす波形をいう。

請求項２に係る信号識別方法の発明は、請求項１の発明において、前記抽出方法は、短時間フーリエ変換であることを特徴とする。

請求項３に係る信号識別方法の発明は、請求項１の発明において、前記抽出手法は、連続ウェーブレット変換であることを特徴とする。

請求項４に係る信号識別装置の発明は、それぞれ検査対象物の状態を識別する複数の識別器を備え、各識別器の判定基準を設定する学習と、前記検査対象物の状態に基づく検査用データを各識別器の判定基準に照合して当該検査対象物の状態を識別する検査とを行う信号識別装置であって、学習時に正常信号と異常信号とを含む複数の学習用の電気信号が入力され、検査時に前記検査対象物の状態を表わす検査用の電気信号が入力され、当該電気信号から、予め設定された抽出手法を用いて特徴量を抽出する特徴量抽出手段と、前記特徴量抽出手段で各学習用の電気信号から抽出された特徴量をそれぞれ学習用データとし、当該学習用データごとに重みを設定または変更する重み設定変更手段と、学習時に、予め設定された抽出範囲ごとに、各学習用データの抽出範囲の要素値を昇順または降順に並び替え、並び替えた各要素値を順に閾値に設定し、各要素値と前記閾値との大小関係を比較することによって、判定基準を変更しながら各学習用データの前記抽出範囲の要素値の当該判定基準への照合を行い、各学習用データの抽出元である学習用の電気信号が正常信号であるか否かを判定する学習時判定手段と、前記重み設定変更手段によって各学習用データの前記重みが設定または変更されると、前記判定基準ごとに、前記学習時判定手段によって誤判定された前記学習用データの前記重みの総和を誤判定率として算出する算出手段と、前記抽出範囲ごとに、前記算出手段で算出された前記誤判定率が最小となるときの判定基準を適用して識別器候補を作成する識別器作成手段と、前記重みが設定または変更されるごとに、前記識別器作成手段によって前記抽出範囲ごとに作成された識別器候補の中から前記誤判定率が最小である識別器候補を前記識別器として選択し、前記識別器ごとに前記誤判定率を用いて信頼度を算出する識別器選択手段と、前記識別器選択手段によって前記識別器が選択されるごとに、当該識別器によって誤判定された前記学習用データの前記重みを増加させるように前記重み設定変更手段に指示する重み指示手段と、検査時に、前記特徴量抽出手段で前記検査用の電気信号から抽出された特徴量を前記検査用データとし、前記識別条件を決定する各識別器において、前記検査用データを前記識別器の判定基準に照合して、前記検査対象物が正常状態であるか否かを判定し、前記検査対象物が正常状態であると判定した識別器の信頼度の総和が、前記検査対象物が異常状態であると判定した識別器の信頼度の総和以上である場合、前記検査対象物が正常状態であると最終判定する検査時判定手段とを備えることを特徴とする。

ここで、１次元波形とは、時間に対する検査対象物の所定の変数（物理量）を表わす波形をいう。

請求項１，４の発明によれば、誤判定率が最小となる識別器を選択するときに、前回選択した識別器によって誤判定された学習用データの重みを増加させ、前回選択した識別器によって正常判定された電気信号の重みを減少させるように変更し、重みが設定または変更されるごとに識別器を選択することによって、専門知識がなくても学習時に最適な設定を自動で行うことができる。また、請求項１，６の発明によれば、検査時において、各識別器の判定結果を統合するだけでよいので、ニューラルネットワークを用いた場合に比べて、検査時間を短縮することができる。

また、請求項１，４の発明によれば、それぞれ個別に算出された各識別器の信頼度の大きさを考慮して、検査対象物が正常状態であるか否かを最終判定することができる。

さらに、請求項１，４の発明によれば、各要素値を順に閾値に設定することによって、各学習用データの抽出元が正常信号であるか異常信号であるかを容易に判定することができるので、誤判定率を短時間で算出することができる。

請求項２の発明によれば、短時間フーリエ変換に、１次元波形の持つ特徴がすべて含まれ、その中から必要な要素値のみを用いた判定基準を持つ識別器を構成するので、複数の特徴抽出フィルタを予め準備する必要がない。その結果、従来の信号識別装置に比べて、必要メモリ量を縮小することができる。また、本実施形態によれば、探索範囲が短時間フーリエ変換後の特徴量に限られるので、従来の信号識別装置に比べて、学習時間を短縮することができ、プログラムサイズを縮小することができる。

請求項３の発明によれば、連続ウェーブレット変換に、１次元波形の持つ特徴がすべて含まれ、その中から必要な要素値のみを用いた判定基準を持つ識別器を構成するので、複数の特徴抽出フィルタを予め準備する必要がない。その結果、従来の信号識別装置に比べて、必要メモリ量を縮小することができる。また、請求項３の発明によれば、探索範囲が連続ウェーブレット変換後の特徴量に限られるので、従来の信号識別装置に比べて、学習時間を短縮することができ、プログラムサイズを縮小することができる。

実施形態１に係る信号識別装置の構成を示すブロック図である。 同上に係る信号識別方法のうち学習方法を示すフローチャートである。 同上に係る信号識別方法の学習方法における識別器の作成方法を示すフローチャートである。 同上に係る信号識別方法のうち検査方法を示すフローチャートである。 実施形態２に係る信号識別方法のうち学習方法を示すフローチャートである。

（実施形態１）
まず、実施形態１に係る信号識別装置の構成について説明する。本実施形態の信号識別装置は、ＡｄａＢｏｏｓｔの手法を用いて検査対象物の状態（検査対象物が正常状態であるか異常状態であるか）を識別する。本実施形態の信号識別装置は、学習時において、予め用意されている複数（ｍ個）の学習用の電気信号（以下「学習用信号」という）を用いて、複数の弱識別器（以下「識別器」という）を設定する。複数の学習用信号には、検査対象物が正常状態であるときの電気信号（以下「正常サンプル」という）と、検査対象物が異常状態であるときの電気信号（以下「異常サンプル」という）との両方が含まれている。各学習用信号には、他の学習用信号と識別するために個別のサンプル番号ｉ（ｉ＝０，・・・，ｍ−１）が予め割り当てられている。各識別器は、検査対象物から検査用の電気信号（以下「検査用信号」という）が入力されると、検査対象物が正常状態であるか否かを判定する。

信号識別装置は、図１に示すように、信号入力部１と、特徴量抽出部（特徴量抽出手段）２と、重み管理部３と、学習時判定部（学習時判定手段）４と、算出部（算出手段）５と、識別器作成部（識別器作成手段）６と、識別器選択部（識別器選択手段）７と、検査時判定部（検査時判定手段）８と、出力部９とを備えている。なお、検査対象物（図示せず）は、主に回転機器を含む装置や設備などであるが、上記には限定されない。

信号入力部１は、検査対象物の振動を検出する振動センサ１０と、検査対象物の音を検出するマイクロホン１１とを備えている。振動センサ１０は、検出した振動をアナログの電気信号に変換する。振動センサ１０で変換された電気信号は、時間に対する検査対象物の振動の変化を表わす１次元波形の信号である。マイクロホン１１は、検出した音をアナログの電気信号に変換する。マイクロホン１１で変換された電気信号は、時間に対する検査対象物の音の変化を表わす１次元波形の信号である。

特徴量抽出部２には、１次元波形である正常サンプルと異常サンプルとが学習用信号として入力される。特徴量抽出部２は、入力された学習用信号ごとに、学習用信号に対してノイズを除去する前処理を行う。その後、特徴量抽出部２は、数１，２を用いて学習用信号を短時間フーリエ変換し、時間（窓関数の中心時間）ｂと周波数ｆの組み合わせにおける要素値Ｆ（ｉ）（ｂ，ｆ）の集合を特徴量として抽出する。サンプル番号ｉの学習用信号に対して、特徴量抽出部２によって抽出された時間ｂ・周波数ｆの要素値Ｆ（ｉ）（ｂ，ｆ）の集合をサンプル番号ｉの学習用データとする。例えば、サンプル番号ｉ＝２、時間ｂ３・周波数ｆ２の要素値は、Ｆ（２）（ｂ３，ｆ２）と表わされる。数１は、サンプル番号ｉ・時間ｂ・周波数ｆの要素値Ｆ（ｉ）（ｂ，ｆ）を示し、数２は、数１の窓関数Ｒｄ（ｔ−ｂ）を示す。窓関数Ｒｄ（ｔ−ｂ）は、時間ｂを中心としたガウス窓である。ｘ（ｔ）は電気信号である。

一方、検査時において、特徴量抽出部２には、振動センサ１０またはマイクロホン１１から検査対象物（図示せず）の状態に基づくアナログの電気信号が検査用信号として入力される。検査用信号が入力された後、特徴量抽出部２は、学習時と同様に、検査用信号を短時間フーリエ変換し、時間ｂ・周波数ｆの要素値Ｆ（ｂ，ｆ）の集合を特徴量として抽出する。時間ｂ・周波数ｆの要素値Ｆ（ｂ，ｆ）の集合を検査用データとする。例えば、時間ｂ２・周波数ｆ５の要素値は、Ｆ（ｂ２，ｆ５）と表わされる（数１，２参照、ｉは省略）。

重み管理部３は、学習時に、学習用データ（学習用信号）ごとに重みＷ（ｉ）を設定および変更する重み設定変更部（重み設定変更手段）３０と、重み設定変更部３０に対して各学習用データの重みＷ（ｉ）を変更するように指示する重み指示部（重み指示手段）３１とを備えている。Ｗ（ｉ）は、サンプル番号ｉの学習用データの重みを表している。例えばサンプル番号ｉ＝１の学習用データの重みはＷ（１）と表わされ、サンプル番号ｉ＝ｍ−１の学習用データの重みはＷ（ｍ−１）と表わされる。

重み設定変更部３０は、各学習用データの重みＷ（ｉ）の総和ΣＷ（ｉ）が１（ΣＷ（ｉ）＝１）になるように、各重みＷ（ｉ）を設定および変更する。各学習用データの重みＷ（ｉ）の初期値は、均等に設定される。学習用データがｍ個の場合、各学習用データの重みＷ（ｉ）は、すべて１／ｍに設定される。

重み指示部３１は、後述のように識別器選択部７によって識別器ＤＥＣ（ｎ）が選択されるごとに、識別器ＤＥＣ（ｎ）によって誤判定された学習用データの重みＷ（ｉ）を増加させ、識別器ＤＥＣ（ｎ）によって正しく判定された学習用データの重みＷ（ｉ）を減少させるように重み設定変更部３０に指示する。

学習時判定部４は、時間ｂ・周波数ｆの組み合わせごとに、すべての学習用データから時間ｂ・周波数ｆの要素値Ｆ（ｉ）（ｂ，ｆ）を取り出し、取り出した要素値Ｆ（ｉ）（ｂ，ｆ）を昇順に並び替える。並び替えられた要素値Ｆ（ｃ）は、大きいほうから順に、Ｆ（０）、Ｆ（１），・・・，Ｆ（ｍ−１）と表わされる。その後、学習時判定部４は、各要素値Ｆ（ｃ）を順に閾値δに設定しながら、各要素値Ｆ（ｃ）と閾値δとを比較する。要素値Ｆ（ｃ）が閾値δ未満であれば、学習時判定部４は、要素値Ｆ（ｃ）を含む学習用データの抽出元が正常サンプルであると判定する。要素値Ｆ（ｃ）が閾値δ以上であれば、学習時判定部４は、要素値Ｆ（ｃ）を含む学習用データの抽出元が異常サンプルであると判定する。なお、学習時判定部４は、要素値Ｆ（ｉ）（ｂ，ｆ）を昇順ではなく降順に並び替えてもよい。

算出部５は、すべての時間ｂ・周波数ｆの組み合わせに対して、重み設定変更部３０によって重みＷ（ｉ）が設定または変更されると、閾値δごとに、学習時判定部４で誤判定された学習用データの重みＷ（ｉ）の総和ΣＷ（ｉ）を誤判定率εとして算出する。誤判定とは、要素値Ｆ（ｃ）を含む学習用データの抽出元が本来正常サンプルであるのに異常サンプルと判定したり、上記抽出元が本来異常サンプルであるのに正常サンプルと判定したりすることをいう。その後、算出部５は、算出した誤判定率εが０．５より大きい場合、（１−誤判定率ε）を新しい誤判定率εにする。

識別器作成部６は、時間ｂ・周波数ｆの組み合わせごとに、算出部５で算出された誤判定率εが最小となるときの判定基準を適用して識別器（弱識別器候補）ＤＥＣ（ｂ，ｆ）を作成する。上記の判定基準は、算出部５で算出された誤判定率εが０．５以下である場合、要素値Ｆ（ｃ）が閾値δ未満であれば、要素値Ｆ（ｃ）を含む学習用データの抽出元が正常サンプルであると判定し、要素値Ｆ（ｃ）が閾値δ以上であれば、上記の抽出元が異常サンプルであると判定するという内容である。一方、算出部５で算出された誤判定率εが０．５より大きく、（１−誤判定率ε）が新しい誤判定率εになった場合、上記の判定基準は、要素値Ｆ（ｃ）が閾値δ未満であれば、要素値Ｆ（ｃ）を含む学習用データの抽出元が異常サンプルであると判定し、要素値Ｆ（ｃ）が閾値δ以上であれば、上記の抽出元が正常サンプルであると判定するという内容である。

識別器選択部７は、識別器作成部６によって時間ｂ・周波数ｆの組み合わせごとに作成された複数の識別器ＤＥＣ（ｂ，ｆ）の中から、誤判定率εが最小である識別器ＤＥＣ（ｂ，ｆ）を識別器（検査用識別器）ＤＥＣ（ｎ）として選択する。ｎは、各識別器ＤＥＣ（ｎ）を識別するための識別器番号である。例えばＤＥＣ（３）は、３番目に選択された識別器を表わしている。識別器選択部７は、選択した識別器ＤＥＣ（ｎ）について、識別器ＤＥＣ（ｎ）の誤判定率εを数３に代入して信頼度α（ｎ）を算出し、信頼度α（ｎ）を数４に代入して係数β（ｎ）（β（ｎ）＜１）を算出する。識別器選択部７は、重みＷ（ｉ）が設定または変更されるごとに識別器（ｎ）を選択していき、全部でｎ個の識別器ＤＥＣ（ｎ）を選択する。複数の識別器ＤＥＣ（ｎ）は、選択順に並んで、記憶部７０に記憶される。

検査時判定部８は、検査時において、記憶部７０から複数の識別器ＤＥＣ（ｎ）を信頼度α（ｎ）の高い順に取り出し、先に取り出された識別器ＤＥＣ（ｎ）から順に、特徴量抽出部２によって検査用信号から抽出された要素値Ｆ（ｂ，ｆ）を閾値δと比較して、検査対象物が正常状態であるか否かを判定する。検査対象物が正常状態であると識別器ＤＥＣ（ｎ）が判定した場合、検査時判定部８は、これまでの信頼度の総和Ｓに今回の識別器ＤＥＣ（ｎ）の信頼度α（ｎ）を加えた値を新しい信頼度の総和Ｓとする。検査対象物が異常状態であると識別器ＤＥＣ（ｎ）が判定した場合、検査時判定部８は、これまでの信頼度の総和Ｓから今回の識別器ＤＥＣ（ｎ）の信頼度α（ｎ）を差し引いた値を新しい信頼度の総和Ｓとする。検査時判定部８は、すべての識別器ＤＥＣ（ｎ）において上記の判定が行われた後、信頼度の総和Ｓが０以上である場合、検査対象物が正常状態であると最終判定する。信頼度の総和Ｓが０未満である場合、検査時判定部８は、検査対象物が異常状態であると最終判定する。検査時判定部８の最終判定結果は、出力部９に出力される。

出力部９は、検査時判定部８から最終判定結果が入力されると、入力された最終判定結果に応じて警報音を鳴らしたり、警告画面を表示したりする。また、出力部９は、外部機器（図示せず）が接続されている場合、最終判定結果に応じた情報を外部機器に出力することも可能である。

次に、本実施形態に係る信号識別方法について説明する。まず、学習方法について図２を用いて説明する。

最初に、正常サンプルと異常サンプルとを含むｍ個の学習用信号（学習用波形サンプル）が特徴量抽出部２に入力される（Ｓ１）。サンプル番号ｉは初期値０に設定される（Ｓ２）。その後、特徴量抽出部２は、学習用信号を短時間フーリエ変換し、要素値Ｆ（ｉ）（ｂ，ｆ）の集合である学習用データを抽出する（Ｓ３）。特徴量抽出部２は、すべて（ｍ個）の学習用信号から学習用データを抽出したか否かを判定する（Ｓ４）。すべての学習用信号から学習用データが抽出されていない場合、ステップＳ３が繰り返される（Ｓ５）。すべての学習用信号から学習用データが抽出された場合、重み設定変更部３０は、各学習用データの重みＷ（ｉ）を初期値（１／ｍ）に設定する（Ｓ６）。その後、識別器番号ｎが初期値０に設定され（Ｓ７）、時間ｂが初期値０に設定され（Ｓ８）、周波数ｆが初期値０に設定される（Ｓ９）。

その後、識別器作成部６が、時間ｂ・周波数ｆの識別器（弱識別器候補）ＤＥＣ（ｂ，ｆ）を作成する（Ｓ１０）。このとき、識別器ＤＥＣ（ｂ，ｆ）の誤判定率εが算出される。その後、識別器選択部７は、今回の識別器ＤＥＣ（ｂ，ｆ）の誤判定率εがこれまでの誤判定率εの中で最小であるか否かを判定する（Ｓ１１）。今回の誤判定率εが最小である場合、識別器選択部７は、今回の識別器ＤＥＣ（ｂ，ｆ）を識別器ＤＥＣ（ｎ）としたときの信頼度α（ｎ）を算出する（Ｓ１２）。その後、識別器選択部７は、識別器番号ｎの識別器ＤＥＣ（ｎ）を今回の識別器ＤＥＣ（ｂ，ｆ）に更新する（Ｓ１３）。識別器選択部７は、時間ｂにおいて全周波数ｆについてステップＳ１０からステップＳ１３の処理（第１の処理）が行われたか否かを判定する（Ｓ１４）。時間ｂにおいて全周波数ｆについて第１の処理が行われていない場合、ステップＳ１０からステップＳ１３が繰り返される（Ｓ１５）。時間ｂにおいて全周波数ｆについて第１の処理が行われた場合、識別器選択部７は、すべての時間ｂについてステップＳ９からステップＳ１４の処理（第２の処理）が行われたか否かを判定する（Ｓ１６）。すべての時間ｂについて第２の処理が行われていない場合、ステップＳ９からステップＳ１４が繰り返される（Ｓ１７）。

すべての時間ｂについて第２の処理が行われた場合、重み設定変更部３０は、各学習用データの重みＷ（ｉ）を変更する（Ｓ１８）。重み指示部３１は、最終更新された識別器ＤＥＣ（ｎ）によって正しく判定された学習用データに対して、係数β（ｎ）（β（ｎ）＜１）をかけて重みＷ（ｉ）を減少させるように、重み設定変更部３０に指示する。一方、誤判定された学習用データに対しては、係数β（ｎ）で割って重みＷ（ｉ）を増加させるように、重み指示部３１が重み設定変更部３０に指示する。

識別器選択部７は、すべて（ｎ個）の識別器ＤＥＣ（ｎ）が選択されたか否かを判定する（Ｓ１９）。すべての識別器ＤＥＣ（ｎ）が選択されていない場合、ステップＳ８からステップＳ１８が繰り返される（Ｓ２０）。すべての識別器ＤＥＣ（ｎ）が選択された場合、学習を完了する。

続いて、上述の学習方法において、ステップＳ１０における時間ｂ・周波数ｆの識別器ＤＥＣ（ｂ，ｆ）の作成方法について図３を用いて説明する。

まず、学習時判定部４は、時間ｂ・周波数ｆの組み合わせごとに、すべての学習用データの要素値Ｆ（ｉ）（ｂ，ｆ）を昇順に並び替える（Ｓ２１）。並び替えられた要素値Ｆ（ｃ）は、大きいほうから順に、Ｆ（０），Ｆ（１），・・・，Ｆ（ｍ−１）となる。その後、学習時判定部４は、閾値δを初期値Ｆ（０）に設定する（Ｓ２２）。学習時判定部４は、閾値δにおける識別器ＤＥＣ（ｂ，ｆ）を作成する。閾値δにおける識別器ＤＥＣ（ｂ，ｆ）には、各要素値Ｆ（ｃ）と閾値δをそれぞれ比較し、閾値δ未満の要素値Ｆ（ｃ）を含む学習用データの抽出元を正常サンプルと判定し、閾値δ以上の要素値Ｆ（ｃ）を含む学習用データの抽出元を異常サンプルと判定する判定基準が設定される（Ｓ２３）。

その後、算出部５は、ステップＳ２３において、誤判定された要素値Ｆ（ｃ）を含む学習用データの重みＷ（ｉ）を用いて誤判定率ε＝ΣＷ（ｉ）を算出する（Ｓ２４）。その後、識別器作成部６は、誤判定率εが０．５より大きいか否かを判定する（Ｓ２５）。誤判定率εが０．５より大きい場合、識別器作成部６は、判定基準を逆にして、（１−誤判定率ε）を新しい誤判定率εとする（Ｓ２６）。つまり、識別器作成部６は、閾値δ未満の要素値Ｆ（ｃ）を含む学習用データの抽出元を異常サンプルと判定し、閾値δ以上の要素値Ｆ（ｃ）を含む学習用データの抽出元を正常サンプルと判定するように判定基準を変更する。その後または誤判定率εが０．５以下である場合、識別器作成部６は、今回の誤判定率εがこれまでの中で最小であるか否かを判定する（Ｓ２７）。今回の誤判定率εが最小である場合、識別器作成部６は、識別器ＤＥＣ（ｂ，ｆ）の判定基準を更新する（Ｓ２８）。

その後、識別器作成部６は、すべての閾値δについて処理（ステップＳ２３からステップＳ２８）が行われたか否かを判定する（Ｓ２９）。すべての閾値δについて処理が行われていない場合、ステップＳ２３からステップＳ２８が繰り返される（Ｓ３０）。すべての閾値δについて処理が行われた場合、識別器作成部６は、時間ｂ・周波数ｆの識別器ＤＥＣ（ｂ，ｆ）を確定する（Ｓ３１）。確定した識別器ＤＥＣ（ｂ，ｆ）は、最終更新された判定基準を有する。

次に、本実施形態に係る信号識別方法の検査方法について図４を用いて説明する。まず、検査用信号が信号入力部１から特徴量抽出部２に入力される（Ｓ４１）。特徴量抽出部２は、検査用信号を短時間フーリエ変換し、要素値Ｆ（ｂ，ｆ）の集合である検査用データを抽出する（Ｓ４２）。

検査時判定部８は、信頼度の総和Ｓを初期値０に設定し（Ｓ４３）、識別器番号ｎを初期値０に設定する（Ｓ４４）。その後、検査時判定部８は、識別器ＤＥＣ（ｎ）による検査用データの判定を実施する（Ｓ４５）。検査対象物が正常状態であると識別器ＤＥＣ（ｎ）で判定された場合（Ｓ４６）、検査時判定部８は、（新しい信頼度の総和Ｓ）＝（これまでの信頼度の総和Ｓ）＋（今回の識別器ＤＥＣ（ｎ）の信頼度α（ｎ））とする（Ｓ４７）。検査対象物が異常状態であると識別器ＤＥＣ（ｎ）で判定された場合（Ｓ４６）、検査時判定部８は、（新しい信頼度の総和Ｓ）＝（これまでの信頼度の総和Ｓ）−（今回の識別器ＤＥＣ（ｎ）の信頼度α（ｎ））とする（Ｓ４８）。検査時判定部８は、すべての識別器ＤＥＣ（ｎ）において検査用データの判定が実施されたか否かを判定する（Ｓ４９）。すべての識別器ＤＥＣ（ｎ）において検査用データの判定が実施されていない場合、ステップＳ４５からステップＳ４８が繰り返される（Ｓ５０）。すべての識別器ＤＥＣ（ｎ）において検査用データの判定が実施された場合、検査時判定部８は、信頼度の総和Ｓが０以上であるか否かを判定する（Ｓ５１）。信頼度の総和Ｓが０以上である場合、検査時判定部８は、検査対象物が正常状態であると最終判定する（Ｓ５２）。信頼度の総和Ｓが０未満である場合、検査時判定部８は、検査対象物が異常状態であると最終判定する（Ｓ５３）。検査時判定部８の最終判定結果は、出力部９に出力される。

以上、本実施形態によれば、誤判定率εが最小となる識別器ＤＥＣ（ｂ，ｆ）を識別器ＤＥＣ（ｎ）として選択するときに、前回選択した識別器ＤＥＣ（ｎ）によって誤判定された学習用データの重みＷ（ｉ）を増加させ、前回選択した識別器ＤＥＣ（ｎ）によって正常判定された学習用データの重みＷ（ｉ）を減少させるように変更し、重みＷ（ｉ）が設定または変更されるごとに識別器ＤＥＣ（ｎ）を選択することによって、専門知識がなくても学習時に最適な設定を自動で行うことができる。特に、それぞれ個別に算出された各識別器の信頼度の大きさを考慮して、検査対象物が正常状態であるか否かを最終判定することができる。

また、本実施形態によれば、検査時において、各識別器ＤＥＣ（ｎ）の判定結果を統合するだけでよいので、ニューラルネットワークを用いた場合に比べて、検査時間を短縮することができる。

さらに、本実施形態によれば、学習時判定部４において、各要素値Ｆ（ｃ）を順に閾値δに設定することによって、各学習用データの抽出元が正常サンプルであるか異常サンプルであるかを容易に判定することができるので、誤判定率εを短時間で算出することができる。

ところで、従来の信号識別装置は、特徴量を抽出する際に、複数の特徴量抽出フィルタから、検査に適した特徴量抽出フィルタを自動選択するため、使用が想定される特徴量抽出フィルタをすべて事前に用意する必要がある。しかしながら、検査対象物のバリエーションは今後出てくるであろうものも含めて無数にあるため、使用が想定される特徴量抽出フィルタをすべて事前に用意することは難しい。また、複数の特徴量抽出フィルタを予め用意したとしても、各特徴量抽出フィルタが持つ複数パラメータの組み合わせをすべて探索して最適設定のパラメータの組み合わせを選択するのに、膨大な処理時間が必要である。

一方、本実施形態によれば、短時間フーリエ変換に、１次元波形の持つ特徴がすべて含まれ、その中から必要な要素値Ｆ（ｉ）（ｂ，ｆ）のみを用いた判定基準を持つ識別器ＤＥＣ（ｎ）を構成するので、複数の特徴抽出フィルタを予め準備する必要がない。その結果、従来の信号識別装置に比べて、必要メモリ量を縮小することができる。また、本実施形態によれば、探索範囲が短時間フーリエ変換後の特徴量に限られるので、従来の信号識別装置に比べて、学習時間を短縮することができ、プログラムサイズを縮小することができる。

（実施形態２）
実施形態２に係る信号識別装置は、電気信号を短時間フーリエ変換するのではなく、連続ウェーブレット変換する点で、実施形態１に係る信号識別装置と相違する。

本実施形態の特徴量抽出部２は、正常サンプルと異常サンプルとを含む学習用信号ごとに、学習用信号に対してノイズを除去する前処理を行った後、数５，６を用いて学習用信号を連続ウェーブレット変換し、時間ｂとパラメータａの組み合わせにおける要素値Ｙ（ｉ）（ｂ，ａ）の集合を特徴量として抽出する。数５は、サンプル番号ｉ・時間ｂ・パラメータａの要素値Ｙ（ｉ）（ｂ，ａ）を示し、数６は、数５のマザーウェーブレットΨ（ｔ）を示す。ｘ（ｔ）は電気信号である。

一方、検査時においても、特徴量抽出部２は、学習時と同様に、検査用信号を連続ウェーブレット変換し、時間ｂ・パラメータａの要素値Ｙ（ｂ，ａ）の集合である検査用データを抽出する。

次に、本実施形態に係る信号識別方法について説明する。まず、学習方法について図５を用いて説明する。

最初に、正常サンプルと異常サンプルとを含むｍ個の学習用信号が特徴量抽出部２に入力される（Ｓ６１）。サンプル番号ｉは初期値０に設定される（Ｓ６２）。その後、特徴量抽出部２は、学習用信号を連続ウェーブレット変換し、要素値Ｙ（ｉ）（ｂ，ａ）の集合である学習用データを抽出する（Ｓ６３）。特徴量抽出部２は、すべて（ｍ個）の学習用信号から学習用データを抽出したか否かを判定する（Ｓ６４）。すべての学習用信号から学習用データが抽出されていない場合、ステップＳ６３が繰り返される（Ｓ６５）。すべての学習用信号から学習用データが抽出された場合、重み設定変更部３０は、各学習用データの重みＷ（ｉ）を初期値（１／ｍ）に設定する（Ｓ６６）。その後、識別器番号ｎが初期値０に設定され（Ｓ６７）、時間ｂが初期値０に設定され（Ｓ６８）、パラメータａが初期値０に設定される（Ｓ６９）。

その後、識別器作成部６が、時間ｂ・パラメータａのときの識別器（弱識別器候補）ＤＥＣ（ｂ，ａ）を作成する（Ｓ７０）。このとき、識別器ＤＥＣ（ｂ，ａ）の誤判定率εが算出される。その後、識別器選択部７は、今回の識別器ＤＥＣ（ｂ，ａ）の誤判定率εがこれまでの誤判定率εの中で最小であるか否かを判定する（Ｓ７１）。今回の誤判定率εが最小である場合、識別器選択部７は、今回の識別器ＤＥＣ（ｂ，ａ）を識別器ＤＥＣ（ｎ）としたときの信頼度α（ｎ）を算出する（Ｓ７２）。その後、識別器選択部７は、識別器番号ｎの識別器ＤＥＣ（ｎ）を今回の識別器ＤＥＣ（ｂ，ａ）に更新する（Ｓ７３）。識別器選択部７は、時間ｂにおいてすべてのパラメータａについてステップＳ７０からステップＳ７３の処理（第３の処理）が行われたか否かを判定する（Ｓ７４）。時間ｂにおいてすべてのパラメータａについて第３の処理が行われていない場合、ステップＳ７０からステップＳ７３が繰り返される（Ｓ７５）。時間ｂにおいてすべてのパラメータａについて第３の処理が行われた場合、識別器選択部７は、すべての時間ｂについてステップＳ６９からステップＳ７４の処理（第４の処理）が行われたか否かを判定する（Ｓ７６）。すべての時間ｂについて第４の処理が行われていない場合、ステップＳ６９からステップＳ７４が繰り返される（Ｓ７７）。

すべての時間ｂについて第４の処理が行われた場合、重み設定変更部３０は、各学習用データの重みＷ（ｉ）を変更する（Ｓ７８）。重み指示部３１は、最終更新された識別器ＤＥＣ（ｎ）によって正しく判定された学習用データに対して、係数β（ｎ）（β（ｎ）＜１）をかけて重みＷ（ｉ）を減少させるように、重み設定変更部３０に指示する。一方、誤判定された学習用データに対しては、係数β（ｎ）で割って重みＷ（ｉ）を増加させるように、重み指示部３１が重み設定変更部３０に指示する。

識別器選択部７は、すべて（ｎ個）の識別器ＤＥＣ（ｎ）が選択されたか否かを判定する（Ｓ７９）。すべての識別器ＤＥＣ（ｎ）が選択されていない場合、ステップＳ６８からステップＳ７８が繰り返される（Ｓ８０）。すべての識別器ＤＥＣ（ｎ）が選択された場合、学習を完了する。

続いて、上述した学習方法において、ステップＳ７０における時間ｂ・パラメータａの識別器ＤＥＣ（ｂ，ａ）の作成方法について図３を用いて説明する。

まず、学習時判定部４は、時間ｂ・パラメータａの組み合わせごとに、すべての学習用データの要素値Ｙ（ｉ）（ｂ，ａ）を昇順に並び替える（Ｓ２１）。並び替えられた要素値Ｙ（ｃ）は、大きいほうから順に、Ｙ（０），Ｙ（１），・・・，Ｙ（ｍ−１）となる。その後、学習時判定部４は、閾値δを初期値Ｙ（０）に設定する（Ｓ２２）。学習時判定部４は、閾値δにおける識別器ＤＥＣ（ｂ，ａ）を作成する。閾値δにおける識別器ＤＥＣ（ｂ，ａ）には、各要素値Ｙ（ｃ）と閾値δをそれぞれ比較し、閾値δ未満の要素値Ｙ（ｃ）を含む学習用データの抽出元を正常サンプルと判定し、閾値δ以上の要素値Ｙ（ｃ）を含む学習用データの抽出元を異常サンプルと判定する判定基準が設定される（Ｓ２３）。

その後、算出部５は、ステップＳ２３において、誤判定された要素値Ｙ（ｃ）を含む学習用データの重みＷ（ｉ）を用いて誤判定率ε＝ΣＷ（ｉ）を算出する（Ｓ２４）。その後、識別器作成部６は、誤判定率εが０．５より大きいか否かを判定する（Ｓ２５）。誤判定率εが０．５より大きい場合、識別器作成部６は、判定基準を逆にして、（１−誤判定率ε）を新しい誤判定率εとする（Ｓ２６）。つまり、識別器作成部６は、閾値δ未満の要素値Ｙ（ｃ）を含む学習用データの抽出元を異常サンプルと判定し、閾値δ以上の要素値Ｙ（ｃ）を含む学習用データの抽出元を正常サンプルと判定するように判定基準を変更する。その後または誤判定率εが０．５以下である場合、識別器作成部６は、今回の誤判定率εがこれまでの中で最小であるか否かを判定する（Ｓ２７）。今回の誤判定率εが最小である場合、識別器作成部６は、識別器ＤＥＣ（ｂ，ａ）の判定基準を更新する（Ｓ２８）。

その後、識別器作成部６は、すべての閾値δについて処理（ステップＳ２３からステップＳ２８）が行われたか否かを判定する（Ｓ２９）。すべての閾値δについて処理が行われていない場合、ステップＳ２３からステップＳ２８が繰り返される（Ｓ３０）。すべての閾値δについて処理が行われた場合、識別器作成部６は、時間ｂ・パラメータａのときの識別器ＤＥＣ（ｂ，ａ）を確定する（Ｓ３１）。確定した識別器ＤＥＣ（ｂ，ａ）は、最終更新された判定基準を有する。

次に、本実施形態に係る信号識別方法の検査方法について図４を用いて説明する。まず、検査用信号が信号入力部１から特徴量抽出部２に入力される（Ｓ４１）。特徴量抽出部２は、検査用信号を連続ウェーブレット変換し、要素値Ｙ（ｂ，ａ）の集合である検査用データを抽出する（Ｓ４２）。その後の動作については、実施形態１と同様である（Ｓ４３〜Ｓ５３）。

以上、本実施形態によれば、連続ウェーブレット変換に、１次元波形の持つ特徴がすべて含まれ、その中から必要な要素値Ｙ（ｉ）（ｂ，ａ）のみを用いた判定基準を持つ識別器ＤＥＣ（ｎ）を構成するので、複数の特徴抽出フィルタを予め準備する必要がない。その結果、従来の信号識別装置に比べて、必要メモリ量を縮小することができる。また、本実施形態によれば、探索範囲が連続ウェーブレット変換後の特徴量に限られるので、従来の信号識別装置に比べて、学習時間を短縮することができ、プログラムサイズを縮小することができる。

２ 特徴量抽出部（特徴量抽出手段）
３０ 重み設定変更部（重み設定変更手段）
３１ 重み指示部（重み指示手段）
４ 学習時判定部（学習時判定手段）
５ 算出部（算出手段）
６ 識別器作成部（識別器作成手段）
７ 識別器選択部（識別器選択手段）
８ 検査時判定部（検査時判定手段）

Claims (4)

1. それぞれ検査対象物の状態を識別する複数の識別器を備える信号識別装置を用いて、各識別器の判定基準を設定する学習と、前記検査対象物の状態に基づく検査用データを各識別器の判定基準に照合して当該検査対象物の状態を識別する検査とを行う信号識別方法であって、
   学習時において、
   １次元波形の正常信号と異常信号とを含む複数の学習用の電気信号が入力され、各学習用の電気信号から、予め設定された抽出手法を用いて特徴量を抽出し、当該特徴量を学習用データとし、
   前記学習用データごとに重みを設定または変更し、
   予め設定された抽出範囲ごとに、各学習用データの抽出範囲の要素値を昇順または降順に並び替え、並び替えた各要素値を順に閾値に設定し、各要素値と前記閾値との大小関係を比較することによって、判定基準を変更しながら各学習用データの抽出範囲の要素値の当該判定基準への照合を行い、各学習用データの抽出元である学習用の電気信号が正常信号であるか否かを判定し、
   各学習用データの前記重みが設定または変更されると、前記判定基準ごとに、誤判定された前記学習用データの前記重みの総和を誤判定率として算出し、
   前記抽出範囲ごとに、前記誤判定率が最小となるときの判定基準を適用して識別器候補を作成し、
   前記重みが設定または変更されるごとに、前記抽出範囲ごとに作成された識別器候補の中から前記誤判定率が最小である識別器候補を前記識別器として選択し、前記識別器ごとに前記誤判定率を用いて信頼度を算出し、前記識別器が選択されるごとに、当該識別器によって誤判定された前記学習用データの前記重みを増加させ、
   検査時において、
   前記検査対象物の状態を表わす１次元波形の検査用の電気信号が入力され、当該検査用の電気信号から前記抽出手法を用いて特徴量を抽出し、当該特徴量を前記検査用データとし、
   前記識別条件を決定する各識別器において、前記検査用データを前記識別器の判定基準に照合して、前記検査対象物が正常状態であるか否かを判定し、前記検査対象物が正常状態であると判定した識別器の信頼度の総和が、前記検査対象物が異常状態であると判定した識別器の信頼度の総和以上である場合、前記検査対象物が正常状態であると最終判定する
   ことを特徴とする信号識別方法。
2. 前記抽出方法は、短時間フーリエ変換であることを特徴とする請求項１記載の信号識別方法。
3. 前記抽出手法は、連続ウェーブレット変換であることを特徴とする請求項１記載の信号識別方法。
4. それぞれ検査対象物の状態を識別する複数の識別器を備え、各識別器の判定基準を設定する学習と、前記検査対象物の状態に基づく検査用データを各識別器の判定基準に照合して当該検査対象物の状態を識別する検査とを行う信号識別装置であって、
   学習時に正常信号と異常信号とを含む複数の学習用の電気信号が入力され、検査時に前記検査対象物の状態を表わす検査用の電気信号が入力され、当該電気信号から、予め設定された抽出手法を用いて特徴量を抽出する特徴量抽出手段と、
   前記特徴量抽出手段で各学習用の電気信号から抽出された特徴量をそれぞれ学習用データとし、当該学習用データごとに重みを設定または変更する重み設定変更手段と、
   学習時に、予め設定された抽出範囲ごとに、各学習用データの抽出範囲の要素値を昇順または降順に並び替え、並び替えた各要素値を順に閾値に設定し、各要素値と前記閾値との大小関係を比較することによって、判定基準を変更しながら各学習用データの前記抽出範囲の要素値の当該判定基準への照合を行い、各学習用データの抽出元である学習用の電気信号が正常信号であるか否かを判定する学習時判定手段と、
   前記重み設定変更手段によって各学習用データの前記重みが設定または変更されると、前記判定基準ごとに、前記学習時判定手段によって誤判定された前記学習用データの前記重みの総和を誤判定率として算出する算出手段と、
   前記抽出範囲ごとに、前記算出手段で算出された前記誤判定率が最小となるときの判定基準を適用して識別器候補を作成する識別器作成手段と、
   前記重みが設定または変更されるごとに、前記識別器作成手段によって前記抽出範囲ごとに作成された識別器候補の中から前記誤判定率が最小である識別器候補を前記識別器として選択し、前記識別器ごとに前記誤判定率を用いて信頼度を算出する識別器選択手段と、
   前記識別器選択手段によって前記識別器が選択されるごとに、当該識別器によって誤判定された前記学習用データの前記重みを増加させるように前記重み設定変更手段に指示する重み指示手段と、
   検査時に、前記特徴量抽出手段で前記検査用の電気信号から抽出された特徴量を前記検査用データとし、前記識別条件を決定する各識別器において、前記検査用データを前記識別器の判定基準に照合して、前記検査対象物が正常状態であるか否かを判定し、前記検査対象物が正常状態であると判定した識別器の信頼度の総和が、前記検査対象物が異常状態であると判定した識別器の信頼度の総和以上である場合、前記検査対象物が正常状態であると最終判定する検査時判定手段と
   を備えることを特徴とする信号識別装置。

Images