JP2011065545A - 信号識別装置および信号識別方法 - Google Patents

Abstract

【課題】検査対象の状態に関する判定基準を緩めることをしなくても、異常状態を正常状態とする誤判定を増加させることなく、正常状態を異常状態とする誤判定を低減させるとともに、検査時間を大幅に短縮させる。
【解決手段】信号識別装置は、複数の学習データを用いてニューラルネットワーク１を学習させてクラスタリングマップを作成する。信号入力部２では、振動センサ２１が検査対象Ａの振動を検出して検査信号に変換し、マイクロホン２２が検査対象Ａの音を検出して検査信号に変換する。特徴量抽出部３は、振動センサ２１およびマイクロホン２２のそれぞれから検査信号を取得し、取得した複数の検査信号の関係を示す特徴量を抽出して検査データとする。演算部５のクラスタ判定部５２は、検査データを学習済みのニューラルネットワーク１に入力して上記検査データのクラスタリングマップ上での位置から検査対象Ａの状態を判定する。
【選択図】図１

Description

本発明は、検査対象の状態を検査するために用いられる信号識別装置および信号識別方法に関する。

従来から、検査対象の状態を検査する信号識別装置として、検査信号から抽出された複数の特徴量を学習済みのニューラルネットワークに入力することによって、検査対象が正常状態であるか否かの判定を行う装置が知られている（例えば特許文献１参照）。この信号識別装置は、上記判定を行う前にニューラルネットワークを学習させる必要がある。したがって、従来の信号識別装置は、学習信号として、検査対象が正常状態であるときに検出された正常信号（正常サンプル）と、検査対象が異常状態であるときに検出された異常信号（異常サンプル）とを収集して、正常サンプルおよび異常サンプルのそれぞれから特徴量を抽出し、抽出した複数の特徴量をニューラルネットワークに入力して上記ニューラルネットワークを学習させている。

また、他の例として、学習信号として正常サンプルのみを用いてニューラルネットワークを学習させる信号識別装置が知られている（例えば特許文献２参照）。この信号識別装置では、正常サンプルに比べて収集が困難である異常サンプルを必要としないので、学習信号を簡単に用意することができ、ニューラルネットワークの学習を容易に行うことができる。

特許第３７７８１７７号公報 特許第４２４１８１８号公報

ところで、これら従来の信号識別装置は、複数の信号源のそれぞれから入力される検査信号を用いて検査対象の状態を検査する場合、各信号源の検査信号ごとに個別に判定基準を作成して検査対象の状態を判定し、各信号源の検査信号に対する判定結果がすべて「正常」であったときに、検査対象が正常状態であると総合判定する。

したがって、従来の信号識別装置は、各信号源の検査信号に対する判定において「正常」を「異常」とする誤判定が１つでも発生すると、検査対象が異常状態であると最終判定されるため、最終判定において、本来、正常状態であるのに異常状態とする誤判定が多数発生するという問題があった。

上記問題を解決するために、従来においても、判定基準を緩めるという方法が考えられる。例えば、各信号源の検査信号に対する判定において「異常」が１つのみであった場合、すべての判定が「正常」である場合と同様に、最終判定を「正常」とするという方法が考えられる。しかしながら、検査対象の種類や用途によっては、「異常」の判定が１つのみであったとしても、検査対象が正常状態であると判定すると、重大な異常に繋がる可能性がある。したがって、判定基準を緩めることはできない。

また、従来の信号識別装置では、複数の信号源のそれぞれから入力される検査信号を用いて検査対象の状態を検査する場合、それぞれが各信号源の検査信号に対応する複数のニューラルネットワークを用いて検査するため、検査時間が長くなる傾向があった。

本発明は上記の点に鑑みて為され、本発明の目的は、検査対象の状態に関する判定基準を緩めることをしなくても、異常状態を正常状態とする誤判定を増加させることなく、正常状態を異常状態とする誤判定を低減させることができるとともに、検査時間を大幅に短縮させることができる信号識別装置および信号識別方法を提供することにある。

請求項１に係る信号識別装置の発明は、それぞれ予め収集された学習信号から抽出された特徴量である複数の学習データを教師なし競合学習型ニューラルネットワークに入力して当該教師なし競合学習型ニューラルネットワークを学習させ、当該教師なし競合学習型ニューラルネットワークから、検査対象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し、検査時に前記クラスタリングマップを用いて前記検査対象の状態を検査する信号識別装置であって、前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする信号入力手段と、前記信号入力手段から前記検査信号を取得し当該検査信号から前記検査対象の特徴量を抽出して検査データとする特徴量抽出手段と、前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する判定手段とを備え、前記信号入力手段は、それぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とする複数の信号源を有し、前記特徴量抽出手段は、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとすることを特徴とする。

請求項２に係る信号識別装置の発明は、請求項１の発明において、前記特徴量抽出手段は、予め設定されたタイミングごとに各検査信号の振幅値の抽出を行い、各検査信号の振幅値の組み合わせごとの抽出頻度を前記特徴量とすることを特徴とする。

請求項３に係る信号識別装置の発明は、請求項１の発明において、前記特徴量抽出手段は、予め設定されたタイミングごとに各検査信号のゼロクロスの有無の抽出を行い、各検査信号のゼロクロスの有無の組み合わせごとの抽出頻度を前記特徴量とす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、請求項１の発明において、前記特徴量抽出手段は、予め設定された区間ごとに各検査信号の振幅の極値の抽出を行い、各検査信号の振幅の極値の組み合わせごとの抽出頻度を前記特徴量とすることを特徴とする。

請求項５に係る信号識別装置の発明は、請求項４の発明において、前記特徴量抽出手段は、予め設定されたタイミングごとに各検査信号のゼロクロスの有無の抽出を行い、各検査信号のゼロクロスの有無の組み合わせごとの抽出頻度と、各検査信号の振幅の極値の組み合わせごとの抽出頻度とを合わせて前記特徴量とすることを特徴とする。

請求項６に係る信号識別装置の発明は、請求項２〜５のいずれか１項の発明において、前記特徴量抽出手段は、予め設定された時間領域に各検査信号を分割し、前記時間領域ごとに前記抽出を行い、前記組み合わせごとの抽出頻度を求め、各時間領域の抽出頻度結果を統合して前記特徴量とすることを特徴とする。

請求項７に係る信号識別方法の発明は、それぞれ予め収集された学習信号から抽出された特徴量である複数の学習データを教師なし競合学習型ニューラルネットワークに入力して当該教師なし競合学習型ニューラルネットワークを学習させ、当該教師なし競合学習型ニューラルネットワークから、検査対象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し、検査時に前記クラスタリングマップを用いて前記検査対象の状態を検査する信号識別方法であって、前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする第１のステップと、前記検査信号から前記検査対象の特徴量を抽出して検査データとする第２のステップと、前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する第３のステップとを有し、前記第１のステップにおいて、複数の信号源のそれぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とし、前記第２のステップにおいて、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとすることを特徴とする。

請求項１，７の発明によれば、各信号源からの複数の検査信号を用いて検査対象の状態を判定するときであっても、これらの検査信号の関係を示す特徴量を検査データとして抽出して検査対象の状態を判定することによって、信号源ごとに検査信号から特徴量を検査データとして抽出し、各検査データごとの判定結果のうち１つでも異常と判定すると検査対象が異常状態であると最終判定する場合に比べて、検査対象の状態に関する判定基準を緩めることをしなくても、異常状態を正常状態とする誤判定を増加させることなく、正常状態を異常状態とする誤判定を低減させることができる。

また、請求項１，７の発明によれば、検査時において検査信号から特徴量を抽出した後の判定処理を信号源の数に関わらず１回で完了することができるので、信号源ごとに検査信号から特徴量を検査データとして抽出し、各検査データごとに判定を行う場合に比べて、検査時間を大幅に短縮させることができる。

請求項２の発明によれば、各信号源からの検査信号の振幅値の分布とともに、異なる信号源間における検査信号の振幅の関連性を同時に判断することができる。

請求項３の発明によれば、各信号源からの検査信号の周波数の分布とともに、異なる信号源間における検査信号の位相の関連性を同時に判断することができる。

請求項４の発明によれば、各信号源からの検査信号の振幅の極値の分布とともに、異なる信号源間における検査信号の振幅の極値の関連性を同時に判断することができる。

請求項５の発明によれば、各信号源からの検査信号の周波数の分布および振幅の極値の分布とともに、異なる信号源間のおける検査信号の位相の関連性および振幅の極値の関連性を同時に判断することができる。

請求項６の発明によれば、各信号源からの検査信号の分布および異なる信号源間における検査信号の関連性の時間変化を捉えることができるので、検査信号が非定常な信号であっても、検査対象の検査を行うことができる。

実施形態１に係る信号識別装置の構成を示す図である。 同上に係るニューラルネットワークの構成を示す図である。 同上に係る信号識別装置による特徴量の抽出を説明する図である。 実施形態２に係る信号識別装置による特徴量の抽出を説明する図である。 実施形態３に係る信号識別装置による特徴量の抽出を説明する図である。 実施形態５に係る信号識別装置による特徴量の抽出を説明する図である。

（実施形態１）
実施形態１に係る信号識別装置は、学習モードにおいて、それぞれ予め収集された学習信号から抽出された特徴量である複数の学習データを教師なし競合学習型ニューラルネットワーク（以下「ニューラルネットワーク」という）１（図２参照）に入力して、ニューラルネットワーク１を学習させる。上記信号識別装置は、学習済みのニューラルネットワーク１からクラスタリングマップを作成する。一方、検査モードにおいては、信号識別装置は、クラスタリングマップを用いて検査対象Ａの状態を検査する。

ニューラルネットワーク１は、図２に示すように、入力層１１と出力層１２との２層で構成された自己組織化マップ（Self Organization Map，ＳＯＭ）である。入力層１１には、複数の入力層ニューロンＮ１，Ｎ１，・・・，Ｎ１が存在する。出力層１２には、複数の出力層ニューロンＮ２，Ｎ２，・・・，Ｎ２が存在する。各入力層ニューロンＮ１と各出力層ニューロンＮ２とは相互に結合され、各入力層ニューロンＮ１には入力データ（入力ベクトル）の要素が１つずつ入力される。入力層ニューロンＮ１と出力層ニューロンＮ２の個数は同数である必要はない。本実施形態のニューラルネットワーク１は、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することによって実現する場合を想定しているが、専用のニューロコンピュータによって実現することも可能である。

本実施形態の信号識別装置は、図１に示すように、複数の信号源を有する信号入力部２と、信号入力部２からの信号から検査対象Ａの特徴量を抽出する特徴量抽出部３と、後述の学習データが記憶される学習データ記憶部４と、ニューラルネットワーク１を学習してクラスタリングマップを作成するとともに上記クラスタリングマップを用いて検査対象Ａの状態を判定する演算部５と、クラスタリングマップが記憶されるマップ記憶部６と、演算部５の判定結果が記憶される判定結果記憶部７と、演算部５の判定結果を外部機器（図示せず）などに出力する出力部８とを備えている。信号識別装置の動作には、ニューラルネットワーク１を学習するとき（学習時）に用いられる学習モードと、検査対象Ａの状態を検査するとき（検査時）に用いられる検査モードとがある。検査対象Ａは、例えば回転機器を含む装置や設備などである。ただし、検査対象Ａは上記装置や設備には限定されない。

信号入力部２は、信号源として振動センサ２１とマイクロホン２２とを備えている。振動センサ２１は、検査モードにおいて検査対象Ａの振動を検出し、検出結果（検出した振動）をアナログ電気信号の検査信号Ｓ１（図３参照）に変換する。マイクロホン２２は、検査モードにおいて検査対象Ａの音を検出し、検出結果（検出した音）をアナログ電気信号の検査信号Ｓ２（図３参照）に変換する。振動センサ２１およびマイクロホン２２からの検査信号Ｓ１，Ｓ２は、それぞれ特徴量抽出部３に出力される。信号入力部２は、本発明の信号入力手段に相当し、検査対象Ａの振動および音は、本発明の検査対象の状態に関する物理量に相当する。

一方、学習モードにおいては、検査対象Ａの状態（カテゴリ）ごとに、振動センサ２１が検査対象Ａの振動を検出し、マイクロホン２２が検査対象Ａの音を検出する。つまり、振動センサ２１およびマイクロホン２２は、検査対象Ａが正常状態で動作している範囲で検査対象Ａの各動作条件ごとに振動および音を検出する。振動センサ２１は、検出結果をアナログ電気信号の学習信号に変換する。マイクロホン２２は、検出結果をアナログ電気信号の学習信号に変換する。

特徴量抽出部３は、検査モードにおいて、図３に示すように、振動センサ２１から検査信号Ｓ１を取得し、マイクロホン２２から検査信号Ｓ２を取得する。検査信号Ｓ１，Ｓ２を取得した特徴量抽出部３は、ユーザによって予め設定されたタイミング（時間ｔ１，ｔ２，・・・）ごとに検査信号Ｓ１の振幅値ｘ１と検査信号Ｓ２の振幅値ｘ２とを抽出する。上記タイミングごとに抽出された各振幅値ｘ１，ｘ２は、それぞれそのまま用いられるのではなく、コード化（デジタル化）した値が用いられる。図３に示すように、６個の振幅範囲が用いられ、各振幅範囲には、小さいほうから順に１〜６のコードが付与されている。例えば、時間ｔ１では、検査信号Ｓ１の振幅値ｘ１と検査信号Ｓ２の振幅値ｘ２とはともに３である。したがって、時間ｔ１における振幅値の組み合わせ（ｘ１，ｘ２）は（３，３）である。同様に、時間ｔ２、時間ｔｋ、時間ｔｍにおける振幅値の組み合わせ（ｘ１、ｘ２）は、それぞれ（４，３）、（４，５）、（４，３）である。特徴量抽出部３は、すべての組み合わせ（ｘ１，ｘ２）の抽出頻度の集合を検査対象Ａの１つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。本実施形態の検査データは、｛（１，１）の抽出頻度，（１，２）の抽出頻度，・・・，（６，６）の抽出頻度｝の３６要素からなる。上記より、特徴量抽出部３は、複数の信号源（振動センサ２１およびマイクロホン２２）のそれぞれから取得した検査信号Ｓ１，Ｓ２の関係を示す特徴量を抽出して検査データとする。特徴量抽出部３は、本発明の特徴量抽出手段に相当する。

一方、特徴量抽出部３は、学習モードにおいて、振動センサ２１およびマイクロホン２２の両方からそれぞれ複数の学習信号を取得する。特徴量抽出部３は、検査モードと同じタイミングで振動センサ２１およびマイクロホン２２の両方からの学習信号の振幅値を抽出する。各振幅値は、検査モードと同様にコード化（デジタル化）した値が用いられる。特徴量抽出部３は、各学習信号ごとに、すべての組み合わせの抽出頻度の集合を１つの特徴量とし、各抽出頻度を要素としたデジタルデータの学習データを作成する。本実施形態の各学習データは、検査データと同様に、｛（１，１）の抽出頻度，（１，２）の抽出頻度，・・・，（６，６）の抽出頻度｝の３６要素からなる。

図１に示す学習データ記憶部４は、例えば半導体メモリなどである。学習データ記憶部４には、特徴量抽出部３で作成された複数の学習データが記憶されている。

演算部５は、例えばマイクロコンピュータなどであり、ニューラルネットワーク１を実現するとともに、マップ作成部５１と、クラスタ判定部５２とを備えている。

マップ作成部５１は、学習モードにおいて、学習データ記憶部４からの複数の学習データを順次、入力ベクトルとしてニューラルネットワーク１に入力する。学習データの各要素（抽出頻度）は、それぞれ入力層ニューロンＮ１（図２参照）に対応付けられる。マップ作成部５１は、複数の学習データをニューラルネットワーク１に入力して上記ニューラルネットワーク１を学習させ、各入力層ニューロンＮ１と各出力層ニューロンＮ２（図２参照）との重み係数を決定する。各出力層ニューロンＮ２には、各入力層ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。なお、これまでに学習データがニューラルネットワーク１に入力されていなかった場合、マップ作成部５１は、学習開始時に、今回入力された複数の学習データの要素ごとに平均値に乱数によって分散の範囲内のバラツキを与えた値を重みベクトルの初期値として各出力層ニューロンＮ２にそれぞれ与える。その後、上述したニューラルネットワーク１の学習によって、各出力層ニューロンＮ２の重みベクトルが決定される。

その後、マップ作成部５１は、各領域が出力層ニューロンＮ２と１：１に対応付けられている二次元のクラスタリングマップを作成する。つまり、クラスタリングマップでは、ニューラルネットワーク１の出力層１２の各出力層ニューロンＮ２が、検査対象Ａの状態を表わす正常カテゴリまたは未知のカテゴリのいずれかに対応付けられている。上記より、クラスタリングマップの各領域に学習データのカテゴリが対応付けられていれば、検査データにより発火した出力層ニューロンＮ２に対応するカテゴリを知ることができる。マップ作成部５１で作成されたクラスタリングマップは、マップ記憶部６に記憶される。

マップ作成部５１は、クラスタリングマップを作成した後に、学習データをニューラルネットワーク１に再入力し、各出力層ニューロンＮ２の重みベクトルと学習データ（入力ベクトル）とのユークリッド距離をそれぞれ求める。マップ作成部５１は、同じカテゴリのすべての学習データをニューラルネットワーク１に与えて、ユークリッド距離のリスト（以下「距離リスト」という）を作成し、距離リストからユークリッド距離の最大値を選択する。マップ作成部５１は、出力層ニューロンＮ２ごとに、選択した最大値を分散σとし、重みベクトルを平均ベクトル［ｍ］として定義したガウス関数ｙ＝ｅｘｐ（−｜［ｘ］−［ｍ］｜^２／２σ^２）を設定する。［ｘ］は入力ベクトルであり、｜［ｘ］−［ｍ］｜は、入力ベクトル［ｘ］と重みベクトル（平均ベクトル）［ｍ］とのユークリッド距離である。ｙはガウス関数に入力ベクトル［ｘ］が入力されたときの出力値である。なお、ユークリッド距離の最大値を分散σとするのではなく、距離リストの中で大きいほうから数％（例えば上位５％）の順位に該当するユークリッド距離を分散σとしてもよい。

上記ガウス関数によれば、入力ベクトル［ｘ］が重みベクトル［ｍ］に近いほど出力値ｙが大きくなり、入力ベクトル［ｘ］が重みベクトル［ｍ］に一致するときに出力値ｙは最大となって１になる。この出力値ｙを帰属度として用いる。つまり、この出力値ｙの値域は０〜１であって、数値が大きくなるほど（１に近いほど）帰属度が高いことになる。

上述のようにして、マップ作成部５１は、学習データのカテゴリに対応する各出力層ニューロンＮ２にガウス関数を設定することができる。カテゴリ外の出力層ニューロンＮ２にはガウス関数は設定されない。ニューラルネットワーク１の各出力層ニューロンＮ２にガウス関数が設定されると、特徴量と重みベクトルとのユークリッド距離をガウス関数に与えることにより帰属度を求めることができる。そこで、ガウス関数の設定後に、検査対象Ａから得られる特徴量（入力ベクトル）［ｘ］をニューラルネットワーク１に入力し、各出力層ニューロンＮ２の重みベクトル［ｍ］と特徴量［ｘ］とのユークリッド距離を各出力層ニューロンＮ２のガウス関数に代入し、出力層ニューロンＮ２に対応付けたカテゴリごとにガウス関数の出力値ｙを求める。この出力値ｙは上述のように各カテゴリへの特徴量の帰属度であるから、帰属度に対する閾値を設定しておけば、特徴量が上記カテゴリに属するか否かを判定することができる。

閾値は、例えば分散の３倍に対応する帰属度であってもよいし、帰属度の設定後に各カテゴリの学習データがニューラルネットワーク１に与えられたときの出力値ｙの総和に適宜の係数を乗じた値であってもよい。

マップ作成部５１は、すべての学習データをニューラルネットワーク１に再入力することによって、学習データにより発火した出力層ニューロンＮ２を正常の検査対象Ａというカテゴリに属する出力層ニューロンＮ２とする。

各学習データによって発火した出力層ニューロンＮ２に対応する領域が正常のカテゴリに対応する領域になる。

クラスタ判定部５２は、正常の領域が設定された後、検査モードにおいて、特徴量抽出部３からの検査データを学習済みのニューラルネットワーク１に入力して、クラスタリングマップから上記検査データについてカテゴリを分類する。ここで、正常の検査対象Ａのカテゴリに属している出力層ニューロンＮ２が発火したときには、検査対象Ａが正常状態であると判定する。一方、正常の検査対象Ａのカテゴリに属している出力層ニューロンＮ２が発火しないときには、クラスタ判定部５２は、検査対象Ａが異常状態であると判定する。クラスタ判定部５２は、本発明の判定手段に相当する。

図１に示すクラスタ判定部５２で行われた判定結果は、クラスタ判定部５２から判定結果記憶部７に出力される。判定結果記憶部７には、これまでの判定結果がすべて記憶されている。また、上記判定結果は、クラスタ判定部５２から出力部８に出力され、必要に応じて出力部８から適宜の警報手段に指示を与えて警報を報知する。

次に、本実施形態に係る信号識別装置を用いた信号識別方法について説明する。最初に、学習方法について説明する。まず、振動センサ２１が検査対象Ａにおける正常状態時の振動を検出し、マイクロホン２２が検査対象Ａにおける正常状態時の音を検出する。振動センサ２１およびマイクロホン２２の両方から特徴量抽出部３に、検査対象Ａの正常状態における測定信号が学習信号として複数入力される。その後、同時に入力された１組の学習信号ごとに、特徴量抽出部３が各学習信号の関係を示す特徴量を学習データとして抽出する。特徴量抽出部３による学習データの作成は、学習データが任意の個数になるまで繰り返される。その後、マップ作成部５１は、各学習データをニューラルネットワーク１に入力し、クラスタリングマップを作成する。

続いて、ニューラルネットワーク１の学習後の動作について説明する。まず、ニューラルネットワーク１の学習後に、各学習データがニューラルネットワーク１に再入力される。マップ作成部５１は、出力層ニューロンＮ２ごとに距離リストを作成する。その後、マップ作成部５１は、出力層ニューロンＮ２ごとに、距離リストの中の最大値を分散σと定義したガウス関数を設定する。

続いて、検査方法について説明する。まず、振動センサ２１が検査対象Ａの振動を検出し、マイクロホン２２が検査対象Ａの音を検出する。振動センサ２１およびマイクロホン２２の両方から特徴量抽出部３に検査信号Ｓ１，Ｓ２が出力される。続いて、特徴量抽出部３が２つの検査信号Ｓ１，Ｓ２の関係を示す特徴量を抽出して検査データを作成する。その後、検査データが入力ベクトルとしてニューラルネットワーク１に入力される。クラスタ判定部５２は、クラスタリングマップ上において、発火した出力層ニューロンＮ２のカテゴリを検出する。クラスタ判定部５２は、検出したカテゴリが正常のカテゴリである場合、検査対象Ａが正常状態であると判定する。一方、検出したカテゴリが正常のカテゴリではない場合、クラスタ判定部５２は、検査対象Ａが異常状態であると判定する。

以上、本実施形態によれば、各信号源（振動センサ２１、マイクロホン２２）からの複数の検査信号Ｓ１，Ｓ２を用いて検査対象Ａの状態を判定するときであっても、これらの検査信号Ｓ１，Ｓ２の関係を示す特徴量を検査データとして抽出して検査対象Ａの状態を判定することによって、信号源ごとに検査信号から特徴量を検査データとして抽出し、各検査データごとの判定結果のうち１つでも異常と判定すると検査対象Ａが異常状態であると最終判定する場合に比べて、検査対象Ａの状態に関する判定基準を緩めることをしなくても、異常状態を正常状態とする誤判定を増加させることなく、正常状態を異常状態とする誤判定を低減させることができる。

また、本実施形態によれば、検査モードである場合（検査時）において検査信号Ｓ１，Ｓ２から特徴量を抽出した後の判定処理を信号源の数に関わらず１回で完了することができるので、信号源ごとに検査信号から特徴量を検査データとして抽出し、各検査データごとに判定を行う場合に比べて、検査時間を大幅に短縮させることができる。同様に、学習処理も信号源の数に関わらず１回で完了することができるので、学習時間も大幅に短縮させることができる。

さらに、本実施形態によれば、振動センサ２１およびマイクロホン２２からの検査信号Ｓ１，Ｓ２の振幅値の分布とともに、振動センサ２１の検査信号Ｓ１とマイクロホン２２の検査信号Ｓ２との振幅の関連性を同時に判断することができる。

（実施形態２）
実施形態２に係る信号識別装置は、特徴量を抽出するときに、各検査信号Ｓ１，Ｓ２の振幅値ではなく、図４に示すように、各検査信号Ｓ１，Ｓ２のゼロクロスの有無を抽出する点で、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３は、ユーザによって予め設定されたタイミング（時間ｔ１，ｔ２，・・・）ごとに検査信号Ｓ１のゼロクロスの有無と検査信号Ｓ２のゼロクロスの有無とを検出する。本実施形態において、検査信号Ｓ１，Ｓ２のゼロクロスとは、検査信号Ｓ１，Ｓ２の振幅値が０であることをいう。上記タイミングにおいて検査信号Ｓ１，Ｓ２がゼロ交差している場合（検査信号Ｓ１，Ｓ２の振幅値が０である場合）は１とし、検査信号Ｓ１，Ｓ２がゼロ交差していない場合（検査信号Ｓ１，Ｓ２の振幅値が０ではない場合）は０とする。例えば、図４の時間ｔ１１では、検査信号Ｓ１がゼロ交差し、検査信号Ｓ２はゼロ交差していない。したがって、時間ｔ１１における組み合わせ（ｘ１，ｘ２）は（１，０）である。同様に、時間ｔ１２、時間ｔ１ｋ、時間ｔ１ｍにおける振幅値の組み合わせ（ｘ１、ｘ２）は、それぞれ（１，１）、（０，０）、（０，１）である。特徴量抽出部３は、すべての組み合わせ（ｘ１，ｘ２）の抽出頻度の集合を１つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。本実施形態の検査データは、｛（０，０）の抽出頻度，（０，１）の抽出頻度，（１，０）の抽出頻度，（１，１）の抽出頻度｝の４要素からなる。

一方、特徴量抽出部３は、学習モードにおいて、振動センサ２１およびマイクロホン２２の両方からそれぞれ複数の学習信号を取得する。特徴量抽出部３は、検査モードと同じタイミングで振動センサ２１およびマイクロホン２２の両方からの学習信号のゼロクロスの有無を抽出していく。特徴量抽出部３は、各学習信号ごとに、すべての組み合わせの抽出頻度の集合を１つの特徴量とし、上記特徴量を要素としたデジタルデータの学習データを作成する。本実施形態の各学習データは、検査データと同様に、｛（０，０）の抽出頻度，（０，１）の抽出頻度，（１，０）の抽出頻度，（１，１）の抽出頻度｝の４要素からなる。

以上、本実施形態によれば、振動センサ２１およびマイクロホン２２（信号源）からの検査信号Ｓ１，Ｓ２の周波数の分布とともに、振動センサ２１の検査信号Ｓ１とマイクロホン２２の検査信号Ｓ２との位相の関連性を同時に判断することができる。

なお、本実施形態に係る信号識別装置による信号識別方法は、特徴量の抽出方法が異なる以外において実施形態１に係る信号識別方法と同様である。

（実施形態３）
実施形態３に係る信号識別装置は、特徴量を抽出するときに、各検査信号Ｓ１，Ｓ２の振幅値ではなく、図５に示すように、各検査信号Ｓ１，Ｓ２の振幅の極値を抽出する点で、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３は、ユーザによって予め設定された区間Ｔ１，・・・ごとに検査信号Ｓ１の振幅の極値（極大値、極小値）ｘ１と検査信号Ｓ２の振幅の極値ｘ２とを抽出する。上記区間Ｔ１，・・・ごとに抽出された各極値ｘ１，ｘ２は、それぞれそのまま用いられるのではなく、コード化（デジタル化）した値が用いられる。図５に示すように、６個の振幅範囲が用いられ、各振幅範囲には、小さいほうから順に１〜６のコードが付与されている。ただし、１つの区間に極値が存在しない場合は０とし、１つの区間に極値が複数存在する場合は絶対値の最大値が選択される。例えば、区間Ｔ１では、検査信号Ｓ１の振幅の極値ｘ１と検査信号Ｓ２の振幅の極値ｘ２とはともに０である。したがって、区間Ｔ１における振幅の極値の組み合わせ（ｘ１，ｘ２）は（０，０）である。区間Ｔ４、区間Ｔ６、区間Ｔ１０における振幅の極値の組み合わせ（ｘ１、ｘ２）は、それぞれ（３，０）、（５，５）、（５，２）である。特徴量抽出部３は、すべての組み合わせ（ｘ１、ｘ２）の抽出頻度の集合を１つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。本実施形態の検査データは、｛（０，０）の抽出頻度，（０，１）の抽出頻度，・・・，（６，６）の抽出頻度｝の４９要素からなる。

一方、特徴量抽出部３は、学習モードにおいて、振動センサ２１およびマイクロホン２２の両方からそれぞれ複数の学習信号を取得する。特徴量抽出部３は、検査モードと同じ区間ごとに振動センサ２１およびマイクロホン２２の両方からの学習信号の振幅の極値を抽出する。各極値は、検査モードと同様にコード化（デジタル化）した値が用いられる。特徴量抽出部３は、各学習信号ごとに、すべての組み合わせの抽出頻度の集合を１つの特徴量とし、各抽出頻度を要素としたデジタルデータの学習データを作成する。本実施形態の各学習データは、検査データと同様に、｛（０，０）の抽出頻度，（０，１）の抽出頻度，・・・，（６，６）の抽出頻度｝の４９要素からなる。

以上、本実施形態によれば、振動センサ２１およびマイクロホン２２（信号源）からの検査信号Ｓ１，Ｓ２の振幅の極値の分布とともに、振動センサ２１の検査信号Ｓ１とマイクロホン２２の検査信号Ｓ２との振幅の極値の関連性を同時に判断することができる。

なお、本実施形態に係る信号識別装置による信号識別方法は、特徴量の抽出方法が異なる以外において実施形態１に係る信号識別方法と同様である。

（実施形態４）
実施形態４に係る信号識別装置は、特徴量を抽出するときに、各検査信号Ｓ１，Ｓ２の振幅の極値だけではなく、各検査信号Ｓ１，Ｓ２のゼロクロスの有無も抽出する点で、実施形態３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３は、ユーザによって予め設定されたタイミングごとに、各検査信号Ｓ１，Ｓ２の振幅の極値を実施形態３と同様の方法で抽出するとともに、各検査信号Ｓ１，Ｓ２のゼロクロスの有無を実施形態２と同様の方法で抽出する。特徴量抽出部３は、各検査信号Ｓ１，Ｓ２のゼロクロスの有無に関するすべての組み合わせの抽出頻度と、各検査信号Ｓ１，Ｓ２の振幅の極値に関するすべての組み合わせの抽出頻度とを合わせて（連結して）１つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。本実施形態の検査データは、｛（０，０，０，０）の抽出頻度，・・・，（１，１，６，６）の抽出頻度｝の１９６要素からなる。

一方、特徴量抽出部３は、学習モードにおいて、振動センサ２１およびマイクロホン２２の両方からそれぞれ複数の学習信号を取得する。特徴量抽出部３は、検査モードと同じタイミングで振動センサ２１およびマイクロホン２２の両方からの学習信号の振幅の極値およびゼロクロスの有無を抽出する。特徴量抽出部３は、各学習信号ごとに、すべての組み合わせの抽出頻度の集合を１つの特徴量とし、各抽出頻度を要素としたデジタルデータの学習データを作成する。本実施形態の各学習データは、検査データと同様に、｛（０，０，０，０）の抽出頻度，・・・，（１，１，６，６）の抽出頻度｝の１９６要素からなる。

以上、本実施形態によれば、振動センサ２１およびマイクロホン２２（信号源）からの検査信号Ｓ１，Ｓ２の周波数の分布および振幅の極値の分布とともに、振動センサ２１の検査信号Ｓ１とマイクロホン２２の検査信号Ｓ２との位相の関連性および振幅の極値の関連性を同時に判断することができる。

なお、本実施形態に係る信号識別装置による信号識別方法は、特徴量の抽出方法が異なる以外において実施形態３に係る信号識別方法と同様である。

（実施形態５）
実施形態５に係る信号識別装置は、図６に示すように、ユーザによって予め設定された時間領域Ｔｗ１，・・・ごとに特徴量を抽出する点で、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３は、上記時間領域Ｔｗ１，・・・に各検査信号Ｓ１，Ｓ２を分割し、各時間領域Ｔｗ１，・・・ごとに、すべての組み合わせ（ｘ１，ｘ２）の抽出頻度の集合を求める。上記特徴量抽出部３は、各時間領域Ｔｗ１，・・・の抽出頻度の集合を連結して１つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。したがって、本実施形態の検査データは、（単位時間領域あたり３６要素）×（時間領域数）の要素からなる。

以上、本実施形態によれば、振動センサ２１およびマイクロホン２２（信号源）からの検査信号Ｓ１，Ｓ２の分布および振動センサ２１の検査信号Ｓ１とマイクロホン２２の検査信号Ｓ２との関連性の時間変化を捉えることができるので、検査信号Ｓ１，Ｓ２が非定常な信号であっても、検査対象Ａの検査を行うことができる。

なお、本実施形態に係る信号識別装置による信号識別方法は、特徴量の抽出方法が異なる以外において実施形態１に係る信号識別方法と同様である。

（実施形態６）
実施形態６では、複数の学習信号として正常信号と異常信号とを組み合わせた場合について説明する。正常信号とは、検査対象Ａが正常状態であるときに振動センサ２１およびマイクロホン２２（信号源）のそれぞれで検出された電気信号である。異常信号とは、検査対象Ａが異常状態であるときに振動センサ２１およびマイクロホン２２のそれぞれで検出された電気信号である。

本実施形態の特徴量抽出部３は、振動センサ２１およびマイクロホン２２から取得した正常信号の関係を示す特徴量を抽出して正常データとし、振動センサ２１およびマイクロホン２２から取得した異常信号の関係を示す特徴量を抽出して異常データとする。

本実施形態のマップ作成部５１は、正常データと異常データの両方を含む複数の学習データをニューラルネットワーク１に入力して上記ニューラルネットワーク１を学習させて、クラスタリングマップを作成する。マップ作成部５１は、クラスタリングマップを出力側から入力側に逆向きに動作させて、クラスタリングマップ上の各カテゴリの位置に対応する入力データを推定する。

本実施形態のクラスタ判定部５２は、検査モードにおいて、検査データを学習済みのニューラルネットワーク１に入力して、検査データがクラスタリングマップ上でどのカテゴリ（クラスタ）に属するかを判定する。

なお、本実施形態における特徴量の抽出方法は、実施形態１〜５における特徴量の抽出方法のいずれであってもよい。

また、実施形態１〜６の変形例として、信号識別装置は、実施形態１〜５における組み合わせ（ｘ１，ｘ２）の抽出頻度の集合のうち少なくとも２つの集合を合わせて１つの特徴量として用いてもよい。上記変形例によれば、特徴量の要素数が増えるので、検査精度を高めることができる。

１ ニューラルネットワーク
２ 信号入力部（信号入力手段）
２１ 振動センサ（信号源）
２２ マイクロホン（信号源）
３ 特徴量抽出部（特徴量抽出手段）
５ 演算部
５１ マップ作成部
５２ クラスタ判定部（判定手段）
Ａ 検査対象
Ｓ１，Ｓ２ 検査信号

Claims (7)

1. それぞれ予め収集された学習信号から抽出された特徴量である複数の学習データを教師なし競合学習型ニューラルネットワークに入力して当該教師なし競合学習型ニューラルネットワークを学習させ、当該教師なし競合学習型ニューラルネットワークから、検査対象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し、検査時に前記クラスタリングマップを用いて前記検査対象の状態を検査する信号識別装置であって、
   前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする信号入力手段と、
   前記信号入力手段から前記検査信号を取得し当該検査信号から前記検査対象の特徴量を抽出して検査データとする特徴量抽出手段と、
   前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する判定手段とを備え、
   前記信号入力手段は、それぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とする複数の信号源を有し、
   前記特徴量抽出手段は、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとする
   ことを特徴とする信号識別装置。
2. 前記特徴量抽出手段は、予め設定されたタイミングごとに各検査信号の振幅値の抽出を行い、各検査信号の振幅値の組み合わせごとの抽出頻度を前記特徴量とすることを特徴とする請求項１記載の信号識別装置。
3. 前記特徴量抽出手段は、予め設定されたタイミングごとに各検査信号のゼロクロスの有無の抽出を行い、各検査信号のゼロクロスの有無の組み合わせごとの抽出頻度を前記特徴量とすることを特徴とする請求項１記載の信号識別装置。
4. 前記特徴量抽出手段は、予め設定された区間ごとに各検査信号の振幅の極値の抽出を行い、各検査信号の振幅の極値の組み合わせごとの抽出頻度を前記特徴量とすることを特徴とする請求項１記載の信号識別装置。
5. 前記特徴量抽出手段は、予め設定されたタイミングごとに各検査信号のゼロクロスの有無の抽出を行い、各検査信号のゼロクロスの有無の組み合わせごとの抽出頻度と、各検査信号の振幅の極値の組み合わせごとの抽出頻度とを合わせて前記特徴量とすることを特徴とする請求項４記載の信号識別装置。
6. 前記特徴量抽出手段は、予め設定された時間領域に各検査信号を分割し、前記時間領域ごとに前記抽出を行い、前記組み合わせごとの抽出頻度を求め、各時間領域の抽出頻度結果を統合して前記特徴量とすることを特徴とする請求項２〜５のいずれか１項に記載の信号識別装置。
7. それぞれ予め収集された学習信号から抽出された特徴量である複数の学習データを教師なし競合学習型ニューラルネットワークに入力して当該教師なし競合学習型ニューラルネットワークを学習させ、当該教師なし競合学習型ニューラルネットワークから、検査対象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し、検査時に前記クラスタリングマップを用いて前記検査対象の状態を検査する信号識別方法であって、
   前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする第１のステップと、
   前記検査信号から前記検査対象の特徴量を抽出して検査データとする第２のステップと、
   前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する第３のステップとを有し、
   前記第１のステップにおいて、複数の信号源のそれぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とし、
   前記第２のステップにおいて、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとする
   ことを特徴とする信号識別方法。

Images