JP2012018066A - 異常検査装置 - Google Patents
異常検査装置 Download PDFInfo
- Publication number
- JP2012018066A JP2012018066A JP2010155184A JP2010155184A JP2012018066A JP 2012018066 A JP2012018066 A JP 2012018066A JP 2010155184 A JP2010155184 A JP 2010155184A JP 2010155184 A JP2010155184 A JP 2010155184A JP 2012018066 A JP2012018066 A JP 2012018066A
- Authority
- JP
- Japan
- Prior art keywords
- sound
- sound source
- unit
- abnormal
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
【課題】検査対象の何れの箇所で異常が発生したかを特定することのできる異常検査装置を提供する。
【解決手段】検査対象100から発生する音を電気信号に変換して音信号として取り込む信号入力部1と、信号入力部1で取り込んだ音信号から音源の位置を特定する音源特定部2と、音源特定部2で特定された音源から発生する音を電気信号に変換した音信号について特徴量を抽出する特徴抽出部3と、既知の学習用データセットを用いて予め学習されて特徴抽出部3により抽出した特徴量を入力データとするニューラルネットワーク50と、ニューラルネットワー50の出力を用いて音源特定部2で特定された音源から発生する音が正常な音か異音かを判定する判定部51と、判定部51で得られた判定結果及び音源特定部2で特定された音源の位置に基づいて検査対象100における異音の発生箇所を視覚化した異音マップを作成する異音マップ作成部52とを備えた。
【選択図】図1
【解決手段】検査対象100から発生する音を電気信号に変換して音信号として取り込む信号入力部1と、信号入力部1で取り込んだ音信号から音源の位置を特定する音源特定部2と、音源特定部2で特定された音源から発生する音を電気信号に変換した音信号について特徴量を抽出する特徴抽出部3と、既知の学習用データセットを用いて予め学習されて特徴抽出部3により抽出した特徴量を入力データとするニューラルネットワーク50と、ニューラルネットワー50の出力を用いて音源特定部2で特定された音源から発生する音が正常な音か異音かを判定する判定部51と、判定部51で得られた判定結果及び音源特定部2で特定された音源の位置に基づいて検査対象100における異音の発生箇所を視覚化した異音マップを作成する異音マップ作成部52とを備えた。
【選択図】図1
Description
本発明は、検査対象から発生する音を電気信号に変換した音信号の特徴をニューラルネットワークで分類することで、検査対象の異常の有無を判定する異常検査装置に関する。
従来から、ニューラルネットワーク(ニューロコンピュータ)の分類機能を利用することにより、検査対象から得られる対象信号を分類する技術が知られている。この種の技術は、音声の認識や機器の動作が正常か異常かを判定する異常検査装置などに用いられている。例えば、この種の技術を採用した異常検査装置では、検査対象である機器の振動をセンサ部(トランスデューサ)により電気信号に変換してセンサ部の出力を対象信号に用いる。そして、対象信号の特徴を表す複数の要素から成る特徴量を抽出し、この特徴量をニューラルネットワークで分類する技術が種々提案されている。
ニューラルネットワークには種々の構成が知られており、例えば、競合学習型ニューラルネットワーク(自己組織化写像=SOM)を用いて特徴量のカテゴリを分類することが提案されている。競合学習型ニューラルネットワークは、入力層と出力層との2層からなるニューラルネットワークであり、学習モードと検査モードとの2種類の動作を行う。
学習モードでは、教師信号を用いずに学習データを与える。学習データにカテゴリを与えておけば、出力層のニューロンにカテゴリを対応付けることができ、同種のカテゴリに属するニューロンからなるクラスタを形成することができる。したがって、学習モードでは、出力層のニューロンのクラスタにカテゴリを示すクラスタリングマップを対応付けることができる。また、検査モードでは、分類しようとする特徴量(入力データ)を学習済みの競合学習型ニューラルネットワークに与える。そして、競合学習型ニューラルネットワークの出力層において発火したニューロンが属するクラスタのカテゴリをクラスタリングマップに照合することによって、入力データのカテゴリを分類することができる。
したがって、正常のカテゴリを持つ学習データと、異常毎のカテゴリを持つ学習データとを用いて競合学習型ニューラルネットワークを学習させておけば、正常と異常との判別だけでなく、異常の種類の判別も可能となる。上記のような競合学習型ニューラルネットワークを採用した異常検出装置(異常検査装置)が例えば特許文献1に開示されている。
ところで、特許文献1に記載のような異常検査装置では、検査対象としてモータ単体、若しくはモータを駆動源とする電動工具や工作機器を想定しており、これら機器の動作音及び振動を検出するための信号入力部としてマイクロホンや振動センサを設置している。ここで、上記従来例は、検査対象において異常(異音)が発生すると想定される場所が既知である場合には有効である。しかしながら、検査対象のどの位置において異常が発生しているかを特定することができないため、予想外の箇所で異常が発生した場合に対応できないという問題があった。このため、検査対象の異常を修正する作業を行う際に、先ず検査対象の何れの箇所で異常が発生したかを特定する作業を必要とするため、作業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たもので、検査対象の何れの箇所で異常が発生したかを特定することのできる異常検査装置を提供することを目的とする。
本発明の異常検査装置は、検査対象から発生する音を電気信号に変換して音信号として取り込む信号入力部と、前記信号入力部で取り込んだ音信号から音源の位置を特定する音源特定部と、前記音源特定部で特定された音源から発生する音を電気信号に変換した音信号について複数のパラメータから成る特徴量を抽出する特徴抽出部と、既知の学習用データセットを用いて予め学習されて前記特徴抽出部により抽出した特徴量を入力データとするニューラルネットワークと、前記ニューラルネットワークの出力を用いて前記音源特定部で特定された音源から発生する音が正常な音か異音かを判定する判定部と、前記判定部で得られた判定結果及び前記音源特定部で特定された音源の位置に基づいて前記検査対象における異音の発生箇所を視覚化した異音マップを作成する異音マップ作成部とを備えたことを特徴とする。
この異常検査装置において、前記信号入力部は、互いに交わる2つの直線上にそれぞれ所定の間隔で配置された2組のマイクロホン対を有するマイクロホン群から成り、前記音源特定部は、前記マイクロホン群で得られる音信号から音源を視覚化した音マップを作成することで音源の位置を特定することが好ましい。
この異常検査装置において、前記信号入力部は、複数のマイクロホンを等間隔に配置したマイクロホンアレイから成り、前記音源特定部は、前記マイクロホンアレイで得られる音信号の音圧分布から音源を視覚化した音マップを作成することで音源の位置を特定することが好ましい。
この異常検査装置において、前記信号入力部は、複数のマイクロホンから成り、前記音源特定部は、前記マイクロホンから得られる音信号を独立成分分析することで音源の位置を特定することが好ましい。
この異常検査装置において、前記信号入力部は、前記検査対象上を移動自在なマイクロホンから成り、前記音源特定部は、前記マイクロホンで得られる音信号の音圧分布から音源を視覚化した音マップを作成することで音源の位置を特定することが好ましい。
この異常検査装置において、前記異音マップ作成部で作成された異音マップを表示する表示部を備えることが好ましい。
この異常検査装置において、前記判定部で異音が発生したと判定された場合に前記検査対象を撮像する撮像部と、前記撮像部で撮像された画像を記憶する記憶部とを備えることが好ましい。
本発明は、判定部で得られた判定結果及び音源特定部で特定された音源の位置に基づいて異音の発生箇所を視覚化した異音マップを作成するため、検査対象の何れの箇所で異常が発生したかを特定することができる。したがって、検査対象の異常を修正する作業を行う際に、検査対象の何れの箇所で異常が発生したかを特定する作業を必要としないため、作業時間の短縮を図ることができる。
以下、本発明に係る異常検査装置の実施形態について図面を用いて説明する。本実施形態は、図1(a)に示すように、信号入力部1と、音源特定部2と、特徴抽出部3と、データ記録部4と、演算部5と、表示部6とから構成される。尚、本実施形態は、図2(a)に示すように、音源特定部2、特徴抽出部3、データ記録部4、演算部5を構成する主装置101に、信号入力部1を構成するセンサ102と、表示部6を構成する表示装置103とが接続される構成となっている。ここで、図2(a)に示す構成では、音源特定部2が主装置101に内蔵されているが、図2(b)に示すように、音源特定部2を構成する音源特定装置104を主装置101の外部に設ける構成であってもよい。
信号入力部1は、検査対象100から発生する音を電気信号に変換して、音信号として取り込むもので、例えば検査対象100の動作音を検出する複数のマイクロホンを等間隔に配設したマイクロホンアレイから成る。尚、本実施形態では、検査対象100としては自動車のエンジン、洗濯機、エアコン等の機器を想定している。
音源特定部2は、信号入力部1で取り込んだ音信号から検査対象100における音源の位置を特定する。本実施形態では、信号入力部1のマイクロホンアレイにおいて基準となるマイクロホンを設定し、この基準となるマイクロホンで取得する音信号と、他のマイクロホンで取得する音信号との位相差から音源の方向を推定している。そして、音源特定部2では、この音源の方向の推定結果に基づいて、検査対象100における音源の位置を視覚化した音マップを作成する(図7(a)〜(c)参照)。尚、上記のようにマイクロホンアレイを用いて音信号の位相差から音源の方向を推定する技術は従来周知であるので、ここでは詳細な説明を省略する(例えば、特許第3069663号公報参照)。
特徴抽出部3は、音源特定部2で特定された各音源が発生する音を電気信号に変換した音信号について複数のパラメータから成る特徴量を抽出する。特徴抽出部3では、検査対象100が発生する音から同じ条件で特徴量を抽出するために、先ず検査対象100の動作に同期したトリガ信号を用いたり、音信号の波形の特徴を用いたりすることによって、音信号の切り出し(セグメンテーション)を行う。その後、特徴抽出部3は、適宜の単位時間毎の信号に分割し、単位時間毎に特徴量を抽出する。したがって、特徴抽出部3は、音源特定部2を介して信号入力部1から与えられる音信号を一時的に記憶するバッファを備える。また、特徴抽出部3では、必要に応じて周波数帯域を制限する等して、ノイズを低減させる前処理を行う。
特徴抽出部3から単位時間毎に得られる特徴量は、後述するニューラルネットワーク50の学習モードの前に学習データを収集する際には、データ記録部4に格納される。また、後述するニューラルネットワーク50の検査モードの際には、特徴量の抽出の度にニューラルネットワーク50に与えられる。ニューラルネットワーク50では、この特徴量を入力データとして入力データのカテゴリを分類する。
ここで、データ記録部4には、実際の検査で測定される検査対象100の各音源の正常時の測定データが予め登録されている。そして、これら各音源の測定データは、複数の特徴量のデータから成る学習用データセットとして音源毎に格納されている。この音源毎の学習用データセットは、ニューラルネットワーク50の学習モードにおいてニューラルネットワーク50に入力される。そして、ニューラルネットワーク50は、各学習用データセットで学習を行うことにより、各音源の正常時のカテゴリを学習することになる。勿論、上述のようにニューラルネットワーク50の学習モードにおいては、特徴抽出部3から得られる特徴量がデータ記録部4に格納されるため、この特徴量を学習用データセットに含めてニューラルネットワーク50に学習させることができる。
以下、特徴抽出部3で抽出される特徴量について幾つかの例を示す。先ず、正常時における検査対象100から発生する音信号の波形図と、異常時における検査対象100から発生する音を電気信号に変換した音信号の波形図とをそれぞれ図3(a),(b)に示す。次に、音信号の振幅成分を特徴量として抽出するために、正常時及び異常時のそれぞれにおいて音信号の正成分の出現頻度を強調した場合の図を図4(a),(b)に示す。また、正常時及び異常時のそれぞれにおいて音信号の正負両成分の出現頻度を強調した場合の図を図4(c),(d)に示す。
次に、音信号の周波数成分を特徴量として抽出するために、正常時及び異常時のそれぞれにおいて音信号を高速フーリエ変換した場合の図を図5(a),(b)に示す。また、正常時及び異常時のそれぞれにおいて音信号にフィルタバンクを適用した場合の図を図5(c),(d)に示す。このフィルタバンクを適用する場合には、低い周波数成分は細かく、高い周波数成分は大まかに見ることで、人の可聴周波数域に近い周波数分布を求めることができる。
次に、正常時及び異常時のそれぞれにおいて音信号を短時間フーリエ変換した場合の図を図6(a),(b)に示す。この場合、フーリエ変換を時系列で複数回行うことで周波数分布の時間変化を捉えることができる。また、正常時及び異常時のそれぞれにおいて音信号の確率密度分布を求めた図を図6(c),(d)に示す。尚、上記以外の特徴量を特徴抽出部3において抽出しても構わないのは言うまでもない。また、どの特徴量を用いるかは、検査対象100や判定したい異常の種類に応じて適宜選択される。
演算部5は、図1(a)に示すように、ニューラルネットワーク50と、判定部51と、異音マップ作成部52とから構成される。ニューラルネットワーク50は、既知の学習用データセットを用いて予め学習されて特徴抽出部3により抽出した特徴量を入力データとするもので、本実施形態では、教師なしの競合学習型ニューラルネットワークを用いている。ニューラルネットワーク50は、入力層と出力層との2層から成り、出力層の各ニューロンが入力層の全てのニューロンとそれぞれ結合された構成を有している。尚、ニューラルネットワーク50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り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を用いることも可能である。
ニューラルネットワーク50の動作には学習モードと検査モードとの2種類がある。ニューラルネットワーク50は、学習モードにおいて適宜の学習用データセットを用いて学習した後に、検査モードにおいて実際の音信号から生成した複数のパラメータから成る特徴量(入力データ)のカテゴリを分類する。
判定部51は、ニューラルネットワーク50の出力を用いて音源特定部2で特定された各音源から発生する音が正常な音か異音かを判定する。即ち、判定部51は、検査モードにおいて、特徴抽出部3で抽出された特徴量を入力データとしてニューラルネットワーク50に入力する。そして、判定部51は、ニューラルネットワーク50において当該入力データが分類されたカテゴリが各音源の正常時のカテゴリであるか否か判定することで、各音源から発生する音が正常な音か異音かを判定する。
異音マップ作成部52は、判定部51で得られた判定結果及び音源特定部2で特定された音源の位置に基づいて検査対象100における異音の発生箇所を視覚化した異音マップを作成し、その画像データを後段の表示部6に出力する。例えば、図7(a)〜(c)に示すように、異音を発生している音源7、及び正常な音を発生している音源8の音圧分布を視覚化した音マップが音源特定部2において作成されているものとする。ここで、判定部51において音源7が異音を発生していると判定され、且つ音源8が正常な音を発生していると判定されると、異音マップ作成部52は、当該判定結果に基づいて音マップから音源8を除いた異音マップを作成する(図7(d)〜(f)参照)。
表示部6は、異音マップ作成部52で作成された異音マップの画像データを表示するもので、例えば液晶ディスプレイ等から成る。尚、本実施形態では、図2(a)に示すように、表示部6として例えば液晶ディスプレイ等から成る表示装置103を主装置101に接続する構成となっているが、表示部6を主装置101に内蔵する構成であってもよい。
以下、本実施形態の動作について図1(b)を用いて説明する。尚、以下の説明では、ニューラルネットワーク50は検査モードに設定されており、検査対象100の既知の音源毎の学習用データセットを用いて予め学習しているものとする。また、音源特定部2は、検査対象100の既知の音源の位置を特定するとともに、音源を視覚化した音マップを基準マップとして予め作成し、判定部51に記憶させているものとする。
先ず、信号入力部1は、検査対象100から発生する音を電気信号に変換して、音信号として取り込む。そして、音源特定部2は、信号入力部1で取り込んだ音信号から検査対象100における音源の位置を特定するとともに、検査対象100における音源の位置を視覚化した音マップを作成し、当該音マップのデータを演算部5に与える。ここで、演算部5の判定部51では、自身に記憶されている基準マップと作成された音マップとを比較することで、検査対象100に既知の音源以外の音源が存在するか否かを判定する。検査対象100に既知の音源以外の音源が存在する場合には、当該音源を異音の発生箇所と判定する。
次に、特徴抽出部3が、音源特定部2において特定された検査対象100の既知の各音源から発生する音を電気信号に変換した音信号について特徴量を抽出し、演算部5のニューラルネットワーク50に入力する。ニューラルネットワーク50は、入力された各音源の特徴量をカテゴリに分類する。そして、判定部51では、音源毎にニューラルネットワーク50で分類されたカテゴリが正常時のカテゴリに属するか否かを判定し、判定結果を異音マップ作成部52に与える。
異音マップ作成部52は、上述の判定結果と、音源特定部2で特定された音源の位置とに基づいて異音マップを作成し、その画像データを表示部6に表示させる。ここで、異音マップ作成部52は、判定部51において検査対象100の既知の音源以外の音源と判定されたものと、検査対象100の既知の音源であって判定部51において異音を発生していると判定されたものとを視覚化した異音マップを作成する。而して、検査対象100の既知の音源の異常のみならず、検査対象100において異音の発生を想定していない箇所での異常も視認することができる。
上述のように、本実施形態では、判定部51で得られた判定結果及び音源特定部2で特定された音源の位置に基づいて異音の発生箇所を視覚化した異音マップを作成するため、検査対象100の何れの箇所で異常が発生したかを特定することができる。したがって、検査対象100の異常を修正する作業を行う際に、検査対象100の何れの箇所で異常が発生したかを特定する作業を必要としないため、作業時間の短縮を図ることができる。
尚、本実施形態では、上述のように信号入力部1をマイクロホンアレイで構成し、音源特定部2において各マイクロホンで取得する音信号の位相差から音源の方向を推定しているが、他の構成であっても構わない。例えば、特開2008−224259号公報に開示されているような音源位置推定システムを採用してもよい。この場合、信号入力部1は、互いに交わる2つの直線上にそれぞれ所定の間隔で配置された2組のマイクロホン対を有するマイクロホン群から構成される。そして、音源特定部2は、このマイクロホン群で得られた音信号から音源を視覚化した音マップを作成することで音源の位置を特定する。具体的には、音源特定部2は、対となる2つのマイクロホン間の位相差に相当する到達時間差と、他の対となる2つのマイクロホン間の到達時間差との比から音源の方向を推定する。そして、CCDカメラ等の撮像手段を設けて推定された音源方向の映像を撮像し、この撮像された画像に音源位置と音圧レベルとを表示することで音マップを作成し、検査対象100における音源の位置を特定する。
また、その他の構成としては、信号入力部1を検査対象100上を移動自在なマイクロホンで構成することが考えられる。この構成では、音源特定部2は、検査対象100上を走査するマイクロホンから音信号を逐次取得する。そして、音源特定部2は、音圧レベルが閾値以上となる音信号を取得した位置を音源と推定して音源を視覚化した音マップを作成し、検査対象100における音源の位置を特定する。
更に、信号入力部1は本実施形態と同様にマイクロホンアレイから構成し、音源特定部2において各マイクロホンで取得した音信号に独立成分分析(ICA:Independent Component Analysis)を行うことで検査対象100における音源の位置を特定してもよい。尚、独立成分分析を用いて音源の位置を特定する技術は従来周知であるので、ここでは詳細な説明を省略する(例えば、特許第3881367号公報参照)。
ところで、図8(a)に示すように、検査対象100を撮像する撮像部であるカメラ105と、カメラ105で撮像された画像を記憶する記憶部である記憶装置106とを主装置101に接続した構成であってもよい。以下、この構成における動作について図8(b)を用いて説明する。先ず、上記実施形態と同様に、音源特定部2において検査対象100における音源の位置を特定するとともに、各音源から発生する音が正常な音か異音かを判定部51において判定する。
ここで、判定部51において各音源の少なくとも何れか1つで異音が発生したと判定された場合、カメラ105に検査対象100を撮像させるともに、撮像データを記憶装置106に記憶させる。検査対象100から異音が継続して発生している場合には、カメラ105において逐次検査対象100が撮像されるため、記憶装置106には撮像データが蓄積されることになる。而して、上記構成では、検査対象100から異音が発生している場合に、検査対象100の状態を表す撮像データを記憶装置106に蓄積することができるため、蓄積された撮像データを確認することで検査対象100における不良状態の経過を知ることができる。
1 信号入力部
2 音源特定部
3 特徴抽出部
50 ニューラルネットワーク
51 判定部
52 異音マップ作成部
100 検査対象
2 音源特定部
3 特徴抽出部
50 ニューラルネットワーク
51 判定部
52 異音マップ作成部
100 検査対象
Claims (7)
- 検査対象から発生する音を電気信号に変換して音信号として取り込む信号入力部と、前記信号入力部で取り込んだ音信号から音源の位置を特定する音源特定部と、前記音源特定部で特定された音源から発生する音を電気信号に変換した音信号について複数のパラメータから成る特徴量を抽出する特徴抽出部と、既知の学習用データセットを用いて予め学習されて前記特徴抽出部により抽出した特徴量を入力データとするニューラルネットワークと、前記ニューラルネットワークの出力を用いて前記音源特定部で特定された音源から発生する音が正常な音か異音かを判定する判定部と、前記判定部で得られた判定結果及び前記音源特定部で特定された音源の位置に基づいて前記検査対象における異音の発生箇所を視覚化した異音マップを作成する異音マップ作成部とを備えたことを特徴とする異常検査装置。
- 前記信号入力部は、互いに交わる2つの直線上にそれぞれ所定の間隔で配置された2組のマイクロホン対を有するマイクロホン群から成り、前記音源特定部は、前記マイクロホン群で得られる音信号から音源を視覚化した音マップを作成することで音源の位置を特定することを特徴とする請求項1記載の異常検査装置。
- 前記信号入力部は、複数のマイクロホンを等間隔に配置したマイクロホンアレイから成り、前記音源特定部は、前記マイクロホンアレイで得られる音信号の音圧分布から音源を視覚化した音マップを作成することで音源の位置を特定することを特徴とする請求項1記載の異常検査装置。
- 前記信号入力部は、複数のマイクロホンから成り、前記音源特定部は、前記マイクロホンから得られる音信号を独立成分分析することで音源の位置を特定することを特徴とする請求項1記載の異常検査装置。
- 前記信号入力部は、前記検査対象上を移動自在なマイクロホンから成り、前記音源特定部は、前記マイクロホンで得られる音信号の音圧分布から音源を視覚化した音マップを作成することで音源の位置を特定することを特徴とする請求項1記載の異常検査装置。
- 前記異音マップ作成部で作成された異音マップを表示する表示部を備えたことを特徴とする請求項1乃至3又は請求項5の何れか1項に記載の異常検査装置。
- 前記判定部で異音が発生したと判定された場合に前記検査対象を撮像する撮像部と、前記撮像部で撮像された画像を記憶する記憶部とを備えたことを特徴とする請求項1乃至6の何れか1項の記載の異常検査装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010155184A JP2012018066A (ja) | 2010-07-07 | 2010-07-07 | 異常検査装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010155184A JP2012018066A (ja) | 2010-07-07 | 2010-07-07 | 異常検査装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2012018066A true JP2012018066A (ja) | 2012-01-26 |
Family
ID=45603422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010155184A Pending JP2012018066A (ja) | 2010-07-07 | 2010-07-07 | 異常検査装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2012018066A (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015081768A (ja) * | 2013-10-21 | 2015-04-27 | 株式会社日立ハイテクノロジーズ | 異常検出装置、異常検出方法、及びコンピュータ読み取り可能な記憶媒体 |
JP2016519292A (ja) * | 2013-03-15 | 2016-06-30 | デジタル ウインド システムズ インコーポレイテッド | 稼働中の風力タービンブレードの地上からの非破壊音響ドップラー検査 |
KR101812159B1 (ko) | 2016-10-12 | 2017-12-26 | 고려대학교 산학협력단 | 딥러닝을 이용한 음향 방향 추정 방법 및 장치 |
JP2020095258A (ja) * | 2018-12-13 | 2020-06-18 | 現代自動車株式会社Hyundai Motor Company | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 |
JP2020144063A (ja) * | 2019-03-08 | 2020-09-10 | 株式会社アニモ | 音響又は振動の判定方法及び判定のための情報処理システム |
WO2020195536A1 (ja) * | 2019-03-28 | 2020-10-01 | ポート・アンド・アンカー株式会社 | 構造物の異常判別方法及び異常判別システム |
CN112362750A (zh) * | 2020-09-25 | 2021-02-12 | 中科巨匠人工智能技术(广州)有限公司 | 一种基于人工智能的声学探测系统及装置 |
JP2021152500A (ja) * | 2020-03-24 | 2021-09-30 | 本田技研工業株式会社 | 異音判定装置および異音判定方法 |
WO2022224005A1 (ja) * | 2021-04-22 | 2022-10-27 | 日産自動車株式会社 | 異常部品検出装置、異常部品検出方法、及び異常部品検出システム |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03277926A (ja) * | 1990-03-28 | 1991-12-09 | Amada Co Ltd | 音圧コンター作成装置 |
JPH1164089A (ja) * | 1997-08-18 | 1999-03-05 | Toshiba Corp | 波動診断装置 |
JP2004251751A (ja) * | 2003-02-20 | 2004-09-09 | Mitsui Eng & Shipbuild Co Ltd | 音響センサアレイ、音響診断装置及び音響診断方法 |
JP2004286562A (ja) * | 2003-03-20 | 2004-10-14 | East Japan Railway Co | 移動体のノイズ測定装置、方法及びプログラム |
JP2006208075A (ja) * | 2005-01-26 | 2006-08-10 | Hitachi Ltd | 異常診断装置および方法ならびにプログラム |
JP3881367B2 (ja) * | 2003-03-04 | 2007-02-14 | 日本電信電話株式会社 | 位置情報推定装置、その方法、及びプログラム |
JP2008090529A (ja) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | 異常検出装置、異常検出方法 |
JP2008224259A (ja) * | 2007-03-09 | 2008-09-25 | Chubu Electric Power Co Inc | 音源位置推定システム |
-
2010
- 2010-07-07 JP JP2010155184A patent/JP2012018066A/ja active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03277926A (ja) * | 1990-03-28 | 1991-12-09 | Amada Co Ltd | 音圧コンター作成装置 |
JPH1164089A (ja) * | 1997-08-18 | 1999-03-05 | Toshiba Corp | 波動診断装置 |
JP2004251751A (ja) * | 2003-02-20 | 2004-09-09 | Mitsui Eng & Shipbuild Co Ltd | 音響センサアレイ、音響診断装置及び音響診断方法 |
JP3881367B2 (ja) * | 2003-03-04 | 2007-02-14 | 日本電信電話株式会社 | 位置情報推定装置、その方法、及びプログラム |
JP2004286562A (ja) * | 2003-03-20 | 2004-10-14 | East Japan Railway Co | 移動体のノイズ測定装置、方法及びプログラム |
JP2006208075A (ja) * | 2005-01-26 | 2006-08-10 | Hitachi Ltd | 異常診断装置および方法ならびにプログラム |
JP2008090529A (ja) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | 異常検出装置、異常検出方法 |
JP2008224259A (ja) * | 2007-03-09 | 2008-09-25 | Chubu Electric Power Co Inc | 音源位置推定システム |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016519292A (ja) * | 2013-03-15 | 2016-06-30 | デジタル ウインド システムズ インコーポレイテッド | 稼働中の風力タービンブレードの地上からの非破壊音響ドップラー検査 |
JP2018105872A (ja) * | 2013-03-15 | 2018-07-05 | デジタル ウインド システムズ インコーポレイテッド | 稼働中の風力タービンブレードの地上からの非破壊音響ドップラー検査 |
WO2015060273A1 (ja) * | 2013-10-21 | 2015-04-30 | 株式会社日立ハイテクノロジーズ | 異常検出装置、異常検出方法、及びコンピュータ読み取り可能な記憶媒体 |
CN105637331A (zh) * | 2013-10-21 | 2016-06-01 | 株式会社日立高新技术 | 异常检测装置、异常检测方法及计算机可读取的存储介质 |
JP2015081768A (ja) * | 2013-10-21 | 2015-04-27 | 株式会社日立ハイテクノロジーズ | 異常検出装置、異常検出方法、及びコンピュータ読み取り可能な記憶媒体 |
KR101812159B1 (ko) | 2016-10-12 | 2017-12-26 | 고려대학교 산학협력단 | 딥러닝을 이용한 음향 방향 추정 방법 및 장치 |
JP7462400B2 (ja) | 2018-12-13 | 2024-04-05 | 現代自動車株式会社 | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 |
JP2020095258A (ja) * | 2018-12-13 | 2020-06-18 | 現代自動車株式会社Hyundai Motor Company | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 |
KR20200075148A (ko) * | 2018-12-13 | 2020-06-26 | 현대자동차주식회사 | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 |
KR102681637B1 (ko) | 2018-12-13 | 2024-07-05 | 현대자동차주식회사 | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 |
JP2020144063A (ja) * | 2019-03-08 | 2020-09-10 | 株式会社アニモ | 音響又は振動の判定方法及び判定のための情報処理システム |
JP7272631B2 (ja) | 2019-03-08 | 2023-05-12 | 株式会社アニモ | 音響又は振動の判定方法及び判定のための情報処理システム |
JP2020165672A (ja) * | 2019-03-28 | 2020-10-08 | ポート・アンド・アンカー株式会社 | 構造物の異常判別方法及び異常判別システム |
WO2020195536A1 (ja) * | 2019-03-28 | 2020-10-01 | ポート・アンド・アンカー株式会社 | 構造物の異常判別方法及び異常判別システム |
JP2021152500A (ja) * | 2020-03-24 | 2021-09-30 | 本田技研工業株式会社 | 異音判定装置および異音判定方法 |
JP7053705B2 (ja) | 2020-03-24 | 2022-04-12 | 本田技研工業株式会社 | 異音判定装置および異音判定方法 |
CN112362750A (zh) * | 2020-09-25 | 2021-02-12 | 中科巨匠人工智能技术(广州)有限公司 | 一种基于人工智能的声学探测系统及装置 |
CN112362750B (zh) * | 2020-09-25 | 2024-01-09 | 中科巨匠人工智能技术(广州)有限公司 | 一种基于人工智能的声学探测系统及装置 |
WO2022224005A1 (ja) * | 2021-04-22 | 2022-10-27 | 日産自動車株式会社 | 異常部品検出装置、異常部品検出方法、及び異常部品検出システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2012018066A (ja) | 異常検査装置 | |
CN112955839B (zh) | 异常检测装置、异常检测方法和程序 | |
Safizadeh et al. | Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell | |
JP4605132B2 (ja) | 異常検出装置、異常検出方法 | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
KR102209401B1 (ko) | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 | |
US10634621B2 (en) | Information processing method, information processing apparatus, and program | |
JP7380019B2 (ja) | データ生成システム、学習装置、データ生成装置、データ生成方法及びデータ生成プログラム | |
CN110890102A (zh) | 一种基于rnn声纹识别的发动机缺陷检测算法 | |
CN107209512A (zh) | 用于机器的声学或振动分析的学习阶段的方法、系统及计算机程序 | |
JP2021190716A (ja) | 弱いラベル付けを使用した半導体試料内の欠陥の検出 | |
KR102300049B1 (ko) | 머신러닝 기반 주파수 분석을 이용한 고장 진단 장치 및 방법 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN111044621A (zh) | 一种基于声音品质及声学特征的无损检测系统及方法 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
KR20210077496A (ko) | 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템 | |
Shubita et al. | Fault detection in rotating machinery based on sound signal using edge machine learning | |
JP3594477B2 (ja) | 異音検査装置 | |
JP7046760B2 (ja) | 信号解析装置及び信号解析方法並びに信号解析プログラム | |
JP4886460B2 (ja) | 異常監視装置 | |
JP2017026509A (ja) | 故障診断装置および故障診断方法 | |
KR20210125366A (ko) | 신경망 분류기를 이용하여 녹음 장치 고장을 탐지하는 방법, 이를 구현한 서버 및 스마트 디바이스 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120618 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120710 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20121113 |