JP3594477B2

JP3594477B2 - Abnormal noise inspection device

Info

Publication number: JP3594477B2
Application number: JP4366498A
Authority: JP
Inventors: 尚史冨永; 浩之笹井
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1998-02-25
Filing date: 1998-02-25
Publication date: 2004-12-02
Anticipated expiration: 2018-02-25
Also published as: JPH11241945A

Description

【０００１】
【発明の属する技術分野】
この発明は、ニューラルネットワークを用いることにより、複数の特徴量データから、被検査対象物の異常の有無を短時間にて識別することができる異音検査装置に関するものである。
【０００２】
【従来の技術】
従来の異音を検査する異音検査装置は、例えば、特開昭５８−１０８４１９号公報に記載された、振動検出機の出力を、複数の周波数帯域から成るフィルタにより、複数の周波数成分に分類し、各周波数の成分に対応して設けられたしきい値と、各周波数成分における最大ピーク値とを各周波数成分別に比較して異常識別を行っているものがある。
【０００３】
また、特開昭５８−２１９４２４号公報には、振動検出機により周波数スペクトルを算出し、特定の周波数スペクトルにおける振幅値としきい値とを比較してバランス不良やベアリング軸受等の良否の検査を行っている。
【０００４】
また、特開昭５９−９７０１６号公報、特開昭５９−９７０１７号公報、および、特開昭５９−１０９８３１号公報では、検査対象の振動または騒音から変換した周波数スペクトルと基準スペクトルとの差の偏差量としきい値との比較により異音を識別している。
【０００５】
【発明が解決しようとする課題】
従来の各異音検出装置は、識別の基準となるしきい値の設定に時間がかかり、識別精度を向上させるために長い検討時間を要していた。また、特定の周波数成分のみを比較している場合、被検査帯域外の異常を見落とす可能性があり、精度向上の妨げになるという問題点が生じていた。
【０００６】
また、このことを解消するために多数の周波数成分を比較しようとすると、その各周波数成分において、それぞれしきい値を設定しなくては成らず、時間がかかる。また、各周波数成分の１つでもしきい値を越えていると、他の多くの周波数成分にたいして良と識別したとしても、不良と識別することとなり、所望の識別を行うことができないという問題点があった。
【０００７】
この発明は上記のような問題点を解消するためなされたもので、識別時間を短縮し、精度に優れた検出を行うことができる異音検査装置を提供することを目的とする。
【０００８】
【課題を解決するための手段】
この発明に係る請求項１の異音検査装置は、被検査対象物の発生音の音圧または振動のいずれか一方または両方の信号を取り出す検出手段と、検出手段にて取り出された信号を解析し複数の特徴量データを求める算出手段と、異常の有無が判断可能な被検査対象物と同一のものにて成るモデル対象物の発生音の複数の特徴量データと同一の種類の特徴量データを入力し、これら異常の有無が判断可能な各特徴量データと被検査対象物の発生音の特徴量データとの相関関係の比較から、被検査対象物の異常の有無を判断する識別手段と、モデル対象物の発生音の特徴量データを教師データとして作成する教師データ作成手段を備え、識別手段を、ニューラルネットワークにて行い、ニューラルネットワークを、教師データ作成手段より入力した教師データおよびモデル対象物の異常の有無に基づき学習させて構築し、算出手段にて求められた複数の特徴量データをニューラルネットワークにて処理し、被検査対象物の異常の有無を識別するものである。
【０００９】
また、この発明に係る請求項２の異音検査装置は、請求項１において、教師データが、良品のみのモデル対象物の特徴量データから構成される場合、識別手段において、被検査対象物の良または良でないことを識別するものである。
【００１０】
また、この発明に係る請求項３の異音検査装置は、請求項１において、教師データが、良品と、不良品の複数の種別とのそれぞれのモデル対象物の特徴量データから構成される場合、識別手段において、被検査対象物の良および不良の種別を識別するものである。
【００１１】
また、この発明に係る請求項４の異音検査装置は、請求項１ないし請求項３のいずれかにおいて、算出手段は、検出手段より取り出した信号を時系列解析して、単位時間毎の複数の特徴量データを求めるものである。
【００１２】
また、この発明に係る請求項５の異音検査装置は、請求項１ないし請求項３のいずれかにおいて、算出手段は、検出手段より取り出した信号を周波数解析して、単位周波数毎の振幅にて成る特徴量データを求めるものである。
【００１３】
また、この発明に係る請求項６の異音検査装置は、請求項１ないし請求項３のいずれかにおいて、算出手段は、検出手段より取り出した信号を時間周波数解析して、単位時間毎の単位周波数成分の振幅にて成る特徴量データを求めるものである。
【００１４】
【発明の実施の形態】
実施の形態１．
以下、この発明の実施の形態を図について説明する。図１はこの発明の実施の形態１の異音検査装置の構成を示す図である。図において、１は被検査対象物としての例えば回転機、２はこの回転機１の発生音を検出するための検出手段で、例えば、回転機１の発生音の音圧または振動の一方または両方のデータを電気信号に変換する変換器３、例えばマイクロホンまたは振動加速度ピックアップ等を用いて形成している。
【００１５】
そして、この変換器３に接続され、変換器３の信号を増幅するためのアンプ４と、このアンプ４に接続され、このアンプ４の信号の雑音の除去および複数の周波数成分に信号の分離を行うフィルタ５と、このフィルタ５に接続され、このフィルタ５の信号を取り込むＡ／Ｄ変換器６とにて成る。
【００１６】
７はこの検出手段２にて検出された信号を解析し、複数の特徴量データを求める算出手段で、例えば電子計算機搭載のＣＰＵや、ＤＳＰ（ディジタル・シグナル・プロセッサ）などが用いられる。８は教師データ作成手段で、異常の有無が判断可能な被検査対象物と同一のものにて成るモデル対象物としての、モデル回転機を使用し、その発生音を検出して上述した特徴量データと同一の種類の特徴量データを取り出し、教師データとして作成する。
【００１７】
９はこの教師データ作成手段８より入力した教師データおよびモデル対象物の異常の有無に基づき学習させて構築されるニューラルネットワークにて、算出手段７にて求められた特徴量データを識別し、回転機１の異常の有無の識別結果を出力する識別手段である。
【００１８】
上記のように構成された実施の形態１の異音検査装置の動作について図２ないし図５を交えて説明する。まず、被検査対象物の発生音の識別を実行する前に、異常の有無が判断可能な被検査対象物と同一のものにて成るモデル回転機から教師データを作成し、識別手段９に学習させておく必要がある。
【００１９】
この動作を、図２に基づいて説明する。まず、異常の有無が判断可能な分類済みのモデル回転機を動作させて準備をする（図２のステップＳ１）。次に、回転機１の発生音の音圧または振動の一方または両方の信号を検出手段２を用いて取り込む（図２のステップＳ２）。次に、この信号から算出手段７を用いて複数の特徴量データを算出する（図２のステップＳ３）。
【００２０】
次に、教師データ作成手段８を用いて、この特徴量データ（尚、特徴量データの具体例については後述する）から教師データを作成する（図２のステップＳ４）。この場合、例えば特徴量データが取り得る下限値を０と、上限値を１として特徴量データを正規化し、教師データとして作成している。
【００２１】
次に、教師データ数が所望の数Ｎ（ここで言う所望の数Ｎとは、必要とする識別の精度に基づき決定されている。教師データの数Ｎが大きくなると、識別の精度が上がると考えられる。しかし、教師データを多く作成するためには時間を要するため、必要とする精度に応じて決定すればよい。）に達しているか否かを判断し（図２のステップＳ５）、達していなければ、再び図２のステップＳ１にもどり、別のモデルと成る回転機１を用いて、上記と同様の動作を繰り返す。
【００２２】
また、教師データ数が所望の数Ｎに達していれば、この教師データを識別手段９に送信し、この教師データおよびモデル回転機の異常の有無に基づき学習させて構築されるニューラルネットワークを備えた識別手段９を設けておく（図２のステップＳ６）。
【００２３】
次に、本来の目的である被検査対象物の異常の有無の識別を行う動作に移る。この動作について、図３を用いて説明する。まず、被検査対象物である回転機１を動作させて準備する（図３のステップＳ７）。次に、回転機１の発生音を検出手段２により検出し、発生音の信号を取り込む（図３のステップＳ８）。
【００２４】
次に、算出手段７にて、この信号の複数の特徴量データを算出する（図３のステップＳ９）。この際、特徴量データが取り得る下限値を０、上限値を１として特徴量データを正規化する。次に、識別手段９にて、この正規化された特徴量データを用いて、ニューラルネットワークにて発生音と学習済みの教師データとの相関関係を判断して、発生音の識別を行う（図３のステップＳ１０）。このように相関関係を判断するようにしているため、それぞれの特徴量データに対応する、しきい値をそれぞれ設定する必要がない。
【００２５】
次に、教師データが複数または単数のいずれの分類のデータにて成るかを判断する（図３のステップＳ１１）。ここで言う分類とは、回転機１の良、不良、または、不良の種類、または、不良による異常箇所の種類の分類のことを指し、予め識別手段９が、モデル回転機を用いて得た教師データの分類の数に対応している。
【００２６】
例えば、モデル回転機の教師データが、異常がない良のみのデータの１分類のデータにて成るような場合は、分類が１というように判断される。また、モデル回転機の教師データが、異常がない良のデータ、および不良のデータからの２分類のデータにて成るような場合は、分類が２というように判断される。さらに、不良の複数の種類のデータにて成る場合や、不良による異常箇所の種類のデータにて成る場合などを備える場合が考えられる。
【００２７】
次に、分類数が１と判断された場合、すなわちここでは先に記載したように良品のみのデータが、ニューラルネットワークにて学習されている場合は、このニューラルネットワークにて良に対する評価点が得られることとなる（ここでいうニューラルネットワークの評価点とは、小さい点数ほどその分類に近似していることをあらわすものとする）。そして、この評価点により回転機１が良または良でない（ここでは不良として判断するものと設定する）と識別する（図３のステップＳ１２）。
【００２８】
この評価の一例としては、例えば良と判断する評価点のしきい値を設定し、得られた評価点がしきい値より大きい場合は不良と、また評価点がしきい値以下の場合は良と判断するようにすればよい。
【００２９】
また、分類数が２以上と判断された場合、すなわちここでは先に記載したよう良、不良、不良の種類、不良による異常箇所の種類などのデータが、ニューラルネットワークにて学習されている場合は、このニューラルネットワークにてそれぞれの分類に対する評価点が得られることとなる。そして、これら各分類の評価点の内、最小評価点の分類を識別する（図３のステップＳ１３）。そして、その分類により回転機１の、良、不良、不良の種類、または不良による異常箇所の種類などを識別することとなる。
【００３０】
ここで実際の回転機１の発生音の検出手段２における信号および、この信号の特徴量データの解析について説明する。まず、ここでは特徴量データを時間周波数解析の一手法としてのウェーブレット解析により得ることとする。図４には良品のデータ、また、図５には不良品のデータを示す。そして、図４（ａ）および図５（ａ）に検出手段２の信号を、そしてこれら各信号をウェーブレット解析し各特徴量データとしたものを図４（ｂ）および図５（ｂ）にそれぞれ示す。
【００３１】
図４（ａ）および図５（ａ）のグラフは、横軸に時間、縦軸に電圧を示している。また、図４（ｂ）および図５（ｂ）のグラフは、横軸に時間、縦軸に周波数を示しており、ウェーブレット解析によるデータがマトリックス状に得られていることが確認できる。そして、このマトリックス状に得られている単位時間毎の単位周波数成分の振幅のレベルは、色の濃淡で示され、白い色ほどレベルが高く、黒い色ほどレベルが低いものとしている。
【００３２】
そして、このようにして得られたデータを正規化し特徴量データとして算出手段７は算出している。そして、識別手段９はこのようにして得られたマトリックス状の多数の全ての特徴量データを判断の対象とする。この場合実際には、図４（ｂ）に示したデータを良のデータの分類と、図５（ｂ）に示したデータを不良のデータの分類として学習しておき、被検査対象物の発生音のデータとこれらデータとの相関関係を判断し、近似している方のデータに類似していると判断し、発生音の良、不良を判断し、被検査対象物の異常の有無を識別することとなる。
【００３３】
上記のように形成された実施の形態１の異音検査装置によれば、複数の特徴量データから被検査対象物の異常の有無の識別を、特徴量データ毎のしきい値を設定することなく行うことが可能となり、所望の判定を短時間にて行うことが可能となる。また、良品のデータのみでも、しきい値を設定する必要がないため被検査対象物の異常の有無を判断することができる。また、教師データの種類によっては、不良の種類、不良による異常箇所の種類を識別することが可能となる。
【００３４】
また、マトリックス状のように多数の特徴量データを判断するのは、従来の方法においては、それぞれの特徴量データに対してしきい値を設ける必要があり、設定時間に多大な時間を要し、現実的には不可能であったものの、発明のようにニューラルネットワークにより判断するようにすれば、それぞれの特徴量データに対してしきい値を設ける必要がなく、かつ、短時間にて所望の判断を行うことが可能となる。
【００３５】
また、上記実施の形態１においては、識別手段９をニューラルネットワークにて行う場合を示したが、これに限られることはなく、他の方法において、異常の有無の判断可能な複数の特徴量データと、被検査対象物の複数の特徴量データとの相関関係が判断できるようなものであれば、被検査対象物の異常の有無の判断を、特徴量データ毎にしきい値を設定することなく判断することができることは言うまでもない。
【００３６】
また、上記実施の形態１においては、時間周波数解析によるデータを特徴量データとしたが、これに限られることはなく、時系列解析により、例えば、単位時間毎の周波数成分の標準偏差、ピーク数、および、変動幅など複数の特徴量データを特徴量データとして解析するようにしてよい。次に、この場合の解析結果の一例を示す。
【００３７】
例えば、図４（ａ）および図５（ａ）に示した検出手段２により得られた信号が音圧を示している場合、単位時間を０．２ｓｅｃとすると、この単位時間毎の音圧の標準偏差、ピーク数、および、変動幅など複数の特徴量データは、図６に示すように求められる。そして、これらデータを特徴量データとして、上記実施の形態１と同様に判断するようにすれば、上記実施の形態１と同様の効果を奏することは言うまでもない。
【００３８】
また、他の解析方法として、周波数解析により、単位周波数毎の振幅を特徴量データとして解析するようにしてもよく、この場合、特徴量データは例えば、高速フーリエ変換または１／３オクターブ解析を用いることにより、単位周波数毎のスペクトル振幅として求めればよい。この場合の解析結果の一例を示す。
【００３９】
例えば、図４（ａ）および図５（ａ）に示した検出手段２により得られた信号を、単位周波数毎の、スペクトル振幅を複数の特徴量データとして求めると、良のデータが図７（ａ）に、また、不良のデータが図７（ｂ）に示すように求められる。そして、これらデータを特徴量データとして、上記実施の形態１と同様に判断するようにすれば、上記実施の形態１と同様の効果を奏することは言うまでもない。
【００４０】
なお、上記実施の形態１においては特に示さなかったが、発生音の音圧および振動を検出する手段として、例えば電流検出器または超音波検出器など、発生音の音圧および振動の特徴を検出できるものであれば、いずれのものを用いるようにしても良いことは言うまでもない。
【００４１】
また、上記実施の形態１においては検出手段２としてフィルタ５を備えたものを示したが、これに限られることはなく、フィルタ５を備えてなくても良いことは言うまでもない。
【００４２】
【発明の効果】
以上のように、この発明の請求項１によれば、被検査対象物の発生音の音圧または振動のいずれか一方または両方の信号を取り出す検出手段と、検出手段にて取り出された信号を解析し複数の特徴量データを求める算出手段と、異常の有無が判断可能な被検査対象物と同一のものにて成るモデル対象物の発生音の複数の特徴量データと同一の種類の特徴量データを入力し、これら異常の有無が判断可能な各特徴量データと被検査対象物の発生音の特徴量データとの相関関係の比較から、被検査対象物の異常の有無を判断する識別手段と、モデル対象物の発生音の特徴量データを教師データとして作成する教師データ作成手段を備え、識別手段を、ニューラルネットワークにて行い、ニューラルネットワークを、教師データ作成手段より入力した教師データおよびモデル対象物の異常の有無に基づき学習させて構築し、算出手段にて求められた複数の特徴量データをニューラルネットワークにて処理し、被検査対象物の異常の有無を識別するので、複数の特徴量データからの総合的な判断により被検査対象物の異常の有無を判断することができる異音検査装置を得ることが可能となり、かつ、多数の特徴量データを短時間にて処理することができる異音検査装置を得ることが可能となる。
【００４３】
また、この発明の請求項２によれば、請求項１において、教師データが、良品のみのモデル対象物の特徴量データから構成される場合、識別手段において、被検査対象物の良または良でないことを識別するので、良品のみの特徴量データにて被検査対象物の異常の有無の判断を行うことができる異音検査装置を得ることが可能となる。
【００４４】
また、この発明の請求項３によれば、請求項１において、教師データが、良品と、不良品の複数の種別とのそれぞれのモデル対象物の特徴量データから構成される場合、識別手段において、被検査対象物の良および不良の種別を識別するので、良以外の、不良の種別を判断することができる異音検査装置を得ることが可能となる。
【００４５】
また、この発明の請求項４によれば、請求項１ないし請求項３のいずれかにおいて、算出手段は、検出手段より取り出した信号を時系列解析して、単位時間毎の複数の特徴量データを求めるので、所望の識別を行うことができる異音検査装置を得ることが可能となる。
【００４６】
また、この発明の請求項５によれば、請求項１ないし請求項３のいずれかにおいて、算出手段は、検出手段より取り出した信号を周波数解析して、単位周波数毎の振幅にて成る特徴量データを求めるので、所望の識別を行うことができる異音検査装置を得ることが可能となる。
【００４７】
また、この発明の請求項６によれば、請求項１ないし請求項３のいずれかにおいて、算出手段は、検出手段より取り出した信号を時間周波数解析して、単位時間毎の単位周波数成分の振幅にて成る特徴量データを求めるので、精度に優れた異常識別を行うことができる異音検査装置を得ることが可能となる。
【図面の簡単な説明】
【図１】この発明の実施の形態１による異音検査装置の構成を示した図である。
【図２】図１に示した異音検査装置の動作のフローチャートを示した図である。
【図３】図１に示した異音検査装置の動作のフローチャートを示した図である。
【図４】この発明の実施の形態１による良品のデータを示した図である。
【図５】この発明の実施の形態１による不良品のデータを示した図である。
【図６】この発明の実施の形態１によるデータを、時系列解析によるデータとして示した図である。
【図７】この発明の実施の形態１によるデータを、周波数解析によるデータとして示した図である。
【符号の説明】
１回転機、２検出手段、７算出手段、８教師データ作成手段、９識別手段。[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to an abnormal noise inspection device that can identify the presence or absence of an abnormality of an inspection target in a short time from a plurality of feature data by using a neural network.
[0002]
[Prior art]
2. Description of the Related Art A conventional abnormal noise inspection apparatus is disclosed in, for example, JP-A-58-108419, which classifies the output of a vibration detector into a plurality of frequency components using a filter having a plurality of frequency bands. In some cases, a threshold provided for each frequency component and a maximum peak value in each frequency component are compared for each frequency component to perform abnormality identification.
[0003]
Japanese Patent Application Laid-Open No. 58-219424 discloses that a frequency spectrum is calculated by a vibration detector, and an amplitude value in a specific frequency spectrum is compared with a threshold value to inspect for imbalance or a bearing. ing.
[0004]
In Japanese Patent Application Laid-Open Nos. 59-97016, 59-97017 and 59-109831, the difference between the frequency spectrum converted from the vibration or noise of the inspection target and the reference spectrum is disclosed. Abnormal noise is identified by comparing the deviation amount with a threshold value.
[0005]
[Problems to be solved by the invention]
In each of the conventional abnormal sound detection devices, it takes time to set a threshold value as a reference for identification, and a long study time is required to improve identification accuracy. In addition, when only a specific frequency component is compared, an abnormality outside the band to be inspected may be overlooked, which causes a problem that the accuracy is hindered.
[0006]
Also, if a number of frequency components are compared in order to solve this problem, a threshold must be set for each of the frequency components, which takes time. Further, if at least one of the frequency components exceeds the threshold value, it is determined that the frequency components are defective even if many other frequency components are determined to be good, and desired identification cannot be performed. was there.
[0007]
SUMMARY OF THE INVENTION The present invention has been made to solve the above problems, and has as its object to provide an abnormal noise inspection apparatus capable of shortening the identification time and performing highly accurate detection.
[0008]
[Means for Solving the Problems]
According to the first aspect of the present invention, there is provided an abnormal noise inspection apparatus, comprising: a detection unit that extracts one or both of a sound pressure and a vibration of a sound generated from an object to be inspected; and a signal extracted by the detection unit. Calculating means for obtaining a plurality of feature amount data; and a plurality of feature amount data of the same type as the plurality of feature amount data of a sound generated from a model object composed of the same object as the inspected object for which the presence or absence of an abnormality can be determined. And identification means for judging the presence or absence of an abnormality in the inspected object by comparing the correlation between each of the characteristic amount data capable of determining the presence or absence of the abnormality and the characteristic amount data of the sound generated from the inspected object. A teacher data creating means for creating feature amount data of the sound generated from the model object as teacher data, performing the identifying means by a neural network, and inputting the neural network from the teacher data creating means. It is constructed by learning based on the presence or absence of abnormalities in the master data and the model object, processing a plurality of feature data obtained by the calculation means using a neural network, and identifying the presence or absence of abnormalities in the inspected object. It is.
[0009]
Moreover, abnormal noise inspection apparatus according to claim 2 according to the present invention, when Oite to claim 1, the teacher data is composed of the feature amount data of the model object of good only, in the identification means, the object to be inspected It identifies good or bad things.
[0010]
Moreover, abnormal noise inspection apparatus of claim 3 according to the present invention, Oite to claim 1, the teacher data is composed of feature data of each model object and good, a plurality of types of defective In this case, the identification means identifies the type of the inspection target object as good or bad.
[0011]
According to a fourth aspect of the present invention, in the abnormal noise inspection apparatus according to any one of the first to third aspects, the calculation unit performs time-series analysis on the signal extracted from the detection unit, and calculates a plurality of signals per unit time. Is obtained.
[0012]
According to a fifth aspect of the present invention, in the abnormal noise inspection apparatus according to any one of the first to third aspects, the calculating means performs a frequency analysis on the signal extracted from the detecting means to obtain an amplitude for each unit frequency. This is to obtain feature amount data.
[0013]
According to a sixth aspect of the present invention, in the abnormal noise inspection apparatus according to any one of the first to third aspects, the calculation unit performs time-frequency analysis on the signal extracted from the detection unit and performs a unit-by-unit time unit. This is to obtain feature amount data including the amplitude of the frequency component.
[0014]
BEST MODE FOR CARRYING OUT THE INVENTION
Embodiment 1 FIG.
Hereinafter, an embodiment of the present invention will be described with reference to the drawings. FIG. 1 is a diagram showing a configuration of an abnormal noise inspection device according to Embodiment 1 of the present invention. In the figure, reference numeral 1 denotes a rotating machine, for example, as an object to be inspected, and 2 denotes detection means for detecting a sound generated by the rotating machine 1, for example, one or both of a sound pressure and a vibration of a sound generated by the rotating machine 1. Is formed by using a converter 3, for example, a microphone, a vibration acceleration pickup, or the like, which converts the data of FIG.
[0015]
An amplifier 4 connected to the converter 3 for amplifying the signal of the converter 3 and an amplifier 4 connected to the amplifier 4 for removing noise from the signal of the amplifier 4 and separating the signal into a plurality of frequency components. And an A / D converter 6 connected to the filter 5 and taking in the signal of the filter 5.
[0016]
Numeral 7 is a calculating means for analyzing a signal detected by the detecting means 2 and obtaining a plurality of feature data, and for example, a CPU mounted on an electronic computer or a DSP (digital signal processor) is used. Reference numeral 8 denotes a teacher data creating unit which uses a model rotating machine as a model object made of the same object as the object to be inspected for which the presence or absence of an abnormality can be determined, detects the sound generated from the model rotating machine, and detects the above-described feature quantity. The same type of feature data as the data is extracted and created as teacher data.
[0017]
Reference numeral 9 denotes a neural network constructed by learning based on the teacher data input from the teacher data creating means 8 and the presence or absence of an abnormality in the model object. The neural network 9 identifies the feature amount data obtained by the calculating means 7 and rotates the neural network. This is an identification unit that outputs an identification result of presence / absence of abnormality in the machine 1.
[0018]
The operation of the abnormal noise inspection device according to the first embodiment configured as described above will be described with reference to FIGS. First, before discrimination of the sound generated from the object to be inspected, teacher data is created from a model rotating machine made of the same object as the object to be inspected, which can determine the presence or absence of an abnormality, and the learning data is learned by the identification means 9. You need to keep it.
[0019]
This operation will be described with reference to FIG. First, preparation is performed by operating a classified model rotating machine capable of determining the presence or absence of an abnormality (step S1 in FIG. 2). Next, a signal of one or both of the sound pressure and the vibration of the rotating machine 1 is taken in by using the detecting means 2 (step S2 in FIG. 2). Next, a plurality of feature amount data is calculated from the signal using the calculating means 7 (step S3 in FIG. 2).
[0020]
Next, teacher data is created from the feature data (note that a specific example of the feature data will be described later) using the teacher data creating means 8 (step S4 in FIG. 2). In this case, for example, the lower limit value that can be taken by the feature amount data is set to 0 and the upper limit value is set to 1 to normalize the feature amount data, and is created as teacher data.
[0021]
Next, the number of teacher data is a desired number N (the desired number N is determined based on the required accuracy of identification. When the number N of teacher data increases, the accuracy of identification increases. However, it takes time to generate a large amount of teacher data, so it may be determined according to the required accuracy.) It is determined whether or not it has reached (step S5 in FIG. 2). If not, the process returns to step S1 in FIG. 2 again, and the same operation as described above is repeated using the rotating machine 1 as another model.
[0022]
If the number of teacher data has reached a desired number N, a neural network constructed by transmitting the teacher data to the identification means 9 and learning based on the teacher data and the presence or absence of abnormality of the model rotating machine is provided. The identification means 9 is provided (step S6 in FIG. 2).
[0023]
Next, the operation shifts to the operation of identifying the presence or absence of an abnormality in the inspection target, which is the original purpose. This operation will be described with reference to FIG. First, the rotating machine 1, which is an object to be inspected, is prepared by operating (Step S7 in FIG. 3). Next, the sound generated by the rotating machine 1 is detected by the detecting means 2, and a signal of the generated sound is captured (step S8 in FIG. 3).
[0024]
Next, the calculation means 7 calculates a plurality of feature amount data of this signal (step S9 in FIG. 3). At this time, the characteristic amount data is normalized by setting the lower limit value and the upper limit value of the characteristic amount data to 0 and 1, respectively. Next, the discriminating means 9 uses the normalized feature amount data to determine the correlation between the generated sound and the trained teacher data in the neural network to identify the generated sound (FIG. Step S10). Since the correlation is determined in this way, it is not necessary to set the threshold value corresponding to each feature amount data.
[0025]
Next, it is determined whether the teacher data is classified into a plurality or a single data (step S11 in FIG. 3). Here, the classification refers to the classification of the good, bad, or bad type of the rotating machine 1 or the type of the abnormal part due to the badness, and the identification means 9 is obtained in advance using the model rotating machine. It corresponds to the number of classes of teacher data.
[0026]
For example, in a case where the teacher data of the model rotating machine is composed of data of one class of only good data having no abnormality, the classification is determined to be 1. When the teacher data of the model rotating machine is composed of two types of data including good data having no abnormality and bad data, the classification is determined to be 2. Further, there may be a case where there are cases where the data is composed of a plurality of types of data of failures, and a case where the data is composed of data of types of abnormal portions due to defects.
[0027]
Next, when the number of classifications is determined to be 1, that is, when only the data of non-defective products has been learned by the neural network as described above, an evaluation point for good is obtained by the neural network. (Here, the evaluation point of the neural network means that the smaller the score, the closer to the classification). Then, it is determined that the rotating machine 1 is good or not good (here, it is set to be determined to be bad) based on the evaluation points (step S12 in FIG. 3).
[0028]
As an example of this evaluation, for example, a threshold value of an evaluation point determined to be good is set, and if the obtained evaluation point is larger than the threshold value, it is determined to be bad, and if the evaluation point is equal to or less than the threshold value, it is determined to be good. Should be determined.
[0029]
If the number of classifications is determined to be 2 or more, that is, if the data such as good, bad, and bad, and the type of abnormal part due to the bad is learned by the neural network as described above, In this manner, the neural network can obtain evaluation points for each classification. Then, among the evaluation points of these classifications, the classification of the minimum evaluation point is identified (step S13 in FIG. 3). Then, the type of the rotary machine 1 is identified as good, defective, or defective, or the type of abnormal part due to the defect is identified.
[0030]
Here, an explanation will be given of the actual signal generated by the detecting means 2 of the sound generated by the rotating machine 1 and the analysis of the characteristic amount data of the signal. First, here, feature amount data is obtained by wavelet analysis as one method of time-frequency analysis. FIG. 4 shows data of non-defective products, and FIG. 5 shows data of defective products. FIGS. 4 (a) and 5 (a) show the signals of the detecting means 2, and FIG. 4 (b) and FIG. Show.
[0031]
In the graphs of FIGS. 4A and 5A, the horizontal axis represents time, and the vertical axis represents voltage. In the graphs of FIGS. 4B and 5B, the horizontal axis represents time and the vertical axis represents frequency, and it can be confirmed that data by wavelet analysis is obtained in a matrix. The level of the amplitude of the unit frequency component for each unit time obtained in the form of a matrix is indicated by the shading of the color. The level is higher for a white color and lower for a black color.
[0032]
Then, the calculation means 7 normalizes the data obtained in this way and calculates it as feature amount data. Then, the identification unit 9 determines all of the large number of feature data in the form of a matrix obtained in this manner. In this case, in practice, the data shown in FIG. 4B is learned as a classification of good data, and the data shown in FIG. Judges the correlation between the sound data and these data, judges that the data is similar to the data that is closer to it, judges whether the sound is good or bad, and identifies the presence or absence of abnormality in the inspection object Will be done.
[0033]
According to the abnormal noise inspection device of the first embodiment formed as described above, identification of the presence / absence of an abnormality of the inspection target from a plurality of feature data sets a threshold value for each feature data. It is possible to perform the desired determination in a short time. In addition, it is not necessary to set a threshold value only for non-defective data, so that it is possible to determine whether or not the inspection target has an abnormality. Further, depending on the type of the teacher data, it is possible to identify the type of the defect and the type of the abnormal part due to the defect.
[0034]
In addition, in the conventional method for determining a large number of feature data such as a matrix, it is necessary to provide a threshold value for each feature data, which requires a lot of time for setting. However, if it is impossible in practice, it is not necessary to set a threshold value for each feature amount data if the determination is made by using a neural network as in the present invention. Can be determined.
[0035]
Further, in the first embodiment, the case where the identification means 9 is performed by a neural network has been described. However, the present invention is not limited to this. And, if it is possible to determine the correlation between the plurality of feature data of the inspection object, the determination of the presence or absence of abnormality of the inspection object can be performed without setting a threshold value for each feature data. Needless to say, it can be determined.
[0036]
In the first embodiment, the data obtained by the time-frequency analysis is used as the feature data. However, the present invention is not limited to this. For example, the standard deviation of the frequency component per unit time, the number of peaks, , And a plurality of feature data such as a fluctuation width may be analyzed as feature data. Next, an example of an analysis result in this case will be described.
[0037]
For example, if the signal obtained by the detection means 2 shown in FIG. 4A and FIG. 5A indicates a sound pressure, if the unit time is 0.2 sec, the sound pressure of the unit time A plurality of feature amount data such as the standard deviation, the number of peaks, and the fluctuation width are obtained as shown in FIG. It is needless to say that the same effect as in the first embodiment can be obtained by determining these data as feature amount data in the same manner as in the first embodiment.
[0038]
As another analysis method, the amplitude of each unit frequency may be analyzed as feature data by frequency analysis. In this case, for the feature data, for example, fast Fourier transform or 1/3 octave analysis is used. Thus, it may be obtained as the spectrum amplitude for each unit frequency. An example of the analysis result in this case is shown.
[0039]
For example, when the signal obtained by the detection means 2 shown in FIG. 4A and FIG. 5A is obtained as a plurality of feature amount data of the spectrum amplitude for each unit frequency, good data is obtained as shown in FIG. In FIG. 7A, defective data is obtained as shown in FIG. 7B. It is needless to say that the same effect as in the first embodiment can be obtained by determining these data as feature amount data in the same manner as in the first embodiment.
[0040]
Although not particularly shown in the first embodiment, as a means for detecting the sound pressure and vibration of the generated sound, for example, a characteristic of the sound pressure and vibration of the generated sound such as a current detector or an ultrasonic detector is detected. It goes without saying that any one that can be used may be used.
[0041]
In the first embodiment, the detection unit 2 including the filter 5 is shown. However, the present invention is not limited to this, and it goes without saying that the filter 5 may not be provided.
[0042]
【The invention's effect】
As described above, according to the first aspect of the present invention, the detecting means for extracting one or both of the sound pressure and the vibration of the sound generated from the object to be inspected, and the signal extracted by the detecting means A calculating means for analyzing and obtaining a plurality of feature data, and a feature of the same type as the plurality of feature data of the sound generated from the model object which is the same as the object to be inspected which can determine the presence or absence of abnormality Identification means for inputting data and judging the presence or absence of an abnormality in the inspection object by comparing the correlation between each of the characteristic amount data capable of determining the presence or absence of the abnormality and the characteristic amount data of the sound generated from the inspection object. And teacher data creating means for creating feature amount data of the sound generated from the model object as teacher data, performing identification means by a neural network, and inputting the neural network from the teacher data creating means. It is constructed by learning based on the teacher data and the presence / absence of abnormality in the model object, and processing a plurality of feature data obtained by the calculation means by a neural network to identify the presence / absence of abnormality in the inspected object. Therefore, it is possible to obtain an abnormal sound inspection device capable of determining the presence or absence of an abnormality in an object to be inspected by comprehensive determination from a plurality of feature amount data, and to perform a large number of feature amount data in a short time. It is possible to obtain an abnormal noise inspection device that can perform the processing.
[0043]
Further, according to the second aspect of the present invention, Oite to claim 1, the teacher data, if composed of feature data of the model object of good only, in the identification unit, or the good of the inspected object Since it is determined that the inspection object is not good, it is possible to obtain an abnormal noise inspection device that can determine whether or not the inspection target has an abnormality based on feature amount data of only a non-defective product.
[0044]
Further, according to the third aspect of the invention, when Oite to claim 1, the teacher data, and good, from the feature amount data of each model object with a plurality of types of defective constituted, identification In the means, good and bad types of the object to be inspected are identified, so that it is possible to obtain an abnormal noise inspection device capable of determining a type of a defect other than good.
[0045]
According to a fourth aspect of the present invention, in any one of the first to third aspects, the calculating means performs a time-series analysis on the signal extracted from the detecting means to obtain a plurality of feature amount data for each unit time. Is obtained, it is possible to obtain an abnormal noise inspection device capable of performing desired identification.
[0046]
According to a fifth aspect of the present invention, in any one of the first to third aspects, the calculating means analyzes the frequency of the signal extracted from the detecting means, and obtains a characteristic quantity having an amplitude for each unit frequency. Since the data is obtained, it is possible to obtain an abnormal noise inspection device capable of performing desired identification.
[0047]
According to a sixth aspect of the present invention, in any one of the first to third aspects, the calculating means performs time-frequency analysis of the signal extracted from the detecting means, and obtains an amplitude of a unit frequency component for each unit time. Since the feature amount data is obtained, it is possible to obtain an abnormal noise inspection device capable of performing abnormality identification with excellent accuracy.
[Brief description of the drawings]
FIG. 1 is a diagram showing a configuration of an abnormal noise inspection device according to Embodiment 1 of the present invention.
FIG. 2 is a view showing a flowchart of an operation of the abnormal sound inspection apparatus shown in FIG. 1;
FIG. 3 is a view showing a flowchart of an operation of the abnormal sound inspection apparatus shown in FIG. 1;
FIG. 4 is a diagram showing data of non-defective products according to the first embodiment of the present invention.
FIG. 5 is a diagram showing data of defective products according to the first embodiment of the present invention.
FIG. 6 is a diagram showing data according to the first embodiment of the present invention as data obtained by time-series analysis.
FIG. 7 is a diagram showing data according to the first embodiment of the present invention as data obtained by frequency analysis.
[Explanation of symbols]
1 rotating machine, 2 detecting means, 7 calculating means, 8 teacher data creating means, 9 identifying means.

Claims

Detecting means for extracting one or both signals of sound pressure and / or vibration of the sound generated from the inspection object; calculating means for analyzing the signal extracted by the detecting means to obtain a plurality of feature data; It is possible to input the same type of feature data as the plurality of feature data of the sound generated from the model object composed of the same object as the inspection object whose presence / absence can be determined. Identification means for judging the presence or absence of an abnormality in the object to be inspected from a comparison of correlation between each characteristic amount data and the characteristic amount data of the sound generated from the object to be inspected ; and Teacher data creating means for creating feature amount data as teacher data; performing the identification means by a neural network; and inputting the neural network to the training data input from the teacher data creating means. Based on the data and the presence / absence of abnormality in the model object, it is constructed by learning, and the plurality of feature data obtained by the calculation means are processed by the neural network to identify the presence / absence of abnormality in the inspection object. An abnormal noise inspection device characterized by performing.

2. The abnormal noise according to claim 1, wherein when the teacher data is composed of feature amount data of a model object including only non-defective products, the identification unit identifies whether the inspected object is good or not good. Inspection equipment.

In the case where the teacher data is composed of feature amount data of each model object of a good product and a plurality of types of defective products, the identification unit identifies good and bad types of the inspection object. The abnormal noise inspection device according to claim 1, wherein

Calculating means analyzes time series were taken out from the detection unit signals, abnormal noise inspection apparatus according to any one of claims 1 to 3, characterized in that for obtaining a plurality of feature quantity data for each unit time .

Calculation means, by frequency analysis of the signal taken out from the detection means, abnormal sound inspection according to any one of claims 1 to 3, characterized in that determining the feature data made by the amplitude of each unit frequency apparatus.

Calculation means, in time frequency analysis was taken from the detection means signals, to any one of claims 1 to 3, characterized in that determining the feature data made by the amplitude of the unit frequency component for each unit time Abnormal noise inspection device as described.