JP4029405B2 - 異常判定方法および装置 - Google Patents

Description

この発明は、振動部を有する製品の異常を判定する異常判定方法および装置に関し、詳しくは、モータやコンプレッサ等の振動部を有する機器やこれら振動部を有する機器を用いた製品、これら振動部を有する機器により駆動される製品の正常、異常を判定する異常判定方法および装置に関する。

一般に、生産工場において、モータやコンプレッサ等の振動部を有する機器やこれら振動部を有する機器を用いた製品、これら振動部を有する機器により駆動される製品の正常、異常を判定する場合は、製品出荷前に製品を実際に稼動させて、検査員が、異常音が発生しないか否かを耳で聞いたり、手で触って振動を確認したりするいわゆる官能検査で正常、異常を判定し、これによって品質保証を行なっている。

しかし、上記検査員による官能検査による製品の正常、異常の判定結果は、個人差や時間による変化などによりばらつきが大きく、さらに、上記官能検査による判定結果は、データ化、数値化が難しく、その管理も困難であるという問題がった。

そこで、上記製品の正常、異常の判定の自動化が考えられており、この自動化を可能にする従来の技術としては、ＦＦＴ（高速フーリエ変換）アナライザという計測器、またはそれを組み込んだコンピュータシステムが提案されている。

図２５は、ＦＦＴアナライザを組み込んで構成した従来のコンピュータシステムによる処理手法をブロック図で示したものである。

図２５において、検査対象となる製品に取り付けた加速度センサ等のセンサからのセンサ信号をアナログ／ディジタル変換部（Ａ／Ｄ変換部）１によりディジタル信号に変換する。このＡ／Ｄ変換部１により変換されたディジタル信号を窓関数による前処理部２で前処理し、この前処理された信号をＦＦＴによる周波数軸波形への変換部３で、周波数軸波形へ変換する。

そして、この周波数軸波形へ変換された信号から特定周波数帯の成分抽出部４で特定周波数帯の成分を抽出し、この抽出した特定周波数帯の成分を基に判定部５で製品の正常、異常を判定する。

ここで、ＦＦＴによる変換部３における処理は、図２６に示すように、時間波形χ（ｔ）はフーリエ変換により周波数成分Ｘ（ω）に変換することができ、周波数成分Ｘ（ω）はフーリエ逆変換により時間波形χ（ｔ）に変換できるという関係を利用したＦＦＴを用いて周波数解析を行なうもので、前処理部２で前処理された信号をこのＦＦＴを用いた周波数解析技術を用いて周波数成分Ｘ（ω）の集合からなる周波数軸波形へ変換するものである。

ところが、上記ＦＦＴを用いた周波数解析は、被検査信号に含まれている波が繰り返し正しい周期で発生している場合には非常に有効な解析手法であるが、実際の製品の正常、異常の検査に採用する場合には、以下に示すような問題がある。

１）断続的な成分の抽出が困難である。

すなわち、その種の正常、異常の検査の対象物から発生される波形は、図２７に示すように、不規則あるいは断続的に発生する中周波数成分から高周波成分が含まれている場合が多い。

ここで、ＦＦＴを用いた周波数解析によると、図２８（ａ）に示すような断続的に発生する大きな振幅の波と、図２８（ｂ）に示すような連続的に発生する小さな振幅の波とで、同様の解析結果となり、その区別ができない。このため、図２８（ｂ）に示すような連続的な小さな振幅の波が発生している良品と、図２８（ａ）に示すような断続的な大きな振幅の波が発生する不良品とを識別することは困難である。

２）繰り返し精度が悪い。

すなわち、ＦＦＴを用いた周波数解析では、実際には無制限に連続しているデータを、ある有限時間だけ切り取り、それを前後につないで連続波形として処理を行なっている。そのため、切り取った部分でデータの不連続性が生じ、これが解析結果に影響する。

また、この現象を防止するため、窓関数を用いて両端の不連続性を除去する方法が一般に取られているが、この窓関数を用いた処理によると、強制的な操作の後に、ＦＦＴというダイナミックな変換を行なうことになり、その結果ＦＦＴ処理の繰り返し精度が悪くなる。

また、上記ＦＦＴを用いた周波数解析以外の手法を用いた従来の技術としては、図２９に示すような、いわゆるフィルタ方式という手法が知られている。

図２９において、このフィルタ方式による解析手法は、検査対象となる製品に取り付けた加速度センサ等のセンサからのセンサ信号をアナログ／ディジタル変換部（Ａ／Ｄ変換部）１によりディジタル信号に変換する。このＡ／Ｄ変換部１により変換されたディジタル信号を周波数フィルタなどの前処理部６で前処理し、この前処理された信号から特定周波数帯成分や指標関数による特徴量抽出部７で特徴量を抽出する。そして、この特徴量をファジィやニューロによる判定部８で判定することにより製品の正常、異常を判定する。

すなわち、このフィルタ方式による解析手法は、測定した時間信号を１つあるいは複数の数学処理やフィルタリングで特定の周波数成分などの特徴量を求め、その結果から製品の正常、異常を判定するものであるが、検出すべき異常種類が複数ある場合には、このフィルタ方式による解析手法によってそのすべてを検出するのは困難である。

そこで、この発明は、振動部を有する製品の種々の正常、異常を安定して判定することができるようにした異常判定方法および装置を提供することを目的とする。

上記目的を達成するため、本発明は、
計測手段により計測された計測データに基づき製品の異常を判定する異常判定装置において、
上記計測データの断続成分を解析する断続成分解析手段を有し、
上記断続成分解析手段は、
断続成分を前処理する断続成分解析前処理手段と、
上記断続成分解析前処理手段によって前処理された断続成分を解析して特徴量を抽出する断続成分解析特徴量抽出手段とを有し、
上記断続成分解析前処理手段は、
上記計測データをヒルバート変換するヒルバート変換手段と、
上記ヒルバート変換手段の変換前のデータを実数部、変換後のデータを虚数部として複素数配列を生成する複素数配列生成手段と、
上記複素数配列生成手段で生成された複素数配列の自乗平均平方根の配列を演算する自乗平均平方根配列演算手段と、
上記自乗平均平方根配列演算手段で演算された自乗平均平方根の配列の移動平均などの平滑処理を行なう平滑処理手段と、
上記平滑処理手段の処理結果から低周波成分を抽出するローパスフィルタ手段と、
を具備することを特徴とする。

本発明は、断続成分前処理手段の具体的構成として、計測データをヒルバート変換するヒルバート変換手段と、ヒルバート変換手段の変換前のデータを実数部、変換後のデータを虚数部として複素数配列を生成する複素数配列生成手段と、複素数配列生成手段で生成された複素数配列の自乗平均平方根の配列を演算する自乗平均平方根配列演算手段と、自乗平均平方根配列演算手段で演算された自乗平均平方根の配列の移動平均などの平滑処理を行なう平滑処理手段と、平滑処理手段の処理結果から低周波成分を抽出するローパスフィルタ手段を具備する構成を採用したため、以下の作用効果が得られる。
例えば、ベアリング不良等に代表される断続的に発生する高周波成分を含む波長（断続高調波）から正常、異常の区別を行う場合は、その断続高調波の波形の実行値や最大値を求める方式や、ＦＦＴ（高速フーリエ変換）により元データを変換する方式があるが、これらの方式では正常、異常の区別が非常に困難となる場合でも、本発明によると、上記ローパスフィルタ手段による処理後の波形が異常部で振幅の高い波となるから、正常、異常の区別を容易に行うことができる。

以下、この発明の実施の形態について添付図面を参照して詳細に説明する。

図１は、この発明に係わる異常判定方法および装置を適用して構成した異常判定システムにおける異常判定手法の一実施の形態を機能ブロック図で示したものである。

図１において、この異常判定システムにおける異常判定手法においては、振動部を有する製品に取り付けられた計測センサにより計測された計測データを、時間軸波形解析と周波数軸解析の両面から並列的に複数の加工を行ない、それぞれの加工データから複数の特徴量を演算し、それを推論することにより製品の正常、異常を判定する。

具体的には、振動部を有する製品に取り付けられた計測センサからのセンサ信号をアナログ／ディジタル変換部（Ａ／Ｄ変換部）１０によりディジタルデータに変換し、この変換したディジタルデータ（以下、元データという）をメモリ２０に格納する。

このメモリ２０に格納された元データは、Ａ／Ｄ変換部１０の変換データ単位で、例えば１０２４点ずつの固定のデータブロックに分けられ、以降の処理、すなわち、次に説明する並列前処理から特徴量関数の演算処理までを、上記固定のデータブロック単位で行なう。

すなわち、メモリ２０に格納された元データは、まず、前処理１（フィルタリング）部３０−１、前処理２（断続成分増幅処理）部３０−２、前処理３（低周波増幅処理）部３０−３、前処理４（高周波増幅処理）部３０−４、ＦＦＴによる周波数変換部３０−５に渡され、ここで上記前処理が並列に実行される。

ここで、前処理１（フィルタリング）部３０−１による前処理は、メモリ２０に格納された元データに対してアナログあるいはディジタルの周波数フィルタをかけ、元データのノイズ成分や暗騒音的信号を除去するもので、特に検出すべき異常信号の周波数帯域が予め分かっているいる場合に有効な処理である。

また、前処理２（断続成分増幅処理）部３０−２は、メモリ２０に格納された元データの断続成分増幅を行なうもので、具体的にには、後に詳述するように、
１）元データをヒルバート変換する
２）元データを実数部、ヒルバート変換後データを虚数部として複素数配列を作る
３）複素数配列の自乗平方根の配列を演算する
４）移動平均などの平滑処理をする
５）ローパスフィルタを通す
処理から構成される。

この前処理２（断続成分増幅処理）部３０−２による前処理は、正常状態の元データに周期的な低周波から高周波が含まれている場合に有効である。

また、前処理３（低周波増幅処理）部３０−３による前処理は、
１）元データをローパスフィルタを通す
２）ローパスフィルタを通した元データを微小時間にて積分する
処理により行われる。この前処理３（低周波増幅処理）部３０−３による前処理は、正常状態の元データにある程度の高周波成分が含まれており、検出すべき異常信号が低周波領域に存在する場合に有効である。

また、前処理４（高周波増幅処理）部３０−４による前処理は、
１）元データをハイパスフィルタを通す
２）ハイパスフィルタを通した元データを微小時間にて微分する
処理により行われる。この前処理４（高周波増幅処理）部３０−４による前処理は、正常状態の元データにある程度の低周波成分が含まれており、検出すべき異常信号が高周波領域に存在する場合に有効である。

また、ＦＦＴによる周波数変換部３０−５による前処理は、元データである時間軸波形をＦＦＴ（高速フーリエ変換）により周波数軸データに変換するもので、このＦＦＴ（高速フーリエ変換）により変換された周波数軸データを用いると、任意の周波数帯における成分を特徴量とすることで、異常成分の含まれている状態を定量化することが可能になる。なお、ＦＦＴ（高速フーリエ変換）処理により損失した情報や検出できない異常状態もあるが、これらの異常状態の検出はメモリ２０に格納された元データに基づき行われる上記前処理３０−１〜３０−４の処理を用いた解析で補うことができる。

前処理１（フィルタリング）部３０−１で前処理されたデータは特徴量演算処理部４０−１に渡され、ここで、フィルタリングにより前処理されたデータの振幅成分の抽出や数学的処理による特徴量演算が実行される。

また、前処理２（断続成分増幅処理）部３０−２で前処理されたデータは特徴量演算処理部４０−２に渡され、ここで、断続成分増幅処理により前処理されたデータの特徴量演算が実行される。

また、前処理３（高周波増幅処理）部３０−３で前処理されたデータは特徴量演算処理部４０−３に渡され、ここで、高周波増幅処理により前処理されたデータの特徴量演算が実行される。

また、前処理４（低周波増幅処理）部３０−４で前処理されたデータは特徴量演算処理部４０−４に渡され、ここで、低周波増幅処理により前処理されたデータの特徴量演算が実行される。

また、ＦＦＴによる周波数変換部３０−５で前処理されたデータは特徴量演算処理部４０−５に渡され、ここで、ＦＦＴによる周波数変により前処理されたデータの特徴量演算が実行される。

ここで、上記特徴量演算処理部４０−１〜４０−５の特徴量演算は、上記前処理３０−１〜３０−５と同様に並列実行される。

特徴量演算処理部４０−１〜４０−５における特徴量演算処理は、計測データの特徴を定量化するもので、前処理３０−１〜３０−５で前処理されたデータに基づき特定の関数演算を実行することで異常の度合いを示す情報としての特徴量を抽出する。

この特徴量を抽出する特徴量演算処理としては、従来から一般的に用いちられているＲＭＳ（自乗平方根）演算、平均演算等の数学関数、統計関数を用いた演算を用いることができる。

なお、この実施の形態の異常判定システムにおいては、上記ＲＭＳ（自乗平方根）演算、平均演算等の数学関数、統計関数を用いた演算の他に以下の演算関数を用いた演算処理を採用する。

１）極値数を求める特徴量演算関数
極値数を求める特徴量演算関数は、元データ配列あるいは前処理後のデータ配列から波形の極値数を検出する演算を実行するものである。

元データ配列あるいは前処理後のデータ配列の波形の極値数は、データ配列のデータχｉ（但し、ｉ＝１，２、…）に対して、以下の式が成り立つときに極値として判断し、そのデータ配列の上記極値の数をカウントした値がそのデータ配列の極値数となる。

すなわち、データ配列中の連続する３つの振動データχｍ−１、χｍ、χｍ＋１に対して、
ａ）｜χｍ−χｍ−１｜≦α
ｂ）｜χｍ＋１−χｍ｜≦α
ｃ）（χｍ−χｍ−１）×（χｍ＋１−χｍ）＜０
の３つの条件が同時に成り立つとき、振動データχｍを極値と判断する。但し、αは変数である。この変数αが“０”に近いほど微小な変化からも極値を検出することができ、この変数αをある程度大きな値にすれば、誤差的な変化を無視した極値を検出することができる。

この極値数を求める特徴量演算関数は、特に、前処理４（低周波増幅処理）部３０−４で前処理されたデータ配列から特徴量を抽出する特徴量演算処理部４０−４における演算処理で有効である。すなわち、測定データの低周波成分において異常性のある状態においては、前処理４（低周波増幅処理）部３０−４による前処理により低周波成分が増幅されることにより、雑音的な小さな極値が少なくなり、正常な状態に比べて極値数が小さい値になることから、この特徴量の把握が容易になる。

２）極値差を求める特徴量演算関数
極値差を求める特徴量演算関数は、元データ配列あるいは前処理後のデータ配列から波形の極値数を検出する演算を実行するものである。

極値差を求める特徴量演算関数においては、上記極値数を求める特徴量演算関数により求めたデータ配列中の極値について、前後極値の差の絶対値を計算したものの配列を求め、そこから、以下の手順により計算したものを極値差として演算する。

すなわち、上記前後極値の差の絶対値を計算したものの配列内のデータをＤ１、Ｄ２、…Ｄｎとすると、その中から大きい順にｋ個のデータを抽出し、その平均を求めた値を極値差とする。ここで、ｋは変数である。

すなわち、この極値差を求める特徴量演算関数は、変数ｋを適当に設定することにより、一定時間内の平均値やＲＭＳ演算などでは正常状態と比べて差異が検出できないが、測定データに一時的あるいは断続的に高周波レベル変化が含まれている場合における正常、異常の検出に有効である。

３）データブロック間の最大値最小値の差を求める特徴量演算関数
データブロック間の最大値最小値の差を求める特徴量演算関数は、元データ配列あるいは前処理後のデータ配列について、データブロック間の最大値最小値の差、すなわち、（最大値）−（最小値）の演算を実行するものである。

このデータブロック間の最大値最小値の差を求める特徴量演算関数は、一定時間内の平均値やＲＭＳ演算などでは正常状態と比べて差異が検出できないが、測定データに一時的あるいは断続的に高周波レベル変化が含まれている場合における正常、異常の検出に有効である。

４）周波数帯ピーク値を求める特徴量演算関数
周波数帯ピーク値を求める特徴量演算関数は、ＦＦＴによる周波数変換部３０−５の前処理で周波数軸信号に変換されたデータ配列から、設定された周波数に該当するデータのピーク値を求める演算を実行するものである。

すなわち、この周波数帯ピーク値を求める特徴量演算関数においては、該当するデータをＰ１、Ｐ２、…Ｐｎとすると、このデータの中から大きい順に、ｓ個のデータを抽出し、その平均を求めたものをピーク値として演算する。ここで、ｓは変数である。

総合判定部５０は、特徴量演算処理部４０−１〜５０−５でそれぞれデータブロック毎に抽出された複数の特徴量を総合的に判断して検査対象である製品の正常、異常を判断する。

この総合判定部５０においては、上記データブロック毎に抽出された複数の特徴量を全検査対象時間に相当する複数のＮデータブロック、例えば、１０データブロック以上のデータブロックで、平均化、あるいは最大値をとることで、最終的な特徴量とし、この最終的な特徴量が製品の正常、異常を判断するための推論情報となる。

ここで、複数の特徴量を全検査対象時間に相当する複数のデータブロックで最大値をとるのは、異常状態が定常的に発生するのではなく、データブロック単位相当時間より長い周期で発生する場合に非常に有効になるからである。また、異常状態がデータブロック単位相当時間内で定常的に発生する場合には、全検査対象時間に相当する複数のデータブロックで平均化することにより、例えば、ＦＦＴ処理等の繰り返し精度が悪い処理から得た情報のバラツキも１／Ｎに減少させることができ、これにより情報の信頼性を大幅に高めることで、優れた検査を行なうことが可能になる。

総合判定部５０は、上記特徴量演算処理部４０−１〜５０−５で得られた複数の特徴量の全部あるいは一部を組み合わせて作成した判定知識を予め設定した所定の判定知識と比較することで、検査対象である製品の正常、異常の総合的かつ安定した判定結果を得ることが可能になる。

図２は、図１に示した異常判定システムの具体的一実施の形態をブロック図で示したものである。

図２において、この異常判定システムは、検査対象物１００に、加速度センサ１０１を配設し、この加速度センサ１０１の計測信号に基づき検査対象物１００の正常、異常を判定する。

検査対象物１００に配設された加速度センサ１０１から出力される検査対象物１００の測定信号は、まず、アンプ２００で増幅され、その後、Ａ／Ｄ変換ボード（アナログ／ディジタル変換ボード）３００でディジタル計測データに変換され、パソコン（パーソナルコンピュータ）４００に入力される。

パソコン（パーソナルコンピュータ）４００では、上記ディジタル計測データに対して以下に詳述する処理を行なうことにより、検査対象１００の正常、異常を判断する。

図３は、図２に示したパソコン（パーソナルコンピュータ）４００における処理の概要をブロック図で示したものである。

検査対象物１００に配設された加速度センサ１０１から出力される検査対象物１００の測定信号は、Ａ／Ｄ変換ボード３００のアナログ／ディジタル変換部（Ａ／Ｄ変換部）３１０によりディジタル計測データに変換され、パソコン４００に入力される。

パソコン４００は、上記Ａ／Ｄ変換ボード３００からのディジタル計測データ（以下、単に計測データという）を格納するメモリ４１０および上記メモリ４１０に格納された計測データ（元データ）に基づき上記パソコン４００に内蔵されたＣＰＵ（中央演算処理部）で所定の処理を実行するＣＰＵによる内部処理部４２０を有しており、ＣＰＵによる内部処理部４２０は、前処理部４２１、特徴量演算部４２２、ＦＵＺＺＹ判定部４２３を有している。

ここで、ＣＰＵによる内部処理部４２０における前処理部４２１および特徴量演算部４２２の処理は、図４に示すように、メモリ４１０に格納された元データに基づき、ＦＦＴ処理部４３０、周波数処理部４４０、断続成分増幅処理部４５０、低周波増幅処理部４６０、高周波増幅処理部４７０の処理を並列実行することにより行われる。

以下、ＦＦＴ処理部４３０、周波数処理部４４０、断続成分増幅処理部４５０、低周波増幅処理部４６０、高周波増幅処理部４７０の処理の詳細を説明する。

図５は、ＦＦＴ処理部４３０の処理の詳細をブロック図で示したものである。

図５において、メモリ４１０には、Ａ／Ｄ変換ボード３００のアナログ／ディジタル変換部（Ａ／Ｄ変換部）３１０の変換データ単位で、例えば１０２４点ずつの固定のデータブロックに分けられ元データが格納される。

このメモリ４１０に格納された時間軸波形からなる元データは、まず、ＦＦＴ演算処理部４３１で、ＦＦＴ（高速フーリエ変換）により周波数軸データに変換され、この周波数軸データに基づき、特徴量１抽出部４３２−１で特定周波数帯ａ成分が抽出され、特徴量２抽出部４３２−２で特定周波数帯ｂ成分が抽出され、特徴量３抽出部４３２−３で特定周波数帯ｃ成分が抽出される。

ここで、特徴量１抽出部４３２−１による特定周波数帯ａ成分の抽出および特徴量２抽出部４３２−２による特定周波数帯ｂ成分の抽出および、特徴量３抽出部４３２−３による特定周波数帯ｃ成分の抽出は、それぞれ上記データブロック単位でそのピーク値を抽出し、この抽出したピーク値をそれぞれ複数の対象データブロックで平均化処理することにより行われ、この平均化処理により各データブロックによるバラツキを抑えることができる。

このＦＦＴ処理部４３０の処理により抽出される特徴量は、周波数帯の異なる設定を複数用いることにより、それぞれ異なる特徴量を抽出することが可能になる。

図６は、周波数処理部４４０の処理の詳細をブロック図で示したものである。

図６において、メモリ４１０には、図５の場合と同様に、Ａ／Ｄ変換ボード３００のアナログ／ディジタル変換部（Ａ／Ｄ変換部）３１０の変換データ単位で、例えば１０２４点ずつの固定のデータブロックに分けられ元データが格納される。

このメモリ４１０に格納された時間軸波形からなる元データは、まず、バンドパスフィルタ処理部４４１でそのノイズ成分や暗騒音的信号を除去する前処理が行われる。そして、このノイズ成分や暗騒音的信号が除去された前処理後のデータから特徴量が抽出される。

この特徴量の抽出は、特徴量１抽出部４４２−１、特徴量２抽出部４４２−２、特徴量３抽出部４４２−３、特徴量４抽出部４４２−４、特徴量５抽出部４４２−５で行われる。

ここで、特徴量１抽出部４４２−１による特徴量抽出は、上記前処理後のデータからＲＭＳ（自乗平方根）演算により特徴量を抽出するものであり、特徴量２抽出部４４２−２による特徴量抽出は、ピーク値を求める特徴量演算関数によるもので、上記前処理後のデータから各データブロック単位でそのピーク値を抽出する。

また、特徴量３抽出部４４２−３による特徴量の抽出は、上述した極値数を求める特徴量演算関数によるもので、上記前処理後のデータのデータ配列の波形の極値を判断し、そのデータ配列の上記極値の数をカウントした値がそのデータ配列の極値数となる。

また、特徴量４抽出部４４２−４による特徴量の抽出は、上述した極値差を求める特徴量演算関数によるもので、上記極値数を求める特徴量演算関数により求めたデータ配列中の極値について、前後極値の差の絶対値を計算したものの配列を求め、上記前後極値の差の絶対値を計算したものの配列内のデータの中から大きい順に所定個のデータを抽出し、その平均を求めた値を極値差とする。

また、特徴量５抽出部４４２−５による特徴量の抽出は、上記前処理後のデータの傾き平均を求めるものである。

なお、ここでの特徴抽出は、上記特徴量抽出手法の他に、一般的な振動解析指標や統計関数を用いた手法を採用することができる。

図７は、断続成分増幅処理部４５０の詳細をブロック図で示したものである。

図７において、この断続成分増幅処理部４５０においては、まず、断続成分増幅前処理部４５１で、上述したような
１）元データをヒルバート変換する
２）元データを実数部、ヒルバート変換後データを虚数部として複素数配列を作る
３）複素数配列の自乗平方根の配列を演算する移動平均などの平滑処理をする
４）ローパスフィルタを通す処理
から構成される前処理が行われる。

この断続成分増幅前処理部４５１の処理によると、図８に示すように、時間軸波形で傾きが強い信号成分だけが大きな信号になりそれ以外は小さくなる信号が得られる。なお、図８において、（ａ）は、メモリ４１０に格納された時間軸波形である元データの元波形を示し、（ｂ）は、上記断続成分増幅前処理部４５１による前処理後の処理後波形を示す。

そして、この断続成分増幅前処理部４５１の処理により前処理がなされた波形、すなわち、図８（ｂ）に示すような波形から、特徴量１抽出部４５７−１によるピーク値の抽出、特徴量２抽出部４５７−２による極値差の抽出、特徴量３抽出部４５７−３によるデータブロック間の最大値最小値の差、すなわち、データブロック間最大−最小の抽出が行われる。

図９は、上記断続成分増幅前処理部４５１の詳細をブロック図で示したものである。

図９に示すように、断続成分増幅前処理部４５１は、メモリ４１０に格納された時間軸波形である元データをヒルバート変換するヒルバート変換部４５２、メモリ４１０に格納された時間軸波形である元データを実数部とし、ヒルバート変換部４５２によるヒルバート変換後データを虚数部として複素数配列を作る複素数計算部４５３、複素数計算部４５３で作られた複素数配列の自乗平方根の配列を演算する自乗平方根計算部４５４、自乗平方根計算部４５４で演算された自乗平方根の配列を移動平均などの平滑処理をする平滑処理部４５５、平滑処理部４５５で平滑処理された波形から雑音成分等を除くローパスフィルタ４５６を具備して構成される。

一般に、モータ等の回転駆動部を有する製品、すなわち、検査対象物１００の状態異常の代表的なものにはベアリング不良がある。このベアリング不良等に代表される断続的に発生する高周波成分を含む波形（以下、断続高調波という）は、通常は、基本波の成分よりも振幅が高い。その場合は、波形の実効値や最大値を求めることで、正常状態と区別することができる。

しかし、その断続高調波が、正常状態の基本波の振幅成分と比較してあまり差がない場合や発生周期が長い場合には、そのような異常状態を検出するのは非常に困難になる。

また、ＦＦＴ（高速フーリエ変換）により元データの周波数軸へ変換を行なっても、発生頻度が少ないため変換結果は対象時間の平均周波数成分として計算されるため、有効な差は現れない。

そこで、断続成分増幅処理前処理部４５１においては、まず、包絡線処理すなわち、
１）元データをヒルバート変換する（ヒルバート変換部４５２）
２）元データを実数部、ヒルバート変換後データを虚数部として複素数配列を作る（複素数計算部４５３）
３）複素数配列の自乗平方根の配列を演算する（自乗平方根計算部４５４）
処理を実効する。

すなわち、まず、前包絡線Ψ（ｔ）を求める。この前包絡線Ψ（ｔ）は、元データにそのヒルバートを虚数部として付加した複素帯域通過信号で、以下の式で求められる。

元データをχ（ｔ）とし、χ（ｔ）のヒルバート変換データをζ（ｔ）とすると、前包絡線Ψ（ｔ）は、
Ψ（ｔ）＝χ（ｔ）＋ζ（ｔ）
となる。

また、包絡線ｗ（ｔ）は、前包絡線Ψ（ｔ）の振幅として定義されるので、包絡線ｗ（ｔ）は、χ（ｔ）の２乗とζ（ｔ）の２乗の和の平方根をとることにより、次式で求めることができる。
ｗ（ｔ）＝（χ2 （ｔ）＋ζ2 （ｔ））1/2

この処理により、元データの波を中心で折り返したような波形が得られる。この折り返しにより問題となる断続高調波はその発生周期の観測が容易になる。

上記包絡線処理による処理結果を波形で示すと図１０のようになる。図１０において、（ａ）は、包絡線処理前の波形を示し、（ｂ）は包絡線処理後の波形を示す。

次に、平滑処理が行われる。この平滑処理は、
１）複素数配列の自乗平方根の配列を演算する移動平均などの平滑処理をする（平滑処理部４５５）
２）ローパスフィルタを通す処理（ローパスフィルタ４５６）
により行われる。

なお、上記平滑処理は、平滑処理部４５５による処理とローパスフィルタ４５６による処理の両者の組み合わせで行なうのが好ましいが、どちらか一方の処理でも近似的な結果は得られる。

すなわち、上記移動平均処理、すなわち、平滑処理部４５５による処理により、小さな波はカットされる。

図１１に、平滑処理部４５５の移動平均係数を「９」とした場合の平滑処理部４５５による移動平均処理結果を波形で示す。図１１において、（ａ）は、移動平均処理前の波形を示し、（ｂ）は移動平均処理後の波形を示す。

また、図１２に、上記平滑処理部４５５による移動平均処理と上記ローパスフィルタ４５６による処理の両者の組み合わせを行なった場合の処理結果を波形で示す。図１２において、（ａ）は、移動平均処理およびローパスフィルタ処理による処理前の波形を示し、（ｂ）は移動平均処理およびローパスフィルタ処理による処理後の波形を示す。

上記処理により、処理後の波形は、異常部で振幅の高い波となり、その結果正常、異常の区別を容易に行なうことができる。

図１３は、上記断続成分増幅前処理部４５１により製品、すなわち検査対象物１００が正常の場合の処理前と処理後の波形を比較して示したものである。なお、図１３において、（ａ）は、処理前の波形を示し、（ｂ）は処理後の波形を示す。

また、図１４は、上記断続成分増幅前処理部４５１により製品、すなわち検査対象物１００が異常の場合の処理前と処理後の波形を比較して示したものである。なお、図１４において、（ａ）は、処理前の波形を示し、（ｂ）は処理後の波形を示す。

図１５は、低周波増幅処理部４６０の処理の詳細をブロック図で示したものである。

図１５において、メモリ４１０には、図５の場合と同様に、Ａ／Ｄ変換ボード３００のアナログ／ディジタル変換部（Ａ／Ｄ変換部）３１０の変換データ単位で、例えば１０２４点ずつの固定のデータブロックに分けられ元データが格納される。

このメモリ４１０に格納された時間軸波形からなる元データは、まず、低周波処理部４６１で前処理が行われる。この前処理は、
１）元データをローパスフィルタを通す
２）ローパスフィルタを通した元データを微小時間にて積分する
処理により行われる。

そして、この低周波処理部４６１で前処理が施されたデータから、特徴量が抽出される。

この特徴量の抽出は、特徴量１抽出部４６２−１、特徴量２抽出部４６２−２、特徴量３抽出部４６２−３で行われる。

ここで、特徴量１抽出部４６２−１による特徴量抽出は、ピーク値を求める特徴量演算関数によるもので、上記前処理後のデータから各データブロック単位でそのピーク値を抽出する。

また、特徴量２抽出部４６２−２による特徴量の抽出は、上述した極値数を求める特徴量演算関数によるもので、上記前処理後のデータのデータ配列の波形の極値を判断し、そのデータ配列の上記極値の数をカウントした値がそのデータ配列の極値数となる。

また、特徴量３抽出部４６２−４による特徴量の抽出は、データブロック間の最大値最小値の差、すなわち、データブロック間最大−最小を演算することにより行われる。

図１６は、高周波増幅処理４７０の処理の詳細をブロック図で示したものである。

図１６において、メモリ４１０には、図５の場合と同様に、Ａ／Ｄ変換ボード３００のアナログ／ディジタル変換部（Ａ／Ｄ変換部）３１０の変換データ単位で、例えば１０２４点ずつの固定のデータブロックに分けられ元データが格納される。

このメモリ４１０に格納された時間軸波形からなる元データは、まず、高周波処理部４７１で前処理が行われる。この前処理は、
３）元データをハイパスフィルタを通す
４）ハイパスフィルタを通した元データを微小時間にて微分する
処理により行われる。

そして、この高周波処理部４７１で前処理が施されたデータから、特徴量が抽出される。

この特徴量の抽出は、特徴量１抽出部４７２で行われる。すなわち、特徴量１抽出部４７２による特徴量抽出は、上述した極値差を求める特徴量演算関数によるもので、上記極値数を求める特徴量演算関数により求めたデータ配列中の極値について、前後極値の差の絶対値を計算したものの配列を求め、上記前後極値の差の絶対値を計算したものの配列内のデータの中から大きい順に所定個のデータを抽出し、その平均を求めた値を極値差とする。

図１７は、定常的に低周波成分に異常が発生し、かつ断続的に高周波成分に異常が見られる元データを上記低周波増幅処理と高周波増幅処理でそれぞれの特徴を増幅した波形の一例を示したものである。なお、図１７において、（ａ）は、元データの波形を示し、（ｂ）は低周波増幅処理後の波形を示し、（ｃ）は、高周波増幅処理後の波形を示す。

このように、元データに対して複数の処理を並列実行してその特徴量を抽出することで、あらゆる異常状態の検出が可能になる。

さて、検査対象物１００が、例えば、モータであった場合、その異常の種類としては、ベアリング不良、ブラシと整流子とのスレ、軸や回転子の機械的不釣り合いによるアンバランスなどの複数の要因のものが存在する。

例として、あるモータの不良品の種類を、ベアリング不良、スレ不良、びびり不良の３つである場合、これを集合的に表わすと、検査すべき不合格品の全体集合をＸ、ベアリング不良の集合をＡ、スレ不良の集合をＢ、びびり不良の集合をＣとすると、
Ｘ＝ＡＵＢＵＣ（Ｕは論理和を示す）
となる。

したがって、この不合格品を判定する判定装置としては、上記ベアリング不良の集合Ａ、スレ不良の集合Ｂ、びびり不良の集合Ｃのいずれかを検出するだけでは不十分で、すべての不良種類において不合格レベルのものを検出、判定できなければならない。

いま、ひとつの不良を検査員がどのように判定しているかを示すために、以下、「音がうるさい不良」を例としてあげて説明する。

図１８は、騒音計で測定した騒音のレベル（デシベル）と検査員がうるさいと感じる関係をクリスプ集合とファジイ集合で表わしたものである。図１８から明らかになるように、検査員によるすべての判断は、クリスプ集合で表わすよりもファジイ集合で表わす方が適切である。また、検査員によるすべての判断は、個人差もあれば、同じ検査員でも体調によりその判断は変わる。

このため、検査員による判断の場合、はっきりした境界はないが、検査員は中間レベルのものも合格か不合格かの２つに判断しなければならないため、その都度無理矢理どちらかの判断を出している。その部分が合格、不合格のバラツキの原因になっている。この結果、騒音計を計測器としたシステムにおける判定と検査員による判断とを完全に一致させることは極めて困難である。

良品と音がうるさい不良品について、ＪＩＳ（日本工業規格）に定められた騒音レベルの測定方法に定められた方法で得た騒音値を特徴量として分布グラフで示すと図１９のようになる。

図１９において、良品と不良品の分布の山には交差する部分があり、判定装置において、この交差部分のいずれかのデシベル値を判定基準として定めると、その基準値を上回る良品は、過検出となり、下回る不良品は見逃しとなり、その結果判定装置としての信頼性が得られない。

もちろん、ある特徴量と検査員の判断結果とを同様の手段でその分布で表わした場合は、その山と山との間に判定基準値を設定した従来の２値論理判断によって判定することが可能になる。

そこで、この実施の形態においては、まず、はっきりした良品とはっきりした不良品のサンプルを一定数以上収集し、図１９のようにその分布を調べる。

このとき、良品と不良品の分布の山は離れなければならず、交差していれば、その横軸とした特徴量が適切でないか、サンプルがおかしいことになる。

次に、２つの判定基準値ＳＡおよびＳＢを求める。この２つの判定基準値ＳＡおよびＳＢは、良品の平均値をμ１、標準偏差をσ１とし、不良品の平均値をμ２、標準偏差をσ２と次式により求めることができる。
ＳＡ＝μ１＋３σ１
ＳＢ＝μ２−３σ２

このときＳＡ＜ＳＢが成り立たなければならない。成り立たない場合は、やはりその不良を検出するための有効特徴量ではないかサンプル標本がおかしいということになる。

次に、検査員の官能検査による良品と音がうるさい不良のサンプルを収集する。ここで、良品と音がうるさい不良のサンプルには中間グレードのものを含む。これを同様に分布をとり、そのサンプルについて２つの判定基準値ＳＡおよびＳＢを求める。

図２０は、上記検査員の官能検査の場合の上記２つの判定基準値ＳＡおよびＳＢを求めた結果を示したものである。このとき、ＳＡ＞ＳＢが成り立てば、ＳＡをＳＨとし、ＳＢをＳＬとする。また、ＳＡ≦ＳＢが成り立てば、ＳＡをＳＬとし、ＳＢをＳＨとする。

ここで、製品不良の種類は複数あるので、すべての製品不良の種類に対して、上記有効特徴量を決定し、その特徴量毎に、上記ＳＬおよびＳＨを同様の手法により決定していく。ここで、１つの不良種類に対して、有効特徴量は２つ以上の複数存在してもよい。

さて、図３に戻り、この実施の形態の異常判定システムにおいて、ＦＵＺＺＹ判定部４２３は、ＦＵＺＺＹ推論部と、このＦＵＺＺＹ推論部による推論結果から検査対象物１００の総合判定を行なう総合判定部とから構成されている。

ここで、総合判定部は、ＦＵＺＺＹ推論部による推論結果から検査対象物１００の異常に関して「ＯＫ」、「ＧＬＡＹ」、「ＮＧ」の３つに判断する。

ＦＵＺＺＹ推論部に入力する情報としては、前述したようにして確定した有効特徴量が前件部の変数となる。

図２１は、ＦＵＺＺＹ判定部４２３におけるＦＵＺＺＹ推論部によるファジイ推論のための各特徴量のメンバシップ関数を示したものである。

図２１において、（ａ）は、ＳＡ＞ＳＢの場合のメンバシップ関数を示す。ここで、このメンバシップ関数のラベルは、ＳＭＬ、ＭＤＬ、ＬＧＬの３つのラベルからなり、台形型の横軸座標は、図２１（ａ）に示すように、ＳＭＬとＭＤＬの交点が前述の手法で求めたＳＬになるように設定され、ＭＤＬとＬＲＧの交点が前述の手法で求めたＳＨになるように設定されている。

また、図２１において、（ｂ）は、ＳＡ≦ＳＢの場合のメンバシップ関数を示す。この場合は、図２１（ｂ）に示すように、ＳＭＬとＬＲＧの２つのメンバシップ関数を設定する。

図２２は、ＦＵＺＺＹ判定部４２３におけるＦＵＺＺＹ推論部によるファジイ推論のための後件部を示す。ここで、ＦＵＺＺＹ推論部によるファジイ推論は、「悪い」、「おかしい」の２結論に対して行なうことが特徴である。

また、「悪い」の後件部変数としては、図２２（ａ）に示すように、「ＯＫ」と「ＮＧ」の２つのシングルトンを持ち、「おかしい」の後件部変数としては、図２２（ｂ）に示すように、「ＯＫ」と「ＧＲＡＹ」の２つのシングルトンを持つ。

図２３は、ＦＵＺＺＹ判定部４２３におけるＦＵＺＺＹ推論部においてファジイ推論を行なうためのファジイ判定ルールの一例を示す。ここで、ファジイ推論のための特徴量は必要に応じて何種類まであってもよいが、図２３に示すファジイ判定ルールにおいては、ファジイ推論のための特徴量として５種類の特徴量を前件部として使用する場合を示している。

図２３において、ルールＮｏ．１は、２つの結論において「ＯＫ」となるルールを示す。全集合に対し、複数の不良種類Ａ、Ｂ、Ｃがあった場合、良品の集合は、
Ａｃ＊Ｂｃ＊Ｃｃ（＊は論理積を示す）
（ここで、Ａｃ、Ｂｃ、Ｃｃは、それぞれ、Ａ、Ｂ、Ｃの補集合である。）
となるので、このルールＮｏ．１は、すべての有効特徴量＝ＳＭＬの条件がアンド条件で成立するときだけ明らかに良品であるというルールである。

ルールＮｏ．２からルールＮｏ．５までは、結論２、すなわち「おかしい」に対するルールである。すなわち、ルールＮｏ．２からルールＮｏ．５までによると、いずれかの特徴量がＭＤＬであれば、「おかしい」の「ＧＲＡＹ」度合いが発生する。

ルールＮｏ．７からルールＮｏ．１１までは、結論１、すなわち「悪い」に対するルールである。すなわち、ルールＮｏ．７からルールＮｏ．１１までによると、いずれかの特徴量がＬＲＧであれば、「悪い」の「ＮＧ」度合いが発生する。

ルールＮｏ．１２、ルールＮｏ．１３は、複数の特徴量の値がＭＤＬのグレードを持つ場合に、「悪い」度合いが発生するルールである。これは、サンプルから得たデータを検証した結果、該当するルールが見つかった場合にその組み合わせで追加したもので、特に各特徴量のメンバシップに、組み合わせ判定用に新たなラベルを作成してもよい。

また、これ以外にも、組み合わせで「おかしい」度合いが発生する特徴量候補がある場合は、それらをそのアンド条件と識別できるラベルで「おかしい」の「ＧＲＡＹ」度合いが発生するルールを追加してもよい。

図２４は、各ルールから適合度α、βが求められることを示す。各特徴量の適合度にミニ・マックス（ｍｉｎｉ−ｍａｘ）演算を行なうと、各出力の合成としての各結論の２つのシングルトンの適合度が求められる。

例えば、図２３のルールＮｏ．１では、すべての特徴量毎のＳＭＬの適合度α１、α２、α３、α４、α５とＬＲＧの適合度β１、β２、β３、β４、β５を求める。条件部すべての適合度としては、ミニ演算により、λ＝ｍｉｎ（α１、α２、α３、α４、α５）で求められる最小値となり、その高さを結論２の「おかしい」の「ＯＫ」グレードとする。同様に、βにより「ＧＲＡＹ」のグレードμ＝ｍｉｎ（β１、β２、β３、β４、β５）も求める。

また、同様に、結論１の「悪い」についても適合度α、βを求める。

次に、マックス演算として、結論１および結論２の各ラベル毎にそのラベルを出力する各ルールの最大値を求める。

次に、重心法により、結論毎の合成ファジイ出力から１つの出力値（グレード；ｙ）を得る。

結論２の「おかしい」については、
ｙ＝（０×λ＋１×μ）／（λ＋μ）
同様に、結論１の「悪い」についてもグレードｚを求める。

こうして、ＦＵＺＺＹ判定部４２３のＦＵＺＺＹ推論部で、「おかしい」度合いおよび「悪い」度合いを示すグレードが選ばれる。

ＦＵＺＺＹ判定部４２３の総合判定部では、「おかしい」に対するしきい値ｍと「悪い」に対するしきい値ｎが設定されており、各グレードとしきい値が比較され、以下のような条件により分類される。
ｉｆ ｙ＜ｍ ａｎｄ ｚ＜ｎ ｔｈｅｎ 「ＯＫ」
ｉｆ ｙ≧ｍ ａｎｄ ｚ＜ｎ ｔｈｅｎ 「ＧＲＡＹ」
ｉｆ ｚ≧ｎ ｔｈｅｎ 「ＮＧ」
この結果が最終的な判定結果となり、外部へ出力される。

上記手法によると、検査結果として、確実な「ＯＫ」、確実な「ＮＧ」とそうでないものが判別でき、さらに、「ＧＲＡＹ」として判定された検査対象物１００とデータの解析を行なうことにより、「ＧＲＡＹ」の幅を狭めることが可能になる。

なお、本実施形態では、計測手段として、検査対象物１００に取り付けられた加速度センサ１０１を用いたが、その他音波やレーザ光を使って非接触で計測したり、駆動電流を計測して手元で計測するという方法もある。

この発明に係わる異常判定方法および装置を適用して構成した異常判定システムにおける異常判定手法の一実施の形態を示す機能ブロック図。 図１に示した異常判定システムの具体的一実施の形態を示すブロック図。 図２に示したパソコン（パーソナルコンピュータ）における処理の概要を示すブロック図。 図３に示したＣＰＵによる内部処理部における前処理部および特徴量演算部の処理を説明するブロック図。 図４に示したＦＦＴ処理部の処理の詳細を示すブロック図。 図４に示した周波数処理部の処理の詳細を示すブロック図。 図４に示した断続成分増幅処理部の詳細を示すブロック図。 図４に示した断続成分増幅処理前処理部の処理を説明する波形図。 図８に示した断続成分増幅処理前処理部４５１の詳細を示すブロック図。 図９に示したヒルバート変換部および複素数計算部および自乗平方根計算部による包絡線処理の処理結果を説明する波形図。 図９に示した平滑処理部による移動平均処理結果を説明する波形図。 図９に示した平滑処理部による移動平均処理とローパスフィルタによる処理の両者の組み合わせを行なった場合の処理結果を説明する波形図。 図９に示した断続成分増幅処理前処理部により製品、すなわち検査対象物が正常の場合の処理前と処理後の波形を比較して示した波形図。 図９に示した断続成分増幅処理前処理部により製品、すなわち検査対象物が異常の場合の処理前と処理後の波形を比較して示した波形図。 図４に示した低周波増幅処理部の処理の詳細を示すブロック図。 図４に示した高周波増幅処理の処理の詳細を示すブロック図。 定常的に低周波成分に異常が発生し、かつ断続的に高周波成分に異常が見られる元データを低周波増幅処理と高周波増幅処理でそれぞれの特徴を増幅した波形の一例を示した図。 騒音計で測定した騒音のレベル（デシベル）と検査員がうるさいと感じる関係をクリスプ集合とファジイ集合で表わした図。 良品と音がうるさい不良品について、ＪＩＳ（日本工業規格）に定められた騒音レベルの測定方法に定められた方法で得た騒音値を特徴量として分布グラフで示した図。 検査員の官能検査の場合の２つの判定基準値ＳＡおよびＳＢを求めた結果を示した図。 図３に示したＦＵＺＺＹ判定部におけるＦＵＺＺＹ推論部によるファジイ推論のための各特徴量のメンバシップ関数を示した図。 図２に示したＦＵＺＺＹ判定部におけるＦＵＺＺＹ推論部によるファジイ推論のための後件部を示す図。 図２に示したＦＵＺＺＹ判定部におけるＦＵＺＺＹ推論部においてファジイ推論を行なうためのファジイ判定ルールの一例を示す図。 各ルールから適合度α、βが求められることを説明する図。 ＦＦＴアナライザを組み込んで構成した従来のコンピュータシステムによる処理手法を示すブロック図。 図２６に示す変幹部の処理を説明する図。 正常、異常の検査の対象物から発生される波形の一例を示す図。 ＦＦＴを用いた周波数解析による問題点を説明する図。 フィルタ方式を用いた従来の手法を説明する図。

符号の説明

１０ アナログ／ディジタル変換部（Ａ／Ｄ変換部）
２０ メモリ
３０−１ 前処理部１（フィルタリング）部
３０−２ 前処理２（断続成分増幅処理）部
３０−４ 前処理４（高周波増幅処理）部
３０−５ ＦＦＴによる周波数変換部
４０−１ 特徴量演算処理部
４０−２ 特徴量演算処理部
４０−３ 特徴量演算処理部
４０−４ 特徴量演算処理部
４０−５ 特徴量演算処理部
１００ 検査対象物
１０１ 加速度センサ
２００ アンプ
３００ Ａ／Ｄ変換ボード（アナログ／ディジタル変換ボード）
３１０ アナログ／ディジタル変換部（Ａ／Ｄ変換部）
４００ パソコン（パーソナルコンピュータ）
４１０ メモリ
４２０ ＣＰＵによる内部処理部
４２１ 前処理部
４２２ 特徴量演算部
４２３ ＦＵＺＺＹ判定部
４３０ ＦＦＴ処理部
４３１ ＦＦＴ演算処理部
４３２−１ 特徴量１抽出部
４３２−２ 特徴量２抽出部４３２−２
４３２−３ 特徴量３抽出部４３２−３
４４０ 周波数処理部
４４１ バンドパスフィルタ処理部
４４２−１ 特徴量１抽出部
４４２−２ 特徴量２抽出部
４４２−３ 特徴量３抽出部
４４２−４ 特徴量４抽出部
４４２−５ 特徴量５抽出部
４５０ 断続成分増幅処理部
４５１ 断続成分増幅前処理部
４５２ ヒルバート変換部
４５３ 複素数計算部
４５４ 自乗平方根計算部
４５５ 平滑処理部
４５６ ローパスフィルタ
４５７−１ 特徴量１抽出部
４５７−２ 特徴量２抽出部
４５７−３ 特徴量３抽出部
４６０ 低周波増幅処理部
４６１ 低周波処理部
４６２−１ 特徴量１抽出部
４６２−２ 特徴量２抽出部
４６２−３ 特徴量３抽出部
４７０ 高周波増幅処理部
４７１ 高周波処理部
４７２ 特徴量１抽出部

Claims (1)

1. 計測手段により計測された計測データに基づき製品の異常を判定する異常判定装置において、
   上記計測データの断続成分を解析する断続成分解析手段を有し、
   上記断続成分解析手段は、
   断続成分を前処理する断続成分解析前処理手段と、
   上記断続成分解析前処理手段によって前処理された断続成分を解析して特徴量を抽出する断続成分解析特徴量抽出手段とを有し、
   上記断続成分解析前処理手段は、
   上記計測データをヒルバート変換するヒルバート変換手段と、
   上記ヒルバート変換手段の変換前のデータを実数部、変換後のデータを虚数部として複素数配列を生成する複素数配列生成手段と、
   上記複素数配列生成手段で生成された複素数配列の自乗平均平方根の配列を演算する自乗平均平方根配列演算手段と、
   上記自乗平均平方根配列演算手段で演算された自乗平均平方根の配列の移動平均などの平滑処理を行なう平滑処理手段と、
   上記平滑処理手段の処理結果から低周波成分を抽出するローパスフィルタ手段と、
   を具備することを特徴とする異常判定装置。

Images