JP5134605B2

JP5134605B2 - Signal identification device

Info

Publication number: JP5134605B2
Application number: JP2009217334A
Authority: JP
Inventors: 良仁橋本
Original assignee: パナソニックデバイスＳｕｎｘ株式会社
Priority date: 2009-09-18
Filing date: 2009-09-18
Publication date: 2013-01-30
Anticipated expiration: 2029-09-18
Also published as: JP2011065545A

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に関する。 The present invention relates to a signal identification equipment used to inspect the condition of the test object.

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。 Conventionally, as a signal identification device for inspecting the state of an inspection target, a plurality of feature amounts extracted from the inspection signal are input to a learned neural network to determine whether the inspection target is in a normal state. An apparatus for performing this is known (for example, see Patent Document 1). This signal identification device needs to learn a neural network before making the above determination. Therefore, the conventional signal identification device uses, as learning signals, a normal signal (normal sample) detected when the inspection target is in a normal state and an abnormal signal (abnormal sample) detected when the inspection target is in an abnormal state. ) Are extracted from each of the normal sample and the abnormal sample, and the extracted plurality of feature amounts are input to the neural network to learn the neural network.

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。 As another example, a signal identification device that learns a neural network using only normal samples as learning signals is known (see, for example, Patent Document 2). Since this signal identification device does not require an abnormal sample that is difficult to collect as compared with a normal sample, a learning signal can be easily prepared and learning of a neural network can be easily performed.

特許第３７７８１７７号公報Japanese Patent No. 3778177 特許第４２４１８１８号公報Japanese Patent No. 4241818

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。 By the way, when these conventional signal identification devices inspect the state of an inspection object using inspection signals input from each of a plurality of signal sources, a determination criterion is individually created for each inspection signal of each signal source. The state of the inspection object is determined, and when all the determination results for the inspection signal of each signal source are “normal”, it is comprehensively determined that the inspection object is in a normal state.

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。 Therefore, in the conventional signal identification device, if even one misjudgment of “normal” to “abnormal” occurs in the judgment on the inspection signal of each signal source, it is finally determined that the inspection target is in an abnormal state. In the final determination, there is a problem that many erroneous determinations that cause the abnormal state occur in spite of the normal state.

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。 In order to solve the above problem, a method of loosening the determination criterion can be considered in the past. For example, when there is only one “abnormal” in the determination of the inspection signal of each signal source, a method of setting the final determination to “normal” as in the case where all the determinations are “normal” can be considered. . However, depending on the type and application of the inspection target, even if there is only one “abnormal” determination, determining that the inspection target is in a normal state may lead to a serious abnormality. Therefore, the criterion cannot be relaxed.

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。 Further, in the conventional signal identification device, when the inspection target state is inspected using inspection signals input from each of a plurality of signal sources, a plurality of neural networks each corresponding to the inspection signal of each signal source are used. The inspection time tended to be long.

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を提供することにある。 The present invention has been made in view of the above points, and the object of the present invention is normal without increasing the misjudgment that makes an abnormal state a normal state without loosing the criteria for the state of the inspection object. state with the thereby reduce erroneous determination that an abnormal state is to provide a signal identification equipment which can greatly shorten the inspection time.

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場合に、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。 The invention of the signal identification device according to claim 1 inputs a plurality of learning data, which are feature quantities extracted from learning signals collected in advance, to an unsupervised competitive learning type neural network and inputs the unsupervised competitive learning type neural network. Signal identification for learning a network, creating a clustering map in which a category representing a state of an inspection target is set from the unsupervised competitive learning type neural network, and inspecting the state of the inspection target using the clustering map at the time of inspection An apparatus for converting a physical quantity relating to the state of the inspection target into an electrical signal to obtain an inspection signal; obtaining the inspection signal from the signal input means; and obtaining the characteristic amount of the inspection object from the inspection signal. A feature amount extracting means for extracting the inspection data as inspection data, and the teacher who has learned the inspection data. Input into a competitive learning type neural network to acquire the position of the inspection data on the clustering map, and determine the state of the inspection object by determining whether the inspection data belongs to a category from the acquired position Determination means, and the signal input means includes a plurality of signal sources, each of which detects a physical quantity relating to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal. Extracting the extreme value of the amplitude of each inspection signal for each preset section when extracting the feature quantity indicating the relationship between the inspection signals acquired from each of the plurality of signal sources to obtain the inspection data And the extraction frequency for each combination of extreme values of the amplitude of each inspection signal is used as the feature amount .

請求項２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場合に、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。 The invention of the signal identification device according to claim 2 inputs a plurality of learning data, which are feature quantities extracted from learning signals collected in advance, to an unsupervised competitive learning type neural network and inputs the unsupervised competitive learning type neural network. Signal identification for learning a network, creating a clustering map in which a category representing a state of an inspection target is set from the unsupervised competitive learning type neural network, and inspecting the state of the inspection target using the clustering map at the time of inspection An apparatus for converting a physical quantity relating to the state of the inspection target into an electrical signal to obtain an inspection signal; obtaining the inspection signal from the signal input means; and obtaining the characteristic amount of the inspection object from the inspection signal. A feature amount extracting means for extracting the inspection data as inspection data, and the teacher who has learned the inspection data. Input into a competitive learning type neural network to acquire the position of the inspection data on the clustering map, and determine the state of the inspection object by determining whether the inspection data belongs to a category from the acquired position Determination means, and the signal input means includes a plurality of signal sources, each of which detects a physical quantity relating to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal. In the case where feature values indicating the relationship between the inspection signals acquired from each of the plurality of signal sources are extracted and used as the inspection data, the presence / absence of zero-crossing of each inspection signal is extracted at each preset timing. And the extraction frequency for each combination of the presence or absence of zero crossing of each inspection signal is used as the feature amount .

請求項３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場合に、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。 According to a third aspect of the present invention , a plurality of learning data, which are feature quantities extracted from learning signals collected in advance , are input to an unsupervised competitive learning type neural network to input the unsupervised competitive learning type neural network. Signal identification for learning a network, creating a clustering map in which a category representing a state of an inspection target is set from the unsupervised competitive learning type neural network, and inspecting the state of the inspection target using the clustering map at the time of inspection An apparatus for converting a physical quantity relating to the state of the inspection target into an electrical signal to obtain an inspection signal; obtaining the inspection signal from the signal input means; and obtaining the characteristic amount of the inspection object from the inspection signal. A feature amount extracting means for extracting the inspection data as inspection data, and the teacher who has learned the inspection data. Input into a competitive learning type neural network to acquire the position of the inspection data on the clustering map, and determine the state of the inspection object by determining whether the inspection data belongs to a category from the acquired position Determination means, and the signal input means includes a plurality of signal sources, each of which detects a physical quantity relating to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal. When extracting the feature quantity indicating the relationship between the inspection signals acquired from each of the plurality of signal sources to obtain the inspection data, the amplitude value of each inspection signal is extracted at each preset timing. The extraction frequency for each combination of amplitude values of the inspection signals is used as the feature amount .

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。 According to a fourth aspect of the present invention, there is provided the signal identification device according to the first aspect, wherein the feature amount extraction unit extracts the presence or absence of a zero cross of each inspection signal at each preset timing, and the zero cross of each inspection signal. The extraction frequency for each combination of presence / absence and the extraction frequency for each combination of the extreme values of the amplitudes of the inspection signals are used as the feature amount.

請求項５に係る信号識別装置の発明は、請求項１〜４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。 The signal identification device according to a fifth aspect of the present invention is the signal identification device according to any one of the first to fourth aspects, wherein the feature amount extraction unit divides each inspection signal into a preset time region, and the time region The extraction is performed every time, the extraction frequency for each combination is obtained, and the extraction frequency results of each time region are integrated into the feature amount.

請求項１〜４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１〜４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。 According to the first to fourth aspects of the present invention, even when the state of the inspection object is determined using a plurality of inspection signals from each signal source, the feature amount indicating the relationship between these inspection signals is used as inspection data. By extracting and determining the state of the inspection target, the feature amount is extracted from the inspection signal for each signal source as inspection data, and if one of the determination results for each inspection data is determined to be abnormal, the inspection target is in an abnormal state Compared to the final determination that it is, the error that makes the normal state an abnormal state without increasing the misjudgment that makes the abnormal state a normal state without loosening the criteria for the state to be inspected Judgment can be reduced. According to the first to fourth aspects of the present invention, the determination process after extracting the feature amount from the inspection signal at the time of inspection can be completed at one time regardless of the number of signal sources. Compared with the case where the feature amount is extracted from the inspection signal as inspection data and the determination is made for each inspection data, the inspection time can be significantly reduced.

請求項１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。 According to the invention 請 Motomeko 1, it can with the distribution of the amplitude of extreme value of the test signal from the signal source, simultaneously determine the relevance of the extreme value of the amplitude of the test signal between different signal sources.

請求項２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。 According to the second aspect of the present invention, it is possible to simultaneously determine the relevance of the phase of the inspection signal between different signal sources as well as the distribution of the frequency of the inspection signal from each signal source.

請求項３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。 According to the third aspect of the invention, it is possible to simultaneously determine the relevance of the amplitude of the inspection signal between different signal sources as well as the distribution of the amplitude value of the inspection signal from each signal source.

請求項４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。 According to the fourth aspect of the present invention, the inspection signal phase distribution and the amplitude extreme value relationship between different signal sources, as well as the frequency distribution and amplitude extreme value distribution of the inspection signal from each signal source. Can be judged at the same time.

請求項５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。 According to the invention of claim 5 , since it is possible to capture the temporal change in the distribution of the inspection signal from each signal source and the relevance of the inspection signal between different signal sources, even if the inspection signal is an unsteady signal The inspection object can be inspected.

実施形態１に係る信号識別装置の構成を示す図である。It is a figure which shows the structure of the signal identification apparatus which concerns on Embodiment 1. FIG. 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。It is a figure which shows the structure of the neural network which concerns on the same as the above. 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。It is a figure explaining extraction of the feature-value by the signal identification device which concerns on the same as the above. 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。It is a figure explaining extraction of the feature-value by the signal identification device concerning Embodiment 2. 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。It is a figure explaining extraction of the feature-value by the signal identification device concerning Embodiment 3. 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。It is a figure explaining extraction of the feature-value by the signal identification device concerning Embodiment 5.

（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。 (Embodiment 1)
In the learning mode, the signal identification device according to the first exemplary embodiment uses an unsupervised competitive learning type neural network (hereinafter referred to as “neural network”) 1 as a plurality of learning data that are feature amounts extracted from learning signals collected in advance. (See FIG. 2) to learn the neural network 1. The signal identification device creates a clustering map from the learned neural network 1. On the other hand, in the inspection mode, the signal identification device inspects the state of the inspection object A using the clustering map.

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。 As shown in FIG. 2, the neural network 1 is a self-organization map (SOM) composed of two layers of an input layer 11 and an output layer 12. The input layer 11 includes a plurality of input layer neurons N1, N1,. The output layer 12 includes a plurality of output layer neurons N2, N2,. Each input layer neuron N1 and each output layer neuron N2 are mutually coupled, and one element of input data (input vector) is input to each input layer neuron N1. The number of input layer neurons N1 and output layer neurons N2 need not be the same. Although the neural network 1 of the present embodiment is assumed to be realized by executing an appropriate application program on a sequential processing type computer, it can also be realized by a dedicated neurocomputer.

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。 As shown in FIG. 1, the signal identification apparatus according to the present embodiment includes a signal input unit 2 having a plurality of signal sources, and a feature amount extraction unit 3 that extracts a feature amount of the inspection target A from a signal from the signal input unit 2. A learning data storage unit 4 that stores learning data to be described later, a calculation unit 5 that learns the neural network 1 to create a clustering map and determines the state of the inspection object A using the clustering map, and clustering A map storage unit 6 for storing a map; a determination result storage unit 7 for storing a determination result of the calculation unit 5; an output unit 8 for outputting the determination result of the calculation unit 5 to an external device (not shown); It has. The operation of the signal identification device includes a learning mode used when learning the neural network 1 (during learning) and an inspection mode used when checking the state of the inspection target A (during inspection). The inspection target A is, for example, an apparatus or equipment that includes a rotating device. However, the inspection target A is not limited to the above devices and facilities.

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。 The signal input unit 2 includes a vibration sensor 21 and a microphone 22 as signal sources. The vibration sensor 21 detects vibration of the inspection object A in the inspection mode, and converts the detection result (detected vibration) into an inspection signal S1 (see FIG. 3) of an analog electric signal. The microphone 22 detects the sound of the inspection object A in the inspection mode, and converts the detection result (detected sound) into an inspection signal S2 (see FIG. 3) of an analog electrical signal. The inspection signals S1 and S2 from the vibration sensor 21 and the microphone 22 are output to the feature amount extraction unit 3, respectively. The signal input unit 2 corresponds to the signal input means of the present invention, and the vibration and sound of the inspection target A correspond to physical quantities relating to the state of the inspection target of the present invention.

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。 On the other hand, in the learning mode, for each state (category) of the inspection object A, the vibration sensor 21 detects the vibration of the inspection object A, and the microphone 22 detects the sound of the inspection object A. That is, the vibration sensor 21 and the microphone 22 detect vibration and sound for each operation condition of the inspection target A within a range where the inspection target A operates in a normal state. The vibration sensor 21 converts the detection result into a learning signal of an analog electric signal. The microphone 22 converts the detection result into an analog electric signal learning signal.

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。 In the inspection mode, the feature amount extraction unit 3 acquires the inspection signal S1 from the vibration sensor 21 and acquires the inspection signal S2 from the microphone 22, as shown in FIG. The feature amount extraction unit 3 that has acquired the inspection signals S1 and S2 obtains the amplitude value x1 of the inspection signal S1 and the amplitude value x2 of the inspection signal S2 for each timing (time t1, t2,...) Preset by the user. To extract. The amplitude values x1 and x2 extracted at each timing are not used as they are, but are encoded (digitized) values. As shown in FIG. 3, six amplitude ranges are used, and codes 1 to 6 are assigned to each amplitude range in order from the smallest. For example, at time t1, the amplitude value x1 of the inspection signal S1 and the amplitude value x2 of the inspection signal S2 are both 3. Therefore, the combination of amplitude values (x1, x2) at time t1 is (3, 3). Similarly, combinations (x1, x2) of amplitude values at time t2, time tk, and time tm are (4, 3), (4, 5), and (4, 3), respectively. The feature amount extraction unit 3 uses a set of extraction frequencies of all the combinations (x1, x2) as one feature amount of the inspection target A, and creates digital data inspection data using each extraction frequency as an element. The inspection data of the present embodiment is composed of 36 elements of {(1,1) extraction frequency, (1,2) extraction frequency,..., (6,6) extraction frequency}. From the above, the feature quantity extraction unit 3 extracts the feature quantity indicating the relationship between the inspection signals S1 and S2 acquired from each of the plurality of signal sources (vibration sensor 21 and microphone 22) and uses it as inspection data. The feature quantity extraction unit 3 corresponds to a feature quantity extraction unit of the present invention.

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。 On the other hand, the feature quantity extraction unit 3 acquires a plurality of learning signals from both the vibration sensor 21 and the microphone 22 in the learning mode. The feature quantity extraction unit 3 extracts the amplitude value of the learning signal from both the vibration sensor 21 and the microphone 22 at the same timing as in the inspection mode. As each amplitude value, a coded (digitized) value is used as in the inspection mode. For each learning signal, the feature quantity extraction unit 3 creates a set of extraction frequencies of all combinations as one feature quantity, and creates digital data learning data using each extraction frequency as an element. Each learning data of this embodiment is 36 elements of {(1,1) extraction frequency, (1,2) extraction frequency,..., (6,6) extraction frequency} similarly to the inspection data. Consists of.

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。 The learning data storage unit 4 illustrated in FIG. 1 is, for example, a semiconductor memory. The learning data storage unit 4 stores a plurality of learning data created by the feature amount extraction unit 3.

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。 The calculation unit 5 is, for example, a microcomputer, and includes a map creation unit 51 and a cluster determination unit 52 while realizing the neural network 1.

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。 In the learning mode, the map creation unit 51 sequentially inputs a plurality of learning data from the learning data storage unit 4 to the neural network 1 as an input vector. Each element (extraction frequency) of the learning data is associated with the input layer neuron N1 (see FIG. 2). The map creation unit 51 inputs a plurality of learning data to the neural network 1 to learn the neural network 1, and determines weighting coefficients for each input layer neuron N1 and each output layer neuron N2 (see FIG. 2). Each output layer neuron N2 is associated with a weight vector whose element is a weighting coefficient between each input layer neuron N1. If the learning data has not been input to the neural network 1 so far, the map creation unit 51, within the range of dispersion by random numbers to the average value for each element of the plurality of learning data input this time, at the start of learning. Is given to each output layer neuron N2 as an initial value of the weight vector. Thereafter, the weight vector of each output layer neuron N2 is determined by learning of the neural network 1 described above.

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。 Thereafter, the map creation unit 51 creates a two-dimensional clustering map in which each region is associated with the output layer neuron N2 in a 1: 1 ratio. That is, in the clustering map, each output layer neuron N2 of the output layer 12 of the neural network 1 is associated with either a normal category or an unknown category representing the state of the inspection target A. As described above, if a category of learning data is associated with each region of the clustering map, the category corresponding to the output layer neuron N2 fired by the inspection data can be known. The clustering map created by the map creation unit 51 is stored in the map storage unit 6.

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。 After creating the clustering map, the map creation unit 51 re-inputs the learning data to the neural network 1 and obtains the Euclidean distance between the weight vector of each output layer neuron N2 and the learning data (input vector). The map creation unit 51 gives all the learning data of the same category to the neural network 1, creates a list of Euclidean distances (hereinafter referred to as “distance list”), and selects the maximum value of the Euclidean distance from the distance list. For each output layer neuron N2, the map creation unit 51 defines a Gaussian function y = exp (− | [x] − [m] | ^{2 in} which the selected maximum value is defined as the variance σ and the weight vector is defined as the average vector [m]. / 2σ ² ) is set. [X] is an input vector, and | [x] − [m] | is a Euclidean distance between the input vector [x] and a weight vector (average vector) [m]. y is an output value when the input vector [x] is input to the Gaussian function. Instead of setting the maximum value of the Euclidean distance as the variance σ, the Euclidean distance corresponding to a rank of several percent (for example, the top 5%) in the distance list may be set as the variance σ.

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。 According to the Gaussian function, the output value y increases as the input vector [x] is closer to the weight vector [m], and the output value y is maximum when the input vector [x] matches the weight vector [m]. Become 1 This output value y is used as the degree of attribution. That is, the range of the output value y is 0 to 1, and the greater the numerical value (the closer to 1), the higher the degree of attribution.

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。 As described above, the map creation unit 51 can set a Gaussian function for each output layer neuron N2 corresponding to the category of learning data. No Gaussian function is set for the output layer neuron N2 outside the category. When a Gaussian function is set for each output layer neuron N2 of the neural network 1, the degree of attribution can be obtained by giving the Gaussian function the Euclidean distance between the feature quantity and the weight vector. Therefore, after setting the Gaussian function, the feature quantity (input vector) [x] obtained from the inspection object A is input to the neural network 1, and the weight vector [m] of each output layer neuron N2 and the feature quantity [x] The Euclidean distance is substituted into the Gaussian function of each output layer neuron N2, and the output value y of the Gaussian function is obtained for each category associated with the output layer neuron N2. Since the output value y is the degree of attribution of the feature amount to each category as described above, it can be determined whether or not the feature amount belongs to the category by setting a threshold for the degree of attribution.

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。 The threshold value may be, for example, the degree of attribution corresponding to three times the variance, or an appropriate coefficient may be added to the sum of the output values y when the learning data of each category is given to the neural network 1 after setting the degree of attribution. It may be a multiplied value.

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。 The map creation unit 51 re-inputs all of the learning data to the neural network 1, thereby setting the output layer neuron N2 fired by the learning data as the output layer neuron N2 belonging to the category of the normal inspection target A.

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。 A region corresponding to the output layer neuron N2 fired by each learning data is a region corresponding to a normal category.

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。 After the normal region is set, the cluster determination unit 52 inputs the inspection data from the feature amount extraction unit 3 to the learned neural network 1 in the inspection mode, and classifies the category for the inspection data from the clustering map. To do. Here, when the output layer neuron N2 belonging to the category of the normal inspection object A fires, it is determined that the inspection object A is in a normal state. On the other hand, when the output layer neuron N2 belonging to the category of the normal inspection target A does not fire, the cluster determination unit 52 determines that the inspection target A is in an abnormal state. The cluster determination unit 52 corresponds to the determination unit of the present invention.

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。 The determination result performed by the cluster determination unit 52 illustrated in FIG. 1 is output from the cluster determination unit 52 to the determination result storage unit 7. The determination result storage unit 7 stores all the determination results so far. The determination result is output from the cluster determination unit 52 to the output unit 8, and an instruction is given from the output unit 8 to an appropriate alarm unit to notify the alarm as necessary.

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。 Next, a signal identification method using the signal identification device according to the present embodiment will be described. First, the learning method will be described. First, the vibration sensor 21 detects vibration in the normal state in the inspection object A, and the microphone 22 detects sound in the normal state in the inspection object A. A plurality of measurement signals in the normal state of the inspection target A are input as learning signals from both the vibration sensor 21 and the microphone 22 to the feature amount extraction unit 3. Thereafter, for each set of learning signals input at the same time, the feature amount extraction unit 3 extracts feature amounts indicating the relationship between the learning signals as learning data. Creation of learning data by the feature quantity extraction unit 3 is repeated until the learning data reaches an arbitrary number. Thereafter, the map creation unit 51 inputs each learning data to the neural network 1 and creates a clustering map.

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。 Next, the operation after learning of the neural network 1 will be described. First, after learning of the neural network 1, each learning data is re-input to the neural network 1. The map creation unit 51 creates a distance list for each output layer neuron N2. Thereafter, the map creation unit 51 sets a Gaussian function in which the maximum value in the distance list is defined as the variance σ for each output layer neuron N2.

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。 Next, the inspection method will be described. First, the vibration sensor 21 detects the vibration of the inspection object A, and the microphone 22 detects the sound of the inspection object A. Inspection signals S 1 and S 2 are output from both the vibration sensor 21 and the microphone 22 to the feature amount extraction unit 3. Subsequently, the feature amount extraction unit 3 extracts the feature amount indicating the relationship between the two inspection signals S1 and S2, and creates inspection data. Thereafter, inspection data is input to the neural network 1 as an input vector. The cluster determination unit 52 detects the category of the fired output layer neuron N2 on the clustering map. The cluster determination unit 52 determines that the inspection target A is in a normal state when the detected category is a normal category. On the other hand, when the detected category is not a normal category, the cluster determination unit 52 determines that the inspection target A is in an abnormal state.

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。 As described above, according to the present embodiment, even when the state of the inspection object A is determined using the plurality of inspection signals S1 and S2 from each signal source (vibration sensor 21, microphone 22), these inspection signals are used. By extracting the feature amount indicating the relationship between S1 and S2 as inspection data and determining the state of the inspection object A, the feature amount is extracted as inspection data from the inspection signal for each signal source, and the determination result for each inspection data If even one of them is determined to be abnormal, the abnormal state is set to the normal state without loosing the criteria for the state of the inspection target A compared to the final determination that the inspection target A is in an abnormal state. Without increasing the misjudgment, misjudgments that change the normal state to the abnormal state can be reduced.

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。 Further, according to the present embodiment, in the inspection mode (during inspection), the determination process after extracting the feature values from the inspection signals S1 and S2 can be completed at one time regardless of the number of signal sources. Therefore, the inspection time can be greatly shortened as compared with the case where the feature amount is extracted as the inspection data from the inspection signal for each signal source and the determination is performed for each inspection data. Similarly, since the learning process can be completed at one time regardless of the number of signal sources, the learning time can be greatly shortened.

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。 Furthermore, according to the present embodiment, the amplitude relationship between the inspection signal S1 of the vibration sensor 21 and the inspection signal S2 of the microphone 22 as well as the distribution of the amplitude values of the inspection signals S1 and S2 from the vibration sensor 21 and the microphone 22 are shown. Judgment can be made at the same time.

（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。 (Embodiment 2)
The signal identification device according to the second embodiment extracts not the amplitude values of the inspection signals S1 and S2 but the presence / absence of zero crossing of the inspection signals S1 and S2, as shown in FIG. This is different from the signal identification device according to the first embodiment.

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。 The feature amount extraction unit 3 of the present embodiment detects the presence or absence of the zero cross of the inspection signal S1 and the presence or absence of the zero cross of the inspection signal S2 at each timing (time t1, t2,...) Preset by the user. In the present embodiment, the zero crossing of the inspection signals S1 and S2 means that the amplitude values of the inspection signals S1 and S2 are zero. When the inspection signals S1 and S2 cross the zero at the above timing (when the amplitude values of the inspection signals S1 and S2 are 0), the value is 1. When the inspection signals S1 and S2 do not cross the zero (inspection signal S1) , S2 amplitude value is not 0). For example, at time t11 in FIG. 4, the inspection signal S1 crosses zero, and the inspection signal S2 does not cross zero. Therefore, the combination (x1, x2) at time t11 is (1, 0). Similarly, combinations (x1, x2) of amplitude values at time t12, time t1k, and time t1m are (1, 1), (0, 0), and (0, 1), respectively. The feature quantity extraction unit 3 uses a set of extraction frequencies of all combinations (x1, x2) as one feature quantity, and creates digital data inspection data having each extraction frequency as an element. The inspection data of this embodiment is composed of four elements: {(0,0) extraction frequency, (0,1) extraction frequency, (1,0) extraction frequency, (1,1) extraction frequency}. .

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。 On the other hand, the feature quantity extraction unit 3 acquires a plurality of learning signals from both the vibration sensor 21 and the microphone 22 in the learning mode. The feature amount extraction unit 3 extracts the presence / absence of a zero cross in the learning signal from both the vibration sensor 21 and the microphone 22 at the same timing as in the inspection mode. For each learning signal, the feature quantity extraction unit 3 uses a set of extraction frequencies of all combinations as one feature quantity, and creates digital data learning data using the feature quantity as an element. Each learning data of this embodiment is similar to the inspection data, {(0,0) extraction frequency, (0,1) extraction frequency, (1,0) extraction frequency, (1,1) extraction Frequency}.

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。 As described above, according to the present embodiment, the frequency distribution of the inspection signals S1 and S2 from the vibration sensor 21 and the microphone 22 (signal source), as well as the phase of the inspection signal S1 of the vibration sensor 21 and the inspection signal S2 of the microphone 22 are. Relevance can be judged at the same time.

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。 Note that the signal identification method by the signal identification device according to the present embodiment is the same as the signal identification method according to the first embodiment except that the feature amount extraction method is different.

（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。 (Embodiment 3)
The signal identification device according to the third embodiment extracts not the amplitude values of the inspection signals S1 and S2 but the extreme values of the amplitudes of the inspection signals S1 and S2 as shown in FIG. This is different from the signal identification device according to the first embodiment.

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。 The feature amount extraction unit 3 according to the present embodiment includes an extreme value (maximum value, minimal value) x1 of the amplitude of the inspection signal S1 and an extreme value of the amplitude of the inspection signal S2 for each of the sections T1,. x2 is extracted. The extreme values x1, x2 extracted for each of the sections T1,... Are not used as they are, but are encoded (digitized) values. As shown in FIG. 5, six amplitude ranges are used, and codes 1 to 6 are assigned to each amplitude range in order from the smallest. However, when there is no extreme value in one section, 0 is set, and when there are a plurality of extreme values in one section, the maximum absolute value is selected. For example, in the section T1, both the extreme value x1 of the amplitude of the inspection signal S1 and the extreme value x2 of the amplitude of the inspection signal S2 are 0. Therefore, the combination (x1, x2) of the extreme values of the amplitude in the section T1 is (0, 0). The combinations (x1, x2) of the extreme values of amplitude in the section T4, the section T6, and the section T10 are (3, 0), (5, 5), and (5, 2), respectively. The feature quantity extraction unit 3 uses a set of extraction frequencies of all combinations (x1, x2) as one feature quantity, and creates digital data inspection data using each extraction frequency as an element. The inspection data of the present embodiment is composed of 49 elements of {(0, 0) extraction frequency, (0, 1) extraction frequency, ..., (6, 6) extraction frequency}.

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。 On the other hand, the feature quantity extraction unit 3 acquires a plurality of learning signals from both the vibration sensor 21 and the microphone 22 in the learning mode. The feature amount extraction unit 3 extracts the extreme value of the amplitude of the learning signal from both the vibration sensor 21 and the microphone 22 for each section same as the inspection mode. For each extreme value, a coded (digitized) value is used as in the inspection mode. For each learning signal, the feature quantity extraction unit 3 creates a set of extraction frequencies of all combinations as one feature quantity, and creates digital data learning data using each extraction frequency as an element. Each learning data of this embodiment is 49 elements of {(0, 0) extraction frequency, (0, 1) extraction frequency,..., (6, 6) extraction frequency}, similarly to the inspection data. Consists of.

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。 As described above, according to the present embodiment, the inspection signal S1 of the vibration sensor 21 and the inspection signal S2 of the microphone 22 are distributed together with the distribution of the extreme values of the amplitudes of the inspection signals S1 and S2 from the vibration sensor 21 and the microphone 22 (signal source). The relevance of the extreme values of the amplitudes can be determined at the same time.

（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。 (Embodiment 4)
The signal identification device according to the fourth embodiment is implemented in that not only the extreme values of the amplitudes of the inspection signals S1 and S2 but also the presence or absence of zero crossing of the inspection signals S1 and S2 are extracted when the feature amount is extracted. This is different from the signal identification device according to the third embodiment.

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。 The feature amount extraction unit 3 of the present embodiment extracts the extreme values of the amplitudes of the inspection signals S1 and S2 at the timing preset by the user in the same manner as in the third embodiment, and also extracts the inspection signals S1 and S1. The presence or absence of zero crossing in S2 is extracted by the same method as in the second embodiment. The feature quantity extraction unit 3 combines the extraction frequencies of all combinations related to the presence or absence of zero crossing of the inspection signals S1 and S2 and the extraction frequencies of all combinations related to the extreme values of the amplitudes of the inspection signals S1 and S2 (concatenation). The inspection data of digital data is created with one feature amount as an element and each extraction frequency as an element. The inspection data of this embodiment is composed of 196 elements {extraction frequency of (0, 0, 0, 0), ..., extraction frequency of (1, 1, 6, 6)}.

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。 On the other hand, the feature quantity extraction unit 3 acquires a plurality of learning signals from both the vibration sensor 21 and the microphone 22 in the learning mode. The feature amount extraction unit 3 extracts the extreme value of the amplitude of the learning signal from both the vibration sensor 21 and the microphone 22 and the presence / absence of a zero cross at the same timing as in the inspection mode. For each learning signal, the feature quantity extraction unit 3 creates a set of extraction frequencies of all combinations as one feature quantity, and creates digital data learning data using each extraction frequency as an element. Each learning data of the present embodiment is obtained from 196 elements of {(0, 0, 0, 0) extraction frequency, ..., (1, 1, 6, 6) extraction frequency}, similarly to the inspection data. Become.

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。 As described above, according to the present embodiment, the inspection signal S1 of the vibration sensor 21 and the microphone 22 are distributed together with the distribution of the frequencies of the inspection signals S1 and S2 from the vibration sensor 21 and the microphone 22 (signal source) and the distribution of the extreme values of the amplitudes. It is possible to simultaneously determine the relevance of the phase with the inspection signal S2 and the relevance of the extreme value of the amplitude.

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。 Note that the signal identification method by the signal identification apparatus according to the present embodiment is the same as the signal identification method according to the third embodiment, except that the feature amount extraction method is different.

（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。 (Embodiment 5)
As shown in FIG. 6, the signal identification apparatus according to the fifth embodiment is different from the signal identification apparatus according to the first embodiment in that feature amounts are extracted for each time region Tw1,. To do.

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。 The feature amount extraction unit 3 of the present embodiment divides each inspection signal S1, S2 into the time regions Tw1,..., And all combinations (x1, x2) for each time region Tw1,. Find the set of extraction frequencies. The feature quantity extraction unit 3 concatenates a set of extraction frequencies of each time region Tw1,... To form one feature quantity, and creates digital data inspection data using each extraction frequency as an element. Therefore, the inspection data of this embodiment is composed of (36 elements per unit time area) × (number of time areas).

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。 As described above, according to the present embodiment, the distribution of the inspection signals S1 and S2 from the vibration sensor 21 and the microphone 22 (signal source) and the temporal change in the relationship between the inspection signal S1 of the vibration sensor 21 and the inspection signal S2 of the microphone 22 are described. Therefore, even if the inspection signals S1 and S2 are non-stationary signals, the inspection object A can be inspected.

（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。 (Embodiment 6)
In the sixth embodiment, a case where a normal signal and an abnormal signal are combined as a plurality of learning signals will be described. The normal signal is an electric signal detected by each of the vibration sensor 21 and the microphone 22 (signal source) when the inspection target A is in a normal state. The abnormal signal is an electric signal detected by each of the vibration sensor 21 and the microphone 22 when the inspection target A is in an abnormal state.

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。 The feature amount extraction unit 3 of the present embodiment extracts feature amounts indicating the relationship between the normal signals acquired from the vibration sensor 21 and the microphone 22 as normal data, and uses the relationship between the abnormal signals acquired from the vibration sensor 21 and the microphone 22 as the normal data. The feature quantity shown is extracted as abnormal data.

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。 The map creation unit 51 of the present embodiment creates a clustering map by inputting a plurality of learning data including both normal data and abnormal data to the neural network 1 to learn the neural network 1. The map creation unit 51 operates the clustering map in the reverse direction from the output side to the input side, and estimates input data corresponding to the position of each category on the clustering map.

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。 In the inspection mode, the cluster determination unit 52 of the present embodiment inputs inspection data to the learned neural network 1 and determines to which category (cluster) the inspection data belongs on the clustering map.

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。 Note that the feature quantity extraction method in the present embodiment may be any of the feature quantity extraction methods in the first to fifth embodiments.

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。 In addition, as a modification of the first to sixth embodiments, the signal identification device uses at least two sets of combinations of extraction frequencies of the combinations (x1, x2) in the first to fifth embodiments as one feature amount. Also good. According to the modified example, since the number of elements of the feature amount increases, the inspection accuracy can be increased.

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 1 Neural Network 2 Signal Input Unit (Signal Input Means)
21 Vibration sensor (signal source)
22 Microphone (signal source)
3 feature quantity extraction unit (feature quantity extraction means)
5 Calculation unit 51 Map creation unit 52 Cluster determination unit (determination means)
A Inspection object S1, S2 Inspection signal

Claims

A plurality of learning data, each of which is a feature amount extracted from a previously collected learning signal, is input to an unsupervised competitive learning type neural network to learn the unsupervised competitive learning type neural network, and the unsupervised competitive learning type neural network A signal identification device that creates a clustering map in which a category representing a state of an inspection target is set from a network and inspects the state of the inspection target using the clustering map at the time of inspection,
A signal input means for converting a physical quantity related to the state of the inspection object into an electric signal to be an inspection signal;
Feature quantity extraction means for obtaining the inspection signal from the signal input means and extracting the feature quantity of the inspection target from the inspection signal to obtain inspection data;
The inspection data is input to the learned unsupervised competitive learning type neural network, the position of the inspection data on the clustering map is acquired, and whether or not the inspection data belongs to the category is determined from the acquired position. Determination means for determining the state of the inspection object by doing,
The signal input means includes a plurality of signal sources, each of which detects a physical quantity related to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal.
The feature amount extraction unit extracts a feature amount indicating a relationship between the inspection signals acquired from each of the plurality of signal sources to obtain the inspection data . A signal identification device characterized in that an extreme value of an amplitude is extracted and an extraction frequency for each combination of extreme values of the amplitude of each inspection signal is used as the feature amount .

A plurality of learning data, each of which is a feature amount extracted from a previously collected learning signal, is input to an unsupervised competitive learning type neural network to learn the unsupervised competitive learning type neural network, and the unsupervised competitive learning type neural network A signal identification device that creates a clustering map in which a category representing a state of an inspection target is set from a network and inspects the state of the inspection target using the clustering map at the time of inspection,
A signal input means for converting a physical quantity related to the state of the inspection object into an electric signal to be an inspection signal;
Feature quantity extraction means for obtaining the inspection signal from the signal input means and extracting the feature quantity of the inspection target from the inspection signal to obtain inspection data;
The inspection data is input to the learned unsupervised competitive learning type neural network, the position of the inspection data on the clustering map is acquired, and whether or not the inspection data belongs to the category is determined from the acquired position. Determination means for determining the state of the inspection object by doing,
The signal input means includes a plurality of signal sources, each of which detects a physical quantity related to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal.
The feature amount extraction unit extracts the feature amount indicating the relationship between the inspection signals acquired from each of the plurality of signal sources and uses the feature amount as the inspection data. was extracted in the presence or absence of the zero crossing, signal identification device you characterized in that the extraction frequency of each combination of the presence or absence of the zero crossing of the test signal and the feature quantity.

A plurality of learning data, each of which is a feature amount extracted from a previously collected learning signal, is input to an unsupervised competitive learning type neural network to learn the unsupervised competitive learning type neural network, and the unsupervised competitive learning type neural network A signal identification device that creates a clustering map in which a category representing a state of an inspection target is set from a network and inspects the state of the inspection target using the clustering map at the time of inspection,
A signal input means for converting a physical quantity related to the state of the inspection object into an electric signal to be an inspection signal;
Feature quantity extraction means for obtaining the inspection signal from the signal input means and extracting the feature quantity of the inspection target from the inspection signal to obtain inspection data;
The inspection data is input to the learned unsupervised competitive learning type neural network, the position of the inspection data on the clustering map is acquired, and whether or not the inspection data belongs to the category is determined from the acquired position. Determination means for determining the state of the inspection object by doing,
The signal input means includes a plurality of signal sources, each of which detects a physical quantity related to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal.
The feature amount extraction unit extracts the feature amount indicating the relationship between the inspection signals acquired from each of the plurality of signal sources and uses the feature amount as the inspection data. was extracted amplitude value, signal identification device to extract the frequency of each combination of amplitude values you characterized in that said feature amount of each test signal.

The feature amount extraction means extracts the presence / absence of zero crossing of each inspection signal at each preset timing, and extracts the extraction frequency for each combination of presence / absence of zero crossing of each inspection signal and the extreme value of the amplitude of each inspection signal. The signal identification device according to claim 1, wherein an extraction frequency for each combination is used as the feature amount .

The feature amount extraction unit divides each inspection signal into preset time regions, performs the extraction for each time region, obtains the extraction frequency for each combination, and integrates the extraction frequency results for each time region. The signal identification device according to claim 1, wherein the feature amount is used .