JP6821534B2 - 信号解析装置及び信号解析方法並びに信号解析プログラム - Google Patents

Description

本発明は、例えばマイク、振動センサ、光学センサなどの各種センサで観測した信号を解析する信号解析装置及び信号解析方法並びに信号解析プログラムに関する。

例えば機械の振動や動作音、ベルトコンベアの振動、ベアリングの磨耗などの機器の異常を検知するにあたって、例えばマイク、振動センサ、光学センサなどの各種センサで観測した波形を分析し、その変化から異常を検知する場合には、電気的または機械的の高速過渡現象から低速繰り返し現象まで幅広い信号の解析が必要である。

従来、この種の各種センサからの被測定信号を解析して異常の検知を行う場合には、被測定信号の特徴を数値化した複数種類の特徴量と特徴量ごとの閾値を予め設計しておき、被測定信号のデジタルデータから複数種類の特徴量を抽出し、抽出した各特徴量ごとに閾値と比較し、これらの比較結果から何れかの特徴量において閾値を超えるものがあれば被測定信号を異常と判定するのが一般的であった。例えばデジタルデータに変換された被測定信号の所定の信号成分のみをデジタルフィルタによって取り出し、この取り出した信号成分のピーク値を特徴量として抽出し、抽出した特徴量（ピーク値）が閾値以上であれば被測定信号を異常と判定する。

ところで、各種センサから入力される被測定信号に周期性がない、ノイズに埋もれて検出できない、異常発生のメカニズムが不明などの場合、多くがモデル化することが困難である。しかも、物理現象として異常状態をモデル化することが困難なため、データをもとに識別器を構築する方法として、機械学習を用いた信号解析装置が知られている。この種の機械学習を用いた信号解析装置としては、例えば下記特許文献１に開示されるようなシステムが知られている。

特開２０１６−１７３７８２号公報

しかしながら、上述した特許文献１のような信号解析に機械学習を用いる場合、そもそも異常や変化の現象を示すデータ自体が少なく、この少ないデータにモデルが依存して過学習となり、正常と異常の誤認識を行うケースが増えてしまうという問題があった。しかも、正常と異常の誤認識によって誤報が増えると、例えば製造ラインなどで運用する場合、製品の歩留りが悪化して製造効率が極端に低下するおそれがあった。

そこで、本発明は上記問題点に鑑みてなされたものであって、過学習を抑えて誤認識を低減することができる信号解析装置及び信号解析方法並びに信号解析プログラムを提供することを目的としている。

上記目的を達成するため、本発明の請求項１に記載された信号解析装置は、被測定信号のデジタルデータを保管するデータ保管部４と、
正常もしくは異常のラベルを付した教師データを保管する教師データ保管部１５と、
正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部１３と、
前記教師データにより機械学習させる機械学習分類器１１と、
機械学習された前記機械学習分類器に前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する信号解析装置１であって、
前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保存される正常のラベルを付した分類器チューニング用データを更新する分類器チューニング用データ更新部１２と、
前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部１４と、
前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部１６とを備えたことを特徴とする。

請求項２に記載された信号解析装置は、請求項１の信号解析装置において、
前記教師データ更新部１４は、
前記機械学習分類器１１の出力値が大きい順に所定の数の正常のラベルを付した分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部１５に追加保管することを特徴とする。

請求項３に記載された信号解析方法は、被測定信号のデジタルデータをデータ保管部４に保管し、正常もしくは異常のラベルを付した教師データを教師データ保管部１５に保管し、正常もしくは異常のラベルを付した分類器チューニング用データを分類器チューニング用データ保管部１３に保管し、前記教師データにより機械学習分類器１１に機械学習させ、機械学習された前記機械学習分類器に前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する信号解析方法であって、
前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保管される正常のラベルを付した分類器チューニング用データを更新するステップと、
前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管するステップと、
前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新するステップとを含むことを特徴とする。

請求項４に記載された信号解析方法は、請求項３の信号解析方法において、
前記機械学習分類器１１の出力値が大きい順に所定の数の正常のラベルを付した分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部１５に追加保管するステップを含むことを特徴とする。

請求項５に記載された信号解析プログラムは、コンピュータを、
被測定信号のデジタルデータを保管するデータ保管部４と、
正常もしくは異常のラベルを付した教師データを保管する教師データ保管部１５と、
正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部１３と、
前記教師データにより機械学習させ、前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する機械学習分類器１１と、
前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記正常と判定されたデジタルデータを前記分類器チューニング用データ保管部に正常のラベルを付した分類器チューニング用データとして追加保存する分類器チューニング用データ更新部１２と、
前記分類器チューニング用データ保管部の正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部１４と、
前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部１６として機能させることを特徴とする。

本発明によれば、異常や変化の現象を示すデータ自体が少ない場合でも、過学習を抑えて誤認識を低減することができる。

本発明に係る信号解析装置のブロック構成図である。 機械学習分類器の識別境界値を設定する際のフローチャートである。 機械学習分類器の更新時のフローチャートである。 機械学習分類器の識別境界値を更新する際のフローチャートである。 運用時のフローチャートである。

以下、本発明を実施するための形態について、添付した図面を参照しながら詳細に説明する。

まず、本実施の形態で用いられる用語の定義について説明する。「異常」とは、正常とは異なる状態であり、正常な状態から値が外れている状態を意味するものである。また、「異常検知」とは、他の大多数のデータとは振る舞いが異なるデータを見つけること、他に比べて特異なデータを見つけ出すこと、珍しいパターンを見つけること、正常な状態から外れている状態のデータを見つけること等を意味するものである。

図１に示すように、本実施の形態の信号解析装置１は、例えば各種センサからの信号の変化から異常検知する際の信号解析を行うものであり、信号入力部２、Ａ／Ｄ変換部３、データ保管部４、識別部５を備えて概略構成される。

信号入力部２は、例えばマイク、振動センサ、光学センサ等の各種センサからのアナログ信号を被測定信号として入力してＡ／Ｄ変換部３に出力する。

なお、本実施の形態における被測定信号は、例えば正弦波や方形波のような規則的な信号だけでなく、突発的な機械振動、雷サージ、騒音等の信号、不規則な雑音、歪等の信号を含む。

Ａ／Ｄ変換部３は、信号入力部２からの被測定信号をデジタルデータに変換してデータ保管部４に出力する。

データ保管部４は、Ａ／Ｄ変換部３にてＡ／Ｄ変換された被測定信号のデジタルデータを保管する。

識別部５は、データ保管部４に保管された被測定信号のデジタルデータについて正常か異常かを識別するものであり、機械学習分類器１１、分類器チューニング用データ更新部１２、分類器チューニング用データ保管部１３、教師データ更新部１４、教師データ保管部１５、機械学習分類器更新部１６を含む。

機械学習分類器１１は、データ保管部４に保管された被測定信号のデジタルデータに応じて識別境界値（閾値）を設定する機能を有し、コンピュータに学習能力を持たせるための方法論である機械学習により、データ保管部４に保管された被測定信号のデジタルデータが正常か異常かを特徴量ごとに識別する。

なお、機械学習分類器１１の初期状態の識別境界値（閾値）は、被測定信号のデジタルデータを用いて設定される。具体的には、予め分類器チューニング用データ保管部１３に保管された正常のラベルを付した分類器チューニング用データに基づいて教師データ更新部１４にて更新された教師データ保管部１５の教師データを用いて機械学習分類器更新部１６によって初期状態の識別境界値（閾値）が設定される。

機械学習分類器１１としては、例えばサポートベクトルマシン（support vector machine; SVM ）、ニューラルネットワーク（neural network）、畳み込みニューラルネットワーク（convolutional neural network）等が用いられる。

サポートベクトルマシンは、２つのクラスのデジタルデータ（正常データ、異常データ）を分離するための最適な識別境界値（閾値）を見つけるアルゴリズムである。

ニューラルネットワークは、人間の脳の神経回路の仕組みを模したモデルであり、コンピュータで学習させることにより様々な問題を解決できる。但し、モデルの設計にノウハウが必要である。また、多層化した場合に、学習に時間がかかることが難点だが、計算機能力の向上と、学習アルゴリズムの進化、多量のデジタルデータの有効活用により多層化したモデルが登場している。

畳み込みニューラルネットワークは、畳み込み層などの特徴的な機能を持った層から構成されるもので、特に画像認識で有効である。畳み込み層は、画像中のエッジ抽出などの特徴抽出の役割を持つ。

分類器チューニング用データ更新部１２は、分類器チューニング用データ保管部１３に保管されている正常のラベルを付した分類器チューニング用データの機械学習分類器１１の尤度（出力値）と、正常と判定された被測定信号のデジタルデータの機械学習分類器１１の尤度（出力値）との比較結果に基づいて、分類器チューニング用データ保管部１３に保存されている正常のラベルを付した分類器チューニング用データを更新する。

さらに説明すると、分類器チューニング用データ更新部１２は、分類器チューニング用データ保管部１３に保管されている正常のラベルを付した分類器チューニング用データの機械学習分類器１１の尤度（出力値）の最大値と、正常と判定された被測定信号のデジタルデータの機械学習分類器１１の尤度（出力値）とを比較し、正常と判定された被測定信号のデジタルデータの尤度（出力値）の方が大きければ、正常と判定された被測定信号のデジタルデータを、正常のラベルを付した分類器チューニング用データとして分類器チューニング用データ保管部１３に追加保存してデータを更新する。

分類器チューニング用データ保管部１３は、機械学習分類器１１の機械学習による判定結果に基づいて被測定信号のデジタルデータに正常もしくは異常のラベルを付した分類器チューニング用データをメモリに保管する。この分類器チューニング用データ保管部１３のメモリに保管される分類器チューニング用データは、分類器チューニング用データ更新部１２によって更新される。

教師データ更新部１４は、分類器チューニング用データ保管部１３の正常のラベルを付した分類器チューニング用データのうち、機械学習分類器１１の尤度（出力値）が予め設定された識別境界値（閾値）以上である分類器チューニング用データを正常のラベルを付した教師データとして教師データ保管部１５に追加保管してデータを更新する。

また、教師データ更新部１４は、機械学習分類器１１の尤度（出力値）が大きい順に所定の数（例えば分布しているデータの１／１０程度）の正常のラベルを付した分類器チューニング用データを正常のラベルを付した教師データとして教師データ保管部１５に追加保管してデータを更新する。

教師データ保管部１５は、機械学習分類器１１を更新するためのメモリを有し、機械学習分類器１１の機械学習による判定結果に基づいて被測定信号のデジタルデータに正常もしくは異常のラベルを付した教師データを保管する。この教師データ保管部１５のメモリに保管される教師データは、教師データ更新部１４によって更新される。

機械学習分類器更新部１６は、教師データ更新部１５により更新された正常のラベルを付した教師データを用いて機械学習分類器１１の識別境界値（閾値）を更新する。

次に、上記のように構成される信号解析装置１による信号解析方法について説明する。なお、被測定信号の異常検知を行うにあたっては、後述する第１の学習課程を実行する。そして、各種センサからの被測定信号が信号入力部２に入力されると、この被測定信号はＡ／Ｄ変換部３にてデジタルデータに変換された後、データ保管部４に保管される。

次に、機械学習分類器１１は、データ保管部４に保管された被測定信号のデジタルデータに応じて識別境界値（閾値）を設定し、被測定信号のデジタルデータを機械学習にて正常か異常かを識別する。そして、機械学習分類器１１は、データ保管部４に保管された被測定信号のデジタルデータの尤度（出力値）が規定以上、すなわち、最新の識別境界値（閾値）以上であれば異常と判定して異常判定信号を出力し、最新の識別境界値（閾値）未満であれば正常と判定して正常判定信号を出力する。

さらに機械学習分類器１１による機械学習の動作を第１の学習課程、第２の学習課程、第３の学習課程、運用過程に場合分けして図２〜図５を参照しながら説明する。なお、機械学習を行うにあたっては、事前準備として、正常と異常の箇所を含む被測定信号のデジタルデータを取得し、正常の箇所の被測定信号のデジタルデータに正常のラベルを付し、異常の箇所の被測定信号のデジタルデータに異常のラベルを付す。そして、正常と異常のラベルを付したデジタルデータから一部を取り出し、学習用データとしてデータ保管部４に保管し、残りをチューニング用データとして分類器チューニング用データ保管部１３に保管する。

［第１の学習課程］
図２に示す第１の学習課程は、機械学習分類器１１の識別境界値（閾値）を設定する課程である。第１の学習課程では、学習条件、収束条件、繰り返し回数、学習率などを学習停止条件として設定する（ＳＴ１）。そして、データ保管部４に保管された学習用データを第１の学習データとし、この第１の学習データを用いて機械学習する（ＳＴ２）。そして、学習停止条件を満たしているか否かを判別し（ＳＴ３）、学習停止条件を満たしていると判定すると（ＳＴ３−Ｙｅｓ）、第１の学習課程を終了する。学習停止条件を満たしていないと判定すると（ＳＴ３−Ｎｏ）、条件を変えて再度データ保管部４に保管された学習用データを用いて機械学習する（ＳＴ２）。この機械学習の結果、正常のレベルを付した教師データを用いて識別境界値（閾値）を設定する。

［第２の学習課程］
図３に示す第２の学習課程は、機械学習分類器１１を更新する課程である。第２の学習課程では、正常と判定した被測定信号のデジタルデータを正常データとし、この正常データを用いて機械学習する（ＳＴ１１）。そして、機械学習した正常データの尤度（出力値）が最新の識別境界値（閾値）以上か否かを判別する（ＳＴ１２）。尤度（出力値）が識別境界値（閾値）以上であると判定すると（ＳＴ１２−Ｙｅｓ）、その正常データを分類器チューニング用データ更新部１２が分類器チューニング用データとして分類器チューニング用データ保管部１３のデータベースに追加保管する（ＳＴ１３）。尤度（出力値）が識別境界値（閾値）以上でないと判定すると（ＳＴ１２−Ｎｏ）、第２の学習課程を終了する。

［第３の学習課程］
図４に示す第３の学習課程は、機械学習分類器１１の識別境界値（閾値）を更新する課程である。第３の学習課程では、学習条件、収束条件、繰り返し回数、学習率などを学習停止条件として設定する（ＳＴ２１）。また、第２の学習課程で追加保管された分類器チューニング用データ保管部１３のチューニング用データに基づいて教師データ更新部１４が教師データ保管部１５のデータベースを更新し、更新した教師データを第２の学習データとし、機械学習分類器更新部１６が第２の学習データに基づいて機械学習分類器１１の識別境界値（閾値）を更新する（ＳＴ２２）。そして、更新された第２の学習データを機械学習し（ＳＴ２３）、学習停止条件を満たしているか否かを判別し（ＳＴ２４）、学習停止条件を満たしていると判定すると（ＳＴ２４−Ｙｅｓ）、第３の学習課程を終了する。学習停止条件を満たしていないと判定すると（ＳＴ２４−Ｎｏ）、条件を変えて再度教師データ保管部１５に保管された教師データ（第２の学習データ）を機械学習する（ＳＴ２３）。

［運用過程］
図５に示す運用過程は、被測定信号のデジタルデータを機械学習にて正常か異常かを識別する課程である。運用過程では、被測定信号のデジタルデータを検査データとし、この検査データの入力により機械学習分類器１１から出力される尤度（出力値）が最新の識別境界値（閾値）以上か否かを判別する（ＳＴ３１）。そして、尤度（出力値）が識別境界値（閾値）以上であれば（ＳＴ３１−Ｙｅｓ）、「異常」と判定する（ＳＴ３２）。また、尤度（出力値）が識別境界値（閾値）以上でなければ（ＳＴ３１−Ｎｏ）、「正常」と判定する（ＳＴ３３）。

ところで、本実施の形態では、図１に示すように、各種センサから信号入力部２に入力される被測定信号（アナログ信号）をＡ／Ｄ変換部３にてデジタルデータに変換する構成としているが、被測定信号のデジタルデータが信号入力部２に入力される場合には、Ａ／Ｄ変換部３の構成を省くことができる。

また、信号解析装置１が備える構成要素（信号入力部２、Ａ／Ｄ変換部３、データ保管部４、識別部５の各部）は、演算処理装置、記憶装置などを備えたコンピュータで構成し、各構成要素の処理がプログラムによって実行されるものとしてもよい。

このように、本実施の形態において、分類器チューニング用データ更新部１２は、教師データにより機械学習された機械学習分類器１１に被測定信号のデジタルデータを入力させて正常か異常かを判定するにあたって、分類器チューニング用データ保管部１３に保管されている正常のラベルを付した分類器チューニング用データの機械学習分類器１１の尤度（出力値）の最大値と、正常と判定された被測定信号のデジタルデータの機械学習分類器１１の尤度（出力値）とを比較する。そして、正常と判定された被測定信号のデジタルデータの機械学習分類器１１の尤度（出力値）の方が大きければ、正常と判定された被測定信号のデジタルデータを分類器チューニング用データ保管部１３に正常のラベルを付した分類器チューニング用データとして追加保存する。また、教師データ更新部１４は、分類器チューニング用データ保管部１３の正常のラベルを付した分類器チューニングデータのうち、機械学習分類器１１の尤度（出力値）が予め設定された識別境界値（閾値）以上である分類器チューニングデータを、正常のラベルを付した教師データとして教師データ保管部１５に追加保管する。そして、機械学習分類器更新部１６は、教師データ更新部１４により追加保管された教師データを用いて機械学習分類器１１の更新を行っている。これにより、異常や変化の現象を示すデータ自体が少ない場合でも、少ないデータにモデルが依存して過学習するのを抑制し、比較的少ないデータから信号解析の精度を向上させることが可能となる。そして、本実施の形態を例えば製造ラインの物品検査に適用した場合には、製品を誤判定する割合が減るので、製品の歩留りが悪化して製造効率の低下を招くおそれも少ない。

また、教師データ更新部１４は、機械学習分類器１１の尤度（出力値）が大きい順に所定の数の正常のラベルを付した分類器チューニング用データを、正常のラベルを付した教師データとして教師データ保管部１５に追加保管する。これにより、信号解析装置を運用しながら機械学習分類器１１の識別境界値（閾値）を更新して被測定信号の異常の有無を検知することができる。

［応用例］
本実施の形態の信号解析装置及び信号解析方法並びに信号解析プログラムは、例えば製造ラインや加工機器の振動を検知して異常（故障）を予測する場合、統計モデリング技術にて正常動作範囲内にあるかを判定して機械の異常検知する場合、機械の動作音やドアの開閉などの生活音や環境音認識を行う場合、ベルトコンベアの振動を検知してベアリングの摩耗を検出する場合、窓やドアの震度を検知してピッキング等の不審な動作を検出する場合、車の音を検知して悪戯や窃盗を検出する場合などで被測定信号の異常の検知を行う際に応用することができる。

以上、本発明に係る信号解析装置及び信号解析方法並びに信号解析プログラムの最良の形態について説明したが、この形態による記述および図面により本発明が限定されることはない。すなわち、この形態に基づいて当業者等によりなされる他の形態、実施例および運用技術などはすべて本発明の範疇に含まれることは勿論である。

１ 信号解析装置
２ 信号入力部
３ Ａ／Ｄ変換部
４ データ保管部
５ 識別部
１１ 機械学習分類器
１２ 分類器チューニング用データ更新部
１３ 分類器チューニング用データ保管部
１４ 教師データ更新部
１５ 教師データ保管部
１６ 機械学習分類器更新部

Claims (5)

1. 被測定信号のデジタルデータを保管するデータ保管部（４）と、
   正常もしくは異常のラベルを付した教師データを保管する教師データ保管部（１５）と、
   正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部（１３）と、
   前記教師データにより機械学習させる機械学習分類器（１１）と、
   機械学習された前記機械学習分類器に前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する信号解析装置（１）であって、
   前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保存される正常のラベルを付した分類器チューニング用データを更新する分類器チューニング用データ更新部（１２）と、
   前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部（１４）と、
   前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部（１６）とを備えたことを特徴とする信号解析装置。
2. 前記教師データ更新部（１４）は、
   前記機械学習分類器（１１）の出力値が大きい順に所定の数の正常のラベルを付した分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部（１５）に追加保管することを特徴とする請求項１記載の信号解析装置。
3. 被測定信号のデジタルデータをデータ保管部（４）に保管し、正常もしくは異常のラベルを付した教師データを教師データ保管部（１５）に保管し、正常もしくは異常のラベルを付した分類器チューニング用データを分類器チューニング用データ保管部（１３）に保管し、前記教師データにより機械学習分類器（１１）に機械学習させ、機械学習された前記機械学習分類器に前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する信号解析方法であって、
   前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記分類器チューニング用データ保管部に保管される正常のラベルを付した分類器チューニング用データを更新するステップと、
   前記分類器チューニング用データ保管部の更新された正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管するステップと、
   前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新するステップとを含むことを特徴とする信号解析方法。
4. 前記機械学習分類器（１１）の出力値が大きい順に所定の数の正常のラベルを付した分類器チューニング用データを正常のラベルを付した教師データとして前記教師データ保管部（１５）に追加保管するステップを含むことを特徴とする請求項３記載の信号解析方法。
5. コンピュータを、
   被測定信号のデジタルデータを保管するデータ保管部（４）と、
   正常もしくは異常のラベルを付した教師データを保管する教師データ保管部（１５）と、
   正常もしくは異常のラベルを付した分類器チューニング用データを保管する分類器チューニング用データ保管部（１３）と、
   前記教師データにより機械学習させ、前記被測定信号のデジタルデータを入力させて該被測定信号が正常か異常かを判定する機械学習分類器（１１）と、
   前記分類器チューニング用データ保管部に保管されている正常のラベルを付した分類器チューニング用データの前記機械学習分類器の出力値と、正常と判定された前記デジタルデータの前記機械学習分類器の出力値との比較結果に基づいて前記正常と判定されたデジタルデータを前記分類器チューニング用データ保管部に正常のラベルを付した分類器チューニング用データとして追加保存する分類器チューニング用データ更新部（１２）と、
   前記分類器チューニング用データ保管部の正常のラベルを付した分類器チューニングデータのうち、前記機械学習分類器の出力値が予め設定された閾値以上である分類器チューニングデータを正常のラベルを付した教師データとして前記教師データ保管部に追加保管する教師データ更新部（１４）と、
   前記教師データ更新部により追加保管された教師データを用いて前記機械学習分類器を更新する機械学習分類器更新部（１６）として機能させることを特徴とする信号解析プログラム。

Images