KR20110122748A

KR20110122748A - Signal classification method and signal classification device

Info

Publication number: KR20110122748A
Application number: KR1020117022207A
Authority: KR
Inventors: 요시히토 하시모토
Original assignee: 파나소닉 덴코 에스유엔엑스 가부시키가이샤
Priority date: 2009-03-26
Filing date: 2010-03-18
Publication date: 2011-11-10
Also published as: WO2010116222A1; JP2010231455A; CN102362282A

Abstract

특징량 추출부(2)는 학습시에 있어서, 정상 샘플과 이상 샘플을 포함하는 학습용 신호가 입력되면, 학습용 신호를 단시간 푸리에 변환하고, 학습용 데이터를 추출한다. 식별기 작성부(6)는 시간·주파수의 조합마다 학습시 판정부(4)의 판정 결과를 이용해서 산출부(5)에서 산출된 오판정율이 최소로 되는 식별기를 작성한다. 식별기 선택부(7)는 시간·주파수의 조합마다 작성된 식별기 중에서 오판정율이 최소인 식별기를 선택하고, 신뢰도를 산출한다. 하중 지시부(31)는 선택된 식별기에 의한 판정 결과에 따라, 학습용 데이터의 하중을 변경하도록 하중 설정 변경부(30)에 지시한다. 검사시 판정부(8)는 검사시에, 학습시에 선택된 복수의 식별기를 이용해서 검사 대상물이 정상 상태인지 아닌지를 판정한다. In learning, when the learning signal including the normal sample and the abnormal sample is input, the feature amount extracting unit 2 performs a short-time Fourier transform on the learning signal and extracts the learning data. The identifier preparing unit 6 creates an identifier in which the false determination rate calculated by the calculating unit 5 is minimized by using the determination result of the learning determining unit 4 for each time / frequency combination. The identifier selector 7 selects an identifier having a minimum false determination rate from among identifiers created for each combination of time and frequency, and calculates reliability. The load indicating unit 31 instructs the load setting changing unit 30 to change the load of the training data according to the determination result by the selected identifier. At the time of inspection, the inspection determination unit 8 determines whether or not the inspection object is in a steady state by using a plurality of identifiers selected at the time of learning.

Description

SIGNAL CLASSIFICATION METHOD AND SIGNAL CLASSIFICATION DEVICE}

본 발명은 검사 대상물의 상태를 식별하는 신호 식별 방법 및 신호 식별 장치에 관한 것이다．The present invention relates to a signal identification method and a signal identification device for identifying a state of an inspection object.

종래부터, 경합 학습형 뉴럴 네트워크를 이용해서 검사 대상물의 상태를 식별하는 신호 식별 장치가 알려져 있다(예를 들면, 특허문헌 1, 2 참조). Conventionally, the signal identification apparatus which identifies the state of a test | inspection object using a contention learning type neural network is known (for example, refer patent document 1, 2).

종래의 신호 식별 장치는 학습시에 있어서, 복수의 학습용 데이터를 경합 학습형 뉴럴 네트워크에 입력하여, 검사 대상물의 상태를 나타내는 카테고리가 설정된 클러스터링 맵(clustering map)을 작성한다. A conventional signal identification device inputs a plurality of learning data to a contention learning neural network at the time of learning, and creates a clustering map in which a category indicating the state of the inspection object is set.

학습시에 클러스터링 맵을 작성한 종래의 신호 식별 장치는 검사시에 있어서, 검사 대상물의 상태에 의거하는 검사용 데이터를 클러스터링 맵에 입력하고, 클러스터링 맵상의 출력층 뉴런의 하중 계수 데이터와 검사용 데이터의 유클리드 거리(euclidean distance)를 산출한다. 그 후, 종래의 신호 식별 장치는 유클리드 거리가 최소로 되는 출력층 뉴런의 카테고리로 검사용 데이터를 분류하고, 검사용 데이터를 분류한 카테고리에 따라, 검사 대상물의 상태를 식별한다. 종래의 신호 식별 장치에 의하면, 전문지식이 없어도 자동으로 학습을 실행할 수 있다. The conventional signal identification device which created the clustering map at the time of learning inputs the inspection data based on the state of the inspection object to the clustering map at the time of inspection, and Euclid of the load coefficient data of the output layer neurons and the inspection data on the clustering map. Calculate the euclidean distance. Thereafter, the conventional signal identification apparatus classifies the inspection data into a category of output layer neurons having a Euclidean distance minimum, and identifies the state of the inspection object according to the category in which the inspection data is classified. According to the conventional signal identification device, the learning can be automatically performed without the specialized knowledge.

일본 특허공개공보 제2004-354111호Japanese Patent Laid-Open No. 2004-354111 일본 특허공개공보 제2008-040683호Japanese Patent Publication No. 2008-040683

그러나, 종래의 신호 식별 장치는 전문지식이 없어도 자동으로 학습을 실행할 수 있지만, 검사시에 있어서, 클러스터링 맵상의 모든 출력층 뉴런에 있어서 유클리드 거리를 산출하고, 또한 유클리드 거리의 최소값을 구할 필요가 있으므로, 검사 시간이 길어진다고 하는 문제가 있었다. However, although the conventional signal identification apparatus can execute the learning automatically even without specialized knowledge, it is necessary to calculate the Euclidean distance for all output layer neurons on the clustering map and to obtain the minimum value of the Euclidean distance at the time of inspection. There was a problem that the test time was long.

본 발명은 상기의 점을 감안해서 이루어지고, 그 목적은 전문지식이 없어도 자동으로 학습을 실행하는 동시에, 검사 시간을 단축할 수 있는 신호 식별 방법 및 신호 식별 장치를 제공한다.
This invention is made | formed in view of the said point, The objective is providing the signal identification method and signal identification apparatus which can automatically perform a learning, and also can shorten an inspection time, even without a professional knowledge.

본 발명의 제 1 양태에 따르면, 각각 검사 대상물의 상태를 식별하는 복수의 식별기를 구비하는 신호 식별 장치를 이용해서, 각 식별기의 판정 기준을 설정하는 학습과, 상기 검사 대상물의 상태에 의거하는 검사용 데이터를 각 식별기의 판정 기준에 대조해서 해당 검사 대상물의 상태를 식별하는 검사를 실행하는 신호 식별 방법으로서, 학습시에 있어서, 정상 신호와 이상 신호를 포함하는 복수의 학습용의 전기 신호가 입력되고, 각 학습용의 전기 신호로부터, 미리 설정된 추출 수법을 이용해서 특징량을 추출하고, 해당 특징량을 학습용 데이터로 하고, 상기 학습용 데이터마다 하중을 설정 또는 변경하고, 미리 설정된 추출 범위마다 각 학습용 데이터의 추출 범위의 각 요소값을 차례로 임계값으로 설정하고, 각 요소값과 상기 임계값의 대소관계를 비교하는 것에 의해서, 판정 기준을 변경하면서 각 학습용 데이터의 추출 범위의 요소값의 해당 판정 기준으로의 대조를 실행하고, 각 학습용 데이터의 추출원인 학습용의 전기 신호가 정상 신호인지 아닌지를 판정하고, 각 학습용 데이터의 상기 하중이 설정 또는 변경되면, 상기 판정 기준마다 오판정된 상기 학습용 데이터의 상기 하중의 총합을 오판정율로서 산출하고, 상기 추출 범위마다 상기 오판정율이 최소로 될 때의 판정 기준을 적용해서 식별기 후보를 작성하고, 상기 하중이 설정 또는 변경될 때마다, 상기 추출 범위마다 작성된 식별기 후보 중에서 상기 오판정율이 최소인 식별기 후보를 상기 식별기로서 선택하고, 상기 식별기마다 상기 오판정율을 이용해서 신뢰도를 산출하고, 상기 식별기가 선택될 때마다 해당 식별기에 의해서 오판정된 상기 학습용 데이터의 상기 하중을 증가시키고, 검사시에 있어서, 상기 검사 대상물의 상태를 나타내는 검사용의 전기 신호가 입력되고, 해당 검사용의 전기 신호로부터 상기 추출 수법을 이용해서 특징량을 추출하고, 해당 특징량을 상기 검사용 데이터로 하고, 상기 식별 조건을 결정하는 각 식별기에 있어서, 상기 검사용 데이터를 상기 식별기의 판정 기준에 대조해서 상기 검사 대상물이 정상 상태인지 아닌지를 판정하고, 상기 검사 대상물이 정상 상태라고 판정한 식별기의 신뢰도의 총합이 상기 검사 대상물이 이상 상태라고 판정한 식별기의 신뢰도의 총합 이상인 경우, 상기 검사 대상물이 정상 상태라고 최종 판정하는 것을 특징으로 하는 신호 식별 방법을 제공한다. According to the first aspect of the present invention, there is provided a learning method for setting determination criteria of each identifier using a signal identification device each having a plurality of identifiers for identifying the state of the inspection object, and an inspection based on the state of the inspection object. A signal identification method of performing a test for identifying a state of an inspection object by matching the user data with a criterion of determination of each identifier, wherein a plurality of learning electrical signals including a normal signal and an abnormal signal are input during learning. From the electrical signal for each learning, a feature amount is extracted using a predetermined extraction method, the feature amount is used as learning data, and the load is set or changed for each of the learning data, and each learning data is set for each preset extraction range. Each element value of the extraction range is set as a threshold value in turn, and the magnitude relationship between each element value and the threshold value is determined. By comparing, the matching of the element values of the extraction range of each learning data to the corresponding determination criteria is performed while changing the determination criteria, and it is determined whether or not the electric signal for learning, which is the source of extraction of each learning data, is a normal signal. When the load of the training data is set or changed, the total sum of the loads of the training data that are incorrectly determined for each of the determination criteria is calculated as an incorrect judgment rate, and the determination criteria when the incorrect judgment rate becomes minimum for each extraction range. Is applied to create an identifier candidate, every time the load is set or changed, an identifier candidate having the lowest false determination rate is selected as the identifier among the identifier candidates created for each extraction range, and the false determination rate is determined for each identifier. To calculate the reliability, and each time the identifier is selected, it is misjudged by that identifier. The load of the acquired training data is increased, and at the time of inspection, an electrical signal for inspection indicating the state of the inspection object is input, and a feature amount is extracted from the electrical signal for inspection using the extraction method. And using the characteristic data as the inspection data, and in each of the identifiers for determining the identification condition, the inspection data is checked against the judgment criteria of the identifier to determine whether the inspection object is in a normal state, and the inspection When the total sum of the reliability of the discriminator that has determined that the object is in a normal state is greater than the total sum of the reliability of the discriminator that has determined that the test object is in an abnormal state, the signal identification method is finally determined that the inspection object is in a normal state. .

또한, 상기 검사용 전기 신호는 1차원 파형이어도 좋다.The inspection electrical signal may be a one-dimensional waveform.

또한, 상기 각 학습용 데이터의 추출 범위의 요소값을 오름차순 또는 내림차순으로 재배열하고, 재배열한 각 요소값을 차례로 임계값으로 설정해도 좋다.In addition, the element values of the extraction range of each learning data may be rearranged in ascending or descending order, and the rearranged element values may be sequentially set as threshold values.

여기서, 1차원 파형은 시간에 대한 검사 대상물의 소정의 변수(물리량)를 나타내는 파형을 말한다. Here, the one-dimensional waveform refers to a waveform representing a predetermined variable (physical amount) of the inspection object with respect to time.

또한, 상기 추출 방법은 단시간 푸리에 변환이어도 좋다.Further, the extraction method may be a short time Fourier transform.

또한, 상기 추출 수법은 연속 웨이브릿 변환(wavelet transformation)이어도 좋다. In addition, the extraction method may be a continuous wavelet transformation.

본 발명의 제 2 양태에 따르면, 각각 검사 대상물의 상태를 식별하는 복수의 식별기를 구비하고, 각 식별기의 판정 기준을 설정하는 학습과, 상기 검사 대상물의 상태에 의거하는 검사용 데이터를 각 식별기의 판정 기준에 대조해서 해당 검사 대상물의 상태를 식별하는 검사를 실행하는 신호 식별 장치로서, 학습시에 정상 신호와 이상 신호를 포함하는 복수의 학습용의 전기 신호가 입력되고, 검사시에 상기 검사 대상물의 상태를 나타내는 검사용의 전기 신호가 입력되며, 해당 전기 신호로부터, 미리 설정된 추출 수법을 이용해서 특징량을 추출하는 특징량 추출 수단과, 상기 특징량 추출 수단에서 각 학습용의 전기 신호로부터 추출된 특징량을 각각 학습용 데이터로 하고, 해당 학습용 데이터마다 하중을 설정 또는 변경하는 하중 설정 변경 수단과, 학습시에, 미리 설정된 추출 범위마다 각 학습용 데이터의 추출 범위의 각 요소값을 차례로 임계값으로 설정하고, 각 요소값과 상기 임계값의 대소관계를 비교하는 것에 의해서, 판정 기준을 변경하면서 각 학습용 데이터의 상기 추출 범위의 요소값의 해당 판정 기준으로의 대조를 실행하고, 각 학습용 데이터의 추출원인 학습용의 전기 신호가 정상 신호인지 아닌지를 판정하는 학습시 판정 수단과, 상기 하중 설정 변경 수단에 의해서 각 학습용 데이터의 상기 하중이 설정 또는 변경되면, 상기 판정 기준마다 상기 학습시 판정 수단에 의해서 오판정된 상기 학습용 데이터의 상기 하중의 총합을 오판정율로서 산출하는 산출 수단과, 상기 추출 범위마다 상기 산출 수단에서 산출된 상기 오판정율이 최소로 될 때의 판정 기준을 적용해서 식별기 후보를 작성하는 식별기 작성 수단과, 상기 하중이 설정 또는 변경될 때마다, 상기 식별기 작성 수단에 의해서 상기 추출 범위마다 작성된 식별기 후보 중에서 상기 오판정율이 최소인 식별기 후보를 상기 식별기로서 선택하고, 상기 식별기마다 상기 오판정율을 이용해서 신뢰도를 산출하는 식별기 선택 수단과, 상기 식별기 선택 수단에 의해서 상기 식별기가 선택될 때마다, 해당 식별기에 의해서 오판정된 상기 학습용 데이터의 상기 하중을 증가시키도록 상기 하중 설정 변경 수단에 지시하는 하중 지시 수단과, 검사시에, 상기 특징량 추출 수단에서 상기 검사용의 전기 신호로부터 추출된 특징량을 상기 검사용 데이터로 하고, 상기 식별 조건을 결정하는 각 식별기에 있어서, 상기 검사용 데이터를 상기 식별기의 판정 기준에 대조해서 상기 검사 대상물이 정상 상태인지 아닌지를 판정하고, 상기 검사 대상물이 정상 상태라고 판정한 식별기의 신뢰도의 총합이 상기 검사 대상물이 이상 상태라고 판정한 식별기의 신뢰도의 총합 이상인 경우, 상기 검사 대상물이 정상 상태라고 최종 판정하는 검사시 판정 수단을 구비하는 것을 특징으로 하는 신호 식별 장치를 제공한다. According to the second aspect of the present invention, there is provided a plurality of identifiers each identifying a state of an inspection object, learning to set the criterion of determination of each identifier, and inspection data based on the state of the inspection object. A signal identification device for performing an inspection for identifying a state of an inspection object against a judgment criterion, wherein a plurality of learning electrical signals including a normal signal and an abnormal signal are input at the time of learning, and the inspection object at the time of inspection. An electric signal for inspection indicating a state is input, and feature amount extracting means for extracting a feature amount from the electric signal using a predetermined extraction method, and features extracted from the electric signals for learning in the feature amount extracting means. Load setting changing means for setting the amount as the training data, and setting or changing the load for each training data; At the time of learning, for each learning range, each element value of the extraction range of each learning data is set to a threshold value in turn, and the magnitude of each element value is compared with the threshold value, and the judgment criteria are changed while changing the criterion value. By the learning determination means and the load setting changing means, which perform matching to the corresponding determination criteria of the element values of the extraction range of the data and determine whether or not the electric signal for learning that is the extraction source of each learning data is a normal signal. Calculation means for calculating, as an incorrect judgment rate, the total sum of the loads of the learning data incorrectly determined by the learning determination means for each of the determination criteria when the load of each learning data is set or changed; An identifier candidate is applied by applying the criterion when the false determination rate calculated by the calculating means becomes minimum. Each time the load is set or changed, the identifier candidate having the minimum false determination rate is selected as the identifier from among the identifier candidates created for each of the extraction ranges by the identifier creation means. An identifier selection means for calculating reliability using the misjudgment rate, and setting the load so as to increase the load of the learning data misjudged by the identifier every time the identifier is selected by the identifier selection means; In each identifier which determines load identification means which instruct | indicates a change means, and the characteristic data extracted from the electrical signal for a test | inspection by the said characteristic-quantity extraction means at the time of an inspection as said test | inspection data, and determines the said identification condition, The inspection object is compared with the inspection criteria by the determination criteria of the identifier. If it is determined whether or not it is in a normal state, and if the total sum of the reliability of the identifier that has determined that the inspection object is in a normal state is more than the sum total of the reliability of the identifier that has determined that the inspection object is in an abnormal state, the final determination is made that the inspection object is in a normal state. Provided is a signal identification device comprising a judging means at the time of inspection.

본 발명의 제 1 및 제 2 양태에 의하면, 오판정율이 최소로 되는 식별기를 선택할 때에, 전회 선택한 식별기에 의해서 오판정된 학습용 데이터의 하중을 증가시키고, 전회 선택한 식별기에 의해서 정상 판정된 전기 신호의 하중을 감소시키도록 변경하고, 하중이 설정 또는 변경될 때마다 식별기를 선택하는 것에 의해서, 전문지식이 없어도 학습시에 최적의 설정을 자동으로 실행할 수 있다. 또한, 청구항 1, 6의 발명에 따르면, 검사시에 있어서, 각 식별기의 판정 결과를 통합하는 것만으로 좋으므로, 뉴럴 네트워크를 이용한 경우에 비해, 검사 시간을 단축할 수 있다. According to the first and second aspects of the present invention, when selecting an identifier with a minimum false determination rate, the load of the training data incorrectly judged by the last selected identifier is increased, and the electrical signal normally determined by the last selected identifier. By changing the load to reduce the load and selecting the identifier each time the load is set or changed, the optimum setting can be automatically performed at the time of learning even without expertise. Furthermore, according to the invention of claims 1 and 6, At the time of inspection, it is only necessary to integrate the determination results of each identifier, so that the inspection time can be shortened as compared with the case where a neural network is used.

또한, 본 발명의 제 1 및 제 2 양태에 의하면, 각각 개별적으로 산출된 각 식별기의 신뢰도의 크기를 고려하여, 검사 대상물이 정상 상태인지 아닌지를 최종 판정할 수 있다. Further, according to the first and second aspects of the present invention, it is possible to finally determine whether or not the inspection object is in a normal state in consideration of the magnitude of the reliability of each of the identifiers calculated separately.

또한, 본 발명의 제 1 및 제 2 양태에 의하면, 각 요소값을 차례로 임계값으로 설정하는 것에 의해서, 각 학습용 데이터의 추출원이 정상 신호인지 이상 신호인지를 용이하게 판정할 수 있으므로, 오판정율을 단시간에 산출할 수 있다. In addition, according to the first and second aspects of the present invention, it is possible to easily determine whether the source of extraction of the learning data is a normal signal or an abnormal signal by setting each element value to a threshold value in turn. The rate can be calculated in a short time.

또한, 단시간 푸리에 변환에 1차원 파형이 갖는 특징이 모두 포함되고, 그 중에서 필요한 요소값만을 이용한 판정 기준을 갖는 식별기를 구성하므로, 복수의 특징 추출 필터를 미리 준비할 필요가 없다. 그 결과, 종래의 신호 식별 장치에 비해, 필요 메모리량을 축소할 수 있다. 또한, 본 실시형태에 따르면, 탐색 범위가 단시간 푸리에 변환 후의 특징량에 한정되므로, 종래의 신호 식별 장치에 비해, 학습 시간을 단축할 수 있고, 프로그램 크기를 축소할 수 있다.Moreover, since all the features which a one-dimensional waveform has in a short time Fourier transform are included, and the discriminator which has the determination criterion which used only the required element value among them is comprised, it is not necessary to prepare several feature extraction filter beforehand. As a result, the required amount of memory can be reduced as compared with the conventional signal identification device. Further, according to the present embodiment, since the search range is limited to the feature amount after a short time Fourier transform, the learning time can be shortened and the program size can be reduced as compared with the conventional signal identification device.

또한, 연속 웨이브릿 변환에 1차원 파형이 갖는 특징이 모두 포함되고, 그 중에서 필요한 요소값만을 이용한 판정 기준을 갖는 식별기를 구성하므로, 복수의 특징 추출 필터를 미리 준비할 필요가 없다. 그 결과, 종래의 신호 식별 장치에 비해, 필요 메모리량을 축소할 수 있다. 또한, 청구항 3의 발명에 따르면, 탐색 범위가 연속 웨이브릿 변환 후의 특징량에 한정되므로, 종래의 신호 식별 장치에 비해, 학습 시간을 단축할 수 있고, 프로그램 크기를 축소할 수 있다.
In addition, since all the features of the one-dimensional waveform are included in the continuous wavelet transformation, and an identifier having a criterion using only the necessary element values is constituted, there is no need to prepare a plurality of feature extraction filters in advance. As a result, the required amount of memory can be reduced as compared with the conventional signal identification device. Further, according to the invention of claim 3, since the search range is limited to the feature amount after continuous wavelet conversion, the learning time can be shortened and the program size can be reduced as compared with the conventional signal identification device.

도 1은 본 발명의 실시형태 1에 따른 신호 식별 장치의 구성을 나타내는 블록도이다.
도 2는 상기 실시형태 1에 따른 신호 식별 방법 중 학습 방법을 나타내는 흐름도이다.
도 3은 상기 실시형태 1에 따른 신호 식별 방법의 학습 방법에 있어서의 식별기의 작성 방법을 나타내는 흐름도이다.
도 4는 상기 실시형태 1에 따른 신호 식별 방법 중 검사 방법을 나타내는 흐름도이고다.
도 5는 상기 실시형태 2에 따른 신호 식별 방법 중 학습 방법을 나타내는 흐름도이다. 1 is a block diagram showing a configuration of a signal identification device according to Embodiment 1 of the present invention.
2 is a flowchart showing a learning method among the signal identification methods according to the first embodiment.
Fig. 3 is a flowchart showing a method of creating an identifier in the learning method of the signal identification method according to the first embodiment.
4 is a flowchart showing a test method among the signal identification methods according to the first embodiment.
5 is a flowchart showing a learning method among the signal identification methods according to the second embodiment.

(실시형태 1) (Embodiment 1)

우선, 실시형태 1에 따른 신호 식별 장치의 구성에 대해 설명한다. 본 실시형태의 신호 식별 장치는 AdaBoost의 수법을 이용해서 검사 대상물의 상태(검사 대상물이 정상 상태인지 이상 상태인지)를 식별한다. 본 실시형태의 신호 식별 장치는 학습시에 있어서, 미리 준비되어 있는 복수(m개)의 학습용의 전기 신호(이하「학습용 신호」라고 함)를 이용해서, 복수의 약식별기(弱識別器) (이하 「식별기」라 함)를 설정한다. 복수의 학습용 신호에는 검사 대상물이 정상 상태일 때의 전기 신호(이하 「정상 샘플」이라 함)와, 검사 대상물이 이상 상태일 때의 전기 신호(이하 「이상 샘플」이라 함)의 양쪽이 포함되어 있다. 각 학습용 신호에는 다른 학습용 신호와 구별하기 위해 개별의 샘플 번호 i(i=0, …, m-1)가 미리 할당되어 있다. 각 식별기는 검사 대상물로부터 검사용의 전기 신호(이하 「검사용 신호」라 함)가 입력되면, 검사 대상물이 정상 상태인지 아닌지를 판정한다. First, the structure of the signal identification apparatus which concerns on Embodiment 1 is demonstrated. The signal identification device of the present embodiment identifies the state of the inspection object (whether the inspection object is in a normal state or an abnormal state) by using the method of AdaBoost. At the time of learning, the signal identification device of the present embodiment uses a plurality (m) electrical signals for learning (hereinafter referred to as "learning signals") to prepare a plurality of weak identifiers ( Hereafter referred to as "identifier". The plurality of learning signals include both an electrical signal when the test object is in a normal state (hereinafter referred to as a "normal sample") and an electrical signal when the test object is in an abnormal state (hereinafter referred to as an "abnormal sample"). have. Each learning signal is pre-assigned with a separate sample number i (i = 0, ..., m-1) to distinguish it from other learning signals. Each identifier determines whether or not the inspection object is in a normal state when an electrical signal for inspection (hereinafter referred to as an "inspection signal") is input from the inspection object.

신호 식별 장치는 도 1에 나타내는 바와 같이 신호 입력부(1)와, 특징량 추출부(특징량 추출 수단)(2)와, 하중 관리부(3)와, 학습시 판정부(학습시 판정 수단)(4)와, 산출부(산출 수단)(5)와, 식별기 작성부(식별기 작성 수단)(6), 식별기 선택부(식별기 선택 수단)(7)와, 검사시 판정부(검사시 판정 수단)(8)와, 출력부(9)를 구비하고 있다. 또, 검사 대상물(도시하지 않음)은 주로 회전 기기를 포함하는 장치나 설비 등이지만, 상기에 한정되지는 않는다. As shown in FIG. 1, the signal identification device includes a signal input unit 1, a feature amount extracting unit (feature amount extracting means) 2, a load management unit 3, and a learning judgment unit (learning determination unit) ( 4), a calculation unit (calculation means) 5, an identifier creation unit (identifier creation means) 6, an identifier selection unit (identifier selection means) 7, an inspection determination unit (inspection determination unit) (8) and an output section (9). In addition, although a test object (not shown) is mainly an apparatus, facilities, etc. which contain a rotating apparatus, it is not limited to the above.

신호 입력부(1)는 검사 대상물의 진동을 검출하는 진동 센서(10)와, 검사 대상물의 소리를 검출하는 마이크로폰(11)을 구비하고 있다. 진동 센서(10)는 검출한 진동을 아날로그의 전기 신호로 변환한다. 진동 센서(10)에서 변환된 전기 신호는 시간에 대한 검사 대상물의 진동의 변화를 나타내는 1차원 파형의 신호이다. 마이크로폰(11)은 검출한 소리를 아날로그의 전기 신호로 변환한다. 마이크로폰(11)에서 변환된 전기 신호는 시간에 대한 검사 대상물의 소리의 변화를 나타내는 1차원 파형의 신호이다. The signal input unit 1 includes a vibration sensor 10 for detecting the vibration of the inspection object and a microphone 11 for detecting the sound of the inspection object. The vibration sensor 10 converts the detected vibration into an analog electric signal. The electrical signal converted by the vibration sensor 10 is a one-dimensional waveform signal representing a change in vibration of the inspection object with respect to time. The microphone 11 converts the detected sound into an analog electric signal. The electrical signal converted by the microphone 11 is a one-dimensional waveform signal representing the change in the sound of the inspection object with respect to time.

특징량 추출부(2)에는 1차원 파형인 정상 샘플과 이상 샘플이 학습용 신호로서 입력된다. 특징량 추출부(2)는 입력된 학습용 신호마다 학습용 신호에 대해 노이즈(noise)를 제거하는 전처리를 실행한다. 그 후, 특징량 추출부(2)는 수학식 1, 2를 이용해서 학습용 신호를 단시간 푸리에 변환(short-time Fourier transform)하고, 시간(창 함수(window function)의 중심 시간) b와 주파수 f의 조합에 있어서의 요소값 F(i)(b, f)의 집합을 특징량으로서 추출한다. 샘플 번호 i의 학습용 신호에 대해, 특징량 추출부(2)에 의해서 추출된 시간 b·주파수 f의 요소값 F(i)(b, f)의 집합을 샘플 번호 i의 학습용 데이터로 한다. 예를 들면, 샘플 번호 i=2, 시간 b3·주파수 f2의 요소값은 F(2)(b3, f2)로 나타난다. 수학식 1은 샘플 번호ｉ·시간 b· 주파수 f의 요소값 F(i)(b, f)를 나타내고, 수학식 2는 수학식 1의 창 함수 Rd(t-b)를 나타낸다. 창 함수 Rd(t-b)는 시간 b를 중심으로 한 가우스 창이다. x(t)는 전기 신호이다.
The feature amount extracting unit 2 receives a normal sample and an abnormal sample as one-dimensional waveforms as learning signals. The feature variable extracting section 2 performs preprocessing to remove noise for the learning signal for each input learning signal. Thereafter, the feature extractor 2 performs a short-time Fourier transform on the learning signal using Equations 1 and 2, time (center time of the window function) b and frequency f. The set of element values F (i) (b, f) in the combination of is extracted as the feature quantities. A set of element values F (i) (b, f) of the time b and frequency f extracted by the feature variable extracting unit 2 with respect to the training signal of the sample number i is used as the training data of the sample number i. For example, element values of sample number i = 2 and time b3 and frequency f2 are represented by F (2) (b3, f2). Equation 1 shows the element value F (i) (b, f) of the sample number i time b frequency f, and Equation 2 shows the window function Rd (tb) of the equation (1). The window function Rd (tb) is a Gaussian window around time b. x (t) is an electrical signal.

한편, 검사시에 있어서, 특징량 추출부(2)에는 진동 센서(10) 또는 마이크로폰(11)으로부터 검사 대상물(도시하지 않음)의 상태에 의거하는 아날로그의 전기 신호가 검사용 신호로서 입력된다. 검사용 신호가 입력된 후, 특징량 추출부(2)는 학습시와 마찬가지로, 검사용 신호를 단시간 푸리에 변환하고, 시간 b· 주파수 f의 요소값 F(b, f)의 집합을 특징량으로서 추출한다. 시간 b· 주파수 f의 요소값 F(b, f)의 집합을 검사용 데이터로 한다. 예를 들면, 시간 b2·주파수 f5의 요소값은 F(b2, f5)로 나타난다(수학식 1, 2 참조, i는 생략). On the other hand, at the time of inspection, the analog quantity electric signal based on the state of an inspection object (not shown) is input from the vibration sensor 10 or the microphone 11 as an inspection signal from the vibration sensor 10 or the microphone 11. After the inspection signal is input, the feature quantity extracting unit 2 performs the Fourier transform of the inspection signal in a short time, as in the case of learning, and uses the set of element values F (b, f) of time b and frequency f as feature quantities. Extract. A set of element values F (b, f) at time b and frequency f are used as inspection data. For example, the element value of time b2 and frequency f5 is represented by F (b2, f5) (refer to Formula 1, 2, i is abbreviate | omitted).

하중 관리부(3)는 학습시에, 학습용 데이터(학습용 신호)마다 하중 W(i)를 설정 및 변경하는 하중 설정 변경부(하중 설정 변경 수단)(30)와, 하중 설정 변경부(30)에 대해 각 학습용 데이터의 하중 W(i)를 변경하도록 지시하는 하중 지시부(하중 지시 수단)(31)를 구비하고 있다. W(i)는 샘플 번호 i의 학습용 데이터의 하중을 나타내고 있다. 예를 들면, 샘플 번호 i=1의 학습용 데이터의 하중은 W(1)로 나타나고, 샘플 번호 i=m-1의 학습용 데이터의 하중은 W(m-1)로 나타난다. At the time of learning, the load management part 3 is provided to the load setting changing part (load setting changing means) 30 and the load setting changing part 30 which set and change the load W (i) for every learning data (learning signal). It is provided with a load instruction part (load instruction means) 31 which instruct | indicates to change the load W (i) of each learning data with respect to it. W (i) shows the load of the training data of sample number i. For example, the load of training data of sample number i = 1 is represented by W (1), and the load of training data of sample number i = m-1 is represented by W (m-1).

하중 설정 변경부(30)는 각 학습용 데이터의 하중 W(i)의 총합 ΣW(i)가 1(ΣW(i)=1)이 되도록, 각 하중 W(i)를 설정 및 변경한다. 각 학습용 데이터의 하중 W(i)의 초기값은 균등하게 설정된다. 학습용 데이터가 m개인 경우, 각 학습용 데이터의 하중 W(i)는 모두 1/m로 설정된다. The load setting changing unit 30 sets and changes each load W (i) such that the sum ΣW (i) of the load W (i) of each learning data is 1 (ΣW (i) = 1). The initial value of the load W (i) of each learning data is set equally. When there are m learning data, the load W (i) of each learning data is set to 1 / m.

하중 지시부(31)는 후술하는 바와 같이 식별기 선택부(7)에 의해서 식별기 DEC(n)가 선택될 때마다, 식별기 DEC(n)에 의해서 오판정된 학습용 데이터의 하중 W(i)를 증가시키고, 식별기 DEC(n)에 의해서 정확하게 판정된 학습용 데이터의 하중 W(i)를 감소시키도록 하중 설정 변경부(30)에 지시한다. The load indicator 31 increases the load W (i) of the training data that is incorrectly determined by the identifier DEC (n) every time the identifier DEC (n) is selected by the identifier selector 7 as described below. The load setting changing section 30 is instructed to reduce the load W (i) of the training data accurately determined by the identifier DEC (n).

학습시 판정부(4)는 시간 b· 주파수 f의 조합마다, 모든 학습용 데이터로부터 시간 b· 주파수 f의 요소값 F(i)(b, f)를 취출하고, 취출한 요소값 F(i)(b, f)를 오름차순으로 재배열한다. 재배열된 요소값 F(c)는 작은 쪽부터 차례로 F(0), F(1), …, F(m-1)로 나타난다. 그 후, 학습시 판정부(4)는 각 요소값 F(c)를 차례로 임계값 δ로 설정하면서, 각 요소값 F(c)와 임계값 δ를 비교한다. 요소값 F(c)가 임계값 δ 미만이면, 학습시 판정부(4)는 요소값 F(c)를 포함하는 학습용 데이터의 추출원이 정상 샘플이라고 판정한다. 요소값 F(c)가 임계값 δ 이상이면, 학습시 판정부(4)는 요소값 F(c)를 포함하는 학습용 데이터의 추출원이 이상 샘플이라고 판정한다. 또, 학습시 판정부(4)는 요소값 F(i)(b, f)를 오름차순이 아닌 내림차순으로 재배열해도 좋다. The learning determination unit 4 extracts the element values F (i) (b, f) of the time b and the frequency f from all the learning data for each combination of the time b and the frequency f, and extracts the element values F (i). Rearrange (b, f) in ascending order. The rearranged element values F (c) are sequentially F (0), F (1),... , F (m-1). Thereafter, the learning decision unit 4 compares each element value F (c) with the threshold value δ while setting each element value F (c) to the threshold value δ in turn. If the element value F (c) is less than the threshold value δ, the learning decision unit 4 determines that the source of learning data including the element value F (c) is a normal sample. If the element value F (c) is equal to or greater than the threshold value δ, the learning decision unit 4 determines that the source of learning data including the element value F (c) is an abnormal sample. In addition, the learning determination unit 4 may rearrange the element values F (i) (b, f) in descending order rather than in ascending order.

산출부(5)는 모든 시간 b· 주파수 f의 조합에 대해, 하중 설정 변경부(30)에 의해서 하중 W(i)가 설정 또는 변경되면, 임계값 δ마다 학습시 판정부(4)에서 오판정된 학습용 데이터의 하중 W(i)의 총합 ΣW(i)를 오판정율 ε로서 산출한다. 오판정은 요소값 F(c)를 포함하는 학습용 데이터의 추출원이 원래 정상 샘플인데도 이상 샘플로 판정하거나, 상기 추출원이 본래 이상 샘플인데도 정상 샘플로 판정하는 것을 말한다. 그 후, 산출부(5)는 산출한 오판정율 ε가 0.5보다 큰 경우, (1-오판정율 ε)를 새로운 오판정율 ε로 한다. When the load W (i) is set or changed by the load setting changing unit 30 for all the combinations of time b and frequency f, the calculation unit 5 returns the determination unit 4 at the time of learning every threshold value δ. The total ΣW (i) of the load W (i) of the determined learning data is calculated as the false determination rate ε. The misjudgment means that the source of the training data including the element value F (c) is determined to be an abnormal sample even though the source is originally a normal sample, or to be determined to be a normal sample even when the source of extraction is the original abnormal sample. Subsequently, the calculation unit 5 sets (1-incorrection rate ε) to a new wrong determination rate ε when the calculated incorrect judgment rate ε is greater than 0.5.

식별기 작성부(6)는 시간 b· 주파수 f의 조합마다 산출부(5)에서 산출된 오판정율 ε가 최소로 될 때의 판정 기준을 적용해서 식별기(약식별기 후보) DEC(b, f)를 작성한다. 상기의 판정 기준은 산출부(5)에서 산출된 오판정율 ε가 0.5 이하인 경우, 요소값 F(c)가 임계값 δ 미만이면, 요소값 F(c)를 포함하는 학습용 데이터의 추출원이 정상 샘플이라고 판정하고, 요소값 F(c)가 임계값 δ 이상이면, 상기의 추출원이 이상 샘플이라고 판정한다고 하는 내용이다. 한편, 산출부(5)에서 산출된 오판정율 ε가 0.5보다 크고, (1-오판정율 ε)가 새로운 오판정율 ε가 된 경우, 상기의 판정 기준은 요소값 F(c)가 임계값 δ 미만이면, 요소값 F(c)를 포함하는 학습용 데이터의 추출원이 이상 샘플이라고 판정하고, 요소값 F(c)가 임계값 δ 이상이면, 상기의 추출원이 정상 샘플이라고 판정한다고 하는 내용이다. The discriminator preparing unit 6 applies the criterion when the false determination rate ε calculated by the calculating unit 5 becomes minimum for each combination of time b and frequency f to identify the identifier (abbreviated identifier candidate) DEC (b, f). Write. The determination criterion described above is that when the false determination rate? Calculated by the calculation unit 5 is 0.5 or less, and the element value F (c) is less than the threshold value δ, the source of extraction of the training data including the element value F (c) is determined. If it is determined that it is a normal sample and the element value F (c) is equal to or greater than the threshold value δ, it is the content that the extraction source is determined to be an abnormal sample. On the other hand, when the incorrect judgment rate ε calculated by the calculating part 5 is larger than 0.5, and (1-error judgment rate ε) becomes the new incorrect judgment rate ε, the above criterion is that element value F (c) is critical. If the value is less than δ, it is determined that the extraction source of the training data including the element value F (c) is an abnormal sample. If the element value F (c) is greater than or equal to the threshold value δ, it is determined that the extraction source is a normal sample. It is content.

식별기 선택부(7)는 식별기 작성부(6)에 의해서 시간 b· 주파수 f의 조합마다 작성된 복수의 식별기 DEC(b, f) 중에서, 오판정율 ε가 최소인 식별기 DEC(b, f)를 식별기(검사용 식별기) DEC(n)으로서 선택한다. n은 각 식별기 DEC(n)을 식별하기 위한 식별기 번호이다. 예를 들면, DEC(3)은 3번째로 선택된 식별기를 나타내고 있다. 식별기 선택부(7)는 선택한 식별기 DEC(n)에 대해, 식별기 DEC(n)의 오판정율 ε를 수학식 3에 대입해서 신뢰도 α(n)을 산출하고, 신뢰도 α(n)을 수학식 4에 대입해서 계수 β(n)(β(n)<1)을 산출한다. 식별기 선택부(7)는 하중 W(i)가 설정 또는 변경될 때마다 식별기(n)을 선택해 가고, 전부 n개의 식별기 DEC(n)을 선택한다. 복수의 식별기 DEC(n)은 선택순으로 배열되고, 기억부(70)에 기억된다.
The identifier selector 7 selects the identifier DEC (b, f) having a minimum false determination rate ε from among the plurality of identifiers DEC (b, f) created by the identifier generator 6 for each combination of time b and frequency f. Identifier (inspection identifier) DEC (n) is selected. n is an identifier number for identifying each identifier DEC (n). For example, DEC 3 represents the third selected identifier. The identifier selector 7 calculates the reliability α (n) by substituting the incorrect judgment rate? Of the identifier DEC (n) into Equation 3 for the selected identifier DEC (n), and calculates the reliability α (n) by Substituting into 4 yields the coefficient β (n) (β (n) <1). The identifier selector 7 selects the identifier n whenever the load W (i) is set or changed, and selects all n identifiers DEC (n). The plurality of identifiers DEC (n) are arranged in the selection order and stored in the storage unit 70.

특징량 추출부(2)에 의해서 검사용 신호로부터 추출된 요소값 F(b, f)를 임계값 δ와 비교해서, 검사 대상물이 정상 상태인지 아닌지를 판정한다. 검사 대상물이 정상 상태라고 식별기 DEC(n)이 판정한 경우, 검사시 판정부(8)는 지금까지의 신뢰도의 총합 S에 금회의 식별기 DEC(n)의 신뢰도 α(n)을 더한 값을 새로운 신뢰도의 총합 S로 한다. 검사 대상물이 이상 상태라고 식별기 DEC(n)이 판정한 경우, 검사시 판정부(8)는 지금까지의 신뢰도의 총합 S에서 금회의 식별기 DEC(n)의 신뢰도 α(n)을 뺀 값을 새로운 신뢰도의 총합 S로 한다. 검사시 판정부(8)는 모든 식별기 DEC(n)에 있어서 상기의 판정이 실행된 후, 신뢰도의 총합 S가 0이상인 경우, 검사 대상물이 정상 상태라고 최종 판정한다. 신뢰도의 총합 S가 0미만인 경우, 검사시 판정부(8)는 검사 대상물이 이상 상태라고 최종 판정한다. 검사시 판정부(8)의 최종 판정 결과는 출력부(9)에 출력된다. The feature values extracting unit 2 compares the element values F (b, f) extracted from the inspection signal with the threshold value δ to determine whether or not the inspection object is in a steady state. When the identifier DEC (n) determines that the inspection object is in a steady state, the inspection determination unit 8 adds a new value obtained by adding the reliability α (n) of the current identifier DEC (n) to the sum S of the reliability so far. Let S be the sum of the reliability. When the identifier DEC (n) determines that the inspection object is in an abnormal state, the inspection determination unit 8 subtracts a new value obtained by subtracting the reliability α (n) of the current identifier DEC (n) from the sum S of the reliability so far. Let S be the sum of the reliability. At the time of inspection, the determination part 8 finally determines that an inspection object is in a normal state, after the above determination is performed in all the identifiers DEC (n), when the sum S of reliability is zero or more. When the total sum S of the reliability is less than zero, the inspection determination unit 8 finally determines that the inspection object is in an abnormal state. The final judgment result of the judging section 8 at the time of inspection is output to the output section 9.

출력부(9)는 검사시 판정부(8)로부터 최종 판정 결과가 입력되면, 입력된 최종 판정 결과에 따라 경보음을 울리거나, 경고 화면을 표시한다. 또한, 출력부(9)는 외부기기(도시하지 않음)가 접속되어 있는 경우, 최종 판정 결과에 따른 정보를 외부기기로 출력하는 것도 가능하다. When the final judgment result is input from the judgment part 8 at the time of test | inspection, the output part 9 sounds an alarm sound or displays a warning screen according to the input final judgment result. In addition, when the external device (not shown) is connected, the output unit 9 may output information according to the final determination result to the external device.

다음에, 본 실시형태에 관한 신호 식별 방법에 대해 설명한다. 우선, 학습 방법에 대해 도 2를 이용해서 설명한다. Next, a signal identification method according to the present embodiment will be described. First, the learning method will be described with reference to FIG. 2.

최초에, 정상 샘플과 이상 샘플을 포함하는 m개의 학습용 신호(학습용 파형 샘플)가 특징량 추출부(2)에 입력된다(스텝 S1). 샘플 번호 i는 초기값 0으로 설정된다(스텝 S2). 그 후, 특징량 추출부(2)는 학습용 신호를 단시간 푸리에 변환하고, 요소값 F(i)(b, f)의 집합인 학습용 데이터를 추출한다(스텝 S3). 특징량 추출부(2)는 모든(m개) 학습용 신호로부터 학습용 데이터를 추출했는지 아닌지를 판정한다(스텝 S4). 모든 학습용 신호로부터 학습용 데이터가 추출되어 있지 않은 경우 i = i +1로 설정되고 (스텝 S5), 스텝 S3가 반복된다. 모든 학습용 신호로부터 학습용 데이터가 추출된 경우, 하중 설정 변경부(30)는 각 학습용 데이터의 하중 W(i)를 초기값(1/m)으로 설정한다(스텝 S6). 그 후, 식별기 번호 n이 초기값 1로 설정되고(스텝 S7), 시간 b가 초기값 0으로 설정되며(스텝 S8), 주파수 f가 초기값 0으로 설정된다(스텝 S9). Initially, m learning signals (learning waveform samples) including the normal sample and the abnormal sample are input to the feature variable extracting unit 2 (step S1). The sample number i is set to the initial value 0 (step S2). Thereafter, the feature extractor 2 performs Fourier transform of the learning signal and extracts the learning data that is a set of element values F (i) (b, f) (step S3). The feature variable extracting unit 2 determines whether or not learning data has been extracted from all (m) learning signals (step S4). If learning data has not been extracted from all the learning signals, i = i + 1 is set (step S5), and step S3 is repeated. When learning data is extracted from all the learning signals, the load setting change part 30 sets the load W (i) of each learning data to an initial value (1 / m) (step S6). Thereafter, the identifier number n is set to the initial value 1 (step S7), the time b is set to the initial value 0 (step S8), and the frequency f is set to the initial value 0 (step S9).

그 후, 식별기 작성부(6)가 시간 b· 주파수 f의 식별기(약식별기 후보) DEC(b, f)를 작성한다(스텝 S10). 이 때, 식별기 DEC(b, f)의 오판정율 ε가 산출된다. 그 후, 식별기 선택부(7)는 금회의 식별기 DEC(b, f)의 오판정율 ε가 지금까지의 오판정율 ε 중에서 최소인지 아닌지를 판정한다(스텝 S11). 금회의 오판정율 ε가 최소인 경우, 식별기 선택부(7)는 금회의 식별기 DEC(b, f)를 식별기 DEC(n)으로 했을 때의 신뢰도 α(n)을 산출한다(스텝 S12). 그 후, 식별기 선택부(7)는 식별기 번호 n의 식별기 DEC(n)을 금회의 식별기 DEC(b, f)로 갱신한다(스텝 S13). 식별기 선택부(7)는 시간 b에 있어서 모든 주파수 f에 대해 스텝 S10 내지 스텝 S13의 처리(제 1 처리)가 실행되었는지 아닌지를 판정한다(스텝 S14). 시간 b에 있어서 전체 주파수 f에 대해 제 1 처리가 실행되지 않은 경우 f = f +1로 설정되고 (스텝 S15), 스텝 S10 내지 스텝 S13이 반복된다. 시간 b에 있어서 모든 주파수 f에 대해 제 1 처리가 실행된 경우, 식별기 선택부(7)는 모든 시간 b에 대해 스텝 S9 내지 스텝 S14의 처리(제 2 처리)가 실행되었는지 아닌지를 판정한다(스텝 S16). 모든 시간 b에 대해 제 2 처리가 실행되지 않은 경우 b = b +1로 설정되고 (스텝 S17), 스텝 S9 내지 스텝 S14가 반복된다. Thereafter, the identifier preparing unit 6 creates an identifier (abbreviated identifier candidate) DEC (b, f) of time b and frequency f (step S10). At this time, the incorrect judgment rate? Of the identifier DEC (b, f) is calculated. Thereafter, the discriminator selecting section 7 determines whether or not the misjudgment rate ε of the current identifier DEC (b, f) is the minimum among the misjudgment rates ε so far (step S11). When the present incorrect judgment rate (epsilon) is minimum, the identifier selection part 7 calculates the reliability (alpha) (n) when the identifier DEC (b, f) of this time is made into the identifier DEC (n) (step S12). Thereafter, the identifier selector 7 updates the identifier DEC (n) of the identifier number n with the identifier DEC (b, f) of the present time (step S13). The identifier selector 7 determines whether or not the processing (first processing) of steps S10 to S13 has been performed for all frequencies f at time b (step S14). If the first process is not performed for the entire frequency f at time b, f = f + 1 is set (step S15), and steps S10 to S13 are repeated. When the first process is performed for all frequencies f at time b, the identifier selector 7 determines whether or not the process (second process) of steps S9 to S14 has been performed for all time b (step S16). If the second process has not been executed for all the time b, b = b + 1 is set (step S17), and steps S9 to S14 are repeated.

모든 시간 b에 대해 제 2 처리가 실행된 경우, 하중 설정 변경부(30)는 각 학습용 데이터의 하중 W(i)를 변경한다(스텝 S18). 하중 지시부(31)는 최종 갱신된 식별기 DEC(n)에 의해서 정확하게 판정된 학습용 데이터에 대해, 계수 β(n)(β(n)<1)을 곱해 하중 W(i)를 감소시키도록, 하중 설정 변경부(30)에 지시한다. 한편, 오판정된 학습용 데이터에 대해서는 계수 β(n)으로 나누어 하중 W(i)를 증가시키도록, 하중 지시부(31)가 하중 설정 변경부(30)에 지시한다. When the second processing is performed for all the time b, the load setting changing unit 30 changes the load W (i) of each learning data (step S18). The load indicator 31 loads the load so as to reduce the load W (i) by multiplying the coefficient β (n) (β (n) <1) to the training data accurately determined by the last updated identifier DEC (n). The setting change unit 30 is instructed. On the other hand, with respect to the learning data judged incorrectly, the load instruction | indication part 31 instructs the load setting change part 30 so that load W (i) may be increased by dividing by the coefficient (beta) (n).

식별기 선택부(7)는 모든(n개) 식별기 DEC(n)가 선택되었는지 아닌지를 판정한다(스텝 S19). 모든 식별기 DEC(n)가 선택되지 않은 경우 n = n +1로 설정되고 (스텝 S20), 스텝 S8 내지 스텝 S18이 반복된다. 모든 식별기 DEC(n)가 선택된 경우, 학습을 완료한다. The identifier selector 7 determines whether or not all (n) identifiers DEC (n) have been selected (step S19). If all the identifiers DEC (n) are not selected, n = n + 1 is set (step S20), and steps S8 to S18 are repeated. If all the identifiers DEC (n) are selected, complete the learning.

계속해서, 상술한 학습 방법에 있어서, 스텝 S10에 있어서의 시간 b· 주파수 f의 식별기 DEC(b, f)의 작성 방법에 대해 도 3을 이용해서 설명한다. Subsequently, in the above-described learning method, a method of creating the identifier DEC (b, f) at time b and frequency f in step S10 will be described with reference to FIG. 3.

우선, 학습시 판정부(4)는 시간 b· 주파수 f의 조합마다 모든 학습용 데이터의 요소값 F(i)(b, f)를 오름차순으로 재배열한다(스텝 S21). 재배열된 요소값 F(c)는 작은 쪽부터 차례로, F(0), F(1), …, F(m-1)로 된다. 그 후, 학습시 판정부(4)는 임계값 δ을 초기값 F(0)으로 설정한다(스텝 S22). 학습시 판정부(4)는 임계값 δ에 있어서의 식별기 DEC(b, f)를 작성한다. 임계값 δ에 있어서의 식별기 DEC(b, f)에는 각 요소값 F(c)와 임계값 δ를 각각 비교하고, 임계값 δ 미만의 요소값 F(c)를 포함하는 학습용 데이터의 추출원을 정상 샘플로 판정하고, 임계값 δ 이상의 요소값 F(c)를 포함하는 학습용 데이터의 추출원을 이상 샘플로 판정하는 판정 기준이 설정된다(스텝 S23). First, the learning determination unit 4 rearranges the element values F (i) (b, f) of all the learning data in ascending order for each combination of time b and frequency f (step S21). The rearranged element values F (c) are in descending order of F (0), F (1),... , F (m-1). Thereafter, the learning determination unit 4 sets the threshold δ to the initial value F (0) (step S22). The learning determination unit 4 prepares the identifiers DEC (b, f) at the threshold δ. The identifier DEC (b, f) at the threshold δ is compared with each element value F (c) and the threshold δ, respectively, and an extraction source of the training data including the element value F (c) below the threshold δ is selected. A determination criterion for determining that the sample is a normal sample and determining the extraction source of the training data including the element value F (c) equal to or greater than the threshold δ is the abnormal sample (step S23).

그 후, 산출부(5)는 스텝 S23에 있어서, 오판정된 요소값 F(c)를 포함하는 학습용 데이터의 하중 W(i)를 이용해서 오판정율 ε=ΣW(i)를 산출한다(스텝 S24). 그 후, 식별기 작성부(6)는 오판정율 ε가 0.5보다 큰지 아닌지를 판정한다(스텝 S25). 오판정율 ε가 0.5보다 큰 경우, 식별기 작성부(6)는 판정 기준을 반대로 해서, (1-오판정율 ε)를 새로운 오판정율 ε로 한다(스텝 S26). 즉, 식별기 작성부(6)는 임계값 δ 미만의 요소값 F(c)를 포함하는 학습용 데이터의 추출원을 이상 샘플로 판정하고, 임계값 δ 이상의 요소값 F(c)를 포함하는 학습용 데이터의 추출원을 정상 샘플로 판정하도록 판정 기준을 변경한다. 또는, 오판정율 ε가 0.5 이하인 경우, 식별기 작성부(6)는 금회의 오판정율 ε가 지금까지의 중에서 최소인지 아닌지를 판정한다(스텝 S27). 금회의 오판정율 ε가 최소인 경우, 식별기 작성부(6)는 식별기 DEC(b, f)의 판정 기준을 갱신한다(스텝 S28). Subsequently, the calculation unit 5 calculates an incorrect judgment rate ε = ΣW (i) in step S23 using the load W (i) of the training data including the erroneous determined element value F (c) ( Step S24). Thereafter, the identifier preparing unit 6 determines whether or not the false judgment rate? Is greater than 0.5 (step S25). When the incorrect judgment rate epsilon is larger than 0.5, the discriminator preparation part 6 reverses a judgment criterion, and makes (1-error judgment rate epsilon) a new incorrect judgment rate epsilon (step S26). That is, the identifier preparing unit 6 determines the extraction source of the training data including the element value F (c) of less than the threshold δ as the abnormal sample, and the training data including the element value F (c) of the threshold value δ or more. The judgment criteria are changed to determine the source of extraction as a normal sample. Or, when the incorrect judgment rate (epsilon) is 0.5 or less, the discriminator preparation part 6 determines whether or not the present incorrect judgment rate (epsilon) is the minimum among so far (step S27). When the present incorrect judgment rate (epsilon) is minimum, the identifier preparation part 6 updates the determination criteria of identifier DEC (b, f) (step S28).

그 후, 식별기 작성부(6)는 모든 임계값 δ에 대해 처리(스텝 S23 내지 스텝 S28)가 실행되었는지 아닌지를 판정한다(스텝 S29). 모든 임계값 δ에 대해 처리가 실행되지 않은 경우 c = c +1로 설정되고 (스텝 S30), 스텝 S23 내지 스텝 S28이 반복된다. 모든 임계값 δ에 대해 처리가 실행된 경우, 식별기 작성부(6)는 시간 b·주파수 f의 식별기 DEC(b, f)을 확정한다(스텝 S31). 확정한 식별기 DEC(b, f)는 최종 갱신된 판정 기준을 갖는다. Thereafter, the identifier preparing unit 6 determines whether or not the processing (steps S23 to S28) has been performed for all the threshold values δ (step S29). If no processing is performed for all the threshold values δ, c = c + 1 is set (step S30), and steps S23 to S28 are repeated. When the processing is executed for all the threshold values δ, the identifier preparing unit 6 determines the identifiers DEC (b, f) at time b and frequency f (step S31). The confirmed identifier DEC (b, f) has the last updated decision criteria.

다음에, 본 실시형태에 관한 신호 식별 방법의 검사 방법에 대해 도 4를 이용해서 설명한다. 우선, 검사용 신호가 신호 입력부(1)로부터 특징량 추출부(2)에 입력된다(스텝 S41). 특징량 추출부(2)는 검사용 신호를 단시간 푸리에 변환하고, 요소값 F(b, f)의 집합인 검사용 데이터를 추출한다(스텝 S42). Next, the inspection method of the signal identification method which concerns on this embodiment is demonstrated using FIG. First, a test signal is input from the signal input unit 1 to the feature variable extracting unit 2 (step S41). The feature variable extracting unit 2 performs Fourier transform of the inspection signal for a short time, and extracts inspection data that is a set of element values F (b, f) (step S42).

검사시 판정부(8)는 신뢰도의 총합 S를 초기값 0으로 설정하고(스텝 S43), 식별기 번호 n을 초기값 1로 설정한다(스텝 S44). 그 후, 검사시 판정부(8)는 식별기 DEC(n)에 의한 검사용 데이터의 판정을 실시한다(스텝 S45). 검사 대상물이 정상 상태라고 식별기 DEC(n)에서 판정된 경우(스텝 S46), 검사시 판정부(8)는 (새로운 신뢰도의 총합 S)=(지금까지의 신뢰도의 총합 S)+(금회의 식별기 DEC(n)의 신뢰도 α(n))로 한다(스텝 S47). 검사 대상물이 이상 상태라고 식별기 DEC(n)에서 판정된 경우(스텝 S46), 검사시 판정부(8)는 (새로운 신뢰도의 총합 S)=(지금까지의 신뢰도의 총합 S)-(금회의 식별기 DEC(n)의 신뢰도 α(n))로 한다(스텝 S48). 검사시 판정부(8)는 모든 식별기 DEC(n)에 있어서 검사용 데이터의 판정이 실시되었는지 아닌지를 판정한다(스텝 S49). 모든 식별기 DEC(n)에 있어서 검사용 데이터의 판정이 실시되지 않은 경우 n = n + 1로 설정되고 (스텝 S50), 스텝 S45 내지 스텝 S48이 반복된다. 모든 식별기 DEC(n)에 있어서 검사용 데이터의 판정이 실시된 경우, 검사시 판정부(8)는 신뢰도의 총합 S가 0 이상인지 아닌지를 판정한다(스텝 S51). 신뢰도의 총합 S가 0 이상인 경우, 검사시 판정부(8)는 검사 대상물이 정상 상태라고 최종 판정한다(스텝 S52). 신뢰도의 총합 S가 0 미만인 경우, 검사시 판정부(8)는 검사 대상물이 이상 상태라고 최종 판정한다(스텝 S53). 검사시 판정부(8)의 최종 판정 결과는 출력부(9)에 출력된다. At the time of inspection, the determination part 8 sets the sum total of reliability S to initial value 0 (step S43), and sets identifier number n to initial value 1 (step S44). Thereafter, the inspection-time determination unit 8 determines the inspection data by the identifier DEC (n) (step S45). When it is determined by the identifier DEC (n) that the inspection object is in a normal state (step S46), the inspection-time determination unit 8 determines that (sum of new reliability S) = (sum of reliability S so far) + (identifier of the present time). Reliability α (n) of DEC (n) is set (step S47). When it is determined by the identifier DEC (n) that the inspection object is in an abnormal state (step S46), the inspection-time determination section 8 determines that (sum of new reliability S) = (sum of reliability so far S)-(identifier of the present time) Reliability? (N) of DEC (n)) (step S48). At the time of inspection, the determination part 8 judges whether the determination of inspection data was performed in all the identifiers DEC (n) (step S49). If the inspection data is not judged in all the identifiers DEC (n), it is set to n = n + 1 (step S50), and steps S45 to S48 are repeated. When the inspection data is determined in all the identifiers DEC (n), the inspection determination unit 8 determines whether or not the sum S of the reliability is zero or more (step S51). When the total S of the reliability is 0 or more, the inspection determination unit 8 finally determines that the inspection object is in a steady state (step S52). When the total S of the reliability is less than 0, the inspection-time determination unit 8 finally determines that the inspection object is in an abnormal state (step S53). The final judgment result of the judging section 8 at the time of inspection is output to the output section 9.

이상, 본 실시형태에 의하면, 오판정율 ε가 최소로 되는 식별기 DEC(b, f)를 식별기 DEC(n)로서 선택할 때에, 전회 선택한 식별기 DEC(n)에 의해서 오판정된 학습용 데이터의 하중 W(i)를 증가시키고, 전회 선택한 식별기 DEC(n)에 의해서 정상 판정된 학습용 데이터의 하중 W(i)를 감소시키도록 변경하고, 하중 W(i)가 설정 또는 변경될 때마다 식별기 DEC(n)을 선택하는 것에 의해서, 전문지식이 없어도 학습시에 최적의 설정을 자동으로 실행할 수 있다. 특히, 각각 개별적으로 산출된 각 식별기의 신뢰도의 크기를 고려해서, 검사 대상물이 정상 상태인지 아닌지를 최종 판정할 수 있다. As described above, according to the present embodiment, when selecting the identifier DEC (b, f) for which the false determination rate ε becomes the minimum as the identifier DEC (n), the load W of the training data incorrectly determined by the identifier DEC (n) selected last time. (i) to increase, change to decrease the load W (i) of the training data normally determined by the last selected identifier DEC (n), and whenever the load W (i) is set or changed, the identifier DEC (n By selecting), optimal settings can be automatically executed at the time of learning even without specialized knowledge. In particular, it is possible to finally determine whether or not the object to be inspected is in consideration of the magnitude of the reliability of each identifier, which is calculated separately.

또한, 본 실시형태에 의하면, 검사시에 있어서, 각 식별기 DEC(n)의 판정 결과를 통합하는 것만으로 좋으므로, 뉴럴 네트워크를 이용한 경우에 비해, 검사 시간을 단축할 수 있다. In addition, according to the present embodiment, it is only necessary to integrate the determination results of the respective identifiers DEC (n) at the time of inspection, so that the inspection time can be shortened as compared with the case where a neural network is used.

또한, 본 실시형태에 의하면, 학습시 판정부(4)에 있어서, 각 요소값 F(c)를 차례로 임계값 δ로 설정하는 것에 의해서, 각 학습용 데이터의 추출원이 정상 샘플인지 이상 샘플일지를 용이하게 판정할 수 있으므로, 오판정율 ε를 단시간에 산출할 수 있다. Further, according to the present embodiment, in the learning determination unit 4, by setting each element value F (c) to the threshold value δ in turn, it is determined whether the source of extraction of the learning data is a normal sample or an abnormal sample. Since it can determine easily, the incorrect judgment rate (epsilon) can be computed in a short time.

그런데, 종래의 신호 식별 장치는 특징량을 추출할 때에, 복수의 특징량 추출 필터로부터 검사에 적합한 특징량 추출 필터를 자동 선택하기 위해, 사용이 상정되는 특징량 추출 필터를 모두 사전에 준비할 필요가 있다. 그러나, 검사 대상물의 다양성(variation)은 금후 나올 것을 포함하여 무수히 있기 때문에, 사용이 상정되는 특징량 추출 필터를 모두 사전에 준비하는 것은 곤란하다. 또한, 복수의 특징량 추출 필터를 미리 준비했다고 해도, 각 특징량 추출 필터가 갖는 복수 파라미터의 조합을 전부 탐색해서 최적 설정의 파라미터의 조합을 선택하는데 방대한 처리 시간이 필요하다．By the way, in the conventional signal identification apparatus, when extracting a feature amount, all of the feature variable extraction filters that are supposed to be used need to be prepared in advance in order to automatically select a feature variable extraction filter suitable for inspection from a plurality of feature variable extraction filters. There is. However, since the variation of the inspection object is innumerable including what will come out in the future, it is difficult to prepare in advance all of the feature-quantity extraction filters that are supposed to be used. Furthermore, even if a plurality of feature variable extraction filters are prepared in advance, a large processing time is required to search all combinations of a plurality of parameters of each feature variable extraction filter and select a combination of optimally set parameters.

한편, 본 실시형태에 의하면, 단시간 푸리에 변환에 1차원 파형이 갖는 특징이 모두 포함되고, 그 중에서 필요한 요소값 F(i)(b, f)만을 이용한 판정 기준을 갖는 식별기 DEC(n)를 구성하므로, 복수의 특징 추출 필터를 미리 준비할 필요가 없다. 그 결과, 종래의 신호 식별 장치에 비해, 필요 메모리량을 축소할 수 있다. 또한, 본 실시형태에 의하면, 탐색 범위가 단시간 푸리에 변환후의 특징량에 한정되므로, 종래의 신호 식별 장치에 비해, 학습 시간을 단축할 수 있고, 프로그램 크기를 축소할 수 있다. On the other hand, according to this embodiment, all the features which the one-dimensional waveform has in a short time Fourier transform are included, and the identifier DEC (n) which has the determination criteria using only the element value F (i) (b, f) required among them is comprised. Therefore, it is not necessary to prepare a plurality of feature extraction filters in advance. As a result, the required amount of memory can be reduced as compared with the conventional signal identification device. In addition, according to the present embodiment, since the search range is limited to the feature amount after a short time Fourier transform, the learning time can be shortened and the program size can be reduced as compared with the conventional signal identification device.

(실시형태 2)(Embodiment 2)

실시형태 2에 관한 신호 식별 장치는 전기 신호를 단시간 푸리에 변환하는 것은 아니고, 연속 웨이브릿 변환(wavelet transformation)하는 점에서, 실시형태 1에 관한 신호 식별 장치와 다르다. The signal identification device according to the second embodiment differs from the signal identification device according to the first embodiment in that the electrical signal is not transformed into a short time Fourier transform but is continuously wavelet transformed.

본 실시형태의 특징량 추출부(2)는 정상 샘플과 이상 샘플을 포함하는 학습용 신호마다, 학습용 신호에 대해 노이즈를 제거하는 전처리를 실행한 후, 수학식 5, 6을 이용해서 학습용 신호를 연속 웨이브릿 변환하고, 시간 b와 파라미터 a의 조합에 있어서의 요소값 Y(i)(b, a)의 집합을 특징량으로서 추출한다. 수학식 5는 샘플 번호ｉ·시간 b·파라미터 a의 요소값 Y(i)(b, a)를 나타내고, 수학식 6은 수학식 5의 마더 웨이브릿 Ψ(t)를 나타낸다. x(t)는 전기 신호이다.
The feature variable extracting unit 2 of the present embodiment performs preprocessing to remove noise from the learning signal for each learning signal including the normal sample and the abnormal sample, and then continuously executes the learning signal using equations (5) and (6). The wavelet transform is performed, and the set of element values Y (i) (b, a) in the combination of the time b and the parameter a is extracted as the feature amount. Equation 5 shows the element value Y (i) (b, a) of the sample number i time b parameter a, and Equation 6 shows the mother wavelet Ψ (t) of the equation (5). x (t) is an electrical signal.

한편, 검사시에 있어서도, 특징량 추출부(2)는 학습시와 마찬가지로, 검사용 신호를 연속 웨이브릿 변환하고, 시간 b·파라미터 a의 요소값 Y(b, a)의 집합인 검사용 데이터를 추출한다. On the other hand, also at the time of inspection, the feature amount extracting section 2 performs continuous wavelet conversion of the inspection signal as in the case of learning, and the inspection data which is a set of element values Y (b, a) of time b and parameter a. Extract

다음에, 본 실시형태에 관한 신호 식별 방법에 대해 설명한다. 우선, 학습 방법에 대해 도 5를 이용해서 설명한다. Next, a signal identification method according to the present embodiment will be described. First, the learning method will be described with reference to FIG. 5.

최초에, 정상 샘플과 이상 샘플을 포함하는 ｍ개의 학습용 신호가 특징량 추출부(2)에 입력된다(스텝 S61). 샘플 번호 i는 초기값 0으로 설정된다(스텝 S62). 그 후, 특징량 추출부(2)는 학습용 신호를 연속 웨이브릿 변환하고, 요소값 Y(i)(b, a)의 집합인 학습용 데이터를 추출한다(스텝 S63). 특징량 추출부(2)는 모든(m개) 학습용 신호에서 학습용 데이터를 추출했는지 아닌지를 판정한다(스텝 S64). 모든 학습용 신호에서 학습용 데이터가 추출되지 않은 경우 i = i+1로 설정되고 (스텝 S65), 스텝 S63이 반복된다. 모든 학습용 신호에서 학습용 데이터가 추출된 경우, 하중 설정 변경부(30)는 각 학습용 데이터의 하중 W(i)를 초기값(1/m)으로 설정한다(스텝 S66). 그 후, 식별기 번호 n이 초기값 1로 설정되고(스텝 S67), 시간 b가 초기값 0으로 설정되며(스텝 S68), 파라미터 a가 초기값 0으로 설정된다(스텝 S69). Initially, m learning signals including the normal sample and the abnormal sample are input to the feature variable extracting unit 2 (step S61). The sample number i is set to the initial value 0 (step S62). Thereafter, the feature variable extracting unit 2 continuously wavelet transforms the training signal and extracts training data that is a set of element values Y (i) (b, a) (step S63). The feature variable extracting unit 2 determines whether or not learning data has been extracted from all (m) learning signals (step S64). If no learning data is extracted from all the learning signals, i = i + 1 is set (step S65), and step S63 is repeated. When learning data is extracted from all the learning signals, the load setting change part 30 sets the load W (i) of each learning data to an initial value (1 / m) (step S66). Thereafter, the identifier number n is set to the initial value 1 (step S67), the time b is set to the initial value 0 (step S68), and the parameter a is set to the initial value 0 (step S69).

그 후, 식별기 작성부(6)가 시간 b·파라미터 a일 때의 식별기(약식별기 후보) DEC(b, a)를 작성한다(스텝 S70). 이 때, 식별기 DEC(b, a)의 오판정율 ε가 산출된다. 그 후, 식별기 선택부(7)는 금회의 식별기 DEC(b, a)의 오판정율 ε가 지금까지의 오판정율 ε 중에서 최소인지 아닌지를 판정한다(스텝 S71). 금회의 오판정율 ε가 최소인 경우, 식별기 선택부(7)는 금회의 식별기 DEC(b, a)를 식별기 DEC(n)로 했을 때의 신뢰도 α(n)을 산출한다(스텝 S72). 그 후, 식별기 선택부(7)는 식별기 번호 n의 식별기 DEC(n)을 금회의 식별기 DEC(b, a)로 갱신한다(스텝 S73). 식별기 선택부(7)는 시간 b에 있어서 모든 파라미터 a에 대해 스텝 S70 내지 스텝 S73의 처리(제 3 처리)가 실행되었는지 아닌지를 판정한다(스텝 S74). 시간 b에 있어서 모든 파라미터 a에 대해 제 3 처리가 실행되지 않은 경우 a = a + 1로 설정되고 (스텝 S75), 스텝 S70 내지 스텝 S73이 반복된다. 시간 b에 있어서 모든 파라미터 a에 대해 제 3 처리가 실행된 경우, 식별기 선택부(7)는 모든 시간 b에 대해 스텝 S69 내지 스텝 S74의 처리(제 4 처리)가 실행되었는지 아닌지를 판정한다(스텝 S76). 모든 시간 b에 대해 제 4 처리가 실행되지 않은 경우 b = b +1로 설정되고 (스텝 S77), 스텝 S69 내지 스텝 S74가 반복된다.Thereafter, the identifier preparing unit 6 creates an identifier (abbreviated identifier candidate) DEC (b, a) when the time b parameter a (step S70). At this time, the incorrect judgment rate? Of the identifier DEC (b, a) is calculated. Thereafter, the discriminator selecting section 7 determines whether or not the misjudgment rate ε of the current identifier DEC (b, a) is the minimum among the misjudgment rates ε so far (step S71). When the present incorrect judgment rate (epsilon) is minimum, the identifier selection part 7 calculates the reliability (alpha) (n) when the identifier DEC (b, a) of this time is made into the identifier DEC (n) (step S72). Thereafter, the identifier selector 7 updates the identifier DEC (n) of the identifier number n with the current identifier DEC (b, a) (step S73). The identifier selector 7 determines whether or not the processing (third processing) of steps S70 to S73 has been performed for all the parameters a at time b (step S74). If the third process is not executed for all the parameters a in time b, a = a + 1 is set (step S75), and steps S70 to S73 are repeated. When the third process is executed for all the parameters a in time b, the identifier selector 7 determines whether or not the process (fourth process) of steps S69 to S74 is performed for all the time b (step S76). If the fourth process is not executed for all the time b, b = b + 1 is set (step S77), and steps S69 to S74 are repeated.

모든 시간 b에 대해 제 4 처리가 실행된 경우, 하중 설정 변경부(30)는 각 학습용 데이터의 하중 W(i)를 변경한다(스텝 S78). 하중 지시부(31)는 최종 갱신된 식별기 DEC(n)에 의해서 정확하게 판정된 학습용 데이터에 대해, 계수 β(n)(β(n)<1)을 곱해 하중 W(i)를 감소시키도록, 하중 설정 변경부(30)에 지시한다. 한편, 오판정된 학습용 데이터에 대해서는 계수 β(n)으로 나누어 하중 W(i)를 증가시키도록, 하중 지시부(31)가 하중 설정 변경부(30)에 지시한다. When the fourth process is executed for all the times b, the load setting changing unit 30 changes the load W (i) of each learning data (step S78). The load indicator 31 loads the load so as to reduce the load W (i) by multiplying the coefficient β (n) (β (n) <1) to the training data accurately determined by the last updated identifier DEC (n). The setting change unit 30 is instructed. On the other hand, with respect to the learning data judged incorrectly, the load instruction | indication part 31 instructs the load setting change part 30 so that load W (i) may be increased by dividing by the coefficient (beta) (n).

식별기 선택부(7)는 모든(n개) 식별기 DEC(n)가 선택되었는지 아닌지를 판정한다(스텝 S79). 모든 식별기 DEC(n)가 선택되지 않은 경우 n = n + 1로 설정되고 (스텝 S80), 스텝 S68 내지 스텝 S78이 반복된다. 모든 식별기 DEC(n)가 선택된 경우, 학습을 완료한다. The identifier selector 7 determines whether or not all (n) identifiers DEC (n) have been selected (step S79). If all the identifiers DEC (n) are not selected, it is set to n = n + 1 (step S80), and steps S68 to S78 are repeated. If all the identifiers DEC (n) are selected, complete the learning.

계속해서, 상술한 학습 방법에 있어서, 스텝 S70에 있어서의 시간 b·파라미터 a의 식별기 DEC(b, a)의 작성 방법에 대해 도 3을 이용해서 설명한다. Subsequently, in the above-described learning method, a method of creating the identifier DEC (b, a) of the time b parameter a in step S70 will be described with reference to FIG. 3.

우선, 학습시 판정부(4)는 시간 b·파라미터 a의 조합마다 모든 학습용 데이터의 요소값 Y(i)(b, a)를 오름차순으로 재배열한다(스텝 S21). 재배열된 요소값 Y(c)는 작은 쪽부터 차례로, Y(0), Y(1), …, Y(m-1)로 된다. 그 후, 학습시 판정부(4)는 임계값 δ을 초기값 Y(0)으로 설정한다(스텝 S22). 학습시 판정부(4)는 임계값 δ에 있어서의 식별기 DEC(b, a)을 작성한다. 임계값 δ에 있어서의 식별기 DEC(b, a)에는 각 요소값 Y(c)와 임계값 δ을 각각 비교하고, 임계값 δ 미만의 요소값 Y(c)를 포함하는 학습용 데이터의 추출원을 정상 샘플로 판정하고, 임계값 δ 이상의 요소값 Y(c)를 포함하는 학습용 데이터의 추출원을 이상 샘플로 판정하는 판정 기준이 설정된다(스텝 S23). First, the learning determination unit 4 rearranges the element values Y (i) (b, a) of all the learning data in ascending order for each combination of the time b and the parameter a (step S21). The rearranged element values Y (c) are in descending order from Y (0), Y (1),... , Y (m-1). Thereafter, the learning time determination unit 4 sets the threshold value δ to the initial value Y (0) (step S22). The learning judgment unit 4 prepares the identifiers DEC (b, a) at the threshold δ. In the identifier DEC (b, a) at the threshold δ, each element value Y (c) is compared with the threshold value δ, respectively, and an extraction source of the training data including the element value Y (c) below the threshold value δ is compared. A determination criterion for determining that the sample is a normal sample and determining the extraction source of the training data including the element value Y (c) equal to or greater than the threshold δ is the abnormal sample is set (step S23).

그 후, 산출부(5)는 스텝 S23에 있어서, 오판정된 요소값 Y(c)를 포함하는 학습용 데이터의 하중 W(i)를 이용해서 오판정율 ε=ΣW(i)를 산출한다(스텝 S24). 그 후, 식별기 작성부(6)는 오판정율 ε가 0.5보다 큰지 아닌지를 판정한다(스텝 S25). 오판정율 ε가 0.5보다 큰 경우, 식별기 작성부(6)는 판정 기준을 반대로 해서, (1-오판정율 ε)를 새로운 오판정율 ε로 한다(스텝 S26). 즉, 식별기 작성부(6)는 임계값 δ 미만의 요소값 Y(c)를 포함하는 학습용 데이터의 추출원을 이상 샘플로 판정하고, 임계값 δ 이상의 요소값 Y(c)를 포함하는 학습용 데이터의 추출원을 정상 샘플로 판정하도록 판정 기준을 변경한다. 또는, 오판정율 ε가 0.5 이하인 경우, 식별기 작성부(6)는 금회의 오판정율 ε가 지금까지의 중에서 최소인지 아닌지를 판정한다(스텝 S27). 금회의 오판정율 ε가 최소인 경우, 식별기 작성부(6)는 식별기 DEC(b, a)의 판정 기준을 갱신한다(스텝 S28). Subsequently, the calculation unit 5 calculates an incorrect judgment rate ε = ΣW (i) in step S23 by using the load W (i) of the training data including the erroneous determined element value Y (c) ( Step S24). Thereafter, the identifier preparing unit 6 determines whether or not the false judgment rate? Is greater than 0.5 (step S25). When the incorrect judgment rate epsilon is larger than 0.5, the discriminator preparation part 6 reverses a judgment criterion, and makes (1-error judgment rate epsilon) a new incorrect judgment rate epsilon (step S26). That is, the identifier preparing unit 6 determines the extraction source of the training data including the element value Y (c) less than the threshold δ as the abnormal sample, and the training data including the element value Y (c) of the threshold value δ or more. The judgment criteria are changed to determine the source of extraction as a normal sample. Or, when the incorrect judgment rate (epsilon) is 0.5 or less, the discriminator preparation part 6 determines whether or not the present incorrect judgment rate (epsilon) is the minimum among so far (step S27). When the present incorrect judgment rate (epsilon) is minimum, the identifier preparation part 6 updates the determination criteria of identifier DEC (b, a) (step S28).

그 후, 식별기 작성부(6)는 모든 임계값 δ에 대해 처리(스텝 S23 내지 스텝 S28)가 실행되었는지 아닌지를 판정한다(스텝 S29). 모든 임계값 δ에 대해 처리가 실행되지 않은 경우 c = c +1로 설정되고 (스텝 S30), 스텝 S23 내지 스텝 S28이 반복된다. 모든 임계값 δ에 대해 처리가 실행된 경우, 식별기 작성부(6)는 시간 b·파라미터 a일 때의 식별기 DEC(b, a)을 확정한다(스텝 S31). 확정한 식별기 DEC(b, a)는 최종 갱신된 판정 기준을 갖는다. Thereafter, the identifier preparing unit 6 determines whether or not the processing (steps S23 to S28) has been performed for all the threshold values δ (step S29). If no processing is performed for all the threshold values δ, c = c + 1 is set (step S30), and steps S23 to S28 are repeated. When the processing has been performed for all the threshold values δ, the identifier preparing unit 6 determines the identifier DEC (b, a) at the time b parameter a (step S31). The confirmed identifier DEC (b, a) has the last updated decision criteria.

다음에, 본 실시형태에 관한 신호 식별 방법의 검사 방법에 대해 도 4를 이용해서 설명한다. 우선, 검사용 신호가 신호 입력부(1)로부터 특징량 추출부(2)에 입력된다(스텝 S41). 특징량 추출부(2)는 검사용 신호를 연속 웨이브릿 변환하고, 요소값 Y(b, a)의 집합인 검사용 데이터를 추출한다(스텝 S42). 그 후의 동작에 대해서는 실시형태 1과 마찬가지이다(스텝 S43∼스텝 S53). Next, the inspection method of the signal identification method which concerns on this embodiment is demonstrated using FIG. First, a test signal is input from the signal input unit 1 to the feature variable extracting unit 2 (step S41). The feature variable extracting unit 2 continuously converts the inspection signal by wavelet conversion and extracts inspection data that is a set of element values Y (b, a) (step S42). The subsequent operation is the same as that of the first embodiment (steps S43 to S53).

이상, 본 실시형태에 의하면, 연속 웨이브릿 변환에, 1차원 파형이 갖는 특징이 모두 포함되고, 그 중에서 필요한 요소값 Y(i)(b, a)만을 이용한 판정 기준을 갖는 식별기 DEC(n)을 구성하므로, 복수의 특징 추출 필터를 미리 준비할 필요가 없다. 그 결과, 종래의 신호 식별 장치에 비해, 필요 메모리량을 축소할 수 있다. 또한, 본 실시형태에 의하면, 탐색 범위가 연속 웨이브릿 변환 후의 특징량에 한정되므로, 종래의 신호 식별 장치에 비해, 학습 시간을 단축할 수 있고, 프로그램 크기를 축소할 수 있다. As described above, according to the present embodiment, the continuous wavelet transform includes all the features of the one-dimensional waveform, and among them, the identifier DEC (n) having a determination criterion using only the necessary element values Y (i) (b, a). Since it is configured, there is no need to prepare a plurality of feature extraction filters in advance. As a result, the required amount of memory can be reduced as compared with the conventional signal identification device. Further, according to the present embodiment, since the search range is limited to the feature amount after continuous wavelet conversion, the learning time can be shortened and the program size can be reduced as compared with the conventional signal identification device.

이상, 첨부 도면을 참조하면서 본 발명의 바람직한 실시형태에 대해서 설명했지만, 본 발명은 이러한 예에 한정되지 않는다. 당업자라면, 특허 청구의 범위에 기재된 범주 내에서, 각종의 변경예 또는 수정예에 상도할 수 있는 것은 명확하고, 그것들에 관해서도 당연히 본 발명의 기술적 범위에 속하는 것으로 이해된다.As mentioned above, although preferred embodiment of this invention was described referring an accompanying drawing, this invention is not limited to this example. Those skilled in the art will appreciate that various modifications or modifications can be made within the scope described in the claims, and they are naturally understood to belong to the technical scope of the present invention.

Claims

Learning to set the criterion of determination of each identifier using a signal identification device each having a plurality of identifiers for identifying the state of the object to be inspected, and the inspection data based on the state of the object to be inspected to the criterion of determination of each identifier. A signal identification method of performing a test for identifying a state of a test object by contrast,
In learning,
A plurality of learning electrical signals including a normal signal and an abnormal signal are inputted, and a feature amount is extracted from each of the learning electric signals using a predetermined extraction method, and the feature amount is used as learning data.
Set or change the load for each learning data,
By setting each element value of the extraction range of each learning data for each extraction range set in advance as a threshold value, and comparing the magnitude relationship of each element value and the said threshold value, the extraction range of each learning data is changed, changing a determination criterion. A comparison is made of the element values according to the corresponding criterion, and it is determined whether or not the electric signal for learning, which is the source of extraction of each learning data, is a normal signal,
When the load of each learning data is set or changed, the total sum of the loads of the learning data that is misjudged for each of the determination criteria is calculated as a misjudgment rate,
For each extraction range, an identifier candidate is generated by applying the criterion when the false determination rate becomes minimum,
Whenever the load is set or changed, an identifier candidate having the minimum false determination rate is selected as the identifier among the identifier candidates created for each extraction range, and the reliability is calculated by using the false determination rate for each identifier, Each time an identifier is selected, the load of the learning data that is misjudged by that identifier is increased,
At the time of inspection,
An electrical signal for inspection indicative of the state of the inspection object is input, a feature amount is extracted from the electrical signal for inspection using the extraction method, and the feature amount is the inspection data,
In each discriminator for determining the identification condition, the inspection data is checked against the criterion of the discriminator to determine whether the inspected object is in a normal state, and the reliability of the discriminator that determines that the inspected object is in a normal state. And when the total is equal to or greater than the sum of the reliability of the discriminator which has determined that the inspection object is in an abnormal state, the final determination is made that the inspection object is in a normal state.
Signal identification method.

The method of claim 1,
And said electrical signal for inspection is a one-dimensional waveform.

The method of claim 1,
And rearranging the element values of the extraction range of each learning data in ascending or descending order, and sequentially setting the rearranged element values as threshold values.

The method of claim 1,
And said extraction method is a short time Fourier transform.

The method of claim 1,
And the extraction technique is a continuous wavelet transform.

Each of the inspection objects includes a plurality of identifiers for identifying the state of the inspection object, learning to set the determination criteria of each identification object, and inspection data based on the state of the inspection object in comparison with the determination criteria of each identifier. A signal identification device for performing a test for identifying a state,
A plurality of learning electrical signals including a normal signal and an abnormal signal are input at the time of learning, and an electrical signal for inspection indicating the state of the inspection object is input at the time of inspection, and a predetermined extraction method is applied from the electrical signal. Characteristic quantity extracting means for extracting the characteristic quantity by using;
Load setting changing means for setting the feature amounts extracted from the electric signals for each learning in the feature quantity extracting means as learning data, and setting or changing loads for the corresponding learning data;
At the time of learning, for each learning range, each element value of the extraction range of each learning data is set to a threshold value in turn, and the magnitude of each element value is compared with the threshold value, and the judgment criteria are changed while changing the criterion value. By the learning determination means and the load setting changing means, which perform matching to the corresponding determination criteria of the element values of the extraction range of the data and determine whether or not the electric signal for learning that is the extraction source of each learning data is a normal signal. Calculation means for calculating, as an incorrect judgment rate, the total sum of the loads of the learning data incorrectly determined by the learning determination means for each of the determination criteria when the load of each learning data is set or changed; An identifier candidate is applied by applying the criterion when the false determination rate calculated by the calculating means becomes minimum. Each time the load is set or changed, the identifier candidate having the minimum false determination rate is selected as the identifier from among the identifier candidates created for each of the extraction ranges by the identifier creation means. An identifier selection means for calculating reliability using the misjudgment rate, and setting the load so as to increase the load of the learning data misjudged by the identifier every time the identifier is selected by the identifier selection means; Load indicating means for instructing the changing means,
At the time of inspection, in each identifier which makes the characteristic data extracted from the said electrical signal for inspection by the said characteristic quantity extraction means into the said inspection data, and determines the said identification condition, the said inspection data is the determination criterion of the said identifier. If it is determined whether the inspection object is in a normal state or not, and if the total sum of the reliability of the identifier that has determined that the inspection object is in a normal state is equal to or greater than the total sum of the reliability of the identifier that has determined that the inspection object is in an abnormal state, the inspection object It is provided with the determination means at the time of the final determination that this is a steady state.
Signal identification device.

The method according to claim 6,
And rearranging the element values of the extraction range of each learning data in ascending or descending order, and sequentially setting the rearranged element values as threshold values.