WO2010116222A1 - 信号識別方法および信号識別装置 - Google Patents

信号識別方法および信号識別装置 Download PDF

Info

Publication number
WO2010116222A1
WO2010116222A1 PCT/IB2010/000579 IB2010000579W WO2010116222A1 WO 2010116222 A1 WO2010116222 A1 WO 2010116222A1 IB 2010000579 W IB2010000579 W IB 2010000579W WO 2010116222 A1 WO2010116222 A1 WO 2010116222A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
inspection
time
data
subject
Prior art date
Application number
PCT/IB2010/000579
Other languages
English (en)
French (fr)
Inventor
橋本　良仁
Original Assignee
パナソニック電工株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by パナソニック電工株式会社 filed Critical パナソニック電工株式会社
Priority to CN2010800120253A priority Critical patent/CN102362282A/zh
Publication of WO2010116222A1 publication Critical patent/WO2010116222A1/ja

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals

Definitions

  • the present invention relates to a signal-specific device for identifying the state of an inspection object.
  • the other device that is coming is learning
  • Another conventional device that created a rastering map at the time of learning inputs inspection data into the clustering map based on the state of the inspection / inspection object, and calculates the crid separation for the inspection on the cluster link. Therefore, the conventional separate device has an output that minimizes crid separation.
  • the inspection data is classified into categories, and the state of the inspection target is identified according to the category into which the inspection data is classified. If you use a different device, you can learn automatically without any specialized knowledge.
  • the conventional separate device can automatically learn without specialized knowledge.
  • a signal-separating device comprising a plurality of each for identifying the state of the object to be examined, learning to set a constant standard for the object to be examined, Based on the standard method for inspection, it is a row signal method that identifies the state of the inspection target, and at the time of learning, a number of numbers including normal and abnormal numbers are input.
  • the features are extracted from each learning issue using a specified method, and is set as learning, and the weight is set or changed for each of the above-mentioned titers.
  • the standard of the range of each learning data is matched, and whether the learning number that is each learning is normal
  • the sum of only the above-mentioned determined data is output as an erroneous determination rate for each of the above-mentioned criteria, and the determination rate is minimized for each of the above.
  • the standard is applied to create a complement and only the above is set or changed. The complement with the smallest decision rate is selected as the complement from the complements created for each increment, and is calculated using the decision rate for each increment.
  • an inspection number indicating the state of the subject of inspection is input, and the characteristics are extracted from the inspection number using the method, and is used as the inspection cheetah.
  • the examination data is checked against the above-mentioned standard to determine whether or not the inspection target is in a normal state, and the inspection target is determined to be in a normal state.
  • a signaling method characterized in that if the sum is determined after the subject to be examined is in an abnormal state, the subject is finally judged to be in a normal state.
  • the above-mentioned examination may be acceptable.
  • the range of the learning data may be set in ascending or descending order, and the arranged values may be set in order.
  • 1 means the constant () of the inspection object with respect to time.
  • the extraction method may be a short-time Fourier transform.
  • continuous weblet replacement may be used.
  • each of the two states is provided with a plurality of for identifying the state of the subject of the examination, and learning to set the standard of the subject, and based on the state of the subject of the subject.
  • This is a device that separates the signal that contains the normal number and the abnormal number at the time of learning, and the inspection number that indicates the state of the inspection object is input to the inspection.
  • a feature stage for extracting a feature from the number using a predetermined method;
  • the feature extracted from each learning issue is set as a weight, a weight updating method for setting or changing the weight for each data, By setting the range of each learning cheetah to, and comparing the above with each other, the criteria for the range of each learning teeter is matched while changing the judgment criteria.
  • a stage that outputs the sum of only the above as an erroneous determination rate, and a supplementary standard are created by applying the standard when the determination rate that is output in the previous stage is the minimum.
  • the complement having the smallest determination rate is selected as the complement from the complements created for each step by the step, and the determination rate is used for each of the steps.
  • a weight stage instructing the further means to increase the titer determined by, and extracted from the examination number in the stage
  • the determined feature is used as the inspection data to determine whether or not the inspection target is in a normal state by collating with the standard for the inspection, and the inspection target is in a normal state
  • An inspection stage that finally determines that the inspection object is in a normal state when the sum of the determination is that the inspection object is in an abnormal state. Signal Separate device is provided.
  • the first state when selecting the smallest judgment rate, only the learning data judged by the previous selection is increased, and only the electric signals normally determined by the previous selection are increased. Change to decrease • By selecting each time only the setting or change is made, the optimum setting can be automatically made during learning without any specialized knowledge. In addition, according to the request, it is only necessary to integrate the results in the inspection, so that the interval between inspections can be shortened as compared with the case of using a neural network.
  • the final judgment can be made as to whether or not the inspection object is in a normal state, taking into consideration the degree of calculation separately.
  • a short-time free change will show signs of It is necessary to have multiple fills because it is configured with a criterion that uses only simple elements. As a result, it is possible to reduce the required memo amount compared to other conventional devices.
  • the enclosure is limited to a short time frame, the learning time can be shortened compared to other conventional devices, and the program size can be reduced.
  • the continuous wavelet conversion is configured with a criterion that uses only the necessary elements, and has a criterion.
  • the required amount of memos can be reduced compared to other conventional devices.
  • the learning time can be shortened and the program size can be reduced as compared with other conventional devices.
  • Another apparatus in the embodiment uses the method of O to identify the inspection object (whether the inspection object is in a normal state or not).
  • Another device of the implementation is used during learning.
  • the other devices are: signal, feature () 2, weighting unit 3, learning (training), () 5, (, (7, () Equipped with 8 and.
  • the inspection object (not) is mainly equipment and equipment including rotating equipment, but is not limited to the above.
  • the sensor converts the detected motion into a analog signal. This is a symbol representing the movement of the test object with respect to electricity and time converted by the sensor.
  • Micro 1 converts the detected sound into a signal. Electricity converted by a microphone is a symbol representing the change in the sound of a test object with respect to time.
  • a normal sample and an abnormal sample that are are manually trained as learning numbers. For each learned learning, the noise is removed from the learning signal.
  • the feature is a short-time Fourier transform of the learning signal using, and the feature F () (bf in the combination of time (number) b frequency f is featured.
  • the sample data is the sum of F f of time b and wave number f given by the feature. For example, sample of time 3 and wave number f 2 ((bf is expressed as F bf of sumb b and wave number f 2 represents Rd b) of Rd b is a us window centered at time b.
  • R tb R tb
  • an analog signal is manually input from the vibration sensor or microphone as the inspection signal based on the state of the inspection object (not).
  • “2”, which is the input of the survey code is a short-time Fourier transform of the test signal and is characterized by the combination of time b and wave number f (bf).
  • bf wave number f
  • (bf) with wavenumber f is the inspection cheetah.
  • the time b and the wave number f 5 are expressed as bf 5 () Weight to instruct to change () 3 are provided.
  • W represents only sample data. Only the sample is represented by W and the sample
  • F () (bf) of b wavenumber f was taken out from all cheetahs for each combination of time b and wavenumber f, and the extracted elements F () (bf were arranged in.
  • Element c) is F in ascending order.
  • the sum of W (the W of the learning data mis-determined at the time of learning is Judgment refers to judging whether an abnormal sample is included even though it is a sample that contains element F c), or a normal sample is judged although the above is a sample. If the misjudgment rate you have issued is greater than 5, set (1 judgment rate) to the new misjudgment rate.
  • () D C b f) is created for each combination of time b and wavenumber f by applying the constant criterion when the error determination rate E given in 5 is minimized.
  • the standard is that if the misjudgment rate given in 5 is 5 or lower and the element is, include element F
  • D C (b f) selects D C (b f) with the smallest decision rate from the number of D C f created for each combination of time b and wave number f as an identification (investigation) D C). Is a number for identifying D C).
  • D C) represents the selected for the eye. 7 is calculated by substituting the decision rate of D C) into Equation 3 for the selected D C, and substituting the confidence () for.
  • Each time W is set or changed, 7 can select (and select a total number of identifiers D C ().
  • the numbers D C) are stored in memory 7 alongside the selection.
  • the element F b f) extracted from the inspection code in step 2 is compared 6 times to determine whether the inspection target is in a normal state. If DC () determines that the subject to be examined is in the normal state, Inspection 8 sets the value obtained by adding the previous DC) to) to the new S. If D C) determines that the subject to be examined is abnormal, Inspection 8 takes the value obtained by subtracting () of D C) from the previous S as the new S. After the above determination is made for all DCs, the final judgment is that the subject of inspection is normal if the trust S is above. If S of is, the test will finally determine that the test object is abnormal. The final judgment of 8 is output to the output.
  • a sample including normal samples and abnormal samples is input to feature 2 (S).
  • Samples are initially set (S).
  • the features and learning numbers are converted into short-term frying elements (elements) (b
  • the learning that is the combination is extracted (3).
  • step 7 it is determined whether (b) from step S9 to step S has been performed for all b (S). If not all b are processed, b is set (S7, step S9 to step S are repeated.
  • weight 3 changes ⁇ () for each learning data (S 8). 3, the training data corrected by the latest DEC) is instructed to multiply ()) and reduce the weight W (). Instructs weight 3 to weight 3 to increase the weight VI by dividing by ().
  • step 7 it is determined whether or not D C) in () has been selected (S). If all D C) are not selected, they are set (S2) and step S to step S are repeated. If all D C () are selected, learning is completed.
  • step S 3 the determination rate VI is calculated using ⁇ ⁇ including the determined element () (S). Part 6 determines whether the determination rate is greater than 5 (S5). If the decision rate is greater than 5, 6 will reverse the decision criteria and (1 decision rate e will be the new false decision rate (). Change the criteria so that a normal sample of data containing () is judged. Or, if the misjudgment rate is 5 or below, 6 is the smallest judgment rate so far.
  • step S27 If the decision rate of the number of times is the smallest, DC (update the constant standard of bf (S 8), and 6 is processed for all (step S 3 From step S to step S28 is determined (S2) If all processing is not performed, c C is set (S3), and step S to step S28 are repeated. If processing is performed for all, 6 is the DC of time b and wavenumber f (determine bf (S). The final criteria have been renewed.
  • an inspection signal is input from the signal to the feature (S).
  • the trust S is set to the initial value (S3, is set to the initial value (S4).
  • the test 8 is set to DC), and the test data is set (S5).
  • inspection 8 is (S of the previous DEC)) (S7)
  • the inspection target is in an abnormal state. If it is judged as DEC) (S), the inspection 8 shall be ()) of () S) up to (S). In 8, it is determined whether or not the inspection data has been set in all DC () (S). If all DCs are not tested, (S5), and steps S5 to S48 are repeated. If inspection data is set for all DCs (), inspection 8 determines whether or not the trust S is up (if S in S5 is up)
  • S 8 is the final decision that the test object is in a normal state (S5). If S of is •, the final determination is made that the object to be inspected is in an abnormal state (the final determination of S53 is output to the output).
  • the learning W determined by the previous DC is increased, and the previously selected DC ()
  • the optimum setting during learning is automatically set. In particular, it is possible to make a final decision as to whether or not the inspection target is in a normal state, taking into consideration the degree of calculation calculated separately.
  • the time can be shortened as compared with the case of using a global network.
  • the necessary element F (DC with a criterion using only bf)) is formed from that.
  • the required amount of memo can be reduced as compared with other conventional devices, and according to the present embodiment, the enclosure is limited to the free space for a short time. Compared to devices, the learning time can be shortened and the program size can be reduced.
  • the signal-separating device according to 2 is different from the signal-separating device according to the implementation in that continuous wavelet conversion is performed instead of short-time free-wave conversion of the electric signal.
  • Equation 5 each time a normal sample and an abnormal sample are included, noise is removed from the learning signal, and then the learning signal is continuously wavelet-converted using Equation 5 to match the time parameter a.
  • Element Y is characterized by the combination of ba. 5 indicates Y ba of sample, b, and parameter a, and 6 indicates the wavelet V () of 5.
  • x) is an electric signal.
  • the feature 2 is to convert the inspection signal into a continuous wavelet and extract the inspection data that is the result of time b and parameter a Y (ba). .
  • the individual subjects including normal samples and abnormal samples are human-powered by features (S. Set to initial sample (S62).
  • the features are the continuous wavelet transform of the learning numbers, element Y) ba
  • the learning that is the result of) is extracted (). (Evaluate whether or not learning has been extracted from the No. (). If no learning cheetah has been issued from all No, it is set (S 5), and Step S 3 is repeated.)
  • the weight 3 sets the W of each learning data to the initial S). , Is set to initial (S7), time b is set to initial (S6), parameter a is set to initial (S6)
  • step S7 it is determined whether or not steps (S7) to (S73) have been performed for all parameters a at time b (S7). If the process 3 is not performed for parameter a in b, a is set (S75), and steps S7 to S73 are repeated. If the process 3 is performed for the parameter a, it is determined whether or not (from step S to step S7) is performed for all b (S7). If the processing of 4 is not performed for b, bb is set (S7) Steps S6 to S7 are repeated.
  • the weight changes each learning VI (S78). 3. Instruct the weight 3 to reduce the weight by applying () () to the training data corrected by the newly updated DEC). On the other hand, for the learning data determined, the weight weight 3 is instructed to increase the weight VI (by dividing by.
  • step 7 it is determined whether or not (DEC) in () has been selected (S7). If all DC) are not selected, they are set (S), and steps S8 to S78 are repeated. If all D C (are selected, complete the learning.
  • step S7 the method of DC b a) of time b and parameter a in step S7 will be described.
  • every cheetah Y) (a) is arranged into (S2) for each combination of time b and parameter a.
  • the obtained element Y) becomes Y) Y ( ⁇ ⁇ Y in order from the beginning.
  • set to initial Y) S.
  • create DC (ba) at Criteria for comparing Y c) to DC (ba) in 6 and judging whether the cheetah containing full Y c) is a normal sample and judging the data containing Y) above as abnormal samples (S 3)
  • the ⁇ is calculated in step S 3 by using the W of the data including the determined element Y (), and the determination rate (is calculated (S2).
  • step S3 to step S8 determines whether or not processing (step S3 to step S8) has been performed for all items (S2; set to C if all processing has not been performed). (S), and repeats step S to step S. If processing is performed for all, is: • DC ba at the time of parameter a is determined (S3. The specified DC (ba) With the determined criteria.
  • step 2 the inspection code is converted into continuous wavelets, and the inspection data that is the result of element Y b) is extracted (S).
  • the subsequent operation is the same as in the implementation (S to S53).
  • a continuous weblet conversion has a sign of, and DC (with a criterion using only the necessary element Y (ba)) is formed, so multiple fills are included. It is necessary to prepare. As a result, the required memo amount can be reduced as compared with other conventional devices.
  • the learning time can be shortened and the program size can be reduced as compared with another conventional apparatus.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

　特徴量抽出部２は、学習時において、正常サンプルと異常サンプルとを含む学習用信号が人力されると、学習用信号を短時間フーリエ変換し、学習用データを抽出する。識別器作成部６は、時間・周波数の組み合わせごとに、学習時判定部４の判定結果を用いて算出部５で算出された誤判定率が最小となる識別器を作成する。識別器選択部７は、時間・周波数の組み合わせごとに作成された識別器の中から、誤判定率が最小である識別器を選択し、信頼度を算出する。重み指示部３１は、選択された識別器による判定結果に応じて、学習用データの重みを変更するように重み設定変更部３０に指示する。検査時判定部８は、検査時において、学習時に選択された複数の識別器を用いて検査対象物が正常状態であるか否かを判定する。

Description

およ ] 術分野
本 、 検査対象 の 態を識別する信号 別装置に関す 。
来から 競合 ルネットワ クを用 て検査対象 の 態を識別する 信号 別装置が知られて る ( )。
来の 別装置は、 学習時に いて、 複数の 競合
ルネットワーウに入力して、 検査対象 の 態を表わすカテゴリが設定されたクラスタリ ング ップを作成する。
習時に ラスタリングマップを作成した従来の 別装置は、 検査 ・ 査対象 の 態に基づ 検査用データをクラスタリングマップに入力し、 クラスタリン ップ上の出 査用 の クリッド 離を 算出する。 その 、 従来の 別装置は、 クリッド 離が最小となる出力
カテゴリに検査用デ タを分類し、 検査用テ タを分類したカテゴリに応じて、 検 査対象 の 態を識別する。 来の 別装置に れば、 専門知識がな ても自動で学 習を行 ことができる。
術文献 1 35
2 2 8 6 8 3 報
し しながら、 従来の 別装置は、 専門知識がな ても自動で学習を行 ことが できるものの て、 ウラスタリングマップ上のす ての
クリッド 離を算出し、 さらに クリッド 離の を求める必要があり、 検査 間が長 なると 問題があった。
明の
上記の点に みて され、 その 、 専門知識がな ても自動で学習を行 とともに 間を短縮することができる信号 別装置を提供す ることにある。
明の 態に れば、 それぞれ 査対象 の 態を識別する複数の を備 える信号 別装置を用いて、 の 定基準を設定する学習と、 前記 査対象 の に基づ 検査用 の 定基準に照合して 査対象 の 態を識別す る検査とを行 信号 法であって、 学習時にお て、 正常 号と異常 号とを含む 数の の 号が入力され、 各学習 の 号から、 定された 法を 用いて特徴 を抽出し、 を学習 とし、 前記 チ タごとに重 を 設定または変更 、 定された ごとに、 各学習 デ タの 囲の 値を順に に設定し、 と前記 との大 係を 較することによって・ 定 基準を変更しながら各学習 デ タの 囲の の 定基準 の 合を行い、 各学習 である学習 の 号が正常 号であるか否かを判定し、 各学 習 データの が設定または変更されると 前記 定基準ごとに、 判定された前 記 データの みの 和を誤判定率として 出し、 前記 ごとに、 前記 判定率が最小となるときの 定基準を適用して 補を作成し 前記 みが設定また は変更されるごとに・ ごとに作成された 補の中から前記 判定率が 最小である 補を前記 として選択し、 前記 ごとに前記 判定率を用 て を算出し、 前記 が選択されるごとに、 によって 判定された前 記 みを増加させ、 検査 にお て 前記 査対象 の 態を表わす 査用の 号が入力され、 査用の 号から前記 法を用 て特徴 を 抽出し、 を前記 査用チータとし、前記 別条件を決定する において、 前記 査用データを前記 の 定基準に照合して、 前記 査対象 が正常 態である か否かを判定し、 前記 査対象 が正常 態であると判定した の の 和が、 前記 査対象 が異常 態であると判定した の の 上である場合、 前記 査対象 が正常 態であると最終判定することを特徴とする信号 法を提供する。 また、 前記 査用の でも良 。
さらに、 前記 学習 データの 囲の を昇 または に並 、 並び えた 値を順に に設定しても良い。
ここで、 1 とは 時間に対する検査対象 の 定の ( ) を表わす をい 。
また、 前記 出方法は、 短時間フーリエ 換であっても良い。
また、 前記 、 連続ウェ ブレット 換であっても良い。
明の 2の 態によれ 、 それぞれ 査対象 の 態を識別する複数の を 備え、 の 定基準を設定する学習と・ 査対象 の 態に基づ 検査用 の 定基準に照合して 査対象 の 態を識別する検査とを行 信号 別装置であって、 学習時に正常 号と異常 号とを含む 数の の 号が入力さ れ、 検査 に前記 査対象 の 態を表わす 査用の 号が入力され・ 号 から、 定された 法を用 て特徴 を抽出する特徴 段と、 前記
段で各学習 の 号から抽出された特徴 をそれぞれ とし データごとに重みを設定または変更する重み 更手段と、 学習時に、 された ごとに、 各学習 チータの 囲の 値を順に に設定し・ と前記 との大 係を 較することによって、 判定基準を変更しながら各学習 テータの 囲の の 定基準 の 合を行い、 各学習
である学習 の 号が正常 号であるか否かを判定する学習時 段と、 前記 更手段によって各学習 データの が設定または変更されると、 前記 定基 準ごとに、 前記 習時 段によって 判定された前記 みの 和 を誤判定率として 出する 段と、 前記 ごとに、 前記 段で 出された 前記 判定率が最小となるときの 定基準を適用して 補を作成する
段と、 前記 みが設定または変更されるごとに、 前記 段によって前記 ごとに作成された 補の中から前記 判定率が最小である 補を前記 として選択し、 前記 ごとに前記 判定率を用 て を算出する
段と、 前記 段によって前記 が選択されるごとに・ によって 判定された前記 チ タの を増加させるよ に前記 更手段に指 示する重み 段と、 検査 、 前記 段で前記 査用の 号から抽出 された特徴 を前記 査用データとし、 前記 別条件を決定する において、 前記 査用 前記 の 定基準に照合して 前記 査対象 が正常 態であるか否 かを判定し、 前記 査対象 が正常 態であると判定した の の 和が、 前記 査対象 が異常 態であると判定した の の 上である場合、 前記 査 対象 が正常 態であると最終判定する検査 段とを備えることを特徴とする信号 別装置を提供する。
ここで、 とは、 時間に対する検査対象 の 定の ( ) を表わす を 。
明の 1 の 態によれば、 判定率が最小となる を選択するとき に、 前回選択した によって 判定された学習 デ タの みを増加させ、 前回選択 した によって正常 定された電気 号の みを減少させるよ に変更 ・ みが設 定または変更されるごとに を選択することによって、 専門知識がな ても学習時に 最適な設定を自動で行 ことができる。 また、 請求 の 明によれ 、 検査 にお て、 の 果を統合するだけでよいので、 ニ ラルネットワーウを用いた 場合に比 て、 検査 間を短縮することができる。
また・ 明の 2の 態によれば、 それぞれ 別に算出された の の きさを考慮して、 検査対象 が正常 態であるか否かを最終判定することがで きる。
さらに、 明の の 態によれ 値を順に に設定すること によって 各学習 チータの が正常 号であるか 号であるかを容易に判定す ることができるので、 判定率を短時間で 出することができる。
また 短時間フ リエ 換に、 の 徴がす て まれ、 その中から な要素 のみを用 た判定基準を持つ を構成するので、 複数の フィル を 備する必要がな 。 その 果、 従来の 別装置に比 、 必要メモ 量を縮 小することができる。 また、 本実施 態によれ 、 囲が短時間フーリ の に限られるので、 従来の 別装置に比 て・ 習時間を短縮することができ・ プ ログラムサイズを縮小することができる。
また、 連続ウェーブレット 換に、 の 徴がす て まれ その中か ら 要な要素 のみを用 た判定基準を持つ を構成するので 複数の フィ ル を 備する必要がない。 その 果、 従来の 別装置に比べて、 必要メモ 量 を縮小することができる。 また、 請求 3の 明によれば、 囲が連続ウェーフレッ ト の に限られるので 来の 別装置に比 て 学習時間を短縮するこ とができ、 プログラムサイズを縮小することができる。
に係る信号 別装置の 成を示すブロック図である。
2 上に係る信号 法の ち 法を示すフローチヤ トである。
3 上に係る信号 法の 法における の 法を示すフロー チヤートである。
上に係る信号 法の ち 査方法を示すフローチヤ トである。
5 に係る信号 法の ち 法を示すフローチヤートである。 明を実施するための
(
まず、 実施 に係る信号 別装置の 成につ 説明する。 実施 態の 別装置は O の 法を用 検査対象 の ( 査対象 が正常 態で あるか 態であるか) を識別する。 実施 態の 別装置は、 学習時にお
用意されて 複数 ( の の ( ) を 、 複数の ( ) を設定する。 数の 号には、 検 査対象 が正常 態であるときの ( サンフル ) と、 検査対象 が異常 態であるときの ( サンプル との 方が含まれて 。 学習 号には 他の学 号と 別するために個別のサンプル
・ ・ が り当てられて 。 、 検査対象物から検査用の ( 査用 ) が人力されると、 検査対象 が正常 態であるか否 かを判定する。
別装置は、 に示すよ に、 信号 と、 特徴 ( ) 2と、 重み 理部3と、 学習時 ( 習時 ) と ( ) 5と、 ( と、 ( 7と、 ( ) 8と・ とを備えている。 なお、 検査対象 ( せず) は 主に回転機器を含む 置や設備などであるが、 上記には限定されない。
は、 検査対象 の 動を検出する振動センサ と、 検査対象物の音を 検出するマイウ ホン とを備えて る。 センサ は、 検出した 動を ナログ の 号に変換する。 センサ で変換された電気 、 時間に対する検査対象 の 動の 化を表わす の 号である。 マイクロ 1は 検出した音を の 号に変換する。 マイクロホン で変換された電気 、 時間に対する 検査対象物の音の変化を表わす の 号である。
2には、 である正常サンプル 異常サンプルとが学習 号 として人力される。 は 力された学習 ごとに、 学習 号に対し てノイズを除去する 理を行 。 その 、 特徴 は・ を用 て学習 号を短時間フーリエ 換し、 時間 ( 数の ) b 周波数 f の み合わせにお ける要素 F ( ) (b f の 合を特徴 として 出する。 サンプル の 号に対して、 特徴 によって 出された時間b・ 波数 f の F f の 合をサンプル データとする。 えば、 サンプル 、 時間 3・ 波数 f 2の ( (b f 表わされる。 は、 サンプ b・ 波数f の F b f を示し、 2は の Rd b) を示す。 Rd b は、 時間bを中心とした ウス窓である。
x ( ) は電気 号である。 )(b ) ㏄ t b x xP f
2
)2
R t b) ex 方、 検査 において、 特徴 には 振動センサ またはマイクロホン から検査対象 ( せず) の 態に基づ アナログの 号が検査用 号として人 力される。 査用 号が入力された ・ 2は、 学習時と同 、 検査用 号 を短時間フーリエ 換し、 時間b・ 波数 f の b f ) の 合を特徴 として 出する。 b 波数 f の (b f ) の 合を検査用チータとする。 えば、 時間b ・ 波数 f 5の b f 5 表わされる ( 、 理部3は、 学習時に ( ) ごとに重 W を設定 および 更する重み ( 更手段) 3 と、 重み 3 に対し て各学習 Ⅵ を変更するよ に指示する重み ( ) 3 とを備えて る。 W は、 サンプル の デ タの みを表している。 サンプル の みはW 表わされ、 サンプル
みはW ( 表わされる。
3 は、 各学習 ? W の 和 W が W ( ) ) になるよ に、 W を設定およ 更する。 学習 データの W の 、 等に設定される。 個の場合、 各学習
W は すべて に設定される。
3 後述のよ に 7によって D C ( ) が選択 されるごとに D C ) によって 判定された学習 データの W を 増加させ、 D C ) によって正し 定された学習 テータの Ⅵ を 減少させるよ に重み 3 に指示する。
習時 は、 時間b・ 波数f の み合わせごとに、 す ての チータか ら b 波数f の F ( ) (b f ) を取り出し、取り出した要素 F ( ) (b f を に並び える。 えられた要素 c)は、小さ ほ から順に、 F
・ ・・ 表わされる。 その 、 学習時 は、 F c を順に 設定しながら、 F ( 6とを 較する。 F ) が であれば・ 習時 は、 要素 F c) を含む
が正常サンプルであると判定する。 F ) が 上であれば、 学習時 は、 要素 c) を含む データの が異常サンプルであると判定する。 な お、学習時 は、要素 ) b f ) を ではな に並び えてもよい。
は、 す ての b・ 波数 f の み合わせに対して 3０ によって重 W が設定または変更されると、 6ごとに、 学習時 で誤判 定された学習 データの W ( の 和 W ( を誤判定率どとして 出する。 判定とは、 要素 F c) を含む が本来 サンプルであるのに異 常サンプル 判定したり、 上記 が本来 サンプルであるのに正常サンプル 判定 したりすることを 。 その 、 5 、 出した誤判定率どが ・ 5より大き 場 合、 (1 判定率 ) を新しい誤判定率どにする。
6は、 時間b・ 波数 f の み合わせごとに、 5で 出された誤 判定率Eが最小となるときの 定基準を適用して ( ) D C b f ) を作成する。 記の 定基準は 5で 出された誤判定率 が 5 下である場 合、 要素 が であれば、 要素 F を含む
が正常サンプルであると判定し、 要素 F c) が 6 上であれば、 上記の が 異常サンプルであると判定すると 内容である。 方、 5で 出された誤判定率 どが ・ より大き 、 (1 判定率e) が新し 誤判定率どになった場合、 上記の 定 基準は、 要素 F c) が d であれば、 要素 F ) を含む
が異常サンプルであると判定し、 要素 F c が 上であれ 、 上記の が正常サンフルであると判定するとい 内容である。
7は、 によって時間b 波数 f の み合わせごとに作 成された 数の D C f の中から、 判定率どが最小である D C (b f ) を識別 ( 査用 ) D C ) として選択する。 は、 D C ) を識別するための 号である。 えばD C ) は、 目に選択され た を表わして る。 7は 択した D C につ て、 D C ) の 判定率どを数3に代入して ) を算出し、 信頼 ( ) を に代入して ( ) ( ) 算出する。 7は W が設定または変更されるごとに ( を選択して き、 全部で 個の識 D C ( ) を選択する。 数の D C ) は 選択 に並んで、 記憶 7 に記憶さ れる。
3
(
2 ( exP
2によって検査用 号から抽出された要素 F b f ) を 6 比 較して 査対象 が正常 態であるか否かを判定する。 査対象 が正常 態であると D C ( ) が判定した場合、 検査 8は、 これまでの の Sに今 回の D C ) の ) を加えた値を新しい の Sとする。 査対象 が異常 態であると D C ) が判定した場合、 検査 8は、 こ れまでの の Sから今回の D C ) の ( ) を差し引 た値 を新し の Sとする。 8は、 すべての D C ) にお て上記の 定が行われた後、 信頼 の Sが 上である場合 査対象 が正常 態 であると最終判定する。 の Sが である場合、 検査 は、 検査対 象 が異常 態であると最終判定する。 8の 終判定 、 出力 に出 力される。
9は、 検査 8から最終判定 果が人力されると、 入力された最終判定 果に応じて警報 を鳴らしたり、 警告 面を表示したりする。 また、 出力 は、 外部 機器 ( せず) が接続されて る場合・ 終判定 果に応じた情報を外部機器に出力す ることも可能である。
次に、 本実施 態に係る信号 法について説明する。 まず、 学習 法につ て 2を用いて説明する。
初に、 正常サンプル 異常サンプルとを含む 個の学 ( サンプ ル) が特徴 2に入力される (S )。 サンプル は初期 に設定される (S )。その 、特徴 、学習 号を短時間フ リエ 換し、要素 ) (b 合である学習 抽出する ( 3)。 2は・すべて ( ) の 号から学習 データを抽出したか否かを判定する ( )。 ての 号か ら学習 データが 出されていない場合、 設定され (S5)、 ステップS3が 繰り返される。 す ての 号から学習 データが 出された場合、 重み
は 各学習 データの W を初期 に設定する (S6)。 その 、 が初期 に設定され (S7) bが初期 に設定され (S8 、 周波 数f が初期 に設定される S )
その 、 6が、 時間b・ 波数f の ( ) DEC b f を作成する (S 。 このとき・ D C b f )の 判定率Eが 出される。 その 、 7は、 今回の D C b f の 判定率どがこれまでの 判定率どの中で最小であるか否かを判定する (S 1 。 回の 判定率Eが最小である場 合 7は・ 回の DEC b f を識別 D C ( ) としたとき の ( ) を算出する (S )。 その 、 7は、 の D C ) を今回の DEC b に更新する (S )。 7は、 時間bにお て 波数f についてステップS からステップS の の ) が行われたか否かを判定する (S )。 bにお て 波数 f につ て 理が行われて な 場合・ f f 設定され (S 5)、 ステップS からステップ S が繰り返される。 bにおいて 波数 f につ て の 理が行われた場合、
7は、 すべての bについてステップS9からステップS の ( の ) が行われたか否かを判定する (S )。 す ての bにつ て の 理が 行われていない場合 b 設定され (S 7 ステップS9からステッ S が繰り返される。
すべての bにつ て の 行われた場合、 重み 3 は、 各学習 テータの Ⅵ ( ) を変更する (S 8)。 3 、 最終 新された DEC ) によって正し 定された学習 データに対して、 ( ) ) をかけて重みW ( を減少させるよ に、 重 に指示する。 方、 判定された学習 データに対しては、 ( ) で割って重みⅥ を増加させる よ に、 重み 3 重み 3 に指示する。
7は、 す て ( ) の D C ) が選択されたか否かを判定 する (S )。 すべての D C ) が選択されて ない場合、 設定 され (S2 )、 ステップ からステップS が繰り返される。 すべての D C ( ) が選択された場合、 学習を完了する。
いて、 上述の 法において、 ステップS における時間b・ 波数f の D C ( f の 法につ て を用 て説明する。
まず、 学習時 は 時間b・ 波数 f の み合わせごとに、 す ての チ ータの b f を に並び える S 。 えられた要素 ( ) は 小さ ほ から順に、 F ) F (1 ) ・・・ F となる。 その 、 学習時 は、 を初期 F ) に設定する (S22)。 習時 は、 における D C b f ) を作成する。 6における D C b f ) には、 F ) をそれぞれ 較し・ 満の F c) を含む テ タの を正常サンプル 判定し 上の要 ) を含む チ タの を異常サンプル 判定する判定基準が設定される (S2
その 、 は、 ステップS 3において、 判定された要素 ( ) を含む Ⅵ を用いて 判定率 Ⅵ を算出する (S )。 その 6は、 判定率どが 5より大きいか否かを判定する (S 5)。 判 定率どが 5より大き 場合、 6は 判定基準を逆にして、 (1 判定率 e を新しい誤判定率どとする ( )。 つまり、 6は 満の c) を含む を異常サンプル 判定し、 上の要 「 ( ) を含む データの を正常サンプル 判定するよ に判定基準を変更する。 または誤判定率どが ・ 5 下である場合、 6は、 今回の 判定率どがこれ までの中で最小であるか否 を判定する (S27)。 回の 判定率どが最小である場合、 は、 D C (b f の 定基準を更新する (S 8) その 、 6は、 す ての について処理 (ステップS 3からステ ップS ) が行われたか否かを判定する (S2 )。 す ての につ て処理が行わ れて ない場合、 c C に設定され (S3 )、 ステッ S からステップS28が 繰り返される。す ての について処理が行われた場合、 6は、時間b・ 波数f の D C (b f を確定する (S )。 定した D C ( f は、 最終 新された判定基準を有する。
次に、 本実施 態に係る信号 法の 査方法につ て を用 て説明する。 ま ず、 検査用 号が信号 から特徴 に入力される (S )。
は、 検査用 号を短時間フーリエ 換し、 要素 b f ) の 合である検査用チー タを抽出する (S )
8は、 信頼 の Sを初期 に設定し (S 3 、 を初 期 に設定する (S4 )。 その 、 検査 8は、 D C ) による検査 用データの 定を実施する (S 5)。 査対象 が正常 態であると D C ) で判定された場合 (S 、 検査 8は ( し の S) れまで の の S 回の識 DEC ) の ) とする (S 7) 査対象 が異常 態であると DEC ) で判定された場合 (S )、 検査 8は、 ( し の S) れまでの の S) 回の識 D C ) の ( )) とする (S 8)。 8は、 す ての D C ( ) にお て検査用データの 定が実施されたか否かを判定する (S )。すべての D C ) にお て検査用 定が実施されて な 場合、 定され (S5 )、 ステップS 5からステップS48が繰り返される。 す ての D C ( ) にお て検査用データの 定が実施された場合、 検査 8は 信頼 の Sが 上であるか否かを判定する (S5 。 の Sが 上である場合
8は、 検査対象 が正常 態であると最終判定する S5 )。 の Sが である場合・ は、 検査対象 が異常 態であると最終判定する (S53 。 の 終判定 、 出力 に出力される。
上、 本実施 態によれば、 判定率どが最小となる D C f を識別 D C ( ) として選択するときに、 前回選択した D C ) によって 判定 された学習 W を増加させ、 前回選択した D C ( ) によっ て正常 定された学習 テータの W を減少させるよ に変更 、 重 Ⅵ が設定または変更されるごとに D C ( を選択することによって・ 門知識が な ても学習時に最適な設定を自動で行 ことができる。 特に それぞれ 別に算出され た の の きさを考慮して、 検査対象 が正常 態であるか否かを最終判定 することができる。
また 本実施 態によれば、 検査 にお て、 D C ) の 果を統 合するだけでよ ので、 ーラルネットワークを用 た場合に比 て・ 間を短縮 することができる。
さらに、 本実施 態によれば、 学習時 にお て、 F c) を順に に設定することによって、 各学習 が正常サンプルであるか サン プルであるかを容易に判定することができるので、 判定率どを短時間で 出することが できる。
ところで、 従来の 別装置は 特徴 を抽出する際に、 複数の フィル から、 検査に適した特徴 フィル を自動選択するため、 使用が 定される特徴 フィル をす て事前に用意する必要がある。 しかしながら、 検査対象 バリエー は今後 て るであろ ものも含めて無数にあるため、 使用が 定される特徴 フィル をすべて事前に用意することは難し 。 また 数の フィル を 用意したとしても、 フィル が持つ パラメータの 合わせをすべて 索して最適 定の ラメ タの 合わせを選択するのに、 膨大な処理 間が必要であ る。
方、 本実施 態によれば 時間フ リエ 換に、 の 徴がす て まれ、 その中から 要な要素 F ( (b f のみを用いた判定基準を持つ D C ) を構成するので、 複数の フィル を 備する必要がない。 その 果、 従来の 別装置に比 て、 必要メモ 量を縮小することができる。 また、 本実施 態によれば 囲が短時間フ リエ の に限られるので、 従来の 別装置に比 て、 学習時間を短縮することができ、 プログラムサイズを縮小することがで きる。 ( 2
2に係る信号 別装置は、 電気 号を短時間フ リエ 換するのではな 、 連続ウェーブレット 換する点で、 実施 に係る信号 別装置 相違する。
実施 態の は、 正常サンプル 異常サンプルとを含む ご とに、 学習 号に対してノイズを除去する 理を行った後 数5 を用いて学習 号を連続ウェーフレット 換し、 時間 ラメ タ aの 合わせにおける要素 Y ( b a の 合を特徴 として 出する。 5は、 サンプル ・ b・パラ メータ aの Y b a を示し、 6は、 5の ウェ フレットⅤ ( ) を示す。 x ) は電気 号である。
Y b Ⅴ 2
。 p exp(
2
方、 検査 にお ても、 特徴 2は、 学習時と同様に、 検査用 号を連続ウ ェーフレット 換し、 時間b・パラメータ aの Y (b a) の 合である検査用デ ータを抽出する。
次に、 本実施 態に係る信号 法について説明する。 まず、 学習 法につ て 5を用 て説明する。
初に、 正常サンプル 異常サンプルとを含む 個の学 号が特徴 に 人力される (S 。 サンプル 初期 に設定される (S62)。 その 、 特徴 は、 学習 号を連続ウェーブレット 換し、 要素 Y ) b a) の 合 である学習 抽出する ( )。 は・す て ( の 号から学習 抽出したか否かを判定する ( )。 す ての 号から学習 チータが 出されて な 場合、 設定され (S 5)、 ステップS 3が繰 り返される。 す ての 号から学習 チータが 出された場合、 重 3 は、 各学習 テータの W を初期 ) に設定する S )。 その 、 が初期 に設定され (S 7)、 時間bが初期 に設定され (S6 ) ラメータ aが初期 に設定される (S6 )
その ・ 6が、 時間b・パラメータ aのときの ( ) D C (b a) を作成する (S7 )。 このとき・ D C b a) の 判定率ど が 出される。 その 、 7は、 今回の D C b a) の 判定率E がこれまでの 判定率eの中で最小であるか否かを判定する (S7 。 回の 判定率 最小である場合、 7は、今回の D C b a を識別 D C ) としたときの ( ) を算出する (S72)。 その 7は
の D C ) を今回の D C b a) に更新する (S73)。
7は、 時間bにおいてす ての ラメータ aにつ てステップS7 からステップ S73の ( の ) が行われたか否かを判定する (S7 )。 bにお てす ての ラメータ aにつ て 3の 理が行われて な 場合、 a a 設定され (S 75)、 ステッ S7 からステップS73が繰り返される。 にお てす ての ラ メータ aにつ て 3の 理が行われた場合、 すべての bにつ てステッ S からステップS7 の ( の が行われたか否かを判定する (S7 )。 す ての bにつ て 4の 理が行われて な 場合、 b b 設定 され (S 7) ステップS6 らステップS7 が繰り返される。
す ての bについて の 理が行われた場合、 重み は 各学習 Ⅵ を変更する (S78)。 3 、 最終 新された DEC ) によって正し 定された学習 データに対して、 ( ) ( ) をかけて重 Ⅵ を減少させるよ に、 重み 3 に指示する。 方、 判定された学習 デ タに対しては ( で割って重みⅥ ( を増加させる よ に、 重み 重 3 に指示する。
7は、 す て ( ) の DEC ) が選択されたか否かを判定 する (S7 )。 す ての D C ) が選択されて ない場合、 設定 され (S )、 ステップS 8からステップS78が繰り返される。 す ての D C ( が選択された場合、 学習を完了する。
て、 上述した学習 法にお て、 ステップS7 における時間b・パラメータ a の D C b a) の 法について を用 て説明する。
まず、 学習時 は、 時間b・パラメ タ aの み合わせごとに、 す ての チータの Y ) ( a) を に並び える (S2 )。 えられた要素 Y ) は さ ほ から順に、 Y ) Y ( ・ ・ Y となる。 そ の 、 学習時 は、 を初期 Y ) に設定する (S 。 習時 は、 における D C (b a)を作成する。 6における D C (b a) には Y c) をそれぞれ 較し、 満の Y c) を 含む チータの を正常サンプル 判定し、 上の要 Y ) を含む デ タの を異常サンプル 判定する判定基準が設定される (S 3) その ・ は、 ステップS 3において、 判定された要素 Y ( ) を含む データの W を用いて 判定率 Ⅵ ( を算出する (S2 )。 その 、 は、 判定率どが 5より大き か否かを判定する (S 5)。 判 定率EがO 5より大き 場合 6は、 判定基準を逆にして、 ( 判定率 E) を新しい誤判定率Eとする (S 6)。 つまり、 6は 満の 2 Y ( ) を含む データの を異常サンプル 判定し、 上の要 Y (c) を含む データの を正常サンプル 判定するよ に判定基準を変更する。 その または誤判定率どが ・ 5 下である場合、 6は、 今回の 判定率e がこれまでの中で最小であるか否かを判定する (S27)。 回の 判定率どが最小である 場合、 6は、 D C b a の 定基準を更新する (S28
その ・ 6は、 す ての について処理 (ステップS 3からステ ップS 8) が行われたか否かを判定する (S2 。 す ての につ て処理が行わ れていな 場合、 C に設定され (S )、 ステップS からステップS が 繰り返される。す ての について処理が行われた場合、 は ・ パラメータ aのときの D C b a を確定する (S3 。 定した D C (b a) は、 最終 新された判定基準を有する。
次に、 本実施 態に係る信号 法の 査方法について を用 て説明する。 ま ず・ 査用 号が信号 から特徴 に入力される ( 1 。
2は、 検査用 号を連続ウェーフレット 換し、 要素 Y b ) の 合である検査用 データを抽出する (S )。 その後の動作については、 実施 同様である (S ～S53
上、 本実施 態によれ 、 連続ウェ ブレット 換に、 の 徴がす て まれ、 その中から 要な要素 Y ( b a) のみを用いた判定基準を持つ D C ) を構成するので、 複数の フィル を 備する必要がな 。 そ の 果、 従来の 別装置に比 て 必要メモ 量を縮小することができる。 また、 本 実施 態によれば、 囲が連続ウ ーブレット の に限られるので、 従来 の 別装置に比 て、 学習時間を短縮することができ、 プログラムサイズを縮小する ことができる。
上、 面を参照しながら 明の 適な実施 態につ て説明したが、 る例に限定されな 。 業者であれば、 特許 求の 囲に記載された にお て、 各種の 修正 し得ることは明らかであり、 それらにつ ても当然に本 明の 術的 囲に属するものと 解される。

Claims

求の
それぞれ 査対象 の 態を識別する複数の を備える信号 別装置を用 て、 の 定基準を設定する学習と、 前記 査対象 の 態に基づ 検査用デ タを の 定基準に照合して 査対象 の 態を識別する検査とを行 信号 法で あって、
学習時において、
正常 号と異常 号とを含む 数の の 号が人力され 各学習 の 号 から、 定された 法を用いて特徴 を抽出し・ を学習 チータとし、 前記 ごとに重みを設定または変更 、
定された ごとに、 各学習 データの 囲の 値を順に に設 定し、 と前記 との H係を比較することによって 判定基準を変更しなが ら各学習 デ タの 囲の の 定基準 の 合を行 、 各学習
である学習 の 号が正常 号であるか否 を判定し・
学習 データの みが設定または変更されると、 前記 定基準ごとに、 判定さ れた前記 デ タの みの 和を誤判定率として 出し
前記 ごとに、 前記 判定率が最小となるときの 定基準を適用して 補 を作成し、
前記 みが設定または変更されるごとに、 前記 ごとに作成された 補の 中から前記 判定率が最小である 補を前記 として選択し ごと に前記 判定率を用 て を算出し・ が選択されるごとに、 に よって 判定された前記 データの を増加させ、
検査 において、
前記 査対象 の 態を表わす 査用の 号が入力され 査用の 号か ら前記 法を用 て特徴 を抽出し、 を前記 査用デ タとし、
前記 別条件を決定する にお て、 前記 査用 前記 の 定基準 に照合して、 前記 査対象 が正常 態であるか否かを判定し、 前記 査対象 が正常 態であると判定した の の 和が、 前記 査対象 が異常 態であると判定し た の の 上である場合・ 査対象 が正常 態であると最終判定す る
ことを特徴とする信号 。 の であることを特徴とする 載の 。 3
学習 デ タの 囲の を昇 または に並 、 並び えた 値を順に に設定することを特徴とする 載の 。 出方法は、 短時間フーリエ 換であることを特徴とする 1 載の 。
5
、 連続ウェーブレット 換であることを特徴とする 載の 。
6
それぞれ 査対象 の 態を識別する複数の を備え、 の 定基準を設定 する学習と、 前記 査対象 の 態に基づ 検査用 の 定基準に照合し て 査対象 の 態を識別する検査とを行 信号 別装置であって、
学習時に正常 号と異常 号とを含む 数の の 号が入力され、 検査 に前 記 査対象 の 態を表わす 査用の 号が入力され、 号から、 定 された 法を用いて特徴 を抽出する特徴 段と、
前記 段で各学習 の 号から された特徴 をそれぞれ デ タとし ごとに重みを設定または変更する重み 更手段と 学習時に、 定された ごとに、 各学習 データの 囲の 値を順 に に設定し、 と前記 との M係を比較することによって、 判定基準を 変更しながら各学習 データの 囲の の 定基準 の 合を行い、 各 学習 テ タの である学習 の 号が正常 号であるか否かを判定する学習時 段と、
前記 更手段によって各学習 みが設定または変更されると、 前記 定基準ごとに、 前記 習時 段によって 判定された前記 データの の 和を誤判定率として 出する 段と、
前記 ごとに、 前記 段で 出された前記 判定率が最小となるときの 定 基準を適用して 補を作成する 段と、
前記 みが設定または変更されるごとに、 前記 段によって前記 ご とに作成された 補の中から前記 判定率が最小である 補を前記 と して選択し、 前記 ごとに前記 判定率を用 て を算出する 段と、 前記 段によって前記 が選択されるごとに、 によって 判 定された前記 みを増加させるよ に前記 更手段に指示す る重 段と、
検査 、 前記 段で前記 査用の 号から抽出された特徴 を前記 査用データとし、 前記 別条件を決定する にお て、 前記 査用 前記 の 定基準に照合して、 前記 査対象 が正常 態であるか否かを判定し 前記 査 対象 が正常 態であると判定した の の 和が 前記 査対象 が異常 態 であると判定した の の 上である場合、 前記 査対象 が正常 態であ ると最終判定する検査 段と
を備えることを特徴とする信号 別装置。
7
学習 囲の を昇 または に並び 並び えた 値を順に に設定することを特徴とする 6 載の信 別装置。
6
PCT/IB2010/000579 2009-03-26 2010-03-18 信号識別方法および信号識別装置 WO2010116222A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2010800120253A CN102362282A (zh) 2009-03-26 2010-03-18 信号识别方法及信号识别装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009-077688 2009-03-26
JP2009077688A JP2010231455A (ja) 2009-03-26 2009-03-26 信号識別方法および信号識別装置

Publications (1)

Publication Number Publication Date
WO2010116222A1 true WO2010116222A1 (ja) 2010-10-14

Family

ID=42935684

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2010/000579 WO2010116222A1 (ja) 2009-03-26 2010-03-18 信号識別方法および信号識別装置

Country Status (4)

Country Link
JP (1) JP2010231455A (ja)
KR (1) KR20110122748A (ja)
CN (1) CN102362282A (ja)
WO (1) WO2010116222A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101804051B1 (ko) * 2016-05-17 2017-12-01 유광룡 대상체 검사를 위한 센터링장치
JP6970694B2 (ja) * 2017-01-27 2021-11-24 株式会社 エニイワイヤ 状態判定システム
JP6924413B2 (ja) * 2017-12-25 2021-08-25 オムロン株式会社 データ生成装置、データ生成方法及びデータ生成プログラム
JP6844564B2 (ja) * 2018-03-14 2021-03-17 オムロン株式会社 検査システム、識別システム、及び学習データ生成装置
CN108836574A (zh) * 2018-06-20 2018-11-20 广州智能装备研究院有限公司 一种利用颈部振动的人工智能发声系统及其发声方法
JP7175216B2 (ja) * 2019-02-15 2022-11-18 ルネサスエレクトロニクス株式会社 異常検知装置、異常検知システム、異常検知方法
JP2020201143A (ja) * 2019-06-11 2020-12-17 株式会社日立製作所 自動点検システム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006154961A (ja) * 2004-11-25 2006-06-15 Sumitomo Electric Ind Ltd 交通音識別装置、コンピュータを交通音識別装置として機能させるための交通音判定プログラム、記録媒体および交通音判定方法
JP2008065544A (ja) * 2006-09-06 2008-03-21 Toshiba Corp 識別器及びその方法
JP2008217589A (ja) * 2007-03-06 2008-09-18 Toshiba Corp 学習装置及びパターン認識装置
JP2008250908A (ja) * 2007-03-30 2008-10-16 Toshiba Corp 映像判別方法および映像判別装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3340357B2 (ja) * 1997-08-25 2002-11-05 三菱電機株式会社 情報処理装置管理システム及び情報処理装置管理方法
JP2004234175A (ja) * 2003-01-29 2004-08-19 Matsushita Electric Ind Co Ltd コンテンツ検索装置およびそのプログラム
JP2006031387A (ja) * 2004-07-15 2006-02-02 Yamaha Motor Co Ltd 画像認識装置、画像認識方法、画像認識プログラムおよび画像認識プログラムを記録した記録媒体

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006154961A (ja) * 2004-11-25 2006-06-15 Sumitomo Electric Ind Ltd 交通音識別装置、コンピュータを交通音識別装置として機能させるための交通音判定プログラム、記録媒体および交通音判定方法
JP2008065544A (ja) * 2006-09-06 2008-03-21 Toshiba Corp 識別器及びその方法
JP2008217589A (ja) * 2007-03-06 2008-09-18 Toshiba Corp 学習装置及びパターン認識装置
JP2008250908A (ja) * 2007-03-30 2008-10-16 Toshiba Corp 映像判別方法および映像判別装置

Also Published As

Publication number Publication date
KR20110122748A (ko) 2011-11-10
CN102362282A (zh) 2012-02-22
JP2010231455A (ja) 2010-10-14

Similar Documents

Publication Publication Date Title
WO2010116222A1 (ja) 信号識別方法および信号識別装置
KR101493552B1 (ko) 신호판정방법, 신호판정장치, 프로그램, 신호판정시스템
KR101075824B1 (ko) 신호 식별 장치용 학습 데이터 세트 최적화 방법 및 학습 데이터 세트를 최적화할 수 있는 신호 식별 장치
CN111914883A (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN114155879B (zh) 一种利用时频融合补偿异常感知及稳定性的异音检测方法
KR20200092143A (ko) 딥러닝 신경망을 이용한 디스플레이 패널 불량 진단 시스템 및 방법
US5860062A (en) Speech recognition apparatus and speech recognition method
CN111178548A (zh) 集成学习预测方法与系统
CN110992985A (zh) 识别跑步机异音的识别模型确定方法、识别方法、系统
CN111277459A (zh) 一种设备异常检测方法、装置和机器可读存储介质
CN109240276B (zh) 基于故障敏感主元选择的多块pca故障监测方法
CN108470194B (zh) 一种特征筛选方法及装置
CN108829878A (zh) 一种工业实验数据异常点检测方法及装置
Renouard et al. Toward false event detection and quarry blast versus earthquake discrimination in an operational setting using semiautomated machine learning
TW202111352A (zh) 地震觀測裝置、地震觀測方法以及記錄地震觀測程式的記錄媒體
JP3778177B2 (ja) 物体検査装置
CN110910900B (zh) 音质异常数据检测方法、装置、电子设备及存储介质
CN109829479A (zh) 一种用于传感器的分类器模型信息自动更新系统及传感器更换方法
US20220171984A1 (en) Determination difference display apparatus, determination difference display method, and computer readable medium storing program
KR101983603B1 (ko) 증강현실을 활용한 원자력 발전설비의 기계학습식 예측진단장치
EP3913383B1 (en) Method and system for detecting anomalies in a spectrogram, spectrum or signal
JP2020030138A (ja) 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
JP5134605B2 (ja) 信号識別装置
CN112782365A (zh) 一种基于多级分类器的混合气体识别方法
CN113240156A (zh) 一种架空输电线路舞动状态在线预测方法及系统

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201080012025.3

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10761242

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20117022207

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 10761242

Country of ref document: EP

Kind code of ref document: A1