WO2016117358A1 - 検査データ処理装置および検査データ処理方法 - Google Patents

検査データ処理装置および検査データ処理方法 Download PDF

Info

Publication number
WO2016117358A1
WO2016117358A1 PCT/JP2016/050255 JP2016050255W WO2016117358A1 WO 2016117358 A1 WO2016117358 A1 WO 2016117358A1 JP 2016050255 W JP2016050255 W JP 2016050255W WO 2016117358 A1 WO2016117358 A1 WO 2016117358A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
abnormal
feature amount
product
unit
Prior art date
Application number
PCT/JP2016/050255
Other languages
English (en)
French (fr)
Inventor
執行　和浩
中川　隆文
智 中田
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2016570557A priority Critical patent/JP6359123B2/ja
Priority to CN201680004993.7A priority patent/CN107110743B/zh
Publication of WO2016117358A1 publication Critical patent/WO2016117358A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • the present invention relates to an inspection data processing apparatus and an inspection data processing method, and in particular, an inspection data processing method and an inspection for determining whether or not a subject is normal or abnormal based on inspection data measured from the subject.
  • the present invention relates to a data processing apparatus.
  • acoustic inspection is performed to distinguish between normal and abnormal products. In acoustic inspection, high discrimination accuracy is desired.
  • normality / abnormality has been determined mainly by inspecting noise with the ears of a person (inspector).
  • a sensory test using the examiner's ear has been essential.
  • the discrimination criteria for each inspector vary. Further, even for the same inspector, the criterion for determination varies depending on the physical condition at the time of the inspection.
  • Patent Document 1 Japanese Patent Laid-Open No. 2000-172291
  • Patent Document 2 Japanese Patent Laid-Open No. 2002-189493
  • the speech recognition performance is improved by correcting the frequency spectrum of the speaker's voice using the learned feature-specific pattern.
  • a discrimination method using Mahalanobis distance as an index which is one of pattern recognition techniques, is proposed as a method for quantitatively discriminating an abnormality based on a data group of normal products.
  • Patent Document 3 Japanese Patent Application Laid-Open No. 2003-310564
  • a plurality of feature amounts are extracted from the time-series data of the electroencephalogram.
  • the Mahalanobis distance calculated from the reference data space calculated using the reference learning data and the extracted feature quantity of the discrimination target is used as the separation index.
  • Patent Document 4 Japanese Patent Application Laid-Open No. 2004-198383
  • the sound feature amount of a group of collision sounds is defined as a reference space for each cause of occurrence
  • the separation degree of the discrimination target of each group is the Mahalanobis distance. To be evaluated. Thereby, the cause of sound generation is estimated.
  • the above reference space is calculated by inverse matrix calculation.
  • the correlation coefficient between data is large in acoustic data or image data, a problem of multicollinearity occurs, and as a result, it becomes difficult to perform normal inverse matrix calculation.
  • Patent Document 5 Japanese Patent Laid-Open No. 2012-093423
  • the inverse matrix calculation is avoided by aggregating the feature amounts into the average value, the sensitivity, and the standard SN ratio. Based on the calculated Mahalanobis distance, discrimination regarding pattern recognition is performed.
  • Patent Document 3 generates a reference data space for discrimination based on normal electroencephalogram data in order to discriminate between normal / abnormal EEG based on Mahalanobis distance. According to this method, the data variation is smaller when the normal data group is the reference than when the abnormal data group is the reference, and the normal / abnormal separation degree can be improved.
  • Patent Document 4 does not propose a method for making the reference space data based on the normal sound wave data more uniform, it is difficult to improve the degree of separation based on the reference space data.
  • the present invention has been made to solve the above-described problems, and an object of the present invention is to perform inspection data processing that can determine with high accuracy whether the inspection object is a normal product or an abnormal product.
  • An apparatus and an inspection data processing method are provided.
  • the inspection data processing apparatus extracts a plurality of data at random from a data group including a predetermined number of data indicating a feature quantity of a normal product, and represents a representative feature representing a feature quantity indicated by the extracted plurality of data
  • the process of calculating the amount is repeatedly performed by the predetermined number, and a reference space is generated from a data group including a predetermined number of data indicating the representative feature amount calculated by the predetermined number of repeated executions. Then, based on the magnitude of the distance between the generated reference space and the data indicating the feature quantity of the inspection object, it is determined whether the inspection object is a normal product or an abnormal product.
  • the reference space is generated from the data group including the predetermined number of data indicating the representative feature amount of the normal product, so that the data in the reference space indicates a homogeneous feature amount.
  • FIG. 10 is a diagram illustrating an experimental result for comparison according to a third embodiment.
  • FIG. 10 is a diagram illustrating an example of a hierarchical structure according to a fourth embodiment. It is a figure which shows an example of the experimental result which concerns on Embodiment 4.
  • FIG. It is a figure which shows an example of SN ratio (signal-to-noise ratio) with respect to each feature-value concerning this Embodiment 5.
  • FIG. 18 is a flowchart of overall processing according to Embodiment 7.
  • a product such as a machine or an electric device is exemplified as an inspection target, but the inspection target is not limited to this. Further, the product to be inspected corresponds to a discrimination product that is a discrimination target of a normal product or an abnormal product.
  • the determination is performed using time-series data generated by sampling a sound signal from the inspection target at predetermined time intervals.
  • the time series data is exemplified as data indicating the time change and frequency change of the level (amplitude etc.) of the sound waveform, but is not limited to the data, and the time change and frequency of the level of the vibration waveform generated from the inspection object It may be data indicating a change.
  • a normal product can be determined to be normal in an inspection of sound generated from the product based on human hearing.
  • the abnormal product can be determined as abnormal in the inspection of the sound generated from the product by human hearing.
  • the generated sound includes, for example, abnormal noise due to contact with mechanical parts or contact noise due to axial displacement of the rotating body
  • the product is determined to be an abnormal product, that is, a nonconforming product.
  • the inspection data processing apparatus randomly extracts a plurality of data from a data group including a predetermined number (for example, 1000) of data indicating the feature quantity of a normal product, and the extracted plurality of data is The process of calculating the representative feature value representing the feature value to be shown is repeatedly performed by the predetermined number of times.
  • the inspection data processing device generates a reference space from a data group including a predetermined number of data indicating the representative feature amount calculated by performing the predetermined number of repetitions. Then, the inspection data processing device determines whether the inspection target is a normal product or an abnormal product based on the magnitude of the Mahalanobis distance between the generated reference space and data indicating the feature value of the inspection target. .
  • FIG. 1 is a diagram showing a hardware configuration of an inspection data processing apparatus 50 according to an embodiment of the present invention.
  • the inspection data processing device 50 has a configuration corresponding to a computer.
  • the inspection data processing device 50 includes a CPU (Central Processing Unit) 51 corresponding to an information processing unit, a main storage device 52 including a ROM (Read Only Memory), a RAM (Random Access Memory), and the like, an HDD (Hard An auxiliary storage device 53 such as a disk drive), an input device 54 such as a keyboard or a mouse, an output device 55 such as a display or printer, and a communication device 56 for communicating with an external device (not shown), a memory driver 57, and An external I / F (abbreviation of Interface) unit 58 is provided.
  • a CPU Central Processing Unit
  • main storage device 52 including a ROM (Read Only Memory), a RAM (Random Access Memory), and the like
  • an HDD Hard An auxiliary storage device 53 such as a disk drive
  • an input device 54 such
  • the external I / F unit 58 receives input of signals from the sensors 1A and 1B.
  • the sensors 1 ⁇ / b> A and 1 ⁇ / b> B measure sound from a machine or electric device (not shown) to be inspected and output a measured signal (sound wave signal) to the external I / F unit 58.
  • a memory card 59 as a storage medium is detachably attached to the memory driver 57.
  • the memory driver 57 writes data to the loaded memory card 59 or reads data from the memory card 59 under the control of the CPU 51.
  • FIG. 2 is a diagram showing a functional configuration of the inspection data processing apparatus 50 according to the embodiment of the present invention.
  • the inspection data processing device 50 measures time series data by processing a measurement signal from the measurement unit 1 that measures sound generated from a machine or electrical device (not shown) to be inspected, and the measurement unit 1.
  • the discrimination processing unit 20 includes a feature amount extraction unit 3, a distance calculation unit 5, a normal / abnormality discrimination unit 6, an abnormal product extraction unit 7, a hierarchical clustering analysis unit 8, and a factor analysis unit 9. Details of these parts will be described later.
  • the signal processing unit 2 and the discrimination processing unit 20 are each realized by a program executed by the CPU 51 or a combination of a program and a circuit.
  • the information storage unit 10 corresponds to the storage area of the auxiliary storage device 53 or the memory card 59 of FIG.
  • FIG. 3 is a diagram illustrating an example of data stored in the information storage unit 10 of FIG.
  • information storage unit 10 includes regions E1 to E8.
  • the area E1 stores a discriminant product feature amount group 11 composed of feature amounts of a plurality of discriminant product data described later.
  • the area E2 stores a normal product feature value group 12 including feature values of a plurality of normal product data described later.
  • the area E3 stores reference space data 13 indicating the reference space.
  • the area E4 stores an abnormal product feature amount group 14 including the feature amounts of the abnormal product data determined based on the distance.
  • the area E5 stores a mode-specific feature value group 15 including feature values of abnormal product data for each abnormal mode described later.
  • the area E6 stores feature quantity identification data 16 for identifying effective feature quantities for each abnormal mode.
  • the area E7 stores an unclassified data group 17 including unclassified data 8a that is not classified into any abnormal mode.
  • the area E8 stores abnormality factor data 18. Details of the data in each area will be described later.
  • the measurement unit 1 measures the sound from the sensor 1A that measures the sound from the machine or electrical device that has been classified as a normal product in advance, and the machine or electrical device that is the inspection target (that is, the discrimination product) Sensor 1B.
  • the sensors 1A and 1B include an acceleration pickup, for example, and have the same measurement function.
  • the signal processing unit 2 processes the measurement signal from the sensor 1A, processes the measurement signal from the sensor 1B, the signal processing unit 2A that outputs time-series data (hereinafter referred to as normal product data) based on the processing result, And a signal processing unit 2B that outputs time-series data (hereinafter referred to as discriminant product data) based on the processing result.
  • Each of the signal processing units 2A and 2B includes a filter circuit, an analog / digital conversion circuit, a sampling circuit, and the like, and performs similar signal processing.
  • the feature amount extraction unit 3 extracts a feature amount from the feature amount extraction unit 3A that extracts the feature amount from the normal product data representing the normal product from the signal processing unit 2A, and the feature amount from the discrimination product data from the signal processing unit 2B.
  • An extraction unit 3B is included.
  • the feature quantity extraction units 3A and 3B perform the same feature extraction process.
  • the feature quantity extraction unit 3 includes an AR (Autoregressive) estimation unit 3C and an A characteristic correction unit 3D in order to more appropriately extract the feature quantity.
  • the feature amount extraction unit 3A stores the feature amount extracted from each normal product data in the region E2
  • the feature amount extraction unit 3B stores the feature amount extracted from each discriminated product data in the region E1.
  • the inspection data processing device 50 further includes a reference space generation unit 4.
  • the reference space generation unit 4 generates reference space data 13 indicating the reference space based on the normal product feature amount group 12 stored in the region E2, and stores the reference space data 13 in the region E3.
  • the distance calculation unit 5 calculates a distance (a Mahalanobis distance, which will be described later) between the feature amount of the discriminated product data and the reference space indicated by the reference space data 13.
  • the normal / abnormal discriminator 6 discriminates whether the discriminating product of the discriminating product data is a normal product or an abnormal product based on the calculated distance.
  • the abnormal product extraction unit 7 stores, in the region E4, the abnormal product feature amount 7a indicating the feature amount of the determined product data determined as the abnormal product among the determined product data determined by the normal / abnormal determination unit 6.
  • the hierarchical clustering analysis unit 8 performs a hierarchical cluster analysis in order to classify each abnormal product feature 7a included in the abnormal product feature group 14 stored in the region E4 into a plurality of abnormal modes.
  • the factor analysis unit 9 analyzes the cause (cause) of the abnormality for each abnormality mode.
  • the hierarchical clustering analysis unit 8 stores the abnormal product feature quantity that is not classified into any abnormal mode in the abnormal product feature quantity group 14 as the unclassified data 8a in the region E8.
  • the factor analysis unit 9 feeds back or outputs the analysis result of the factor to the hierarchical clustering analysis unit 8.
  • the senor, the signal processing unit, and the feature amount extraction unit are individually provided for the normal product and the discriminating product, but these may be configured to be shared for the normal product and the discriminating product. .
  • the inspection data processing apparatus 50 determines normality / abnormality of a determination product based on a Mahalanobis distance D (hereinafter also simply referred to as a distance D) according to an MTS (Mahalanobis Taguchi system) method.
  • the MTS method is a method proposed by Dr. Genichi Taguchi as a pattern recognition method, which has a large number of features that can be handled compared to other pattern recognition methods (such as neural networks) and has high recognition accuracy. It is a method that can be realized.
  • the MT (Mahalanobis Taguchi) method is used.
  • the distance D is calculated using a generalized inverse matrix A based on the correlation coefficient matrix R calculated from the feature amount of normal product data constituting the reference space.
  • the generalized inverse matrix is also called a general inverse matrix, Moore-Penrose inverse matrix, or pseudo-inverse matrix, but here it is unified with the name of “generalized inverse matrix”.
  • the reference space is generated based on time-series data of normal products classified in advance by a human auditory test.
  • Sensor 1A measures sound from a normal product with an acceleration pickup from a normal product and outputs a sound wave signal.
  • the signal processing unit 2A filters the sound wave signal from the sensor 1A, and converts the sound wave signal after the filter process into normal product data (time-series data representing a waveform) that is digital data.
  • the number of obtained normal product data is, for example, 1000, and the normal product data is stored in the area E2.
  • the feature quantity extraction unit 3A converts normal product data from the signal processing unit 2A into spectral density data by AR estimation (described later) by the AR estimation unit 3C.
  • the spectral density data represents the spectral density for each frequency component.
  • the feature quantity extraction unit 3A calculates 1000 pieces of spectral density data (feature quantities) by averaging the spectral density every 10 Hz for the spectral density data. In this way, 1000 feature values are extracted for each of 1000 normal product data. In extracting the feature amount, processing by an A characteristic correction unit 3D described later may be performed.
  • the reference space generation unit 4 stores the feature amount for 1000 normal product data output from the feature amount extraction unit 3A in the area E3 of the information storage unit 10. As a result, the reference space data 13 is stored in the area E3.
  • FIG. 4 is a diagram showing an example of time-series data obtained in the measurement of the device to be inspected.
  • FIG. 4 shows time series data measured continuously for 5 seconds at a sampling rate of 100 kHz.
  • the feature quantity extraction unit 3 cuts out data for 1 second as a continuous part from the time series data of FIG. That is, a data set composed of five time-series data is obtained from the five-second time-series data.
  • FIG. 5 is a diagram illustrating an example of time-series data for 1 second cut out from FIG. 4.
  • the feature amount extraction unit 3 executes a calculation process for spectrum estimation by the AR estimation unit 3C in order to extract a feature amount from the time series data.
  • the autoregressive model is a method related to time series prediction for predicting future values from past series values. Specifically, the AR estimation unit 3C calculates a predicted waveform (time series data) according to the following procedure.
  • AR estimation unit 3C estimates parameters ai, ⁇ , and average value M, and estimates time-series data from the autoregressive model.
  • FIG. 6 is a diagram illustrating an example of time-series data estimated from the time-series data in FIG. 5 using an autoregressive model.
  • the spectral density is estimated by applying an autoregressive model to the time series data.
  • a data set of feature quantities (spectral density) for frequency components obtained by estimation is used for normal / abnormal discrimination.
  • the graph shape of the time-series data becomes smoother than when the spectrum is obtained by FFT processing (see FIG. 6), and an effective feature amount can be obtained without being buried in the noise component.
  • FIG. 7 is a diagram illustrating a result of performing FFT processing on time-series data.
  • the horizontal axis represents frequency
  • the vertical axis represents voltage signal strength (unit: V 2 ).
  • FIG. 8 is a diagram illustrating a result of estimating spectral density of time series data using an autoregressive model. The horizontal axis of FIG. 8 indicates the frequency as in FIG. 7, and the vertical axis indicates the spectral density (unit: V / Hz) indicated by the voltage.
  • the spectral density is calculated using the autoregressive model, so that the time series data in FIG. 6 can be made to coincide well with the original time series data in FIG. Therefore, for the time series data, the data of FIG. 7 obtained by simply FFT processing the spectrum intensity, and the time series data of FIG. 8 showing the spectral density estimated from the autoregressive model of the same time series data are obtained. In comparison, it can be seen that the time series data in FIG. 8 excludes fine temporal fluctuations for each frequency.
  • time-series data in which the spectral density is estimated using the autoregressive model as described above is more time-sensitive than the time-series data (see FIG. 7) acquired by the FFT process.
  • the CPU 51 derives a generalized inverse matrix A used for calculating the distance D from the reference space data 13. Specifically, first, the CPU 51 calculates a correlation coefficient matrix R shown in the following (Equation 2) based on the reference space data 13 of the information storage unit 10.
  • the element r ij of the correlation coefficient matrix R is the correlation between the i-th item and the j-th item of data indicating the feature quantity of normal product data (hereinafter referred to as unit data) as shown in (Equation 3). Is a number. That is, the coefficient represents the correlation between the i-th feature value and the j-th feature value among 1000 feature values (spectral density) included in the unit data.
  • the CPU 51 calculates the eigenvalue ⁇ by the following (Equation 4), and arranges ⁇ 1 , ⁇ 2 , ⁇ 3 ,... ⁇ k ⁇ 0 in descending order of the calculated value. Based on this arrangement, the singular value matrix ⁇ is calculated by (Equation 5).
  • the CPU 51 calculates an eigenvector for ⁇ 1 ( ⁇ 1 in (Equation 6) is not a singular value taking a square root). That is, the vector of (Expression 7) is calculated based on (Expression 6).
  • the CPU 51 calculates an eigenvector matrix W shown in (Equation 8) from these calculated eigenvectors.
  • the CPU 51 calculates a generalized inverse matrix A based on (Equation 10) using the calculated eigenvector matrix W, singular value matrix ⁇ , and matrix V.
  • the calculated generalized inverse matrix A is stored in the information storage unit 10.
  • the CPU 51 calculates the distance D of each unit data using the generalized inverse matrix A.
  • the distance D of the unit data sample No. 1 is calculated according to (Equation 11).
  • the distance D is calculated according to (Equation 12) and (Equation 13) (A is the same as the matrix used when determining the distance D of unit data).
  • the CPU 51 calculates the distance D for all normal product data (unit data) constituting the reference space data 13
  • the CPU 51 sets a threshold value (hereinafter referred to as a determination threshold value) for determining normality / abnormality based on the average value thereof. Calculate according to a predetermined calculation.
  • the calculated discrimination threshold is stored in a predetermined area of the information storage unit 10.
  • a generalized inverse matrix is generated from the reference space data 13 which is a set of feature quantities (unit data) of normal product data, and the distance D of each unit data is calculated using the generated generalized inverse matrix.
  • the discrimination threshold is calculated based on the calculated distance D.
  • the abnormal product feature of the time series data (for example, 1000 pieces of time series data) acquired by the measurement unit 1 and the signal processing unit 2 described above is obtained.
  • a quantity group 14 is stored.
  • the feature quantity extraction unit 3 extracts a feature quantity by applying an autoregressive model (AR model) to the normal product feature quantity group 12 in the region E2, and similarly to the abnormal product feature quantity group 14 in the region E4.
  • a feature value is extracted by applying a regression model.
  • the distance calculation unit 5 calculates the distance D for each normal product data in the normal product feature value group 12 based on the above (Equation 13) using the extracted feature values, and each abnormal product in the abnormal product feature value group 14. Similarly, for the data, the distance D is calculated based on the above (Equation 13) using the extracted feature amount.
  • the normality / abnormality determination unit 6 compares the distance D calculated for normal product data and abnormal product data with the above-described determination threshold value, and when the relationship (distance D ⁇ determination threshold value) is established based on the comparison result. Is determined to be “abnormal product”, and is determined to be “normal product” if the relationship of (Distance D ⁇ Determination threshold) holds. In this case, the probability of erroneously discriminating a normal product as an abnormal product (ie, an overlook rate) could be about 10%.
  • the distance D from the reference space indicated by the reference space data 13 generated using the normal product feature value group 12 is used for the discrimination, thereby separating the normal product from the abnormal product.
  • the sound waveform measured from a normal product has the property that the variation is small and the characteristics are similar, whereas the sound waveform measured from an abnormal product has a large variation. . That is, the feature quantity of normal products has a relatively uniform distribution, whereas the distribution of feature quantities of abnormal products tends to be large.
  • the normal product and the abnormal product can be distinguished with high accuracy. Can be determined.
  • an inverse matrix calculation using the generalized inverse matrix A is performed.
  • the generalized inverse matrix can calculate the inverse matrix even when it is not regular. Is possible. Therefore, by applying the generalized inverse matrix A, the distance D can be calculated regardless of the presence or absence of multicollinearity.
  • the Mahalanobis distance D is calculated using a generalized inverse matrix, so that high discrimination accuracy can be obtained.
  • the Mahalanobis distance is calculated by aggregating the feature values into the average value, the sensitivity, and the standard S / N ratio as in Patent Document 4 (Japanese Patent Laid-Open No. 2004-198383), a feature effective for discrimination is extracted. It becomes difficult to use and high discrimination accuracy cannot be obtained.
  • the distance D calculated by applying the generalized inverse matrix can include information on many feature amounts without the feature amounts being aggregated, so that high discrimination accuracy is obtained. be able to.
  • the second embodiment shows a modification of the first embodiment.
  • the reference space generation unit 4 makes the distribution of unit data uniform when generating the reference space data 13.
  • the reference space generation unit 4 performs an averaging process including the following steps SA and SB in order to make the distribution of unit data in the reference space data 13 uniform.
  • Step SA The reference space generation unit 4 randomly extracts 400 pieces from 1000 unit data of the reference space data 13, averages the feature quantities of the extracted unit data, and performs the averaging process. Data indicating the feature amount is defined as new unit data.
  • Step SB The reference space generation unit 4 returns the 400 unit data extracted in step SA to the original reference space data 13. Thereafter, the reference space generation unit 4 performs the above step SA.
  • the reference space generation unit 4 generates new reference space data 13 composed of 1000 unit data calculated (defined) by repeatedly performing the processing of step SA and step SB described above 1000 times. Store in E3. Thereby, the unit data of the reference space data 13 in the region E3 is rewritten to unit data indicating a homogeneous feature amount.
  • the average is calculated for the feature amount indicated by the 400 unit data, but the calculated value is not limited to this. That is, the calculated value may be a representative value for the feature amount of 400 unit data. For example, the median value, the mode value, and the like of the feature amount indicated by 400 unit data may be calculated.
  • the inventors performed the discrimination process by the normal / abnormal discriminator 6 using the reference space data 13 on which the above-described averaging process was performed and the reference space data 13 on which the averaging process was not performed. It was carried out for each of the cases where was used. As a result, it was found that when the averaging process is performed, the discrimination accuracy between the normal product and the abnormal product is improved as compared with the case where the averaging process is not performed. That is, in the first embodiment in which the averaging process is not performed, the overlook rate is about 10%, whereas in the second embodiment in which the average process is performed, the overlook rate is 1%. Can be reduced.
  • the inventors have obtained the knowledge that the number of unit data extracted from the reference space data 13 in step SA and the oversight rate have a correlation through experiments. That is, when 40 to 50% of unit data is extracted from the reference space data 13, the overwatch rate can be minimized. The inventors have also found that this effect can be obtained without depending on the number of unit data constituting the reference space data 13.
  • the third embodiment shows a modification of the first or second embodiment.
  • the feature amount extraction unit 3 weights the time-series data based on the frequency in order to bring the discrimination accuracy close to the accuracy based on the human sensitivity.
  • the background of the third embodiment is that human hearing does not have uniform sensitivity in the frequency band.
  • the feature quantity extraction unit 3 extracts feature quantities from the time series data with equal weighting for all frequency regions, the discrimination result is different from the case of human hearing, and the discrimination accuracy decreases. It becomes a factor. Therefore, in the third embodiment, the feature quantity extraction unit 3 performs frequency-based weighting processing on time-series data in order to approach the discrimination accuracy based on human sensitivity.
  • the A characteristic correction unit 3D of the feature quantity extraction unit 3 is an example of a “weighting unit”, and performs correction processing based on the A characteristic for time series data.
  • the frequency taking into account human hearing is weighted. That is, in the correction process, the sensitivity of human hearing decreases in the band of 1000 Hz or less on the low frequency side, and the sensitivity is reduced (cannot be heard) at 20 Hz or less, and the sensitivity decreases as the frequency increases on the high frequency side. However, this corresponds to a filter process in view of the characteristic that the sensitivity is not obtained at 20 kHz. An A characteristic filter included in the A characteristic correction unit 3D is applied to this filtering process.
  • the A characteristic filter has a characteristic of attenuating low-frequency and high-frequency components (such as amplitude) without affecting components near 1000 Hz.
  • the A characteristic filter is expressed by the following (Equation 14). It is desirable that the weighting process is performed for abnormal sounds in a frequency region that is sensitive to human ears. Therefore, in (Expression 14), frequencies f 1 to f 4 showing high sensitivity in human hearing are used as parameters.
  • the feature quantity extraction unit 3 performs spectral density calculation on the time series data based on the autoregressive model by the AR estimation unit 3C described in the second embodiment, and further by the A characteristic correction unit 3D. A weighting process was performed. As a result, a feature amount indicating the obtained spectral density data was extracted. Then, the reference space generation unit 4 generates reference space data 13 composed of homogeneous unit data based on the processing of the second embodiment. The normal / abnormal discriminator 6 performed the discriminating process based on the reference space data 13 homogenized as described above. Through such experiments, the oversight rate could be reduced to 0.1% or less.
  • the feature amount extraction unit 3 targets 150 time-series data of abnormal products that are known to be abnormal in advance through human auditory examinations and 200 time-series data of normal products at each time. Feature values were extracted from the series data.
  • the normal / abnormal discriminating unit 6 performs discrimination processing using the distance D calculated using the extracted feature amount. In this experiment, the normal / abnormal discriminator 6 was able to discriminate between normal products and abnormal products without error.
  • FIG. 9 is a diagram illustrating experimental results for comparison according to the third embodiment.
  • the 150 time-series data of the above-mentioned abnormal products have abnormal factors known by human auditory test, and a sample whose characteristics are clear shows an abnormal mode indicating three types of abnormal factors.
  • Each of MA, MB, and MC is included.
  • Reference space data is configured for each of the three types of abnormal modes.
  • a distance D is calculated for each abnormal product data that has not been subjected to the A characteristic correction with respect to the reference space data of each abnormal mode, and this is used as an index of the discrimination threshold.
  • the inventors performed discrimination based on the distance D and the discrimination threshold for each abnormal product data for each abnormal mode.
  • FIG. 9 is a diagram illustrating experimental results for comparison according to the third embodiment.
  • the 150 time-series data of the above-mentioned abnormal products have abnormal factors known by human auditory test, and a sample whose characteristics are clear shows an abnormal mode indicating three types of abnormal factors.
  • the feature amount is extracted after the feature amount (spectral density) in the frequency domain sensitive to the human ear is weighted, so that the normal product is erroneously determined as the abnormal product.
  • the “overwatch rate” can be lowered. Therefore, the discrimination accuracy is improved.
  • the hierarchical clustering analysis unit 8 is an example of an “abnormal mode classification unit”.
  • the hierarchical clustering analysis unit 8 converts each discriminated product data discriminated as an abnormal product out of the discriminated product data subjected to the AR estimation or the A characteristic correction according to the third embodiment into a plurality of types of abnormal modes (corresponding to clusters). Perform hierarchical cluster analysis to classify The hierarchical cluster analysis is described below.
  • the hierarchical clustering analysis unit 8 performs a hierarchical cluster analysis on the feature amount of each abnormal product data in the abnormal product feature amount group 14 in the area E4 of the information storage unit 10.
  • the hierarchical cluster analysis is performed using the abnormal product feature amount. This will be described using 7a.
  • the analysis includes the following processing steps (1) to (4).
  • Step (1) The hierarchical clustering analysis unit 8 quantifies each abnormal product feature 7a in the abnormal product feature group 14 as a feature vector.
  • the quantified feature vector has 1000 feature amounts calculated by averaging the above-described spectral density for 10 Hz as elements (corresponding to items i and j described later).
  • Step (2) The hierarchical clustering analysis unit 8 calculates a distance matrix based on “dissimilarity” which is a measure of dissimilarity between the abnormal product feature quantities 7a.
  • Step (3) The hierarchical clustering analysis unit 8 selects a clustering algorithm (described later).
  • Step (4) The hierarchical clustering analysis unit 8 repeats the process according to the selected clustering algorithm until all abnormal product feature values 7a are integrated into one cluster.
  • the hierarchical clustering analysis unit 8 uses the above-mentioned “dissimilarity”, which is an amount indicating the degree of dissimilarity between the abnormal product data, as an item of the feature vector.
  • a distance matrix having a distance d ij between i and item j as an element is created.
  • a plurality of expressions representing “dissimilarity” have been proposed, but in this embodiment, “dissimilarity” is defined by the following (expression 15) using the correlation coefficient r ij .
  • Equation 16 a method defined by the following (Equation 16) can be applied, where “dissimilarity” between the vector Xi and the vector Xj is cos ⁇ , but here, the “dissimilarity” is the correlation coefficient r. It is calculated by (Equation 15) using ij .
  • step (3) above algorithms such as the nearest neighbor method, the farthest neighbor method, the group average method, the center of gravity method, the median method, and the Ward method can be applied as the clustering algorithm.
  • the nearest neighbor method the farthest neighbor method
  • the group average method the center of gravity method
  • the median method the median method
  • Ward method the Ward method
  • the nearest neighbor method In the nearest neighbor method, one individual is selected from each of the two clusters, and the distance between the two selected individuals is calculated. This is a method for determining the distance as the distance between the two clusters.
  • the farthest neighbor method selects one individual from each of the two clusters, calculates the distance between the two selected individuals, and between the farthest individuals among the calculated distances Is determined as the distance between the two clusters.
  • the group average method is a method in which the nearest neighbor method and the farthest neighbor method are compromised. Specifically, the group average method selects one individual from each of two clusters, calculates the distance between the two selected individuals, and calculates the average value of each calculated distance. , A method for determining the distance between the two clusters.
  • the center-of-gravity method is a method of calculating the center of gravity (for example, an average vector) of each cluster and determining the distance between the calculated centers of gravity as the distance between the clusters.
  • the median method is a modified method of the center of gravity method. Specifically, a weighted distance between the centroids of two clusters is calculated, and a distance value calculated by making the weights equal is determined as a distance between the two clusters.
  • the Ward method is a method in which when two clusters are merged, clusters are formed according to a criterion for maximizing the ratio of the variance within each group of clusters and the variance between groups between clusters. It is.
  • the Ward method is a method capable of obtaining the highest degree of separation and is also called a minimum dispersion method.
  • FIG. 10 is a diagram illustrating an example of a hierarchical structure according to the fourth embodiment. Here, it is assumed that the abnormal product feature quantity group 14 has abnormal product feature quantities of nine abnormal product data D1 to D9.
  • step (3) the group averaging method is selected as the clustering algorithm.
  • the “dissimilarity” is calculated from the correlation coefficient of the feature quantity of the target abnormal product data, and the average of the calculated values is the distance between the abnormal product data.
  • the hierarchical clustering analysis unit 8 connects the nine abnormal product data items D1 to D9 in the abnormal product feature value group 14 by using branches. Thereby, a dendrogram (tree diagram) as shown in FIG. 10 is created.
  • the dendrogram of FIG. 10 shows the result of cluster analysis of nine abnormal product data D1 to D9.
  • the vertical axis of the dendrogram in FIG. 10 indicates the distance values between clusters (0.2, 0.4,... 1.0), and abnormal product data D1 to D9 are combined from the bottom to the top in FIG. Is done.
  • the number of clusters (that is, the number of abnormal modes) is determined based on an instruction from the operator. Specifically, when the operator inputs the number of clusters to the inspection data processing device 50 via the input device 54, the hierarchical clustering analysis unit 8 is based on the input number of clusters in order to calculate a threshold value (figure). Perform a predetermined calculation. The hierarchical clustering analysis unit 8 classifies all abnormal product data into an instructed number of clusters (abnormal mode) on the dendrogram by applying the threshold value to the generated dendrogram.
  • a threshold value figure
  • the abnormal product data D1 to D6 are classified into an abnormal mode MA cluster
  • the abnormal product data D7 and D8 are classified into an abnormal mode MB cluster
  • the abnormal product data D9 is classified into an abnormal mode MC cluster.
  • all abnormal product data in the abnormal product feature group 14 is classified into each abnormal mode while being integrated into one dendrogram.
  • FIG. 11 is a diagram illustrating an example of an experimental result according to the fourth embodiment.
  • FIG. 11 shows the correct answer rate (correct answer rate) for the human auditory test for each abnormal mode.
  • the feature values of 150 abnormal product data of the abnormal product data of the abnormal product feature group 14 are divided into a total of four types of clusters: an abnormal mode MA, an abnormal mode MB, an abnormal mode MC, and other modes. It was.
  • the classification result to each abnormal mode by the human auditory test and the correct answer rate is about 70 to 80%.
  • the inventors have shown from experiments that the classification process of the abnormal mode based on the reference space of the normal product by the hierarchical clustering analysis unit 8 is more accurate than the classification process of the abnormal mode using the reference space of the abnormal product. The knowledge that it improves, was acquired.
  • the abnormal product feature amount is obtained by performing the AR estimation and the A characteristic correction.
  • 7a may include a feature amount in a state in which weighting is performed according to human auditory sensitivity without being buried in noise. Therefore, the abnormal product feature amount 7a can be appropriately classified for each abnormal mode by the hierarchical class analysis.
  • the inspection data processing device 50 analyzes the cause of abnormality for each abnormal mode classified by the hierarchical clustering analysis unit 8 of the fourth embodiment.
  • the factor analysis unit 9 analyzes the factor of the abnormal product data classified into the abnormal mode by the hierarchical clustering analysis unit 8 according to the MTS (Mahalanobis Taguchi system) method using the reference space composed of the normal product data.
  • MTS Microhalanobis Taguchi system
  • FIG. 12 is a diagram illustrating an example of an SN ratio (signal-to-noise ratio) with respect to each feature amount according to the fifth embodiment.
  • feature quantity numbers N1, N2,..., N999, N1000 assigned to 1000 feature quantities (spectral density corresponding to frequency components) that are elements of the above-described feature vector are assigned to the horizontal axis.
  • the S / N ratio is assigned to the vertical axis.
  • feature quantities having a large SN ratio hereinafter referred to as specific feature quantities
  • the specific feature amount having a large SN ratio acts so that the Mahalanobis distance D is increased when the abnormal product is determined using the reference space of the normal product, and thus is effective as an index used for normal / abnormal determination. It is.
  • the abnormal factor for each abnormal mode By analyzing the physical cause that increases the S / N ratio for 1000 feature values in advance through experiments or the like, it is possible to estimate the abnormal factor for each abnormal mode. For example, an abnormal factor corresponding to the feature amount of the feature amount number is acquired through experiments or the like. Then, the abnormality factor data 18 registered by associating each feature quantity number with the corresponding abnormality factor is generated and stored in the area E8 of the information storage unit 10 in advance. Therefore, the corresponding abnormality factor can be read from the abnormality factor data 18 based on the number of the specific feature amount having a large SN ratio.
  • the factor analysis unit 9 is an example of the “abnormal factor identification unit”. For each abnormal mode, the factor analysis unit 9 performs the inverse matrix calculation using the abnormal product feature amount 7a classified into the abnormal mode, and calculates the Mahalanobis distance for each abnormal product feature amount 7a (step T1). ).
  • the factor analysis unit 9 calculates the standard deviation ⁇ indicating the degree of variation of the Mahalanobis distance D of the abnormal product data group for each abnormal mode. Specifically, the factor analysis unit 9 is a standard that indicates the degree of variation of the Mahalanobis distance D in both cases where only a specific feature amount is used and when all feature amounts are used for each abnormal mode. Deviations ⁇ are respectively calculated (step T2).
  • the specific feature amount is determined as an effective feature amount (hereinafter also referred to as an effective feature amount) that reduces (more homogenizes) the distribution of the abnormal product data group in the abnormal mode.
  • the factor analysis unit 9 reads the corresponding abnormality factor data from the area E9 of the information storage unit 10 based on the determined effective feature number.
  • the read abnormality factor data is output via the output device 55. Thereby, the cause of the product to be inspected determined to be abnormal can be notified.
  • the factor analysis unit 9 can determine an effective feature amount for identifying an abnormal factor for each abnormal mode without learning an abnormal product database. That is, with the increase in the determination product data, abnormal product data to be subjected to hierarchical cluster analysis increases, and as a result, the number of abnormal modes increases. Through this process, an abnormal product database is learned. Further, by configuring the reference space for each abnormal mode using the specific feature amount, a reference space composed of feature amounts more homogenized with respect to the reference space for each abnormal mode can be generated. Therefore, it becomes easy to discriminate which abnormal mode the discrimination product data corresponds to using the Mahalanobis distance.
  • the inspection data processing device 50 generates the reference space data 13 using the factor analysis result (the effective feature amount determined for each abnormal mode) in the fifth embodiment.
  • the factor analysis unit 9 stores the feature quantity number for identifying the effective feature quantity in the region E6 of the information storage unit 10 as the feature quantity identification data 16.
  • the reference space generation unit 4 uses 1000 feature quantities of feature vectors indicating unit data as elements r ij (see (Equation 3) above) of the correlation coefficient matrix R for calculating the generalized inverse matrix. The correlation coefficient between the i-th item and the j-th item indicated by the feature quantity identification data 16 is used. Further, the reference space data 13 is generated from the unit data indicated by the effective feature amount indicated by the feature amount identification data 16.
  • the normal / abnormal product discrimination accuracy using the distance D calculated based on the reference space generated using only the effective feature amount is generated using all the feature amounts. It is possible to improve the accuracy of discrimination using the distance D from the reference space.
  • FIG. 13 is a flowchart of the overall processing according to the seventh embodiment.
  • the processing shown in this flowchart is stored in advance in a storage unit (main storage device 52, auxiliary storage device 53, memory card 59, etc.) as a program.
  • the CPU 51 reads the program from the storage unit and executes the read program to realize the processing.
  • step S1 A process (step S1) for generating the reference space data 13 in advance will be described with reference to the flowchart of FIG. Specifically, the reference space generation unit 4 inputs feature amount data representing sound generated from a normal product detected by the sensor 1A via the signal processing unit 2A and the feature amount extraction unit 3A, and receives the feature amount data. The information is stored in the area E2 of the information storage unit 10. At this time, in the feature quantity extraction unit 3A, an AR estimation process by the AR estimation unit 3C and an A characteristic correction process by the A characteristic correction unit 3D are performed (steps S1a and S1b). In this way, feature amount data (unit data) of each normal product is stored in the area E2.
  • the reference space generation unit 4 generates the averaged reference space data 13 based on the normal product feature amount group 12, and stores the generated reference space data 13 in the region E3 (step S1c).
  • the reference space data 13 composed of homogeneous unit data is stored in the area E3 of the information storage unit 10, and the generation of the reference space data 13 is finished.
  • a discriminant product feature amount group 11 including a plurality of discriminant product data is generated (step S2). Specifically, the sound from the discrimination product is measured by the sensor 1B. The measurement signal from the sensor 1B is processed by the signal processing unit 2B and the feature amount extraction unit 3B (step S3). At this time, the feature amount extraction unit 3B performs processing by the AR estimation unit 3C and the A characteristic correction unit 3D (steps S4 and S5).
  • the feature data extracted from the discriminant product data is stored in the area E1 of the information storage unit 10 as the discriminant product feature.
  • the discriminating product feature quantity group 11 is stored in the region E1.
  • Normal / abnormal discrimination is performed for each discriminant feature quantity in the discriminant feature group 11 (step S7).
  • the distance calculation unit 5 calculates the Mahalanobis distance D for the discriminant product feature value read from the discriminant product feature value group 11.
  • the normality / abnormality determination unit 6 compares the calculated distance D with a determination threshold value, and determines based on the comparison result. Also, based on the discrimination result, the discriminated product data discriminated as an abnormal product is stored in the area E4 of the information storage unit 10 as the abnormal product feature amount 7a.
  • the abnormal product feature quantity group 14 is stored in the region E4 by performing the processing of steps S5 and S6 for each discriminant product feature quantity of the discriminant product feature quantity group 11.
  • the hierarchical clustering analysis unit 8 classifies the abnormal product feature quantity group 14 in the region E4 by the hierarchical cluster analysis of the above steps (1) to (4) (step S9).
  • the hierarchical clustering analysis unit 8 stores the abnormal product feature quantity for each abnormal mode in the region E5 of the information storage unit 10 as the mode feature quantity group 15.
  • the abnormal product feature quantity that is not classified into any abnormal mode is stored in the area E8 of the information storage unit 10 as unclassified data 8a.
  • the factor analysis unit 9 determines an effective feature amount for each abnormal mode by factor analysis, and identifies the feature number as a feature amount.
  • the data 16 is stored in the area E6 (step S11). Further, the factor data read from the abnormality factor data 18 in the area E8 of the information storage unit 10 based on the effective feature amount of each abnormality mode is output via the output device 55.
  • the result of this factor analysis is fed back to the hierarchical clustering analysis unit 8 (step S13). Specifically, the effective feature amount indicated by the feature amount identification data 16 of the region E6 is weighted, and the above-described hierarchical cluster analysis is performed. Thereby, only the feature amount (effective feature amount) having high sensitivity regarding the classification of the abnormal mode is weighted. Therefore, in the hierarchical cluster analysis, high classification accuracy can be obtained for the classification of abnormal modes.
  • the CPU 51 reflects the factor analysis result in the reference space (step S15). Specifically, the CPU 51 uses the element r ij of the correlation coefficient matrix R for calculating the generalized inverse matrix (see (Equation 3) above), that is, the i-th item and the j-th item of the unit data. As the item correlation coefficient, the correlation coefficient between the i-th item and the j-th item indicated by the feature amount identification data 16 out of 1000 feature amounts of the unit data is used. Further, the reference space data 13 of the region E3 is changed to new reference space data 13. The reference space data 13 includes unit data indicating effective feature amounts identified by the feature amount identification data 16.
  • step S16 the CPU 51 determines whether or not to end the process. For example, the CPU 51 determines whether or not to end the process based on an operator instruction input from the input device 54. If the CPU 51 determines not to end the process (NO in step S16), the control is returned to step S2. If the CPU 51 determines to end the process (YES in step S16), the series of determination processes ends.
  • a program for realizing the processing of the inspection data processing device 50 described in each embodiment is stored in a storage unit (main storage device 52, auxiliary storage device 53, and memory card 59).
  • the CPU 51 reads the program from the storage unit and executes the read program, whereby the processing is realized in cooperation with other circuit units.
  • the processing according to each embodiment described above is also provided as a program as described above.
  • a program is provided by being recorded on a computer-readable recording medium such as a memory card 59 attached to the computer of the inspection data processing apparatus 50 of FIG.
  • the program can be provided by being recorded on a recording medium such as a main storage device 52, an auxiliary storage device 53, and a memory card 59 built in the computer.
  • the program can be provided by downloading to the storage unit of the inspection data processing device 50 via a communication network (not shown) and the communication device 56.
  • the provided program is installed in a program storage unit such as a hard disk of the auxiliary storage device 53, for example, and the installed program is read and executed by the CPU 51.
  • the program product includes the program itself and a storage medium in which the program is stored non-temporarily.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

　検査データ処理装置(５０)は、基準空間生成部(４)と、正常／異常判別部(６)とを備える。基準空間生成部(４)は、正常品の特徴量を示す所定数のデータを含むデータ群から複数のデータをランダムに抽出し、抽出された複数のデータが示す特徴量を代表する代表特徴量を算出する処理を、所定数だけ繰返し実施する。そして、基準空間生成部(４)は、当該所定数の繰返し実施により算出された代表特徴量を示す所定数のデータを含むデータ群から、基準空間を生成する。正常／異常判別部（６）は、生成された基準空間と検査対象の特徴量を示すデータとの距離の大きさに基づき、検査対象が正常品および異常品のいずれであるかを判別する。

Description

検査データ処理装置および検査データ処理方法
　本発明は、検査データ処理装置および検査データ処理方法に関し、特に、被検対象から測定された検査データに基づき当該被検対象が正常または異常であるかを判別するための検査データ処理方法および検査データ処理装置に関する。
　機械または電器機器の製品検査においては、正常品と異常品を判別する音響検査が実施される。音響検査では、高い判別精度が望まれている。
　機械または電気機器より発生する騒音に関して、従来は、主に、人（検査者）の耳で騒音を検査することで、正常／異常を判別していた。特に、検査者の耳で不快に感じる音であるか否かによって正常／異常を判別する場合には、検査者の耳による官能検査が必須とされてきた。
　しかし、検査者の耳による判別では、検査者毎の判別基準にばらつきがある。また、同一の検査者であっても、検査時の体調により、判別の基準が変動する。
　そのため、測定条件および検査者に依存しない自動判別技術が求められてきた。このような判別技術は、主に音声認識の分野のうち特定の音源または言葉を認識する分野において発展してきている。
　例えば、特許文献１（特開２０００－１７２２９１号公報）では、マイクロフォンで収集された音声データの音響モデルが作成され、音響モデルに従って音声の各単語が認識される。また、特許文献２（特開２００２－１８９４９３号公報）では、学習された特徴別パターンを用いて話者の音声の周波数スペクトルが補正されることにより、音声認識性能を向上させている。
　また、正常と異常を判別する方法としては、正常品のデータ群を基準に異常を定量的に判別する方法として、パターン認識技術の１つであるマハラノビス距離を指標に用いる判別方法が提案されている。例えば、特許文献３（特開２００３－３１０５６４号公報）では、脳波の判別を医師に代わって実施する場合、脳波の時系列データから複数の特徴量が抽出される。そして、基準学習データを用いて算出された基準データ空間と、当該抽出された判別対象の特徴量とから算出されたマハラノビス距離が、分離指標として用いられる。
　音響に関する分野においてもマハラノビス距離を判別の指標として用いる方法が提案されている。例えば、特許文献４（特開２００４－１９８３８３号公報）では、衝突音の集団が有する音の特徴量が発生原因毎に基準空間として定義されて、各集団の判別対象の分離度がマハラノビス距離を用いて評価される。これにより、音の発生原因が推定される。
　ここで、上記の基準空間は逆行列計算により算出される。しかし、音響データまたは画像データ等では、データどうしの相関係数が大きいため、多重共線性の問題が発生し、その結果、通常の逆行列計算を実施することが困難となる。これに対処するために、例えば特許文献５（特開２０１２－０９３４２３号公報）では、平均値、感度、標準ＳＮ比に特徴量を集約することで、逆行列計算が回避され、これら特徴量から算出されたマハラノビス距離に基づきパターン認識に係る判別が実施される。
特開２０００－１７２２９１号公報 特開２００２－１８９４９３号公報 特開２００３－３１０５６４号公報 特開２００４－１９８３８３号公報 特開２０１２－０９３４２３号公報
　上記の特許文献３は、マハラノビス距離に基づき脳波の正常／異常を判別するために、正常脳波データをもとに判別のための基準データ空間を生成している。この方法によれば、正常のデータ群を基準とした方が、異常のデータ群を基準とした場合よりもデータのばらつきが小さく、正常／異常の分離度を向上させることができる。しかしながら、特許文献４は、正常音波データに基づく基準空間データを、より均質にするための方法は提案していないため、基準空間データに基づき上記の分離度を向上させることは困難であった。
　この発明は、上述のような課題を解決するためになされたもので、本発明の目的は、検査対象が正常品および異常品のいずれであるかを高い精度で判別することができる検査データ処理装置および検査データ処理方法を提供することである。
　この発明に係る検査データ処理装置は、正常品の特徴量を示す所定数のデータを含むデータ群から複数のデータをランダムに抽出し、抽出された複数のデータが示す特徴量を代表する代表特徴量を算出する処理を、上記の所定数だけ繰返し実施し、当該所定数の繰返し実施により算出された代表特徴量を示す所定数のデータを含むデータ群から、基準空間を生成する。そして、生成された基準空間と検査対象の特徴量を示すデータとの距離の大きさに基づき、検査対象は正常品および異常品のいずれであるかを判別する。
　ある局面において、上記のように正常品の代表特徴量を示す所定数のデータを含むデータ群から基準空間が生成されることで、基準空間のデータは均質の特徴量を示す。これにより、当該基準空間との距離に基づく正常品または異常品の判別を正確に行うことが可能となる。
本発明の実施の形態に係る検査データ処理装置５０のハードウェアの構成を示す図である。 本発明の実施の形態に係る検査データ処理装置５０の機能の構成を示す図である。 図２の情報格納部１０に格納されるデータの一例を示す図である。 検査対象の機器の測定において得られた時系列データの一例を示す図である。 図４から切出された１秒間の時系列データの一例を示す図である。 図５の時系列データから自己回帰モデルを用いて推定された時系列データの一例を示す図である。 時系列データをＦＦＴ処理した結果を示す図である。 時系列データを、自己回帰モデルを用いてスペクトル密度を推定した結果を示す図である。 実施の形態３に係る対比のための実験結果を示す図である。 実施の形態４に係る階層構造の一例を示す図である。 実施の形態４に係る実験結果の一例を示す図である。 本実施の形態５に係る各特徴量に対するＳＮ比（signal-to-noise　ratio）の一例を示す図である。 実施の形態７に係る全体処理のフローチャートである。
　以下、この発明の実施の形態について、図面を参照して説明する。なお、図中の同一符号は、同一または相当する部分を示す。
　本実施の形態では、検査対象として機械または電気機器等の製品を例示するが、検査対象はこれに限定されない。また、検査対象の製品は、正常品または異常品の判別対象である判別品に相当する。本実施の形態では、判別は、検査対象からの音の信号を所定時間間隔でサンプリングすることにより生成された時系列データを用いて実施される。時系列データは、音波形のレベル（振幅等）の時間変化および周波数変化を示すデータとして例示されているが、当該データに限定されず、検査対象から発生する振動波形のレベルの時間変化および周波数変化を示すデータであってもよい。
　また、本実施の形態では、正常品は、人の聴感による製品からの発生音の検査において正常と判定され得るものである。また、異常品は、人の聴感による製品からの発生音の検査において異常と判定され得るものである。具体的には、発生音に、例えば、機械部品の接触による異音、回転体の軸ずれによる接触音が含まれる場合には、製品は異常品すなわち不適合品であると判別される。
　（実施の形態の概要）
　本実施の形態に係る検査データ処理装置は、正常品の特徴量を示す所定数（例えば、１０００個）のデータを含むデータ群から複数のデータをランダムに抽出し、抽出された複数のデータが示す特徴量を代表する代表特徴量を算出する処理を、上記の所定数だけ繰返し実施する。検査データ処理装置は、この所定数の繰返し実施により算出された代表特徴量を示す所定数のデータを含むデータ群から、基準空間を生成する。そして、検査データ処理装置は、生成された基準空間と検査対象の特徴量を示すデータとのマハラノビス距離の大きさに基づき、検査対象が正常品および異常品のいずれであるか否かを判別する。
　このように、代表特徴量群から基準空間を構成することで、基準空間を構成する特徴量のばらつきを低減し均質化することができる。したがって、特徴量のばらつきが少ない均質の基準空間からのマハラノビス距離の大きさに基づいた正常／異常を判別できる。これにより、判別の精度を向上させることができる。
　[実施の形態１]
　（装置の構成）
　図１は、本発明の実施の形態に係る検査データ処理装置５０のハードウェアの構成を示す図である。検査データ処理装置５０は、コンピュータに相当する構成を有する。具体的には、検査データ処理装置５０は、情報処理部に相当するＣＰＵ（Central　Processing　Unit）５１、ＲＯＭ（Read　Only　Memory）およびＲＡＭ（Random　Access　Memory）等を含む主記憶装置５２、ＨＤＤ（Hard　Disk　Drive）等の補助記憶装置５３、キーボードまたはマウス等の入力装置５４、ディスプレイまたはプリンタ等の出力装置５５、および外部機器（図示せず）と通信するための通信装置５６、メモリドライバ５７、および外部Ｉ／Ｆ（Interfaceの略）部５８を備える。
　外部Ｉ／Ｆ部５８は、センサ１Ａ，１Ｂからの信号の入力を受付ける。センサ１Ａ，１Ｂは、検査対象の機械または電気機器（図示せず）からの音を測定し、測定された信号（音波信号）を外部Ｉ／Ｆ部５８に出力する。メモリドライバ５７には、記憶媒体であるメモリカード５９が着脱自在に装着される。メモリドライバ５７は、ＣＰＵ５１の制御のもとに、装着されたメモリカード５９にデータを書込み、または、メモリカード５９からデータを読出す。
　（機能構成）
　図２は、本発明の実施の形態に係る検査データ処理装置５０の機能の構成を示す図である。図２を参照して、検査データ処理装置５０は、検査対象の機械または電気機器（図示せず）から発生する音を測定する測定部１、測定部１からの測定信号を処理し時系列データを出力する信号処理部２、判別処理部２０、および情報格納部１０を備える。判別処理部２０は、特徴量抽出部３、距離算出部５、正常／異常判別部６、異常品抽出部７、階層的クラスタリング分析部８、および要因分析部９を含む。これら各部の詳細は後述する。
　信号処理部２および判別処理部２０は、それぞれ、ＣＰＵ５１により実行されるプログラムまたはプログラムと回路の組合せにより実現される。
　情報格納部１０は、図２の補助記憶装置５３またはメモリカード５９の記憶領域に相当する。図３は、図２の情報格納部１０に格納されるデータの一例を示す図である。図３を参照して、情報格納部１０は領域Ｅ１～Ｅ８を含む。領域Ｅ１は、後述する複数の判別品データの特徴量からなる判別品特徴量群１１を格納する。領域Ｅ２は、後述する複数の正常品データの特徴量からなる正常品特徴量群１２を格納する。領域Ｅ３は、基準空間を示す基準空間データ１３を格納する。
　領域Ｅ４は、距離に基づき判別された異常品データの特徴量からなる異常品特徴量群１４を格納する。領域Ｅ５は、後述する異常モード毎の異常品データの特徴量からなるモード別特徴量群１５を格納する。領域Ｅ６は、異常モード毎の有効特徴量を識別するための特徴量識別データ１６を格納する。領域Ｅ７は、いずれの異常モードにも分類されなかった未分類データ８ａからなる未分類データ群１７を格納する。領域Ｅ８は、異常要因データ１８を格納する。各領域のデータの詳細は後述する。
　図２に戻り、測定部１は、予め正常品と分類された機械または電気機器からの音を測定するセンサ１Ａ、および検査対象である機械または電気機器（すなわち、判別品）からの音を測定するセンサ１Ｂを含む。センサ１Ａと１Ｂは、例えば加速度ピックアップを含み、同様の測定機能を有する。
　信号処理部２は、センサ１Ａからの測定信号を処理し、処理結果に基づく時系列データ（以下、正常品データという）を出力する信号処理部２Ａと、センサ１Ｂからの測定信号を処理し、処理結果に基づく時系列データ（以下、判別品データという）を出力する信号処理部２Ｂとを含む。信号処理部２Ａ，２Ｂは、それぞれフィルタ回路、アナログ/デジタル（analog/digital）変換回路およびサンプリング回路等を含み、同様の信号処理を実施する。
　特徴量抽出部３は、信号処理部２Ａからの正常品を表す正常品データから特徴量を抽出する特徴量抽出部３Ａ、および信号処理部２Ｂからの判別品データから特徴量を抽出する特徴量抽出部３Ｂを含む。特徴量抽出部３Ａと３Ｂは、同様の特徴抽出処理を実施する。
　また、特徴量抽出部３は、より適切に特徴量を抽出するためにＡＲ（Autoregressive）推定部３ＣおよびＡ特性補正部３Ｄを含む。特徴量抽出部３Ａは、各正常品データから抽出した特徴量を領域Ｅ２に格納し、特徴量抽出部３Ｂは、各判別品データから抽出した特徴量を領域Ｅ１に格納する。
　検査データ処理装置５０は、さらに、基準空間生成部４を含む。基準空間生成部４は、領域Ｅ２に格納されている正常品特徴量群１２に基づき、基準空間を示す基準空間データ１３を生成し、領域Ｅ３に基準空間データ１３を格納する。
　距離算出部５は、判別品データの特徴量と、基準空間データ１３が示す基準空間との距離（後述するマハラノビス距離）を算出する。正常／異常判別部６は、算出された距離に基づき当該判別品データの判別品が正常品および異常品のいずれであるかを判別する。異常品抽出部７は、正常／異常判別部６により判別された判別品データのうち、異常品と判別された判別品データの特徴量を示す異常品特徴量７ａを、領域Ｅ４に格納する。
　階層的クラスタリング分析部８は、領域Ｅ４に格納されている異常品特徴量群１４に含まれる各異常品特徴量７ａを複数の異常モードに分類するために階層的クラスター分析を実施する。要因分析部９は、異常モード毎に異常の要因（原因）を分析する。階層的クラスタリング分析部８は、異常品特徴量群１４のうちいずれの異常モードにも分類されなかった異常品特徴量を、未分類データ８ａとして、領域Ｅ８に格納する。要因分析部９は、要因の分析結果を、階層的クラスタリング分析部８にフィードバック、または出力する。
　なお、図２では、正常品と判別品について、センサ、信号処理部および特徴量抽出部を個別に備えるようにしたが、これらは、正常品と判別品について共用される構成であってもよい。
　（マハラノビス距離の算出）
　本実施の形態では、検査データ処理装置５０は、ＭＴＳ（マハラノビスタグチシステム）法に従うマハラノビス距離Ｄ（以下、単に距離Ｄとも略す）に基づき判別品について正常／異常を判別する。ＭＴＳ法とはパターン認識の一方法として、田口玄一博士の提案した方法であり、他のパターン認識の手法（例えばニューラルネットワーク等）と比較して扱える特徴量の数が多く、高い認識精度を実現できる方法である。
　ＭＴＳ法にはＭＴ（マハラノビスタグチ）法、ＲＴ（Recognition　Taguchi）法等のいくつかの計算方法があるが、本実施の形態ではＭＴ（マハラノビスタグチ）法を用いた。距離Ｄは、基準空間を構成する正常品データの特徴量から算出された相関係数行列Ｒに基づく一般化逆行列Ａを用いて算出される。一般化逆行列は、一般逆行列、ムーア・ペンローズ逆行列、疑逆行列とも呼ばれるが、ここでは「一般化逆行列」の名称で統一する。
　＜基準空間の生成＞
　基準空間は、人の聴感検査により予め分類された正常品の音の時系列データに基づき生成される。
　センサ１Ａは正常品から加速度ピックアップによって正常品からの音を測定し音波信号を出力する。信号処理部２Ａは、センサ１Ａからの音波信号をフィルタ処理し、フィルタ処理後の音波信号をデジタルデータである正常品データ（波形を表す時系列データ）に変換する。得られた正常品データの数は例えば１０００個であり、当該正常品データは、領域Ｅ２に格納される。
　特徴量抽出部３Ａでは、ＡＲ推定部３ＣによるＡＲ推定（後述する）によって、信号処理部２Ａからの正常品データをスペクトル密度のデータに変換する。スペクトル密度データは、周波数成分毎のスペクトル密度を表す。特徴量抽出部３Ａは、スペクトル密度データについて１０Ｈｚ毎にスペクトル密度を平均化処理することにより、１０００個のスペクトル密度データ（特徴量）を算出する。このようにして、１０００個の正常品データのそれぞれについて、１０００個の特徴量が抽出される。なお、特徴量の抽出に際しては、後述するＡ特性補正部３Ｄによる処理が実施されてもよい。
　基準空間生成部４は、特徴量抽出部３Ａから出力される１０００個の正常品データについての特徴量を、情報格納部１０の領域Ｅ３に格納する。これにより、領域Ｅ３には基準空間データ１３が格納される。
　上述の測定部１による測定信号の処理と特徴量の算出について、発明者の実験により得られた図４～図８の時系列データを参照して説明する。
　ここでは、センサ１Ａ，１Ｂは同様の測定動作を実施するので、これらの動作を測定部１の動作として説明する。また、信号処理部２Ａ，２Ｂは同様の処理を実施するので、これらの処理を信号処理部２の処理として説明する。また、特徴量抽出部３Ａ，３Ｂも同様の処理を実施するので、これらの処理を特徴量抽出部３の処理として説明する。
　図４は、検査対象の機器の測定において得られた時系列データの一例を示す図である。図４は、連続的に５秒間、１００ｋＨｚのサンプリング速度で測定された時系列データを示す。
　特徴量抽出部３は、図４の時系列データのうち、１秒分のデータを連続部分として切り出す。つまり、５秒間の時系列データから５個の時系列データからなるデータセットが得られる。図５は、図４から切り出された１秒間の時系列データの一例を示す図である。
　特徴量抽出部３は、上記の時系列データから特徴量を抽出するために、ＡＲ推定部３Ｃによるスペクトル推定のための算出処理を実行する。自己回帰モデル(ＡＲモデル)は、過去の系列値から未来の値を予測するための時系列予測に関する方法である。具体的には、ＡＲ推定部３Ｃは、以下の手順により予測波形（時系列データ）を算出する。
　離散的な時系列データは、平均からのずれｘｉ、自己回帰係数ａｊ、次数Ｍ、およびノイズξiを用いて（式１-１）で表されると仮定した場合に、モデルパラメータ（Ｍ，ａｊ，σ２）が推定されることにより、モデル化される。また、自己解析モデルのパラメータを使用することで解析的に（式１-２）を得た。
Figure JPOXMLDOC01-appb-M000001
　ＡＲ推定部３Ｃは、パラメータａｉ、σ、および平均値Ｍを推定し、自己回帰モデルから時系列データを推定する。図６は、図５の時系列データから自己回帰モデルを用いて推定された時系列データの一例を示す図である。
　音、振動等の波形を示す時系列データから特徴量を抽出する場合、通常は、離散データが無限に続く信号の１周期分であると仮定したフーリエ変換により抽出が行われる。しかし、ＦＦＴ（Fast　Fourier　Transform）処理では、時間波形のずれによって多くのノイズ成分が発生し、有効な特徴量がノイズ成分に埋もれてしまう可能性がある。
　そこで、本実施の形態の特徴量抽出部３では、時系列データに自己回帰モデルを適用して、スペクトル密度が推定される。推定により得られた周波数成分に対する特徴量（スペクトル密度）のデータセットが、正常／異常の判別に使用される。この場合、ＦＦＴ処理によってスペクトルを得る場合に比べて、時系列データのグラフ形状が滑らかになり（図６参照）、ノイズ成分に埋もれることなく有効な特徴量を得ることができる。
　上述の効果をさらに説明する。図７は、時系列データをＦＦＴ処理した結果を示す図である。図７は横軸に周波数を示し、縦軸に電圧信号の強度（単位：Ｖ２）を示す。図８は、時系列データを、自己回帰モデルを用いてスペクトル密度を推定した結果を示す図である。図８の横軸は図７と同様に周波数を示し、縦軸は電圧により示されるスペクトル密度（単位：Ｖ／Ｈｚ）を示す。
　本実施の形態では、スペクトル密度が自己回帰モデルを用いて計算されることにより、図６の時系列データを図５の元の時系列データとよく一致させることができる。したがって、時系列データについて、単純にスペクトル強度をＦＦＴ処理することによって得られた図７のデータと、同じ時系列データを自己回帰モデルにより推定されたスペクトル密度を示す図８の時系列データとを比較した場合に、図８の時系列データでは、周波数毎の細かい時間変動が排除されていることがわかる。
　発明者らは、上述に示すように自己回帰モデルを用いてスペクトル密度が推定された時系列データ（図８参照）の方が、ＦＦＴ処理により取得される時系列データ（図７参照）よりも、ノイズ成分に埋もれることなく有効な特徴量を抽出できるとの知見を得た。
　＜一搬化逆行列Ａの算出＞
　ＣＰＵ５１は、距離Ｄを算出するために用いる一般化逆行列Ａを基準空間データ１３から導出する。具体的には、まず、ＣＰＵ５１は、情報格納部１０の基準空間データ１３に基づき、以下の（式２）に示す相関係数行列Ｒを算出する。
Figure JPOXMLDOC01-appb-M000002
　相関係数行列Ｒの要素ｒijは、（式３）に示すように、正常品データの特徴量を示すデータ（以下、単位データという）についてのｉ番目の項目とj番目の項目の相関係数である。すなわち、単位データに含まれる１０００個の特徴量（スペクトル密度）のうちのｉ番目の特徴量とｊ番目の特徴量との相関を表す係数である。
Figure JPOXMLDOC01-appb-M000003
　次に、特異値行列Λ、固有ベクトル行列Ｗ、および行列Ｖを算出するために、まず、相関係数行列Ｒの固有値が算出される。具体的には、ＣＰＵ５１は、以下の（式４）により固有値λを算出し、算出値の大きい順にλ１、λ２、λ３、…λｋ≧０と並べる。この並びに基づき、（式５）により特異値行列Λが算出される。
Figure JPOXMLDOC01-appb-M000004
Figure JPOXMLDOC01-appb-M000005
　次に、ＣＰＵ５１はλ１に対する固有ベクトルを算出する（（式６）のλ１は平方根をとった特異値ではない）。すなわち（式６）に基づき（式７）のベクトルが算出される。
Figure JPOXMLDOC01-appb-M000006
Figure JPOXMLDOC01-appb-M000007
　また、ＣＰＵ５１は、λｉ（ｉ＝１～ｋ）に対して、上記に述べたλ１と同様に固有ベクトルを算出する。ＣＰＵ５１は、これら算出されたこれらの固有ベクトルから（式８）に示す固有ベクトル行列Ｗを算出する。
Figure JPOXMLDOC01-appb-M000008
　そして、ＣＰＵ５１は、次の（式９）に基づき行列Ｖを算出する。
Figure JPOXMLDOC01-appb-M000009
　ＣＰＵ５１は、算出された固有ベクトル行列Ｗ、特異値行列Λ、および行列Ｖを用いた（式１０）に基づき、一般化逆行列Ａを算出する。算出された一般化逆行列Ａは、情報格納部１０に格納される。
Figure JPOXMLDOC01-appb-M000010
　＜距離Ｄの算出＞
　本実施の形態にかかる距離Ｄの算出方法について説明する。ＣＰＵ５１は、各単位データの距離Ｄを、一般化逆行列Ａを用いて算出する。たとえば、単位データのサンプルNo.1の距離Ｄは（式１１）に従い算出される。また、信号データ、未知データについても同様に距離Ｄが（式１２）と（式１３）に従い算出される（Ａは単位データの距離Ｄを求めるときに用いる行列と共通する）。
Figure JPOXMLDOC01-appb-M000011
Figure JPOXMLDOC01-appb-M000012
Figure JPOXMLDOC01-appb-M000013
　ＣＰＵ５１は、基準空間データ１３を構成する全ての正常品データ（単位データ）についてそれぞれ距離Ｄを算出すると、それらの平均値に基づき、正常／異常を判別するための閾値（以下、判別閾値）を所定演算に従い算出する。算出された判別閾値は、情報格納部１０の所定領域に格納される。
　以上のように、正常品データの特徴量（単位データ）の集合である基準空間データ１３から一般化逆行列が生成され、生成された一般化逆行列を用いて各単位データの距離Ｄが算出され、算出された距離Ｄに基づき判別閾値が算出される。
　（正常／異常の判別処理）
　次に、正常／異常の判別処理を説明する。発明者らの実験によれば、正常／異常判別部６が、上記の（式１３）を用いて算出された距離Ｄを用いて、判別処理を実施した場合に、正常品を異常品と誤って判別する確率を低くすることができるとの知見を得た。
　実験に際しては、例えば、情報格納部１０の領域Ｅ４には、異常品について、上述した測定部１および信号処理部２により取得された時系列データ（例えば１０００個の時系列データ）について異常品特徴量群１４が格納されている。特徴量抽出部３は、領域Ｅ２の正常品特徴量群１２について、自己回帰モデル（ＡＲモデル）を適用して特徴量を抽出し、領域Ｅ４の異常品特徴量群１４について、同様に、自己回帰モデルを適用して特徴量を抽出する。距離算出部５は、正常品特徴量群１２の各正常品データについて、抽出された特徴量を用いて上記（式１３）に基づき距離Ｄを算出し、異常品特徴量群１４の各異常品データについて、同様に、抽出された特徴量を用いて上記（式１３）に基づき距離Ｄを算出する。
　正常／異常判別部６は、正常品データおよび異常品データについて算出された距離Ｄと上記の判別閾値とを比較し、比較の結果に基づき（距離Ｄ≧判別閾値）という関係が成立する場合には“異常品”であると判別し、（距離Ｄ＜判別閾値）という関係が成立する場合には“正常品”であると判別する。この場合、正常品を異常品と誤って判別する確率（すなわち見過ぎ率）を約１０％にすることができた。
　（実施の形態１の効果）
　実施の形態１によれば、判別には、正常品特徴量群１２を用いて生成された基準空間データ１３が示す基準空間からの距離Ｄが用いられることにより、正常品と異常品の分離度を向上させることができる。具体的には、正常品から測定される音の波形は、ばらつきは小さく特徴も類似しているという性質を有するのに対し、異常品から測定される音の波形のばらつきは大きいという性質を有する。すなわち、正常品の特徴量は比較的均一な分布を有するのに対して、異常品の特徴量の分布は大きい傾向がある。
　したがって、異常品データの特徴量群よりも均質な特徴量からなる正常品特徴量群１２から生成された基準空間データ１３を判別の基準に用いることで、正常品と異常品とを高い精度で判別することができる。
　また、距離Ｄを算出するために、一般化逆行列Ａを用いた逆行列計算が実施される。音等の時系列データを用いる場合、多重共線性の問題が発生し、逆行列計算が困難になる場合があるが、一般化逆行列では、正則していない場合でも逆行列を算出することが可能である。したがって、一般化逆行列Ａを適用することで、多重共線性の有無にかかわらず、距離Ｄを算出することができる。
　また、マハラノビス距離Ｄは一般化逆行列を用いて算出されることで、高い判別精度が得られる。つまり、特許文献４（特開２００４－１９８３８３号公報）のように、特徴量を平均値、感度、標準ＳＮ比に集約してマハラノビス距離が算出される場合、判別に有効な特徴を抽出して用いることが困難となり、高い判別精度を得ることはできない。これに対し、実施の形態１では、一般化逆行列を適用して算出された距離Ｄは、特徴量が集約されることなく、多くの特徴量に関する情報を含み得るため、高い判別精度を得ることができる。
　[実施の形態２]
　実施の形態２は、実施の形態１の変形例を示す。実施の形態２では、基準空間生成部４は、基準空間データ１３を生成する際に、単位データの分布を均質にする。
　具体的には、基準空間生成部４は、基準空間データ１３における単位データの分布を均質にするために以下のステップＳＡとステップＳＢを含む平均化処理を実施する。
　（ステップＳＡ）：基準空間生成部４は、基準空間データ１３の１０００個の単位データから４００個をランダムに抽出し、抽出された単位データの特徴量を平均化処理し、平均化処理された特徴量を示すデータを、新たな単位データとして定義する。
　（ステップＳＢ）：基準空間生成部４は、上記のステップＳＡにおいて抽出された４００個の単位データを、元の基準空間データ１３に戻す。その後、基準空間生成部４は、上記のステップＳＡを実施する。
　基準空間生成部４は、上記のステップＳＡとステップＳＢの処理を、１０００回繰返し実施することにより、算出（定義）された１０００個の単位データからなる新たな基準空間データ１３を生成し、領域Ｅ３に格納する。これにより、領域Ｅ３の基準空間データ１３の単位データは、均質の特徴量を示す単位データに書換えられる。なお、上述のステップＳＡでは４００個の単位データが示す特徴量について平均を算出したが、算出値はこれに限定されない。つまり、算出される値は、４００個の単位データの特徴量についての代表値であればよく、例えば４００個の単位データが示す特徴量の中央値、最頻値等が算出されてもよい。
　発明者らは、実験において、正常／異常判別部６による判別処理を、上述した平均化処理が実施された基準空間データ１３を用いた場合と、平均化処理が実施されていない基準空間データ１３を用いた場合とにおいて、それぞれ実施した。その結果、平均化処理を実施した場合は、実施されていない場合に比較して、正常品と異常品の判別精度が向上するとの知見を得た。つまり、平均化処理が実施されない実施の形態１では、見過ぎ率が約１０％であったのに対し、平均化処理が実施される実施の形態２によれば当該見過ぎ率を、１％に低下させることができた。
　また、発明者らは、実験により、ステップＳＡで基準空間データ１３から抽出される単位データの数と、見過ぎ率とは相関関係を有するとの知見を得た。つまり、基準空間データ１３から４０％～５０％の数の単位データを抽出した場合に、見過ぎ率を最も低くすることができた。また、発明者らは、この効果を、基準空間データ１３を構成する単位データの数に依存せずに得ることができるとの知見も得た。
　（実施の形態２の効果）
　このように、実施の形態２では、均質に分布する単位データから構成される基準空間データ１３を用いることにより、正常品を異常品と誤って判別してしまう確率を示す「見過ぎ率」を低くする、すなわち判別精度を向上させることができる。
　[実施の形態３]
　実施の形態３は、実施の形態１または２の変形例を示す。実施の形態３では、判別の精度を人の感度に基づく精度に近づけるために、特徴量抽出部３は、上記の時系列データに対して周波数に基づく重み付けを行う。
　具体的には、実施の形態３の背景には、人の聴覚は、周波数帯域で一様な感度を有していないという点がある。その一方で、特徴量抽出部３が時系列データから、全ての周波数領域について等しい重み付けで特徴量を抽出した場合は、人の聴覚の場合とは異なる判別結果となって、判別精度が低下する要因となる。そこで、実施の形態３では、特徴量抽出部３は、人の感度による判別精度に近づけるため、時系列データに対して周波数に基づく重み付け処理を行なう。
　特徴量抽出部３のＡ特性補正部３Ｄは「重み付け部」の一実施例であり、時系列データについてＡ特性による補正処理を実施する。Ａ特性による補正処理では、人間の聴覚を考慮した周波数に重み付けがされる。つまり、当該補正処理は、人間の聴覚が低周波側では１０００Ｈｚ以下の帯域において感度が低下し、２０Ｈｚ以下で感度を有さなくなる（聞こえなくなる）こと、および高周波側でも周波数が高くなるほど感度が低下し、２０ｋＨｚでは感度を有さなくなるとの特性に鑑みたフィルタ処理に相当する。このフィルタ処理には、Ａ特性補正部３Ｄが有するＡ特性フィルタが適用される。
　Ａ特性フィルタは、１０００Ｈｚ付近の成分には影響を与えることなく、低周波および高周波の成分（振幅等）を減衰させる特性を有する。Ａ特性フィルタは、以下の（式１４）により示される。重み付け処理は、人の耳に敏感な周波数領域での異音を対象として実施されることが望ましい。したがって、（式１４）では、人の聴覚において高い感度を示す周波数ｆ１～ｆ４がパラメータとして用いられる。
Figure JPOXMLDOC01-appb-M000014
　発明者らの実験において、特徴量抽出部３は、時系列データについて、実施の形態２で説明したＡＲ推定部３Ｃによる自己回帰モデルに基づくスペクトル密度計算を実施し、さらにＡ特性補正部３Ｄによる重み付け処理を実施した。これにより、得られたスペクトル密度データを示す特徴量が抽出された。そして、基準空間生成部４は、実施の形態２の処理に基づき均質な単位データからなる基準空間データ１３を生成した。正常／異常判別部６は、上記のように均質化された基準空間データ１３に基づき判別処理を実施した。このような実験により、見過ぎ率を０．１％以下にすることができた。
　（他の実験例）
　発明者らは、本実施の形態３で示された、見過ぎ率が０．１％以下を示す基準空間データ１３を用いた別の実験を行った。この実験では、特徴量抽出部３は、人の聴感検査により異常と予め分かっている異常品の１５０個の時系列データと、正常品の２００個の時系列データとを対象にして、各時系列データから特徴量を抽出した。正常／異常判別部６は、抽出された特徴量を用いて算出された距離Ｄを用いて判別処理を実施した。この実験では、正常／異常判別部６は正常品と異常品を全て誤ることなく判別することができた。
　また、発明らは、対比のために別の実験も実施した。図９は、実施の形態３に係る対比のための実験結果を示す図である。実験では、上述の異常品の１５０個の時系列データには、人の聴感検査により異常の要因がわかっており、その特徴が明確となっているサンプルが、３種類の異常要因を示す異常モードＭＡ，ＭＢ，ＭＣで各３０個ずつ含まれる。３種類の異常モードそれぞれに関して基準空間データが構成される。各異常モードの基準空間データに対して、Ａ特性補正が実施されなかった各異常品データについて距離Ｄを算出し、これを判別閾値の指標とした。発明者らは、異常モード毎に、各異常品データについて、その距離Ｄと判別閾値に基づく判別を行なった。図９には、異常モードＭＡ、ＭＢおよびＭＣのそれぞれについて、この実験による正解個数（１６個、１８個、１７個）と、人の聴音検査による正解個数（３０個、３０個、３０個）とが対比して示される。図９に示されるように、Ａ特性補正が実施されない場合は、正解率は５０～６０％と低くなることがわかった。
　（実施の形態３の効果）
　このように、実施の形態３では、人の耳に敏感な周波数領域の特徴量（スペクトル密度）に重み付けがされた後に特徴量抽出が実施されることで、正常品を異常品と誤って判別する「見過ぎ率」を低くすることができる。したがって、判別精度が向上する。
　[実施の形態４]
　（階層的クラスタリング）
　本実施の形態４では、階層的クラスタリング分析部８は、「異常モード分類部」の一実施例である。階層的クラスタリング分析部８は、実施の形態３のＡＲ推定またはＡ特性補正が実施された判別品データのうち、異常品と判別された各判別品データを、複数種類の異常モード（クラスターに相当）に分類するための階層的クラスター分析を実施する。以下に、階層的クラスター分析について説明する。
　まず、階層的クラスタリング分析部８は、情報格納部１０の領域Ｅ４の異常品特徴量群１４の各異常品データの特徴量について、階層的クラスター分析を実施する。
　ここで、異常品特徴量群１４の各異常品データの特徴量は、上述したように異常品抽出部７からの異常品特徴量７ａに相当するので、階層的クラスター分析を、異常品特徴量７ａを用いて説明する。分析は、以下の処理ステップ（１）～（４）を含む。
　ステップ（１）：階層的クラスタリング分析部８は、異常品特徴量群１４の個々の異常品特徴量７ａを特徴ベクトルとして定量化する。定量化された特徴ベクトルは、上述した１０Ｈｚ分のスペクトル密度を平均化処理して算出された１０００個の特徴量を要素（後述する、項目ｉ，ｊに相当）として有する。
　ステップ（２）：階層的クラスタリング分析部８は、異常品特徴量７ａどうしの非類似性の尺度である「非類似度」により距離行列を算出する。
　ステップ（３）：階層的クラスタリング分析部８は、クラスタリングアルゴリズム（後述する）を選択する。
　ステップ（４）：階層的クラスタリング分析部８は、選択されたクラスタリングアルゴリズムに従い、全異常品特徴量７ａが一つのクラスターに統合されるまで処理を繰返す。
　ここで、階層的クラスタリング分析を実行する前に、階層的クラスタリング分析部８は、異常品データどうしの似ていない度合いを示す量である上記の「非類似度」を用いて、特徴ベクトルの項目ｉと項目ｊの間の距離dｉｊを要素とする距離行列を作成する。「非類似度」を表す式は複数提案されているが、本実施の形態では、「非類似度」は、相関係数rｉｊを使用して以下の（式１５）により定義される。
Figure JPOXMLDOC01-appb-M000015
　また、ベクトルＸｉとベクトルＸｊと間の「非類似度」をｃｏｓθとして、以下の（式１６）により定義する方法も適用することができるが、ここでは、「非類似度」は相関係数ｒｉｊを使用して（式１５）により算出される。
Figure JPOXMLDOC01-appb-M000016
　上記のステップ（３）ではクラスタリングアルゴリズムとして、最近隣法、最遠隣法、群平均法、重心法、メディアン法、ウォード法等のアルゴリズムを適用することができる。以下、各アルゴリズムの概要を説明する。
　最近隣法は、２つのクラスターのそれぞれの中から１個ずつ個体を選択し、選択された２個の個体の間の距離を算出され、算出された各距離の中で、最も近い個体間の距離を、当該２つのクラスターの間の距離として決定する方法である。
　最遠隣法は、２つのクラスターのそれぞれの中から１個ずつ個体を選択し、選択された２個の個体の間の距離を算出し、算出された各距離の中で、最も遠い個体間の距離を、当該２つのクラスターの間の距離として決定する方法である。
　群平均法は、最近隣法と最遠隣法が折衷された方法である。具体的には、群平均法は、２つのクラスターのそれぞれの中から１個ずつ個体を選択し、選択された２個の個体の間の距離を算出し、算出された各距離の平均値を、当該２つのクラスターの間の距離として決定する方法である。
　重心法は、クラスターのそれぞれの重心（例えば、平均ベクトル）を算出し、算出された重心の間の距離を、クラスターの間の距離として決定する方法である。
　メディアン法は、重心法の変形された方法である。具体的には、２つのクラスターの重心の間の重み付きの距離が算出されるが、重みを等しくして算出された距離の値が、２つのクラスターの間の距離として決定される。
　ウォード法は、２つのクラスターを融合した際に、各クラスターの群内の分散と、クラスターどうしの間の群間の分散との比を、最大化するための基準に従って、クラスターが形成される方法である。ウォード法は、最も高い分離度を得ることができる方法であって最小分散法とも呼ばれる。
　＜データの統合と異常モードの分類＞
　次に、図１０を参照して、上記のステップ（４）における、異常品特徴量群１４の全異常品特徴量７ａが１つに統合されるまでの過程を、階層構造を用いて説明するとともに、当該階層構造において、異常品特徴量７ａが各異常モードに分類されるまでの過程を説明する。図１０は、実施の形態４に係る階層構造の一例を示す図である。ここでは、異常品特徴量群１４は、９個の異常品データＤ１～Ｄ９の異常品特徴量を有すると想定する。
　上記の特徴量を用いた距離尺度には、特徴量どうしの相関係数ｒｉｊを用いた「非類似度」が適用され、相関係数ｒｉｊを使用して上記の（式１５）に従い非類似度Ｄｉｊが定義される。また、ステップ（３）ではクラスタリングアルゴリズムとして、上記の群平均法が選択される。
　群平均法では、対象とする異常品データの特徴量の相関係数より「非類似度」が計算され、その算出値の平均値が異常品データどうしの距離とされる。
　階層的クラスタリング分析部８は、異常品特徴量群１４の９個の異常品データＤ１～Ｄ９について、距離の近いものどうしを枝で接続する。これにより、図１０に示すような、デンドログラム（樹形図）が作成される。図１０のデンドログラムでは、９個の異常品データＤ１～Ｄ９がクラスター分析された結果を示す。図１０のデンドログラムの縦軸は、クラスター間の距離の値（０．２、０．４、…１．０）を示し、図１０の下から上に向かって異常品データＤ１～Ｄ９が結合される。
　ここで、クラスター数（すなわち、異常モードの数）はオペレータの指示に基づき決定される。具体的には、オペレータが入力装置５４を介してクラスター数を検査データ処理装置５０に入力すると、階層的クラスタリング分析部８は、閾値（図）を算出するために、入力されたクラスター数に基づき予め定められた演算を実行する。階層的クラスタリング分析部８は、生成されたデンドログラムに上記の閾値を適用することにより、デンドログラム上において全異常品データを、指示された数のクラスター（異常モード）に分類する。
　図１０では、異常品データＤ１～Ｄ６は異常モードＭＡのクラスターに、異常品データＤ７とＤ８は異常モードＭＢのクラスターに、および異常品データＤ９は異常モードＭＣのクラスターに、それぞれ分類されている。このように、異常品特徴量群１４の全異常品データは、１個のデンドログラムに統合されながら各異常モードに分類される。
　図１１は、実施の形態４に係る実験結果の一例を示す図である。図１１では、異常モード毎の人の聴音検査に対する正解の割合（正解率）が示される。実験では、異常品特徴量群１４の異常品データの１５０個の異常品データの特徴量は、異常モードＭＡ、異常モードＭＢ、異常モードＭＣ、およびその他モードの、計４種類のクラスターに分割された。
　図１１の表によれば、人の聴音検査による各異常モードへの分類結果と、その正解率が約７０～８０％であることが示される。また、発明者らは、実験から、階層的クラスタリング分析部８による正常品の基準空間に基づく異常モードの分類処理は、異常品の基準空間を用いた異常モードの分類処理よりも、分類の精度を向上させる、との知見を得た。
　（実施の形態４の効果）
　実施の形態４によれば、正常品データからなる基準空間データ１３を用いて正常／異常が判別される場合であっても、ＡＲ推定およびＡ特性補正が実施されることによって、異常品特徴量７ａには、ノイズに埋もれることなく人の聴覚の感度による重み付けがされた状態の特徴量が含まれ得る。したがって、階層的クラスー分析によって、異常品特徴量７ａを、異常モード毎に適切に分類することができる。
　［実施の形態５］
　実施の形態５では、検査データ処理装置５０は、実施の形態４の階層的クラスタリング分析部８により分類された各異常モードについて、異常の要因を分析する。
　（異常要因の分析処理）
　要因分析部９は、階層的クラスタリング分析部８によって異常モードに分類された異常品データについて、正常品データからなる基準空間を用いたＭＴＳ（マハラノビスタグチシステム）法に従って要因を分析する。
　図１２は、本実施の形態５に係る各特徴量に対するＳＮ比（signal-to-noise　ratio）の一例を示す図である。図１２では、横軸に、上述の特徴ベクトルの要素である１０００個の特徴量（周波数成分に対応したスペクトル密度）に割当られた特徴量番号Ｎ１、Ｎ２、…、Ｎ９９９、Ｎ１０００が割当られて、縦軸に、ＳＮ比が割当られる。特徴ベクトルの要素である１０００個の特徴量の中には、ＳＮ比が大きい特徴量（以下、特定特徴量という）が含まれる。このように、ＳＮ比が大きい特定特徴量は、正常品の基準空間を用いて異常品を判別する際にマハラノビス距離Ｄが大きくなるように作用するため、正常／異常の判別に用いる指標として有効である。
　１０００個の特徴量についてＳＮ比が大きくなる物理的原因を、予め実験等で分析して特定しておくことで、各異常モードについて異常要因の推定が可能となる。例えば、実験等により、特徴量番号の特徴量に対応した異常要因を取得する。そして、各特徴量番号と、対応の異常要因とを関連付けて登録された異常要因データ１８を生成し、予め情報格納部１０の領域Ｅ８に格納する。したがって、ＳＮ比が大きい特定特徴量の番号に基づき、異常要因データ１８から対応の異常要因を読み出すことができる。
　また、これら特定特徴量を選択的に使用することで、マハラノビス距離の計算負荷が低減されて、高速かつ高い判別精度が得られる。以下に、異常モード毎に特有の特徴量を決定する処理を説明する。
　要因分析部９は、「異常要因特定部」の一実施例である。要因分析部９は、各異常モードについて、当該異常モードに分類された異常品特徴量７ａを用いて上述した逆行列計算を実施し、各異常品特徴量７ａに関してマハラノビス距離を計算する（ステップＴ１）。
　要因分析部９は、異常モード毎に、異常品データ群のマハラノビス距離Ｄのばらつきの程度を示す標準偏差σを計算する。具体的には、要因分析部９は、各異常モードについて、特定特徴量のみを使用した場合と、全特徴量を使用した場合との両方のケースについて、マハラノビス距離Ｄのばらつきの程度を示す標準偏差σを、それぞれ算出する（ステップＴ２）。
　要因分析部９は、ステップＴ２における、特定特徴量のみを使用した場合のマハラノビス距離の標準偏差σが、全特徴量を使用した場合の距離Ｄの標準偏差σよりも小さくなると判断した場合には、当該特定特徴量を、当該異常モードの異常品データ群の分布を小さくする（より均質化する）有効な特徴量（以下、有効特徴量ともいう）として決定する。
　要因分析部９は、決定された有効特徴量の番号に基づき、情報格納部１０の領域Ｅ９から対応の異常要因データを読出す。読出された異常要因データは、出力装置５５を介して出力される。これにより、異常と判別された検査対象の製品について、その要因を報知することができる。
　（実施の形態５の効果）
　このように、要因分析部９は、異常品のデータベースの学習をすることなしに、各異常モードにつて異常要因を特定するための有効特徴量を決定することができる。つまり、判定品データの増加に伴い、階層的クラスター分析の対象となる異常品データが増加し、その結果、異常モード数が増加する。このような過程を経て、異常品のデータベースが学習されることになる。また、特定特徴量を用いて、各異常モードの基準空間を構成することにより、各異常モードの基準空間についてより均質化された特徴量からなる基準空間を生成することができる。したがって、マハラノビス距離を用いて判別品データがいずれの異常モードに該当するかを判別することが容易となる。
　［実施の形態６］
　本実施の形態６では、検査データ処理装置５０は、実施の形態５における要因分析結果（異常モード毎に決定された有効特徴量）を用いて、基準空間データ１３を生成する。
　＜要因分析結果を用いた基準空間の生成＞
　要因分析部９は、上記の有効特徴量を識別する特徴量番号を、特徴量識別データ１６として情報格納部１０の領域Ｅ６に格納する。基準空間生成部４は、一般化逆行列を算出するための相関係数行列Ｒの要素ｒiｊ（上記の（式３）を参照）として、単位データを示す特徴ベクトルの１０００個の特徴量のうちの特徴量識別データ１６により示されるｉ番目の項目とｊ番目の項目の相関係数を用いる。また、特徴量識別データ１６で示される有効特徴量が示す単位データから基準空間データ１３が生成される。
　（実施の形態６の効果）
　実施の形態６によれば、有効特徴量のみを用いて生成された基準空間に基づき算出された距離Ｄを用いた正常品／異常品の判別精度を、全ての特徴量を用いて生成された基準空間との距離Ｄを用いた判別精度よりも向上させることができる。
　また、有効特徴量のみを用いて生成された基準空間に基づき階層的クラスタリング分析部８により各異常モードに分類する際にも、異常品が有する全特徴量を用いて正常／異常が判別される場合に比較し、分類精度を向上させることができる。
　［実施の形態７］
　実施の形態７では、上述の各実施の形態に示した一連の処理をプログラムにより実施する場合を説明する。図１３は、実施の形態７に係る全体処理のフローチャートである。このフローチャートに示される処理は、プログラムとして記憶部（主記憶装置５２、補助記憶装置５３およびメモリカード５９等）に予め格納される。ＣＰＵ５１は、記憶部からプログラムを読出し、読出されたプログラムを実行することにより処理が実現される。
　図１３のフローチャートを参照して、予め基準空間データ１３を生成する処理（ステップＳ１）を説明する。具体的には、基準空間生成部４は、センサ１Ａにより検出された正常品から発生する音を表す特徴量データを信号処理部２Ａおよび特徴量抽出部３Ａを介して入力し、特徴量データを情報格納部１０の領域Ｅ２に格納する。このとき、特徴量抽出部３Ａでは、ＡＲ推定部３ＣによるＡＲ推定処理およびＡ特性補正部３ＤによりＡ特性補正処理が実施される（ステップＳ１ａ，Ｓ１ｂ）。このようにして各正常品の特徴量データ（単位データ）が領域Ｅ２に格納される。
　基準空間生成部４は、正常品特徴量群１２に基づき、平均化処理された基準空間データ１３を生成し、生成された基準空間データ１３を領域Ｅ３に格納する（ステップＳ１ｃ）。
　これにより、情報格納部１０の領域Ｅ３には、均質な単位データからなる基準空間データ１３が格納されて、基準空間データ１３の生成は終了する。
　次に、基準空間データ１３が示す基準空間に基づく正常／異常の判別処理を説明する。
　まず、複数の判別品データからなる判別品特徴量群１１が生成される（ステップＳ２）。具体的には、判別品からの音がセンサ１Ｂにより測定される。センサ１Ｂによる測定信号は、信号処理部２Ｂおよび特徴量抽出部３Ｂにより処理される（ステップＳ３）。このとき、特徴量抽出部３Ｂでは、ＡＲ推定部３ＣおよびＡ特性補正部３Ｄによる処理が実施される（ステップＳ４、Ｓ５）。
　これにより、判別品データから抽出された特徴量データは、判別品特徴量として情報格納部１０の領域Ｅ１に格納される。ステップＳ２～Ｓ５の処理が、複数の判別品について実施されることにより、領域Ｅ１に判別品特徴量群１１が格納される。
　判別品特徴量群１１の各判別品特徴量について、正常／異常の判別が実施される（ステップＳ７）。具体的には、距離算出部５は、判別品特徴量群１１から読出した判別品特徴量について、マハラノビス距離Ｄを計算する。正常／異常判別部６は、計算された距離Ｄと判定閾値とを比較し、比較結果に基づき判別する。また、当該判別結果に基づき、判別品データのうち異常品と判別されたものを、異常品特徴量７ａとして情報格納部１０の領域Ｅ４に格納する。判別品特徴量群１１の各判別品特徴量について、ステップＳ５とＳ６の処理が実施されることにより、領域Ｅ４には異常品特徴量群１４が格納される。
　階層的クラスタリング分析部８は、上述したステップ（１）～（４）の階層的クラスター分析により、領域Ｅ４の異常品特徴量群１４を分類する（ステップＳ９）。階層的クラスタリング分析部８は、異常モード別の異常品特徴量を、モード別特徴量群１５として、情報格納部１０の領域Ｅ５に格納する。また、いずれの異常モードにも分類されなかった異常品特徴量は、未分類データ８ａとして情報格納部１０の領域Ｅ８に格納される。
　ＣＰＵ５１は、未分類データ群１７の未分類データ８ａが所定個数に達したと判断すると、要因分析部９が要因分析により異常モード毎の有効特徴量を決定し、その特徴量番号を特徴量識別データ１６として領域Ｅ６に格納する（ステップＳ１１）。また、各異常モードの有効特徴量に基づき、情報格納部１０の領域Ｅ８の異常要因データ１８から読出された要因データは、出力装置５５を介して出力される。
　この要因分析の結果は、階層的クラスタリング分析部８にフィードバックされる（ステップＳ１３）。具体的には、領域Ｅ６の特徴量識別データ１６により示される有効特徴量に重み付けがされて、上述した階層的クラスター分析が実施される。これにより、異常モードの分類に関して感度の高い特徴量（有効特徴量）のみに重み付けがされる。したがって、階層的クラスター分析では、異常モードの分類について、高い分類精度が得られる。
　また、ＣＰＵ５１は、要因分析結果を基準空間に反映する（ステップＳ１５）。具体的には、ＣＰＵ５１は、一般化逆行列を算出するための相関係数行列Ｒの要素ｒij（上記の（式３）を参照）として、すなわち単位データのｉ番目の項目とj番目の項目の相関係数として、単位データの１０００個の特徴量のうち特徴量識別データ１６により示されるｉ番目の項目とｊ番目の項目の相関係数を用いる。また、領域Ｅ３の基準空間データ１３は、新たな基準空間データ１３に変更される。基準空間データ１３は、特徴量識別データ１６により識別される有効特徴量を示す単位データからなる。
　その後、ＣＰＵ５１は、処理を終了するか否かを判断する（ステップＳ１６）。例えば、ＣＰＵ５１は、入力装置５４から入力されたオペレータの指示に基づき当該処理を終了するか否かを判断する。ＣＰＵ５１は、処理を終了しないと判断した場合には（ステップＳ１６でＮＯ）、制御をステップＳ２に戻す。ＣＰＵ５１は、処理を終了すると判断した場合は（ステップＳ１６でＹＥＳ）、一連の判別処理を終了する。
　［実施の形態８］
　各実施の形態で説明した検査データ処理装置５０の処理を実現するためのログラムは、記憶部（主記憶装置５２、補助記憶装置５３およびメモリカード５９）に格納される。ＣＰＵ５１が記憶部から当該プログラムを読出し、読出されたプログラムを実行することにより、処理は他の回路部と協働して実現される。
　上述した各実施の形態に係る処理は、上述したようなプログラムとしても提供される。このようなプログラムは、図１の検査データ処理装置５０のコンピュータに付属するメモリカード５９等のコンピュータ読み取り可能な記録媒体に記録して提供される。あるいは、コンピュータに内蔵する主記憶装置５２、補助記憶装置５３およびメモリカード５９等の記録媒体に記録して、プログラムを提供することもできる。また、図示しない通信ネットワークおよび通信装置５６を介した検査データ処理装置５０の記憶部へのダウンロードによって、プログラムを提供することもできる。
　提供されるプログラムは、例えば、補助記憶装置５３のハードディスク等のプログラム格納部にインストールされて、インストールされたプログラムはＣＰＵ５１により読出されて実行される。なお、プログラム製品は、プログラム自体と、プログラムが非一時的に記憶された記憶媒体とを含む。
　今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した説明ではなく、請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　１　測定部、１Ａ，１Ｂ　センサ、２，２Ａ，２Ｂ　信号処理部、３，３Ａ，３Ｂ　特徴量抽出部、３Ｃ　ＡＲ推定部、３Ｄ　Ａ特性補正部、４　基準空間生成部、５　距離算出部、６　異常判別部、７　異常品抽出部、８　階層的クラスタリング分析部、９　要因分析部、１０　情報格納部、２０　判別処理部、５０　検査データ処理装置。

Claims (11)

  1. 　検査対象が正常品および異常品のいずれであるかを判別するための検査データ処理装置であって、
    　前記検査対象が正常品である場合の、正常品の特徴量を示す所定数のデータを含むデータ群から、基準空間を生成する生成部を備え、
    　前記生成部は、
    　前記基準空間を生成する場合に、前記データ群から複数のデータをランダムに抽出し、抽出された前記複数のデータが示す特徴量を代表する代表特徴量を算出する処理を、前記所定数だけ繰返し実施し、当該所定数の繰返し実施により算出された前記代表特徴量を示す前記所定数のデータを含むデータ群から、前記基準空間を生成するよう構成され、
    　さらに、
    　検査対象の特徴量を示すデータと前記基準空間との距離とを、所定の演算式に基づき算出する距離算出部と、
    　算出された前記距離の大きさに基づき、前記検査対象が前記正常品および前記異常品のいずれであるかを判別する判別部と、を備える、検査データ処理装置。
  2. 　前記距離算出部は、前記抽出された前記複数のデータが示す特徴量の平均を算出することを含む、請求項１に記載の検査データ処理装置。
  3. 　前記生成部により前記データ群からランダムに抽出される前記複数のデータは、前記データ群のうちの４０～５０％の数のデータである、請求項１または２に記載の検査データ処理装置。
  4. 　前記距離は、マハラノビス距離を示し、
    　前記所定の演算式は、前記基準空間の前記データ群の各データが示す特徴量どうしの相関係数に基づく相関係数行列から算出された一般化逆行列を含む、請求項１から３のいずれか１項に記載の検査データ処理装置。
  5. 　前記データが示す特徴量は、音波形のレベルの時間変化および周波数変化を示す時系列データから抽出された特徴量を含む、請求項１から４のいずれか１項に記載の検査データ処理装置。
  6. 　前記時系列データから前記特徴量を抽出する特徴量抽出部を、さらに備え、
    　前記特徴量抽出部は、
    　前記音波形の前記時系列データから、自己回帰モデルに従うスペクトル推定に従って、算出された周波数に対するスペクトル密度を、前記特徴量として抽出する自己回帰推定部を含む、請求項５に記載の検査データ処理装置。
  7. 　前記時系列データから前記特徴量を抽出する特徴量抽出部を、さらに備え、
    　前記特徴量抽出部は、
    　前記音波形の前記時系列データに対し、人の聴覚の感度に基づく予め定められた周波数に対する前記音波形のレベルに重み付けをする重み付け部を含む、請求項５に記載の検査データ処理装置。
  8. 　前記判別部により前記異常品であると判別された各前記検査対象を、前記検査対象のデータが示す前記特徴量に基づいた類似度に従い、複数の異常モードに分類する異常モード分類部を、さらに備える、請求項５から７のいずれか１項に記載の検査データ処理装置。
  9. 　各前記異常モードについて、異常要因を特定する異常要因特定部を、さらに備え、
    　前記異常要因特定部は、
    　各異常モードについて、当該異常モードに含まれるデータ群の特定データからなる特定基準空間と、当該異常モードの各データとの距離のばらつきの程度を示す第１ばらつき度を算出し、
    　各異常モードについて、当該異常モードに含まれるデータ群の全データからなる全基準空間と、当該異常モードの各データとの距離のばらつきの程度を示す第２ばらつき度を算出し、
    　算出された前記第１ばらつき度が、算出された前記第２ばらつき度よりも小さい場合には、前記特定データが示す前記特徴量を、当該異常モードの異常要因に関する特徴量として決定するように構成される、請求項８に記載の検査データ処理装置。
  10. 　前記検査データ処理装置は、前記決定された異常要因に関する特徴量を示すデータ群から、前記基準空間を生成する、請求項８に記載の検査データ処理装置。
  11. 　検査対象が正常品および異常品のいずれであるかを判別するための検査データ処理方法であって、
    　正常品の特徴量を示す所定数のデータを含むデータ群から、複数のデータをランダムに抽出し、抽出された前記複数のデータが示す特徴量を代表する代表特徴量を算出する処理を、前記所定数だけ繰返し実施するステップと、
    　当該所定数の繰返し実施により算出された前記代表特徴量を示す前記所定数のデータを含むデータ群から、基準空間を生成するステップと、
    　検査対象の特徴量を示すデータと前記基準空間との距離とを、所定の演算式に基づき算出するステップと、
    　算出された前記距離の大きさに基づき、前記検査対象は前記正常品および前記異常品のいずれであるかを判別するステップと、を含む、検査データ処理方法。
PCT/JP2016/050255 2015-01-21 2016-01-06 検査データ処理装置および検査データ処理方法 WO2016117358A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2016570557A JP6359123B2 (ja) 2015-01-21 2016-01-06 検査データ処理装置および検査データ処理方法
CN201680004993.7A CN107110743B (zh) 2015-01-21 2016-01-06 检查数据处理装置以及检查数据处理方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015009456 2015-01-21
JP2015-009456 2015-01-21

Publications (1)

Publication Number Publication Date
WO2016117358A1 true WO2016117358A1 (ja) 2016-07-28

Family

ID=56416907

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/050255 WO2016117358A1 (ja) 2015-01-21 2016-01-06 検査データ処理装置および検査データ処理方法

Country Status (3)

Country Link
JP (1) JP6359123B2 (ja)
CN (1) CN107110743B (ja)
WO (1) WO2016117358A1 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018040605A (ja) * 2016-09-06 2018-03-15 柳井電機工業株式会社 回転機器の監視装置
JP2018072083A (ja) * 2016-10-26 2018-05-10 株式会社東芝 消費エネルギー予測装置及び消費エネルギー予測方法
JP2020016611A (ja) * 2018-07-27 2020-01-30 日本製鉄株式会社 情報処理装置、情報処理方法及びプログラム
JP2020119154A (ja) * 2019-01-22 2020-08-06 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
CN111727366A (zh) * 2017-12-19 2020-09-29 株式会社日立高新技术 信号处理装置和信号处理方法
JP2021015103A (ja) * 2019-07-16 2021-02-12 株式会社東芝 機器の異常診断方法および機器の異常診断システム
WO2023054313A1 (ja) * 2021-09-29 2023-04-06 国立研究開発法人理化学研究所 異常音判定方法、異常音判定プログラム及び異常音判定システム
JP7462400B2 (ja) 2018-12-13 2024-04-05 現代自動車株式会社 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6810675B2 (ja) * 2017-11-16 2021-01-06 東京エレクトロンデバイス株式会社 情報処理装置及びプログラム
CN109034140B (zh) * 2018-09-13 2021-05-04 哈尔滨工业大学 基于深度学习结构的工业控制网络信号异常检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005121639A (ja) * 2003-09-22 2005-05-12 Omron Corp 検査方法および検査装置ならびに設備診断装置
JP2011070635A (ja) * 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置
JP2012002759A (ja) * 2010-06-18 2012-01-05 Fujitsu Ten Ltd 官能検査基準設定プログラム及び異音検査基準設定プログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2690027B2 (ja) * 1994-10-05 1997-12-10 株式会社エイ・ティ・アール音声翻訳通信研究所 パターン認識方法及び装置
JP3675965B2 (ja) * 1996-07-12 2005-07-27 東京瓦斯株式会社 自己回帰モデルを利用した音響または振動データの収集、処理方法及び自己回帰モデルを利用した音響または振動データからの有意な信号の抽出システム
JP2003275187A (ja) * 2001-12-27 2003-09-30 Kiyoshi Takizawa 診断方法とその装置、診断用プログラム
JP2004165216A (ja) * 2002-11-08 2004-06-10 Matsushita Electric Ind Co Ltd 生産管理方法および生産管理装置
JP2004205215A (ja) * 2002-12-20 2004-07-22 Fuji Xerox Co Ltd 音源診断装置
US20050114382A1 (en) * 2003-11-26 2005-05-26 Lakshminarayan Choudur K. Method and system for data segmentation
JP4205005B2 (ja) * 2004-03-26 2009-01-07 学校法人同志社 音計測装置
JP4645422B2 (ja) * 2005-11-18 2011-03-09 オムロン株式会社 判定装置、判定装置の制御プログラム、および判定装置の制御プログラムを記録した記録媒体
JP2007213194A (ja) * 2006-02-08 2007-08-23 Yokogawa Electric Corp 状況解析システムおよび状況解析方法
JP5120254B2 (ja) * 2006-07-06 2013-01-16 旭硝子株式会社 クラスタリングシステムおよび欠陥種類判定装置
JP5214679B2 (ja) * 2010-08-30 2013-06-19 株式会社東芝 学習装置、方法及びプログラム
CN103291600B (zh) * 2013-03-18 2015-07-08 北京航空航天大学 一种基于emd-ar和mts的液压泵故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005121639A (ja) * 2003-09-22 2005-05-12 Omron Corp 検査方法および検査装置ならびに設備診断装置
JP2011070635A (ja) * 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置
JP2012002759A (ja) * 2010-06-18 2012-01-05 Fujitsu Ten Ltd 官能検査基準設定プログラム及び異音検査基準設定プログラム

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018040605A (ja) * 2016-09-06 2018-03-15 柳井電機工業株式会社 回転機器の監視装置
JP2018072083A (ja) * 2016-10-26 2018-05-10 株式会社東芝 消費エネルギー予測装置及び消費エネルギー予測方法
CN111727366A (zh) * 2017-12-19 2020-09-29 株式会社日立高新技术 信号处理装置和信号处理方法
JP2020016611A (ja) * 2018-07-27 2020-01-30 日本製鉄株式会社 情報処理装置、情報処理方法及びプログラム
JP7014080B2 (ja) 2018-07-27 2022-02-01 日本製鉄株式会社 情報処理装置、情報処理方法及びプログラム
JP7462400B2 (ja) 2018-12-13 2024-04-05 現代自動車株式会社 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法
JP2020119154A (ja) * 2019-01-22 2020-08-06 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
JP7313828B2 (ja) 2019-01-22 2023-07-25 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
JP2021015103A (ja) * 2019-07-16 2021-02-12 株式会社東芝 機器の異常診断方法および機器の異常診断システム
WO2023054313A1 (ja) * 2021-09-29 2023-04-06 国立研究開発法人理化学研究所 異常音判定方法、異常音判定プログラム及び異常音判定システム

Also Published As

Publication number Publication date
CN107110743B (zh) 2019-12-10
JPWO2016117358A1 (ja) 2017-09-14
JP6359123B2 (ja) 2018-07-18
CN107110743A (zh) 2017-08-29

Similar Documents

Publication Publication Date Title
JP6359123B2 (ja) 検査データ処理装置および検査データ処理方法
Rubin et al. Recognizing abnormal heart sounds using deep learning
Clifford et al. Recent advances in heart sound analysis
Bedoya et al. Automatic recognition of anuran species based on syllable identification
CN105930663B (zh) 一种基于演化模糊规则的手部震颤信号及音频信号分类方法
US20110038515A1 (en) Development of fully-automated classifier builders for neurodiagnostic applications
US20120033863A1 (en) Assessing features for classification
Grønnesby et al. Feature extraction for machine learning based crackle detection in lung sounds from a health survey
Benmalek et al. Multiclass classification of Parkinson’s disease using different classifiers and LLBFS feature selection algorithm
KR101784058B1 (ko) 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법
Akbari et al. Recognizing seizure using Poincaré plot of EEG signals and graphical features in DWT domain
Sharma et al. Voice analysis for telediagnosis of Parkinson disease using artificial neural networks and support vector machines
Venu IOT Based Speech Recognition System to Improve the Performance of Emotion Detection
Chintalapudi et al. Voice Biomarkers for Parkinson's Disease Prediction Using Machine Learning Models with Improved Feature Reduction Techniques
Göker Automatic detection of Parkinson’s disease from power spectral density of electroencephalography (EEG) signals using deep learning model
Koçyiğit Heart sound signal classification using fast independent component analysis
KR20210152254A (ko) 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치
JP2002323371A (ja) 音響診断装置及び音響診断方法
Karim et al. Identification of seizure from single channel EEG using Support Vector Machine & Hilbert Vibration Decomposition
US20230248295A1 (en) Method for selecting features from electroencephalogram signals
Patel et al. Induction motor bearing fault classification using PCA and ANN
CN113951898B (zh) 数据迁移的p300脑电信号检测方法及装置、电子设备、介质
Nehary et al. A deep convolutional neural network classification of heart sounds using fractional fourier transform
Ayoub et al. A Genetic Approach Wrapped Support Vector Machine for Feature Selection Applied to Parkinson's Disease Diagnosi
Übeyli Implementing eigenvector methods/probabilistic neural networks for analysis of EEG signals

Legal Events

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

Ref document number: 16739965

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016570557

Country of ref document: JP

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: 16739965

Country of ref document: EP

Kind code of ref document: A1