WO2017006792A1 - 検査方法および検査装置 - Google Patents

検査方法および検査装置 Download PDF

Info

Publication number
WO2017006792A1
WO2017006792A1 PCT/JP2016/069001 JP2016069001W WO2017006792A1 WO 2017006792 A1 WO2017006792 A1 WO 2017006792A1 JP 2016069001 W JP2016069001 W JP 2016069001W WO 2017006792 A1 WO2017006792 A1 WO 2017006792A1
Authority
WO
WIPO (PCT)
Prior art keywords
data group
measurement
abnormal
normal
filter
Prior art date
Application number
PCT/JP2016/069001
Other languages
English (en)
French (fr)
Inventor
智 中田
稔 網干
執行　和浩
渡邊　英治
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 JP2017527398A priority Critical patent/JP6444503B2/ja
Priority to CN201680007245.4A priority patent/CN107209054B/zh
Publication of WO2017006792A1 publication Critical patent/WO2017006792A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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 method and an inspection apparatus used for, for example, defect determination in vibration inspection and image inspection processes.
  • the conventional inspection method is an inspection method for determining normality or abnormality.
  • a reference space based on normal data is created, and the normality of the inspection target data is determined based on the magnitude relationship between the Mahalanobis distance and the threshold in the reference space of the inspection target data. It is determined whether or not there is an abnormality (for example, Patent Document 1).
  • Conventional inspection methods and inspection devices create a reference space based on normal data of non-defective workpieces, and determine whether the inspection target data is normal or abnormal by comparing the Mahalanobis distance with respect to the reference space and a threshold value. Since the distance is an index indicating the degree of approximation with normal data for creating the reference space, a gray zone exists without being binarized as normal or abnormal. For this reason, there is a problem in that erroneous determination increases if the threshold setting is not appropriate.
  • abnormal data is accumulated, a reference space based on the abnormal data is created, and the Mahalanobis distance in the reference space based on the abnormal data of the target data and the Mahalanobis distance in the reference space based on the normal data are calculated.
  • a method of classifying abnormal modes by comparison and feeding back to the design so that the abnormal modes do not occur is conceivable.
  • the present invention has been made in order to solve the above-described problems, and reduces the misjudgment rate due to measurement abnormality, and misjudgment of a failure mode with a low occurrence frequency or an unknown failure mode that may occur in the future.
  • An object of the present invention is to provide an inspection method and an inspection apparatus that reduce the constant rate.
  • the inspection method of this invention is The measurement data group determined to be normal or abnormal by determining whether it is normal or abnormal from the Mahalanobis distance of the measurement data group obtained by measuring the work to be inspected with respect to a reference space based on a standard normal data group obtained by measuring a non-defective workpiece
  • the filter is set from a measurement abnormality coefficient by independent component analysis of the reference normal data group and the measurement abnormality data group.
  • the inspection apparatus of this invention The measurement data group determined to be normal or abnormal by determining whether it is normal or abnormal from the Mahalanobis distance of the measurement data group obtained by measuring the work to be inspected with respect to a reference space based on a standard normal data group obtained by measuring a non-defective workpiece A first determination unit with a measurement abnormality data group, A filter processing unit that applies the reference normal data group and the measurement abnormality data group to a correction reference normal data group and a correction measurement abnormality data group by applying a filter that reduces a feature amount; An inspection apparatus comprising a second determination unit that determines whether normal or abnormal from the Mahalanobis distance of the corrected measurement abnormal data group with respect to the correction reference space based on the correction standard normal data group, The filter is set from a measurement abnormality coefficient by independent component analysis of the reference normal data group and the measurement abnormality data group.
  • the inspection method and the inspection apparatus of the present invention it is possible to reduce the misjudgment rate due to measurement abnormality, and it is possible to reduce the misjudgment rate of a failure mode with a low occurrence frequency or an unknown failure mode that may occur in the future. .
  • Embodiments of the present invention will be described below.
  • a general inspection method for a workpiece to be inspected will be described.
  • an inspection method in a production line for manufacturing a workpiece to be inspected there is a sensory inspection in which an engineer senses the state of the workpiece to be inspected with five senses and determines whether it is good. For example, the determination is made by hearing the vibration of the work to be inspected with the ear or touching the vibration with the hand.
  • labor costs are incurred and depend on the physical condition of the engineer, so it is difficult to make a stable determination.
  • an automatic inspection method using a machine for example, vibration or sound of a work to be inspected is captured as waveform data by a sensor, and the quality is determined by numerical analysis of the obtained waveform data.
  • vibration or sound of a work to be inspected is captured as waveform data by a sensor, and the quality is determined by numerical analysis of the obtained waveform data.
  • abnormal data in the inspection is caused by various causes such as a scratch on a bearing and a runout of a rotating body.
  • the abnormal data appears at a frequency different from the waveform data of the non-defective workpiece depending on the types of the abnormalities.
  • a method for solving the above problems there is known a method in which a reference space based on a normal data group obtained by measuring a non-defective work is created, and a Mahalanobis distance from the measured data group obtained by measuring the work to be inspected is obtained. Since the Mahalanobis distance is an index indicating the degree of approximation with data included in the reference space, normal data and abnormal data can be discriminated regardless of the type of abnormal data.
  • the object of the present invention is to perform a filter process using a filter that reduces the feature amount with respect to the influence of such a measurement abnormality, thereby reducing a non-defective workpiece as a defective workpiece and erroneous determination and improving a determination rate. Further, the filtering process hardly affects the abnormal data of the defective workpiece, and only the Mahalanobis distance of a normal workpiece erroneously determined as an abnormal workpiece is reduced. Therefore, it is possible to reduce erroneous determination of a defective workpiece by setting the threshold value strictly. That is, it is possible to reduce misjudgment for abnormal data with low occurrence frequency and unknown abnormal data that may occur in the future.
  • FIG. 1 is a process diagram showing an inspection method according to Embodiment 1 of the present invention.
  • FIG. 2 is a block diagram showing a configuration of an inspection apparatus that executes the inspection method shown in FIG.
  • FIG. 3 is a flowchart showing the inspection method shown in FIG.
  • FIG. 4 is a diagram showing a data preparation process for creating a filter used in the inspection method shown in FIG.
  • FIG. 5 is a diagram showing a process of creating a filter used in the inspection method shown in FIG.
  • FIG. 6 is a diagram showing an independent component analysis procedure in creating a filter of the inspection method shown in FIG.
  • FIG. 7 is a diagram for explaining variable conversion in Embodiment 1 of the present invention.
  • FIG. 8 is a diagram for explaining the setting of the full rank matrix in the inspection method shown in FIG.
  • FIG. 9 is a diagram showing QR decomposition in the inspection method shown in FIG. 5 using the full rank matrix shown in FIG.
  • FIG. 10 is a diagram for explaining filter selection in the inspection method shown in FIG.
  • the inspection apparatus 100 includes a first determination unit 101, a filter processing unit 102, and a second determination unit 103. As shown in FIG. 1, the inspection apparatus 100 includes a plurality of non-defective workpieces that are determined to be non-defective in advance as a reference non-defective workpiece group 1, a non-defective workpiece group A200, a non-defective workpiece group B300, and a defective workpiece. An inspection with the group 400 is performed.
  • the first determination unit 101 measures a measurement data group (normal data group A120, measurement abnormal data) obtained by measuring the work to be inspected with respect to the reference space 30 based on the reference normal data group 11 obtained by the measurement 10 of the reference good product group 1.
  • the first determination 72 of normal or abnormal is performed from the Mahalanobis distance of the group 130 and the defective data group 140), and the measurement data group (the measurement abnormal data group 130 and the defective data group 140) determined to be abnormal is measured abnormally.
  • a data group normal data group A120, measurement abnormal data
  • the filter processing unit 102 performs a filtering process that applies the reference normal data group 11 and the measurement abnormality data group (measurement abnormality data group 130 and defect data group 140) to the measurement abnormality filter 71 as a filter that reduces the feature amount,
  • the correction reference normal data group 41 and the correction measurement abnormality data group are used.
  • the second determination 73 is performed.
  • a plurality of non-defective workpieces that are determined to be non-defective items in advance are defined as a reference non-defective workpiece group 1. Further, it is assumed that a non-defective workpiece group A2, a non-defective workpiece group B3, and a defective workpiece group 4 exist as workpieces to be inspected.
  • the non-defective workpiece group A2 is a workpiece group that is determined to be non-defective by one measurement.
  • the non-defective workpiece group B3 is determined to be abnormal in one measurement.
  • the workpiece group is determined to be a non-defective product by the second remeasurement.
  • the defective workpiece group 4 is a workpiece group that is determined to be abnormal even if a plurality of measurements are performed.
  • measurement 10 is performed to inspect these workpiece groups 1, 2, 3, and 4.
  • the measurement results of the reference good work group 1, the good work group A2, the good work group B3, and the defective work group 4 are the reference normal data group 11, the normal data group A12, the measurement abnormality data group 13, and the defect data, respectively. It is assumed that it is a group 14 (however, normal, abnormal measurement, or failure is not determined at this stage. This is the same in the description of the following embodiment, and the description thereof is Omitted where appropriate.)
  • the reference space 30 is generated using the reference normal data group 11.
  • the Mahalanobis distance of each data group 12, 13, and 14 with respect to the reference space 30 is obtained.
  • the 1st determination 72 which compares each Mahalanobis distance and the preset 1st threshold value is performed. Since the normal data group A12 is within the first threshold value, it is determined as a non-defective product. Moreover, since the measurement abnormality data group 13 and the defect data group 14 are out of the first threshold value, they are determined to be defective.
  • re-measurement 10A is performed to inspect the non-defective workpiece group B3 and the defective workpiece group 4 again.
  • the measurement method of the re-measurement 10A is the same as that of the measurement 10 described above. However, since the measurement does not become abnormal, the above-described platform on which the workpiece to be inspected is prevented from shaking. It was done by some kind of countermeasure.
  • the measurement results of the non-defective workpiece group B3 and the defective workpiece group 4 become the normal data group B23 and the defective data group 24, respectively.
  • the Mahalanobis distances of the data groups 23 and 24 with respect to the previously created reference space 30 are obtained. Then, the first re-determination 72A for comparing each Mahalanobis distance with the first threshold value is performed. Since the normal data group B23 is within the first threshold value, it is determined as a non-defective product. Further, since the defective data group 24 is out of the first threshold value, it is determined as defective.
  • the reference normal data group 11 of the measurement result of the reference non-defective work group 1 for generating the reference space 30 used for the pass / fail determination obtained as described above, the failure determination in the measurement 10, and the remeasurement 10A The filter is created using the measurement abnormality data group 13 of the measurement result in the measurement 10 of the non-defective work group B3 determined as non-defective. Further, the filter selection is performed by adding the defect data group 14 of the measurement result in the measurement 10 of the workpiece which is determined as defective in the measurement 10 and determined as defective in the re-measurement 10A.
  • the independent component analysis 40 is performed using the reference normal data group 11 and the measurement abnormality data group 13.
  • This independent component analysis 40 will be described with reference to FIG.
  • independent component analysis 40 is performed on the i reference normal data group 11 and the j measurement abnormal data group 13 with the number of axes m.
  • the column vectors constituting the i reference normal data groups 11 and the j measurement abnormal data groups 13 are each n-dimensional.
  • the independent component analysis 40 obtains a mixing matrix 50 including a coefficient group indicating the relationship of linear combination of variables before and after the independent component analysis 40, a reference normal independent component score 31, and a measurement abnormal independent component score 33.
  • the dimension of the mixing matrix 50 is m ⁇ n, and the column vectors constituting the reference normal independent component score 31 and the measurement abnormal independent component score 33 are m dimensions, respectively.
  • the independent component score can obtain the measurement abnormal axis coefficient 61 as the measurement abnormal coefficient for each data by the number m of axes when the independent component analysis 40 is performed (each row of the mixing matrix 50 is the measurement abnormal axis). Corresponding to a coefficient of 61). Then, as shown in FIG. 6B, a defective independent component score 34 is obtained by multiplying the mixing matrix 50 by k defective data groups 14 from the left.
  • variable conversion of the data groups 11, 13, and 14 when filtering is performed in the first embodiment will be described with reference to FIG.
  • the variables f1, f2, and f3 of the reference normal data group 11, the measurement abnormality data group 13, and the defective data group 14 are converted into variables g1, g2, and g3 by the mixing matrix 50.
  • the variables of the reference normal independent component score 31, the measurement abnormal independent component score 33, and the defective independent component score 34 are variables g1, g2, and g3 (FIG. 7A).
  • the measurement abnormal axis coefficient 61 indicating the coefficient of linear combination of each variable in the measurement abnormal axis 60 is distributed in the direction of the measurement abnormal axis 60 with respect to the origin of the measurement abnormal data group 13. (FIG. 7B).
  • the measurement abnormal independent component score 33 can be brought close to the origin by projecting onto the measurement abnormal axis orthogonal axis 62 which is the axis group h2, h3 orthogonal to the measurement abnormal axis 60 (FIG. 7C). .
  • the Mahalanobis distance of the measurement abnormality data group 13 can be reduced.
  • QR decomposition decomposes a matrix into a product of an orthonormal matrix Q and an upper triangular matrix R, and is obtained by an algorithm that solves a simple simultaneous equation.
  • the orthonormal matrix Q including the measurement abnormal axis coefficient 61 that is the coefficient of the measurement abnormal axis 60 in a column can be created, the other columns of the orthonormal matrix Q are orthogonal to the measurement abnormal axis coefficient 61. Since the orthonormal matrix Q needs to be full rank, the full rank matrix 63 needs to be generated. First, a method for generating the full rank matrix 63 will be described with reference to FIG.
  • an n-dimensional unit matrix 64 is generated (FIG. 8A).
  • the unit matrix 64 is generated. Is replaced with the measurement abnormal axis coefficient 61.
  • FIG. 8C an example is shown in which the first row of the mixing matrix 50 shown in Fig. 6 (A) is replaced with the lth column (Fig. 8 (B)). Then, the matrix obtained by moving the replaced l-th column to the first column becomes the full rank matrix 63 (B) (FIG. 8C).
  • the first column of the orthonormal matrix 65 which is the orthonormal matrix Q is a constant multiple of the measurement abnormal axis coefficient 61, and the column vectors other than the first column are converted into the measurement abnormal axis coefficient 61.
  • Orthogonal That is, the column vector other than the first column of the orthonormal matrix 65 is a measurement abnormal axis orthogonal axis group 620 including a plurality of measurement abnormal axis orthogonal axis coefficients 62A.
  • the defective data group 14 is distributed in the direction of the measurement abnormal axis 60. In that case, the Mahalanobis distance of the defective data group 14 is reduced. As a result, the defective data group 14 is handled as the measured abnormal data group 13, and therefore the measured abnormal axis coefficient 61 needs to be selected so that the Mahalanobis distance of the defective data group 14 is not reduced. Accordingly, the normal normal matrix 65, the corrected normal normal data group 41, the corrected measurement abnormal data group 43, and the corrected defective data group 44 are obtained by multiplying the normal normal matrix 65 from the right of the reference normal data group 11, the measurement abnormal data group 13, and the defective data group 14. And
  • the corrected measurement abnormality Mahalanobis distance 53 which is the Mahalanobis distance of the correction measurement abnormality data group 43 and the correction defect data group 44, and the correction defect Mahalanobis distance. Get 54 each. If the corrected measurement abnormal Mahalanobis distance 53 is smaller than the correction defective Mahalanobis distance 54, the measurement abnormal filter 71 is effective. Therefore, the selection of the measurement abnormal axis coefficient 61 is appropriate, and the filter selection 90 is selected by assuming that the measurement abnormal filter 71 stopped at this time is effective.
  • the filter selection 90 selects the measurement abnormal axis coefficient 61 as inappropriate. Therefore, in such a case, another row vector of the mixing matrix 50 is selected, another measurement abnormality filter 71 is generated again by the QR decomposition 70, and the operation described above is repeated.
  • the measurement abnormal axis coefficient 61 may indicate electrical noise when, for example, electrical noise is included in the reference normal data group 11 (FIG. 10B). Therefore, even if the measurement abnormality filter 71 is effective, in the case of measurement abnormality with no reproducibility such as electrical noise, the measurement abnormality filter 71 is effective even if the measurement abnormality axis coefficient 61 is set as described above. I can't get it.
  • the measurement abnormal data group 13 tends to have a large value in the original variable, and if it is negative, it shows a tendency to be small. Further, 0 indicates that there is no influence from the original variable.
  • the features of measurement anomalies are concentrated in a specific frequency region.
  • each measurement abnormality filter 71 is further selected.
  • the inspection apparatus 100 inspects the reference non-defective workpiece group 1 described above, and the non-defective workpiece group A 200, the non-defective workpiece group B 300, and the defective workpiece group 400 as workpieces to be inspected. However, at this point in time, it is not determined whether each work group is a non-defective product or a defective product, and is shown for convenience.
  • the first determination unit 101 sets the reference space 30 based on the reference normal data group 11.
  • the Mahalanobis distance of the normal data group A120, the measurement abnormality data group 130, and the defective data group 140 with respect to the reference space 30 is calculated (step ST1 in FIG. 3).
  • each of the Mahalanobis distances is compared with a first threshold value set in advance, and a first determination 72 is performed to determine whether the normal data group A120, the measurement abnormal data group 130, and the defective data group 140 are normal or abnormal. (Step ST2 in FIG. 3).
  • the normal data group A120 is normal (YES). Therefore, the normal data group A120 and subsequent determinations are not performed, but are determined to be normal (step ST6 in FIG. 3). Further, it is determined that the measurement abnormality data group 130 and the defective data group 140 are abnormal (NO). Therefore, these data groups 130 and 140 are suitable for subsequent determination.
  • the measurement data group determined to be abnormal is defined as a measurement abnormality data group 130.
  • the defective data group 140 also corresponds to the measurement abnormality data group.
  • the filter processing unit 102 filters the measurement abnormality data group 130 and the defect data group 140 as the reference normal data group 11 and the measurement abnormality data group through the measurement abnormality filter 71, and corrects the corrected reference normal data group 41 and The corrected measurement abnormality data group 43 is set (step ST3 in FIG. 3).
  • the correction failure data group 44 also corresponds to a correction measurement abnormality data group.
  • the second determination unit 103 sets the correction reference space 80 based on the correction reference normal data group 41. Then, the Mahalanobis distances of the corrected measurement abnormality data group 43 and the correction failure data group 44 with respect to the correction reference space 80 are calculated (step ST4 in FIG. 3). Next, each Mahalanobis distance is compared with a preset second threshold value, and a second determination 73 is made as to whether the corrected measurement abnormality data group 43 and the correction failure data group 44 are normal or abnormal (FIG. 3). Step ST5).
  • the corrected measurement abnormality data group 43 is normal (step ST6 in FIG. 3), and the correction defect data group 44 is determined to be abnormal (step ST7 in FIG. 3). From the above results, it was determined that the non-defective workpiece group A200 and the non-defective workpiece group B300 were normal, and the defective workpiece group 400 was determined to be abnormal. Therefore, even when the measurement result of the non-defective workpiece group B300 including measurement abnormality data is used, it can be determined as normal.
  • the measurement abnormality filter is subjected to the filtering process on the measurement abnormality data group and the defective data group determined to be abnormal in the first determination unit, Since the Mahalanobis distance in the correction reference space is obtained and the second determination is performed, the measurement abnormality data group that is determined to be abnormal in the first determination is determined to be normal in the second determination, so that the erroneous determination rate can be reduced.
  • the measurement abnormality filter affects only the measurement abnormality data group and has a low possibility of affecting the defective data group, the possibility that the failure data group is determined to be normal in the second determination by the measurement abnormality filter is low.
  • FIG. FIG. 11 is a diagram for explaining selection of a filter for an inspection method and an inspection apparatus according to Embodiment 2 of the present invention.
  • the second embodiment only filter selection different from that of the first embodiment will be described.
  • the measurement abnormal axis coefficient 61 is represented by a two-dimensional region by image inspection will be described.
  • the measurement abnormal axis coefficient 61 is positive or negative and is concentrated in a specific area. That is, at each point of the measurement abnormal axis coefficient 61, the value obtained by integrating the absolute value of the total value of the measurement abnormal axis coefficient 61 included in the unit circle in all areas is a coefficient concentrated on a specific area (measurement abnormal axis coefficient).
  • the case (FIG. 11A)) is larger than the case of electrical noise (FIG. 11B). Therefore, the filter is selected in the same manner as in the first embodiment by using these values and comparing them with preset standard values.
  • FIG. FIG. 12 is a diagram showing creation of a filter in the inspection method according to Embodiment 3 of the present invention.
  • a description will be given of a place where a filter is created, which is different from the above embodiments.
  • the filter obtained by QR decomposition is an n ⁇ n-dimensional matrix, there is a case where it takes a calculation time and does not fit in the tact time when operating on the production line. It may occur.
  • the measurement abnormal axis coefficient 61 if the measurement abnormal axis coefficient 61 is positive, the measurement abnormal data group 13 tends to have a large value in the original variable, and if it is negative, it shows a tendency to be small.
  • a filter coefficient 67 as a filter is approximately obtained (FIG. 12A).
  • the measurement abnormality data group 13 is filtered by the filter coefficient 67 to obtain a corrected measurement abnormality data group 43 (FIG. 12B). Since other methods are the same as those in the above embodiments, the description thereof will be omitted as appropriate.
  • the exponent is positive, it is larger than 1, so that it can be corrected to be smaller by dividing, and if the exponent is negative, it is smaller than 1, so that it is smaller than 1, so that the measured abnormal data group 13 is divided. Can be greatly corrected.
  • the filter is an n-dimensional column vector
  • the calculation time can be shortened compared to the filter stopped by QR decomposition.

Abstract

基準正常データ群（１１）の基準空間（３０）に対する、測定データ群のマハラノビス距離から判定し、異常であると判定した測定データ群を測定異常データ群とする第一判定部（１０１）と、基準正常データ群（１１）および測定異常データ群の独立成分分析による測定異常係数から設定する測定異常フィルタ（７１）にかけて補正基準正常データ群（４）および補正測定異常データ群（４３）とするフィルタ処理部（１０２）と、補正基準正常データ群（４）の補正基準空間（８０）に対する、補正測定異常データ群（４３）のマハラノビス距離から正常か異常かを判定する第二判定部（１０３）とを備える。

Description

検査方法および検査装置
　この発明は、例えば振動検査や画像検査の工程における不良判定などに用いられる検査方法および検査装置に関するものである。
　従来の検査方法は、正常または異常の判定を行う検査方法において、正常データに基づく基準空間を作成し、検査対象データの基準空間におけるマハラノビス距離と閾値との大小関係により、検査対象データの正常または異常であるかの判定を行うものである（例えば、特許文献１）。
特開２００５－１２１６３９号公報
　従来の検査方法および検査装置は、良品ワークの正常データに基づく基準空間を作成し、基準空間に対するマハラノビス距離と閾値との大小比較により検査対象データの正常または異常を判定するものであるが、マハラノビス距離は基準空間を作成する正常データとの近似度合いを示す指標であるため、正常または異常の２値化されずにグレーゾーンが存在する。そのため、閾値の設定が適切でないと誤判定が増加するという問題点があった。
　上記問題点を解決する方法として、異常データを蓄積し、異常データに基づく基準空間を作成し、対象データの異常データに基づく基準空間におけるマハラノビス距離と、正常データに基づく基準空間におけるマハラノビス距離とを比較することで、異常モードを分類し、当該異常モードが発生しないように設計にフィードバックする方法が考えられる。
　しかし、ワークそのものが良品ワークであるにも関わらず、測定異常により異常データとなり、かつ、測定異常を除去することが困難な検査については、上記の方法で誤判定を低減させることが困難であるという問題点があった。
　また、発生頻度の少ない不良モードまたは今後発生する可能性のある未知の不良モードにおいては、異常データに基づく基準空間を作成し、閾値を設定すること自体が困難であるという問題点があった。
　この発明は上記のような課題を解決するためになされたものであり、測定異常による誤判定率を低減し、また、発生頻度の少ない不良モードまたは今後発生する可能性のある未知の不良モードの誤判定率を低減する検査方法および検査装置を提供することを目的とする。
　この発明の検査方法は、
良品ワークの測定により得た基準正常データ群に基づく基準空間に対する、被検査ワークの測定により得た測定データ群のマハラノビス距離から正常か異常かを判定し、異常であると判定した前記測定データ群を測定異常データ群とする第一判定工程と、
前記基準正常データ群および前記測定異常データ群を、特徴量を低減するフィルタにかけて補正基準正常データ群および補正測定異常データ群とするフィルタ処理工程と、
前記補正基準正常データ群に基づく補正基準空間に対する、前記補正測定異常データ群のマハラノビス距離から正常か異常かを判定する第二判定工程とを備えた検査方法であって、
前記フィルタは、前記基準正常データ群および前記測定異常データ群の独立成分分析による測定異常係数から設定するものである。
　また、この発明の検査装置は、
良品ワークの測定により得た基準正常データ群に基づく基準空間に対する、被検査ワークの測定により得た測定データ群のマハラノビス距離から正常か異常かを判定し、異常であると判定した前記測定データ群を測定異常データ群とする第一判定部と、
前記基準正常データ群および前記測定異常データ群を、特徴量を低減するフィルタにかけて補正基準正常データ群および補正測定異常データ群とするフィルタ処理部と、
前記補正基準正常データ群に基づく補正基準空間に対する、前記補正測定異常データ群のマハラノビス距離から正常か異常かを判定する第二判定部とを備えた検査装置であって、
前記フィルタは、前記基準正常データ群および前記測定異常データ群の独立成分分析による測定異常係数から設定するものである。
　この発明の検査方法および検査装置によれば、測定異常による誤判定率を低減し、また、発生頻度の少ない不良モードまたは今後発生する可能性のある未知の不良モードの誤判定率を低減することができる。
この発明の実施の形態１の検査方法を説明するための図である。 図１に示した検査方法を実行する検査装置の構成を示したブロック図である。 図１に示した検査方法を示したフローチャートである。 図１に示した検査方法を実施するための工程を示した図である。 図１に示した検査方法に用いるフィルタの作成の工程を示した図である。 図５に示した検査方法における独立成分分析の手順を示した図である。 本発明の実施の形態１における変数変換を説明するための図である。 図５に示した検査方法におけるフルランク行列の設定を説明するための図である。 図８に示したフルランク行列を用いた図５に示した検査方法におけるＱＲ分解を示した図である。 図５に示した検査方法におけるフィルタ選定を説明するための図である。 この発明の実施の形態２の検査方法におけるフィルタ選定を説明するための図である。 この発明の実施の形態３の検査方法に用いるフィルタの作成の工程を示した図である。
実施の形態１．
　以下、本願発明の実施の形態について説明する。
　まず、一般的な被検査ワークの検査方法について説明する。被検査ワークを製造する製造ラインにおける検査方法として、技術者が被検査ワークの状態を五感によって感じ取り良否判定する官能検査がある。例えば、被検査ワークの振動を耳で聞いたり、振動を手で触ったりして判定を行うというものである。しかし、官能検査の場合、人件費がかかり、技術者の体調によって左右されるため、安定した判定を行うことが困難である。
　また、安定した判定基準の確立のみならず、技術者の育成のコスト削減、検査工程の自動化のため、官能検査を機械による自動検査に置き換える需要が高まってきている。機械による自動検査方法は、例えば、被検査ワークの振動または音をセンサによって波形データとして取り込み、得られた波形データを数値解析することにより良否判定を行う。例えば、被検査ワークとして回転機を検査する場合であれば、検査における異常データはベアリングの傷や回転体の芯ぶれなど多種の原因によって生じる。そして、これら異常の種類によって良品ワークの波形データとは異なる周波数に異常データが現れる。
　製造ラインにおいては、限られた検査時間の中で判定を行う必要があるため、すべての異常データに対して判定を行い、分類することは不可能である。更に、発生する頻度が少ない異常データについては測定データを蓄積すること自体が困難であるため、適切な閾値を設定することが困難である。更に、今後発生する可能性がある未知の異常データについては、閾値を設定することさえできない。
　技術者による官能検査であれば、上記発生頻度の少ない異常データについても複数の正常データから構成される正常データ群との違いから異常判定を行うことは可能であるが、先にも示したように、安定した判定を行うことは困難である。また、他の検査方法として、波形データをフーリエ変換し、特定の周波数における数値が基準値の中に含まれるかによって良否判定するという方法があるが、未知の異常データの場合どこの周波数に特徴が現れるか不明であるため、複数の周波数を同時に注目する必要がある。しかし、フーリエ変換後のすべてに周波数に基準値を設定するのは困難である。また、閾値の設定に多くのデータを必要とし適切な値を設定することは困難である。
　上記のような問題を解決する方法として、良品ワークを測定した正常データ群に基づく基準空間を作成し、被検査ワークを測定した測定データ群とのマハラノビス距離をもとめる方法が知られている。マハラノビス距離は基準空間に含まれるデータとの近似度合いを示す指標であるため、異常データの種類によらず、正常データと異常データとを判別することができる。
　しかし、良品ワークであるにもかかわらず、測定異常によって正常データ群とは異なる傾向を示すデータが得られた場合、不良ワークと判定されることがある。例えば、センサによる振動データの測定の際に被検査ワークを載せている台が揺れ、センサがその揺れを拾ってしまうという場合がある。他にも、被検査ワークそのものの振動に異常がなくとも、センサの取り付け面の汚れや寸法によるセンサの位置ずれにより異常データとする場合がある。このような測定異常は除去することが困難であることも多く、良品ワークを不良ワークと誤判定する原因となっている。
　本発明においてはこのような測定異常の影響について特徴量を低減するフィルタにてフィルタ処理を行うことで、良品ワークを不良ワークと誤判定を低減し、判定率を向上することを目的としている。また、前記フィルタ処理は、不良ワークの異常データに対しての影響はほとんどなく、異常ワークと誤判定される正常ワークのマハラノビス距離のみを小さくする。よって、閾値を厳しく設定することで不良ワークの誤判定を低減させることができる。すなわち、発生頻度の少ない異常データや今後発生する可能性のある未知の異常データについても誤判定を低減させることができるものである。
　以下、図に基づいて実施の形態１の検査方法について説明する。図１はこの発明の実施の形態１における検査方法を示す工程図である。図２は図１に示した検査方法を実行する検査装置の構成を示したブロック図である。図３は図１に示した検査方法を示したフローチャートである。図４は図１に示した検査方法に用いるフィルタを作成するためのデータ準備の工程を示した図である。図５は図１に示した検査方法に用いるフィルタの作成の工程を示した図である。
　図６は図５に示した検査方法のフィルタの作成における独立成分分析の手順を示した図である。図７は本発明の実施の形態１における変数変換を説明するための図である。図８は図５に示した検査方法におけるフルランク行列の設定を説明するための図である。図９は図８に示したフルランク行列を用いた図５に示した検査方法におけるＱＲ分解を示した図である。図１０は図５に示した検査方法におけるフィルタ選定を説明するための図である。
　図２において、検査装置１００は、第一判定部１０１と、フィルタ処理部１０２と、第二判定部１０３とから構成されている。図１に示すように、検査装置１００は、あらかじめ良品であると判定されている複数の良品ワークを基準良品ワーク群１と、被検査ワークとしての良品ワーク群Ａ２００、良品ワーク群Ｂ３００、不良ワーク群４００との検査を行うものである。
　第一判定部１０１は、基準良品ワーク群１の測定１０により得た基準正常データ群１１に基づく基準空間３０に対する、被検査ワークの測定により得た測定データ群（正常データ群Ａ１２０、測定異常データ群１３０、および不良データ群１４０）のマハラノビス距離から正常か異常かの第一判定７２を行い、異常であると判定した測定データ群（測定異常データ群１３０、および不良データ群１４０）を測定異常データ群とする。
　フィルタ処理部１０２は、基準正常データ群１１および測定異常データ群（測定異常データ群１３０、および不良データ群１４０）を、特徴量を低減するフィルタとしての測定異常フィルタ７１にかけるフィルタ処理を行い、補正基準正常データ群４１および補正測定異常データ群（補正測定異常データ群４３、および、補正不良データ群４４）とする。第二判定部１０３は、補正基準正常データ群４１に基づく補正基準空間８０に対する、補正測定異常データ群（補正測定異常データ群４３、および、補正不良データ群４４）のマハラノビス距離から正常か異常かの第二判定７３を行う。
　次に、上記のように構成された実施の形態１の検査装置１００のフィルタ処理部１０２にて用いられるフィルタとしての測定異常フィルタ７１の作成について説明する。まず、データ準備の手順を図４に基づいて説明する。あらかじめ良品であると判定されている複数の良品ワークを基準良品ワーク群１とする。また、検査するための被検査ワークとして、良品ワーク群Ａ２と、良品ワーク群Ｂ３と、不良ワーク群４とが存在するものとする。良品ワーク群Ａ２は、１回の測定にて良品であると判定されるワーク群である。良品ワーク群Ｂ３は、１回の測定にて異常であると判定される。そして、２回目の再測定にて良品であると判定されるワーク群である。不良ワーク群４は、複数回の測定を行ったとしても異常であると判定されるワーク群である。
　そして、これらワーク群１、２、３、４の検査を行うための測定１０を行う。これら基準良品ワーク群１、良品ワーク群Ａ２、良品ワーク群Ｂ３、および、不良ワーク群４の測定結果が、それぞれ基準正常データ群１１、正常データ群Ａ１２、測定異常データ群１３、および、不良データ群１４であるとする（但し、この段階で、正常、測定異常、不良が判定されているものではない。また、このことは以下の実施の形態の説明においても同様であるため、その説明は適宜省略する。）。
　次に、基準正常データ群１１を用いて基準空間３０を生成する。次に、基準空間３０に対する各データ群１２、１３、１４のマハラノビス距離をそれぞれもとめる。そして、各マハラノビス距離と、あらかじめ設定された第一閾値とを比較する第一判定７２を行う。そして、正常データ群Ａ１２は第一閾値内であるため、良品と判定される。また、測定異常データ群１３および不良データ群１４は第一閾値から外れているため、不良と判定される。
　次に、良品ワーク群Ｂ３および不良ワーク群４に対して、再び検査を行うための再測定１０Ａを行う。尚、この再測定１０Ａの測定方法は、先に示した測定１０と同様であるが、測定異常とならないために、先に示した、被検査ワークを載せている台が揺れることを防止するなど、何らかの対処により行ったものである。これら良品ワーク群Ｂ３、および、不良ワーク群４の測定結果が、それぞれ正常データ群Ｂ２３、および、不良データ群２４となる。
　次に、先に作成された基準空間３０に対する各データ群２３、２４のマハラノビス距離をそれぞれもとめる。そして、各マハラノビス距離と、上記第一閾値とを比較する再第一判定７２Ａを行う。そして、正常データ群Ｂ２３は第一閾値内であるため、良品と判定される。また、不良データ群２４は第一閾値から外れているため、不良と判定される。
　以上に示したようにして得られた、良否判定に用いる基準空間３０を生成するための基準良品ワーク群１の測定結果の基準正常データ群１１と、測定１０において不良判定、かつ、再測定１０Ａにおいて良品判定される良品ワーク群Ｂ３の測定１０における測定結果の測定異常データ群１３とを用いてフィルタの作成を行う。また、測定１０において不良判定、かつ、再測定１０Ａにおいて不良判定されるワークの測定１０における測定結果の不良データ群１４を追加してフィルタ選定を行う。
　次に、図４に示すようにして得られた各データ群１１、１３、１４を用いたフィルタの作成の手順を図５に基づいて説明する。まず、基準正常データ群１１と、測定異常データ群１３とを用いて、独立成分分析４０を行う。この独立成分分析４０を図６に基づいて説明する。まず、図６（Ａ）に示すように、ｉ個の基準正常データ群１１と、ｊ個の測定異常データ群１３とを軸数ｍで独立成分分析４０を行う。ここでは、ｉ個の基準正常データ群１１と、ｊ個の測定異常データ群１３とを構成する列ベクトルはそれぞれｎ次元である。
　そして、独立成分分析４０によって、独立成分分析４０前後の変数の線形結合の関係を示す係数群からなる混合行列５０と、基準正常独立成分得点３１と、測定異常独立成分得点３３とが得られる。混合行列５０の次元はｍ×ｎであり、基準正常独立成分得点３１と、測定異常独立成分得点３３とを構成する列ベクトルはそれぞれｍ次元である。
　すなわち、独立成分得点は１データにつき、独立成分分析４０を行う際の軸数ｍだけ、測定異常係数としての測定異常軸係数６１を得ることができる（混合行列５０の各行が、それぞれ測定異常軸係数６１に相当する）。そして、図６（Ｂ）に示すように、この混合行列５０をｋ個の不良データ群１４に左からかけることで不良独立成分得点３４が得られる。
　次に、実施の形態１におけるフィルタ処理される場合の各データ群１１、１３、１４の変数変換について図７に基づいて説明する。尚、ここでは便宜上、３次元の場合について説明する。これら、基準正常データ群１１、測定異常データ群１３、不良データ群１４の変数ｆ１、ｆ２、ｆ３は、混合行列５０によって変数ｇ１、ｇ２、ｇ３に変数変換されるものである。そして、基準正常独立成分得点３１、測定異常独立成分得点３３、不良独立成分得点３４の変数は変数ｇ１、ｇ２、ｇ３（図７（Ａ））とする。
　そして、測定異常独立成分得点３３と不良独立成分得点３４とを比較すると、測定異常独立成分得点３３が不良独立成分得点３４と同等以上の値となる変数であるｇ１すなわち測定異常軸６０が存在する。よって、混合行列５０の行ベクトルのうち、測定異常軸６０における各変数の線形結合の係数を示す測定異常軸係数６１は測定異常データ群１３が原点に対して、測定異常軸６０方向に分布するということを示す（図７（Ｂ））。
　そして、測定異常軸６０に直交する軸群ｈ２、ｈ３である測定異常軸直交軸６２に対して射影することで測定異常独立成分得点３３のみを原点に近付けることができる（図７（Ｃ））。結果として、測定異常データ群１３のマハラノビス距離のみを小さくすることができる。
　このことをふまえて、次のＱＲ分解について説明する。測定異常軸６０に直行する軸群をもとめる方法としてＱＲ分解の利用が考えられる。ＱＲ分解は、行列を正規直交行列Ｑと上三角行列Ｒとの積の形に分解するものであり、単純な連立方程式を解くアルゴリズムによってもとめられる。
　すなわち、測定異常軸６０の係数である測定異常軸係数６１を列に含む正規直交行列Ｑを作ることができれば、正規直交行列Ｑの他の列が測定異常軸係数６１と直交する。そして、正規直交行列Ｑがフルランクである必要があるため、フルランク行列６３を生成する必要がある。そこでまず、フルランク行列６３を生成する方法について図８に基づいて説明する。
　まず、基準正常データ群１１の次元をｎとすると、ｎ次元の単位行列６４を生成する（図８（Ａ）。次に、測定異常軸係数６１のｌ番目が０でないとすると、単位行列６４のｌ列目を測定異常軸係数６１に置き換える。ここでは、先にもとめた、図６（Ａ）に示す混合行列５０の一行目を、ｌ列目に置き換える例を示す（図８（Ｂ））。そして、置き換えたｌ列目を、一列目に移動させた行列がフルランク行列６３（Ｂ）となる（図８（Ｃ））。
　次に、このフルランク行列６３（Ｂ）を用いたＱＲ分解について図９に基づいて説明する。まず、フルランク行列６３をＱＲ分解７０すると、正規直交行列Ｑである正規直交行列６５の一列目は測定異常軸係数６１の定数倍であり、一列目以外の列ベクトルは測定異常軸係数６１に直交する。すなわち、正規直交行列６５の一列目以外の列ベクトルは、複数の測定異常軸直交軸係数６２Ａから成る測定異常軸直交軸群６２０である。
　ｎ次元データの右から正規直交行列６５をかけることは、先に示した、測定異常軸６０および測定異常軸直交軸６２にｎ次元データを射影することと同じである。このため、基準正常データ群１１、測定異常データ群１３、不良データ群１４の右から正規直交行列６５をかけることでフィルタ処理することとなる。よって、この正規直交行列６５が本実施の形態１における測定異常フィルタ７１に相当する。
　しかしながら、測定異常軸６０の方向に不良データ群１４が分布している可能性も考えられる。その場合、不良データ群１４のマハラノビス距離を小さくしてしまうこととなる。そして、結果として不良データ群１４を測定異常データ群１３として扱うことになるため、不良データ群１４のマハラノビス距離が小さくならないように測定異常軸係数６１を選定する必要がある。そこで、基準正常データ群１１、測定異常データ群１３、不良データ群１４の右から正規直交行列６５をかけたものを、補正基準正常データ群４１、補正測定異常データ群４３、補正不良データ群４４とする。
　そして、補正基準正常データ群４１により生成した補正基準空間８０に対して、補正測定異常データ群４３、補正不良データ群４４のマハラノビス距離である、補正測定異常マハラノビス距離５３、および、補正不良マハラノビス距離５４をそれぞれもとめる。そして、補正測定異常マハラノビス距離５３が補正不良マハラノビス距離５４に対して小さくなれば、測定異常フィルタ７１の効果がある。よって、測定異常軸係数６１の選択が適切であり、この際にもとめられた測定異常フィルタ７１が有効であるとしてフィルタ選定９０にて選定される。
　これに対し、補正測定異常マハラノビス距離５３が補正不良マハラノビス距離５４に対して小さくならなければ、測定異常フィルタ７１の効果がない。よって、測定異常軸係数６１の選択が適切でないとしてフィルタ選定９０にて選定される。よって、このような場合には、混合行列５０の別の行ベクトルを選択し、再度、ＱＲ分解７０により別の測定異常フィルタ７１を生成して上記に示した動作を繰り返す。
　そして、このように選定された測定異常フィルタ７１の、更なるフィルタ選定９０について、図１０を用いて説明する。まず、測定異常軸係数６１は、例えば電気ノイズが基準正常データ群１１に含まれる場合、電気ノイズを示すこともある（図１０（Ｂ））。したがって測定異常フィルタ７１の効果があった場合でも、電気ノイズのように再現性のない測定異常の場合、上記に示したように測定異常軸係数６１を設定しても測定異常フィルタ７１の効果が得られない。
　また、図１０（Ａ）に示すように、測定異常軸係数６１は正であれば測定異常データ群１３が元の変数において値が大きいという傾向があり、負であれば小さいという傾向を示す。また、０であれば元の変数からの影響はないということを示している。一般的に電気ノイズのように不規則な周波数において特徴が現れるような測定異常を除けば、測定異常の特徴は特定の周波数領域に集中して現れる。
　すなわち、測定異常軸係数６１の絶対値を変数について積分した値があらかじめ設定された規定値より小さければ図１０（Ｂ）に示すような電気ノイズによるものであるとして測定異常フィルタ７１として適切ではないとして選定される。また、積分した値があらかじめ設定された規定値より大きければ図１０（Ａ）に示すように測定異常によるものであると測定異常フィルタ７１として適切であるとして選定される。このようにして各測定異常フィルタ７１を更に選定する。
　次に、上記のようにして選定された測定異常フィルタ７１を用いた検査装置１００における検査方法について図１から図３に基づいて説明する。まず、検査装置１００は、先に示した基準良品ワーク群１と、被検査ワークとしての良品ワーク群Ａ２００、良品ワーク群Ｂ３００、不良ワーク群４００との検査を行うものである。但し、この時点において、各ワーク群が良品であるか不良品であるかは判定されていないものであり、便宜上示したものである。
　そして、各ワーク群１、２００、３００、４００の測定１０を行う。これら測定１０により、基準良品ワーク群１からは基準正常データ群１１が得られる。そして、良品ワーク群Ａ２００、良品ワーク群Ｂ３００、不良ワーク群４００の測定１０により得た測定データ群は、正常データ群Ａ１２０、測定異常データ群１３０、不良データ群１４０として得られる。そして、第一判定部１０１は、基準正常データ群１１に基づいて基準空間３０を設定する。
　次に、この基準空間３０に対する、正常データ群Ａ１２０、測定異常データ群１３０、および、不良データ群１４０のマハラノビス距離をそれぞれ算出する（図３のステップＳＴ１）。次に、これら各マハラノビス距離とあらかじめ設定された第一閾値とを比較して、正常データ群Ａ１２０、測定異常データ群１３０、および、不良データ群１４０が正常か異常かを第一判定７２を行う（図３のステップＳＴ２）。
　ここでは、正常データ群Ａ１２０が正常であると判定される（ＹＥＳ）。よって、当該正常データ群Ａ１２０、これ以降の判定は行われず、正常であると判定される（図３のステップＳＴ６）。また、測定異常データ群１３０、および、不良データ群１４０が異常であると判定される（ＮＯ）。よって、これらデータ群１３０、１４０は以後の判定にすすむ。そして、異常であると判定した測定データ群を測定異常データ群１３０とする。ここでは不良データ群１４０も測定異常データ群に相当する。
　次に、フィルタ処理部１０２は、基準正常データ群１１および測定異常データ群としての測定異常データ群１３０と不良データ群１４０とを、測定異常フィルタ７１にかけてフィルタ処理し、補正基準正常データ群４１および補正測定異常データ群４３とする（図３のステップＳＴ３）。ここでは、補正不良データ群４４も補正測定異常データ群に相当する。
　次に、第二判定部１０３は、補正基準正常データ群４１に基づいて補正基準空間８０を設定する。そして、この補正基準空間８０に対する補正測定異常データ群４３、および、補正不良データ群４４のマハラノビス距離をそれぞれ算出する（図３のステップＳＴ４）。次に、これら各マハラノビス距離とあらかじめ設定された第二閾値とを比較して、補正測定異常データ群４３、および、補正不良データ群４４が正常か異常かの第二判定７３を行う（図３のステップＳＴ５）。
　ここでは、補正測定異常データ群４３が正常であると判定され（図３のステップＳＴ６）、補正不良データ群４４が異常であると判定される（図３のステップＳＴ７）。以上の結果から、良品ワーク群Ａ２００、および、良品ワーク群Ｂ３００は正常であると判定され、不良ワーク群４００は異常であると判定された。よって、測定異常のデータを含む良品ワーク群Ｂ３００の測定結果を用いる場合であっても、正常であるとして判定することが可能となる。
　上記のように構成された実施の形態１の検査方法および検査装置によれば、第一判定部において異常判定された測定異常データ群および不良データ群に対して測定異常フィルタのフィルタ処理を行い、補正基準空間におけるマハラノビス距離をもとめ、第二判定を行うため、第一判定において異常判定される測定異常データ群は第二判定において正常と判定されるため、誤判定率を低減することができる。
　また、発生頻度の少ない不良データまたは今後発生する可能性のある未知の不良データは、第一判定における第一閾値を従来の場合より厳しくすることで異常であると判定することが容易となる。よって、誤判定率が低減する。
　また、測定異常フィルタは測定異常データ群のみに影響し、不良データ群に影響する可能性は低いため、不良データ群が測定異常フィルタにより第二判定において正常判定される可能性は低い。
　また、測定異常係数の絶対値の積分値があらかじめ設定された規定値よりも大きいもののみを選定するため、電気ノイズのように再現性のない異常を低減するフィルタの作成を避けることで、誤判定率を低減するのに有効なフィルタのみを作成できる。
実施の形態２．
　図１１はこの発明の実施の形態２における検査方法および検査装置のフィルタの選定を説明するための図である。本実施の形態２においては、上記実施の形態１と異なるフィルタの選定についてのみ説明する。本実施の形態２においては、画像検査により、測定異常軸係数６１を２次元領域で表した場合について説明する。
　測定異常を示す特徴量は、特定の領域に集中する傾向がある。このため、測定異常軸係数６１を２次元領域で表した際に、測定異常軸係数６１が正であるもの、負であるものは特定の領域に集中する。すなわち、測定異常軸係数６１の各点において、単位円内に含まれる測定異常軸係数６１の合計値の絶対値を、全領域において積分した値は、特定の領域に集中した係数（測定異常の場合（図１１（Ａ）））のほうが、電気ノイズ（図１１（Ｂ））の場合より大きくなる。よって、これらを利用し、あらかじめ設定された規定値と比較することで、上記実施の形態１と同様にフィルタの選定を行う。
　上記のように行われた実施の形態２の検査方法によれば、上記実施の形態１と同様に、画像検査において、電気ノイズのように再現性のない異常を低減するフィルタを除くことで、誤判定率を低減するのに有効なフィルタのみを作成できる。
実施の形態３．
　図１２はこの発明の実施の形態３における検査方法におけるフィルタの作成を示した図である。本実施の形態３においては、上記各実施の形態と異なるフィルタの作成箇所について説明する。上記実施の形態１に示したように、ＱＲ分解によってもとめたフィルタはｎ×ｎ次元の行列であるため、製造ラインにおいて運用する際に、演算時間がかかってしまいタクトタイムに収まらないという場合が生じる場合が考えられる。
　そこで、本実施の形態３においては、測定異常軸係数６１は正であれば測定異常データ群１３が元の変数において値が大きいという傾向があり、負であれば小さいという傾向を示すということを利用して、測定異常軸係数６１を指数関数の指数とすることで、フィルタとしてのフィルタ係数６７を近似的にもとめる（図１２（Ａ））。そして、測定異常データ群１３をフィルタ係数６７にてフィルタ処理し、補正測定異常データ群４３とする（図１２（Ｂ））。これ以外の方法は、上記各実施の形態と同様であるため、その説明は適宜省略する。
　すなわち、指数が正であれば１より大きいので除算することで、測定異常データ群１３を小さく補正することができ、指数が負であれば、１より小さいので除算することで測定異常データ群１３を大きく補正することができる。
　上記のように行われた実施の形態３の検査方法によれば、フィルタはｎ次元の列ベクトルであるため、ＱＲ分解でもとめたフィルタよりも演算時間を短縮することができる。
　尚、本発明は、その発明の範囲内において、各実施の形態を自由に組み合わせたり、各実施の形態を適宜、変形、省略することが可能である。

Claims (6)

  1. 良品ワークの測定により得た基準正常データ群に基づく基準空間に対する、被検査ワークの測定により得た測定データ群のマハラノビス距離から正常か異常かを判定し、異常であると判定した前記測定データ群を測定異常データ群とする第一判定工程と、
    前記基準正常データ群および前記測定異常データ群を、特徴量を低減するフィルタにかけて補正基準正常データ群および補正測定異常データ群とするフィルタ処理工程と、
    前記補正基準正常データ群に基づく補正基準空間に対する、前記補正測定異常データ群のマハラノビス距離から正常か異常かを判定する第二判定工程とを備えた検査方法であって、
    前記フィルタは、前記基準正常データ群および前記測定異常データ群の独立成分分析による測定異常係数から設定する検査方法。
  2. 前記フィルタ処理工程は、前記測定異常係数を含めた行列をＱＲ分解して得る行列による射影にて行う請求項１に記載の検査方法。
  3. 前記フィルタ処理工程は、前記測定異常係数を指数関数の指数として得るベクトルによる除算にて行う請求項１に記載の検査方法。
  4. 前記フィルタは、前記測定異常係数の絶対値の積分値があらかじめ設定された規定値よりも大きいもののみを選定する請求項１から請求項３のいずれか１項に記載の検査方法。
  5. 前記フィルタは、前記測定異常係数を２次元領域で表現し、前記測定異常係数の各点における単位円内に含まれる前記測定異常係数の合計値の絶対値についての全領域での積分値が、あらかじめ設定された規定値よりも大きいもののみを選定する請求項１から請求項３のいずれか１項に記載の検査方法。
  6. 良品ワークの測定により得た基準正常データ群に基づく基準空間に対する、被検査ワークの測定により得た測定データ群のマハラノビス距離から正常か異常かを判定し、異常であると判定した前記測定データ群を測定異常データ群とする第一判定部と、
    前記基準正常データ群および前記測定異常データ群を、特徴量を低減するフィルタにかけて補正基準正常データ群および補正測定異常データ群とするフィルタ処理部と、
    前記補正基準正常データ群に基づく補正基準空間に対する、前記補正測定異常データ群のマハラノビス距離から正常か異常かを判定する第二判定部とを備えた検査装置であって、
    前記フィルタは、前記基準正常データ群および前記測定異常データ群の独立成分分析による測定異常係数から設定する検査装置。
PCT/JP2016/069001 2015-07-07 2016-06-27 検査方法および検査装置 WO2017006792A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2017527398A JP6444503B2 (ja) 2015-07-07 2016-06-27 検査方法および検査装置
CN201680007245.4A CN107209054B (zh) 2015-07-07 2016-06-27 检查方法以及检查装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015-135719 2015-07-07
JP2015135719 2015-07-07

Publications (1)

Publication Number Publication Date
WO2017006792A1 true WO2017006792A1 (ja) 2017-01-12

Family

ID=57685478

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/069001 WO2017006792A1 (ja) 2015-07-07 2016-06-27 検査方法および検査装置

Country Status (3)

Country Link
JP (1) JP6444503B2 (ja)
CN (1) CN107209054B (ja)
WO (1) WO2017006792A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019078543A (ja) * 2017-10-20 2019-05-23 株式会社竹村製作所 異音評価装置及び異音評価方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007327937A (ja) * 2006-05-09 2007-12-20 Omron Corp 検査装置、検査方法、検査プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体
JP2013200245A (ja) * 2012-03-26 2013-10-03 Ihi Corp 前処理方法
JP2013257251A (ja) * 2012-06-14 2013-12-26 Internatl Business Mach Corp <Ibm> 異常検知方法、プログラム及びシステム

Family Cites Families (7)

* 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
JP4265982B2 (ja) * 2004-02-25 2009-05-20 三菱電機株式会社 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム
CN100523746C (zh) * 2006-05-09 2009-08-05 欧姆龙株式会社 检查装置及检查方法
JP5260343B2 (ja) * 2009-02-03 2013-08-14 三菱重工業株式会社 プラント運転状態監視方法
CN103995229B (zh) * 2014-05-21 2016-06-22 浙江工业大学 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法
CN104123544B (zh) * 2014-07-23 2018-03-13 通号通信信息集团有限公司 基于视频分析的异常行为检测方法及系统
CN104697767B (zh) * 2014-12-17 2017-03-22 天津大学 一种基于振动分析的转子系统故障诊断方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007327937A (ja) * 2006-05-09 2007-12-20 Omron Corp 検査装置、検査方法、検査プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体
JP2013200245A (ja) * 2012-03-26 2013-10-03 Ihi Corp 前処理方法
JP2013257251A (ja) * 2012-06-14 2013-12-26 Internatl Business Mach Corp <Ibm> 異常検知方法、プログラム及びシステム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019078543A (ja) * 2017-10-20 2019-05-23 株式会社竹村製作所 異音評価装置及び異音評価方法

Also Published As

Publication number Publication date
CN107209054B (zh) 2019-07-19
CN107209054A (zh) 2017-09-26
JPWO2017006792A1 (ja) 2017-10-05
JP6444503B2 (ja) 2018-12-26

Similar Documents

Publication Publication Date Title
TWI509376B (zh) 電漿處理系統中之自動故障偵測與分類及其方法
JP6723373B2 (ja) 保存画像の再分類システム及び再分類方法
CN109564422B (zh) 工具状况监测及匹配
EP1649333B2 (en) A system and method for monitoring and visualizing the output of a production process
JP7102941B2 (ja) 情報処理方法、情報処理装置、及びプログラム
WO2014004682A1 (en) Detection of defects embedded in noise for inspection in semiconductor manufacturing
US20190368863A1 (en) Method for analyzing surface waviness
KR20120047871A (ko) 플라즈마 챔버의 자격을 위한 에칭 레이트 균일성을 예측하는 방법 및 장치
JP7053366B2 (ja) 検査装置及び検査方法
JP4616695B2 (ja) マルチセンサ信号異常検知装置および方法
JP6444503B2 (ja) 検査方法および検査装置
CN109708877B (zh) 基于小波模糊识别和图像分析理论的机械故障分析方法
KR101876629B1 (ko) 빅데이터 분석 기반 상태 감시 장치 및 방법
US20230008435A1 (en) Tool Wear Monitoring Device, Tool Wear Monitoring System, and Program
KR101482758B1 (ko) 문제 검출 방법
JP2007329329A (ja) 不良要因抽出装置、不良要因抽出方法、不良要因抽出用プログラム、および不良要因抽出用プログラムを格納した記録媒体
WO2020230436A1 (ja) 診断装置と診断方法および加工装置
JP2005033090A (ja) 製造プロセスにおける装置状態判別システム及び製造プロセス安定化システム
CN109099876A (zh) 蜗轮的检查方法
JP2008204525A (ja) 磁気ヘッドの特性評価方法
TWI712944B (zh) 利用聲音監控設備之方法
TWM531604U (zh) 加工裝置
KR102303406B1 (ko) 산업설비의 이상유무 진단장치 및 방법
US20230005120A1 (en) Computer and Visual Inspection Method
JP2009276146A (ja) カムシャフト検査装置及びカムシャフト検査方法

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: 16821261

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017527398

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: 16821261

Country of ref document: EP

Kind code of ref document: A1