WO2024116637A1 - 分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法 - Google Patents

分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法 Download PDF

Info

Publication number
WO2024116637A1
WO2024116637A1 PCT/JP2023/037807 JP2023037807W WO2024116637A1 WO 2024116637 A1 WO2024116637 A1 WO 2024116637A1 JP 2023037807 W JP2023037807 W JP 2023037807W WO 2024116637 A1 WO2024116637 A1 WO 2024116637A1
Authority
WO
WIPO (PCT)
Prior art keywords
frequency characteristic
characteristic data
data
frequency
learning model
Prior art date
Application number
PCT/JP2023/037807
Other languages
English (en)
French (fr)
Inventor
克 中尾
啓 田坂
勇樹 岩本
武志 上田
Original Assignee
パナソニックＩｐマネジメント株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by パナソニックＩｐマネジメント株式会社 filed Critical パナソニックＩｐマネジメント株式会社
Publication of WO2024116637A1 publication Critical patent/WO2024116637A1/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 disclosure relates to a classification device, a learning model generation device, a classification method, and a learning model generation method.
  • Patent Document 1 discloses a method for inspecting rotating machinery for abnormal sounds, which determines whether a rotating machinery is good or bad based on the difference between the spectral distance of the inspection target and the average spectral distance of good products.
  • the method for inspecting rotating machinery for abnormal sounds detects the operating sounds of a predetermined number of good rotating machinery as good product sample data, performs frequency analysis on each of the good product sample data to express it as a power spectrum, performs octave analysis on the power spectrum to obtain each of the predetermined octave band spectra, and then calculates the average value of the good product spectral distances, which is calculated as the sum of squares of the error between the average spectrum obtained by averaging these and the octave band spectrum based on each of the good product sample data.
  • the method for inspecting rotating machinery for abnormal sounds calculates the spectral distance of the inspection target obtained by similar processing using the operating sounds of the inspected rotating machinery as the inspection target sample, and then determines whether the rotating machinery is good or bad based on the difference between the spectral distance of the inspection target and the average spectral distance of the good products.
  • Patent Document 2 also discloses a method of inspecting the sound of an electric shaver in which the sound components generated by the electric shaver during operation are divided into a frequency band occupied by sounds generated from the drive unit and a frequency band occupied by sounds generated from the shaving unit, and the sound volume in each frequency band is compared with preset sound volume reference values for the drive unit and the shaving unit to determine whether the electric shaver is good or bad.
  • the present disclosure has been devised in consideration of the above-mentioned conventional situation, and aims to provide a classification device, a learning model generation device, a classification method, and a learning model generation method that are capable of determining whether an object to be inspected is good or bad, regardless of individual differences between the objects to be inspected.
  • the present disclosure provides a classification device for classifying an object having a periodically driven drive source, the classification device comprising: an acquisition unit for acquiring time axis waveform data of the object; a conversion unit for converting the time axis waveform data into first frequency characteristic data; a spectrum calculation unit for dividing the first frequency characteristic data into a plurality of divided intervals with a predetermined bandwidth and calculating a maximum value of the spectrum for each divided interval; an approximation processing unit for approximating the first frequency characteristic data based on the maximum value of the spectrum for each divided interval and outputting second frequency characteristic data; a generation unit for generating third frequency characteristic data from the second frequency characteristic data using a learning model; and a classification unit for classifying the object based on the second frequency characteristic data and the third frequency characteristic data, the learning model being a model learned from at least the learning data approximated by the approximation processing unit.
  • the present disclosure also provides a learning model generation device that performs learning regarding an object having a periodically driven drive source, the learning model generation device including: an acquisition unit that acquires time axis waveform data of the object; a conversion unit that converts the time axis waveform data into first frequency characteristic data; a spectrum calculation unit that divides the first frequency characteristic data into a plurality of divided intervals with a predetermined bandwidth and calculates a maximum value of the spectrum for each of the divided intervals; an approximation processing unit that approximates the first frequency characteristic data based on the maximum value of the spectrum for each of the divided intervals and outputs second frequency characteristic data; and a learning model generation unit that trains a learning model on a plurality of the second frequency characteristic data.
  • the present disclosure also provides a classification method performed by a classification device that classifies an object having a periodically driven drive source, the classification method including: acquiring time axis waveform data of the object; converting the time axis waveform data into first frequency characteristic data; dividing the first frequency characteristic data into a plurality of divided intervals with a predetermined bandwidth; calculating a maximum value of the spectrum for each divided interval; outputting second frequency characteristic data that approximates the first frequency characteristic data based on the maximum value of the spectrum for each divided interval; generating third frequency characteristic data from the second frequency characteristic data using a learning model; and classifying the object based on the second frequency characteristic data and the third frequency characteristic data, the learning model being a model that has learned at least the learning data that has been approximated by the classification device.
  • the present disclosure also provides a learning model generation method performed by a learning model generation device that learns about an object having a periodically driven drive source, the learning model generation method acquiring time axis waveform data of the object, converting the time axis waveform data into first frequency characteristic data, dividing the first frequency characteristic data into a plurality of divided intervals with a predetermined bandwidth, calculating a maximum value of the spectrum for each divided interval, approximating the first frequency characteristic data based on the maximum value of the spectrum for each divided interval to output second frequency characteristic data, and training a learning model to learn the plurality of second frequency characteristic data.
  • FIG. 1 is a diagram for explaining an example of an inspection object and an inspection tool according to the first embodiment.
  • FIG. 1 is a diagram for explaining an example of an inspection object and an inspection tool according to the first embodiment.
  • XZ cross-sectional view of inspection jig FIG. 1 is a block diagram showing an example of the internal configuration of a product determination device according to a first embodiment.
  • FIG. 1 is a diagram showing an example of frequency characteristic data. Partially enlarged view of frequency response data
  • FIG. 11 shows a comparison example of frequency characteristic data between non-defective products in the low frequency range.
  • FIG. 11 shows a comparison example of frequency characteristic data between non-defective products in the mid-frequency region.
  • FIG. 13 is a diagram showing comparative examples of frequency characteristic data of a non-defective product and a defective product.
  • FIG. 1 is a diagram for explaining an example of calculating the maximum value for each section in frequency characteristic data.
  • FIG. 13 is a diagram showing a comparison example of frequency characteristic data before and after approximation processing.
  • FIG. 13 is a diagram showing a comparison example between frequency characteristic data (input data) of a non-defective product and frequency characteristic data (output data) of a first learning model;
  • FIG. 13 is a diagram showing a comparison example between frequency characteristic data (input data) of a defective product and frequency characteristic data (output data) of a first learning model;
  • FIG. 13 is a diagram showing an example of a first determination error distribution and a second determination error distribution;
  • FIG. 13 is a diagram showing an example of the correlation between the determination performance ⁇ and the bandwidth.
  • a correlation graph showing an example of the correlation between the determination performance ⁇ and the bandwidth
  • test results vary depending on the inspector. Also, even when a single inspector performs an evaluation (test), the results can vary depending on the inspector's physical condition, fatigue, etc.
  • FIG. 1 is a diagram illustrating an example of an inspection object 1 and an inspection jig in embodiment 1.
  • FIG. 2 is a diagram illustrating an example of an inspection object 1 and an inspection jig in embodiment 1.
  • the inspection object 1 is an electric shaver, but it goes without saying that the inspection object 1 is not limited to this.
  • the inspection object 1 may be any device that has a drive source such as a periodically driven motor or actuator.
  • the inspection jig is composed of at least a vibration sensor 2, a cradle CDL, and foam rubber RB.
  • the inspection jig is fixed to a stand STG made of a material such as aluminum by screwing the cradle CDL, which supports the inspection object 1 by sandwiching the foam rubber RB.
  • the cradle CDL is formed with a placement surface CDL1 capable of supporting the test object 1 in accordance with the shape of the test object 1.
  • the test object 1 is placed on the placement surface CDL1 of the cradle CDL.
  • the vibration sensor 2 is built into the cradle CDL with it partially exposed from the mounting surface CDL1. The portion of the vibration sensor 2 exposed from the mounting surface CDL1 comes into contact with the inspection object 1.
  • the vibration sensor 2 is equipped with a piezoelectric element 2A (see Figure 3).
  • the vibration sensor 2 converts the driving vibration of a driving source such as a motor or actuator of the inspection object 1 into time-axis waveform vibration data (an example of time-axis waveform data) using the piezoelectric element 2A, and transmits the converted vibration data to the analog filter 3 (see Figure 4).
  • the foam rubber RB is a type of vibration-proof rubber that prevents vibrations other than those of the test object 1 from being transmitted to the cradle CDL via the stand STG. This allows the vibration sensor 2 to more efficiently obtain only the driving vibrations of the test object 1.
  • Figure 3 is an X-Z cross-sectional view of the inspection jig.
  • Figure 3 shows a partial cross section of the cradle CDL with the test object 1 placed on it, cut at approximately halfway in the Y direction (width direction of the test object 1), and a partial cross section (X-Z cross section) of the test object 1 and the test jig, cut at approximately halfway in the Y direction (width direction of the test object 1).
  • the object 1 to be inspected has characters, figures, etc. printed on its printed surface 1A.
  • the mounting surface CDL1 of the cradle CDL is formed with a shape that does not follow the shape of the object 1 to be inspected, part of which is based on the shape of the object 1 to be inspected and the position of its printed surface 1A.
  • a gap SP is formed between the mounting surface CDL1 and the surface corresponding to the printed surface 1A of the object 1 to be inspected, and the mounting surface CDL1 is in a non-contact state with the printed surface 1A of the object 1 to be inspected.
  • the inspection jig can prevent deterioration of print quality caused by the printing surface 1A of the inspection object 1 being rubbed against the mounting surface CDL1 due to the driving vibration of the inspection object 1.
  • the vibration sensor 2 has a piezoelectric element 2A in the portion exposed from the mounting surface CDL1.
  • the vibration of the inspection target 1 acquired by the piezoelectric element 2A is converted into an electrical signal.
  • FIG. 4 is a block diagram showing an example of the internal configuration of the quality determination system 100 according to the first embodiment. Note that the quality determination system 100 shown in FIG. 4 is only an example, and is not limited to this.
  • the quality determination system 100 includes an inspection object 1, a vibration sensor 2, an analog filter 3, an A/D (Analog/Digital) converter 4, and a terminal device P1 (an example of a classification device or learning model generation device). It goes without saying that the quality determination system 100 shown in FIG. 4 is just one example and is not limited to this. For example, there may be multiple inspection objects 1, vibration sensors 2, analog filters 3, and A/D converters 4.
  • the analog filter 3 acquires the vibration data (analog signal) of the inspection object 1 transmitted from the vibration sensor 2.
  • the analog filter 3 executes a process of removing frequency components that are set in advance from the acquired vibration data and are unnecessary for determining whether the inspection object 1 is good or extracting only the frequency components that are necessary for determining whether the inspection object 1 is good.
  • the analog filter 3 transmits the vibration data after the above-mentioned process has been executed to the A/D converter 4.
  • the A/D converter 4 converts the vibration data, which is an analog signal sent from the analog filter 3, into a digital signal.
  • the A/D converter 4 sends the converted vibration data to the communication unit 10 of the terminal device P1.
  • the terminal device P1 is realized, for example, by a PC (Personal Computer), a notebook PC, a tablet terminal, etc.
  • the terminal device P1 includes a communication unit 10, a processor 11, a memory 12, a display unit 13, and an input unit 14. Note that the input unit 14 is not a required component and may be omitted.
  • the communication unit 10 (an example of an acquisition unit) is connected to the A/D converter 4 so as to be capable of wired or wireless communication. That is, one example of the communication unit 10 is a connector capable of wired communication, and another example of the communication unit 10 is a transmitter and receiver capable of wireless communication. Note that the wireless communication referred to here is, for example, a wireless LAN such as Wi-Fi (registered trademark), and the type is not particularly limited.
  • the communication unit 10 may also be capable of connecting to an external storage medium (not shown) such as a CD-ROM (Compact Disc Read Only Memory), a USB memory, or an SD (registered trademark) card, and may be capable of reading out learning models, vibration data of good or defective products, frequency characteristic data, learning data, etc. stored in the external storage medium.
  • an external storage medium such as a CD-ROM (Compact Disc Read Only Memory), a USB memory, or an SD (registered trademark) card
  • the processor 11 is configured using, for example, a CPU (Central Processing Unit) or an FPGA (Field Programmable Gate Array) and performs various processes and controls in cooperation with the memory 12. Specifically, the processor 11 references the programs and data stored in the memory 12 and executes the programs to realize the functions of each section.
  • the various sections referred to here are the vibration waveform measurement section 111, the frequency characteristic conversion section 112, the drive frequency calculation section 113, the section maximum value calculation section 114, the frequency characteristic bandwidth approximation section 115, the waveform prediction section 116, the machine learning model generation section 117, and the data analysis section 118.
  • the vibration waveform measurement unit 111 acquires the vibration data (digital signal) of the time-axis waveform output from the communication unit 10 and outputs it to the frequency characteristic conversion unit 112.
  • the frequency characteristic conversion unit 112 (an example of a conversion unit) performs FFT processing on the vibration data output from the vibration waveform measurement unit 111, and converts the vibration data into frequency characteristic data FCG1 (see FIG. 9).
  • the frequency characteristic conversion unit 112 outputs the converted frequency characteristic data FCG1 to the drive frequency calculation unit 113.
  • the drive frequency calculation unit 113 performs peak search processing on the frequency characteristic data FCG1 output from the frequency characteristic conversion unit 112. Based on the peak search processing result, the drive frequency calculation unit 113 calculates the drive frequency DF1 (see FIG. 10) of the motor, actuator, etc. of the inspection object 1. The drive frequency calculation unit 113 outputs information on the calculated drive frequency and the frequency characteristic data FCG1 to the section maximum value calculation unit 114.
  • the section maximum value calculation unit 114 (an example of a spectrum calculation unit) divides the frequency band of the frequency characteristic data FCG1 by a bandwidth based on the drive frequency output from the drive frequency calculation unit 113, and calculates the maximum value of the spectrum (dB) in each divided section (i.e., each frequency band).
  • the section maximum value calculation unit 114 outputs information on the maximum value of the spectrum in each divided section to the frequency characteristic bandwidth approximation unit 115.
  • the section maximum value calculation unit 114 may extract a frequency region other than this frequency band and divide the frequency bands of the frequency characteristic data FCG1 by bandwidth. This allows the terminal device P1 to reduce the processing load required for machine learning and perform quality judgment more efficiently.
  • the frequency characteristic bandwidth approximation unit 115 (an example of an approximation processing unit) generates frequency characteristic data AG1 (see FIG. 16) by approximating each divided section of the frequency characteristic data FCG1 with the maximum value of the spectrum based on the information on the maximum value of the spectrum of each divided section output from the section maximum value calculation unit 114.
  • the frequency characteristic bandwidth approximation unit 115 may output the generated frequency characteristic data AG1 to each of the waveform prediction unit 116, the machine learning model generation unit 117, and the data analysis unit 118, and may record it in the memory 12.
  • the frequency characteristic data AG1 approximated and generated by the frequency characteristic bandwidth approximation unit 115 may be referred to as "input data” or "approximation data”.
  • the approximated frequency characteristic data of a good product will be referred to as AG11
  • the approximated frequency characteristic data of a defective product as AG12
  • the frequency characteristic data before approximation the frequency characteristic data of a good product will be described as FCG11
  • the frequency characteristic data of a defective product as FCG12
  • FCG1 when describing frequency characteristic data where good or defective products are not specified
  • the machine learning model generation unit 117 (an example of a learning model generation unit) performs machine learning using one or more recorded and collected frequency characteristic data AG11 (approximation data) of good products as learning data. Specifically, the machine learning model generation unit 117 performs machine learning to determine (classify) the inspection object 1 as a good product based on the frequency characteristic data AG11 (approximation data) of the inspection object 1 as a good product. As a result of the learning, the machine learning model generation unit 117 generates a first learning model for determining whether the inspection object 1 is a good product and records it in the memory 12.
  • Statistical classification techniques include, for example, linear classifiers, support vector machines, quadratic classifiers, kernel density estimation, decision trees, artificial neural networks, Bayesian techniques and/or networks, and hidden Markov models (HMMs).
  • HMMs hidden Markov models
  • Examples of statistical classification techniques include random-idden Markov Models, binary classifiers, multi-class classifiers, clustering, random forests, logistic regression, linear regression, and gradient boosting.
  • the statistical classification techniques used are not limited to these.
  • the waveform prediction unit 116 (an example of a prediction unit) inputs the frequency characteristic data AG1 (input data) output from the frequency characteristic bandwidth approximation unit 115 to the first learning model recorded in the memory 12, and acquires the frequency characteristic data FG1 (output data, predicted data) output from the first learning model.
  • the waveform prediction unit 116 outputs the acquired frequency characteristic data FG1 (output data, predicted data) to the data analysis unit 118.
  • the waveform prediction unit 116 When the waveform prediction unit 116 receives frequency characteristic data AG11 representing a good product, it acquires frequency characteristic data FG11 output from the first learning model, and when the waveform prediction unit 116 receives frequency characteristic data AG12 representing a defective product, it acquires frequency characteristic data FG12 output from the first learning model.
  • the frequency characteristic data FG1, FG11, and FG12 input to and output from each learning model may be referred to as "output data” or "prediction data.”
  • the data analysis unit 118 calculates the mean square error between the frequency characteristic data AG1 (input data) output from the frequency characteristic bandwidth approximation unit 115 and the frequency characteristic data FG1 (output data) output from the waveform prediction unit 116 and output from the first learning model.
  • the data analysis unit 118 determines whether the inspection target 1 is a good product (i.e., whether it is classified as a good product) based on the calculated mean square error, the first determination error distribution GDD, and the second determination error distribution BDD.
  • the first determination error distribution GDD is generated by the data analysis unit 118 based on multiple frequency characteristic data AG11 (approximation data) that are known in advance to be good products and multiple frequency characteristic data FG11 (output data) output from the first learning model, and is, for example, a histogram of the first determination error distribution GDD shown in FIG. 19.
  • the second decision error distribution BDD is generated by the data analysis unit 118 based on multiple frequency characteristic data AG12 (approximation data) that are known in advance to be defective products and multiple frequency characteristic data FG12 (output data) output from the first learning model, and is, for example, a histogram of the second decision error distribution BDD shown in FIG. 19.
  • the data analysis unit 118 uses the first judgment error distribution GDD and the second judgment error distribution BDD to determine whether the inspection target 1 is a non-defective product or not, but may also use only the first judgment error distribution GDD to make the determination, or may determine whether the calculated mean square error is within a predetermined threshold value.
  • the data analysis unit 118 generates an inspection (classification) result indicating whether the inspection object 1 is a good or bad item, and outputs it to the display unit 13 for display.
  • the data analysis unit 118 may also output the generated histogram etc. and the calculated mean square error to the display unit 13 for display, allowing the user to determine whether the item is good or not.
  • the memory 12 (an example of a storage unit) has a storage device including a semiconductor memory such as a RAM (Random Access Memory) and a ROM (Read Only Memory), and a storage device such as a SSD (Solid State Drive) or a HDD.
  • the memory 12 stores vibration data of good or defective products, learning data, a first learning model generated by the machine learning model generation unit 117, a first judgment error distribution GDD, a second judgment error distribution BDD, and the like.
  • the display unit 13 is configured using a display such as an LCD (Liquid Crystal Display) or an organic EL (Electroluminescence).
  • the display unit 13 displays the judgment (classification) results, notifications such as histograms, and data output from the processor 11.
  • the input unit 14 is a user interface that can accept user operations and is configured using, for example, a mouse, a keyboard, or a touch panel.
  • the input unit 14 converts the accepted user operations into electrical signals (control commands) and outputs them to the processor 11.
  • the quality determination system 100 may be configured to analyze vibration data acquired from each of a plurality of inspection objects using a single terminal device P1, and to execute both the machine learning process and the quality determination process. This allows the quality determination system 100 to more efficiently collect and learn the learning data used in the machine learning.
  • the terminal device P1 of the quality assessment system 100 may be realized, for example, by a cloud server.
  • the cloud server acquires vibration data of at least one inspection object 1 via a network (not shown) connected for wireless or wired communication.
  • the cloud server analyzes the acquired vibration data and executes both the machine learning process and the quality assessment process.
  • the cloud server may transmit the quality assessment result to another terminal device managed by the operator who inspects the inspection object 1, and display it.
  • FIG. 5 is a flowchart showing an example of the overall operation procedure of the terminal device P1 in the first embodiment.
  • FIG. 5 shows an example in which the learning model generation process (step St100), the judgment error distribution generation process (step St200), and the non-defective product judgment process (step St300) are each performed as a series of processes (flows), but each of these processes may be completed as an independent flow.
  • the learning model generation process (step St100), the judgment error distribution generation process (step St200), and the pass/fail judgment process (step St300) may each be executed by one or more different terminal devices P1.
  • the data (learning model, judgment error distribution) generated in each process may be arbitrarily shared among multiple different terminal devices P1.
  • the terminal device P1 may acquire data on the first learning model and the first judgment error distribution GDD generated in advance from another terminal device, an external storage medium, etc., and perform a pass/fail inspection (judgment) of the inspection target 1 using the acquired first learning model and first judgment error distribution GDD.
  • the terminal device P1 performs machine learning using frequency characteristic data AG11 (approximation data) based on each of the multiple vibration data collected from the inspection object 1 that is a good product, and generates a first learning model for determining whether the inspection object 1 is a good product (St100).
  • the terminal device P1 uses frequency characteristic data AG11 (approximation data) based on each of the multiple vibration data collected from multiple inspection objects 1 that are good products, and frequency characteristic data FG11 (output data) of good products obtained (output) by inputting the frequency characteristic data AG11 (approximation data) into the first learning model, to calculate the mean square error between the frequency characteristic data AG11 (approximation data) and the frequency characteristic data FG11 (output data) of the inspection object 1 that is good products.
  • the terminal device P1 generates a first judgment error distribution GDD (see FIG. 19) of the inspection object 1 that is good products based on the calculated mean square error (St200).
  • the first learning model used here may be one acquired from another terminal device, an external storage medium, etc.
  • the terminal device P1 calculates the mean square error between the frequency characteristic data AG11 (approximation data) of the inspection object 1 and the frequency characteristic data FG1 (output data) of the inspection object 1 output from the first learning model, and judges whether the inspection object 1 is a good product (i.e., whether it is classified as a good product) based on the calculated mean square error and the first judgment error distribution GDD (St300).
  • the first learning model used here may be one obtained from another terminal device, an external storage medium, etc.
  • the terminal device P1 can perform a quality judgment of the inspection target object 1.
  • the processing of step St100 may be omitted when there is a first learning model that has been trained in advance, when a first learning model that has been generated in advance by another terminal device, etc. is acquired and used, etc.
  • the processing of step St200 may be omitted when there is a first judgment error distribution GDD that has been generated in advance by another terminal device, etc. is acquired and used, etc.
  • the terminal device P1 may further perform machine learning using the frequency characteristic data (approximation data) of this inspection object 1 (good product) to update the first learning model.
  • the terminal device P1 to more efficiently perform quality judgment (inspection) of the inspection object 1 and update the first learning model for performing quality judgment of the inspection object 1.
  • FIG. 6 is a flowchart showing an example of the learning model generation process procedure of the terminal device P1 in the first embodiment. Note that, as described above, learning is performed using vibration data of the inspection target 1 that has been determined to be a non-defective product.
  • the terminal device P1 acquires vibration data (digital signal) of the time-axis waveform of the object to be inspected 1 (St101).
  • the terminal device P1 performs FFT processing on the acquired vibration data and converts the vibration data into frequency characteristic data FCG1 (see Figure 9) (St11).
  • the terminal device P1 calculates the drive frequency DF1 (see FIG. 10) of the inspection object 1 from the frequency characteristic data FCG1 by peak search processing (St12A).
  • the terminal device P1 associates the calculated drive frequency DF1 with information on the inspection object 1 (e.g., the type of the inspection object 1, the product name, the model number, etc.) and records it in the memory 12.
  • the terminal device P1 divides the frequency characteristic data FCG1 into bandwidths BW1 (see FIG. 15) and calculates the maximum value of the spectrum for each of the divided intervals (St13).
  • the terminal device P1 determines the frequency region to be the target of the approximation process, which is approximated by the maximum value of each divided section (St14A).
  • the terminal device P1 uses the maximum value of the vibration data in each divided section to perform approximation processing on the frequency domain that is the target of the approximation processing, and converts the frequency characteristic data FCG1 into frequency characteristic data AG11 (approximation data) (St15).
  • the terminal device P1 repeatedly executes the above-mentioned steps St11 to St15 for each vibration waveform that is determined to be a good product, and records and collects the converted frequency characteristic data AG11 (approximation data) in the memory 12 as learning data to be used in machine learning to generate a learning model (St102).
  • the terminal device P1 executes machine learning (DNN) processing using the collected multiple learning data (frequency characteristic data AG11 (approximation data)) to generate a first learning model (St103).
  • DNN machine learning
  • the terminal device P1 in the first embodiment generates the first learning model.
  • the terminal device P1 can also perform the generation process of the second learning model from a vibration waveform that is known to be defective, and can generate the second learning model using a similar procedure.
  • FIG. 7 is a flowchart showing an example of the determination error distribution generation process procedure of the terminal device P1 in embodiment 1. Note that the data conversion process (step St10B) shown in FIG. 7 is substantially the same as the data conversion process (step St10A) described in FIG. 6, and therefore only the different processes will be described.
  • the terminal device P1 acquires vibration data (digital signal) of the time-axis waveform of the object to be inspected 1 (St201).
  • the terminal device P1 performs FFT processing on the acquired vibration data, converts the vibration data into frequency characteristic data FCG1 (see FIG. 9) (St11), and reads out the drive frequency DF1 (see FIG. 10) of the inspection object 1 recorded in the memory 12 based on the information of the inspection object 1 (e.g., the type of the inspection object 1, the product name, the model number, etc.) (St12B).
  • the terminal device P1 also reads out the frequency region that is the target of approximation processing that approximates the maximum value of each divided section based on the information of the inspection object 1 (e.g., the type of the inspection object 1, the product name, the model number, etc.) (St14B).
  • the terminal device P1 inputs the approximated frequency characteristic data AG1 (input data) into the first learning model.
  • the terminal device P1 acquires the frequency characteristic data FG1 (output data, predicted data) output from the first learning model (St202).
  • the terminal device P1 calculates the mean square error between the frequency characteristic data AG1 (input data) and the frequency characteristic data FG1 (output data) output from the first learning model (St203).
  • the terminal device P1 records and collects the calculated mean square error data in the memory 12 (St204).
  • the terminal device P1 generates a first determination error distribution GDD and a second determination error distribution BDD (see FIG. 19) of the inspection object 1, which is a good product, based on multiple mean square error data recorded in the memory 12 and collected from the inspection object 1, which is a good product (St205).
  • the terminal device P1 in embodiment 1 can generate a first determination error distribution GDD and a second determination error distribution BDD that can determine whether the inspection object 1 is a good product (i.e., whether it can be classified as a good product) based on the mean square error.
  • FIG. 8 is a flowchart showing an example of the quality determination process procedure of the terminal device P1 in the first embodiment.
  • steps St201 to St203 shown in FIG. 8 are similar to those in steps St201 to St203 described in FIG. 7, and therefore will not be described.
  • the data conversion process (step St10B) shown in FIG. 8 is similar to the data conversion process (step St10B) described in FIG. 7, and therefore will not be described.
  • the terminal device P1 performs a judgment as to whether the inspection object 1 is a good product (i.e., whether it is classified as a good product) based on whether the mean square error between the frequency characteristic data AG1 (input data) and the frequency characteristic data FG1 (output data) calculated by the processing of step St203 is within the judgment error ( ⁇ A- 3 ⁇ A ) to judgment error ( ⁇ A+ 3 ⁇ A ) of the first judgment error distribution GDD for good products (St301), and outputs the judgment result to the display unit 13 (St302).
  • the terminal device P1 determines that the mean square error calculated by the processing of step St203 is within the judgment error ( ⁇ A- 3 ⁇ A ) to judgment error ( ⁇ A+ 3 ⁇ A ), it determines that the inspection object 1 is a non-defective product (i.e., classified as a non-defective product). On the other hand, if the terminal device P1 determines that the mean square error calculated by the processing of step St203 is outside the judgment error ( ⁇ A- 3 ⁇ A ) to judgment error ( ⁇ A+ 3 ⁇ A ), it determines that the inspection object 1 is not a non-defective product (i.e., not classified as a non-defective product).
  • the terminal device P1 in the first embodiment divides the frequency characteristic data FCG1 by a bandwidth based on the drive frequency of the inspection object 1, and approximates the frequency characteristic data FCG1 based on the maximum value of the spectrum of the divided sections, thereby making it possible to perform a pass/fail judgment (classification judgment) of the inspection object 1 regardless of the individual differences in the drive sources such as motors and actuators that the inspection object 1 is equipped with.
  • this allows the terminal device P1 to reduce erroneous judgments of individual differences in pass/fail judgments (classification judgments) between inspection objects 1 that are good products, thereby improving the accuracy of pass/fail judgments.
  • Fig. 9 is a diagram showing an example of the frequency characteristic data FCG1.
  • Fig. 10 is a partially enlarged view of the frequency characteristic data FCG1.
  • the frequency characteristic data FCG1 is a graph generated by the frequency characteristic conversion unit 112 and showing the frequency characteristics of the driving source of the motor, actuator, etc. of the inspection object 1, obtained by FFT processing of the vibration data (digital signal) of the time axis waveform of the inspection object 1.
  • the driving source of the inspection object 1 is driven at a predetermined cycle.
  • the frequency characteristic data FCG1 shows complex frequency characteristics in which harmonic components of the driving frequency are superimposed at approximately equal intervals on the frequency characteristics specific to the driving source, and each of the harmonic components forms a spectral peak. Furthermore, the superposition of harmonic components is formed across the high frequency band.
  • the frequency characteristic data FCG1 shown in FIG. 10 is a partially enlarged view of the frequency characteristic data FCG1 shown in FIG. 9.
  • FIG. 11 is a diagram showing a comparison example of frequency characteristic data FCG11, FCG12 between non-defective products.
  • Figure 12 is a diagram showing a comparison example of the low frequency region EX1 of frequency characteristic data FCG11, FCG12 between non-defective products.
  • Figure 13 is a diagram showing a comparison example of the mid frequency region EX2 of frequency characteristic data FCG11, FCG12 between non-defective products.
  • Each of the frequency characteristic data FCG11 and FCG12 is a graph of frequency characteristic data obtained by FFT processing of vibration data acquired from two test objects 1 determined to be non-defective.
  • the peaks of the harmonic components generated at approximately the same frequency as the drive frequency DF1 in the low frequency region EX1 are approximately the same, but there is a difference in the frequency at which the peaks of the harmonic components are formed in the mid frequency region EX2.
  • FIG. 14 is a diagram showing a comparative example of frequency characteristic data of a good product and a defective product.
  • Frequency characteristic data FCG21 indicates frequency characteristic data of the inspection object 1 that is a good product.
  • Frequency characteristic data FCG22 indicates frequency characteristic data of the inspection object 1 that is a defective product.
  • the frequency characteristic data FCG21 and FCG22 have roughly the same peaks of harmonic components that occur at roughly the same frequency as the drive frequency DF1 in the low frequency range, but there is a large difference in the frequencies at which the peaks of the harmonic components are formed in the medium and high frequency ranges (area AR1 shown in FIG. 14).
  • the terminal device P1 compares the spectral magnitude for each frequency in the machine learning process that generates a learning model (first learning model or second learning model) for determining whether a product is good or defective, the difference in frequency at which the peaks of the harmonic components are formed between the good inspection objects 1 cancels out the spectral differences in the mid-frequency and high-frequency regions between the good inspection objects 1 and the defective inspection objects 1, which could reduce the accuracy of the pass/fail judgment.
  • a learning model first learning model or second learning model
  • the terminal device P1 in the present embodiment 1 can therefore generate learning data that ignores the shift in the peak positions of harmonic components by dividing the frequency characteristic data by bandwidth as described above and approximating the frequency characteristic data by the maximum spectrum value of each divided section.
  • An example of approximating frequency characteristic data will now be described in detail.
  • Fig. 15 is a diagram for explaining an example of calculating the maximum value for each divided section in the frequency characteristic data FCG1.
  • Fig. 16 is a diagram showing a comparison example of the frequency characteristic data FCG1 before and after approximation processing.
  • the frequency characteristic data FCG1 shown in FIG. 15 will be described as an example in which the drive frequency DF1 is 180 Hz, but it goes without saying that the drive frequency is just one example and is not limited to this.
  • the bandwidth BW1 is determined based on the drive frequency DF1.
  • each of the divided sections SC1 to SC6, which are divided by the bandwidth BW1 contains a maximum of two peaks of the harmonic components of the drive frequency.
  • the divided section SC1 contains one peak.
  • the divided sections SC2 to SC6 each contain two peaks. Note that it is sufficient for each divided section to contain at least one peak.
  • the terminal device P1 calculates peaks Pk1, Pk2, Pk3, Pk4, Pk5, and Pk6, which are the maximum values of the spectrum in each divided section, and converts the corresponding divided section into frequency characteristic data AG1 by approximating the corresponding divided section based on each of the calculated peaks Pk1 to Pk6.
  • the frequency characteristic data FCG1 is converted into frequency characteristic data AG1 whose spectrum is shown in a stepped shape.
  • Fig. 17 is a diagram showing a comparative example between input data (frequency characteristic data AG11) of a non-defective product and predicted data (frequency characteristic data FG11) by the first learning model.
  • Fig. 18 is a diagram showing a comparative example between input data (frequency characteristic data AG12) of a defective product and predicted data (frequency characteristic data FG12) by the first learning model. Note that an example in which the inspection object 1 is a non-defective product will be described here.
  • frequency characteristic data AG11 is approximate data of inspection object 1, which is a good product.
  • Frequency characteristic data FG11 is output data (predicted data) output from the first learning model when frequency characteristic data AG11 is input as input data to the first learning model.
  • frequency characteristic data AG12 is approximate data of inspection object 1, which is a defective product.
  • Frequency characteristic data FG12 is output data (predicted data) output from the first learning model when frequency characteristic data AG12 is input as input data to the first learning model.
  • the frequency characteristic data AG11 of a good product and the frequency characteristic data FG11 output by the first learning model generated using the frequency characteristic data (approximation data) of a good product have a closer spectral match than the frequency characteristic data AG12 of a defective product and the frequency characteristic data FG12 output by the first learning model generated using the frequency characteristic data (approximation data) of a good product.
  • the terminal device P1 can determine whether the inspection object 1 is a good product (i.e., whether it can be classified as a good product) by evaluating the frequency characteristic data AG1 as the mean square error in the frequency band between the input data and the predicted data (output data) as the judgment error.
  • FIG. 19 is a diagram showing an example of the first determination error distribution GDD and the second determination error distribution BDD.
  • the first determination error distribution GDD indicates a normal distribution of the mean square error between the frequency characteristic data AG11 (input data) of a non-defective product and the frequency characteristic data FG11 (output data) output from the first learning model.
  • the determination error range MSEA indicates a range from the determination error ( ⁇ A-3 ⁇ A ) to the determination error ( ⁇ A+3 ⁇ A ), with the average value ⁇ A of the determination errors at the center. Note that ⁇ A here is the standard deviation ⁇ A of the first determination error distribution GDD.
  • the second judgment error distribution BDD indicates a normal distribution of the mean square error between the frequency characteristic data AG12 (input data) of the defective product and the frequency characteristic data FG12 (output data) output from the first learning model.
  • the judgment error range MSEB indicates a range from the judgment error ( ⁇ B- 3 ⁇ B ) to the judgment error ( ⁇ B+ 3 ⁇ B ), with the average judgment error ⁇ B at the center. Note that ⁇ B here is the standard deviation ⁇ B of the second judgment error distribution BDD.
  • the decision performance ⁇ indicates the difference between the decision error ( ⁇ A+3 ⁇ A ) of the first decision error distribution GDD and the decision error ( ⁇ B-3 ⁇ B ) of the second decision error distribution BDD.
  • Fig. 20 is a diagram showing an example of the correlation between judgment performance and bandwidth.
  • the first judgment error distribution (not shown) has a judgment error range MSEA1 ranging from the judgment error ( ⁇ A-3 ⁇ A ) to the judgment error ( ⁇ A+3 ⁇ A ) with the judgment error average value ⁇ A1 at its center.
  • the second judgment error distribution (not shown) has a judgment error range MSEB1 ranging from the judgment error ( ⁇ B-3 ⁇ B ) to the judgment error ( ⁇ B+3 ⁇ B ) with the judgment error average value ⁇ B1 at its center.
  • the standard deviation ⁇ A of the first judgment error distribution for a product judged to be a non-defective product and the standard deviation ⁇ B of the second judgment error distribution for a product judged to be a defective product each become large, and the judgment error range MSEA1 of the first judgment error distribution and the judgment error range MSEB1 of the second judgment error distribution overlap.
  • the terminal device P1 will not be able to judge whether the inspection object 1 is a good or bad item based on the mean square error.
  • the first judgment error distribution (not shown) has a judgment error range MSEA2 ranging from the judgment error ( ⁇ A-3 ⁇ A ) to the judgment error ( ⁇ A+3 ⁇ A ) with the judgment error average value ⁇ A2 at its center.
  • the second judgment error distribution (not shown) has a judgment error range MSEB2 ranging from the judgment error ( ⁇ B-3 ⁇ B ) to the judgment error ( ⁇ B+3 ⁇ B ) with the judgment error average value ⁇ B2 at its center.
  • the standard deviation ⁇ A of the first judgment error distribution for a product judged to be a non-defective product and the standard deviation ⁇ B of the second judgment error distribution for a product judged to be a defective product each become smaller, and the judgment error range MSEA2 of the first judgment error distribution and the judgment error range MSEB2 of the second judgment error distribution no longer overlap.
  • the terminal device P1 can judge whether the inspection object 1 is a good or bad item based on the mean square error.
  • the first judgment error distribution (not shown) has a judgment error range MSEA3 ranging from the judgment error ( ⁇ A-3 ⁇ A ) to the judgment error ( ⁇ A+3 ⁇ A ) with the judgment error average value ⁇ A3 at its center.
  • the second judgment error distribution (not shown) has a judgment error range MSEB3 ranging from the judgment error ( ⁇ B-3 ⁇ B ) to the judgment error ( ⁇ B+3 ⁇ B ) with the judgment error average value ⁇ B3 at its center.
  • the standard deviation ⁇ A of the first judgment error distribution for a product judged to be a non-defective product and the standard deviation ⁇ B of the second judgment error distribution for a product judged to be a defective product each become even smaller, and the judgment error range MSEA3 of the first judgment error distribution and the judgment error range MSEB3 of the second judgment error distribution become even larger.
  • the first judgment error distribution (not shown) has a judgment error range MSEA4 ranging from the judgment error ( ⁇ A-3 ⁇ A ) to the judgment error ( ⁇ A+3 ⁇ A ) with the judgment error average value ⁇ A4 at its center.
  • the second judgment error distribution (not shown) has a judgment error range MSEB4 ranging from the judgment error ( ⁇ B-3 ⁇ B ) to the judgment error ( ⁇ B+3 ⁇ B ) with the judgment error average value ⁇ B4 at its center.
  • the standard deviation ⁇ A of the first judgment error distribution determined to be a non-defective product and the standard deviation ⁇ B of the second judgment error distribution determined to be a defective product each become smaller, but the distance between the average values ⁇ A4 and ⁇ B4 becomes smaller, so that the difference between the judgment error range MSEA4 of the first judgment error distribution and the judgment error range MSEB4 of the second judgment error distribution becomes smaller.
  • the terminal device P1 can determine whether the inspection object 1 is a good or bad item based on the mean square error.
  • the correlation graph DPG shows the changes in judgment performance ⁇ 1 to ⁇ 4 for each of cases (i) to (iv) based on the bandwidth.
  • the terminal device P1 (an example of a classification device) in embodiment 1 is a device for determining whether an inspection object 1 (an example of an object) having a periodically driven drive source is a good product or not, and includes a communication unit 10 (an example of an acquisition unit) for acquiring vibration data (an example of time-axis waveform data) of the inspection object 1 (motor, actuator, etc.), a frequency characteristic conversion unit 112 (an example of a conversion unit) for converting the vibration data into frequency characteristic data FCG1 (an example of first frequency characteristic data), and an interval maximum value calculation unit 114 (an example of a spectrum calculation unit) for dividing the frequency characteristic data FCG1 by a predetermined bandwidth (e.g., 180 Hz) and calculating the maximum value of the spectrum for each divided interval.
  • a communication unit 10 an example of an acquisition unit
  • vibration data an example of time-axis waveform data
  • FCG1 an example of first frequency characteristic data
  • an interval maximum value calculation unit 114 an example of a spectrum calculation unit
  • the frequency characteristic bandwidth approximation unit 115 (an example of an approximation processing unit) approximates the frequency characteristic data FCG1 based on the maximum value of the spectrum for each divided section and outputs frequency characteristic data AG1 (input data, approximation data) (an example of second frequency characteristic data), a machine learning model generation unit 117 (an example of a learning model generation unit) generates frequency characteristic data FG1 (output data, predicted data) (an example of third frequency characteristic data) from the frequency characteristic data AG1 (input data, approximation data) using a learning model, and a data analysis unit 118 (an example of a classification unit) classifies the inspection target 1 based on the frequency characteristic data AG1 and the frequency characteristic data FG1.
  • the learning model is obtained by learning the learning data approximated by at least the frequency characteristic bandwidth approximation unit 115.
  • the terminal device P1 in embodiment 1 can further improve the accuracy of determining pass/fail judgments regardless of individual differences in the frequency characteristic data acquired from the inspection target 1.
  • the terminal device P1 in the first embodiment further includes a drive frequency calculation unit 113 that calculates the drive frequency DF1 of the drive source based on the frequency characteristic data FCG1. This allows the terminal device P1 in the first embodiment to calculate the drive frequency DF1 used to set the bandwidth BW1.
  • the terminal device P1 in the first embodiment further includes a memory 12 (an example of a storage unit) that stores the drive frequency DF1 of the drive source. This allows the terminal device P1 in the first embodiment to automatically set the bandwidth BW1 by using the drive frequency of the drive source of the inspection object 1 recorded in the memory 12.
  • the predetermined bandwidth BW1 in the terminal device P1 in the first embodiment is greater than the drive frequency DF1.
  • the terminal device P1 in the first embodiment includes at least one peak Pk1 to Pk6 due to high-frequency components in each divided section, so that the frequency characteristic bandwidth approximation unit 115 can approximate each divided section of the frequency characteristic data FCG1 with the maximum value of the spectrum in each divided section.
  • the predetermined bandwidth BW1 in the terminal device P1 in the first embodiment is smaller than twice the drive frequency.
  • the terminal device P1 in the first embodiment can suppress the averaging of the spectrum in each divided section in the approximation process by the frequency characteristic bandwidth approximation unit 115 by suppressing an increase in the number of peaks caused by high-frequency components in each divided section.
  • the frequency characteristic conversion unit 112 in the terminal device P1 in the first embodiment determines the sampling frequency and the number of sampling points when converting the vibration data.
  • the predetermined bandwidth BW1 is determined based on the sampling frequency divided by the number of sampling points ⁇ N, where N is an integer equal to or greater than 1. This allows the terminal device P1 in the first embodiment to set the bandwidth BW1, which is a frequency band for one or more cycles of the periodically operating drive source. Here, one peak occurs for one cycle of the drive operation.
  • the terminal device P1 can further reduce the deviation between the peak occurrence period (i.e., the drive period of the drive source) and the bandwidth BW1 into which the frequency characteristic data FCG1 is divided in the approximation process.
  • the section maximum value calculation unit 114 in the terminal device P1 in embodiment 1 extracts a predetermined frequency range from the frequency characteristic data FCG1, and divides the extracted predetermined frequency range of the frequency characteristic data FCG1 by a predetermined bandwidth BW1. This allows the terminal device P1 in embodiment 1 to omit approximation processing of unnecessary frequency ranges, thereby reducing the burden on the device required for approximation processing and shortening the processing time required for approximation processing.
  • the data analysis unit 118 in the terminal device P1 in the first embodiment classifies the inspection target 1 based on the mean square error between the frequency characteristic data AG1 and the frequency characteristic data FG1.
  • the terminal device P1 in the first embodiment can limit the objects for which the mean square error is calculated in the pass/fail judgment based on the mean square error between the frequency characteristic data AG1 (input data) and the frequency characteristic data FG1 (output data), thereby reducing the processing load in the pass/fail judgment and shortening the processing time required for the pass/fail judgment.
  • the terminal device P1 (an example of a learning model generating device) in the first embodiment is a device that learns about an inspection target 1 (target) having a periodically driven drive source (motor, actuator, etc.), and includes a communication unit 10 (an example of an acquiring unit) that acquires time axis waveform data (an example of time axis waveform data) of the inspection target 1, a frequency characteristic conversion unit 112 (an example of a converting unit) that converts the time axis waveform data into frequency characteristic data FCG1 (an example of first frequency characteristic data), a section maximum value calculation unit 114 (an example of a spectrum calculation unit) that divides the frequency characteristic data FCG1 into a predetermined bandwidth (e.g., 180 Hz) and calculates the maximum value of the spectrum for each divided interval, a frequency characteristic bandwidth approximation unit 115 (an example of an approximation processing unit) that approximates the frequency characteristic data FCG1 based on the maximum value of the spectrum for each divided interval and outputs frequency characteristic data
  • the terminal device P1 in embodiment 1 can generate a learning model that can classify the inspection object 1 regardless of individual differences in the frequency characteristic data acquired from the inspection object 1.
  • the present disclosure is useful as a classification device, a learning model generation device, a classification method, and a learning model generation method that can determine whether an object to be inspected is good or bad, regardless of individual differences between the objects to be inspected.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

分類装置は、対象物の時間軸波形データを取得する取得部と、時間軸波形データを第１の周波数特性データに変換する変換部と、第１の周波数特性データを所定のバンド幅で複数の分割区間に分割し、スペクトルの最大値を分割区間ごとに算出するスペクトル算出部と、分割区間ごとのスペクトルの最大値に基づいて、第１の周波数特性データを近似して第２の周波数特性データを出力する近似処理部と、学習モデルを用いて、第２の周波数特性データから第３の周波数特性データを生成する生成部と、第２の周波数特性データと第３の周波数特性データとに基づいて、対象物を分類する分類部と、を備え、学習モデルは、近似された学習データを学習したモデルである。

Description

分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法
　本開示は、分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法に関する。
　特許文献１には、検査対象スペクトル距離と良品スペクトル距離の平均値との差に基づいて良否判定を行う回転機械の異音検査方法が開示されている。回転機械の異音検査方法は、所定個数の良品回転機械の運転音を良品サンプルデータとして検出し、各良品サンプルデータに対して周波数分析を施してパワースペクトルとして表現し、パワースペクトルに対してオクターブ分析を施して所定のオクターブバンドスペクトルをそれぞれ求めた後、これらを平均した平均スペクトルと各良品サンプルデータに基づくオクターブバンドスペクトルとの誤差の二乗和として求められる良品スペクトル距離の平均値を算出する。回転機械の異音検査方法は、検査対象回転機械の運転音を検査対象サンプルとして同様な処理により得られた検査対象スペクトル距離を算出した後、検査対象スペクトル距離と良品スペクトル距離の平均値との差に基づいて良否判定を行う。
　また、特許文献２には、作業中の電気かみそりから発生する音成分を、駆動源部から発生する音が占める周波数帯域と、剃毛部から発生する音が占める周波数帯域とに区分し、それぞれの周波数帯域における音量値と良否判定のために予め設定した駆動源および剃毛部の各音量基準値との比較を行うことによって電気かみそりの品質の良否を判定する電気かみそりの音検査方法が開示されている。
特開平１０－００２７８９号公報 特開昭６１－０７３０３１号公報
　本開示は、上述した従来の状況に鑑みて案出され、検査対象物の個体差に関わらず、検査対象物の良品判定を実行可能な分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法を提供することを目的とする。
　本開示は、周期的に駆動する駆動源を有する対象物を分類する分類装置であって、前記対象物の時間軸波形データを取得する取得部と、前記時間軸波形データを第１の周波数特性データに変換する変換部と、前記第１の周波数特性データを所定のバンド幅で複数の分割区間に分割し、スペクトルの最大値を前記分割区間ごとに算出するスペクトル算出部と、前記分割区間ごとの前記スペクトルの最大値に基づいて、前記第１の周波数特性データを近似して第２の周波数特性データを出力する近似処理部と、学習モデルを用いて、前記第２の周波数特性データから第３の周波数特性データを生成する生成部と、前記第２の周波数特性データと前記第３の周波数特性データとに基づいて、前記対象物を分類する分類部と、を備え、前記学習モデルは、少なくとも前記近似処理部によって近似された学習データを学習したモデルである、分類装置を提供する。
　また、本開示は、周期的に駆動する駆動源を有する対象物に関して学習を行う学習モデル生成装置であって、前記対象物の時間軸波形データを取得する取得部と、前記時間軸波形データを第１の周波数特性データに変換する変換部と、前記第１の周波数特性データを所定のバンド幅で複数の分割区間に分割し、スペクトルの最大値を前記分割区間ごとに算出するスペクトル算出部と、前記分割区間ごとの前記スペクトルの最大値に基づいて、前記第１の周波数特性データを近似して第２の周波数特性データを出力する近似処理部と、複数の前記第２の周波数特性データを学習モデルに学習させる学習モデル生成部と、を備える、学習モデル生成装置を提供する。
　また、本開示は、周期的に駆動する駆動源を有する対象物を分類する分類装置が行う分類方法であって、前記対象物の時間軸波形データを取得し、前記時間軸波形データを第１の周波数特性データに変換し、前記第１の周波数特性データを所定のバンド幅で複数の分割区間に分割し、スペクトルの最大値を前記分割区間ごとに算出し、前記分割区間ごとの前記スペクトルの最大値に基づいて、前記第１の周波数特性データを近似した第２の周波数特性データを出力し、学習モデルを用いて、前記第２の周波数特性データから第３の周波数特性データを生成し、前記第２の周波数特性データと前記第３の周波数特性データとに基づいて、前記対象物を分類し、前記学習モデルは、少なくとも前記分類装置によって近似された学習データを学習したモデルである、分類方法を提供する。
　また、本開示は、周期的に駆動する駆動源を有する対象物に関して学習を行う学習モデル生成装置が行う学習モデル生成方法であって、前記対象物の時間軸波形データを取得し、前記時間軸波形データを第１の周波数特性データに変換し、前記第１の周波数特性データを所定のバンド幅で複数の分割区間に分割して、スペクトルの最大値を前記分割区間ごとに算出し、前記分割区間ごとの前記スペクトルの最大値に基づいて、前記第１の周波数特性データを近似して第２の周波数特性データを出力し、複数の前記第２の周波数特性データを学習モデルに学習させる、学習モデル生成方法を提供する。
　本開示によれば、検査対象物の個体差に関わらず、検査対象物の良品判定を実行できる。
実施の形態１における検査対象物および検査治具の一例を説明する図 実施の形態１における検査対象物および検査治具の一例を説明する図 検査治具のＸ－Ｚ断面図 実施の形態１に係る良品判定装置の内部構成例を示すブロック図 実施の形態１における端末装置の全体動作手順例を示すフローチャート 実施の形態１における端末装置の学習モデル生成処理手順例を示すフローチャート 実施の形態１における端末装置の判定誤差分布生成処理手順例を示すフローチャート 実施の形態１における端末装置の良品判定処理手順例を示すフローチャート 周波数特性データの一例を示す図 周波数特性データの部分拡大図 良品同士の周波数特性データの比較例を示す図 良品同士の周波数特性データの低周波数領域の比較例を示す図 良品同士の周波数特性データの中周波数領域の比較例を示す図 良品および不良品の周波数特性データのそれぞれの比較例を示す図 周波数特性データにおける区間ごとの最大値の算出例を説明する図 近似処理前後の周波数特性データの比較例を示す図 良品における周波数特性データ（入力データ）と、第１学習モデルの周波数特性データ（出力データ）との比較例を示す図 不良品における周波数特性データ（入力データ）と、第１学習モデルの周波数特性データ（出力データ）との比較例を示す図 第１判定誤差分布および第２判定誤差分布の一例を示す図 判定性能αとバンド幅との相関関係の一例を示す図 判定性能αとバンド幅との相関関係の一例を示す相関グラフ
　（本開示に至る経緯）
　従来、計測器を用いて収音された音の解析により、工場で生産されるモータ，アクチュエータを搭載した製品の良品検査（判定），設備点検等が行われることがあるが、収音された音声には製品，設備の個体差、環境音（ノイズ）等が含まれるため、異音評価を定量的に行うことが困難だった。このため、異音評価は、製品の良品検査，設備点検等を行う検査員の聴覚を用いた官能検査によって行われていた。
　しかし、官能検査は、検査員によって評価（検査）結果にばらつきが生じるという課題があった。また、１人の検査員による評価（検査）結果においても、検査員の体調，疲労等により評価（検査）結果にばらつきが生じてしまうという課題があった。
　これらの課題を解決するために、従来文献１では、検査対象回転機械の運転音の良品サンプルデータをオクターブ分析し、オクターブバンドスペクトルを用いた良品スペクトル距離の平均値と、検査対象回転機械の運転音に基づく検査対象スペクトル距離とに基づいて、検査対象の良否判定を実現する。
　しかし、従来文献１では、人間の聴感特性に近い定比幅のバンド幅フィルタを使用して運転音の周波数特性を算出しているため、高周波数帯域ではバンド幅が広くなる。よって、従来文献１では、モータ，アクチュエータ等の駆動周波数の高調波成分に起因するノイズレベルの違いに基づいて、回転機械の評価（検査）を行う場合には、評価（検査）精度が低下するという課題がある。
　一方、一般的なＦＦＴ（高速フーリエ変換：Ｆａｓｔ　Ｆｏｕｒｉｅｒ　Ｔｒａｎｓｆｏｒｍ）を用いた周波数分析方法は、サンプリング周波数とサンプリング点数とによって一意に決まる周波数分解能のバンド幅が狭いため、モータ，アクチュエータ等の駆動周波数の高調波成分が製品，設備の個体差、測定誤差等によって変動した場合には、この変動により各バンド幅で変動後の高周波成分を評価できないことがある。したがって、ＦＦＴを用いた周波数分析方法は、良品であると評価された製品，設備同士の間で周波数特性の差異が大きくなるため、良品であると評価された周波数特性を学習データとする機械学習モデルを用いた場合、良品検査における良品と不良品との判定精度が低下するという課題があった。
　以下、適宜図面を参照しながら、本開示に係る分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法の構成および作用を具体的に開示した実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。なお、添付図面及び以下の説明は、当業者が本開示を十分に理解するために提供されるのであって、これらにより特許請求の範囲に記載の主題を限定することは意図されていない。
　まず、図１を参照して、検査対象物１および検査治具の一例について説明する。図１は、実施の形態１における検査対象物１および検査治具の一例を説明する図である。図２は、実施の形態１における検査対象物１および検査治具の一例を説明する図である。
　なお、本実施の形態１では、一例として、検査対象物１が電気かみそりである例について説明するが、検査対象物１はこれに限定されないことは言うまでもない。検査対象物１は、周期的に駆動するモータ，アクチュエータ等の駆動源を備える装置であればよい。
　検査治具は、振動センサ２と、クレードルＣＤＬと、発泡ラバーＲＢとを少なくとも含んで構成される。検査治具は、例えばアルミニウム等の部材により形成された架台ＳＴＧに、発泡ラバーＲＢを挟んで検査対象物１を支持するクレードルＣＤＬがねじ止めされて固定される。
　クレードルＣＤＬは、検査対象物１の形状に合わせて、検査対象物１を支持可能な載置面ＣＤＬ１が形成される。クレードルＣＤＬは、載置面ＣＤＬ１に検査対象物１が載置される。
　振動センサ２は、載置面ＣＤＬ１から部分的に露出した状態で、クレードルＣＤＬに内蔵される。振動センサ２は、載置面ＣＤＬ１から露出した部分が検査対象物１と当接する。振動センサ２は、圧電素子２Ａ（図３参照）を備える。振動センサ２は、検査対象物１のモータ，アクチュエータ等の駆動源の駆動振動を圧電素子２Ａにより時間軸波形の振動データ（時間軸波形データの一例）に変換し、変換後の振動データをアナログフィルタ３（図４参照）に送信する。
　発泡ラバーＲＢは、所謂防振ゴムであって、架台ＳＴＧを介して検査対象物１以外の振動がクレードルＣＤＬに伝達しないように防振する。これにより、振動センサ２は、検査対象物１の駆動振動のみをより効率的に取得できる。
　次に、図３を参照して、振動センサ２およびクレードルＣＤＬの載置面ＣＤＬ１について説明する。図３は、検査治具のＸ－Ｚ断面図である。
　図３は、検査対象物１が載置された状態のクレードルＣＤＬをＹ方向（検査対象物１の幅方向）の略半分の位置で切断した部分断面と、検査対象物１および検査治具を、Ｙ方向（検査対象物１の幅方向）の略半分の位置で切断した部分断面図（Ｘ－Ｚ断面図）とを示す。
　検査対象物１は、印刷面１Ａに文字，図等が印刷されている。クレードルＣＤＬの載置面ＣＤＬ１は、検査対象物１の形状および印刷面１Ａの位置に基づいて、一部が検査対象物１の形状に沿わない形状で形成される。載置面ＣＤＬ１は、検査対象物１の載置時に検査対象物１の印刷面１Ａに対応する面との間に間隙ＳＰが形成され、検査対象物１の印刷面１Ａとの間で非接触状態となる。
　これにより、検査治具は、検査対象物１の駆動振動により、載置面ＣＤＬ１で検査対象物１の印刷面１Ａが擦れることで、印刷品質が劣化することを防止できる。
　振動センサ２は、載置面ＣＤＬ１から露出した部分に圧電素子２Ａを備える。圧電素子２Ａにより取得された検査対象物１の振動を電気信号に変換する。
　次に、図４を参照して、実施の形態１に係る良品判定システム１００について説明する。図４は、実施の形態１に係る良品判定システム１００の内部構成例を示すブロック図である。なお、図４に示す良品判定システム１００は一例であって、これに限定されない。
　良品判定システム１００は、検査対象物１と、振動センサ２と、アナログフィルタ３と、Ａ／Ｄ（Ａｎａｌｏｇ／Ｄｉｇｉｔａｌ）変換器４と、端末装置Ｐ１（分類装置，学習モデル生成装置の一例）とを含んで構成される。なお、図４に示す良品判定システム１００は、一例であって、これに限定されないことは言うまでもない。例えば、検査対象物１、振動センサ２、アナログフィルタ３、およびＡ／Ｄ変換器４は、それぞれ複数であってもよい。
　アナログフィルタ３は、振動センサ２から送信された検査対象物１の振動データ（アナログ信号）を取得する。アナログフィルタ３は、取得された振動データのうち事前に設定され、検査対象物１の良品判定において不要な周波数成分を除去する処理、あるいは検査対象物１の良品判定において必要な周波数成分のみを抽出する処理を実行する。アナログフィルタ３は、上述した処理を実行した後の振動データをＡ／Ｄ変換器４に送信する。
　Ａ／Ｄ変換器４は、アナログフィルタ３から送信されたアナログ信号である振動データを、デジタル信号に変換する。Ａ／Ｄ変換器４は、変換後の振動データを端末装置Ｐ１の通信部１０に送信する。
　端末装置Ｐ１は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ），ノートＰＣ，タブレット端末等により実現される。端末装置Ｐ１は、通信部１０と、プロセッサ１１と、メモリ１２と、表示部１３と、入力部１４とを備える。なお、入力部１４は必須の構成でなく、省略されてよい。
　通信部１０（取得部の一例）は、Ａ／Ｄ変換器４との間で有線あるいは無線通信可能に接続される。すなわち、通信部１０の一例は、有線通信可能なコネクタであり、通信部１０の別の一例は、無線通信可能な送信機および受信機である。なお、ここでいう無線通信は、例えばＷｉ－Ｆｉ（登録商標）に代表される無線ＬＡＮ等であって、その種類は特に限定されない。
　また、通信部１０は、例えば、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｃ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＵＳＢメモリ、ＳＤ（登録商標）カード等の外部記憶媒体（不図示）が接続可能であってよく、外部記憶媒体に記憶された学習モデル，良品あるいは不良品の振動データ，周波数特性データ，学習用データ等を読み出し可能であってよい。
　プロセッサ１１は、例えばＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）またはＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）を用いて構成されて、メモリ１２と協働して、各種の処理および制御を行う。具体的には、プロセッサ１１は、メモリ１２に保持されたプログラムおよびデータを参照し、そのプログラムを実行することにより、各部の機能を実現する。なお、ここでいう各部は、振動波形測定部１１１，周波数特性変換部１１２，駆動周波数算出部１１３，区間最大値算出部１１４，周波数特性バンド幅近似部１１５，波形予測部１１６，機械学習モデル生成部１１７およびデータ分析部１１８等である。
　振動波形測定部１１１は、通信部１０から出力された時間軸波形の振動データ（デジタル信号）を取得して、周波数特性変換部１１２に出力する。
　周波数特性変換部１１２（変換部の一例）は、振動波形測定部１１１から出力された振動データにＦＦＴ処理を実行し、振動データを周波数特性データＦＣＧ１（図９参照）に変換する。周波数特性変換部１１２は、変換後の周波数特性データＦＣＧ１を駆動周波数算出部１１３に出力する。
　駆動周波数算出部１１３は、周波数特性変換部１１２から出力された周波数特性データＦＣＧ１にピークサーチ処理を実行する。駆動周波数算出部１１３は、ピークサーチ処理結果に基づいて、検査対象物１のモータ，アクチュエータ等の駆動周波数ＤＦ１（図１０参照）を算出する。駆動周波数算出部１１３は、算出された駆動周波数の情報と、周波数特性データＦＣＧ１とを区間最大値算出部１１４に出力する。
　区間最大値算出部１１４（スペクトル算出部の一例）は、駆動周波数算出部１１３から出力された駆動周波数に基づくバンド幅で周波数特性データＦＣＧ１の周波数帯域をそれぞれ分割し、分割された各分割区間（つまり、各周波数帯域）におけるスペクトル（ｄＢ）の最大値をそれぞれ算出する。区間最大値算出部１１４は、各分割区間のスペクトルの最大値の情報を周波数特性バンド幅近似部１１５に出力する。
　なお、区間最大値算出部１１４は、周波数特性データにおいて、良品の周波数特性と不良品の周波数特性との差異が十分に小さい周波数帯域がある場合、この周波数帯域以外の周波数領域を抽出し、バンド幅で周波数特性データＦＣＧ１の周波数帯域をそれぞれ分割してもよい。これにより、端末装置Ｐ１は、機械学習に要する処理負荷を軽減でき、より効率的に良品判定を実行することができる。
　周波数特性バンド幅近似部１１５（近似処理部の一例）は、区間最大値算出部１１４から出力された各分割区間のスペクトルの最大値の情報に基づいて、周波数特性データＦＣＧ１の各分割区間をスペクトルの最大値で近似した周波数特性データＡＧ１（図１６参照）を生成する。周波数特性バンド幅近似部１１５は、生成された周波数特性データＡＧ１を波形予測部１１６、機械学習モデル生成部１１７およびデータ分析部１１８のそれぞれに出力するとともに、メモリ１２に記録してよい。
　なお、以降の説明において、周波数特性バンド幅近似部１１５により近似され、生成された周波数特性データＡＧ１を「入力データ」，「近似データ」と称することがある。また、良品の近似した周波数特性データをＡＧ１１、不良品の近似した周波数特性データをＡＧ１２、良品不良品を特定しない、または良品不良品が不明な近似した周波数特性データを説明する場合にはＡＧ１として説明する。同様に、近似前の周波数特性データにおいて、良品の周波数特性データをＦＣＧ１１、不良品の周波数特性データをＦＣＧ１２、良品不良品を特定せず周波数特性データを説明する場合にはＦＣＧ１として説明する。
　機械学習モデル生成部１１７（学習モデル生成部の一例）は、記録され、収集された１つ以上の良品の周波数特性データＡＧ１１（近似データ）を学習データとして機械学習を実行する。具体的に、機械学習モデル生成部１１７は、良品である検査対象物１の周波数特性データＡＧ１１（近似データ）に基づいて、良品である検査対象物１を判定（分類）するための機械学習を実行する。機械学習モデル生成部１１７は、学習の結果、良品である検査対象物１を判定するための第１学習モデルを生成し、メモリ１２に記録する。
　統計的分類技術としては、例えば、線形分類器（Ｌｉｎｅａｒ　Ｃｌａｓｓｉｆｉｅｒｓ）、サポートベクターマシン（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ）、二次分類器（Ｑｕａｄｒａｔｉｃ　Ｃｌａｓｓｉｆｉｅｒｓ）、カーネル密度推定（Ｋｅｒｎｅｌ　Ｅｓｔｉｍａｔｉｏｎ）、決定木（Ｄｅｃｉｓｉｏｎ　Ｔｒｅｅｓ）、人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ）、ベイジアン技術および／またはネットワーク（Ｂａｙｅｓｉａｎ　Ｔｅｃｈｎｉｑｕｅｓ　ａｎｄ／ｏｒ　Ｎｅｔｗｏｒｋｓ）、隠れマルコフモデル（Ｈｉｄｄｅｎ　Ｍａｒｋｏｖ　Ｍｏｄｅｌｓ）、バイナリ分類子（Ｂｉｎａｒｙ　Ｃｌａｓｓｉｆｉｅｒｓ）、マルチクラス分類器（Ｍｕｌｔｉ－Ｃｌａｓｓ　Ｃｌａｓｓｉｆｉｅｒｓ）、クラスタリング（Ｃｌｕｓｔｅｒｉｎｇ　Ｔｅｃｈｎｉｑｕｅ）、ランダムフォレスト（Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ　Ｔｅｃｈｎｉｑｕｅ）、ロジスティック回帰（Ｌｏｇｉｓｔｉｃ　Ｒｅｇｒｅｓｓｉｏｎ　Ｔｅｃｈｎｉｑｕｅ）、線形回帰（Ｌｉｎｅａｒ　Ｒｅｇｒｅｓｓｉｏｎ　Ｔｅｃｈｎｉｑｕｅ）、勾配ブースティング（Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ　Ｔｅｃｈｎｉｑｕｅ）等が挙げられる。但し、使用される統計的分類技術はこれらに限定されない。
　波形予測部１１６（予測部の一例）は、メモリ１２に記録された第１学習モデルに周波数特性バンド幅近似部１１５から出力された周波数特性データＡＧ１（入力データ）を入力し、第１学習モデルから出力された周波数特性データＦＧ１（出力データ，予測データ）を取得する。波形予測部１１６は、取得された周波数特性データＦＧ１（出力データ，予測データ）をデータ分析部１１８に出力する。
　なお、波形予測部１１６は、良品である周波数特性データＡＧ１１を入力した場合、第１学習モデルから出力された周波数特性データＦＧ１１を取得し、不良品である周波数特性データＡＧ１２を入力した場合、第１学習モデルから出力された周波数特性データＦＧ１２を取得する。
　なお、以降の説明において、各学習モデルに入力され、出力された周波数特性データＦＧ１，ＦＧ１１，ＦＧ１２を「出力データ」あるいは「予測データ」と称することがある。
　データ分析部１１８（分類部の一例）は、周波数特性バンド幅近似部１１５から出力された周波数特性データＡＧ１（入力データ）と、波形予測部１１６から出力され、第１学習モデルから出力された周波数特性データＦＧ１（出力データ）との平均二乗誤差を算出する。データ分析部１１８は、算出された平均二乗誤差と、第１判定誤差分布ＧＤＤと第２判定誤差分布ＢＤＤとに基づいて、検査対象物１が良品であるか否か（つまり、良品に分類されるか否か）を判定する。
　ここで、第１判定誤差分布ＧＤＤは、データ分析部１１８が、予め良品であることが分かっている複数の周波数特性データＡＧ１１（近似データ）と、第１学習モデルから出力された複数の周波数特性データＦＧ１１（出力データ）とに基づいて、生成したものであり、例えば、図１９に示す第１判定誤差分布ＧＤＤ等のヒストグラム等である。
　また、第２判定誤差分布ＢＤＤは、データ分析部１１８が、予め不良品であることが分かっている複数の周波数特性データＡＧ１２（近似データ）と、第１学習モデルから出力された複数の周波数特性データＦＧ１２（出力データ）とに基づいて、生成したものであり、例えば、図１９に示す第２判定誤差分布ＢＤＤ等のヒストグラム等である。
　なお、データ分析部１１８は、第１判定誤差分布ＧＤＤと第２判定誤差分布ＢＤＤを用いて、検査対象物１が良品であるか否かを判定しているが、第１判定誤差分布ＧＤＤのみを用いて判定しても良いし、算出された平均二乗誤差が所定の閾値内にあるかどうかで判定してもよい。
　データ分析部１１８は、検査対象物１が良品であるか不良品であるかを示す検査（分類）結果を生成して、表示部１３に出力して表示させる。また、データ分析部１１８は、生成されたヒストグラム等と算出された平均二乗誤差を表示部１３に出力して、表示させ、ユーザが良品であるか判断してもよい。
　メモリ１２（記憶部の一例）は、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）およびＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）等による半導体メモリと、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）あるいはＨＤＤ等によるストレージデバイスのうちいずれかのデバイスと、を含む記憶デバイスを有する。メモリ１２は、良品あるいは不良品の振動データ，学習データ、機械学習モデル生成部１１７により生成された第１学習モデル，第１判定誤差分布ＧＤＤ，第２判定誤差分布ＢＤＤ等を記憶する。
　表示部１３は、例えばＬＣＤ（Ｌｉｑｕｉｄ　Ｃｒｙｓｔａｌ　Ｄｉｓｐｌａｙ）または有機ＥＬ（Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ）等のディスプレイを用いて構成される。表示部１３は、プロセッサ１１から出力された判定（分類）結果，ヒストグラム等の通知，データを表示する。
　入力部１４は、ユーザ操作を受け付け可能であって、例えばマウス、キーボードまたはタッチパネル等を用いて構成されたユーザインタフェースである。入力部１４は、受け付けられたユーザ操作を電気信号（制御指令）に変換して、プロセッサ１１に出力する。
　なお、実施の形態１に係る良品判定システム１００は、複数の検査対象物のそれぞれから取得された振動データを１台の端末装置Ｐ１で解析し、機械学習処理および良品判定処理のそれぞれを実行する構成であってもよい。これにより、良品判定システム１００は、機械学習に用いられる学習データをより効率的に収集し、学習することができる。
　また、良品判定システム１００の端末装置Ｐ１は、例えば、クラウドサーバ等により実現されてよい。このような場合、クラウドサーバは、少なくとも１つの検査対象物１の振動データを無線通信あるいは有線通信可能に接続されたネットワーク（不図示）を介して取得する。クラウドサーバは、取得された振動データを解析し、機械学習処理および良品判定処理のそれぞれを実行する。なお、クラウドサーバは、検査対象物１の検査を行う作業者により管理される他の端末装置に良品判定結果を送信して、表示させてよい。
　次に、図５を参照して、端末装置Ｐ１の全体動作手順について説明する。図５は、実施の形態１における端末装置Ｐ１の全体動作手順例を示すフローチャートである。
　なお、図５では、学習モデル生成処理（ステップＳｔ１００）と、判定誤差分布生成処理（ステップＳｔ２００）と、良品判定処理（ステップＳｔ３００）とがそれぞれ一連の処理（フロー）として行われる例を示すが、これらの処理は、それぞれが独立した１つのフローとして完結してよい。
　例えば、学習モデル生成処理（ステップＳｔ１００）、判定誤差分布生成処理（ステップＳｔ２００）、および良品判定処理（ステップＳｔ３００）は、それぞれ異なる１台以上の端末装置Ｐ１により実行されてよい。また、各処理で生成されたデータ（学習モデル，判定誤差分布）は異なる複数の端末装置Ｐ１の間で任意に共有されてよい。具体的に、端末装置Ｐ１は、事前に生成された第１学習モデルと、第１判定誤差分布ＧＤＤとのデータを他の端末装置，外部記憶媒体等から取得し、取得された第１学習モデルと、第１判定誤差分布ＧＤＤとを用いて、検査対象物１の良品検査（判定）を実行してもよい。
　端末装置Ｐ１は、良品である検査対象物１から収集された複数の振動データのそれぞれに基づく周波数特性データＡＧ１１（近似データ）を用いて機械学習を実行し、良品である検査対象物１を判定するための第１学習モデルを生成する（Ｓｔ１００）。
　端末装置Ｐ１は、良品である複数の検査対象物１から収集された複数の振動データのそれぞれに基づく周波数特性データＡＧ１１（近似データ）と、第１学習モデルに周波数特性データＡＧ１１（近似データ）を入力して得られた（出力された）良品の周波数特性データＦＧ１１（出力データ）とを用いて、良品である検査対象物１の周波数特性データＡＧ１１（近似データ）と周波数特性データＦＧ１１（出力データ）との平均二乗誤差を算出する。端末装置Ｐ１は、算出された平均二乗誤差に基づいて、良品である検査対象物１の第１判定誤差分布ＧＤＤ（図１９参照）を生成する（Ｓｔ２００）。なお、ここで使用される第１学習モデルは、他の端末装置，外部記憶媒体等から取得されたものであってよい。
　端末装置Ｐ１は、検査対象物１の周波数特性データＡＧ１１（近似データ）と、第１学習モデルから出力された検査対象物１の周波数特性データＦＧ１（出力データ）との平均二乗誤差を算出し、算出された平均二乗誤差と、第１判定誤差分布ＧＤＤとに基づいて、検査対象物１が良品であるか否か（つまり、良品に分類されるか否か）を判定する（Ｓｔ３００）。なお、ここで使用される第１学習モデルは、他の端末装置，外部記憶媒体等から取得されたものであってよい。
　以上により、実施の形態１に係る端末装置Ｐ１は、検査対象物１の良品判定を実行できる。なお、ステップＳｔ１００の処理は、事前に学習済みの第１学習モデルがある場合、事前に他の端末装置等で生成済みの第１学習モデルを取得して使用する場合等には省略されてよい。また、ステップＳｔ２００の処理は、事前に生成済みの第１判定誤差分布ＧＤＤがある場合、事前に他の端末装置等で生成済みの第１判定誤差分布ＧＤＤを取得して使用する場合等には省略されてよい。
　また、端末装置Ｐ１は、ステップＳｔ３００の処理の結果、検査対象物１が良品であると判定した場合、この検査対象物１（良品）の周波数特性データ（近似データ）を用いた機械学習をさらに実行し、第１学習モデルを更新してよい。
　これにより、端末装置Ｐ１は、検査対象物１の良品判定（検査）と、検査対象物１の良品判定を実行するための第１学習モデルの更新とをより効率的に実行できる。
　次に、図６を参照して、図５に示す学習モデル生成処理（ステップＳｔ１００）について説明する。図６は、実施の形態１における端末装置Ｐ１の学習モデル生成処理手順例を示すフローチャートである。なお、ここでは、上述した通り良品と判明している検査対象物１の振動データを用いて学習を行う。
　端末装置Ｐ１は、検査対象物１の時間軸波形の振動データ（デジタル信号）を取得する（Ｓｔ１０１）。
　端末装置Ｐ１は、取得された振動データにＦＦＴ処理を実行し、振動データを周波数特性データＦＣＧ１（図９参照）に変換する（Ｓｔ１１）。
　端末装置Ｐ１は、ピークサーチ処理によって周波数特性データＦＣＧ１から検査対象物１の駆動周波数ＤＦ１（図１０参照）を算出する（Ｓｔ１２Ａ）。端末装置Ｐ１は、算出された駆動周波数ＤＦ１と、検査対象物１の情報（例えば、検査対象物１の種類，商品名，型番等）とを対応付けて、メモリ１２に記録する。
　端末装置Ｐ１は、周波数特性データＦＣＧ１をバンド幅ＢＷ１（図１５参照）ごとに分割し、分割された各分割区間のそれぞれにおいてスペクトルの最大値を算出する（Ｓｔ１３）。
　端末装置Ｐ１は、各分割区間の最大値によって近似する近似処理の対象である周波数領域を決定する（Ｓｔ１４Ａ）。
　端末装置Ｐ１は、各分割区間のそれぞれの振動データの最大値を用いて、近似処理対象である周波数領域に近似処理を実行し、周波数特性データＦＣＧ１を周波数特性データＡＧ１１（近似データ）に変換する（Ｓｔ１５）。
　端末装置Ｐ１は、良品と判明している振動波形ごとに、上記ステップＳｔ１１～ステップＳｔ１５の処理を繰り返し実行し、学習モデルを生成するための機械学習に用いられる学習データとして、変換後の周波数特性データＡＧ１１（近似データ）をメモリ１２に記録し、収集する（Ｓｔ１０２）。
　端末装置Ｐ１は、収集された複数の学習データ（周波数特性データＡＧ１１（近似データ））を用いて、機械学習（ＤＮＮ）処理を実行し、第１学習モデルを生成する（Ｓｔ１０３）。
　以上により、実施の形態１における端末装置Ｐ１は、第１学習モデルを生成する。なお、端末装置Ｐ１は、不良品と判明している振動波形から第２学習モデルの生成処理を行うことも可能であり、同様の手順により生成可能である。
　次に、図７を参照して、図５に示す判定誤差分布生成処理（ステップＳｔ２００）について説明する。図７は、実施の形態１における端末装置Ｐ１の判定誤差分布生成処理手順例を示すフローチャートである。なお、図７に示すデータ変換処理（ステップＳｔ１０Ｂ）は、図６で説明したデータ変換処理（ステップＳｔ１０Ａ）とほぼ同様の処理であるため、異なる処理についてのみ説明する。
　端末装置Ｐ１は、検査対象物１の時間軸波形の振動データ（デジタル信号）を取得する（Ｓｔ２０１）。
　端末装置Ｐ１は、取得された振動データにＦＦＴ処理を実行し、振動データを周波数特性データＦＣＧ１（図９参照）に変換し（Ｓｔ１１）、検査対象物１の情報（例えば、検査対象物１の種類，商品名，型番等）に基づいて、メモリ１２に記録された検査対象物１の駆動周波数ＤＦ１（図１０参照）を読み出す（Ｓｔ１２Ｂ）。また、端末装置Ｐ１は、検査対象物１の情報（例えば、検査対象物１の種類，商品名，型番等）に基づいて、各分割区間の最大値によって近似する近似処理の対象である周波数領域を読み出す（Ｓｔ１４Ｂ）。
　端末装置Ｐ１は、近似された周波数特性データＡＧ１（入力データ）を第１学習モデルに入力する。端末装置Ｐ１は、第１学習モデルから出力された周波数特性データＦＧ１（出力データ，予測データ）を取得する（Ｓｔ２０２）。
　端末装置Ｐ１は、周波数特性データＡＧ１（入力データ）と、第１学習モデルから出力された周波数特性データＦＧ１（出力データ）との平均二乗誤差を算出する（Ｓｔ２０３）。端末装置Ｐ１は、算出された平均二乗誤差のデータをメモリ１２に記録し、収集する（Ｓｔ２０４）。
　端末装置Ｐ１は、メモリ１２に記録され、良品である検査対象物１から収集された複数の平均二乗誤差のデータに基づいて、良品である検査対象物１の第１判定誤差分布ＧＤＤおよび第２判定誤差分布ＢＤＤ（図１９参照）を生成する（Ｓｔ２０５）。
　以上により、実施の形態１における端末装置Ｐ１は、平均二乗誤差に基づいて、検査対象物１が良品であるか否か（つまり、良品に分類されるか否か）を判定可能な第１判定誤差分布ＧＤＤおよび第２判定誤差分布ＢＤＤを生成できる。
　次に、図８を参照して、図５に示す良品判定処理（ステップＳｔ３００）について説明する。図８は、実施の形態１における端末装置Ｐ１の良品判定処理手順例を示すフローチャートである。
　なお、図８に示すステップＳｔ２０１～ステップＳｔ２０３のそれぞれの処理は、図７で説明したステップＳｔ２０１～ステップＳｔ２０３のそれぞれの処理と同様であるため、説明を省略する。また、図８に示すデータ変換処理（ステップＳｔ１０Ｂ）は、図７で説明したデータ変換処理（ステップＳｔ１０Ｂ）と同様の処理であるため、説明を省略する。
　端末装置Ｐ１は、ステップＳｔ２０３の処理により算出された周波数特性データＡＧ１（入力データ）と周波数特性データＦＧ１（出力データ）との平均二乗誤差が、良品の第１判定誤差分布ＧＤＤの判定誤差（μＡ－３σＡ）～判定誤差（μＡ＋３σＡ）内であるか否かに基づいて、検査対象物１が良品であるか否か（つまり、良品に分類されるか否か）の判定を実行し（Ｓｔ３０１）、判定結果を表示部１３に出力する（Ｓｔ３０２）。
　なお、ここで、端末装置Ｐ１は、ステップＳｔ２０３の処理により算出された平均二乗誤差が判定誤差（μＡ－３σＡ）～判定誤差（μＡ＋３σＡ）内であると判定した場合、検査対象物１が良品である（つまり、良品に分類される）と判定する。一方、端末装置Ｐ１は、ステップＳｔ２０３の処理により算出された平均二乗誤差が判定誤差（μＡ－３σＡ）～判定誤差（μＡ＋３σＡ）外であると判定した場合、検査対象物１が良品でない（つまり、良品に分類されない）と判定する。
　以上により、実施の形態１における端末装置Ｐ１は、検査対象物１の駆動周波数に基づくバンド幅により周波数特性データＦＣＧ１を分割し、分割された分割区間のスペクトルの最大値に基づいて、周波数特性データＦＣＧ１を近似することによって、検査対象物１が備えるモータ，アクチュエータ等の駆動源の個体差によらずに検査対象物１の良品判定（分類判定）を実行できる。
　また、これにより、端末装置Ｐ１は、良品同士の検査対象物１の個体差良品判定（分類判定）の誤判定を抑制し、良品判定の判定精度を向上させることができる。
　次に、図９および図１０のそれぞれを参照して、検査対象物１の周波数特性データＦＣＧ１について説明する。図９は、周波数特性データＦＣＧ１の一例を示す図である。図１０は、周波数特性データＦＣＧ１の部分拡大図である。
　周波数特性データＦＣＧ１は、周波数特性変換部１１２により生成され、検査対象物１の時間軸波形の振動データ（デジタル信号）をＦＦＴ処理することで得られる検査対象物１のモータ，アクチュエータ等の駆動源の周波数特性を示すグラフである。
　検査対象物１が備える駆動源は、所定の周期で駆動する。これにより、周波数特性データＦＣＧ１は、駆動源固有の周波数特性に駆動周波数の高調波成分が略等間隔で重畳され、高調波成分のそれぞれがスペクトルのピークを形成する複雑な周波数特性を示す。また、高調波成分の重畳は、高周波数帯域に亘って形成される。
　図１０に示す周波数特性データＦＣＧ１は、図９に示す周波数特性データＦＣＧ１を部分的に拡大した図である。駆動周波数算出部１１３は、ピークサーチ処理により周波数特性データＦＣＧ１から検査対象物１の駆動周波数ＤＦ１＝１８０Ｈｚを検出する。
　次に、図１１～図１３のそれぞれを参照して、良品である検査対象物１の周波数特性データの個体差について説明する。図１１は、良品同士の周波数特性データＦＣＧ１１，ＦＣＧ１２の比較例を示す図である。図１２は、良品同士の周波数特性データＦＣＧ１１，ＦＣＧ１２の低周波数領域ＥＸ１の比較例を示す図である。図１３は、良品同士の周波数特性データＦＣＧ１１，ＦＣＧ１２の中周波数領域ＥＸ２の比較例を示す図である。
　周波数特性データＦＣＧ１１，ＦＣＧ１２のそれぞれは、良品であると判定された２つの検査対象物１からそれぞれ取得された振動データをＦＦＴ処理して得られた周波数特性データのグラフである。周波数特性データＦＣＧ１１，ＦＣＧ１２のそれぞれは、低周波数領域ＥＸ１において駆動周波数ＤＦ１の略等倍で発生する高調波成分のピークが略一致するが、中周波数領域ＥＸ２において高調波成分のピークが形成される周波数に差異が生じる。
　また、図１４を参照して、良品である検査対象物１の周波数特性データと、不良品である検査対象物１の周波数特性データとについて説明する。図１４は、良品および不良品の周波数特性データのそれぞれの比較例を示す図である。
　周波数特性データＦＣＧ２１は、良品である検査対象物１の周波数特性データを示す。また、周波数特性データＦＣＧ２２は、不良品である検査対象物１の周波数特性データである。
　周波数特性データＦＣＧ２１，ＦＣＧ２２のそれぞれは、低周波数領域において駆動周波数ＤＦ１の略等倍で発生する高調波成分のピークが略一致するが、中周波数領域および高周波数領域（図１４に示す領域ＡＲ１）において高調波成分のピークが形成される周波数に差異が大きくなる。
　したがって、端末装置Ｐ１は、良品あるいは不良品を判定するための学習モデル（第１学習モデルあるいは第２学習モデル）を生成する機械学習処理において、スペクトルの大きさを周波数ごとに比較する場合、良品である検査対象物１同士における高調波成分のピークが形成される周波数のずれが、良品である検査対象物１と不良品である検査対象物１との中周波数領域および高周波数領域におけるスペクトルの差異を打ち消してしまい、良品判定における判定精度が低下する可能性があった。
　したがって、本実施の形態１における端末装置Ｐ１は、上述したようにバンド幅で周波数特性データを分割し、分割された各分割区間のスペクトルの最大値によって周波数特性データを近似することで、高調波成分のピーク位置のずれを無視した学習データを生成できる。以降、周波数特性データの近似例について、具体的に説明する。
　次に、図１５および図１６のそれぞれを参照して、分割区間におけるスペクトルの最大値の算出方法について説明する。図１５は、周波数特性データＦＣＧ１における分割区間ごとの最大値の算出例を説明する図である。図１６は、近似処理前後の周波数特性データＦＣＧ１の比較例を示す図である。
　図１５に示す周波数特性データＦＣＧ１は、駆動周波数ＤＦ１＝１８０Ｈｚである例について説明するが、駆動周波数は一例であってこれに限定されないことは言うまでもない。
　バンド幅ＢＷ１は、駆動周波数ＤＦ１に基づいて決定される。バンド幅ＢＷ１は、駆動周波数ＤＦ１＝１８０Ｈｚよりも大きく、かつ、駆動周波数ＤＦ１×２＝３６０Ｈｚよりも小さい値が設定される。本実施の形態１におけるバンド幅ＢＷ１は、サンプリング周波数４４１００Ｈｚ÷サンプリング点４０９６×Ｎ数３２＝３４５Ｈｚに設定される例を示す。
　これにより、端末装置Ｐ１は、バンド幅ＢＷ１により分割された分割区間ＳＣ１～ＳＣ６のそれぞれには、駆動周波数の高調波成分のピークが最大２個含まれる。例えば、図１５に示す例において、分割区間ＳＣ１は、１つのピークを含む。分割区間ＳＣ２～ＳＣ６は、それぞれ２つのピークを含む。なお、各分割区間に含まれるピークの数は、少なくとも１つであればよい。
　端末装置Ｐ１は、各分割区間のスペクトルの最大値であるピークＰｋ１，Ｐｋ２，Ｐｋ３，Ｐｋ４，Ｐｋ５，Ｐｋ６のそれぞれを算出して、算出されたピークＰｋ１～Ｐｋ６のそれぞれに基づいて、対応する分割区間を近似することで、周波数特性データＡＧ１に変換する。これにより、周波数特性データＦＣＧ１は、スペクトルが階段状で示された周波数特性データＡＧ１に変換される。
　次に、図１７および図１８のそれぞれを参照して、第１学習モデルにより出力される周波数特性データ（出力データ）について説明する。図１７は、良品の入力データ（周波数特性データＡＧ１１）と、第１学習モデルによる予測データ（周波数特性データＦＧ１１）との比較例を示す図である。図１８は、不良品の入力データ（周波数特性データＡＧ１２）と、第１学習モデルによる予測データ（周波数特性データＦＧ１２）との比較例を示す図である。なお、ここで検査対象物１は、良品である例について説明する。
　図１７において周波数特性データＡＧ１１は、良品である検査対象物１の近似データである。周波数特性データＦＧ１１は、周波数特性データＡＧ１１が入力データとして第１学習モデルに入力され、第１学習モデルから出力された出力データ（予測データ）である。図１８において周波数特性データＡＧ１２は、不良品である検査対象物１の近似データである。周波数特性データＦＧ１２は、周波数特性データＡＧ１２が入力データとして第１学習モデルに入力され、第１学習モデルから出力された出力データ（予測データ）である。
　良品の周波数特性データＡＧ１１と、良品の周波数特性データ（近似データ）を用いて生成された第１学習モデルにより出力された周波数特性データＦＧ１１とは、不良品の周波数特性データＡＧ１２と、良品の周波数特性データ（近似データ）を用いて生成された第１学習モデルにより出力された周波数特性データＦＧ１２とよりもスペクトルが一致する。
　これにより、端末装置Ｐ１は、周波数特性データＡＧ１は、入力データと、予測データ（出力データ）との周波数帯域での平均二乗誤差を判定誤差として評価することにより、検査対象物１が良品であるか否か（つまり、良品に分類されるか否か）を判定することができる。
　次に、図１９を参照して、平均二乗誤差について説明する。図１９は、第１判定誤差分布ＧＤＤおよび第２判定誤差分布ＢＤＤの一例を示す図である。
　第１判定誤差分布ＧＤＤは、良品の周波数特性データＡＧ１１（入力データ）と、第１学習モデルから出力された周波数特性データＦＧ１１（出力データ）との平均二乗誤差の正規分布を示す。判定誤差範囲ＭＳＥＡは、判定誤差の平均値μＡを中心として、判定誤差（μＡ－３σＡ）から判定誤差（μＡ＋３σＡ）までの範囲を示す。なお、ここでいうσＡは、第１判定誤差分布ＧＤＤの標準偏差σＡである。
　第２判定誤差分布ＢＤＤは、不良品の周波数特性データＡＧ１２（入力データ）と、第１学習モデルから出力された周波数特性データＦＧ１２（出力データ）との平均二乗誤差の正規分布を示す。判定誤差範囲ＭＳＥＢは、判定誤差の平均値μＢを中心として、判定誤差（μＢ－３σＢ）から判定誤差（μＢ＋３σＢ）までの範囲を示す。なお、ここでいうσＢは、第２判定誤差分布ＢＤＤの標準偏差σＢである。
　判定性能αは、第１判定誤差分布ＧＤＤの判定誤差（μＡ＋３σＡ）と、第２判定誤差分布ＢＤＤの判定誤差（μＢ－３σＢ）との差分を示す。
　次に、図２０および図２１のそれぞれを参照して、判定性能αについて説明する。図２０は、判定性能とバンド幅との相関関係の一例を示す図である。図２１は、判定性能とバンド幅との相関関係の一例を示す相関グラフＤＰＧである。なお、図２０および図２１では、一例として駆動周波数ＤＦ１＝１８０Ｈｚである場合の判定性能とバンド幅との相関関係について説明する。
　まず、ケース（ｉ）におけるバンド幅ＢＷ１を設定しない場合の判定性能α１について説明する。
　第１判定誤差分布（不図示）は、判定誤差の平均値μＡ１を中心として、判定誤差（μＡ－３σＡ）から判定誤差（μＡ＋３σＡ）までの範囲が判定誤差範囲ＭＳＥＡ１となる。また、同様に、第２判定誤差分布（不図示）は、判定誤差の平均値μＢ１を中心として、判定誤差（μＢ－３σＢ）から判定誤差（μＢ＋３σＢ）までの範囲が判定誤差範囲ＭＳＥＢ１となる。このような場合、良品であると判定される第１判定誤差分布の標準偏差σＡと不良品であると判定される第２判定誤差分布の標準偏差σＢとがそれぞれ大きくなり、第１判定誤差分布の判定誤差範囲ＭＳＥＡ１と、第２判定誤差分布の判定誤差範囲ＭＳＥＢ１とが重複する。
　したがって、バンド幅ＢＷ１を設定しない場合には、判定性能α１＜０となり、この重複領域において誤判定が生じるため、端末装置Ｐ１は、平均二乗誤差に基づいて、検査対象物１が良品または不良品のいずれであるかを判定することができない。
　次に、ケース（ｉｉ）における駆動周波数＞バンド幅となるバンド幅を設定した場合の判定性能α２について説明する。
　第１判定誤差分布（不図示）は、判定誤差の平均値μＡ２を中心として、判定誤差（μＡ－３σＡ）から判定誤差（μＡ＋３σＡ）までの範囲が判定誤差範囲ＭＳＥＡ２となる。また、同様に、第２判定誤差分布（不図示）は、判定誤差の平均値μＢ２を中心として、判定誤差（μＢ－３σＢ）から判定誤差（μＢ＋３σＢ）までの範囲が判定誤差範囲ＭＳＥＢ２となる。このような場合、良品であると判定される第１判定誤差分布の標準偏差σＡと不良品であると判定される第２判定誤差分布の標準偏差σＢとがそれぞれ小さくなり、第１判定誤差分布の判定誤差範囲ＭＳＥＡ２と、第２判定誤差分布の判定誤差範囲ＭＳＥＢ２との間が重複しなくなる。
　したがって、駆動周波数ＤＦ１（＝１８０Ｈｚ）＞バンド幅となるバンド幅を設定した場合には、判定性能α２＞０となり、判定誤差範囲ＭＳＥＡ２と判定誤差範囲ＭＳＥＢ２との間に差異が生まれるため、端末装置Ｐ１は、平均二乗誤差に基づいて、検査対象物１が良品または不良品のいずれであるかが判定可能となる。
　次に、ケース（ｉｉｉ）における駆動周波数ＤＦ１（＝１８０Ｈｚ）＜バンド幅＜駆動周波数ＤＦ１×２（＝３６０Ｈｚ）となるバンド幅を設定した場合の判定性能α３について説明する。
　第１判定誤差分布（不図示）は、判定誤差の平均値μＡ３を中心として、判定誤差（μＡ－３σＡ）から判定誤差（μＡ＋３σＡ）までの範囲が判定誤差範囲ＭＳＥＡ３となる。また、同様に、第２判定誤差分布（不図示）は、判定誤差の平均値μＢ３を中心として、判定誤差（μＢ－３σＢ）から判定誤差（μＢ＋３σＢ）までの範囲が判定誤差範囲ＭＳＥＢ３となる。このような場合、良品であると判定される第１判定誤差分布の標準偏差σＡと不良品であると判定される第２判定誤差分布の標準偏差σＢとがそれぞれさらに小さくなり、第１判定誤差分布の判定誤差範囲ＭＳＥＡ３と、第２判定誤差分布の判定誤差範囲ＭＳＥＢ３との間がさらに離間する。
　したがって、駆動周波数ＤＦ１（＝１８０Ｈｚ）＜バンド幅＜駆動周波数ＤＦ１×２（＝３６０Ｈｚ）となるバンド幅を設定した場合には、判定性能α３＞判定性能α２となり、判定誤差範囲ＭＳＥＡ３と判定誤差範囲ＭＳＥＢ３との間に差異が生まれるため、端末装置Ｐ１は、平均二乗誤差に基づいて、検査対象物１が良品または不良品のいずれであるかをより高精度に判定可能となる。
　次に、ケース（ｉｖ）における駆動周波数ＤＦ１×２（＝３６０Ｈｚ）＜バンド幅となるバンド幅を設定した場合の判定性能α４について説明する。
　第１判定誤差分布（不図示）は、判定誤差の平均値μＡ４を中心として、判定誤差（μＡ－３σＡ）から判定誤差（μＡ＋３σＡ）までの範囲が判定誤差範囲ＭＳＥＡ４となる。また、同様に、第２判定誤差分布（不図示）は、判定誤差の平均値μＢ４を中心として、判定誤差（μＢ－３σＢ）から判定誤差（μＢ＋３σＢ）までの範囲が判定誤差範囲ＭＳＥＢ４となる。このような場合、良品であると判定される第１判定誤差分布の標準偏差σＡと不良品であると判定される第２判定誤差分布の標準偏差σＢとがそれぞれさらに小さくなりが、平均値μＡ４と平均値μＢ４との間が小さくなるため、第１判定誤差分布の判定誤差範囲ＭＳＥＡ４と、第２判定誤差分布の判定誤差範囲ＭＳＥＢ４との間の差分が小さくなる。
　したがって、駆動周波数ＤＦ１×２（＝３６０Ｈｚ）＜バンド幅となるバンド幅を設定した場合には、判定性能α３＞判定性能α４となるが、判定誤差範囲ＭＳＥＡ４と判定誤差範囲ＭＳＥＢ４との間に差異が生まれるため、端末装置Ｐ１は、平均二乗誤差に基づいて、検査対象物１が良品または不良品のいずれであるかを判定可能となる。
　相関グラフＤＰＧは、バンド幅に基づくケース（ｉ）～ケース（ｉｖ）のそれぞれの判定性能α１～α４の変化を示す。上述したように端末装置Ｐ１は、判定性能α＜０の場合に入力データ（近似データ）である周波数特性データと、出力データ（予測データ）である周波数特性データとの平均二乗誤差に基づく良品判定が不可能となり、判定性能α≧０の場合に平均二乗誤差に基づく良品判定が可能となる。判定性能αは、ＢＷ１（＝１８０Ｈｚ）＜バンド幅＜駆動周波数ＤＦ１×２（＝３６０Ｈｚ）となるバンド幅が設定された場合に最大となり、平均二乗誤差に基づく良品判定（分類判定）において最も判定精度が向上することが分かる。
　以上により、実施の形態１における端末装置Ｐ１（分類装置の一例）は、周期的に駆動する駆動源を有する検査対象物１（対象物の一例）が良品であるか否かを判定する装置であって、検査対象物１（モータ，アクチュエータ等）の振動データ（時間軸波形データの一例）を取得する通信部１０（取得部の一例）と、振動データを周波数特性データＦＣＧ１（第１の周波数特性データの一例）に変換する周波数特性変換部１１２（変換部の一例）と、周波数特性データＦＣＧ１を所定のバンド幅（例えば、１８０Ｈｚ）で分割し、スペクトルの最大値を分割区間ごとに算出する区間最大値算出部１１４（スペクトル算出部の一例）と、分割区間ごとのスペクトルの最大値に基づいて、周波数特性データＦＣＧ１を近似して周波数特性データＡＧ１（入力データ，近似データ）（第２の周波数特性データの一例）を出力する周波数特性バンド幅近似部１１５（近似処理部の一例）と、学習モデルを用いて、周波数特性データＡＧ１（入力データ，近似データ）から周波数特性データＦＧ１（出力データ，予測データ）（第３の周波数特性データの一例）を生成する機械学習モデル生成部１１７（学習モデル生成部の一例）と、周波数特性データＡＧ１と周波数特性データＦＧ１とに基づいて、検査対象物１を分類するデータ分析部１１８（分類部の一例）と、を備える。学習モデルは、少なくとも周波数特性バンド幅近似部１１５によって近似された学習データを学習したものである。
　これにより、実施の形態１における端末装置Ｐ１は、検査対象物１から取得された周波数特性データの個体差によらず、良品判定の判定精度をより向上させることができる。
　また、実施の形態１における端末装置Ｐ１は、周波数特性データＦＣＧ１に基づいて、駆動源の駆動周波数ＤＦ１を算出する駆動周波数算出部１１３、をさらに備える。これにより、実施の形態１における端末装置Ｐ１は、バンド幅ＢＷ１の設定に用いられる駆動周波数ＤＦ１を算出できる。
　また、実施の形態１における端末装置Ｐ１は、駆動源の駆動周波数ＤＦ１を記憶するメモリ１２（記憶部の一例）、をさらに備える。これにより、実施の形態１における端末装置Ｐ１は、メモリ１２に記録された検査対象物１の駆動源の駆動周波数を用いることでバンド幅ＢＷ１を自動設定できる。
　また、実施の形態１における端末装置Ｐ１における所定のバンド幅ＢＷ１は、駆動周波数ＤＦ１より大きい。これにより、実施の形態１における端末装置Ｐ１は、各分割区間に高周波成分による少なくとも１つのピークＰｋ１～Ｐｋ６を含むため、周波数特性バンド幅近似部１１５により各分割区間のスペクトルの最大値で、周波数特性データＦＣＧ１の各分割区間を近似できる。
　また、実施の形態１における端末装置Ｐ１における所定のバンド幅ＢＷ１は、駆動周波数の２倍より小さい。これにより、実施の形態１における端末装置Ｐ１は、各分割区間に高周波成分によって生じるピークの数の増加を抑制することで、周波数特性バンド幅近似部１１５による近似処理において、各分割区間のスペクトルの平均化を抑制できる。
　また、実施の形態１における端末装置Ｐ１における周波数特性変換部１１２は、振動データの変換において、サンプリング周波数とサンプリング点数とを決定する。所定のバンド幅ＢＷ１は、サンプリング周波数÷サンプリング点数×Ｎに基づいて、決定される。ここで、Ｎは、１以上の整数である。これにより、実施の形態１における端末装置Ｐ１は、周期的に駆動する駆動源の１周期以上分の周波数帯域であるバンド幅ＢＷ１を設定できる。ここで、ピークは、駆動動作１周期に対して１つ発生する。したがって、バンド幅ＢＷ１が駆動源の１周期以上分の周波数帯域で設定される場合、端末装置Ｐ１は、ピークの発生周期（つまり、駆動源の駆動周期）と、近似処理において周波数特性データＦＣＧ１を分割するバンド幅ＢＷ１とのずれをより小さくすることができる。
　また、実施の形態１における端末装置Ｐ１における区間最大値算出部１１４は、周波数特性データＦＣＧ１のうち所定の周波数領域を抽出し、抽出された周波数特性データＦＣＧ１の所定の周波数領域を所定のバンド幅ＢＷ１で分割する。これにより、実施の形態１における端末装置Ｐ１は、不要な周波数領域の近似処理を省略できるため、近似処理に要する所持負荷を軽減できるとともに、近似処理に要する処理時間を短縮できる。
　また、実施の形態１における端末装置Ｐ１におけるデータ分析部１１８は、周波数特性データＡＧ１と周波数特性データＦＧ１との平均二乗誤差に基づいて、検査対象物１を分類する。これにより、実施の形態１における端末装置Ｐ１は、周波数特性データＡＧ１（入力データ）と周波数特性データＦＧ１（出力データ）との平均二乗誤差に基づく良品判定において、平均二乗誤差の算出対象を限定できるため、良品判定における処理負荷をできるとともに、良品判定に要する処理時間を短縮できる。
　以上により、実施の形態１における端末装置Ｐ１（学習モデル生成装置の一例）は、周期的に駆動する駆動源（モータ，アクチュエータ等）を有する検査対象物１（対象物）に関して学習を行う装置であって、検査対象物１の時間軸波形データ（時間軸波形データの一例）を取得する通信部１０（取得部の一例）と、時間軸波形データを周波数特性データＦＣＧ１（第１の周波数特性データの一例）に変換する周波数特性変換部１１２（変換部の一例）と、周波数特性データＦＣＧ１を所定のバンド幅（例えば、１８０Ｈｚ）で分割し、スペクトルの最大値を分割区間ごとに算出する区間最大値算出部１１４（スペクトル算出部の一例）と、分割区間ごとのスペクトルの最大値に基づいて、周波数特性データＦＣＧ１を近似して周波数特性データＡＧ１（入力データ，近似データ）（第２の周波数特性データの一例）を出力する周波数特性バンド幅近似部１１５（近似処理部の一例）と、複数の周波数特性データＡＧ１を学習モデルに学習させる機械学習モデル生成部１１７（学習モデル生成部の一例）と、を備える。
　これにより、実施の形態１における端末装置Ｐ１は、検査対象物１から取得された周波数特性データの個体差によらず、検査対象物１を分類可能な学習モデルを生成できる。
　以上、図面を参照しながら各種の実施の形態について説明したが、本開示はかかる例に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例、修正例、置換例、付加例、削除例、均等例に想到し得ることは明らかであり、それらについても当然に本開示の技術的範囲に属するものと了解される。また、発明の趣旨を逸脱しない範囲において、上述した各種の実施の形態における各構成要素を任意に組み合わせてもよい。
　本開示は、検査対象物の個体差に関わらず、検査対象物の良品判定を実行可能な分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法として有用である。
１　検査対象物
２　振動センサ
３　アナログフィルタ
４　Ａ／Ｄ変換器
１０　通信部
１１　プロセッサ
１２　メモリ
１３　表示部
１１１　振動波形測定部
１１２　周波数特性変換部
１１３　駆動周波数算出部
１１４　区間最大値算出部
１１５　周波数特性バンド幅近似部
１１６　波形予測部
１１７　機械学習モデル生成部
１１８　データ分析部
ＡＧ１，ＦＣＧ１，ＦＣＧ１１，ＦＣＧ１２，ＦＣＧ２１，ＦＣＧ２２，ＦＧ１，ＦＧ２　周波数特性データ
ＳＣ１，ＳＣ２，ＳＣ３，ＳＣ４，ＳＣ５，ＳＣ６　分割区間

Claims (18)

  1. 　周期的に駆動する駆動源を有する対象物を分類する分類装置であって、
    　前記対象物の時間軸波形データを取得する取得部と、
    　前記時間軸波形データを第１の周波数特性データに変換する変換部と、
    　前記第１の周波数特性データを所定のバンド幅で複数の分割区間に分割し、スペクトルの最大値を前記分割区間ごとに算出するスペクトル算出部と、
    　前記分割区間ごとの前記スペクトルの最大値に基づいて、前記第１の周波数特性データを近似して第２の周波数特性データを出力する近似処理部と、
    　学習モデルを用いて、前記第２の周波数特性データから第３の周波数特性データを生成する生成部と、
    　前記第２の周波数特性データと前記第３の周波数特性データとに基づいて、前記対象物を分類する分類部と、を備え、
    　前記学習モデルは、少なくとも前記近似処理部によって近似された学習データを学習したモデルである、
    　分類装置。
  2. 　前記第１の周波数特性データに基づいて、前記駆動源の駆動周波数を算出する駆動周波数算出部、をさらに備える、
    　請求項１に記載の分類装置。
  3. 　前記駆動源の駆動周波数を記憶する記憶部、をさらに備える、
    　請求項１に記載の分類装置。
  4. 　前記所定のバンド幅は、前記駆動周波数より大きい、
    　請求項２または３に記載の分類装置。
  5. 　前記所定のバンド幅は、前記駆動周波数の２倍より小さい、
    　請求項２または３に記載の分類装置。
  6. 　前記変換部は、前記時間軸波形データの変換において、サンプリング周波数とサンプリング点数とを決定し、
    　前記所定のバンド幅は、前記サンプリング周波数÷前記サンプリング点数×Ｎに基づいて、決定され、
    　ここで、Ｎは、１以上の整数である、
    　請求項１に記載の分類装置。
  7. 　前記スペクトル算出部は、前記第１の周波数特性データのうち所定の周波数領域を抽出し、抽出された前記所定の周波数領域を前記所定のバンド幅で分割する、
    　請求項１に記載の分類装置。
  8. 　前記分類部は、前記第２の周波数特性データと前記第３の周波数特性データとの平均二乗誤差に基づいて、前記対象物を分類する、
    　請求項１に記載の分類装置。
  9. 　周期的に駆動する駆動源を有する対象物に関して学習を行う学習モデル生成装置であって、
    　前記対象物の時間軸波形データを取得する取得部と、
    　前記時間軸波形データを第１の周波数特性データに変換する変換部と、
    　前記第１の周波数特性データを所定のバンド幅で複数の分割区間に分割し、スペクトルの最大値を前記分割区間ごとに算出するスペクトル算出部と、
    　前記分割区間ごとの前記スペクトルの最大値に基づいて、前記第１の周波数特性データを近似して第２の周波数特性データを出力する近似処理部と、
    　複数の前記第２の周波数特性データを学習モデルに学習させる学習モデル生成部と、を備える、
    　学習モデル生成装置。
  10. 　周期的に駆動する駆動源を有する対象物を分類する分類装置が行う分類方法であって、
    　前記対象物の時間軸波形データを取得し、
    　前記時間軸波形データを第１の周波数特性データに変換し、
    　前記第１の周波数特性データを所定のバンド幅で複数の分割区間に分割し、スペクトルの最大値を前記分割区間ごとに算出し、
    　前記分割区間ごとの前記スペクトルの最大値に基づいて、前記第１の周波数特性データを近似した第２の周波数特性データを出力し、
    　学習モデルを用いて、前記第２の周波数特性データから第３の周波数特性データを生成し、
    　前記第２の周波数特性データと前記第３の周波数特性データとに基づいて、前記対象物を分類し、
    　前記学習モデルは、少なくとも前記分類装置によって近似された学習データを学習したモデルである、
    　分類方法。
  11. 　前記第１の周波数特性データに基づいて、前記駆動源の駆動周波数を算出する、
    　請求項１０に記載の分類方法。
  12. 　前記駆動源の駆動周波数を記憶する、
    　請求項１０に記載の分類方法。
  13. 　前記所定のバンド幅は、前記駆動周波数より大きい、
    　請求項１１または１２に記載の分類方法。
  14. 　前記所定のバンド幅は、前記駆動周波数の２倍より小さい、
    　請求項１１または１２に記載の分類方法。
  15. 　前記時間軸波形データの変換において、サンプリング周波数とサンプリング点数とを決定し、
    　前記所定のバンド幅は、前記サンプリング周波数÷前記サンプリング点数×Ｎに基づいて、決定され、
    　ここで、Ｎは、１以上の整数である、
    　請求項１０に記載の分類方法。
  16. 　前記第１の周波数特性データのうち所定の周波数領域を抽出し、
    　抽出された前記所定の周波数領域を前記所定のバンド幅で分割する、
    　請求項１０に記載の分類方法。
  17. 　前記第２の周波数特性データと、前記第３の周波数特性データとの平均二乗誤差に基づいて、前記対象物を分類する、
    　請求項１０に記載の分類方法。
  18. 　周期的に駆動する駆動源を有する対象物に関して学習を行う学習モデル生成装置が行う学習モデル生成方法であって、
    　前記対象物の時間軸波形データを取得し、
    　前記時間軸波形データを第１の周波数特性データに変換し、
    　前記第１の周波数特性データを所定のバンド幅で複数の分割区間に分割して、スペクトルの最大値を前記分割区間ごとに算出し、
    　前記分割区間ごとの前記スペクトルの最大値に基づいて、前記第１の周波数特性データを近似して第２の周波数特性データを出力し、
    　複数の前記第２の周波数特性データを学習モデルに学習させる、
    　学習モデル生成方法。
PCT/JP2023/037807 2022-11-30 2023-10-19 分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法 WO2024116637A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022192332 2022-11-30
JP2022-192332 2022-11-30

Publications (1)

Publication Number Publication Date
WO2024116637A1 true WO2024116637A1 (ja) 2024-06-06

Family

ID=91323605

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/037807 WO2024116637A1 (ja) 2022-11-30 2023-10-19 分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法

Country Status (1)

Country Link
WO (1) WO2024116637A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03210432A (ja) * 1990-01-12 1991-09-13 Babcock Hitachi Kk 異常監視方法及び装置
JPH0989646A (ja) * 1995-09-26 1997-04-04 Rion Co Ltd 航空機の機種識別装置及び方法
JPH09166483A (ja) * 1995-12-19 1997-06-24 Hitachi Ltd 機器監視方法及びその装置
JP2011237323A (ja) * 2010-05-12 2011-11-24 Rion Co Ltd 騒音測定装置
US20170052060A1 (en) * 2014-04-24 2017-02-23 Alstom Transport Technologies Method and system for automatically detecting faults in a rotating shaft

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03210432A (ja) * 1990-01-12 1991-09-13 Babcock Hitachi Kk 異常監視方法及び装置
JPH0989646A (ja) * 1995-09-26 1997-04-04 Rion Co Ltd 航空機の機種識別装置及び方法
JPH09166483A (ja) * 1995-12-19 1997-06-24 Hitachi Ltd 機器監視方法及びその装置
JP2011237323A (ja) * 2010-05-12 2011-11-24 Rion Co Ltd 騒音測定装置
US20170052060A1 (en) * 2014-04-24 2017-02-23 Alstom Transport Technologies Method and system for automatically detecting faults in a rotating shaft

Similar Documents

Publication Publication Date Title
US11022633B2 (en) Enhanced system and method for conducting PCA analysis on data signals
US10520397B2 (en) Methods and apparatuses for defect diagnosis in a mechanical system
Li et al. Damage identification in civil engineering structures utilizing PCA‐compressed residual frequency response functions and neural network ensembles
CN106323452B (zh) 一种设备异音的检测方法及检测装置
US20170052060A1 (en) Method and system for automatically detecting faults in a rotating shaft
Martin-del-Campo et al. Online feature learning for condition monitoring of rotating machinery
Gangsar et al. Diagnostics of mechanical and electrical faults in induction motors using wavelet-based features of vibration and current through support vector machine algorithms for various operating conditions
KR102209401B1 (ko) 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법
CN102155988B (zh) 设备监诊方法
KR101539896B1 (ko) 유도전동기 오류 진단 방법
UA120585C2 (uk) Спосіб ідентифікації і розрізнення матеріалів та система для його здійснення
JP2019067197A (ja) 故障予兆検知手法
KR20200080223A (ko) 휴대용 디바이스에서 배터리의 음향 테스트
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
CN112200048A (zh) 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质
CN116380445A (zh) 基于振动波形的设备状态诊断方法及相关装置
KR101543146B1 (ko) 진동 장치의 상태 판단 방법
JP7188143B2 (ja) 異常予兆検出システム、異常予兆検出方法
EP1390739A2 (en) Method and apparatus for determining the health of a component using condition indicators
CN113392874B (zh) 轨道车辆异常状态诊断方法、装置及终端设备
KR102433483B1 (ko) 진동 센서를 통한 설비 예지 보전 시스템
WO2024116637A1 (ja) 分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法
Lima et al. Monitoring and fault identification in aeronautical structures using an wavelet-artificial immune system algorithm
Deuszkiewicz et al. On-line condition monitoring of a power transmission unit of a rail vehicle
Ferracuti et al. MSPCA with KDE thresholding to support QC in electrical motors production line