JP5134605B2 - Signal identification device - Google Patents
Signal identification device Download PDFInfo
- Publication number
- JP5134605B2 JP5134605B2 JP2009217334A JP2009217334A JP5134605B2 JP 5134605 B2 JP5134605 B2 JP 5134605B2 JP 2009217334 A JP2009217334 A JP 2009217334A JP 2009217334 A JP2009217334 A JP 2009217334A JP 5134605 B2 JP5134605 B2 JP 5134605B2
- Authority
- JP
- Japan
- Prior art keywords
- inspection
- signal
- feature amount
- data
- state
- Prior art date
- Legal status (The legal status 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 status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
本発明は、検査対象の状態を検査するために用いられる信号識別装置に関する。 The present invention relates to a signal identification equipment used to inspect the condition of the test object.
従来から、検査対象の状態を検査する信号識別装置として、検査信号から抽出された複数の特徴量を学習済みのニューラルネットワークに入力することによって、検査対象が正常状態であるか否かの判定を行う装置が知られている(例えば特許文献1参照)。この信号識別装置は、上記判定を行う前にニューラルネットワークを学習させる必要がある。したがって、従来の信号識別装置は、学習信号として、検査対象が正常状態であるときに検出された正常信号(正常サンプル)と、検査対象が異常状態であるときに検出された異常信号(異常サンプル)とを収集して、正常サンプルおよび異常サンプルのそれぞれから特徴量を抽出し、抽出した複数の特徴量をニューラルネットワークに入力して上記ニューラルネットワークを学習させている。 Conventionally, as a signal identification device for inspecting the state of an inspection target, a plurality of feature amounts extracted from the inspection signal are input to a learned neural network to determine whether the inspection target is in a normal state. An apparatus for performing this is known (for example, see Patent Document 1). This signal identification device needs to learn a neural network before making the above determination. Therefore, the conventional signal identification device uses, as learning signals, a normal signal (normal sample) detected when the inspection target is in a normal state and an abnormal signal (abnormal sample) detected when the inspection target is in an abnormal state. ) Are extracted from each of the normal sample and the abnormal sample, and the extracted plurality of feature amounts are input to the neural network to learn the neural network.
また、他の例として、学習信号として正常サンプルのみを用いてニューラルネットワークを学習させる信号識別装置が知られている(例えば特許文献2参照)。この信号識別装置では、正常サンプルに比べて収集が困難である異常サンプルを必要としないので、学習信号を簡単に用意することができ、ニューラルネットワークの学習を容易に行うことができる。 As another example, a signal identification device that learns a neural network using only normal samples as learning signals is known (see, for example, Patent Document 2). Since this signal identification device does not require an abnormal sample that is difficult to collect as compared with a normal sample, a learning signal can be easily prepared and learning of a neural network can be easily performed.
ところで、これら従来の信号識別装置は、複数の信号源のそれぞれから入力される検査信号を用いて検査対象の状態を検査する場合、各信号源の検査信号ごとに個別に判定基準を作成して検査対象の状態を判定し、各信号源の検査信号に対する判定結果がすべて「正常」であったときに、検査対象が正常状態であると総合判定する。 By the way, when these conventional signal identification devices inspect the state of an inspection object using inspection signals input from each of a plurality of signal sources, a determination criterion is individually created for each inspection signal of each signal source. The state of the inspection object is determined, and when all the determination results for the inspection signal of each signal source are “normal”, it is comprehensively determined that the inspection object is in a normal state.
したがって、従来の信号識別装置は、各信号源の検査信号に対する判定において「正常」を「異常」とする誤判定が1つでも発生すると、検査対象が異常状態であると最終判定されるため、最終判定において、本来、正常状態であるのに異常状態とする誤判定が多数発生するという問題があった。 Therefore, in the conventional signal identification device, if even one misjudgment of “normal” to “abnormal” occurs in the judgment on the inspection signal of each signal source, it is finally determined that the inspection target is in an abnormal state. In the final determination, there is a problem that many erroneous determinations that cause the abnormal state occur in spite of the normal state.
上記問題を解決するために、従来においても、判定基準を緩めるという方法が考えられる。例えば、各信号源の検査信号に対する判定において「異常」が1つのみであった場合、すべての判定が「正常」である場合と同様に、最終判定を「正常」とするという方法が考えられる。しかしながら、検査対象の種類や用途によっては、「異常」の判定が1つのみであったとしても、検査対象が正常状態であると判定すると、重大な異常に繋がる可能性がある。したがって、判定基準を緩めることはできない。 In order to solve the above problem, a method of loosening the determination criterion can be considered in the past. For example, when there is only one “abnormal” in the determination of the inspection signal of each signal source, a method of setting the final determination to “normal” as in the case where all the determinations are “normal” can be considered. . However, depending on the type and application of the inspection target, even if there is only one “abnormal” determination, determining that the inspection target is in a normal state may lead to a serious abnormality. Therefore, the criterion cannot be relaxed.
また、従来の信号識別装置では、複数の信号源のそれぞれから入力される検査信号を用いて検査対象の状態を検査する場合、それぞれが各信号源の検査信号に対応する複数のニューラルネットワークを用いて検査するため、検査時間が長くなる傾向があった。 Further, in the conventional signal identification device, when the inspection target state is inspected using inspection signals input from each of a plurality of signal sources, a plurality of neural networks each corresponding to the inspection signal of each signal source are used. The inspection time tended to be long.
本発明は上記の点に鑑みて為され、本発明の目的は、検査対象の状態に関する判定基準を緩めることをしなくても、異常状態を正常状態とする誤判定を増加させることなく、正常状態を異常状態とする誤判定を低減させることができるとともに、検査時間を大幅に短縮させることができる信号識別装置を提供することにある。 The present invention has been made in view of the above points, and the object of the present invention is normal without increasing the misjudgment that makes an abnormal state a normal state without loosing the criteria for the state of the inspection object. state with the thereby reduce erroneous determination that an abnormal state is to provide a signal identification equipment which can greatly shorten the inspection time.
請求項1に係る信号識別装置の発明は、それぞれ予め収集された学習信号から抽出された特徴量である複数の学習データを教師なし競合学習型ニューラルネットワークに入力して当該教師なし競合学習型ニューラルネットワークを学習させ、当該教師なし競合学習型ニューラルネットワークから、検査対象の状態を表わすカテゴリが設定されたクラスタリングマップを作成し、検査時に前記クラスタリングマップを用いて前記検査対象の状態を検査する信号識別装置であって、前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする信号入力手段と、前記信号入力手段から前記検査信号を取得し当該検査信号から前記検査対象の特徴量を抽出して検査データとする特徴量抽出手段と、前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する判定手段とを備え、前記信号入力手段は、それぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とする複数の信号源を有し、前記特徴量抽出手段は、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとする場合に、予め設定された区間ごとに各検査信号の振幅の極値の抽出を行い、各検査信号の振幅の極値の組み合わせごとの抽出頻度を前記特徴量とすることを特徴とする。 The invention of the signal identification device according to claim 1 inputs a plurality of learning data, which are feature quantities extracted from learning signals collected in advance, to an unsupervised competitive learning type neural network and inputs the unsupervised competitive learning type neural network. Signal identification for learning a network, creating a clustering map in which a category representing a state of an inspection target is set from the unsupervised competitive learning type neural network, and inspecting the state of the inspection target using the clustering map at the time of inspection An apparatus for converting a physical quantity relating to the state of the inspection target into an electrical signal to obtain an inspection signal; obtaining the inspection signal from the signal input means; and obtaining the characteristic amount of the inspection object from the inspection signal. A feature amount extracting means for extracting the inspection data as inspection data, and the teacher who has learned the inspection data. Input into a competitive learning type neural network to acquire the position of the inspection data on the clustering map, and determine the state of the inspection object by determining whether the inspection data belongs to a category from the acquired position Determination means, and the signal input means includes a plurality of signal sources, each of which detects a physical quantity relating to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal. Extracting the extreme value of the amplitude of each inspection signal for each preset section when extracting the feature quantity indicating the relationship between the inspection signals acquired from each of the plurality of signal sources to obtain the inspection data And the extraction frequency for each combination of extreme values of the amplitude of each inspection signal is used as the feature amount .
請求項2に係る信号識別装置の発明は、それぞれ予め収集された学習信号から抽出された特徴量である複数の学習データを教師なし競合学習型ニューラルネットワークに入力して当該教師なし競合学習型ニューラルネットワークを学習させ、当該教師なし競合学習型ニューラルネットワークから、検査対象の状態を表わすカテゴリが設定されたクラスタリングマップを作成し、検査時に前記クラスタリングマップを用いて前記検査対象の状態を検査する信号識別装置であって、前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする信号入力手段と、前記信号入力手段から前記検査信号を取得し当該検査信号から前記検査対象の特徴量を抽出して検査データとする特徴量抽出手段と、前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する判定手段とを備え、前記信号入力手段は、それぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とする複数の信号源を有し、前記特徴量抽出手段は、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとする場合に、予め設定されたタイミングごとに各検査信号のゼロクロスの有無の抽出を行い、各検査信号のゼロクロスの有無の組み合わせごとの抽出頻度を前記特徴量とすることを特徴とする。 The invention of the signal identification device according to claim 2 inputs a plurality of learning data, which are feature quantities extracted from learning signals collected in advance, to an unsupervised competitive learning type neural network and inputs the unsupervised competitive learning type neural network. Signal identification for learning a network, creating a clustering map in which a category representing a state of an inspection target is set from the unsupervised competitive learning type neural network, and inspecting the state of the inspection target using the clustering map at the time of inspection An apparatus for converting a physical quantity relating to the state of the inspection target into an electrical signal to obtain an inspection signal; obtaining the inspection signal from the signal input means; and obtaining the characteristic amount of the inspection object from the inspection signal. A feature amount extracting means for extracting the inspection data as inspection data, and the teacher who has learned the inspection data. Input into a competitive learning type neural network to acquire the position of the inspection data on the clustering map, and determine the state of the inspection object by determining whether the inspection data belongs to a category from the acquired position Determination means, and the signal input means includes a plurality of signal sources, each of which detects a physical quantity relating to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal. In the case where feature values indicating the relationship between the inspection signals acquired from each of the plurality of signal sources are extracted and used as the inspection data, the presence / absence of zero-crossing of each inspection signal is extracted at each preset timing. And the extraction frequency for each combination of the presence or absence of zero crossing of each inspection signal is used as the feature amount .
請求項3に係る信号識別装置の発明は、それぞれ予め収集された学習信号から抽出された特徴量である複数の学習データを教師なし競合学習型ニューラルネットワークに入力して当該教師なし競合学習型ニューラルネットワークを学習させ、当該教師なし競合学習型ニューラルネットワークから、検査対象の状態を表わすカテゴリが設定されたクラスタリングマップを作成し、検査時に前記クラスタリングマップを用いて前記検査対象の状態を検査する信号識別装置であって、前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする信号入力手段と、前記信号入力手段から前記検査信号を取得し当該検査信号から前記検査対象の特徴量を抽出して検査データとする特徴量抽出手段と、前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する判定手段とを備え、前記信号入力手段は、それぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とする複数の信号源を有し、前記特徴量抽出手段は、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとする場合に、予め設定されたタイミングごとに各検査信号の振幅値の抽出を行い、各検査信号の振幅値の組み合わせごとの抽出頻度を前記特徴量とすることを特徴とする。 According to a third aspect of the present invention , a plurality of learning data, which are feature quantities extracted from learning signals collected in advance , are input to an unsupervised competitive learning type neural network to input the unsupervised competitive learning type neural network. Signal identification for learning a network, creating a clustering map in which a category representing a state of an inspection target is set from the unsupervised competitive learning type neural network, and inspecting the state of the inspection target using the clustering map at the time of inspection An apparatus for converting a physical quantity relating to the state of the inspection target into an electrical signal to obtain an inspection signal; obtaining the inspection signal from the signal input means; and obtaining the characteristic amount of the inspection object from the inspection signal. A feature amount extracting means for extracting the inspection data as inspection data, and the teacher who has learned the inspection data. Input into a competitive learning type neural network to acquire the position of the inspection data on the clustering map, and determine the state of the inspection object by determining whether the inspection data belongs to a category from the acquired position Determination means, and the signal input means includes a plurality of signal sources, each of which detects a physical quantity relating to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal. When extracting the feature quantity indicating the relationship between the inspection signals acquired from each of the plurality of signal sources to obtain the inspection data, the amplitude value of each inspection signal is extracted at each preset timing. The extraction frequency for each combination of amplitude values of the inspection signals is used as the feature amount .
請求項4に係る信号識別装置の発明は、請求項1の発明において、前記特徴量抽出手段は、予め設定されたタイミングごとに各検査信号のゼロクロスの有無の抽出を行い、各検査信号のゼロクロスの有無の組み合わせごとの抽出頻度と、各検査信号の振幅の極値の組み合わせごとの抽出頻度とを合わせて前記特徴量とすることを特徴とする。 According to a fourth aspect of the present invention, there is provided the signal identification device according to the first aspect, wherein the feature amount extraction unit extracts the presence or absence of a zero cross of each inspection signal at each preset timing, and the zero cross of each inspection signal. The extraction frequency for each combination of presence / absence and the extraction frequency for each combination of the extreme values of the amplitudes of the inspection signals are used as the feature amount.
請求項5に係る信号識別装置の発明は、請求項1〜4のいずれか1項の発明において、前記特徴量抽出手段は、予め設定された時間領域に各検査信号を分割し、前記時間領域ごとに前記抽出を行い、前記組み合わせごとの抽出頻度を求め、各時間領域の抽出頻度結果を統合して前記特徴量とすることを特徴とする。 The signal identification device according to a fifth aspect of the present invention is the signal identification device according to any one of the first to fourth aspects, wherein the feature amount extraction unit divides each inspection signal into a preset time region, and the time region The extraction is performed every time, the extraction frequency for each combination is obtained, and the extraction frequency results of each time region are integrated into the feature amount.
請求項1〜4の発明によれば、各信号源からの複数の検査信号を用いて検査対象の状態を判定するときであっても、これらの検査信号の関係を示す特徴量を検査データとして抽出して検査対象の状態を判定することによって、信号源ごとに検査信号から特徴量を検査データとして抽出し、各検査データごとの判定結果のうち1つでも異常と判定すると検査対象が異常状態であると最終判定する場合に比べて、検査対象の状態に関する判定基準を緩めることをしなくても、異常状態を正常状態とする誤判定を増加させることなく、正常状態を異常状態とする誤判定を低減させることができる。また、請求項1〜4の発明によれば、検査時において検査信号から特徴量を抽出した後の判定処理を信号源の数に関わらず1回で完了することができるので、信号源ごとに検査信号から特徴量を検査データとして抽出し、各検査データごとに判定を行う場合に比べて、検査時間を大幅に短縮させることができる。 According to the first to fourth aspects of the present invention, even when the state of the inspection object is determined using a plurality of inspection signals from each signal source, the feature amount indicating the relationship between these inspection signals is used as inspection data. By extracting and determining the state of the inspection target, the feature amount is extracted from the inspection signal for each signal source as inspection data, and if one of the determination results for each inspection data is determined to be abnormal, the inspection target is in an abnormal state Compared to the final determination that it is, the error that makes the normal state an abnormal state without increasing the misjudgment that makes the abnormal state a normal state without loosening the criteria for the state to be inspected Judgment can be reduced. According to the first to fourth aspects of the present invention, the determination process after extracting the feature amount from the inspection signal at the time of inspection can be completed at one time regardless of the number of signal sources. Compared with the case where the feature amount is extracted from the inspection signal as inspection data and the determination is made for each inspection data, the inspection time can be significantly reduced.
請求項1の発明によれば、各信号源からの検査信号の振幅の極値の分布とともに、異なる信号源間における検査信号の振幅の極値の関連性を同時に判断することができる。 According to the invention 請 Motomeko 1, it can with the distribution of the amplitude of extreme value of the test signal from the signal source, simultaneously determine the relevance of the extreme value of the amplitude of the test signal between different signal sources.
請求項2の発明によれば、各信号源からの検査信号の周波数の分布とともに、異なる信号源間における検査信号の位相の関連性を同時に判断することができる。 According to the second aspect of the present invention, it is possible to simultaneously determine the relevance of the phase of the inspection signal between different signal sources as well as the distribution of the frequency of the inspection signal from each signal source.
請求項3の発明によれば、各信号源からの検査信号の振幅値の分布とともに、異なる信号源間における検査信号の振幅の関連性を同時に判断することができる。 According to the third aspect of the invention, it is possible to simultaneously determine the relevance of the amplitude of the inspection signal between different signal sources as well as the distribution of the amplitude value of the inspection signal from each signal source.
請求項4の発明によれば、各信号源からの検査信号の周波数の分布および振幅の極値の分布とともに、異なる信号源間のおける検査信号の位相の関連性および振幅の極値の関連性を同時に判断することができる。 According to the fourth aspect of the present invention, the inspection signal phase distribution and the amplitude extreme value relationship between different signal sources, as well as the frequency distribution and amplitude extreme value distribution of the inspection signal from each signal source. Can be judged at the same time.
請求項5の発明によれば、各信号源からの検査信号の分布および異なる信号源間における検査信号の関連性の時間変化を捉えることができるので、検査信号が非定常な信号であっても、検査対象の検査を行うことができる。
According to the invention of
(実施形態1)
実施形態1に係る信号識別装置は、学習モードにおいて、それぞれ予め収集された学習信号から抽出された特徴量である複数の学習データを教師なし競合学習型ニューラルネットワーク(以下「ニューラルネットワーク」という)1(図2参照)に入力して、ニューラルネットワーク1を学習させる。上記信号識別装置は、学習済みのニューラルネットワーク1からクラスタリングマップを作成する。一方、検査モードにおいては、信号識別装置は、クラスタリングマップを用いて検査対象Aの状態を検査する。
(Embodiment 1)
In the learning mode, the signal identification device according to the first exemplary embodiment uses an unsupervised competitive learning type neural network (hereinafter referred to as “neural network”) 1 as a plurality of learning data that are feature amounts extracted from learning signals collected in advance. (See FIG. 2) to learn the
ニューラルネットワーク1は、図2に示すように、入力層11と出力層12との2層で構成された自己組織化マップ(Self Organization Map,SOM)である。入力層11には、複数の入力層ニューロンN1,N1,・・・,N1が存在する。出力層12には、複数の出力層ニューロンN2,N2,・・・,N2が存在する。各入力層ニューロンN1と各出力層ニューロンN2とは相互に結合され、各入力層ニューロンN1には入力データ(入力ベクトル)の要素が1つずつ入力される。入力層ニューロンN1と出力層ニューロンN2の個数は同数である必要はない。本実施形態のニューラルネットワーク1は、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することによって実現する場合を想定しているが、専用のニューロコンピュータによって実現することも可能である。
As shown in FIG. 2, the
本実施形態の信号識別装置は、図1に示すように、複数の信号源を有する信号入力部2と、信号入力部2からの信号から検査対象Aの特徴量を抽出する特徴量抽出部3と、後述の学習データが記憶される学習データ記憶部4と、ニューラルネットワーク1を学習してクラスタリングマップを作成するとともに上記クラスタリングマップを用いて検査対象Aの状態を判定する演算部5と、クラスタリングマップが記憶されるマップ記憶部6と、演算部5の判定結果が記憶される判定結果記憶部7と、演算部5の判定結果を外部機器(図示せず)などに出力する出力部8とを備えている。信号識別装置の動作には、ニューラルネットワーク1を学習するとき(学習時)に用いられる学習モードと、検査対象Aの状態を検査するとき(検査時)に用いられる検査モードとがある。検査対象Aは、例えば回転機器を含む装置や設備などである。ただし、検査対象Aは上記装置や設備には限定されない。
As shown in FIG. 1, the signal identification apparatus according to the present embodiment includes a
信号入力部2は、信号源として振動センサ21とマイクロホン22とを備えている。振動センサ21は、検査モードにおいて検査対象Aの振動を検出し、検出結果(検出した振動)をアナログ電気信号の検査信号S1(図3参照)に変換する。マイクロホン22は、検査モードにおいて検査対象Aの音を検出し、検出結果(検出した音)をアナログ電気信号の検査信号S2(図3参照)に変換する。振動センサ21およびマイクロホン22からの検査信号S1,S2は、それぞれ特徴量抽出部3に出力される。信号入力部2は、本発明の信号入力手段に相当し、検査対象Aの振動および音は、本発明の検査対象の状態に関する物理量に相当する。
The
一方、学習モードにおいては、検査対象Aの状態(カテゴリ)ごとに、振動センサ21が検査対象Aの振動を検出し、マイクロホン22が検査対象Aの音を検出する。つまり、振動センサ21およびマイクロホン22は、検査対象Aが正常状態で動作している範囲で検査対象Aの各動作条件ごとに振動および音を検出する。振動センサ21は、検出結果をアナログ電気信号の学習信号に変換する。マイクロホン22は、検出結果をアナログ電気信号の学習信号に変換する。
On the other hand, in the learning mode, for each state (category) of the inspection object A, the
特徴量抽出部3は、検査モードにおいて、図3に示すように、振動センサ21から検査信号S1を取得し、マイクロホン22から検査信号S2を取得する。検査信号S1,S2を取得した特徴量抽出部3は、ユーザによって予め設定されたタイミング(時間t1,t2,・・・)ごとに検査信号S1の振幅値x1と検査信号S2の振幅値x2とを抽出する。上記タイミングごとに抽出された各振幅値x1,x2は、それぞれそのまま用いられるのではなく、コード化(デジタル化)した値が用いられる。図3に示すように、6個の振幅範囲が用いられ、各振幅範囲には、小さいほうから順に1〜6のコードが付与されている。例えば、時間t1では、検査信号S1の振幅値x1と検査信号S2の振幅値x2とはともに3である。したがって、時間t1における振幅値の組み合わせ(x1,x2)は(3,3)である。同様に、時間t2、時間tk、時間tmにおける振幅値の組み合わせ(x1、x2)は、それぞれ(4,3)、(4,5)、(4,3)である。特徴量抽出部3は、すべての組み合わせ(x1,x2)の抽出頻度の集合を検査対象Aの1つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。本実施形態の検査データは、{(1,1)の抽出頻度,(1,2)の抽出頻度,・・・,(6,6)の抽出頻度}の36要素からなる。上記より、特徴量抽出部3は、複数の信号源(振動センサ21およびマイクロホン22)のそれぞれから取得した検査信号S1,S2の関係を示す特徴量を抽出して検査データとする。特徴量抽出部3は、本発明の特徴量抽出手段に相当する。
In the inspection mode, the feature
一方、特徴量抽出部3は、学習モードにおいて、振動センサ21およびマイクロホン22の両方からそれぞれ複数の学習信号を取得する。特徴量抽出部3は、検査モードと同じタイミングで振動センサ21およびマイクロホン22の両方からの学習信号の振幅値を抽出する。各振幅値は、検査モードと同様にコード化(デジタル化)した値が用いられる。特徴量抽出部3は、各学習信号ごとに、すべての組み合わせの抽出頻度の集合を1つの特徴量とし、各抽出頻度を要素としたデジタルデータの学習データを作成する。本実施形態の各学習データは、検査データと同様に、{(1,1)の抽出頻度,(1,2)の抽出頻度,・・・,(6,6)の抽出頻度}の36要素からなる。
On the other hand, the feature
図1に示す学習データ記憶部4は、例えば半導体メモリなどである。学習データ記憶部4には、特徴量抽出部3で作成された複数の学習データが記憶されている。
The learning
演算部5は、例えばマイクロコンピュータなどであり、ニューラルネットワーク1を実現するとともに、マップ作成部51と、クラスタ判定部52とを備えている。
The
マップ作成部51は、学習モードにおいて、学習データ記憶部4からの複数の学習データを順次、入力ベクトルとしてニューラルネットワーク1に入力する。学習データの各要素(抽出頻度)は、それぞれ入力層ニューロンN1(図2参照)に対応付けられる。マップ作成部51は、複数の学習データをニューラルネットワーク1に入力して上記ニューラルネットワーク1を学習させ、各入力層ニューロンN1と各出力層ニューロンN2(図2参照)との重み係数を決定する。各出力層ニューロンN2には、各入力層ニューロンN1との間の重み係数を要素とする重みベクトルが対応付けられる。なお、これまでに学習データがニューラルネットワーク1に入力されていなかった場合、マップ作成部51は、学習開始時に、今回入力された複数の学習データの要素ごとに平均値に乱数によって分散の範囲内のバラツキを与えた値を重みベクトルの初期値として各出力層ニューロンN2にそれぞれ与える。その後、上述したニューラルネットワーク1の学習によって、各出力層ニューロンN2の重みベクトルが決定される。
In the learning mode, the
その後、マップ作成部51は、各領域が出力層ニューロンN2と1:1に対応付けられている二次元のクラスタリングマップを作成する。つまり、クラスタリングマップでは、ニューラルネットワーク1の出力層12の各出力層ニューロンN2が、検査対象Aの状態を表わす正常カテゴリまたは未知のカテゴリのいずれかに対応付けられている。上記より、クラスタリングマップの各領域に学習データのカテゴリが対応付けられていれば、検査データにより発火した出力層ニューロンN2に対応するカテゴリを知ることができる。マップ作成部51で作成されたクラスタリングマップは、マップ記憶部6に記憶される。
Thereafter, the
マップ作成部51は、クラスタリングマップを作成した後に、学習データをニューラルネットワーク1に再入力し、各出力層ニューロンN2の重みベクトルと学習データ(入力ベクトル)とのユークリッド距離をそれぞれ求める。マップ作成部51は、同じカテゴリのすべての学習データをニューラルネットワーク1に与えて、ユークリッド距離のリスト(以下「距離リスト」という)を作成し、距離リストからユークリッド距離の最大値を選択する。マップ作成部51は、出力層ニューロンN2ごとに、選択した最大値を分散σとし、重みベクトルを平均ベクトル[m]として定義したガウス関数y=exp(−|[x]−[m]|2/2σ2)を設定する。[x]は入力ベクトルであり、|[x]−[m]|は、入力ベクトル[x]と重みベクトル(平均ベクトル)[m]とのユークリッド距離である。yはガウス関数に入力ベクトル[x]が入力されたときの出力値である。なお、ユークリッド距離の最大値を分散σとするのではなく、距離リストの中で大きいほうから数%(例えば上位5%)の順位に該当するユークリッド距離を分散σとしてもよい。
After creating the clustering map, the
上記ガウス関数によれば、入力ベクトル[x]が重みベクトル[m]に近いほど出力値yが大きくなり、入力ベクトル[x]が重みベクトル[m]に一致するときに出力値yは最大となって1になる。この出力値yを帰属度として用いる。つまり、この出力値yの値域は0〜1であって、数値が大きくなるほど(1に近いほど)帰属度が高いことになる。 According to the Gaussian function, the output value y increases as the input vector [x] is closer to the weight vector [m], and the output value y is maximum when the input vector [x] matches the weight vector [m]. Become 1 This output value y is used as the degree of attribution. That is, the range of the output value y is 0 to 1, and the greater the numerical value (the closer to 1), the higher the degree of attribution.
上述のようにして、マップ作成部51は、学習データのカテゴリに対応する各出力層ニューロンN2にガウス関数を設定することができる。カテゴリ外の出力層ニューロンN2にはガウス関数は設定されない。ニューラルネットワーク1の各出力層ニューロンN2にガウス関数が設定されると、特徴量と重みベクトルとのユークリッド距離をガウス関数に与えることにより帰属度を求めることができる。そこで、ガウス関数の設定後に、検査対象Aから得られる特徴量(入力ベクトル)[x]をニューラルネットワーク1に入力し、各出力層ニューロンN2の重みベクトル[m]と特徴量[x]とのユークリッド距離を各出力層ニューロンN2のガウス関数に代入し、出力層ニューロンN2に対応付けたカテゴリごとにガウス関数の出力値yを求める。この出力値yは上述のように各カテゴリへの特徴量の帰属度であるから、帰属度に対する閾値を設定しておけば、特徴量が上記カテゴリに属するか否かを判定することができる。
As described above, the
閾値は、例えば分散の3倍に対応する帰属度であってもよいし、帰属度の設定後に各カテゴリの学習データがニューラルネットワーク1に与えられたときの出力値yの総和に適宜の係数を乗じた値であってもよい。
The threshold value may be, for example, the degree of attribution corresponding to three times the variance, or an appropriate coefficient may be added to the sum of the output values y when the learning data of each category is given to the
マップ作成部51は、すべての学習データをニューラルネットワーク1に再入力することによって、学習データにより発火した出力層ニューロンN2を正常の検査対象Aというカテゴリに属する出力層ニューロンN2とする。
The
各学習データによって発火した出力層ニューロンN2に対応する領域が正常のカテゴリに対応する領域になる。 A region corresponding to the output layer neuron N2 fired by each learning data is a region corresponding to a normal category.
クラスタ判定部52は、正常の領域が設定された後、検査モードにおいて、特徴量抽出部3からの検査データを学習済みのニューラルネットワーク1に入力して、クラスタリングマップから上記検査データについてカテゴリを分類する。ここで、正常の検査対象Aのカテゴリに属している出力層ニューロンN2が発火したときには、検査対象Aが正常状態であると判定する。一方、正常の検査対象Aのカテゴリに属している出力層ニューロンN2が発火しないときには、クラスタ判定部52は、検査対象Aが異常状態であると判定する。クラスタ判定部52は、本発明の判定手段に相当する。
After the normal region is set, the
図1に示すクラスタ判定部52で行われた判定結果は、クラスタ判定部52から判定結果記憶部7に出力される。判定結果記憶部7には、これまでの判定結果がすべて記憶されている。また、上記判定結果は、クラスタ判定部52から出力部8に出力され、必要に応じて出力部8から適宜の警報手段に指示を与えて警報を報知する。
The determination result performed by the
次に、本実施形態に係る信号識別装置を用いた信号識別方法について説明する。最初に、学習方法について説明する。まず、振動センサ21が検査対象Aにおける正常状態時の振動を検出し、マイクロホン22が検査対象Aにおける正常状態時の音を検出する。振動センサ21およびマイクロホン22の両方から特徴量抽出部3に、検査対象Aの正常状態における測定信号が学習信号として複数入力される。その後、同時に入力された1組の学習信号ごとに、特徴量抽出部3が各学習信号の関係を示す特徴量を学習データとして抽出する。特徴量抽出部3による学習データの作成は、学習データが任意の個数になるまで繰り返される。その後、マップ作成部51は、各学習データをニューラルネットワーク1に入力し、クラスタリングマップを作成する。
Next, a signal identification method using the signal identification device according to the present embodiment will be described. First, the learning method will be described. First, the
続いて、ニューラルネットワーク1の学習後の動作について説明する。まず、ニューラルネットワーク1の学習後に、各学習データがニューラルネットワーク1に再入力される。マップ作成部51は、出力層ニューロンN2ごとに距離リストを作成する。その後、マップ作成部51は、出力層ニューロンN2ごとに、距離リストの中の最大値を分散σと定義したガウス関数を設定する。
Next, the operation after learning of the
続いて、検査方法について説明する。まず、振動センサ21が検査対象Aの振動を検出し、マイクロホン22が検査対象Aの音を検出する。振動センサ21およびマイクロホン22の両方から特徴量抽出部3に検査信号S1,S2が出力される。続いて、特徴量抽出部3が2つの検査信号S1,S2の関係を示す特徴量を抽出して検査データを作成する。その後、検査データが入力ベクトルとしてニューラルネットワーク1に入力される。クラスタ判定部52は、クラスタリングマップ上において、発火した出力層ニューロンN2のカテゴリを検出する。クラスタ判定部52は、検出したカテゴリが正常のカテゴリである場合、検査対象Aが正常状態であると判定する。一方、検出したカテゴリが正常のカテゴリではない場合、クラスタ判定部52は、検査対象Aが異常状態であると判定する。
Next, the inspection method will be described. First, the
以上、本実施形態によれば、各信号源(振動センサ21、マイクロホン22)からの複数の検査信号S1,S2を用いて検査対象Aの状態を判定するときであっても、これらの検査信号S1,S2の関係を示す特徴量を検査データとして抽出して検査対象Aの状態を判定することによって、信号源ごとに検査信号から特徴量を検査データとして抽出し、各検査データごとの判定結果のうち1つでも異常と判定すると検査対象Aが異常状態であると最終判定する場合に比べて、検査対象Aの状態に関する判定基準を緩めることをしなくても、異常状態を正常状態とする誤判定を増加させることなく、正常状態を異常状態とする誤判定を低減させることができる。
As described above, according to the present embodiment, even when the state of the inspection object A is determined using the plurality of inspection signals S1 and S2 from each signal source (
また、本実施形態によれば、検査モードである場合(検査時)において検査信号S1,S2から特徴量を抽出した後の判定処理を信号源の数に関わらず1回で完了することができるので、信号源ごとに検査信号から特徴量を検査データとして抽出し、各検査データごとに判定を行う場合に比べて、検査時間を大幅に短縮させることができる。同様に、学習処理も信号源の数に関わらず1回で完了することができるので、学習時間も大幅に短縮させることができる。 Further, according to the present embodiment, in the inspection mode (during inspection), the determination process after extracting the feature values from the inspection signals S1 and S2 can be completed at one time regardless of the number of signal sources. Therefore, the inspection time can be greatly shortened as compared with the case where the feature amount is extracted as the inspection data from the inspection signal for each signal source and the determination is performed for each inspection data. Similarly, since the learning process can be completed at one time regardless of the number of signal sources, the learning time can be greatly shortened.
さらに、本実施形態によれば、振動センサ21およびマイクロホン22からの検査信号S1,S2の振幅値の分布とともに、振動センサ21の検査信号S1とマイクロホン22の検査信号S2との振幅の関連性を同時に判断することができる。
Furthermore, according to the present embodiment, the amplitude relationship between the inspection signal S1 of the
(実施形態2)
実施形態2に係る信号識別装置は、特徴量を抽出するときに、各検査信号S1,S2の振幅値ではなく、図4に示すように、各検査信号S1,S2のゼロクロスの有無を抽出する点で、実施形態1に係る信号識別装置と相違する。
(Embodiment 2)
The signal identification device according to the second embodiment extracts not the amplitude values of the inspection signals S1 and S2 but the presence / absence of zero crossing of the inspection signals S1 and S2, as shown in FIG. This is different from the signal identification device according to the first embodiment.
本実施形態の特徴量抽出部3は、ユーザによって予め設定されたタイミング(時間t1,t2,・・・)ごとに検査信号S1のゼロクロスの有無と検査信号S2のゼロクロスの有無とを検出する。本実施形態において、検査信号S1,S2のゼロクロスとは、検査信号S1,S2の振幅値が0であることをいう。上記タイミングにおいて検査信号S1,S2がゼロ交差している場合(検査信号S1,S2の振幅値が0である場合)は1とし、検査信号S1,S2がゼロ交差していない場合(検査信号S1,S2の振幅値が0ではない場合)は0とする。例えば、図4の時間t11では、検査信号S1がゼロ交差し、検査信号S2はゼロ交差していない。したがって、時間t11における組み合わせ(x1,x2)は(1,0)である。同様に、時間t12、時間t1k、時間t1mにおける振幅値の組み合わせ(x1、x2)は、それぞれ(1,1)、(0,0)、(0,1)である。特徴量抽出部3は、すべての組み合わせ(x1,x2)の抽出頻度の集合を1つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。本実施形態の検査データは、{(0,0)の抽出頻度,(0,1)の抽出頻度,(1,0)の抽出頻度,(1,1)の抽出頻度}の4要素からなる。
The feature
一方、特徴量抽出部3は、学習モードにおいて、振動センサ21およびマイクロホン22の両方からそれぞれ複数の学習信号を取得する。特徴量抽出部3は、検査モードと同じタイミングで振動センサ21およびマイクロホン22の両方からの学習信号のゼロクロスの有無を抽出していく。特徴量抽出部3は、各学習信号ごとに、すべての組み合わせの抽出頻度の集合を1つの特徴量とし、上記特徴量を要素としたデジタルデータの学習データを作成する。本実施形態の各学習データは、検査データと同様に、{(0,0)の抽出頻度,(0,1)の抽出頻度,(1,0)の抽出頻度,(1,1)の抽出頻度}の4要素からなる。
On the other hand, the feature
以上、本実施形態によれば、振動センサ21およびマイクロホン22(信号源)からの検査信号S1,S2の周波数の分布とともに、振動センサ21の検査信号S1とマイクロホン22の検査信号S2との位相の関連性を同時に判断することができる。
As described above, according to the present embodiment, the frequency distribution of the inspection signals S1 and S2 from the
なお、本実施形態に係る信号識別装置による信号識別方法は、特徴量の抽出方法が異なる以外において実施形態1に係る信号識別方法と同様である。 Note that the signal identification method by the signal identification device according to the present embodiment is the same as the signal identification method according to the first embodiment except that the feature amount extraction method is different.
(実施形態3)
実施形態3に係る信号識別装置は、特徴量を抽出するときに、各検査信号S1,S2の振幅値ではなく、図5に示すように、各検査信号S1,S2の振幅の極値を抽出する点で、実施形態1に係る信号識別装置と相違する。
(Embodiment 3)
The signal identification device according to the third embodiment extracts not the amplitude values of the inspection signals S1 and S2 but the extreme values of the amplitudes of the inspection signals S1 and S2 as shown in FIG. This is different from the signal identification device according to the first embodiment.
本実施形態の特徴量抽出部3は、ユーザによって予め設定された区間T1,・・・ごとに検査信号S1の振幅の極値(極大値、極小値)x1と検査信号S2の振幅の極値x2とを抽出する。上記区間T1,・・・ごとに抽出された各極値x1,x2は、それぞれそのまま用いられるのではなく、コード化(デジタル化)した値が用いられる。図5に示すように、6個の振幅範囲が用いられ、各振幅範囲には、小さいほうから順に1〜6のコードが付与されている。ただし、1つの区間に極値が存在しない場合は0とし、1つの区間に極値が複数存在する場合は絶対値の最大値が選択される。例えば、区間T1では、検査信号S1の振幅の極値x1と検査信号S2の振幅の極値x2とはともに0である。したがって、区間T1における振幅の極値の組み合わせ(x1,x2)は(0,0)である。区間T4、区間T6、区間T10における振幅の極値の組み合わせ(x1、x2)は、それぞれ(3,0)、(5,5)、(5,2)である。特徴量抽出部3は、すべての組み合わせ(x1、x2)の抽出頻度の集合を1つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。本実施形態の検査データは、{(0,0)の抽出頻度,(0,1)の抽出頻度,・・・,(6,6)の抽出頻度}の49要素からなる。
The feature
一方、特徴量抽出部3は、学習モードにおいて、振動センサ21およびマイクロホン22の両方からそれぞれ複数の学習信号を取得する。特徴量抽出部3は、検査モードと同じ区間ごとに振動センサ21およびマイクロホン22の両方からの学習信号の振幅の極値を抽出する。各極値は、検査モードと同様にコード化(デジタル化)した値が用いられる。特徴量抽出部3は、各学習信号ごとに、すべての組み合わせの抽出頻度の集合を1つの特徴量とし、各抽出頻度を要素としたデジタルデータの学習データを作成する。本実施形態の各学習データは、検査データと同様に、{(0,0)の抽出頻度,(0,1)の抽出頻度,・・・,(6,6)の抽出頻度}の49要素からなる。
On the other hand, the feature
以上、本実施形態によれば、振動センサ21およびマイクロホン22(信号源)からの検査信号S1,S2の振幅の極値の分布とともに、振動センサ21の検査信号S1とマイクロホン22の検査信号S2との振幅の極値の関連性を同時に判断することができる。
As described above, according to the present embodiment, the inspection signal S1 of the
なお、本実施形態に係る信号識別装置による信号識別方法は、特徴量の抽出方法が異なる以外において実施形態1に係る信号識別方法と同様である。 Note that the signal identification method by the signal identification device according to the present embodiment is the same as the signal identification method according to the first embodiment except that the feature amount extraction method is different.
(実施形態4)
実施形態4に係る信号識別装置は、特徴量を抽出するときに、各検査信号S1,S2の振幅の極値だけではなく、各検査信号S1,S2のゼロクロスの有無も抽出する点で、実施形態3に係る信号識別装置と相違する。
(Embodiment 4)
The signal identification device according to the fourth embodiment is implemented in that not only the extreme values of the amplitudes of the inspection signals S1 and S2 but also the presence or absence of zero crossing of the inspection signals S1 and S2 are extracted when the feature amount is extracted. This is different from the signal identification device according to the third embodiment.
本実施形態の特徴量抽出部3は、ユーザによって予め設定されたタイミングごとに、各検査信号S1,S2の振幅の極値を実施形態3と同様の方法で抽出するとともに、各検査信号S1,S2のゼロクロスの有無を実施形態2と同様の方法で抽出する。特徴量抽出部3は、各検査信号S1,S2のゼロクロスの有無に関するすべての組み合わせの抽出頻度と、各検査信号S1,S2の振幅の極値に関するすべての組み合わせの抽出頻度とを合わせて(連結して)1つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。本実施形態の検査データは、{(0,0,0,0)の抽出頻度,・・・,(1,1,6,6)の抽出頻度}の196要素からなる。
The feature
一方、特徴量抽出部3は、学習モードにおいて、振動センサ21およびマイクロホン22の両方からそれぞれ複数の学習信号を取得する。特徴量抽出部3は、検査モードと同じタイミングで振動センサ21およびマイクロホン22の両方からの学習信号の振幅の極値およびゼロクロスの有無を抽出する。特徴量抽出部3は、各学習信号ごとに、すべての組み合わせの抽出頻度の集合を1つの特徴量とし、各抽出頻度を要素としたデジタルデータの学習データを作成する。本実施形態の各学習データは、検査データと同様に、{(0,0,0,0)の抽出頻度,・・・,(1,1,6,6)の抽出頻度}の196要素からなる。
On the other hand, the feature
以上、本実施形態によれば、振動センサ21およびマイクロホン22(信号源)からの検査信号S1,S2の周波数の分布および振幅の極値の分布とともに、振動センサ21の検査信号S1とマイクロホン22の検査信号S2との位相の関連性および振幅の極値の関連性を同時に判断することができる。
As described above, according to the present embodiment, the inspection signal S1 of the
なお、本実施形態に係る信号識別装置による信号識別方法は、特徴量の抽出方法が異なる以外において実施形態3に係る信号識別方法と同様である。 Note that the signal identification method by the signal identification apparatus according to the present embodiment is the same as the signal identification method according to the third embodiment, except that the feature amount extraction method is different.
(実施形態5)
実施形態5に係る信号識別装置は、図6に示すように、ユーザによって予め設定された時間領域Tw1,・・・ごとに特徴量を抽出する点で、実施形態1に係る信号識別装置と相違する。
(Embodiment 5)
As shown in FIG. 6, the signal identification apparatus according to the fifth embodiment is different from the signal identification apparatus according to the first embodiment in that feature amounts are extracted for each time region Tw1,. To do.
本実施形態の特徴量抽出部3は、上記時間領域Tw1,・・・に各検査信号S1,S2を分割し、各時間領域Tw1,・・・ごとに、すべての組み合わせ(x1,x2)の抽出頻度の集合を求める。上記特徴量抽出部3は、各時間領域Tw1,・・・の抽出頻度の集合を連結して1つの特徴量とし、各抽出頻度を要素としたデジタルデータの検査データを作成する。したがって、本実施形態の検査データは、(単位時間領域あたり36要素)×(時間領域数)の要素からなる。
The feature
以上、本実施形態によれば、振動センサ21およびマイクロホン22(信号源)からの検査信号S1,S2の分布および振動センサ21の検査信号S1とマイクロホン22の検査信号S2との関連性の時間変化を捉えることができるので、検査信号S1,S2が非定常な信号であっても、検査対象Aの検査を行うことができる。
As described above, according to the present embodiment, the distribution of the inspection signals S1 and S2 from the
なお、本実施形態に係る信号識別装置による信号識別方法は、特徴量の抽出方法が異なる以外において実施形態1に係る信号識別方法と同様である。 Note that the signal identification method by the signal identification device according to the present embodiment is the same as the signal identification method according to the first embodiment except that the feature amount extraction method is different.
(実施形態6)
実施形態6では、複数の学習信号として正常信号と異常信号とを組み合わせた場合について説明する。正常信号とは、検査対象Aが正常状態であるときに振動センサ21およびマイクロホン22(信号源)のそれぞれで検出された電気信号である。異常信号とは、検査対象Aが異常状態であるときに振動センサ21およびマイクロホン22のそれぞれで検出された電気信号である。
(Embodiment 6)
In the sixth embodiment, a case where a normal signal and an abnormal signal are combined as a plurality of learning signals will be described. The normal signal is an electric signal detected by each of the
本実施形態の特徴量抽出部3は、振動センサ21およびマイクロホン22から取得した正常信号の関係を示す特徴量を抽出して正常データとし、振動センサ21およびマイクロホン22から取得した異常信号の関係を示す特徴量を抽出して異常データとする。
The feature
本実施形態のマップ作成部51は、正常データと異常データの両方を含む複数の学習データをニューラルネットワーク1に入力して上記ニューラルネットワーク1を学習させて、クラスタリングマップを作成する。マップ作成部51は、クラスタリングマップを出力側から入力側に逆向きに動作させて、クラスタリングマップ上の各カテゴリの位置に対応する入力データを推定する。
The
本実施形態のクラスタ判定部52は、検査モードにおいて、検査データを学習済みのニューラルネットワーク1に入力して、検査データがクラスタリングマップ上でどのカテゴリ(クラスタ)に属するかを判定する。
In the inspection mode, the
なお、本実施形態における特徴量の抽出方法は、実施形態1〜5における特徴量の抽出方法のいずれであってもよい。 Note that the feature quantity extraction method in the present embodiment may be any of the feature quantity extraction methods in the first to fifth embodiments.
また、実施形態1〜6の変形例として、信号識別装置は、実施形態1〜5における組み合わせ(x1,x2)の抽出頻度の集合のうち少なくとも2つの集合を合わせて1つの特徴量として用いてもよい。上記変形例によれば、特徴量の要素数が増えるので、検査精度を高めることができる。 In addition, as a modification of the first to sixth embodiments, the signal identification device uses at least two sets of combinations of extraction frequencies of the combinations (x1, x2) in the first to fifth embodiments as one feature amount. Also good. According to the modified example, since the number of elements of the feature amount increases, the inspection accuracy can be increased.
1 ニューラルネットワーク
2 信号入力部(信号入力手段)
21 振動センサ(信号源)
22 マイクロホン(信号源)
3 特徴量抽出部(特徴量抽出手段)
5 演算部
51 マップ作成部
52 クラスタ判定部(判定手段)
A 検査対象
S1,S2 検査信号
1
21 Vibration sensor (signal source)
22 Microphone (signal source)
3 feature quantity extraction unit (feature quantity extraction means)
5
A Inspection object S1, S2 Inspection signal
Claims (5)
前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする信号入力手段と、
前記信号入力手段から前記検査信号を取得し当該検査信号から前記検査対象の特徴量を抽出して検査データとする特徴量抽出手段と、
前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する判定手段とを備え、
前記信号入力手段は、それぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とする複数の信号源を有し、
前記特徴量抽出手段は、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとする場合に、予め設定された区間ごとに各検査信号の振幅の極値の抽出を行い、各検査信号の振幅の極値の組み合わせごとの抽出頻度を前記特徴量とする
ことを特徴とする信号識別装置。 A plurality of learning data, each of which is a feature amount extracted from a previously collected learning signal, is input to an unsupervised competitive learning type neural network to learn the unsupervised competitive learning type neural network, and the unsupervised competitive learning type neural network A signal identification device that creates a clustering map in which a category representing a state of an inspection target is set from a network and inspects the state of the inspection target using the clustering map at the time of inspection,
A signal input means for converting a physical quantity related to the state of the inspection object into an electric signal to be an inspection signal;
Feature quantity extraction means for obtaining the inspection signal from the signal input means and extracting the feature quantity of the inspection target from the inspection signal to obtain inspection data;
The inspection data is input to the learned unsupervised competitive learning type neural network, the position of the inspection data on the clustering map is acquired, and whether or not the inspection data belongs to the category is determined from the acquired position. Determination means for determining the state of the inspection object by doing,
The signal input means includes a plurality of signal sources, each of which detects a physical quantity related to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal.
The feature amount extraction unit extracts a feature amount indicating a relationship between the inspection signals acquired from each of the plurality of signal sources to obtain the inspection data . A signal identification device characterized in that an extreme value of an amplitude is extracted and an extraction frequency for each combination of extreme values of the amplitude of each inspection signal is used as the feature amount .
前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする信号入力手段と、
前記信号入力手段から前記検査信号を取得し当該検査信号から前記検査対象の特徴量を抽出して検査データとする特徴量抽出手段と、
前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する判定手段とを備え、
前記信号入力手段は、それぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とする複数の信号源を有し、
前記特徴量抽出手段は、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとする場合に、予め設定されたタイミングごとに各検査信号のゼロクロスの有無の抽出を行い、各検査信号のゼロクロスの有無の組み合わせごとの抽出頻度を前記特徴量とする
ことを特徴とする信号識別装置。 A plurality of learning data, each of which is a feature amount extracted from a previously collected learning signal, is input to an unsupervised competitive learning type neural network to learn the unsupervised competitive learning type neural network, and the unsupervised competitive learning type neural network A signal identification device that creates a clustering map in which a category representing a state of an inspection target is set from a network and inspects the state of the inspection target using the clustering map at the time of inspection,
A signal input means for converting a physical quantity related to the state of the inspection object into an electric signal to be an inspection signal;
Feature quantity extraction means for obtaining the inspection signal from the signal input means and extracting the feature quantity of the inspection target from the inspection signal to obtain inspection data;
The inspection data is input to the learned unsupervised competitive learning type neural network, the position of the inspection data on the clustering map is acquired, and whether or not the inspection data belongs to the category is determined from the acquired position. Determination means for determining the state of the inspection object by doing,
The signal input means includes a plurality of signal sources, each of which detects a physical quantity related to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal.
The feature amount extraction unit extracts the feature amount indicating the relationship between the inspection signals acquired from each of the plurality of signal sources and uses the feature amount as the inspection data. was extracted in the presence or absence of the zero crossing, signal identification device you characterized in that the extraction frequency of each combination of the presence or absence of the zero crossing of the test signal and the feature quantity.
前記検査対象の状態に関する物理量を電気信号に変換して検査信号とする信号入力手段と、
前記信号入力手段から前記検査信号を取得し当該検査信号から前記検査対象の特徴量を抽出して検査データとする特徴量抽出手段と、
前記検査データを学習済みの前記教師なし競合学習型ニューラルネットワークに入力して当該検査データの前記クラスタリングマップ上での位置を取得し、取得した位置から当該検査データがカテゴリに属するか否かを判定することによって前記検査対象の状態を判定する判定手段とを備え、
前記信号入力手段は、それぞれが前記検査対象の状態に関する物理量を検出し電気信号に変換して前記検査信号とする複数の信号源を有し、
前記特徴量抽出手段は、前記複数の信号源のそれぞれから取得される前記検査信号の関係を示す特徴量を抽出して前記検査データとする場合に、予め設定されたタイミングごとに各検査信号の振幅値の抽出を行い、各検査信号の振幅値の組み合わせごとの抽出頻度を前記特徴量とする
ことを特徴とする信号識別装置。 A plurality of learning data, each of which is a feature amount extracted from a previously collected learning signal, is input to an unsupervised competitive learning type neural network to learn the unsupervised competitive learning type neural network, and the unsupervised competitive learning type neural network A signal identification device that creates a clustering map in which a category representing a state of an inspection target is set from a network and inspects the state of the inspection target using the clustering map at the time of inspection,
A signal input means for converting a physical quantity related to the state of the inspection object into an electric signal to be an inspection signal;
Feature quantity extraction means for obtaining the inspection signal from the signal input means and extracting the feature quantity of the inspection target from the inspection signal to obtain inspection data;
The inspection data is input to the learned unsupervised competitive learning type neural network, the position of the inspection data on the clustering map is acquired, and whether or not the inspection data belongs to the category is determined from the acquired position. Determination means for determining the state of the inspection object by doing,
The signal input means includes a plurality of signal sources, each of which detects a physical quantity related to the state of the inspection target, converts the physical quantity into an electrical signal, and uses the inspection signal as the inspection signal.
The feature amount extraction unit extracts the feature amount indicating the relationship between the inspection signals acquired from each of the plurality of signal sources and uses the feature amount as the inspection data. was extracted amplitude value, signal identification device to extract the frequency of each combination of amplitude values you characterized in that said feature amount of each test signal.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009217334A JP5134605B2 (en) | 2009-09-18 | 2009-09-18 | Signal identification device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009217334A JP5134605B2 (en) | 2009-09-18 | 2009-09-18 | Signal identification device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011065545A JP2011065545A (en) | 2011-03-31 |
JP5134605B2 true JP5134605B2 (en) | 2013-01-30 |
Family
ID=43951696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009217334A Expired - Fee Related JP5134605B2 (en) | 2009-09-18 | 2009-09-18 | Signal identification device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5134605B2 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6810097B2 (en) * | 2018-05-21 | 2021-01-06 | ファナック株式会社 | Anomaly detector |
JP7251955B2 (en) * | 2018-11-21 | 2023-04-04 | ファナック株式会社 | Detection device and machine learning method |
JP7347251B2 (en) * | 2020-02-14 | 2023-09-20 | トヨタ自動車株式会社 | How to learn mapping |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3392552B2 (en) * | 1994-12-08 | 2003-03-31 | 株式会社東芝 | Vibration waveform identification method and identification device |
JPH11338848A (en) * | 1998-05-26 | 1999-12-10 | Ffc:Kk | Data abnormality detector |
JP4175296B2 (en) * | 2004-06-25 | 2008-11-05 | キャタピラージャパン株式会社 | Construction machine data processing apparatus and construction machine data processing method |
US7966268B2 (en) * | 2005-10-13 | 2011-06-21 | National Ict Australia Limited | Method and apparatus for automated identification of signal characteristics |
-
2009
- 2009-09-18 JP JP2009217334A patent/JP5134605B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2011065545A (en) | 2011-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112783940A (en) | Multi-source time series data fault diagnosis method and medium based on graph neural network | |
JP4605132B2 (en) | Anomaly detection device and anomaly detection method | |
CN112255538A (en) | Multi-feature optimization fusion high-voltage circuit breaker fault diagnosis method | |
EP3767551A1 (en) | Inspection system, image recognition system, recognition system, discriminator generation system, and learning data generation device | |
JP2008040682A (en) | Abnormality monitoring device | |
JP5027859B2 (en) | Signal identification method and signal identification apparatus | |
CN108491931B (en) | Method for improving nondestructive testing precision based on machine learning | |
JP2012018066A (en) | Device for inspecting abnormality | |
JP5134605B2 (en) | Signal identification device | |
CN111709775A (en) | House property price evaluation method and device, electronic equipment and storage medium | |
KR20200080814A (en) | Defect signal diagnostics apparatus and method using acoustic emission | |
JP4412306B2 (en) | Abnormality determination method and abnormality determination device | |
JP4760614B2 (en) | Method for selecting learning data of signal identification device | |
CN117590172A (en) | Partial discharge acoustic-electric combined positioning method, device and equipment applied to transformer | |
JP3778177B2 (en) | Object inspection device | |
JP4875433B2 (en) | Learning method of signal identification device | |
JP2008097361A (en) | Anomaly monitoring device | |
CN117388383A (en) | Method and device for detecting loosening state of threaded connection structure based on knocking method | |
JP2005115569A (en) | Signal identification device and method | |
JP2008097360A (en) | Anomaly monitoring device | |
KR101659989B1 (en) | Apparatus and method for analyzing abnormal data using combination of multi-dimensional features | |
CN115452957B (en) | Small sample metal damage identification method based on attention prototype network | |
Aydin et al. | A new fault diagnosis approach for induction motor using negative selection algorithm and its real-time implementation on FPGA | |
CN115310499A (en) | Industrial equipment fault diagnosis system and method based on data fusion | |
JP4775100B2 (en) | Signal identification device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20110701 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20110701 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20110627 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120605 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120806 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20121016 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20121109 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151116 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |