JPH07219581A - Discrimination method for acoustic signal and device therefor - Google Patents
Discrimination method for acoustic signal and device thereforInfo
- Publication number
- JPH07219581A JPH07219581A JP980594A JP980594A JPH07219581A JP H07219581 A JPH07219581 A JP H07219581A JP 980594 A JP980594 A JP 980594A JP 980594 A JP980594 A JP 980594A JP H07219581 A JPH07219581 A JP H07219581A
- Authority
- JP
- Japan
- Prior art keywords
- principal component
- cepstrum
- output signal
- analysis
- component
- 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.)
- Granted
Links
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は音響識別方法と装置に係
り、特に暗騒音の変動が大きく、また異常データが存在
しない条件で対象音源設備の監視機能の高度化に好適な
音響診断による監視ができる音響信号の識別方法と装置
に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an acoustic identification method and apparatus, and in particular, acoustic diagnostic monitoring suitable for enhancing the monitoring function of target sound source equipment under conditions where there is a large fluctuation in background noise and no abnormal data exists. The present invention relates to a method and an apparatus for identifying an acoustic signal that can be performed.
【０００２】[0002]
【従来の技術】従来の音響診断装置は図２３に示すよう
にマイクロフォン１、増幅器２、フィルタ３、フーリエ
変換器２０および音のパワー比較器２１より構成されて
いた。ここで、フィルタ３は周波数帯域を限定した方が
異常が検出し易い場合に設け、また、フーリエ変換器２
０はマイクロフォン１により取り込んだ音響信号をフー
リエ変換して周波数分析を行うために設けられる。パワ
ー比較器２１は音のパワーを予め設定したしきい値と比
較するためのものである。図２３の装置においては、音
のパワー比較器２１において、図２４（ａ）に示すよう
に、回転機などの対象音源設備からの音響が主体となる
場合には、その回転周期に同期した周波数帯域毎に、対
象音源設備の回転機の起動、負荷条件などのうちで最も
音のパワーの大きい値の１．５倍程度の音のパワー値を
しきい値として周波数帯域毎に設定する。このしきい値
の例を図２４に点線で示す。2. Description of the Related Art A conventional sound diagnostic apparatus comprises a microphone 1, an amplifier 2, a filter 3, a Fourier transformer 20 and a sound power comparator 21, as shown in FIG. Here, the filter 3 is provided when it is easier to detect an abnormality by limiting the frequency band, and the Fourier transformer 2
0 is provided for performing a Fourier transform on the acoustic signal captured by the microphone 1 for frequency analysis. The power comparator 21 is for comparing the power of sound with a preset threshold value. In the device of FIG. 23, in the sound power comparator 21, as shown in FIG. 24A, when the sound from the target sound source equipment such as a rotating machine is the main, the frequency synchronized with the rotation cycle thereof. For each band, a sound power value of about 1.5 times the maximum sound power value among the start-up of the target sound source equipment, the load condition, etc. is set as a threshold value for each frequency band. An example of this threshold value is shown by a dotted line in FIG.
【０００３】また、回転機が主体でなく、配管内の流動
音、ボイラの燃焼音などが混在する場合の音響診断装置
も図２４（ｂ）に示すように、通常の正常運転条件の中
で最も音のパワー値が大きくなるスペクトルに対して、
点線で示すようなしきい値を設定し、このしきい値を超
えたら警報を発する方式になっている。前記した二つの
ようなしきい値の設定法であると、その後運転条件の変
更や他の外乱である、いわゆる暗騒音の増大があれば、
誤警報を発し、これを回避するためには、さらにしきい
値を上げざるを得ない。このため異常状態の早期発見の
点で困難なシステムとなっている。Further, as shown in FIG. 24 (b), an acoustic diagnostic apparatus in the case where flow noise in the pipe, combustion noise of the boiler, etc. are not present mainly in the rotating machine, but in normal normal operating conditions. For the spectrum where the power value of the sound is the largest,
A threshold is set as shown by the dotted line, and an alarm is issued when this threshold is exceeded. If there is a change in operating conditions or another disturbance, that is, if there is an increase in so-called background noise, with the above-mentioned two threshold setting methods,
In order to avoid false alarms and avoid them, the threshold value must be raised further. Therefore, the system is difficult in terms of early detection of abnormal states.
【０００４】次に、従来のその他の検出方法とその構成
例を図２５〜図２８に示す。上記図２３と図２４の構成
と異なる点は、音のパワー比較を行うのではなく、音響
を図２６と図２７に示すように周波数帯域毎の、例えば
平均の音のパワー値を求め、この値を音響学習・認識器
２２に入力して、図２８に示すようなニュートラルネッ
トワークにより異常検出をするものであ。この場合は音
響データとしては、正常状態と異常状態での音響データ
に基づいており、ニュートラルネットワークにより正常
あるいは異常の教師信号ｙ（ｙ＝０：正常、ｙ＝１：異
常）に与えて、学習させておく方法である。従って、予
め対象音源設備の異常状態が全て明らかで、その状態で
の音響データが存在し、かつ暗騒音の変動がないような
理想的な音場での音響診断システムであれば実用に供す
るかもしれないが、実際のプラントにおいて、まず異常
な現象を生じさせて異常音のデータを採取することは不
可能であり、まして全ての想定される異常状態での音響
データの採取は困難である。また外乱音である暗騒音の
変動は、対象音源設備や機器とは無関係に発生するた
め、乏しい一部の異常データに基づきニュートラルネッ
トワークにより学習できたとしても、その汎化能力の課
題のため、音響による診断装置の機能としては、実用的
レベルには達していないのが現状である。Next, other conventional detection methods and their configuration examples are shown in FIGS. The difference from the configurations of FIGS. 23 and 24 is that the sound power is not compared, but the sound power value is calculated for each frequency band as shown in FIGS. The value is input to the acoustic learning / recognizing device 22 and the abnormality is detected by the neutral network as shown in FIG. In this case, the acoustic data is based on the acoustic data in the normal state and the abnormal state, and is given to the normal or abnormal teacher signal y (y = 0: normal, y = 1: abnormal) by the neutral network to learn. It is a method of leaving it. Therefore, if the abnormal state of the target sound source equipment is all clear in advance, there is acoustic data in that state, and an acoustic diagnostic system in an ideal sound field where there is no fluctuation of background noise may be put to practical use. However, in an actual plant, it is impossible to collect abnormal sound data by first generating an abnormal phenomenon, and much less difficult to collect acoustic data in all possible abnormal states. In addition, the fluctuation of background noise, which is a disturbance sound, occurs regardless of the target sound source equipment and equipment, so even if it can be learned by the neutral network based on some abnormal data that is scarce, due to the problem of its generalization ability, At present, the function of the acoustic diagnostic device has not reached a practical level.
【０００５】[0005]
【発明が解決しようとする課題】上記従来技術は、正常
時の対象音源設備、機器、周辺の暗騒音の変動に対応し
た判断機能という点について配慮がされておらず、誤警
報が多く、これを低減するためにしきい値を上げるため
検知感度が鈍くなる問題があった。また、ニュートラル
ネットに音響データをそのまま入力する手法では、例え
異常なデータがあっても汎化能力が乏しく、誤警報の発
生あるいは検知感度の点で問題があった。本発明の目的
は、対象対象音源設備、機器の正常な動作音と異常音と
を誤動作なく識別できる音響信号の識別方法および装置
を提供することである。また、本発明の目的は、いわば
対象音源設備、機器、周辺の未知の暗騒音の変動の中に
埋もれた小さな異常音を感知し、運転員に注意を早期に
促す機能を備えた音響信号の識別方法および装置を実用
化することにある。The above-mentioned prior art does not consider the point of the judgment function corresponding to the fluctuation of the background sound noise of the target sound source equipment, equipment and surroundings during normal operation, and there are many false alarms. There is a problem that the detection sensitivity becomes dull because the threshold value is increased to reduce the noise. Further, in the method of directly inputting acoustic data to the neutral net, even if there is abnormal data, the generalization ability is poor, and there is a problem in generation of false alarm or detection sensitivity. It is an object of the present invention to provide an acoustic signal identification method and apparatus capable of identifying a normal operation sound and an abnormal sound of a target sound source equipment and equipment without malfunction. Further, the purpose of the present invention is to detect a small abnormal sound buried in the fluctuation of unknown background noise of the target sound source equipment, equipment, and so on, so to speak of an acoustic signal having a function of prompting an operator to pay attention early. It is to put the identification method and device into practical use.
【０００６】[0006]
【課題を解決するための手段】本発明の上記目的は次の
構成によって達成される。すなわち、空中を伝播する音
響を把えるマイクロフォンの出力信号を主成分分析して
行う音響信号の識別方法において、マイクロフォンの出
力信号の特徴量を主成分分析して得られる第１成分〜第
ｎ成分の主成分得点をｎ成分系の主成分座標上でマッピ
ングし、その主成分得点の座標上の位置を第一位置と
し、前記第一位置が前記主成分座標系マップにおける予
め記憶している通常運転時の対象音源の複数の音響出力
信号サンプルによる主成分得点群が形成する座標上の主
成分データベース領域内にあるかどうかを判断し、該主
成分データベース領域内に前記第一位置がある場合は、
マイクロフォン出力信号は一応正常であると判断して前
記第一位置と予め記憶している前記主成分データベース
領域の重心位置との間の座標上の距離に基づき算出され
る正常の確信度を定量的に求め、前記第一位置が前記デ
ータベース領域内にない場合は、前記マイクロフォンの
出力信号のケプストラム分析値のなかの大局的なパワー
スペクトルのみから得られたデータを主成分分析して得
られる第１成分〜第ｎ成分の主成分得点をｎ成分系の主
成分座標系でマッピングして、大局的ケプストラム主成
分得点の座標上の位置を第二位置とし、前記第二位置と
予め記憶している前記主成分データベース領域の重心位
置との間の座標上の距離に基づき算出される異常の確信
度を定量的に求めて、マイクロフォンの出力信号の特徴
点の相違を定量的に評価する音響信号の識別方法であ
る。The above objects of the present invention can be achieved by the following constitutions. That is, in a method of identifying an acoustic signal, which is performed by performing a principal component analysis on an output signal of a microphone that grasps a sound propagating in the air, a first component to an n-th component obtained by performing a principal component analysis on a feature amount of the output signal of the microphone. Is mapped on the principal component coordinates of the n-component system, the position on the coordinate of the principal component score is the first position, and the first position is usually stored in advance in the principal component coordinate system map. When the first position is in the principal component database region by determining whether or not it is in the principal component database region on the coordinates formed by the principal component score group by a plurality of acoustic output signal samples of the target sound source during driving Is
It is determined that the microphone output signal is normal, and the normal certainty factor calculated based on the coordinate distance between the first position and the barycentric position of the main component database area stored in advance is quantitatively determined. If the first position is not in the database region, the first obtained by principal component analysis of data obtained only from the global power spectrum in the cepstrum analysis value of the output signal of the microphone. The principal component scores of the component to the nth component are mapped in the principal component coordinate system of the n component system, the coordinate position of the global cepstrum principal component score is set as the second position, and the second position is stored in advance. Quantitatively obtaining the certainty factor of the abnormality calculated based on the coordinate distance between the center of gravity of the principal component database area and the difference in the characteristic points of the microphone output signals. It is the identification method of the evaluation to the acoustic signal.
【０００７】前記主成分得点をマッピングする主成分座
標系は、音源である設備の運転条件やその他の暗騒音の
変動に対して、最も相違の大きい２つの主成分を座標軸
とする２次元平面あるいは最も相違の大きい３つの主成
分成分を座標軸とする３次元空間とすることがより簡単
に音響識別処理が行えるので望ましい。また、正常また
は異常の確信度を定量的に求めるに際しては、対象音源
側の運転状態（中間負荷運転、起動中、定常運転中、停
止中など）などのプラント情報も算入して行うことが望
ましい。前記プラント情報の算入により予め記憶してい
る通常運転時の音響の主成分得点および主成分データベ
ース領域の大きさが決められる。また、正常または異常
の確信度を定量的に算出するには、前記第一位置また
は第二位置と主成分データベース領域の重心位置との間
の座標上の距離の大小に基づきファジイ推論により算出
する方法、前記第一位置または第二位置と主成分デー
タベース領域の重心位置との間の座標上の距離と主成分
データベース領域を仮想円とみなした半径との比を評価
基準とする方法、または主成分データベース領域内の
通常運転時の主成分得点のサンプル数が多い場合は、該
領域内の主成分得点は重心位置を中心とした正規分布と
見なして、前記第一位置または第二位置の前記正規分布
中での偏差値を評価基準とする方法等がある。なお、前
記のファジィ推論による正常または異常の確信度の定
量法は、対象音源側の運転状態などのプラント情報によ
り求められる予め記憶している通常運転時の音響の主成
分データベース領域の大小を基に、ファジィ推論の前件
部のメンバーシップ関数を決め、正常または異常の確信
度を決めるための後件部のメンバーシップ関数をシング
ルトーンとする方法を用いることができる。The principal component coordinate system for mapping the principal component scores is a two-dimensional plane having coordinate axes of the two principal components having the largest difference with respect to the operating conditions of equipment as a sound source and other fluctuations of background noise. It is desirable to use a three-dimensional space having the three principal component components having the largest difference as coordinate axes because the acoustic identification processing can be performed more easily. In addition, when quantitatively determining the certainty factor of normality or abnormality, it is desirable to include plant information such as the operating state of the target sound source (intermediate load operation, starting, steady operation, stopping, etc.). . By including the plant information, the size of the principal component score and the principal component database region of the sound during normal operation which are stored in advance are determined. Further, in order to quantitatively calculate the certainty factor of normality or abnormality, it is calculated by fuzzy inference based on the magnitude of the coordinate distance between the first position or the second position and the center of gravity position of the principal component database area. Method, a method using the ratio of the distance on the coordinates between the first position or the second position and the barycentric position of the principal component database region and the radius of the principal component database region as a virtual circle as an evaluation criterion, or When the number of samples of the principal component score during normal operation in the component database region is large, the principal component score in the region is regarded as a normal distribution centered on the position of the center of gravity, and the first position or the second position There is a method of using a deviation value in a normal distribution as an evaluation standard. The method of quantifying the confidence factor of normality or abnormality by the above fuzzy inference is based on the size of the pre-stored acoustic main component database area during normal operation, which is obtained from plant information such as the operating state of the target sound source. In addition, the membership function of the antecedent part of the fuzzy inference can be determined, and the membership function of the antecedent part of the fuzzy reasoning can be determined as a single tone.
【０００８】また、本発明の上記目的は次の構成によっ
て達成できる。すなわち、空中を伝播する音響を把える
マイクロフォンの出力信号の特徴量を主成分分析する音
響信号の識別装置において、マイクロフォンの出力信号
の特徴量を主成分分析して第１成分〜第ｎ成分の主成分
得点を算出し、かつ、得られたｎ個の主成分得点をｎ成
分系の主成分座標系でマッピングし、その主成分得点の
座標上の位置である第一位置を求める主成分分析器と、
通常運転時の対象音源の複数の音響出力信号サンプルに
よる主成分得点群が形成する座標上の領域を予め記憶し
ている主成分データベース記憶装置と、前記第一位置が
前記主成分座標系マップにおける前記記憶装置の主成分
データベース領域内にあるかどうかを比較する主成分比
較器と、マイクロフォンの出力信号をケプストラム分析
して大局的なパワースペクトラムと小局的なパワースペ
クトラムとに分離するケプストラム分析器と、該ケプス
トラム分析器で分離されたパワースペクトラムの中の大
局的なパワースペクトルのみを分別するケプストラム分
別器と、該ケプストラム分別器で分別された大局的パワ
ースペクトラムのデータを主成分分析して得られる第１
成分〜第ｎ成分の主成分得点を主成分座標系でマッピン
グして、大局的ケプストラム主成分得点の座標上の位置
である第二位置を求める大局的ケプストラム主成分分析
器と、前記主成分比較器により第一位置が主成分データ
ベースの前記領域内にあると判断された場合は、マイク
ロフォン出力信号は一応正常であると判断し、また、前
記主成分比較器により第一位置が前記主成分データベー
ス領域内にないと判断された場合は一応異常と判断する
正常異常判断器と、該正常異常判断器が一応正常と判断
した場合は前記第一位置と前記主成分データベース領域
の重心位置との間の座標上の距離に基づきマイクロフォ
ン出力信号の正常の確信度を定量的に算出し、また、前
記正常異常判断器が一応異常と判断した場合は前記大局
的ケプストラム主成分分析器で求めた前記第二位置と前
記主成分データベース領域の重心位置との間の座標上の
距離に基づきマイクロフォン出力信号の異常の確信度を
定量的に算出する正常または異常確信度算出器とを設け
た音響信号の識別装置である。上記正常または異常確信
度算出器は、前記音響信号の識別方法の項で述べた〜
の方法を実行できる手段を用いる。The above object of the present invention can be achieved by the following constitution. That is, in the acoustic signal identification device that performs the principal component analysis of the characteristic amount of the output signal of the microphone that grasps the sound propagating in the air, the characteristic amount of the output signal of the microphone is subjected to the principal component analysis to determine the first component to the n-th component. Principal component analysis for calculating the principal component score, mapping the obtained n principal component scores in the n-component principal component coordinate system, and obtaining the first position, which is the coordinate position of the principal component score. A vessel,
A principal component database storage device that stores in advance a coordinate area formed by a principal component score group by a plurality of acoustic output signal samples of a target sound source during normal operation, and the first position is in the principal component coordinate system map. A principal component comparator for comparing whether or not it is within the principal component database area of the storage device, and a cepstrum analyzer for cepstrum-analyzing the microphone output signal to separate it into a global power spectrum and a local power spectrum. And a cepstrum classifier for classifying only the global power spectrum in the power spectrum separated by the cepstrum analyzer, and the data of the global power spectrum classified by the cepstrum classifier by principal component analysis. First to be
A global cepstrum principal component analyzer for mapping the principal component scores of the component to the nth component in the principal component coordinate system to obtain the second position which is the coordinate position of the global cepstrum principal component score, and the principal component comparison If the detector determines that the first position is within the area of the principal component database, the microphone output signal is determined to be normal, and the principal component comparator determines that the first position is the principal component database. If it is judged that it is not within the region, it is temporarily judged to be abnormal, and if it is judged to be normal, between the first position and the center of gravity position of the principal component database region. The certainty factor of the normality of the microphone output signal is quantitatively calculated based on the distance on the coordinates of, and if the normal / abnormality determiner determines that the abnormality is temporary, the global cepstrum main Normal or abnormal confidence factor calculator for quantitatively calculating the confidence factor of abnormality of the microphone output signal based on the coordinate distance between the second position and the center of gravity position of the principal component database area obtained by the minute analyzer And an acoustic signal identification device provided with and. The normal or abnormal confidence calculator is described in the section of the method for identifying the acoustic signal.
Method is used.
【０００９】また、本発明の上記目的は次の構成から達
成される。すなわち、空中を伝播する音響を把えるマイ
クロフォンの出力信号の特徴量を主成分分析して行う音
響信号の識別方法において、マイクロフォンの出力信号
の特徴量を主成分分析して第１成分〜第ｎ成分の主成分
の得点を求め、さらに、マイクロフォンの出力信号のケ
プストラム分析値の中の大局的なパワースペクトルのみ
から得られたデータを主成分分析して第１成分〜第ｍ成
分のケプストラム主成分得点を求め、前記両方の主成分
得点を自己想起型ニューラルネットの入力データとし
て、対象とする音源からの音響の特徴点を、その確率分
布に応じて自己学習し、自己想起型ニューラルネットの
出力である自己学習結果の確率分布と、前記手順により
予め求めている過去の履歴としての音響の正常時におけ
る確率分布との相違の比較により音響の正常度合または
異常度合を識別する音響信号の識別方法である。The above object of the present invention is achieved by the following constitution. That is, in a method of identifying an acoustic signal, which is performed by performing a principal component analysis on a characteristic amount of an output signal of a microphone that grasps a sound propagating in the air, the characteristic amount of the output signal of the microphone is analyzed by the principal component analysis and the first component to the nth component The principal component points of the components are obtained, and the data obtained only from the global power spectrum in the cepstrum analysis value of the microphone output signal is subjected to the principal component analysis to perform the cepstrum principal components of the first component to the m-th component. The score is obtained, and the characteristic points of the sound from the target sound source are self-learned according to the probability distribution by using both of the principal component scores as input data of the self-associative neural network, and the output of the self-associative neural network. By comparing the difference between the probability distribution of the self-learning result and the probability distribution in the normal time of the sound as the past history obtained in advance by the above procedure. Is a method of identifying an acoustic signal that identifies the normal degree or abnormal degree of sound.
【００１０】また、本発明の上記目的は次の構成によっ
て達成される。すなわち、空中を伝播する音響を把える
マイクロフォンの出力信号のの特徴量を主成分分析して
行う音響信号の識別装置において、マイクロフォンの出
力信号の特徴量を主成分分析して第１成分〜第ｎ成分の
主成分得点を求める主成分分析手段と、マイクロフォン
の出力信号の中からの取り出された出力信号をケプスト
ラム分析して第１成分〜第ｍ成分のケプストラム主成分
得点を求める大局ケプストラム分析手段と、前記主成分
分析手段で得られたｎ個の主成分得点と前記大局ケプス
トラム分析手段で得られたｍ個のケプストラム主成分得
点を入力データとして、前記出力信号の特徴を、その確
率分布に応じて想起型ニューラルネットにより自己学習
することが可能な確率分布発生器と、該確率分布発生器
からの出力である確率分布と、前記各機器により予め求
めている過去の履歴としての音響の正常時における確率
分布との相違の大小により音響の正常度合または異常度
合を識別する音響データ認識器とを設けた音響信号の識
別装置である。The above object of the present invention can be achieved by the following constitution. That is, in the acoustic signal identification device that performs the principal component analysis of the characteristic amount of the output signal of the microphone that grasps the sound propagating in the air, the characteristic amount of the output signal of the microphone is subjected to the principal component analysis to analyze the first component to the first component. A principal component analysis means for obtaining a principal component score of the n component, and a global cepstrum analysis means for obtaining a cepstrum principal component score of the first component to the mth component by cepstrum analysis of the output signal extracted from the output signals of the microphone. And using the n principal component scores obtained by the principal component analysis means and the m cepstrum principal component scores obtained by the global cepstrum analysis means as input data, the features of the output signal are converted into their probability distributions. A probability distribution generator capable of self-learning by an associative neural network, a probability distribution output from the probability distribution generator, An acoustic signal identification device provided with an acoustic data recognizer that identifies the degree of normality or the degree of abnormality of sound according to the size of the difference between the probability distribution of sound as a past history previously obtained by each device and the normal time. .
【００１１】上記発明の主成分選択手段は、マイクロフ
ォンの出力信号の特徴量を主成分分析して主成分得点を
算出する主成分分析器と、該主成分分析器で得られた主
成分得点の中の主要な第１成分〜第ｎ成分の得点を選択
する主成分選択器とからなり、大局ケプストラム分析手
段は、マイクロフォンの出力信号の中からの取り出され
た出力信号をケプストラム分析して主成分得点を大局的
なパワースペクトラムと小局的なパワースペクトラムと
に分離するケプストラム分析器と、該ケプストラム分析
器で分離されたパワースペクトラムの中の大局的なパワ
ースペクトルのみを分別するケプストラム分別器と、該
ケプストラム分別器で分別された大局的パワースペクト
ラムの中の主要な第１成分〜第ｍ成分のケプストラム主
成分得点を求める大局ケプストラム選択器とからなる構
成としても良い。また、上記確率分布発生器として自己
想起型のボルツマンマシンを用いることが望ましい。な
お、本発明において、マイクロフォンの出力信号として
増幅後に着目する周波数帯域に絞り、該着目周波数帯域
の信号を用いることが、また、マイクロフォンの出力信
号の中のある有限時間幅のデータに着目することが処理
効率の点から望ましい。The principal component selecting means of the above invention comprises a principal component analyzer for calculating a principal component score by performing a principal component analysis on the characteristic amount of the output signal of the microphone, and a principal component score obtained by the principal component analyzer. The global cepstrum analysis means performs a cepstrum analysis of the output signal extracted from the output signals of the microphones, and the main component selector selects a score of the first to n-th major components. A cepstrum analyzer that separates the score into a global power spectrum and a small power spectrum, and a cepstrum classifier that separates only the global power spectrum in the power spectrum separated by the cepstrum analyzer, Obtain the cepstrum principal component scores of the first to m-th major components in the global power spectrum classified by the cepstrum classifier. It may be configured to consist of a station cepstrum selector. Further, it is desirable to use a self-remembering Boltzmann machine as the probability distribution generator. In the present invention, the output signal of the microphone may be narrowed down to a frequency band of interest after amplification and the signal of the frequency band of interest may be used, or the data of a finite time width in the output signal of the microphone may be focused. Is desirable in terms of processing efficiency.
【００１２】[0012]
【作用】本発明は正常音を繰り返し入力し、まず音響デ
ータの特徴を統計的手法である主成分分析を行い、さら
に、特に暗騒音の変動は、スペクトル的には大局的に変
動していることに着目し、これはケプストラム分析によ
って得られる大局的スペクトルを主成分分析し、これら
二つの統計的手法による主成分分析結果とを総合的に判
断して、例えばファジィ推論等の方法で定量的に正常異
常の確信度を求めて音響信号の識別を行う。また、本発
明は上記のような入力音響スペクトルデータ全体を主成
分分析することにより得られる個々の周波数における平
均値、分散、固有ベクトル、主成分得点などと、該入力
騒音スペクトルデータをケプストラム分析することによ
り得られる該二つのスペクトルのデータに対して主成分
分析することにより得られる二組の平均値、分散、固有
ベクトル、主成分得点などを自己想起型ニュートラルネ
ットにより学習させることにより、異常データがない場
合においても、種々の正常時のデータを対象音源設備、
機器の運用時に診断システムの中に取り込むことがで
き、種々の入力騒音信号に対して正常か異常かの判断を
行う。According to the present invention, the normal sound is repeatedly input, the characteristics of the acoustic data are first subjected to the principal component analysis which is a statistical method, and further, the fluctuation of the background noise is changed in a global manner in terms of the spectrum. Focusing on this point, this is to analyze the global spectrum obtained by the cepstrum analysis by the principal component analysis and make a comprehensive judgment of the principal component analysis results by these two statistical methods, and for example, quantitatively by a method such as fuzzy inference. The acoustic signal is identified by obtaining the certainty factor of normal abnormality. Further, the present invention is to perform a cepstrum analysis of the input noise spectrum data and the average value, variance, eigenvector, principal component score, etc. at each frequency obtained by performing the principal component analysis of the entire input acoustic spectrum data as described above. There is no abnormal data by learning the two sets of mean value, variance, eigenvector, principal component score, etc. obtained by the principal component analysis on the data of the two spectra obtained by Even in the case, various normal data can be used for target sound source equipment,
It can be incorporated into the diagnostic system when the equipment is in operation, and determines whether the input noise signal is normal or abnormal.
【００１３】このように、異常時のデータはなくても、
音響データの特徴として主成分分析により得られる主成
分得点など、またケプストラム分析後の２種類のスペク
トル（大局的スペクトルと小局的スペクトル）に対して
主成分分析することにより主成分得点などを求めるとい
う２種類の特徴抽出を行い、その総合的判断は、例えば
ファジィ推論あるいは自己想起型ニュートラルネットワ
ークによる学習／認識手法を組み合わせることによるの
で、誤警報が大巾に低減し、暗騒音の変動の中に埋もれ
た小さな異常音を検出することが可能となる。ここで暗
騒音とは対象音源以外の音源からの発生する外乱音であ
り、ケプストラム分析によって大局的スペクトルのみを
抽出し、その主成分分析による主成分座標系におけるマ
ッピングにより、対象設備からの音響に混合している外
乱である暗騒音の影響の除去することが可能となる。As described above, even if there is no data at the time of abnormality,
Principal component scores obtained by principal component analysis as characteristics of acoustic data, and principal component scores etc. are obtained by performing principal component analysis on two types of spectra after cepstrum analysis (global spectrum and local spectrum). These two types of feature extraction are performed, and the comprehensive judgment is made by combining learning / recognition methods such as fuzzy reasoning or self-associative neutral networks. It is possible to detect a small abnormal sound buried in. Here, the background noise is a disturbance sound generated from a sound source other than the target sound source, and only the global spectrum is extracted by the cepstrum analysis, and the sound from the target equipment is converted by mapping in the main component coordinate system by the main component analysis. It is possible to eliminate the influence of background noise, which is a disturbance that is being mixed.
【００１４】また、ケプストラム分析によって大局的ス
ペクトルのみを抽出し、その主成分分析による主成分座
標系におけるマッピングにより、対象音源設備、機器か
らの音響に混合している外乱である暗騒音の影響の除去
を可能として音響信号の識別ができる。さらに、本発明
の確率分布発生器において、対象設備の運転状態や暗騒
音の変化に応じて、通常運転時の音響発生の確率の分布
を自己学習する自己想起型のボルツマンマシンを設ける
と、対象設備の異常時の音響データがなくても、正常時
の種々の音響データのパターンとの相違を確率的に評価
できる。Further, by extracting only the global spectrum by the cepstrum analysis and mapping it in the principal component coordinate system by the principal component analysis, the influence of the background noise, which is the disturbance mixed with the sound from the target sound source equipment and equipment, Acoustic signals can be identified by enabling removal. Furthermore, in the probability distribution generator of the present invention, if a self-remembering Boltzmann machine that self-learns the distribution of the probability of sound generation during normal operation is provided according to the operating state of the target equipment and changes in background noise, Even if there is no acoustic data when the equipment is abnormal, it is possible to probabilistically evaluate the difference between the various acoustic data patterns when the equipment is normal.
【００１５】[0015]
【実施例】本発明の実施例を図面とともに説明する。 実施例１ プラント現場の巡視点検員がパトロールする対象音源設
備や機器、配管付近で、図１に示すマイクロフォン１を
設置し、マイクロフォン１で対象音源設備や機器、配管
から出る音響を捕らえ、その微弱な電圧を増幅器２で増
幅させた後、その音響信号の処理を２つに分ける。１つ
はフィルタ３により着目すべき周波数帯域に絞り、主成
分分析器４でその音響の出力信号の特徴を多変量解析で
用いられる統計的手法による主成分分析を行い、主成分
得点を抽出する。ここで予め対象音源設備や機器、配管
付近での音響データを主成分分析した結果を基に、例え
ば、図２に示すような第１主成分Ｆ1と第２主成分Ｆ2の
２次元座標のデータとして蓄積しておく。Embodiments of the present invention will be described with reference to the drawings. Example 1 A microphone 1 shown in FIG. 1 is installed near a target sound source facility, equipment, or pipe that a patrol inspector of a plant site patrols, and the microphone 1 captures sound emitted from the target sound source facility, equipment, or pipe, and the sound is weak. After the appropriate voltage is amplified by the amplifier 2, the processing of the acoustic signal is divided into two. One is to narrow down to the frequency band of interest by the filter 3, and the principal component analyzer 4 performs the principal component analysis by the statistical method used in the multivariate analysis on the characteristics of the acoustic output signal to extract the principal component score. . Here, based on the result of the principal component analysis of the acoustic data in the vicinity of the target sound source equipment, equipment, and piping in advance, for example, the two-dimensional coordinates of the first principal component F 1 and the second principal component F 2 as shown in FIG. It is stored as the data of.
【００１６】なお、前記主成分分析によりサンプリング
された音響データについて何らかの相関関係のあるｎ種
の変量（ｘ1，ｘ2，…，ｘn）（ｎ≧２）が測定された
Ｎ組のデータ（ｘ1λ，ｘ2λ，…，ｘnλ）（λ＝１，
２，…，Ｎ）が得られたとして、これらのＮ個のデータ
はｎ個の変量の一次結合 ｚ＝ａ1ｘ1＋ａ2ｘ2＋…＋ａnｘn として表される。Σａ2＝１の条件のもので、ｚの分散
が最大の変動となるものをｚの第一成分ｚ1といい、こ
のときの係数をａ1i（ｉ＝１，２，…，ｎ）で表すと次
のようになる。 ｚ1＝ａ11ｘ1＋ａ12ｘ2＋…＋ａ1nｘn また、ｚ1とは無相関なｚのうちでΣａ2＝１の条件を満
たす最大の分散のもつｚ2を第二主成分といい、次のよ
うに表すことができる。 ｚ2＝ａ21ｘ1＋ａ22ｘ2＋…＋ａ2nｘn 以下、同様に全変動の大部分が説明できるまで主成分分
析を続ける。It should be noted that N sets of data obtained by measuring n kinds of variables (x 1 , x 2 , ..., X n ) (n ≧ 2) having some correlation with the acoustic data sampled by the principal component analysis. (X 1λ , x 2λ , ..., x nλ ) (λ = 1,
2, ..., N), these N data are expressed as n variate linear combinations z = a 1 x 1 + a 2 x 2 + ... + a n x n . Under the condition of Σa 2 = 1 and the variance of z is the maximum variation is called the first component z 1 of z, and the coefficient at this time is a 1i (i = 1, 2, ..., N). It is as follows. z 1 = a 11 x 1 + a 12 x 2 + ... + a 1n x n In addition, z 2 which has the maximum variance satisfying the condition of Σa 2 = 1 among z uncorrelated with z 1 is the second principal component. It can be expressed as follows. z 2 = a 21 x 1 + a 22 x 2 + ... + a 2n x n , and so on, and the principal component analysis is continued until most of the total variation can be explained.
【００１７】本実施例では音響データの主成分分析にお
いて、主成分のうちの最も相違の大きい２つの主成分
（第一主成分と第二主成分）について主成分得点（前記
ｚ1とｚ2）を求めたが、全変動の大部分が説明できるま
で主成分分析を第ｎ次まで続けることができる。図２に
示す例は対象音響機器１号機や対象音響機器２号機に対
応する２つの主成分ついての正常状態である通常運転時
の各機器付近の１２個のサンプルの主成分得点をそれぞ
れ●点や▲点で示すように二次元座標系でデータを蓄積
したものであり、このデータが図１の主成分データベー
ス記憶装置５内に正常時の音響データとして記憶されて
いる。これらの●点や▲点の値は表１と表２にそれぞれ
示すとおりである。In the present embodiment, in the principal component analysis of acoustic data, the principal component scores (the above-mentioned z 1 and z 2 ) are obtained for the two principal components (first principal component and second principal component) having the largest difference among the principal components. ), The principal component analysis can continue up to the nth order until most of the total variation can be explained. In the example shown in Fig. 2, the main component scores of 12 samples near each device during normal operation, which is a normal state for the two main components corresponding to the target audio device No. 1 and the target audio device No. 2, are each ● points. Data is accumulated in a two-dimensional coordinate system as indicated by points and, and this data is stored in the main component database storage device 5 of FIG. 1 as normal acoustic data. The values of these points ● and ▲ are shown in Table 1 and Table 2, respectively.
【００１８】[0018]
【表１】 [Table 1]
【表２】 [Table 2]
【００１９】そして、図２に示すように、対象音響機器
１号機の正常時（通常運転時）の二次元主成分得点が破
線で囲まれた●点の密な所定の領域とその座標上の重心
位置Ａ１の座標（Ｆ1，Ｆ2） Ａ１：（Ｆ1，Ｆ2）＝（４．６０，６．６０） が求められ、また、対象音響機器２号機の正常時の二次
元主成分得点が破線で囲まれた▲点の密な所定の領域と
その座標上の重心位置Ａ２の座標（Ｆ1，Ｆ2） Ａ２：（Ｆ1，Ｆ2）＝（−５．５１，３．２１） が決定され、これらのデータが図１の主成分データベー
ス記憶装置５内に正常時の音響データとして記憶されて
いる。Then, as shown in FIG. 2, the two-dimensional principal component score of the target acoustic device No. 1 in the normal state (during normal operation) is surrounded by a broken line. The coordinates (F 1 , F 2 ) A1: (F 1 , F 2 ) = (4.60, 6.60) of the center of gravity position A1 are obtained, and the two-dimensional principal component of the target acoustic device No. 2 in the normal state is calculated. Coordinates (F 1 , F 2 ) A2: (F 1 , F 2 ) = (− 5.51, 3 ,. 21) is determined, and these data are stored in the principal component database storage device 5 of FIG. 1 as normal acoustic data.
【００２０】以下、対象音響機器１号機について、二次
元主成分得点により音響診断する場合について説明す
る。診断しようとする対象音響機器１号機の音響による
出力信号のパワースペクトルが図３に示す形であるとす
ると、各周波数におけるスペクトルの平均値、分散、固
有ベクトルから計算される前記第一主成分と第二主成分
の主成分得点は、図４に示す位置Ｂ１にプロットされ
る。本実施例では音響診断時の対象機器１号機の主成分
得点の座標（Ｆ1，Ｆ2）上の位置Ｂ１は Ｂ１：（Ｆ1，Ｆ2）＝（１．４１，１．８０） であった。そして、前記位置Ｂ１が主成分データベース
記憶装置５内の破線領域内に存在するか否かについて主
成分比較器６で比較される。Hereinafter, a case of performing acoustic diagnosis on the first target acoustic device by using a two-dimensional principal component score will be described. Assuming that the power spectrum of the output signal by the sound of the target acoustic device 1 to be diagnosed has the form shown in FIG. 3, the first principal component and the first component calculated from the average value, variance, and eigenvector of the spectrum at each frequency The principal component scores of the two principal components are plotted at position B1 shown in FIG. In this embodiment, the position B1 on the coordinates (F 1 , F 2 ) of the main component score of the target device No. 1 at the time of acoustic diagnosis is B1: (F 1 , F 2 ) = (1.41, 1.80). there were. Then, the principal component comparator 6 makes a comparison as to whether or not the position B1 exists within the broken line area in the principal component database storage device 5.
【００２１】このとき、位置Ｂ１が主成分データベース
記憶装置５内の破線領域内に存在すると、正常異常判断
器１０が正常な音響が対象機器１号機から発せられてい
ると判断する。ただし、位置Ｂ１が主成分データベース
記憶装置５内の破線領域内にあったとしても、この音響
の中に小さな異常音が埋もれている可能性もあるが、正
常異常判断器１０からの出力は主成分データベース記憶
装置５の重心位置Ａ１と位置Ｂ１との距離に基づき、後
述のファジィ推論器１２によりその正常度合の確信度が
算出される。また、対象音源がどれであるか機器を特定
すること、あるいは対象音源となる機器が起動中である
か、安定運転中であるか、停止中であるか、あるいはい
かなる負荷状態で運転されているかなどにより、音響出
力が異なる場合が多いので、これらの情報に応じた主成
分データベースを用い、あるいはこれらの情報に応じた
ファジィ推論をする必要があるので、主成分データベー
ス記憶装置５とファジィ推論器１２には対象音源の設備
側のプラント情報が入力される。At this time, if the position B1 exists within the broken line area in the principal component database storage device 5, the normal / abnormality determiner 10 determines that normal sound is being emitted from the target device No. 1. However, even if the position B1 is within the broken line area in the principal component database storage device 5, a small abnormal sound may be buried in this sound, but the output from the normal / abnormality determiner 10 is mainly. Based on the distance between the center of gravity position A1 and the position B1 of the component database storage device 5, a fuzzy reasoner 12, which will be described later, calculates the certainty factor of the normality degree. In addition, identify which device is the target sound source, or whether the device that is the target sound source is starting up, is in stable operation, is stopped, or under what load condition it is operating. Since the acoustic output is often different depending on the situation, it is necessary to use the principal component database according to these information or to perform the fuzzy inference according to these information. Therefore, the principal component database storage device 5 and the fuzzy reasoner are required. In 12, the plant information of the target sound source on the equipment side is input.
【００２２】位置Ｂ１が主成分データベース記憶装置５
内の破線領域外部に存在すると、正常異常判断器１０は
異常な音響が対象機器１号機から発せられている可能性
があると判断し、図１の窓関数器７を経由してケプトス
ラム分析されるパワースペクトラムデータと比較され
て、その異常度合の確信度をファジィ推論器１２により
算出する。すなわち、増幅器２で増幅された後に２つに
分けられた音響出力信号の他の１つは、時間的に連続し
た入力音の中からある時間幅のみの音を、窓関数器７に
より取り出され、ケプストラム分析器８により、大きな
変動成分と小さな変動成分とに分離される。大きな変動
成分のみを大局的スペクトルと称し、この暗騒音を主体
とした大局的スペクトルのみをケプストラム分別器９で
分別する。ケプストラム分別器９で分別された大局的ス
ペクトルは図５に示すパワースペクトラムの形を示し、
その２つの主成分の主成分得点は大局スベクトル主成分
分析器１１により、図６に示す座標（Ｆ1，Ｆ2）上の位
置Ｂ２として求められる。本実施例では位置Ｂ２は Ｂ２：（Ｆ1，Ｆ2）＝（３．１９，３．９２） であった。The position B1 is the principal component database storage device 5
If it exists outside the broken line area, the normal / abnormality determiner 10 determines that an abnormal sound may be emitted from the target device No. 1, and is analyzed by the cepto-slam via the window function unit 7 in FIG. The fuzzy reasoner 12 calculates the certainty factor of the abnormality degree by comparing it with the power spectrum data. That is, the other one of the acoustic output signals, which has been amplified by the amplifier 2 and then divided into two, is extracted by the window function unit 7 as a sound having only a certain time width from the input sounds that are continuous in time. The cepstrum analyzer 8 separates the large fluctuation component and the small fluctuation component. Only large fluctuation components are referred to as a global spectrum, and only the global spectrum mainly composed of this background noise is separated by the cepstrum classifier 9. The global spectrum sorted by the cepstrum sorter 9 has the shape of the power spectrum shown in FIG.
The principal component score of the two principal components is obtained by the global vector principal component analyzer 11 as the position B2 on the coordinates (F 1 , F 2 ) shown in FIG. In the present embodiment, the position B2 was B2: (F 1 , F 2 ) = (3.19,3.92).
【００２３】このように、ケプストラム分析後の大局的
スペクトルを分別し、その主成分得点を計算した結果が
Ｆ1−Ｆ2座標軸上で、位置Ｂ２の点にプロットされる。
すなわち、音響出力信号の主成分分析による主成分得点
を暗騒音による大きな変動分を補正するとＦ1−Ｆ2座標
系では、図７に示すように位置Ｂ１→位置Ｂ２となり、
１号機の主成分データベースの重心位置Ａ１に近づいて
いることが分かる。こうして、ケプストラム分析によっ
て大局的スペクトルのみを抽出し、その主成分分析によ
るＦ1−Ｆ2座標系におけるマッピングにより、対象設備
（１号機）からの音響に混合している外乱である暗騒音
の影響の除去ができ、音響信号の識別ができる。そし
て、この座標点Ｂ２と重心位置Ａ１との座標上の距離に
基づきファジィ推論器１２によりその異常度合の確信度
が求められる。In this way, the result of dividing the global spectrum after the cepstrum analysis and calculating the principal component score thereof is plotted at the position B2 on the F 1 -F 2 coordinate axis.
That is, when the principal component score of the acoustic output signal by principal component analysis is corrected for a large variation due to background noise, in the F 1 -F 2 coordinate system, the position becomes B 1 → B 2 as shown in FIG.
It can be seen that the gravity center position A1 of the principal component database of Unit 1 is approaching. In this way, only the global spectrum is extracted by the cepstrum analysis, and by mapping in the F 1 -F 2 coordinate system by the principal component analysis, the influence of background noise, which is a disturbance mixed with the sound from the target facility (Unit 1), Can be removed and the acoustic signal can be identified. Then, based on the coordinate distance between the coordinate point B2 and the barycentric position A1, the fuzzy reasoner 12 obtains the certainty factor of the degree of abnormality.
【００２４】本実施例のファジィ推論器１２において
は、下記に示すファジィルールを設定している。図９
（ａ）に示すようにＦ1−Ｆ2座標上の正常な通常運転時
のサンプリングした音響出力信号の主成分データベース
の重心位置Ａ１を中心とする円の半径ｒをベースに、位
置Ｂ２の点と重心位置Ａ１との距離をｄとしてｄ／ｒを
ファジィ変数とすると、 ルール１：ｄ／ｒが非常に小さい（ｓｓ）ならば、正常 ルール２：ｄ／ｒがやや小さい（ｓ）ならば、ほぼ正常 ルール３：ｄ／ｒがどちらかと言えば小さい（Ｍ１）な
らば、不明レベル１ ルール４：ｄ／ｒがどちらかと言えば大きい（Ｍ２）な
らば、不明レベル２ ルール５：ｄ／ｒがやや大きい（Ｌ）ならば、やや異常 ルール６：ｄ／ｒが非常に大きい（ＬＬ）ならば、異常 これらのルールに対応するメンバーシップ関数を図８に
左側がルールの前件部、右側が後件部を示しており、後
件部は各々のルールに対してシングルトーンとすること
により、音響データの蓄積の際のメンバーシップ関数の
調整を容易にしている。このファジィ推論のＭｉｎ−Ｍ
ａｘ算出により正常あるいは異常の程度を後件部の重心
計算により確信度として定量的に判断結果が出力され
る。In the fuzzy reasoner 12 of this embodiment, the following fuzzy rules are set. Figure 9
As shown in (a), the point at position B2 is based on the radius r of the circle centered on the center of gravity position A1 of the principal component database of the sampled acoustic output signal during normal normal operation on the F 1 -F 2 coordinates. If d / r is a fuzzy variable where d is the distance between the center of gravity A1 and the center of gravity A1, if Rule 1: d / r is very small (ss), Normal 2: If d / r is slightly small (s) Almost normal Rule 3: If d / r is rather small (M1), unknown level 1 Rule 4: If d / r is rather large (M2), unknown level 2 Rule 5: d / If r is slightly large (L), it is a little abnormal Rule 6: If d / r is very large (LL), it is abnormal. The membership functions corresponding to these rules are shown in FIG. The consequent part is on the right, and the consequent It is by a single tone for each rule, to facilitate the adjustment of the membership functions during the sound data storage. Min-M of this fuzzy reasoning
The degree of normality or abnormality is calculated quantitatively as a certainty by calculating the center of gravity of the consequent part by ax calculation.
【００２５】本実施例の場合は図９（ａ）の主成分デー
タベースの重心位置Ａ１を中心とする円の半径ｒと、位
置Ｂ２の点と重心位置Ａ１との距離ｄはそれぞれ ｒ＝４.２ ｄ＝√｛（４.６０−３.１９）2＋（６.６０−３.９２）2｝ ＝３.０ であるので、ｄ／ｒは ｄ／ｒ＝０.７１ となり、図９（ｂ）に示すように、音響の異常の確信度
は （０.４×０.２４＋０.６×０.８０）／（０.２４＋０.
８０）＝０.５５ で求められる。こうして、異常時のデータはなくても、
音響データの特徴として主成分分析による主成分得点を
求め、またケプストラム分析後、２種類のスペクトル
（大局的スペクトルと小局的スペクトル）に対して主成
分分析することにより主成分得点を求めるという２種類
の特徴抽出を行い、その総合的判断に、例えばファジィ
推論による認識手法を組み合わせて、誤警報が大巾に低
減し、さらに、暗騒音の変動の中に埋もれた小さな異常
音を検出することも可能となった。In the case of this embodiment, the radius r of the circle centered on the center of gravity position A1 in the principal component database of FIG. 9A and the distance d between the point at position B2 and the center of gravity position A1 are r = 4. Since 2d = √ {(4.60-3.19) 2 + (6.60-3.92) 2 } = 3.0, d / r becomes d / r = 0.71, which is shown in FIG. As shown in (b), the certainty factor of the acoustic abnormality is (0.4 × 0.24 + 0.6 × 0.80) / (0.24 + 0.8).
80) = 0.55. In this way, even if there is no abnormal data,
The principal component score is obtained by the principal component analysis as a characteristic of the acoustic data, and after the cepstrum analysis, the principal component score is obtained by performing the principal component analysis on two kinds of spectra (a global spectrum and a local spectrum). By extracting features of various types and combining the comprehensive judgment with a recognition method such as fuzzy inference, false alarms are greatly reduced, and further, small abnormal sounds buried in fluctuations in background noise are detected. Became possible.
【００２６】また、ケプストラム分析によって大局的ス
ペクトルのみを抽出し、その主成分分析による主成分座
標系におけるマッピングにより、対象設備からの音響に
混合している外乱である暗騒音の影響の除去を可能とし
て音響信号の識別ができる。さらに、対象音源設備、機
器側のプラント情報を主成分データベース記憶装置５お
よびファジィ推論器１２に入力して、プラント情報に対
応した主成分データベースと前記２種類の主成分分析に
より主成分得点を行うことで正常または異常の確信度の
高い音響識別ができる。Further, by extracting only the global spectrum by the cepstrum analysis and mapping it in the principal component coordinate system by the principal component analysis, it is possible to eliminate the influence of background noise, which is a disturbance mixed with the sound from the target equipment. As a result, the acoustic signal can be identified. Furthermore, the target sound source equipment and the plant information on the device side are input to the principal component database storage device 5 and the fuzzy inference unit 12, and the principal component database corresponding to the plant information and the principal component analysis are performed by the two types of principal component analysis. This makes it possible to perform acoustic identification with a high degree of certainty whether it is normal or abnormal.
【００２７】実施例２ 本実施例は図１０に示すような構成により対象音響の出
力信号の主成分分析とケプストラム分別による大局スペ
クトルの主成分分析の結果の得られるそれぞれ第１次か
らｎ次までと、第１次からｍ次までの主成分得点を確率
分布発生器１６に入力して自己想起型ニュートルネット
により入力されるこれらの主成分得点のパターンの頻度
が大きいものほど、音響診断時に当該自己想起型ニュー
トルネットの出力のパターンの発生頻度が対応して大と
なるように自己学習するものである。図１０ではマイク
ロフォン１で対象音源設備や機器、配管から出る音響を
捕らえ、その微弱な電圧を増幅器２で増幅させた後、図
１の場合と同様に音響出力信号の処理を２つに分ける。
その１つは主成分分析器４で、その音響の出力信号の特
徴を多変量解析で用いられる統計的手法による主成分分
析を行い、主成分得点を求め、その中の主要な第１次か
らｎ次までの主成分得点値を主成分選択器１５で選択
し、選択された主成分得点を確率分布発生器１６に入力
して、自己想起型ニュートルネットにより自己学習させ
る。Embodiment 2 In this embodiment, the results from the principal component analysis of the output signal of the target sound and the principal component analysis of the global spectrum by the cepstrum classification are obtained by the configuration as shown in FIG. And the more frequent the patterns of the principal component scores input to the probability distribution generator 16 by inputting the principal component scores from the first to the m-th order to the probability distribution generator 16, Self-learning is performed so that the frequency of occurrence of the output pattern of the self-remembering Neutornet is correspondingly high. In FIG. 10, the sound emitted from the target sound source equipment, equipment, and piping is captured by the microphone 1, the weak voltage is amplified by the amplifier 2, and then the processing of the sound output signal is divided into two as in the case of FIG.
One of them is a principal component analyzer 4, which performs principal component analysis on the characteristics of the output signal of the acoustic by a statistical method used in multivariate analysis, obtains a principal component score, and from the main first The principal component score values up to the n-th order are selected by the principal component selector 15, the selected principal component scores are input to the probability distribution generator 16, and self-learning is performed by the self-remembering Neutornet.
【００２８】増幅器２で増幅させた出力信号の他の一つ
は窓関数器７を経由してケプストラム分析器８に入り、
ここで、大局的スペクトルと小局的スペクトルとに分離
される。暗騒音を主体とした大局的スペクトルのみをケ
プストラム分別器９で分別し、ケプストラム分別器９で
分別された大局的スペクトルは大局ケプストラム選択器
１７において、大局的パワースペクトラムの中の第１次
からｍ次までの主要なケプストラム主成分得点値を選択
し、選択された主成分得点を確率分布発生器１６に入力
して、自己想起型ニュートルネットにより自己学習させ
る。そして、確率分布発生器１６からの出力である確率
分布と、確率分布発生器１６に記憶されている前記各機
器により予め求めている過去の履歴としての音響の正常
時（通常運転時）における確率分布のデータとの相違の
大小により音響の正常または異常を音響データ認識器１
８により識別する。このように確率分布発生器１６（ボ
ルツマンマシンがその一例）は対象音響の確率分布と、
予め求めている過去の履歴としての音響の正常時におけ
る確率分布の両方を出力して、音響データ認識器１８
は、両方の確率分布のデータとの相違の大小により正常
異常の認識をする。The other one of the output signals amplified by the amplifier 2 enters the cepstrum analyzer 8 via the window function unit 7,
Here, it is separated into a global spectrum and a small spectrum. Only the global spectrum mainly composed of background noise is separated by the cepstrum classifier 9, and the global spectrum separated by the cepstrum classifier 9 is output by the global cepstrum selector 17 from the first order in the global power spectrum to m. The main cepstrum principal component score values up to the next are selected, the selected principal component scores are input to the probability distribution generator 16, and self-learning is performed by the self-associative Neutornet. Then, the probability distribution which is the output from the probability distribution generator 16 and the probability in the normal time (during normal operation) of the sound as the past history obtained in advance by each of the devices stored in the probability distribution generator 16. The acoustic data recognizer 1 indicates whether the sound is normal or abnormal depending on the size of the difference from the distribution data.
Identify by 8. In this way, the probability distribution generator 16 (Boltzmann machine is one example)
The acoustic data recognizer 18 outputs both the probability distributions of the sound at normal times as the past history obtained in advance.
Recognizes normal / abnormal depending on the size of the difference between the data of both probability distributions.
【００２９】図１０では、図１と同様に主成分分析とケ
プストラム分別による大局スペクトルの主成分分析の結
果の各々第１次からｎ次までと、第１次からｍ次までの
主成分得点を図１１に示すように、確率分布発生器１６
の自己想起型ニュートルネットに入力されるこれらの主
成分得点のパターンの頻度が大きいものほど、音響診断
時に確率分布発生器１６の図１２に示す自己想起型ニュ
ートルネットの出力のパターンの発生頻度が対応して大
となるように自己学習するものである。したがって、プ
ラント巡視員と同じように通常、聴き慣れた正常時の音
は、暗騒音の変動の大小も含めて異常を感じない。本実
施例の確率分布発生器１６を用いるシステムでは、この
自己学習する機能を自動的に取り込むことを可能として
いる。図１１のように自己学習を繰り返すことにより、
診断時に図１２に示す確率分布発生器１６の自己想起型
ニュートルネットの出力のパターンをみることで、通常
時の音響の特徴との相違を判定するものである。In FIG. 10, as in the case of FIG. 1, the results of the principal component analysis of the global spectrum by the principal component analysis and the cepstrum classification show the principal component scores from the first order to the nth order and from the first order to the mth order, respectively. As shown in FIG. 11, the probability distribution generator 16
The more frequent the patterns of these principal component scores input to the self-remembering Neutornet are, the more the generation of the output pattern of the self-remembering Neutornet shown in FIG. Self-learning is performed so that the frequency is correspondingly high. Therefore, as in the case of the plant patrol officer, the normal sound that is familiar to the user normally does not feel abnormal, including the magnitude of fluctuations in background noise. In the system using the probability distribution generator 16 of this embodiment, this self-learning function can be automatically incorporated. By repeating self-learning as shown in FIG.
By observing the output pattern of the self-associative Neutornet of the probability distribution generator 16 shown in FIG. 12 at the time of diagnosis, it is possible to determine the difference from the acoustic feature in the normal state.
【００３０】具体的に表３に示す主成分分析の寄与率が
通常運転中の頻度が高い場合、対象音全体としては第５
次まで累積寄与率が８０％となっている。Concretely, when the contribution rate of the principal component analysis shown in Table 3 is high during the normal operation, the total of the target sounds is the fifth.
The cumulative contribution rate is 80% until the next time.
【表３】 [Table 3]
【００３１】第１次主成分得点から第５次主成分得点と
大局ケプストラム分析後のスペクトルの主成分得点であ
る第１次主成分得点から第３次主成分得点までを図１３
に示す自己想起型ニュートルネットに合計８個の主成分
得点を入力する。以上の入力パターンを頻度多く入力さ
れた自己想起型ニュートルネットは診断時には、確率分
布発生器１６として図１４に示す０、１のパターンを出
力する。FIG. 13 shows from the first-order principal component score to the fifth-order principal component score and from the first-order principal component score, which is the principal component score of the spectrum after the global cepstrum analysis, to the third-order principal component score.
Input a total of eight principal component scores to the self-remembering Neutornet shown in. The self-remembering Neutrnet, to which the above input patterns are frequently input, outputs the 0, 1 pattern shown in FIG. 14 as the probability distribution generator 16 at the time of diagnosis.
【００３２】次に暗騒音の変動大のときの主成分分析／
因子寄与率および主成分得点を表４に示し、図１５に示
すように入力しておけば、これも図１４と似たパターン
を図１６に示すように出力する。Next, the principal component analysis when the fluctuation of the background noise is large /
If the factor contribution rate and the principal component score are shown in Table 4 and input as shown in FIG. 15, a pattern similar to that in FIG. 14 is also output as shown in FIG.
【表４】 [Table 4]
【００３３】ところが、頻度の少ない異常な音の場合
は、表５に示す主成分得点の相違から、図１７に示す入
力パターンに対して、図１８の出力パターンが得られ
た。However, in the case of an abnormal sound with a low frequency, the output pattern of FIG. 18 was obtained for the input pattern shown in FIG. 17 due to the difference in the principal component scores shown in Table 5.
【表５】 以上の図１４、１６、１８の出力パターンは、各々入力
された音響スペクトルとしては、図１９の通常運転時
（頻度大）、図２０の暗騒音の変動大（比較的頻度大）
および図２１の異常時の音響スペクトルの形である。こ
れらの相違を比較したスペクトル形状を図２２に示す。[Table 5] The output patterns of FIGS. 14, 16 and 18 are the input acoustic spectra, respectively, during normal operation of FIG. 19 (frequent frequency) and large fluctuation of background noise of FIG. 20 (relatively frequent).
22 is a shape of an acoustic spectrum at the time of abnormality in FIG. 21. FIG. 22 shows a spectrum shape comparing these differences.
【００３４】また、確率分布発生器１６から得られた出
力パターンを表６に示す。Table 6 shows the output pattern obtained from the probability distribution generator 16.
【表６】 [Table 6]
【００３５】図１０の音響データ認識機１８では、表６
に示すような出力パターン間の距離として、各々のニュ
ーロ出力値の差の総和、いわゆるハミング距離（表６参
照）の大小により当該入力音響の正常あるいは異常ある
いは不明度を定量的に認識し、判断結果を運転員に知ら
せる。本実施例では確率分布発生器１６の出力は通常運
転時と暗騒音時とではハミング距離に大きな相違はない
が、通常運転時と異常時とではハミング距離に大きな相
違があり、誤判断なく、異常時の対応ができることが分
かる。なお、このハミング距離をファジィ変数として、
図８に示すメンバーシップ関数を用いて定量化すること
もできる。また、本実施例では確率分布発生器１６の自
己想起型ニュートルネットとしてボルツマンマシンを採
用したが、これに限定されることはない。以上のよう
に、従来技術では、図２２に示すような点線で示す高い
暗騒音では正常と判断し、かつ異常時の変化分（図２２
中のハッチング部分）を検出することは困難であった
が、本発明によれば、このような場合も検出が可能にな
った。The acoustic data recognizer 18 of FIG.
As the distance between the output patterns as shown in Fig. 5, the normal or abnormal or unknown degree of the input sound is quantitatively recognized and judged based on the sum of the differences of the neuro output values, that is, the so-called Hamming distance (see Table 6). Inform the operator of the result. In the present embodiment, the output of the probability distribution generator 16 does not have a large difference in the Hamming distance between the normal operation and the background noise, but there is a large difference in the Hamming distance between the normal operation and the abnormal time. It turns out that it is possible to deal with abnormal situations. In addition, this Hamming distance as a fuzzy variable,
It can also be quantified using the membership function shown in FIG. Further, in the present embodiment, the Boltzmann machine is adopted as the self-remembering Neutornet of the probability distribution generator 16, but the present invention is not limited to this. As described above, according to the conventional technique, it is determined that the high background noise indicated by the dotted line in FIG.
It was difficult to detect the (hatched portion in the inside), but according to the present invention, it is possible to detect even in such a case.
【００３６】[0036]
【発明の効果】本発明によれば、従来、暗騒音の変動や
対応機器、配管系からの音響変動に対して、埋もれてい
る小さな異常音を、正常時の大きな音響パワーにおいて
誤判断を発生せずに、かつ、入力音に対する正常（ある
いは異常）の度合を確信度として定量的に運転員へ知ら
せることができる。また、異常な音響データがなくても
診断アルゴリズムを自動的にブラッシュアップできる点
は、実用上大きな効果と言える。As described above, according to the present invention, a small abnormal sound buried in the background is erroneously determined with a large sound power in a normal state in response to a background noise fluctuation and a sound fluctuation from a corresponding device and a piping system. Without this, the degree of normality (or abnormality) with respect to the input sound can be quantitatively notified to the operator as the certainty factor. In addition, the fact that the diagnostic algorithm can be automatically brushed up even if there is no abnormal acoustic data is a great practical effect.
【図１】 本発明の実施例１の装置の構成図である。FIG. 1 is a configuration diagram of an apparatus according to a first embodiment of the present invention.
【図２】 本発明の実施例１の正常時の診断対象の１号
機と２号機の第１成分と第２成分の主成分得点の２次元
座標上の分布図である。FIG. 2 is a two-dimensional coordinate distribution diagram of the principal component scores of the first component and the second component of No. 1 and No. 2 machines to be diagnosed in a normal state according to the first embodiment of the present invention.
【図３】 本発明の実施例１の１号機の音響のパワース
ペクトラムの図である。FIG. 3 is a diagram of a power spectrum of sound of No. 1 machine according to the first embodiment of the present invention.
【図４】 図３の主成分分析による第１成分と第２成分
の主成分得点の２次元座標上の位置を示す図である。FIG. 4 is a diagram showing the positions on the two-dimensional coordinates of the principal component scores of the first component and the second component by the principal component analysis of FIG.
【図５】 本発明の実施例１の１号機の音響のケプスト
ラム分析後の大局的パワースペクトラムの図である。FIG. 5 is a diagram of a global power spectrum after acoustic cepstrum analysis of the first machine according to the first embodiment of the present invention.
【図６】 図５のケプストラム分析による第１成分と第
２成分の主成分得点の２次元座標上の位置を示す図であ
る。FIG. 6 is a diagram showing the positions on the two-dimensional coordinates of the principal component scores of the first component and the second component by the cepstrum analysis of FIG.
【図７】 本発明の実施例１の主成分分析による第１成
分と第２成分の主成分得点の２次元座標上の位置とケプ
ストラム分析による大局的のパワースペクトラム第１成
分と第２成分の主成分得点の２次元座標上の位置を正常
時の診断対象の１号機の第１成分と第２成分の主成分得
点群の２次元座標の分布図上に示した図である。FIG. 7 shows the positions of the principal component scores of the first component and the second component on the two-dimensional coordinates by the principal component analysis according to the first embodiment of the present invention, and the global power spectrum by the cepstrum analysis of the first component and the second component. It is the figure which showed the position on the two-dimensional coordinate of a principal component score on the distribution diagram of the two-dimensional coordinate of the principal component score group of the 1st component of the No. 1 machine and the 2nd component of a diagnostic object at the time of normal.
【図８】 本発明の実施例１のファジィ推論ルールに対
応するルンバーシップ関数を示す図である。FIG. 8 is a diagram showing a lumbar ship function corresponding to the fuzzy inference rule according to the first embodiment of the present invention.
【図９】 本発明の実施例１のファジィ推論の手順を示
す図である。FIG. 9 is a diagram showing a procedure of fuzzy inference according to the first embodiment of the present invention.
【図１０】 本発明の実施例２の装置の構成図である。FIG. 10 is a configuration diagram of an apparatus according to a second embodiment of the present invention.
【図１１】 本発明の実施例２の自己想起型ニューラル
ネットを用いた確率分布器の入力の説明図である。FIG. 11 is an explanatory diagram of the input of the probability distributor using the self-associative neural network according to the second embodiment of the present invention.
【図１２】 本発明の実施例２の自己想起型ニューラル
ネットを用いた確率分布器の出力の説明図である。FIG. 12 is an explanatory diagram of the output of the probability distributor using the self-remembering neural network according to the second embodiment of the present invention.
【図１３】 本発明の実施例２の通常運転時の自己想起
型ニューラルネットを用いた確率分布器の入力の説明図
である。FIG. 13 is an explanatory diagram of the input of the probability distributor using the self-remembering neural network during normal operation according to the second embodiment of the present invention.
【図１４】 本発明の実施例２の通常運転時の自己想起
型ニューラルネットを用いた確率分布器の出力の説明図
である。FIG. 14 is an explanatory diagram of the output of the probability distributor using the self-remembering neural network during normal operation according to the second embodiment of the present invention.
【図１５】 本発明の実施例２の暗騒音変化時の自己想
起型ニューラルネットを用いた確率分布器の入力の説明
図である。FIG. 15 is an explanatory diagram of the input of the probability distributor using the self-remembering neural network when the background noise changes according to the second embodiment of the present invention.
【図１６】 本発明の実施例２の暗騒音変化時の自己想
起型ニューラルネットを用いた確率分布器の出力の説明
図である。FIG. 16 is an explanatory diagram of the output of the probability distributor using the self-remembering neural network when the background noise changes according to the second embodiment of the present invention.
【図１７】 本発明の実施例２の異常時の自己想起型ニ
ューラルネットを用いた確率分布器の入力の説明図であ
る。FIG. 17 is an explanatory diagram of the input of the probability distributor using the self-remembering neural network at the time of abnormality in the second embodiment of the present invention.
【図１８】 本発明の実施例２の異常時の自己想起型ニ
ューラルネットを用いた確率分布器の出力の説明図であ
る。FIG. 18 is an explanatory diagram of the output of the probability distributor using the self-remembering neural network at the time of abnormality in the second embodiment of the present invention.
【図１９】 本発明の実施例２の通常運転時の音響スペ
クトルの図である。FIG. 19 is a diagram of an acoustic spectrum during normal operation of Example 2 of the present invention.
【図２０】 本発明の実施例２の暗騒音変化時の音響ス
ペクトルの図である。FIG. 20 is a diagram of an acoustic spectrum when the background noise changes according to the second embodiment of the present invention.
【図２１】 本発明の実施例２の異常時の音響スペクト
ルの図である。FIG. 21 is a diagram of an acoustic spectrum at the time of abnormality in Example 2 of the present invention.
【図２２】 図１９〜図２１の相違を比較した図であ
る。FIG. 22 is a diagram comparing the differences in FIGS. 19 to 21.
【図２３】 従来技術の音響の音響診断装置の構成図で
ある。FIG. 23 is a configuration diagram of a conventional acoustic diagnostic apparatus for acoustics.
【図２４】 図２３の装置を用いて行う回転機等または
プラント暗騒音等の音響のスペクトルの図である。FIG. 24 is a diagram of a spectrum of sound such as a rotating machine or plant background noise, which is generated by using the apparatus of FIG. 23.
【図２５】 従来技術の音響の音響診断装置の構成図で
ある。FIG. 25 is a configuration diagram of a conventional acoustic diagnostic apparatus for acoustics.
【図２６】 図２５の装置を用いて行う音響のスペクト
ルの図である。FIG. 26 is a diagram of a spectrum of sound performed using the apparatus of FIG. 25.
【図２７】 図２５の装置を用いて行う音響の周波数帯
域毎のスペクトル平均値を表す図である。FIG. 27 is a diagram showing a spectrum average value for each frequency band of sound performed using the apparatus of FIG. 25.
【図２８】 図２５の装置を用いて行う音響出力のニュ
ーラルネットワークの図である。28 is a diagram of a neural network for acoustic output performed using the apparatus of FIG. 25. FIG.
１…マイクロフォン、２…増幅器、３…フィルタ、４…
主成分分析器、５…主成分データベース記憶装置、６…
主成分比較器、７…窓関数器、８…ケプストラム分析
器、９…ケプストラム分別機、１１…大局スペクトル主
成分分析器、１２…ファジィ推論器、１５…主成分選択
器、１６…確率分布発生器、１７…大局ケプストラム選
択器、１８…音響データ認識器1 ... Microphone, 2 ... Amplifier, 3 ... Filter, 4 ...
Principal component analyzer, 5 ... Principal component database storage device, 6 ...
Principal component comparator, 7 ... Window function device, 8 ... Cepstrum analyzer, 9 ... Cepstrum classifier, 11 ... Global spectrum principal component analyzer, 12 ... Fuzzy reasoner, 15 ... Principal component selector, 16 ... Probability distribution generation Vessel, 17 ... Global cepstrum selector, 18 ... Acoustic data recognizer
Claims (12)
ォンの出力信号を主成分分析して行う音響信号の識別方
法において、 マイクロフォンの出力信号の特徴量を主成分分析して得
られる第１成分〜第ｎ成分の主成分得点をｎ成分系の主
成分座標上でマッピングし、その主成分得点の座標上の
位置を第一位置とし、 前記第一位置が前記主成分座標系マップにおける予め記
憶している通常運転時の対象音源の複数の音響出力信号
サンプルによる主成分得点群が形成する座標上の主成分
データベース領域内にあるかどうかを判断し、 該主成分データベース領域内に前記第一位置がある場合
は、マイクロフォン出力信号は一応正常であると判断し
て前記第一位置と予め記憶している前記主成分データベ
ース領域の重心位置との間の座標上の距離に基づき算出
される正常の確信度を定量的に求め、 前記第一位置が前記データベース領域内にない場合は、
前記マイクロフォンの出力信号のケプストラム分析値の
なかの大局的なパワースペクトルのみから得られたデー
タを主成分分析して得られる第１成分〜第ｎ成分の主成
分得点をｎ成分系の主成分座標系でマッピングして、大
局的ケプストラム主成分得点の座標上の位置を第二位置
とし、 前記第二位置と予め記憶している前記主成分データベー
ス領域の重心位置との間の座標上の距離に基づき算出さ
れる異常の確信度を定量的に求めて、 マイクロフォンの出力信号の特徴点の相違を定量的に評
価することを特徴とする音響信号の識別方法。1. A method of identifying an acoustic signal, which is performed by performing a principal component analysis on an output signal of a microphone that grasps a sound propagating in the air, wherein a first component obtained by performing a principal component analysis on a feature amount of the output signal of the microphone The principal component score of the n-th component is mapped on the principal component coordinates of the n-component system, the coordinate position of the principal component score is set as the first position, and the first position is stored in advance in the principal component coordinate system map. It is determined whether or not the principal component score group formed by a plurality of acoustic output signal samples of the target sound source during normal operation is in the principal component database region on the coordinates formed, and the first position is stored in the principal component database region. If there is, it is determined that the microphone output signal is normal, and based on the coordinate distance between the first position and the center of gravity of the principal component database area stored in advance. Quantitatively calculated normality factor calculated based on, if the first position is not in the database area,
The principal component coordinates of the first component to the nth component obtained by principal component analysis of data obtained from only the global power spectrum in the cepstrum analysis value of the output signal of the microphone are the principal component coordinates of the n component system. Mapping in the system, the position on the coordinates of the global cepstrum principal component score is the second position, and the coordinate distance between the second position and the center of gravity of the principal component database area stored in advance. A method for identifying an acoustic signal, which comprises quantitatively obtaining a certainty factor of abnormality calculated based on the difference and quantitatively evaluating a difference between characteristic points of an output signal of a microphone.
成分分析して得られる第１成分〜第ｎ成分の主成分得点
をマッピングする主成分座標系は、音源である設備の運
転条件やその他の暗騒音の変動に対して、最も相違の大
きい２つの主成分を座標軸とする２次元平面あるいは最
も相違の大きい３つの主成分成分を座標軸とする３次元
空間であることを特徴とする請求項１記載の音響信号の
識別方法。2. The principal component coordinate system for mapping the principal component scores of the first component to the n-th component obtained by performing the principal component analysis on the characteristic amount of the output signal of the microphone, the operating condition of the equipment, which is the sound source, and other factors. A two-dimensional plane having two principal components having the largest difference as coordinate axes or a three-dimensional space having three principal component components having the greatest difference as coordinate axes with respect to fluctuations in background noise. A method for identifying the described acoustic signal.
るに際しては、対象音源側の運転状態などのプラント情
報も算入することを特徴とする請求項１記載の音響信号
の識別方法。3. The method for identifying an acoustic signal according to claim 1, wherein plant information such as an operating state of the target sound source is also included when quantitatively obtaining the certainty factor of normality or abnormality.
成分得点および主成分データベース領域の大きさは対象
音源側の運転状態などのプラント情報に基づき求められ
ることを特徴とする請求項１記載の音響信号の識別方
法。4. The size of the principal component score and the principal component database area of the sound during normal operation stored in advance is obtained based on plant information such as the operating state of the target sound source side. A method for identifying the described acoustic signal.
ベース領域の重心位置との間の座標上の距離の大小に基
づきファジイ推論により算出され、または異常の確信度
は第二位置と前記重心位置との間の座標上の距離の大小
に基づきファジイ推論により算出することを特徴とする
請求項１記載の音響信号の識別方法。5. The normal certainty factor is calculated by fuzzy inference based on the magnitude of the coordinate distance between the first position and the center-of-gravity position of the principal component database region, or the abnormal certainty factor is the second position and 2. The method for identifying an acoustic signal according to claim 1, wherein the acoustic signal is calculated by fuzzy inference based on the magnitude of the coordinate distance from the position of the center of gravity.
などのプラント情報により求められる予め記憶している
通常運転時の音響の主成分データベース領域の大小を基
に、ファジィ推論の前件部のメンバーシップ関数を決
め、正常または異常の確信度を決めるための後件部のメ
ンバーシップ関数をシングルトーンとすることを特徴と
する請求項５記載の音響信号の識別方法。6. The fuzzy inference is based on the size of a pre-stored acoustic main component database area during normal operation, which is obtained from plant information such as the operating state of the target sound source, and the fuzzy inference of the antecedent part of the fuzzy inference. 6. The method for identifying an acoustic signal according to claim 5, wherein the membership function of the consequent part for determining the membership function and the certainty factor of normality or abnormality is a single tone.
ォンの出力信号の特徴量を主成分分析する音響信号の識
別装置において、 マイクロフォンの出力信号の特徴量を主成分分析して第
１成分〜第ｎ成分の主成分得点を算出し、かつ、得られ
たｎ個の主成分得点をｎ成分系の主成分座標系でマッピ
ングし、その主成分得点の座標上の位置である第一位置
を求める主成分分析器と、 通常運転時の対象音源の複数の音響出力信号サンプルに
よる主成分得点群が形成する座標上の領域を予め記憶し
ている主成分データベース記憶装置と、 前記第一位置が前記主成分座標系マップにおける前記記
憶装置の主成分データベース領域内にあるかどうかを比
較する主成分比較器と、 マイクロフォンの出力信号をケプストラム分析して大局
的なパワースペクトラムと小局的なパワースペクトラム
とに分離するケプストラム分析器と、 該ケプストラム分析器で分離されたパワースペクトラム
の中の大局的なパワースペクトルのみを分別するケプス
トラム分別器と、 該ケプストラム分別器で分別された大局的パワースペク
トラムのデータを主成分分析して得られる第１成分〜第
ｎ成分の主成分得点を主成分座標系でマッピングして、
大局的ケプストラム主成分得点の座標上の位置である第
二位置を求める大局的ケプストラム主成分分析器と、 前記主成分比較器により第一位置が主成分データベース
の前記領域内にあると判断された場合は、マイクロフォ
ン出力信号は一応正常であると判断し、また、前記主成
分比較器により第一位置が前記主成分データベース領域
内にないと判断された場合は一応異常と判断する正常異
常判断器と、 該正常異常判断器が一応正常と判断した場合は前記第一
位置と前記主成分データベース領域の重心位置との間の
座標上の距離に基づきマイクロフォン出力信号の正常の
確信度を定量的に算出し、また、前記正常異常判断器が
一応異常と判断した場合は前記大局的ケプストラム主成
分分析器で求めた前記第二位置と前記主成分データベー
ス領域の重心位置との間の座標上の距離に基づきマイク
ロフォン出力信号の異常の確信度を定量的に算出する正
常または異常確信度算出器と、を設けたことを特徴とす
る音響信号の識別装置。7. An acoustic signal identification device for performing a principal component analysis on a characteristic amount of an output signal of a microphone for grasping a sound propagating in the air, wherein the characteristic amount of the output signal of the microphone is analyzed by the principal component analysis. The principal component score of the n component is calculated, the obtained n principal component scores are mapped in the principal component coordinate system of the n component system, and the first position which is the coordinate position of the principal component score is obtained. A principal component analyzer, a principal component database storage device that stores in advance a coordinate region formed by a principal component score group by a plurality of acoustic output signal samples of a target sound source during normal operation, and the first position is the A principal component comparator that compares whether or not it is within the principal component database area of the storage device in the principal component coordinate system map, and a global power spectrum by cepstrum analysis of the microphone output signal. Cepstral analyzer that separates the ram and the local power spectrum, a cepstral classifier that separates only the global power spectrum from the power spectrum separated by the cepstrum analyzer, and a cepstrum classifier The principal component scores of the first component to the n-th component obtained by principal component analysis of the obtained global power spectrum data are mapped in the principal component coordinate system,
The global cepstrum principal component analyzer that determines the second position, which is the coordinate position of the global cepstrum principal component score, and the principal component comparator determine that the first position is within the region of the principal component database. In this case, it is determined that the microphone output signal is normal, and when the main component comparator determines that the first position is not within the main component database area, the normal abnormality determiner determines that it is abnormal. If the normal / abnormality determiner determines that the normality is normal, the normality of the microphone output signal is quantitatively determined based on the coordinate distance between the first position and the center of gravity position of the principal component database area. In addition, if the normal / abnormality determiner determines that it is abnormal, the second position and the principal component database area obtained by the global cepstrum principal component analyzer are calculated. Identification device of the acoustic signal, characterized by comprising a normal or abnormal confidence calculator to compute quantitatively, the abnormality of the confidence of the microphone output signal based on the distance on the coordinate between the center of gravity of.
たは異常の確信度の算出を第一位置または第二位置と重
心位置との間の座標上の距離の大小に基づきファジイ推
論により算出するファジイ推論器であることを特徴とす
る請求項７記載の音響信号の識別装置。8. The normal or abnormal certainty factor calculator calculates the normal or abnormal certainty factor by fuzzy inference based on the magnitude of the coordinate distance between the first position or the second position and the position of the center of gravity. 8. The acoustic signal identification device according to claim 7, wherein the device is a fuzzy inference device.
ォンの出力信号の特徴量を主成分分析して行う音響信号
の識別方法において、 マイクロフォンの出力信号の特徴量を主成分分析して第
１成分〜第ｎ成分の主成分の得点を求め、 さらに、マイクロフォンの出力信号のケプストラム分析
値の中の大局的なパワースペクトルのみから得られたデ
ータを主成分分析して第１成分〜第ｍ成分のケプストラ
ム主成分得点を求め、 前記両方の主成分得点を自己想起型ニューラルネットの
入力データとして、対象とする音源からの音響の特徴点
を、その確率分布に応じて自己学習し、 自己想起型ニューラルネットの出力である自己学習結果
の確率分布と、前記手順により予め求めている過去の履
歴としての音響の正常時における確率分布との相違の比
較により音響の正常度合または異常度合を識別すること
を特徴とする音響信号の識別方法。9. A method for identifying an acoustic signal, which is performed by performing a principal component analysis on a characteristic amount of an output signal of a microphone for grasping a sound propagating in the air, wherein a first component is obtained by performing a principal component analysis on the characteristic amount of the output signal of the microphone. ˜ Finding the score of the principal component of the nth component, and further analyzing the data obtained only from the global power spectrum in the cepstrum analysis value of the output signal of the microphone by performing the principal component analysis, The cepstral principal component score is obtained, and by using both of the principal component scores as input data of the self-associative neural network, the acoustic feature points from the target sound source are self-learned according to their probability distribution, and the self-associative neural network Ratio of the difference between the probability distribution of the self-learning result, which is the output of the net, and the probability distribution in the normal state of the sound as the past history obtained in advance by the above procedure Method of identifying an acoustic signal, characterized by identifying the normal degree or abnormal degree of sound by.
フォンの出力信号のの特徴量を主成分分析して行う音響
信号の識別装置において、 マイクロフォンの出力信号の特徴量を主成分分析して第
１成分〜第ｎ成分の主成分得点を求める主成分分析手段
と、 マイクロフォンの出力信号の中からの取り出された出力
信号をケプストラム分析して第１成分〜第ｍ成分のケプ
ストラム主成分得点を求める大局ケプストラム分析手段
と、 前記主成分分析手段で得られたｎ個の主成分得点と前記
大局ケプストラム分析手段で得られたｍ個のケプストラ
ム主成分得点を入力データとして、前記出力信号の特徴
を、その確率分布に応じて想起型ニューラルネットによ
り自己学習することが可能な確率分布発生器と、 該確率分布発生器からの出力である確率分布と、前記各
機器により予め求めている過去の履歴としての音響の正
常時における確率分布との相違の大小により音響の正常
度合または異常度合を識別する音響データ認識器とを設
けることを特徴とする音響信号の識別装置。10. An acoustic signal identification device for performing a principal component analysis on a characteristic amount of an output signal of a microphone for grasping a sound propagating in the air, wherein the characteristic amount of the output signal of the microphone is analyzed by the principal component analysis. A principal component analysis means for obtaining a principal component score of the component to the nth component, and a cepstrum analysis of the output signal extracted from the output signals of the microphone to obtain the cepstrum principal component score of the first component to the mth component. Cepstrum analysis means, n principal component scores obtained by the principal component analysis means and m cepstrum principal component scores obtained by the global cepstrum analysis means are input data, and the characteristics of the output signal are A probability distribution generator capable of self-learning by an associative neural network according to the probability distribution, and a probability distribution output from the probability distribution generator. And an acoustic data recognizer for identifying a normality degree or an abnormality degree of the sound according to the magnitude of the difference between the probability distribution of the sound as a past history obtained in advance by each device and the probability distribution in the normal time. Acoustic signal identification device.
出力信号の特徴量を主成分分析して主成分得点を算出す
る主成分分析器と、該主成分分析器で得られた主成分得
点の中の主要な第１成分〜第ｎ成分の得点を選択する主
成分選択器とからなり、 大局ケプストラム分析手段は、マイクロフォンの出力信
号の中からの取り出された出力信号をケプストラム分析
して主成分得点を大局的なパワースペクトラムと小局的
なパワースペクトラムとに分離するケプストラム分析器
と、該ケプストラム分析器で分離されたパワースペクト
ラムの中の大局的なパワースペクトルのみを分別するケ
プストラム分別器と、該ケプストラム分別器で分別され
た大局的パワースペクトラムの中の主要な第１成分〜第
ｍ成分のケプストラム主成分得点を求める大局ケプスト
ラム選択器とからなることを特徴とする請求項１０記載
の音響信号の識別装置。11. The principal component selection means is a principal component analyzer for calculating a principal component score by performing a principal component analysis on the characteristic amount of the output signal of the microphone, and a principal component score obtained by the principal component analyzer. And a principal component selector for selecting the scores of the first to n-th major components of the general cepstrum analysis means, and the global cepstrum analysis means performs a cepstrum analysis of the output signal extracted from the output signals of the microphones to obtain the principal component score. To a global power spectrum and a small power spectrum, a cepstrum analyzer, and a cepstrum classifier that separates only the global power spectrum from the power spectrum separated by the cepstrum analyzer, The global case for finding the cepstrum principal component scores of the first to m-th major components in the global power spectrum separated by the cepstrum classifier. Identification device of the acoustic signal as claimed in claim 10, wherein the comprising the strum selector.
ルツマンマシンを用いることを特徴とする請求項１０ま
たは１１記載の音響信号の識別装置。12. The acoustic signal identifying apparatus according to claim 10, wherein a self-remembering Boltzmann machine is used as the probability distribution generator.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP980594A JP3012449B2 (en) | 1994-01-31 | 1994-01-31 | Method and apparatus for identifying acoustic signal |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP980594A JP3012449B2 (en) | 1994-01-31 | 1994-01-31 | Method and apparatus for identifying acoustic signal |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07219581A true JPH07219581A (en) | 1995-08-18 |
| JP3012449B2 JP3012449B2 (en) | 2000-02-21 |
Family
ID=11730406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP980594A Expired - Fee Related JP3012449B2 (en) | 1994-01-31 | 1994-01-31 | Method and apparatus for identifying acoustic signal |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3012449B2 (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100776803B1 (en) * | 2006-09-26 | 2007-11-19 | 한국전자통신연구원 | Apparatus and method for recognizing speaker using fuzzy fusion based multichannel in intelligence robot |
| JP2010117938A (en) * | 2008-11-13 | 2010-05-27 | Nippon Telegr & Teleph Corp <Ntt> | System, method and program for monitoring person who walks up and down stairs |
| JP2014182092A (en) * | 2013-03-21 | 2014-09-29 | Jx Nippon Oil & Energy Corp | Abnormality detection method and abnormality detection device |
| JP2017198620A (en) * | 2016-04-28 | 2017-11-02 | 株式会社明電舎 | Abnormality diagnosis device and abnormality diagnosis method |
| WO2020031570A1 (en) * | 2018-08-10 | 2020-02-13 | 日本電信電話株式会社 | Abnormality detection device, probability distribution learning device, self-encoder learning device, data conversion device, and program |
| WO2020255299A1 (en) * | 2019-06-19 | 2020-12-24 | 日本電信電話株式会社 | Abnormality degree estimation device, abnormality degree estimation method, and program |
| CN114001816A (en) * | 2021-12-30 | 2022-02-01 | 成都航空职业技术学院 | Acoustic imager audio acquisition system based on MPSOC |
-
1994
- 1994-01-31 JP JP980594A patent/JP3012449B2/en not_active Expired - Fee Related
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100776803B1 (en) * | 2006-09-26 | 2007-11-19 | 한국전자통신연구원 | Apparatus and method for recognizing speaker using fuzzy fusion based multichannel in intelligence robot |
| JP2010117938A (en) * | 2008-11-13 | 2010-05-27 | Nippon Telegr & Teleph Corp <Ntt> | System, method and program for monitoring person who walks up and down stairs |
| JP2014182092A (en) * | 2013-03-21 | 2014-09-29 | Jx Nippon Oil & Energy Corp | Abnormality detection method and abnormality detection device |
| JP2017198620A (en) * | 2016-04-28 | 2017-11-02 | 株式会社明電舎 | Abnormality diagnosis device and abnormality diagnosis method |
| WO2020031570A1 (en) * | 2018-08-10 | 2020-02-13 | 日本電信電話株式会社 | Abnormality detection device, probability distribution learning device, self-encoder learning device, data conversion device, and program |
| EP4216216A1 (en) * | 2018-08-10 | 2023-07-26 | Nippon Telegraph And Telephone Corporation | Probability distribution learning apparatus and autoencoder learning apparatus |
| WO2020255299A1 (en) * | 2019-06-19 | 2020-12-24 | 日本電信電話株式会社 | Abnormality degree estimation device, abnormality degree estimation method, and program |
| JPWO2020255299A1 (en) * | 2019-06-19 | 2020-12-24 | ||
| CN114001816A (en) * | 2021-12-30 | 2022-02-01 | 成都航空职业技术学院 | Acoustic imager audio acquisition system based on MPSOC |
| CN114001816B (en) * | 2021-12-30 | 2022-03-08 | 成都航空职业技术学院 | Acoustic imager audio acquisition system based on MPSOC |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3012449B2 (en) | 2000-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Subrahmanyam et al. | Using neural networks for the diagnosis of localized defects in ball bearings | |
| US8332337B2 (en) | Condition-based monitoring system for machinery and associated methods | |
| Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
| JP4605132B2 (en) | Anomaly detection device and anomaly detection method | |
| CN110044623B (en) | Intelligent rolling bearing fault identification method based on empirical mode decomposition residual signal characteristics | |
| CN113255848B (en) | Water turbine cavitation sound signal identification method based on big data learning | |
| Wahono et al. | Genetic feature selection for software defect prediction | |
| Chen et al. | Automated function generation of symptom parameters and application to fault diagnosis of machinery under variable operating conditions | |
| CN111832608A (en) | Multi-abrasive-particle identification method for ferrographic image based on single-stage detection model yolov3 | |
| CN114184367B (en) | Rotary mechanical equipment fault diagnosis method, device, equipment and readable storage medium | |
| CN113762329A (en) | Method and system for constructing state prediction model of large rolling mill | |
| Al-Raheem et al. | Rolling bearing fault diagnostics using artificial neural networks based on Laplace wavelet analysis | |
| Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
| CN109255201B (en) | SOM-MQE-based ball screw pair health assessment method | |
| CN115758200A (en) | Vibration signal fault identification method and system based on similarity measurement | |
| JP4412306B2 (en) | Abnormality determination method and abnormality determination device | |
| JPH07219581A (en) | Discrimination method for acoustic signal and device therefor | |
| CN110956331A (en) | Method, system and device for predicting operation state of digital factory | |
| Xie et al. | Internal defect inspection in magnetic tile by using acoustic resonance technology | |
| JP2005115569A (en) | Signal identification device and method | |
| Madureira et al. | A neural network seismic detector | |
| JP3248522B2 (en) | Sound source type identification device | |
| GB2251111A (en) | Calibration of coin validation apparatus | |
| EP3888839A1 (en) | Method and system for monitoring and identifying the weld quality on metallic components | |
| JP2995518B2 (en) | Method and apparatus for automatically constructing learning type abnormality diagnosis algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |