JPH0844695A - 音源の識別方法 - Google Patents
音源の識別方法Info
- Publication number
- JPH0844695A JPH0844695A JP6180345A JP18034594A JPH0844695A JP H0844695 A JPH0844695 A JP H0844695A JP 6180345 A JP6180345 A JP 6180345A JP 18034594 A JP18034594 A JP 18034594A JP H0844695 A JPH0844695 A JP H0844695A
- Authority
- JP
- Japan
- Prior art keywords
- data
- sound source
- spectrum
- neural network
- hierarchical neural
- 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.)
- Pending
Links
Abstract
(57)【要約】
【構成】 機械装置からの音響信号を、高速フーリエ変
換して周波数スペクトルを求め、次にこの周波数スペク
トルをファジィルールによりフィルタリング処理を行う
ことにより、周波数スペクトルの特徴部を抽出し、次に
この抽出されたスペクトルデータを階層型ニューラルネ
ットワークに入力し、この階層型ニューラルネットワー
ク内で、上記スペクトルデータに基づき演算された演算
データと予め記憶されている判断用データとを比較する
とともに、この比較データを所定の評価関数により判断
して音源を識別する際に、上記判断用データを、入力さ
れたスペクトルデータに応じて切り換える方法である。 【効果】 階層型ニューラルネットワークに入力される
ペクトルデータに応じて選択された判断用データに基づ
き、音源の異常を判断するため、不要な判断用データ
を、コンピュータの主メモリに格納させる必要がない。
換して周波数スペクトルを求め、次にこの周波数スペク
トルをファジィルールによりフィルタリング処理を行う
ことにより、周波数スペクトルの特徴部を抽出し、次に
この抽出されたスペクトルデータを階層型ニューラルネ
ットワークに入力し、この階層型ニューラルネットワー
ク内で、上記スペクトルデータに基づき演算された演算
データと予め記憶されている判断用データとを比較する
とともに、この比較データを所定の評価関数により判断
して音源を識別する際に、上記判断用データを、入力さ
れたスペクトルデータに応じて切り換える方法である。 【効果】 階層型ニューラルネットワークに入力される
ペクトルデータに応じて選択された判断用データに基づ
き、音源の異常を判断するため、不要な判断用データ
を、コンピュータの主メモリに格納させる必要がない。
Description
【０００１】
【産業上の利用分野】本発明は音源の識別方法に関す
る。
る。
【０００２】
【従来の技術】従来、機械装置において、その異常を判
断する場合、エンジン、モータなどの機械音を、作業員
が耳で聞き、故障などの異常の有無を判断していた。
断する場合、エンジン、モータなどの機械音を、作業員
が耳で聞き、故障などの異常の有無を判断していた。
【０００３】
【発明が解決しようとする課題】このように、機械音を
作業員が聞いて、その異常の有無を判断していたため、
その判断に熟練を有し、かつ異常の有無の判断を正確に
行うことが困難であった。
作業員が聞いて、その異常の有無を判断していたため、
その判断に熟練を有し、かつ異常の有無の判断を正確に
行うことが困難であった。
【０００４】上記のような欠点を解消するために、コン
ピュータにより、機械音を周波数分析して、その異常を
検出することが考えられるが、機械音の周波数パターン
が正常であるか、異常であるかを判断するには、多くの
データを必要とするととともに、その判断データについ
ても、学習させる必要があり、したがってコンピュータ
装置が、大掛かりになるという問題がある。
ピュータにより、機械音を周波数分析して、その異常を
検出することが考えられるが、機械音の周波数パターン
が正常であるか、異常であるかを判断するには、多くの
データを必要とするととともに、その判断データについ
ても、学習させる必要があり、したがってコンピュータ
装置が、大掛かりになるという問題がある。
【０００５】そこで、本発明は、上記課題を解消し得る
音源の識別方法を提供することを目的とする。
音源の識別方法を提供することを目的とする。
【０００６】
【課題を解決するための手段】上記課題を解決するた
め、本発明の音源の識別方法は、音源からの音響信号を
入力して、周波数軸上におけるスペクトルまたは時間軸
上における波形を、ファジィルールでフィルタリング処
理を行うことにより、その特徴部を抽出し、次にこの抽
出された特徴データを階層型ニューラルネットワークに
入力し、この階層型ニューラルネットワーク内で、上記
特徴データに基づき演算された演算データと判断用デー
タとを比較するとともに、この比較データを所定の評価
関数により判断して音源を識別する際に、上記判断用デ
ータを、入力された特徴データに応じて切り換える方法
である。
め、本発明の音源の識別方法は、音源からの音響信号を
入力して、周波数軸上におけるスペクトルまたは時間軸
上における波形を、ファジィルールでフィルタリング処
理を行うことにより、その特徴部を抽出し、次にこの抽
出された特徴データを階層型ニューラルネットワークに
入力し、この階層型ニューラルネットワーク内で、上記
特徴データに基づき演算された演算データと判断用デー
タとを比較するとともに、この比較データを所定の評価
関数により判断して音源を識別する際に、上記判断用デ
ータを、入力された特徴データに応じて切り換える方法
である。
【０００７】
【作用】上記の識別方法によると、ファジィルールに基
づくフィルタリング処理により、音響信号の特徴部を抽
出し、この特徴データを階層型ニューラルネットワーク
に入力させるとともに、この入力された特徴データに応
じて選択された判断用データに基づき、音源の異常を判
断するため、不要な判断用データを、識別を行うための
演算処理装置内の主メモリに格納させる必要がなく、し
たがって主メモリに格納するデータを減らすことができ
る。
づくフィルタリング処理により、音響信号の特徴部を抽
出し、この特徴データを階層型ニューラルネットワーク
に入力させるとともに、この入力された特徴データに応
じて選択された判断用データに基づき、音源の異常を判
断するため、不要な判断用データを、識別を行うための
演算処理装置内の主メモリに格納させる必要がなく、し
たがって主メモリに格納するデータを減らすことができ
る。
【０００８】
【実施例】以下、本発明の一実施例を図１に基づき説明
する。本実施例においては、機械装置（音源）からの音
響信号に基づき、機械装置の異常、例えば故障している
かどうかの識別を行う方法について説明する。
する。本実施例においては、機械装置（音源）からの音
響信号に基づき、機械装置の異常、例えば故障している
かどうかの識別を行う方法について説明する。
【０００９】まず、図１に示すように、機械装置からの
音響信号を、コンピュータ（演算処理装置）に入力し
て、高速フーリエ変換（ＦＦＴ）を行い（ステップ
１）、周波数軸上に展開して周波数スペクトル［図１の
（ａ）にて示す］を得る。
音響信号を、コンピュータ（演算処理装置）に入力し
て、高速フーリエ変換（ＦＦＴ）を行い（ステップ
１）、周波数軸上に展開して周波数スペクトル［図１の
（ａ）にて示す］を得る。
【００１０】次に、この機械装置の種類に基づき、故障
の判断に必要な周波数帯域を、判断対象となる機械装置
に応じたファジィルールを用いて複数に分割するととも
に、判断に使用する帯域を選択する。
の判断に必要な周波数帯域を、判断対象となる機械装置
に応じたファジィルールを用いて複数に分割するととも
に、判断に使用する帯域を選択する。
【００１１】次に、この選択された周波数帯域を、ファ
ジィルールにより、ファジィフィルタリング処理を行う
（ステップ２）。すなわち、判断対象となる周波数スペ
クトルの帯域に、幅を持たせて、その特徴を抽出し易い
ように処理を行う。例えば、図１の（ｂ）にて示すよう
な、スペクトルが得られる。
ジィルールにより、ファジィフィルタリング処理を行う
（ステップ２）。すなわち、判断対象となる周波数スペ
クトルの帯域に、幅を持たせて、その特徴を抽出し易い
ように処理を行う。例えば、図１の（ｂ）にて示すよう
な、スペクトルが得られる。
【００１２】次に、このようにして得られたスペクトル
データ（特徴データ）を、階層型ニューラルネットワー
クに入力する（ステップ３）。この階層型ニューラルネ
ットワークには、故障の種類または故障の程度に応じた
判断用データが入力されており、ここで、判断用の関数
に基づき特徴データの演算が行われるとともに、この演
算データ（特徴データ）と判断用データとが比較され
る。
データ（特徴データ）を、階層型ニューラルネットワー
クに入力する（ステップ３）。この階層型ニューラルネ
ットワークには、故障の種類または故障の程度に応じた
判断用データが入力されており、ここで、判断用の関数
に基づき特徴データの演算が行われるとともに、この演
算データ（特徴データ）と判断用データとが比較され
る。
【００１３】そして、演算データと判断用データとの比
較データが、所定の評価関数に基づき評価され、評価が
所定の基準値を満足した場合には、その判断用データに
対応する故障の種類または故障の程度などのデータが出
力される（ステップ４）。
較データが、所定の評価関数に基づき評価され、評価が
所定の基準値を満足した場合には、その判断用データに
対応する故障の種類または故障の程度などのデータが出
力される（ステップ４）。
【００１４】例えば、ステップ４に示すように、その出
力データが［０１０００］である場合には、すなわち２
番目のビットが１である場合には、機械装置におけるモ
ータが故障していると判断される。
力データが［０１０００］である場合には、すなわち２
番目のビットが１である場合には、機械装置におけるモ
ータが故障していると判断される。
【００１５】また、階層型ニューラルネットワークに入
力されたスペクトルデータすなわち判断対象となる音源
に応じて、使用される判断用データが切り換えられる。
すなわち、コンピュータの主メモリには、必要最小限の
判断用データだけが格納されることになる。
力されたスペクトルデータすなわち判断対象となる音源
に応じて、使用される判断用データが切り換えられる。
すなわち、コンピュータの主メモリには、必要最小限の
判断用データだけが格納されることになる。
【００１６】勿論、上記階層型ニューラルネットワーク
では学習が行われており、判断用データが更新される。
ここで、上記フィルタリング処理を行うファジィルール
を、図２〜図６に基づき、具体的に説明する。
では学習が行われており、判断用データが更新される。
ここで、上記フィルタリング処理を行うファジィルール
を、図２〜図６に基づき、具体的に説明する。
【００１７】例えば、機械装置のモータの故障推定要因
となる異常音は、大きく３つに、すなわちブラシ音、メ
タル音、振動音に分けられる。正常音、および異常音と
して、ブラシ音、メタル音、振動音のパワースペクトル
の平均値と標準偏差とを、図２〜図５に示す。
となる異常音は、大きく３つに、すなわちブラシ音、メ
タル音、振動音に分けられる。正常音、および異常音と
して、ブラシ音、メタル音、振動音のパワースペクトル
の平均値と標準偏差とを、図２〜図５に示す。
【００１８】そして、正常音についての、ファジィフィ
ルタリング処理について説明する。まず、図６（ａ）に
示す正常音の高周波数成分をフィルタリング処理して、
図６（ｂ）に示すような波形を得る。そして、この波形
における最小周波数、最大周波数および各極値での平均
値ａと標準偏差ｂをそれぞれ求める。
ルタリング処理について説明する。まず、図６（ａ）に
示す正常音の高周波数成分をフィルタリング処理して、
図６（ｂ）に示すような波形を得る。そして、この波形
における最小周波数、最大周波数および各極値での平均
値ａと標準偏差ｂをそれぞれ求める。
【００１９】次に、この最小周波数、最大周波数および
各極値での特徴をファジィルールで表す。図６（ｃ）に
示すように、例えば４番目の値でのファジィルール
は、下記の(1) 式のように表される。
各極値での特徴をファジィルールで表す。図６（ｃ）に
示すように、例えば４番目の値でのファジィルール
は、下記の(1) 式のように表される。
【００２０】 ＩＦ dＢ＝ＶＢ ＆ Ｈｚ＝ＭＥ then 正常・・・・(1) このように、全ての値［〜］、すなわち正常状態
を、ファジィルールで表すことができる。
を、ファジィルールで表すことができる。
【００２１】上述したように、入力される音響信号の周
波数帯域を、ファジィルールで、複数帯域に分割すると
ともに判断に使用する帯域を選択し、かつこの選択され
た周波数帯域の特徴部を、ファジィルールに基づきスペ
クトルとして抽出し、このスペクトルデータを階層型ニ
ューラルネットワークに入力させるとともに、この入力
されたスペクトルデータに応じて選択された判断用デー
タに基づき、機械装置の故障の種類、または故障の程度
などを判断するため、不要な判断用データを、コンピュ
ータの主メモリに格納させる必要がなく、したがって主
メモリに格納するデータを減らすことができるので、汎
用のパーソナルコンピュータにおいても、リアルタイム
で判断処理を行うことができる。
波数帯域を、ファジィルールで、複数帯域に分割すると
ともに判断に使用する帯域を選択し、かつこの選択され
た周波数帯域の特徴部を、ファジィルールに基づきスペ
クトルとして抽出し、このスペクトルデータを階層型ニ
ューラルネットワークに入力させるとともに、この入力
されたスペクトルデータに応じて選択された判断用デー
タに基づき、機械装置の故障の種類、または故障の程度
などを判断するため、不要な判断用データを、コンピュ
ータの主メモリに格納させる必要がなく、したがって主
メモリに格納するデータを減らすことができるので、汎
用のパーソナルコンピュータにおいても、リアルタイム
で判断処理を行うことができる。
【００２２】ところで、上記実施例においては、周波数
軸上におけるスペクトルに基づいて、その特徴部を抽出
するようにしたが、音響信号の時間軸上における波形に
基づき、特徴部を抽出するとともに、この特徴データに
基づき識別を行うようにしてもよい。
軸上におけるスペクトルに基づいて、その特徴部を抽出
するようにしたが、音響信号の時間軸上における波形に
基づき、特徴部を抽出するとともに、この特徴データに
基づき識別を行うようにしてもよい。
【００２３】また、上記実施例においては、機械装置の
故障の判断を行う場合について説明したが、例えばプラ
ントにおける異常音の識別、またはヘリコプターなどの
飛行物体の識別に行う場合にも、適用し得る方法であ
る。
故障の判断を行う場合について説明したが、例えばプラ
ントにおける異常音の識別、またはヘリコプターなどの
飛行物体の識別に行う場合にも、適用し得る方法であ
る。
【００２４】なお、周波数スペクトルまたは時間波形か
ら、特徴データを抽出する際に、一箇所からだけではな
く、複数箇所から特徴データを抽出して、判断用データ
と比較してもよい。この場合、識別能力または識別精度
を向上させることができる。
ら、特徴データを抽出する際に、一箇所からだけではな
く、複数箇所から特徴データを抽出して、判断用データ
と比較してもよい。この場合、識別能力または識別精度
を向上させることができる。
【００２５】
【発明の効果】以上のように、本発明の音源の識別方法
によると、ファジィルールに基づくフィルタリング処理
により、音響信号の特徴部を抽出し、この特徴データを
階層型ニューラルネットワークに入力させるとともに、
この入力された特徴データに応じて選択された判断用デ
ータに基づき、音源の異常を判断するため、不要な判断
用データを、識別を行うための演算処理装置内の主メモ
リに格納させる必要がなく、したがって主メモリに格納
するデータを減らすことができるので、演算処理装置と
して、比較的小さい汎用のパーソナルコンピュータを用
いても、リアルタイムで判断処理を行うことができる。
によると、ファジィルールに基づくフィルタリング処理
により、音響信号の特徴部を抽出し、この特徴データを
階層型ニューラルネットワークに入力させるとともに、
この入力された特徴データに応じて選択された判断用デ
ータに基づき、音源の異常を判断するため、不要な判断
用データを、識別を行うための演算処理装置内の主メモ
リに格納させる必要がなく、したがって主メモリに格納
するデータを減らすことができるので、演算処理装置と
して、比較的小さい汎用のパーソナルコンピュータを用
いても、リアルタイムで判断処理を行うことができる。
【図１】本発明の一実施例における音響信号の識別方法
を説明するフローチャートである。
を説明するフローチャートである。
【図２】同実施例における機械装置のモータの正常音を
示すパワースペクトルを示すグラフである。
示すパワースペクトルを示すグラフである。
【図３】同実施例における機械装置のモータのブラシ音
を示すパワースペクトルを示すグラフである。
を示すパワースペクトルを示すグラフである。
【図４】同実施例における機械装置のモータのメタル音
を示すパワースペクトルを示すグラフである。
を示すパワースペクトルを示すグラフである。
【図５】同実施例における機械装置のモータの振動音を
示すパワースペクトルを示すグラフである。
示すパワースペクトルを示すグラフである。
【図６】同実施例におけるファジィフィルタリング処理
を説明するグラフである。
を説明するグラフである。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ１０Ｌ 9/10 ３０１ Ｃ
Claims (1)
- 【請求項１】音源からの音響信号を入力して、周波数軸
上におけるスペクトルまたは時間軸上における波形を、
ファジィルールでフィルタリング処理を行うことによ
り、その特徴部を抽出し、次にこの抽出された特徴デー
タを階層型ニューラルネットワークに入力し、この階層
型ニューラルネットワーク内で、上記特徴データに基づ
き演算された演算データと判断用データとを比較すると
ともに、この比較データを所定の評価関数により判断し
て音源を識別する際に、上記判断用データを、入力され
た特徴データに応じて切り換えることを特徴とする音源
の識別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6180345A JPH0844695A (ja) | 1994-08-02 | 1994-08-02 | 音源の識別方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6180345A JPH0844695A (ja) | 1994-08-02 | 1994-08-02 | 音源の識別方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0844695A true JPH0844695A (ja) | 1996-02-16 |
Family
ID=16081608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6180345A Pending JPH0844695A (ja) | 1994-08-02 | 1994-08-02 | 音源の識別方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0844695A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007148869A (ja) * | 2005-11-29 | 2007-06-14 | Japan Energy Corp | 異常検知装置 |
| JP2017090606A (ja) * | 2015-11-09 | 2017-05-25 | 日本電信電話株式会社 | 異常音検出装置、異常音検出学習装置、これらの方法及びプログラム |
| CN109285539A (zh) * | 2018-11-28 | 2019-01-29 | 中国电子科技集团公司第四十七研究所 | 一种基于神经网络的声音识别方法 |
| KR20210046416A (ko) * | 2019-10-18 | 2021-04-28 | 한국과학기술원 | 파형 음원 신호를 분석하는 신경망 모델에 기반한 음원 분류 방법 및 분석장치 |
-
1994
- 1994-08-02 JP JP6180345A patent/JPH0844695A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007148869A (ja) * | 2005-11-29 | 2007-06-14 | Japan Energy Corp | 異常検知装置 |
| JP2017090606A (ja) * | 2015-11-09 | 2017-05-25 | 日本電信電話株式会社 | 異常音検出装置、異常音検出学習装置、これらの方法及びプログラム |
| CN109285539A (zh) * | 2018-11-28 | 2019-01-29 | 中国电子科技集团公司第四十七研究所 | 一种基于神经网络的声音识别方法 |
| CN109285539B (zh) * | 2018-11-28 | 2022-07-05 | 中国电子科技集团公司第四十七研究所 | 一种基于神经网络的声音识别方法 |
| KR20210046416A (ko) * | 2019-10-18 | 2021-04-28 | 한국과학기술원 | 파형 음원 신호를 분석하는 신경망 모델에 기반한 음원 분류 방법 및 분석장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20060161391A1 (en) | Knowledge-forming apparatus and parameter-retrieving method as well as program product | |
| US6226760B1 (en) | Method and apparatus for detecting faults | |
| US20080133439A1 (en) | Device for overall machine tool monitoring | |
| US6990419B2 (en) | System for identifying a signal source | |
| US10475469B2 (en) | Abnormal sound determination apparatus and determination method | |
| JPH09166483A (ja) | 機器監視方法及びその装置 | |
| JPH06186136A (ja) | 転がり軸受故障診断装置 | |
| JP4430384B2 (ja) | 設備の診断装置及び診断方法 | |
| JP2009025015A (ja) | 知識作成支援装置及びプログラム | |
| US20080255773A1 (en) | Machine condition monitoring using pattern rules | |
| CN115840676A (zh) | 一种基于多维数据的计算机硬件故障预警方法及*** | |
| JPH0844695A (ja) | 音源の識別方法 | |
| Decker et al. | Does your model think like an engineer? explainable ai for bearing fault detection with deep learning | |
| JP3012449B2 (ja) | 音響信号の識別方法および装置 | |
| CN116840743A (zh) | 电力变压器故障处理方法、装置、电子设备及存储介质 | |
| CN115440246A (zh) | 故障检测方法、***、车辆、电子设备及存储介质 | |
| KR20090044201A (ko) | Ｍｔｓ 기법을 이용한 음질 평가 방법 | |
| KR102350636B1 (ko) | 플랜트 고장 예지 장치 및 방법 | |
| JPH08320251A (ja) | 設備における音響および振動の診断方法 | |
| Schumann et al. | Separation, allocation and psychoacoustic evaluation of vehicle interior noise | |
| JP2004205215A (ja) | 音源診断装置 | |
| JP2003076976A (ja) | パターンマッチング方法 | |
| JP2766212B2 (ja) | 高調波検出装置及び高調波検出方法 | |
| JPH10339664A (ja) | 監視装置及び方法 | |
| CN112578794B (zh) | 基于机器学习的agv故障检测方法、存储介质及*** |