JPH11241945A - 異音検査装置 - Google Patents

Abstract

(57)【要約】 【課題】 識別時間を短縮し、精度に優れた検出を行う
異音検査装置を得ることを目的とする。 【解決手段】 回転機１の発生音の音圧および振動の信
号を取り出す検出手段２と、検出手段２にて取り出され
た信号を解析し複数の特徴量データを求める算出手段７
と、異常の有無が判断可能な回転機１と同一のものにて
なるモデルの回転機１の発生音の複数の特徴量データと
同一の種類の特徴量データを入力し、教師データとして
作成する教師データ作成手段８と、教師データ作成手段
８より入力した教師データおよび、モデルの回転機１の
異常の有無に基づき学習させて構築されるニューラルネ
ットワークにて、算出手段７にて求められた複数の特徴
量データから回転機１の異常の有無を識別する識別手段
９とにて成る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、ニューラルネッ
トワークを用いることにより、複数の特徴量データか
ら、被検査対象物の異常の有無を短時間にて識別するこ
とができる異音検査装置に関するものである。

【０００２】

【従来の技術】従来の異音を検査する異音検査装置は、
例えば、特開昭５８−１０８４１９号公報に記載され
た、振動検出機の出力を、複数の周波数帯域から成るフ
ィルタにより、複数の周波数成分に分類し、各周波数の
成分に対応して設けられたしきい値と、各周波数成分に
おける最大ピーク値とを各周波数成分別に比較して異常
識別を行っているものがある。

【０００３】また、特開昭５８−２１９４２４号公報に
は、振動検出機により周波数スペクトルを算出し、特定
の周波数スペクトルにおける振幅値としきい値とを比較
してバランス不良やベアリング軸受等の良否の検査を行
っている。

【０００４】また、特開昭５９−９７０１６号公報、特
開昭５９−９７０１７号公報、および、特開昭５９−１
０９８３１号公報では、検査対象の振動または騒音から
変換した周波数スペクトルと基準スペクトルとの差の偏
差量としきい値との比較により異音を識別している。

【０００５】

【発明が解決しようとする課題】従来の各異音検出装置
は、識別の基準となるしきい値の設定に時間がかかり、
識別精度を向上させるために長い検討時間を要してい
た。また、特定の周波数成分のみを比較している場合、
被検査帯域外の異常を見落とす可能性があり、精度向上
の妨げになるという問題点が生じていた。

【０００６】また、このことを解消するために多数の周
波数成分を比較しようとすると、その各周波数成分にお
いて、それぞれしきい値を設定しなくては成らず、時間
がかかる。また、各周波数成分の１つでもしきい値を越
えていると、他の多くの周波数成分にたいして良と識別
したとしても、不良と識別することとなり、所望の識別
を行うことができないという問題点があった。

【０００７】この発明は上記のような問題点を解消する
ためなされたもので、識別時間を短縮し、精度に優れた
検出を行うことができる異音検査装置を提供することを
目的とする。

【０００８】

【課題を解決するための手段】この発明に係る請求項１
の異音検査装置は、被検査対象物の発生音の音圧または
振動のいずれか一方または両方の信号を取り出す検出手
段と、検出手段にて取り出された信号を解析し複数の特
徴量データを求める算出手段と、異常の有無が判断可能
な被検査対象物と同一のものにて成るモデル対象物の発
生音の複数の特徴量データと同一の種類の特徴量データ
を入力し、これら異常の有無が判断可能な各特徴量デー
タと被検査対象物の発生音の特徴量データとの相関関係
の比較から、被検査対象物の異常の有無を判断する識別
手段を備えたものである。

【０００９】また、この発明に係る請求項２の異音検査
装置は、請求項１において、モデル対象物の発生音の特
徴量データを教師データとして作成する教師データ作成
手段を備え、識別手段を、ニューラルネットワークにて
行い、ニューラルネットワークを、教師データ作成手段
より入力した教師データおよびモデル対象物の異常の有
無に基づき学習させて構築し、算出手段にて求められた
複数の特徴量データをニューラルネットワークにて処理
し、被検査対象物の異常の有無を識別するものである。

【００１０】また、この発明に係る請求項３の異音検査
装置は、請求項１または請求項２において、教師データ
が、良品のみのモデル対象物の特徴量データから構成さ
れる場合、識別手段において、被検査対象物の良または
良でないことを識別するものである。

【００１１】また、この発明に係る請求項４の異音検査
装置は、請求項１または請求項２において、教師データ
が、良品と、不良品の複数の種別とのそれぞれのモデル
対象物の特徴量データから構成される場合、識別手段に
おいて、被検査対象物の良および不良の種別を識別する
ものである。

【００１２】また、この発明に係る請求項５の異音検査
装置は、請求項１ないし請求項４のいずれかにおいて、
算出手段は、検出手段より取り出した信号を時系列解析
して、単位時間毎の複数の特徴量データを求めるもので
ある。

【００１３】また、この発明に係る請求項６の異音検査
装置は、請求項１ないし請求項４のいずれかにおいて、
算出手段は、検出手段より取り出した信号を周波数解析
して、単位周波数毎の振幅にて成る特徴量データを求め
るものである。

【００１４】また、この発明に係る請求項７の異音検査
装置は、請求項１ないし請求項４のいずれかにおいて、
算出手段は、検出手段より取り出した信号を時間周波数
解析して、単位時間毎の単位周波数成分の振幅にて成る
特徴量データを求めるものである。

【００１５】

【発明の実施の形態】実施の形態１．以下、この発明の
実施の形態を図について説明する。図１はこの発明の実
施の形態１の異音検査装置の構成を示す図である。図に
おいて、１は被検査対象物としての例えば回転機、２は
この回転機１の発生音を検出するための検出手段で、例
えば、回転機１の発生音の音圧または振動の一方または
両方のデータを電気信号に変換する変換器３、例えばマ
イクロホンまたは振動加速度ピックアップ等を用いて形
成している。

【００１６】そして、この変換器３に接続され、変換器
３の信号を増幅するためのアンプ４と、このアンプ４に
接続され、このアンプ４の信号の雑音の除去および複数
の周波数成分に信号の分離を行うフィルタ５と、このフ
ィルタ５に接続され、このフィルタ５の信号を取り込む
Ａ／Ｄ変換器６とにて成る。

【００１７】７はこの検出手段２にて検出された信号を
解析し、複数の特徴量データを求める算出手段で、例え
ば電子計算機搭載のＣＰＵや、ＤＳＰ（ディジタル・シ
グナル・プロセッサ）などが用いられる。８は教師デー
タ作成手段で、異常の有無が判断可能な被検査対象物と
同一のものにて成るモデル対象物としての、モデル回転
機を使用し、その発生音を検出して上述した特徴量デー
タと同一の種類の特徴量データを取り出し、教師データ
として作成する。

【００１８】９はこの教師データ作成手段８より入力し
た教師データおよびモデル対象物の異常の有無に基づき
学習させて構築されるニューラルネットワークにて、算
出手段７にて求められた特徴量データを識別し、回転機
１の異常の有無の識別結果を出力する識別手段である。

【００１９】上記のように構成された実施の形態１の異
音検査装置の動作について図２ないし図５を交えて説明
する。まず、被検査対象物の発生音の識別を実行する前
に、異常の有無が判断可能な被検査対象物と同一のもの
にて成るモデル回転機から教師データを作成し、識別手
段９に学習させておく必要がある。

【００２０】この動作を、図２に基づいて説明する。ま
ず、異常の有無が判断可能な分類済みのモデル回転機を
動作させて準備をする（図２のステップＳ１）。次に、
回転機１の発生音の音圧または振動の一方または両方の
信号を検出手段２を用いて取り込む（図２のステップＳ
２）。次に、この信号から算出手段７を用いて複数の特
徴量データを算出する（図２のステップＳ３）。

【００２１】次に、教師データ作成手段８を用いて、こ
の特徴量データ（尚、特徴量データの具体例については
後述する）から教師データを作成する（図２のステップ
Ｓ４）。この場合、例えば特徴量データが取り得る下限
値を０と、上限値を１として特徴量データを正規化し、
教師データとして作成している。

【００２２】次に、教師データ数が所望の数Ｎ（ここで
言う所望の数Ｎとは、必要とする識別の精度に基づき決
定されている。教師データの数Ｎが大きくなると、識別
の精度が上がると考えられる。しかし、教師データを多
く作成するためには時間を要するため、必要とする精度
に応じて決定すればよい。）に達しているか否かを判断
し（図２のステップＳ５）、達していなければ、再び図
２のステップＳ１にもどり、別のモデルと成る回転機１
を用いて、上記と同様の動作を繰り返す。

【００２３】また、教師データ数が所望の数Ｎに達して
いれば、この教師データを識別手段９に送信し、この教
師データおよびモデル回転機の異常の有無に基づき学習
させて構築されるニューラルネットワークを備えた識別
手段９を設けておく（図２のステップＳ６）。

【００２４】次に、本来の目的である被検査対象物の異
常の有無の識別を行う動作に移る。この動作について、
図３を用いて説明する。まず、被検査対象物である回転
機１を動作させて準備する（図３のステップＳ７）。次
に、回転機１の発生音を検出手段２により検出し、発生
音の信号を取り込む（図３のステップＳ８）。

【００２５】次に、算出手段７にて、この信号の複数の
特徴量データを算出する（図３のステップＳ９）。この
際、特徴量データが取り得る下限値を０、上限値を１と
して特徴量データを正規化する。次に、識別手段９に
て、この正規化された特徴量データを用いて、ニューラ
ルネットワークにて発生音と学習済みの教師データとの
相関関係を判断して、発生音の識別を行う（図３のステ
ップＳ１０）。このように相関関係を判断するようにし
ているため、それぞれの特徴量データに対応する、しき
い値をそれぞれ設定する必要がない。

【００２６】次に、教師データが複数または単数のいず
れの分類のデータにて成るかを判断する（図３のステッ
プＳ１１）。ここで言う分類とは、回転機１の良、不
良、または、不良の種類、または、不良による異常箇所
の種類の分類のことを指し、予め識別手段９が、モデル
回転機を用いて得た教師データの分類の数に対応してい
る。

【００２７】例えば、モデル回転機の教師データが、異
常がない良のみのデータの１分類のデータにて成るよう
な場合は、分類が１というように判断される。また、モ
デル回転機の教師データが、異常がない良のデータ、お
よび不良のデータからの２分類のデータにて成るような
場合は、分類が２というように判断される。さらに、不
良の複数の種類のデータにて成る場合や、不良による異
常箇所の種類のデータにて成る場合などを備える場合が
考えられる。

【００２８】次に、分類数が１と判断された場合、すな
わちここでは先に記載したように良品のみのデータが、
ニューラルネットワークにて学習されている場合は、こ
のニューラルネットワークにて良に対する評価点が得ら
れることとなる（ここでいうニューラルネットワークの
評価点とは、小さい点数ほどその分類に近似しているこ
とをあらわすものとする）。そして、この評価点により
回転機１が良または良でない（ここでは不良として判断
するものと設定する）と識別する（図３のステップＳ１
２）。

【００２９】この評価の一例としては、例えば良と判断
する評価点のしきい値を設定し、得られた評価点がしき
い値より大きい場合は不良と、また評価点がしきい値以
下の場合は良と判断するようにすればよい。

【００３０】また、分類数が２以上と判断された場合、
すなわちここでは先に記載したよう良、不良、不良の種
類、不良による異常箇所の種類などのデータが、ニュー
ラルネットワークにて学習されている場合は、このニュ
ーラルネットワークにてそれぞれの分類に対する評価点
が得られることとなる。そして、これら各分類の評価点
の内、最小評価点の分類を識別する（図３のステップＳ
１３）。そして、その分類により回転機１の、良、不
良、不良の種類、または不良による異常箇所の種類など
を識別することとなる。

【００３１】ここで実際の回転機１の発生音の検出手段
２における信号および、この信号の特徴量データの解析
について説明する。まず、ここでは特徴量データを時間
周波数解析の一手法としてのウェーブレット解析により
得ることとする。図４には良品のデータ、また、図５に
は不良品のデータを示す。そして、図４（ａ）および図
５（ａ）に検出手段２の信号を、そしてこれら各信号を
ウェーブレット解析し各特徴量データとしたものを図４
（ｂ）および図５（ｂ）にそれぞれ示す。

【００３２】図４（ａ）および図５（ａ）のグラフは、
横軸に時間、縦軸に電圧を示している。また、図４
（ｂ）および図５（ｂ）のグラフは、横軸に時間、縦軸
に周波数を示しており、ウェーブレット解析によるデー
タがマトリックス状に得られていることが確認できる。
そして、このマトリックス状に得られている単位時間毎
の単位周波数成分の振幅のレベルは、色の濃淡で示さ
れ、白い色ほどレベルが高く、黒い色ほどレベルが低い
ものとしている。

【００３３】そして、このようにして得られたデータを
正規化し特徴量データとして算出手段７は算出してい
る。そして、識別手段９はこのようにして得られたマト
リックス状の多数の全ての特徴量データを判断の対象と
する。この場合実際には、図４（ｂ）に示したデータを
良のデータの分類と、図５（ｂ）に示したデータを不良
のデータの分類として学習しておき、被検査対象物の発
生音のデータとこれらデータとの相関関係を判断し、近
似している方のデータに類似していると判断し、発生音
の良、不良を判断し、被検査対象物の異常の有無を識別
することとなる。

【００３４】上記のように形成された実施の形態１の異
音検査装置によれば、複数の特徴量データから被検査対
象物の異常の有無の識別を、特徴量データ毎のしきい値
を設定することなく行うことが可能となり、所望の判定
を短時間にて行うことが可能となる。また、良品のデー
タのみでも、しきい値を設定する必要がないため被検査
対象物の異常の有無を判断することができる。また、教
師データの種類によっては、不良の種類、不良による異
常箇所の種類を識別することが可能となる。

【００３５】また、マトリックス状のように多数の特徴
量データを判断するのは、従来の方法においては、それ
ぞれの特徴量データに対してしきい値を設ける必要があ
り、設定時間に多大な時間を要し、現実的には不可能で
あったものの、発明のようにニューラルネットワークに
より判断するようにすれば、それぞれの特徴量データに
対してしきい値を設ける必要がなく、かつ、短時間にて
所望の判断を行うことが可能となる。

【００３６】また、上記実施の形態１においては、識別
手段９をニューラルネットワークにて行う場合を示した
が、これに限られることはなく、他の方法において、異
常の有無の判断可能な複数の特徴量データと、被検査対
象物の複数の特徴量データとの相関関係が判断できるよ
うなものであれば、被検査対象物の異常の有無の判断
を、特徴量データ毎にしきい値を設定することなく判断
することができることは言うまでもない。

【００３７】また、上記実施の形態１においては、時間
周波数解析によるデータを特徴量データとしたが、これ
に限られることはなく、時系列解析により、例えば、単
位時間毎の周波数成分の標準偏差、ピーク数、および、
変動幅など複数の特徴量データを特徴量データとして解
析するようにしてよい。次に、この場合の解析結果の一
例を示す。

【００３８】例えば、図４（ａ）および図５（ａ）に示
した検出手段２により得られた信号が音圧を示している
場合、単位時間を０．２ｓｅｃとすると、この単位時間
毎の音圧の標準偏差、ピーク数、および、変動幅など複
数の特徴量データは、図６に示すように求められる。そ
して、これらデータを特徴量データとして、上記実施の
形態１と同様に判断するようにすれば、上記実施の形態
１と同様の効果を奏することは言うまでもない。

【００３９】また、他の解析方法として、周波数解析に
より、単位周波数毎の振幅を特徴量データとして解析す
るようにしてもよく、この場合、特徴量データは例え
ば、高速フーリエ変換または１／３オクターブ解析を用
いることにより、単位周波数毎のスペクトル振幅として
求めればよい。この場合の解析結果の一例を示す。

【００４０】例えば、図４（ａ）および図５（ａ）に示
した検出手段２により得られた信号を、単位周波数毎
の、スペクトル振幅を複数の特徴量データとして求める
と、良のデータが図７（ａ）に、また、不良のデータが
図７（ｂ）に示すように求められる。そして、これらデ
ータを特徴量データとして、上記実施の形態１と同様に
判断するようにすれば、上記実施の形態１と同様の効果
を奏することは言うまでもない。

【００４１】なお、上記実施の形態１においては特に示
さなかったが、発生音の音圧および振動を検出する手段
として、例えば電流検出器または超音波検出器など、発
生音の音圧および振動の特徴を検出できるものであれ
ば、いずれのものを用いるようにしても良いことは言う
までもない。

【００４２】また、上記実施の形態１においては検出手
段２としてフィルタ５を備えたものを示したが、これに
限られることはなく、フィルタ５を備えてなくても良い
ことは言うまでもない。

【００４３】

【発明の効果】以上のように、この発明の請求項１によ
れば、被検査対象物の発生音の音圧または振動のいずれ
か一方または両方の信号を取り出す検出手段と、検出手
段にて取り出された信号を解析し複数の特徴量データを
求める算出手段と、異常の有無が判断可能な被検査対象
物と同一のものにて成るモデル対象物の発生音の複数の
特徴量データと同一の種類の特徴量データを入力し、こ
れら異常の有無が判断可能な各特徴量データと被検査対
象物の発生音の特徴量データとの相関関係の比較から、
被検査対象物の異常の有無を判断する識別手段を備えた
ので、複数の特徴量データからの総合的な判断により被
検査対象物の異常の有無を判断することができる異音検
査装置を得ることが可能となる。

【００４４】また、この発明に係る請求項２の異音検査
装置は、請求項１において、モデル対象物の発生音の特
徴量データを教師データとして作成する教師データ作成
手段を備え、識別手段を、ニューラルネットワークにて
行い、ニューラルネットワークを、教師データ作成手段
より入力した教師データおよびモデル対象物の異常の有
無に基づき学習させて構築し、算出手段にて求められた
複数の特徴量データをニューラルネットワークにて処理
し、被検査対象物の異常の有無を識別するので、多数の
特徴量データを短時間にて処理することができる異音検
査装置を得ることが可能となる。

【００４５】また、この発明の請求項３によれば、請求
項１または請求項２において、教師データが、良品のみ
のモデル対象物の特徴量データから構成される場合、識
別手段において、被検査対象物の良または良でないこと
を識別するので、良品のみの特徴量データにて被検査対
象物の異常の有無の判断を行うことができる異音検査装
置を得ることが可能となる。

【００４６】また、この発明の請求項４によれば、請求
項１または請求項２において、教師データが、良品と、
不良品の複数の種別とのそれぞれのモデル対象物の特徴
量データから構成される場合、識別手段において、被検
査対象物の良および不良の種別を識別するので、良以外
の、不良の種別を判断することができる異音検査装置を
得ることが可能となる。

【００４７】また、この発明の請求項５によれば、請求
項１ないし請求項４のいずれかにおいて、算出手段は、
検出手段より取り出した信号を時系列解析して、単位時
間毎の複数の特徴量データを求めるので、所望の識別を
行うことができる異音検査装置を得ることが可能とな
る。

【００４８】また、この発明の請求項６によれば、請求
項１ないし請求項４のいずれかにおいて、算出手段は、
検出手段より取り出した信号を周波数解析して、単位周
波数毎の振幅にて成る特徴量データを求めるので、所望
の識別を行うことができる異音検査装置を得ることが可
能となる。

【００４９】また、この発明の請求項７によれば、請求
項１ないし請求項４のいずれかにおいて、算出手段は、
検出手段より取り出した信号を時間周波数解析して、単
位時間毎の単位周波数成分の振幅にて成る特徴量データ
を求めるので、精度に優れた異常識別を行うことができ
る異音検査装置を得ることが可能となる。

【図面の簡単な説明】

【図１】 この発明の実施の形態１による異音検査装置
の構成を示した図である。

【図２】 図１に示した異音検査装置の動作のフローチ
ャートを示した図である。

【図３】 図１に示した異音検査装置の動作のフローチ
ャートを示した図である。

【図４】 この発明の実施の形態１による良品のデータ
を示した図である。

【図５】 この発明の実施の形態１による不良品のデー
タを示した図である。

【図６】 この発明の実施の形態１によるデータを、時
系列解析によるデータとして示した図である。

【図７】 この発明の実施の形態１によるデータを、周
波数解析によるデータとして示した図である。

【符号の説明】

１ 回転機、２ 検出手段、７ 算出手段、８ 教師デ
ータ作成手段、９ 識別手段。

Claims (7)

【特許請求の範囲】
1. 【請求項１】 被検査対象物の発生音の音圧または振動
   のいずれか一方または両方の信号を取り出す検出手段
   と、上記検出手段にて取り出された信号を解析し複数の
   特徴量データを求める算出手段と、異常の有無が判断可
   能な上記被検査対象物と同一のものにて成るモデル対象
   物の発生音の上記複数の特徴量データと同一の種類の特
   徴量データを入力し、これら異常の有無が判断可能な各
   特徴量データと上記被検査対象物の発生音の特徴量デー
   タとの相関関係の比較から、上記被検査対象物の異常の
   有無を判断する識別手段を備えたことを特徴とする異音
   検査装置。
2. 【請求項２】 モデル対象物の発生音の特徴量データを
   教師データとして作成する教師データ作成手段を備え、
   識別手段を、ニューラルネットワークにて行い、上記ニ
   ューラルネットワークを、上記教師データ作成手段より
   入力した教師データおよび上記モデル対象物の異常の有
   無に基づき学習させて構築し、算出手段にて求められた
   複数の特徴量データを上記ニューラルネットワークにて
   処理し、被検査対象物の異常の有無を識別することを特
   徴とする請求項１に記載の異音検査装置。
3. 【請求項３】 教師データが、良品のみのモデル対象物
   の特徴量データから構成される場合、識別手段におい
   て、被検査対象物の良または良でないことを識別するこ
   とを特徴とする請求項１または請求項２に記載の異音検
   査装置。
4. 【請求項４】 教師データが、良品と、不良品の複数の
   種別とのそれぞれのモデル対象物の特徴量データから構
   成される場合、識別手段において、被検査対象物の良お
   よび不良の種別を識別することを特徴とする請求項１ま
   たは請求項２に記載の異音検査装置。
5. 【請求項５】 算出手段は、検出手段より取り出した信
   号を時系列解析して、単位時間毎の複数の特徴量データ
   を求めることを特徴とする請求項１ないし請求項４のい
   ずれかに記載の異音検査装置。
6. 【請求項６】 算出手段は、検出手段より取り出した信
   号を周波数解析して、単位周波数毎の振幅にて成る特徴
   量データを求めることを特徴とする請求項１ないし請求
   項４のいずれかに記載の異音検査装置。
7. 【請求項７】 算出手段は、検出手段より取り出した信
   号を時間周波数解析して、単位時間毎の単位周波数成分
   の振幅にて成る特徴量データを求めることを特徴とする
   請求項１ないし請求項４のいずれかに記載の異音検査装
   置。