信号識別方法及び信号識別装置
【課題】専門知識がなくても適切な学習用データセットを設定するとともに、学習用データセットの設定に必要な処理時間を短縮する。
【解決手段】特徴量抽出部２が、特徴量データ種類選択部３で選択された特徴量データの種類及び抽出範囲選択部４で選択された抽出範囲で学習信号から特徴量データを複数抽出する。確度演算部６が、複数の特徴量データの各要素を各要素番号で昇順に並び換えた状態で、各要素を有する特徴量データに応じて複数領域に区分けされた判定画像を作成し、判定画像から要素番号ごとに複数領域の乱雑度及びこれらの乱雑度の総和を求める。全範囲で上記処理を行った後、乱雑度の総和が最小となるものを学習用データセットとする。ニューラルネットワーク演算部７のマップ作成部７１が教師なし競合学習型ニューラルネットワーク７０に学習用データセットを入力し、クラスタ判定部７２が検査時に用いるクラスタリングマップを作成する。
【解決手段】特徴量抽出部２が、特徴量データ種類選択部３で選択された特徴量データの種類及び抽出範囲選択部４で選択された抽出範囲で学習信号から特徴量データを複数抽出する。確度演算部６が、複数の特徴量データの各要素を各要素番号で昇順に並び換えた状態で、各要素を有する特徴量データに応じて複数領域に区分けされた判定画像を作成し、判定画像から要素番号ごとに複数領域の乱雑度及びこれらの乱雑度の総和を求める。全範囲で上記処理を行った後、乱雑度の総和が最小となるものを学習用データセットとする。ニューラルネットワーク演算部７のマップ作成部７１が教師なし競合学習型ニューラルネットワーク７０に学習用データセットを入力し、クラスタ判定部７２が検査時に用いるクラスタリングマップを作成する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、検査対象物の状態を識別する信号識別方法及び信号識別装置に関するものである。
【背景技術】
【０００２】
従来、検査対象物の状態を識別する信号識別装置は、特許文献１に開示されているように、確度演算手段が、前置処理手段での処理内容ごとに複数の特徴量データ（学習用データセット）を競合学習型ニューラルネットワークに入力して対象信号のカテゴリ分類結果の確度を求め、求めた対象信号のカテゴリ分類の確度が最大になる処理内容を自動的に選択する。
【０００３】
また、従来の信号識別装置の他の例として、特許文献２の信号識別装置は、特徴量データの種類（処理内容）だけでなく特徴量データの各要素の範囲も選択し、異なる特徴量の種類及び各要素の範囲の組み合わせごとに、特徴量データから成る分類対象データ（学習用データセット）を競合学習型ニューラルネットワークに入力して対象信号のカテゴリ分類結果の確度を求め、求めた対象信号のカテゴリ分類結果の確度が最大になる組み合わせを選択する。
【特許文献１】特開２００５−１１５５６９号公報（段落００２４〜００４０及び第１図）
【特許文献２】特開２００６−７２６５９号公報（段落００１８〜００３３及び第１図）
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、上記従来の信号識別装置には、対象信号のカテゴリ分類結果の確度を求める際に競合学習型ニューラルネットワークに学習用データセットを入力することから、特徴量データの種類や各要素の範囲を選択するための処理時間が長くなってしまうという問題があった。
【０００５】
本発明は上記の点に鑑みて為されたものであり、その目的とするところは、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を短縮することができる信号識別方法及び信号識別装置を提供することにある。
【課題を解決するための手段】
【０００６】
請求項１に記載の信号識別方法の発明は、学習用データセットを競合学習型ニューラルネットワークに入力して、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成した後に、前記検査対象物の状態に基づく検査データを前記クラスタリングマップに入力し、前記検査データを前記複数のカテゴリに分類する信号識別方法であって、前記検査対象物の状態に基づく電気信号から抽出可能であり複数の要素をそれぞれ異なる要素番号に対応付けて有する特徴量データの種類と当該特徴量データの各要素の抽出範囲との組み合わせを選択可能とし、選択した前記組み合わせごとに前記電気信号から複数の前記特徴量データを抽出し、抽出した前記複数の特徴量データを選択データセットとした後に、前記選択データセットのそれぞれに対して、前記複数の特徴量データの各要素を前記要素番号ごとに分け、各要素番号で前記要素を昇順又は降順に並び換えた状態で、並び換えた各要素を有する特徴量データに応じて複数領域に区分けした後、各要素番号での前記複数領域の区分けから前記検査データのカテゴリ分類結果の確度を推定し、推定確度の最も高い選択データセットを自動的に選択して前記学習用データセットとすることを特徴とする。
【０００７】
請求項２に記載の信号識別方法の発明は、請求項１に記載の発明において、前記選択データセットのそれぞれに対して、前記要素番号ごとに前記複数領域の区分けの乱雑度Ｅｎｔ（ｉ）を次式で求め、その後、前記乱雑度の総和を求めて前記検査データのカテゴリ分類結果の確度を推定した後、前記乱雑度の総和が最小となる選択データセットを前記推定確度の最も高い選択データセットとすることを特徴とする。
【０００８】
【数３】
【０００９】
（ただし、ｐｉ（ｊ）＝（要素番号ｉにおけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
請求項３に記載の信号識別装置の発明は、学習用データセットを競合学習型ニューラルネットワークに入力して、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成するマップ作成手段と、前記検査対象物の状態に基づく検査データを前記クラスタリングマップに入力し、前記検査データを前記複数のカテゴリに分類する分類手段とを備える信号識別装置であって、前記検査対象物の状態に基づく電気信号から抽出可能であり複数の要素をそれぞれ異なる要素番号に対応付けて有する特徴量データの種類を選択可能とする特徴量データ種類選択手段と、前記特徴量データ種類選択手段で選択された前記特徴量データの種類に応じて当該特徴量データの各要素の抽出範囲を選択可能とする抽出範囲選択手段と、前記特徴量データ種類選択手段で選択された前記特徴量データの種類と前記抽出範囲選択手段で選択した前記特徴量データの各要素の抽出範囲との組み合わせごとに、前記電気信号から複数の前記特徴量データを抽出し、抽出した前記複数の特徴量データを選択データセットとする特徴量抽出手段と、前記選択データセットのそれぞれに対して、前記複数の特徴量データの各要素を前記要素番号ごとに分け、各要素番号で前記要素を昇順又は降順に並び換え、並び換えた各要素を含む特徴量データに応じて複数領域に区分けする機能、各要素番号での前記複数領域の区分けから前記検査データのカテゴリ分類結果の確度を推定し、推定確度の最も高い選択データセットを自動的に選択して前記学習用データとする機能を有する確度演算手段とを備えることを特徴とする。
【００１０】
請求項４に記載の信号識別装置の発明は、請求項３に記載の発明において、前記確度演算手段が、前記選択データセットのそれぞれに対して、前記要素番号ごとに前記複数領域の区分けの乱雑度Ｅｎｔ（ｉ）を次式で求め、前記乱雑度の総和を求めて前記検査データのカテゴリ分類結果の確度を推定する機能、前記乱雑度の総和が最小となる選択データセットを前記推定確度の最も高い選択データセットとする機能を有することを特徴とする。
【００１１】
【数４】
【００１２】
（ただし、ｐｉ（ｊ）＝（要素番号ｉにおけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
【発明の効果】
【００１３】
請求項１又は３に記載の発明によれば、選択した特徴量データの種類と各要素の抽出範囲との組み合わせごとに、検査データのカテゴリ分類結果の確度を競合学習型ニューラルネットワークによる学習を行うことなく自動的に推定することができるので、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００１４】
請求項２又は４に記載の発明によれば、要素番号ごとの乱雑度の総和を求めることによって、検査データのカテゴリ分類結果の推定を容易に行うことができる。
【発明を実施するための最良の形態】
【００１５】
（実施形態１）
本発明の実施形態１について図１〜９を用いて説明する。図１は、実施形態１の信号識別装置の構成を示すブロック図である。図２は、実施形態１の信号識別装置による特徴量データの要素の範囲設定を説明するための図である。図３は、実施形態１の信号識別装置による乱雑度の算出方法を説明するための図である。図４は、実施形態１の信号識別装置による判定画像を示す図である。図５，６，９は、実施形態１の信号識別方法を示すフローチャートである。図７，８は、実施形態１の信号識別方法における特徴量データの要素の範囲設定方法を示す図である。
【００１６】
まず、実施形態１の信号識別装置の構成について説明する。この信号識別装置は、検査対象物の正常状態及び異常状態を識別するものであり、図１に示すように、信号入力部１と、特徴量抽出部２と、特徴量データ種類選択部３と、抽出範囲選択部４と、学習データ記憶部５と、確度演算部６と、ニューラルネットワーク演算部７と、出力部８とを備えている。なお、検査対象物（図示せず）は例えば回転機器を含む装置や設備などであるが、限定されるものではない。
【００１７】
信号入力部１は、振動センサ１０と、マイクロホン１１とを備えている。振動センサ１０は検査対象物（図示せず）の振動を検出し、検出した振動をアナログの電気信号に変換する。一方、マイクロホン１１は検査対象物の音を検出し、検出した音をアナログの電気信号に変換する。
【００１８】
特徴量抽出部２は、振動センサ１０、マイクロホン１１、特徴量データ種類選択部３、抽出範囲選択部４、学習データ記憶部５及びニューラルネットワーク演算部７と接続している。この特徴量抽出部２は、学習時に振動センサ１０又はマイクロホン１１から、検査対象物（図示せず）の正常状態及び異常状態における電気信号を学習信号として入力する。学習信号を入力した後、特徴量抽出部２は、入力した学習信号に対してノイズを除去する前処理を行い、特徴量データ種類選択部３で選択された特徴量データの種類と抽出範囲選択部４で選択された特徴量データの各要素の抽出範囲との組み合わせを用いて、前処理を行った学習信号から複数の特徴量データを抽出し、抽出した複数の特徴量データを選択データセットとする。特徴量データは、複数の要素をそれぞれ異なる要素番号に対応付けて含んでいる。特徴量データの種類として、例えば、高速フーリエ変換によってフーリエ係数を求める「ＦＦＴ」や高速フーリエ変換によって求めた周波数分布パターンについてウェーブレット変換を行う「ＦＦＴ＋ウェーブレット」、時間軸方向に設定した窓内の振幅を積算する「投影波形」、確率密度関数を求める「確率密度関数」、実効値を求める「実効値」などがある。「ＦＦＴ」については、複数種類のパラメータを選択可能としている。実施形態１では、入力した学習信号にフーリエ変換を施すことによって、複数の周波数成分のそれぞれを要素とする特徴量データを複数抽出し、抽出した複数の特徴量データを選択データセットとする。選択データセットを作成した後、特徴量抽出部２は選択データセットを学習データ記憶部５に出力する。
【００１９】
一方、検査時において、特徴量抽出部２は振動センサ１０又はマイクロホン１１から検査対象物（図示せず）の状態に基づく電気信号を検査信号として入力する。検査信号を入力した後、特徴量抽出部２は、学習時に選択した特徴量データの種類と同様のものを採用して、入力した検査信号から特徴量データを抽出する。実施形態１では、入力した検査信号にフーリエ変換を施すことによって、後述で設定された抽出範囲の周波数成分を要素とする特徴量データを抽出し、抽出した特徴量データからなる検査データを作成する。検査データを作成した後、特徴量抽出部２は、作成した検査データをニューラルネットワーク演算部７に出力する。
【００２０】
特徴量データ種類選択部３は、特徴量抽出部２、抽出範囲選択部４及び確度演算部６と接続し、検査対象物（図示せず）の状態に基づく学習信号から抽出可能な特徴量データの種類を選択可能とする。特徴量データの種類は、例えば「ＦＦＴ」や「ＦＦＴ＋ウェーブレット」、「投影波形」、「確率密度関数」、「実効値」などがある。実施形態１では「ＦＦＴ」を選択している。
【００２１】
抽出範囲選択部４は、特徴量抽出部２、特徴量データ種類選択部３及び確度演算部６と接続し、特徴量データ種類選択部３で選択された特徴量データの種類に応じて特徴量データの各要素の抽出範囲を選択可能とする。実施形態１では、「ＦＦＴ」が選択されているので、抽出範囲選択部４は、特徴量データの抽出周波数範囲（下限値及び上限値）を調節する。調節時の周波数の刻み幅（単位）はＦＦＴの分解能とする。
【００２２】
ここで、特徴量データの各要素における抽出範囲の下限値及び上限値の調節方法について図２を用いて説明する。図２の横軸は周波数を示し、縦軸は信号レベルを示す。まず、学習信号として想定している周波数の最大値と０Ｈｚとの間を特徴量データの要素数で等分割する。各抽出範囲の下限値の調節範囲は、等分割した各周波数領域Ｄ１〜Ｄ３の中心周波数と低周波側に隣接する周波数領域Ｄ１〜Ｄ３の中心周波数との間とする。一方、各抽出範囲の上限値の調節範囲は、等分割した各周波数領域Ｄ１〜Ｄ３の中心周波数と高周波側に隣接する周波数領域Ｄ１〜Ｄ３の中心周波数との間とする。例えば周波数領域Ｄ２の下限値を調節する範囲をＣＬで示し、上限値を調節する範囲をＣＨで示している。
【００２３】
なお、着目する周波数領域Ｄ１〜Ｄ３の低周波側に隣接する周波数領域Ｄ１〜Ｄ３が存在しない場合には下限値を０Ｈｚとし、着目する周波数領域Ｄ１〜Ｄ３の高周波側に隣接する周波数領域Ｄ１〜Ｄ３が存在しない場合には上限値を学習信号として想定している周波数の最大値とする。
【００２４】
また、検査データのカテゴリ分類結果の確度が大きくなる抽出範囲を使用者が経験的に認識していることもあるから、上記抽出範囲の下限値及び上限値が存在する範囲を使用者が推定することができる場合には、その範囲に絞り込んで下限値及び上限値を求めるようにすれば、抽出範囲の調節に要する時間を短縮することができる。
【００２５】
学習データ記憶部５は、図１に示すように、例えば半導体メモリなどを備え、特徴量抽出部２、確度演算部６及びニューラルネットワーク演算部７と接続している。この学習データ記憶部５は、学習時に特徴量抽出部２で作成された複数の選択データセットを記憶するとともに、記憶している選択データセットのうち学習用データセットとなるものをニューラルネットワーク演算部７に出力する。また、学習データ記憶部５は後述の乱雑度の総和を確度演算部６から入力して記憶する。
【００２６】
確度演算部６は、特徴量データ種類選択部３、抽出範囲選択部４及び学習データ記憶部５と接続している。この確度演算部６は選択データセットのそれぞれに対して、複数の特徴量データの各要素を要素番号ごとに昇順に並び換え、並び換えた各要素を含む特徴量データに応じて複数領域に区分けする。また、確度演算部６は選択データセットのそれぞれに対して、要素番号ごとに複数領域の区分けの乱雑度（エントロピー）Ｅｎｔ（ｉ）を次式で求め、さらに、乱雑度の総和を求め、求めた乱雑度の総和を学習データ記憶部５に出力する。
【００２７】
【数５】
【００２８】
（ただし、ｐｉ（ｊ）＝（第ｉ要素におけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
上記の確度演算部６について図３を用いて具体的に説明する。図３（ａ）には、１つの選択データセットに含まれている正常状態の第１，２の特徴量データ及び異常状態の第３，４の特徴量データを示している。なお、第１〜４の特徴量データの要素数は説明を容易に行うために４つとしているが、４つに限定されるものではなく適宜設定される。確度演算部６は、第１〜４の特徴量データの各要素を要素番号ごとに図３（ｂ）に示すように並び換えて、図３（ｃ）に示すような判定画像６０を作成する。判定画像６０は、正常状態の領域である正常領域６００と異常状態の領域である異常領域６０１とに区分けされている。図３（ｃ）の第１要素では、特徴量データ数が４、１番目の領域（左側の正常領域６００）の長さが１、２番目の領域（異常領域６０１）の長さが２、３番目の領域（右側の正常領域６００）の長さが１である。同様に、第２要素では、１番目の領域（左側の異常領域６０１）の長さが１、２番目の領域（左側の正常領域６００）の長さが１、３番目の領域（右側の異常領域６０１）の長さが１、４番目の領域（右側の正常領域６００）であり、第３，４要素では、１番目の領域（正常領域６００）の長さが２、２番目の領域（異常領域６０１）の長さが２である。第１〜４要素のそれぞれにおいて乱雑度を求め、さらに、これらの乱雑度の総和を求める。
【００２９】
すべての選択データセットのそれぞれに対して乱雑度の総和を求めた後、確度演算部６は、学習データ記憶部５からすべての選択データセットに対する乱雑度の総和を入力し、これらの乱雑度の総和が最小となる選択データセットを推定確度の最も高い選択データセットとして自動的に選択し、選択した選択データセットを学習用データセットとする。
【００３０】
ここで、判定画像と後述のマップ作成部７１で作成されるクラスタリングマップとの相関について図４を用いて説明する。図４（ａ）の判定画像６０ａは正常領域と異常領域とが全体に入り乱れて乱雑度が大きいものであり、これにより、乱雑度の総和は大きくなるとともに、クラスタリングマップ７３ａは判定不能カテゴリ７３２の大きいものになる。図４（ｂ）の判定画像６０ｂは判定画像６０ａより乱雑度が小さいものの半分の領域において乱雑度が大きいままであり、クラスタリングマップ７３ｂは判定不能領域７３２を含むものになる。これに対して、図４（ｃ）の判定画像６０ｃは乱雑度が小さいものであり、これにより、乱雑度の総和は小さくなるとともに、クラスタリングマップ７３ｃは判定不能カテゴリを含まず、正常カテゴリ７３０及び異常カテゴリ７３１に明確に区分けされたものになる。つまり、乱雑度の総和が小さくなると、クラスタリングマップ７３ａ〜７３ｃに含まれる判定不能カテゴリ７３２も最小となり、判定の確度が高くなる。したがって、乱雑度の総和から検査データのカテゴリ分類結果の確度を推定することができる。
【００３１】
ニューラルネットワーク演算部７は、図１に示すように、例えばマイクロコンピュータなどであり、教師なし競合学習型ニューラルネットワーク７０と、マップ作成部７１と、クラスタ判定部７２とを備え、特徴量抽出部２、学習データ記憶部５、出力部８、マップ記憶部７４及び判定結果記憶部７５と接続している。
【００３２】
マップ作成部７１は、学習時に学習データ記憶部５から学習用データセットを入力し、この学習用データセットを教師なし競合学習型ニューラルネットワーク７０に入力する。教師なし競合学習型ニューラルネットワーク７０は、複数の入力層ニューロンと複数の出力層ニューロンとの２層で構成されている。複数の出力層ニューロンはクラスタリングマップを構成する。このクラスタリングマップは、複数の特徴量データを用いた学習によって出力層ニューロンごとに重み係数データが決定される。これまでに特徴量データが教師なし競合学習型ニューラルネットワーク７０に入力されていなかった場合、マップ作成部７１は、学習開始時に、入力した特徴量データの要素ごとの平均値に乱数による一定範囲内のバラツキを与えた異なる値を各出力層ニューロンに初期値として与える。マップ作成部７１は、出力層ニューロンごとに各特徴量データと重み係数データとのユークリッド距離を算出し、ユークリッド距離が最小となる特徴量データのカテゴリを設定してクラスタリングマップを作成する。
【００３３】
また、マップ作成部７１はクラスタリングマップを作成した後に、すべての特徴量データを教師なし競合学習型ニューラルネットワーク７０に再入力し、正常状態の特徴量データと異常状態の特徴量データとが同じ出力層ニューロンに属していないかを確認する。
【００３４】
上記より、マップ作成部７１は、検査対象物（図示せず）の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成する。マップ作成部７１で作成されたクラスタリングマップはマップ記憶部７４に記憶される。
【００３５】
クラスタ判定部７２は、検査時に特徴量抽出部２から検査データを入力し、この検査データをクラスタリングマップに入力する。このクラスタ判定部７２はクラスタリングマップ上の出力層ニューロンごとに、出力層ニューロンの重み係数データと検査データとのユークリッド距離を算出し、これらのユークリッド距離の中から最小値を抽出し、ユークリッド距離が最小値となる出力層ニューロンのカテゴリに検査データを分類する分類手段である。検査データの分類によって検査対象物の状態が判定され、この判定結果が判定結果記憶部７５に記憶される。
【００３６】
出力部８はニューラルネットワーク演算部７から判定結果を入力し、入力した判定結果に基づいて警告音を鳴らしたり、警告画面を表示したりする。
【００３７】
次に、実施形態１の信号識別装置を用いた信号識別方法のうち学習方法について図５を用いて説明する。まず、特徴量抽出部２（図１参照）が、検査対象物（図示せず）の状態に基づく学習信号を特徴量抽出部２に入力する（Ｓ１１）。その後、特徴量抽出部２が前処理を行ってノイズを除去した後（Ｓ１２）、特徴量データ種類選択部３（図１参照）が特徴量データの種類を１乃至複数選択し、確度演算部６（図１参照）が、選択した種類ごとに乱雑度の総和を算出する（Ｓ１３）。選択したすべての種類で確度を推定する（Ｓ１４）。その後、確度演算部６が、乱雑度の総和が最小となる選択データセットを自動的に選択して学習用データセットとする（Ｓ１５）。マップ作成部７１（図１参照）が学習用データセットを教師なし競合学習型ニューラルネットワーク７０（図１参照）に入力してＳＯＭでの学習を行い（Ｓ１６）、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成する（Ｓ１７）。
【００３８】
続いて、上記の学習方法のうち確度推定方法について図６を用いて詳細に説明する。まず、特徴量抽出部２（図１参照）がフーリエ変換を学習信号に施して周波数成分信号を生成する（Ｓ２１）。その後、抽出範囲選択部４（図１参照）が抽出範囲の始終点周波数を初期化し（Ｓ２２）、始点周波数を設定し（Ｓ２３）、終点周波数を設定する（Ｓ２４）。その後、特徴量抽出部２が周波数成分信号から特徴量データを複数抽出し、抽出した複数の特徴量データを選択データセットとする（Ｓ２５）。その後、確度演算部６（図１参照）が、選択データセットに対して、複数の特徴量データの各要素を要素番号ごとに分け、各要素番号で要素を昇順に並び換えた状態で、並び換えた各要素を有する特徴量データに応じて複数領域に区分けされた判定画像６０（図３（ｃ）参照）を作成する（Ｓ２６）。その後、要素番号ごとに複数領域の区分けの乱雑度を求め、各要素番号の乱雑度から乱雑度の総和を求める（Ｓ２７）。このような処理を、下限値及び上限値の調節範囲の全範囲について行った後（Ｓ２８），（Ｓ２９）、乱雑度の総和が小さい順に選択データセットを並び換える（Ｓ３０）。
【００３９】
ここで、上記の技術を用いて良品と不良品とにカテゴリを分類する例について図７，８を用いて説明する。図７，８の横軸は周波数、縦軸は信号レベルを示し、符号ＧＤ，ＮＧは、それぞれ良品と不良品とに対応する成分であることを意味する。図７（ａ），（ｂ）は良品の周波数分布、図７（ｃ），（ｄ）は不良品の周波数分布を示している。図８（ａ）〜（ｃ）は、それぞれ異なる抽出範囲の選択例であり、図８（ａ）は確度が最も高くなる場合、図８（ｃ）は確度が最も低くなる場合を示している。また、抽出範囲は２区間を採用している。図８（ａ）〜（ｃ）では図７（ａ）〜（ｄ）の周波数分布を重ね合わせて示してあり、良品と不良品との周波数成分が混在している。図８（ａ）のように確度が最大になる抽出範囲を選択したときには、抽出範囲Ｆ１が良品の特徴を表し、抽出範囲Ｆ２が不良品の特徴を表す。これに対して、図８（ｂ）では抽出範囲Ｆ２に不良品以外の良品に対応する周波数成分が存在しているからカテゴリの分類が曖昧になり、図８（ｃ）では抽出範囲Ｆ１，Ｆ２で良品の周波数成分と不良品の周波数成分とが混在しているからカテゴリの分類がさらに曖昧になる。
【００４０】
次に、実施形態１の信号識別装置を用いた信号識別方法のうち検査方法について図９を用いて説明する。まず、信号入力部１の振動センサ１０又はマイクロホン１１（図１参照）が検査対象物（図示せず）の状態を検出して電気信号に変換し、特徴量抽出部２（図１参照）が振動センサ１０又はマイクロホン１１から電気信号を検査信号として入力する（Ｓ３１）。続いて、特徴量抽出部２が前処理を行ってノイズを除去した後（Ｓ３２）、検査信号から周波数成分を要素とする特徴量データを抽出し、検査データを作成する（Ｓ３３）。その後、クラスタ判定部７２が検査データをクラスタリングマップに入力し（Ｓ３４）、検査データをカテゴリに分類し、検査データの状態を判定する（Ｓ３５）。
【００４１】
以上、実施形態１によれば、検査データのカテゴリ分類結果の確度を推定する際に、教師なし競合学習型ニューラルネットワーク７０による学習を行うことなく、選択した特徴量データの種類及び各要素の抽出範囲の組み合わせごとに自動的に行うことができるので、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００４２】
（実施形態２）
本発明の実施形態２について図１，１０を用いて説明する。図１０は、実施形態２の信号識別方法のうち確度推定方法を示すフローチャートである。
【００４３】
まず、実施形態２の信号識別装置の構成について説明する。この信号識別装置は、図１に示すように、信号入力部１と、特徴量抽出部２と、特徴量データ種類選択部３と、抽出範囲選択部４と、学習データ記憶部５と、確度演算部６と、ニューラルネットワーク演算部７と、出力部８とを実施形態１の信号識別装置と同様に備えているが、実施形態１の信号識別装置にはない以下に記載の特徴部分を有する。
【００４４】
実施形態２の特徴量データ種類選択部３は、特徴量データの種類として「ＦＦＴ」に代えて「投影波形」を選択する。この選択により、実施形態２の抽出範囲選択部４は、特徴量データの抽出時間範囲（下限値及び上限値）を調節する。なお、実施形態２の特徴量データ種類選択部３及び抽出範囲選択部４は上記以外の点において実施形態１の特徴量データ種類選択部及び抽出範囲選択部と同様である。
【００４５】
これにしたがって、実施形態２の特徴量抽出部２は、入力した学習信号ごとに抽出時間範囲を設定して特徴量データを複数抽出し、抽出した複数の特徴量データを選択データセットとする。なお、実施形態２の特徴量抽出部２は上記以外の点において実施形態１の特徴量抽出部と同様である。
【００４６】
次に、実施形態２の信号識別装置を用いた信号識別方法の学習方法のうち確度推定方法について図１０を用いて説明する。まず、抽出範囲選択部４（図１参照）が始点時間及び終点時間を初期化し（Ｓ４１）、始点時間を設定し（Ｓ４２）、終点時間を設定する（Ｓ４３）。その後、特徴量抽出部２（図１参照）が学習信号のうち設定した抽出時間範囲の積を特徴量データとして複数抽出して選択データセットを作成する（Ｓ４４）。その後、実施形態１の（Ｓ２６），（Ｓ２７）と同様に、確度演算部６が、選択データセットの複数の特徴量データを用いて判定画像６０（図３（ｃ）参照）を作成し（Ｓ４５）、乱雑度の総和を求める（Ｓ４６）。このような処理を、下限値及び上限値の調節範囲の全範囲について行った後（Ｓ４７），（Ｓ４８）、実施形態１の（Ｓ３０）と同様に、確度演算部６が乱雑度の総和が小さい順に選択データセットを並び換える（Ｓ４９）。
【００４７】
その後は、実施形態１と同様に、確度演算部６（図１参照）が、乱雑度の総和が最小となる選択データセットを自動的に選択して学習用データセットとする。そして、マップ作成部７１（図１参照）が学習用データセットを教師なし競合学習型ニューラルネットワーク７０（図１参照）に入力してＳＯＭでの学習を行い、クラスタリングマップを作成する。
【００４８】
なお、実施形態２の信号識別方法の学習方法及び検査方法は、上記以外の点において実施形態１の信号識別方法の学習方法及び検査方法と同様である。
【００４９】
以上、実施形態２によれば、特徴量データの種類を「投影波形」に選択した場合であっても、検査データのカテゴリ分類結果の確度を推定する際に、教師なし競合学習型ニューラルネットワーク７０による学習を行うことなく、選択した特徴量データの種類及び各要素の抽出範囲の組み合わせごとに自動的に行うことができるので、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００５０】
（実施形態３）
本発明の実施形態３について図１，１１を用いて説明する。図１１は、実施形態３の信号識別方法のうち確度推定方法を示すフローチャートである。
【００５１】
まず、実施形態３の信号識別装置の構成について説明する。この信号識別装置は、図１に示すように、信号入力部１と、特徴量抽出部２と、特徴量データ種類選択部３と、抽出範囲選択部４と、学習データ記憶部５と、確度演算部６と、ニューラルネットワーク演算部７と、出力部８とを実施形態２の信号識別装置と同様に備えているが、実施形態２の信号識別装置にはない以下に記載の特徴部分を有する。
【００５２】
実施形態３の抽出範囲選択部４は、実施形態２とは異なり、特徴量データに含まれる時間軸方向の配列に着目するのではなく、振幅に着目し振幅成分の分解能によって特徴量データを規定する。分解能を選択する際には、特徴量データの振幅が±１の範囲となるように正規化し、分解能を１０〜１０００までの範囲で刻み幅を１０として探索する。この刻み幅は学習信号を量子化する際の分解能とする。ただし、分解能の選択範囲及び刻み幅は利用者が任意に設定してもよい。なお、実施形態３の抽出範囲選択部４は上記以外の点において実施形態２の抽出範囲選択部と同様である。
【００５３】
次に、実施形態３の信号識別装置を用いた信号識別方法の学習方法のうち確度推定方法について図１１を用いて説明する。まず、抽出範囲選択部４（図１参照）が分解能を初期化した後（Ｓ５１）、分解能を１０に設定する（Ｓ５２）。その後、特徴量抽出部２（図１参照）が学習信号から特徴量データを複数抽出して選択データセットを作成する（Ｓ５３）。その後、実施形態２の（Ｓ４５），（Ｓ４６）と同様に、確度演算部６が、選択データセットの複数の特徴量データを用いて判定画像６０（図３（ｃ）参照）を作成し（Ｓ５４）、乱雑度の総和を求める（Ｓ５５）。このような処理を、分解能を１０ずつ増加させながら分解能が１０００になるまで繰り返した後（Ｓ５６）、実施形態２の（Ｓ４９）と同様に、確度演算部６が乱雑度の総和が小さい順に選択データセットを並び換える（Ｓ５７）。
【００５４】
その後は、実施形態２と同様に、確度演算部６（図１参照）が、乱雑度の総和が最小となる選択データセットを自動的に選択して学習用データセットとする。そして、マップ作成部７１（図１参照）が学習用データセットを教師なし競合学習型ニューラルネットワーク７０（図１参照）に入力してＳＯＭでの学習を行い、クラスタリングマップを作成する。
【００５５】
なお、実施形態３の信号識別方法の学習方法及び検査方法は、上記以外の点において実施形態２の信号識別方法の学習方法及び検査方法と同様である。
【００５６】
以上、実施形態３によれば、学習信号の振幅の分解能を変化させた場合であっても、検査データのカテゴリ分類結果の確度を推定する際に、教師なし競合学習型ニューラルネットワーク７０による学習を行うことなく、選択した特徴量データの種類及び各要素の抽出範囲の組み合わせごとに自動的に行うことができるので、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００５７】
なお、実施形態１〜３のいずれかの変形例として、確度演算部６が、選択データセットに対して、複数の特徴量データの各要素を要素番号ごとに昇順ではなく降順に並び換えてもよい。このようにしても、実施形態１〜３と同様に、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００５８】
また、実施形態１〜３のいずれかにおける他の変形例として、特徴量データ種類選択部３が複数種類の特徴量データを選択してもよい。このような場合であっても、確度演算部６がそれぞれの選択データセットに対して乱雑度の総和を求め、乱雑度の総和が最も小さい選択データセットを学習用データセットとすることで、実施形態１〜３と同様に、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【図面の簡単な説明】
【００５９】
【図１】本発明の実施形態１〜３における信号識別装置の構成を示すブロック図である。
【図２】本発明の実施形態１の信号識別装置による特徴量データの要素の範囲設定を説明するための図である。
【図３】同上の信号識別装置による乱雑度の算出方法を説明するための図である。
【図４】同上の信号識別装置による判定画像を示す図である。
【図５】同上の信号識別方法のうち学習方法を示すフローチャートである。
【図６】同上における信号識別方法のうち確度推定方法を示すフローチャートである。
【図７】同上の信号識別方法における特徴量データの要素の範囲設定方法を示す図である。
【図８】同上の信号識別方法における特徴量データの要素の範囲設定方法を示す図である。
【図９】同上の信号識別方法のうち検査方法を示すフローチャートである。
【図１０】本発明の実施形態２における信号識別方法のうち確度推定方法を示すフローチャートである。
【図１１】本発明の実施形態３における信号識別方法のうち確度推定方法を示すフローチャートである。
【符号の説明】
【００６０】
２ 特徴量抽出部
３ 特徴量データ種類選択部
４ 抽出範囲選択部
６ 確度演算部
７ ニューラルネットワーク演算部
７０ 教師なし競合学習型ニューラルネットワーク
７１ マップ作成部
７２ クラスタ判定部
【技術分野】
【０００１】
本発明は、検査対象物の状態を識別する信号識別方法及び信号識別装置に関するものである。
【背景技術】
【０００２】
従来、検査対象物の状態を識別する信号識別装置は、特許文献１に開示されているように、確度演算手段が、前置処理手段での処理内容ごとに複数の特徴量データ（学習用データセット）を競合学習型ニューラルネットワークに入力して対象信号のカテゴリ分類結果の確度を求め、求めた対象信号のカテゴリ分類の確度が最大になる処理内容を自動的に選択する。
【０００３】
また、従来の信号識別装置の他の例として、特許文献２の信号識別装置は、特徴量データの種類（処理内容）だけでなく特徴量データの各要素の範囲も選択し、異なる特徴量の種類及び各要素の範囲の組み合わせごとに、特徴量データから成る分類対象データ（学習用データセット）を競合学習型ニューラルネットワークに入力して対象信号のカテゴリ分類結果の確度を求め、求めた対象信号のカテゴリ分類結果の確度が最大になる組み合わせを選択する。
【特許文献１】特開２００５−１１５５６９号公報（段落００２４〜００４０及び第１図）
【特許文献２】特開２００６−７２６５９号公報（段落００１８〜００３３及び第１図）
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、上記従来の信号識別装置には、対象信号のカテゴリ分類結果の確度を求める際に競合学習型ニューラルネットワークに学習用データセットを入力することから、特徴量データの種類や各要素の範囲を選択するための処理時間が長くなってしまうという問題があった。
【０００５】
本発明は上記の点に鑑みて為されたものであり、その目的とするところは、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を短縮することができる信号識別方法及び信号識別装置を提供することにある。
【課題を解決するための手段】
【０００６】
請求項１に記載の信号識別方法の発明は、学習用データセットを競合学習型ニューラルネットワークに入力して、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成した後に、前記検査対象物の状態に基づく検査データを前記クラスタリングマップに入力し、前記検査データを前記複数のカテゴリに分類する信号識別方法であって、前記検査対象物の状態に基づく電気信号から抽出可能であり複数の要素をそれぞれ異なる要素番号に対応付けて有する特徴量データの種類と当該特徴量データの各要素の抽出範囲との組み合わせを選択可能とし、選択した前記組み合わせごとに前記電気信号から複数の前記特徴量データを抽出し、抽出した前記複数の特徴量データを選択データセットとした後に、前記選択データセットのそれぞれに対して、前記複数の特徴量データの各要素を前記要素番号ごとに分け、各要素番号で前記要素を昇順又は降順に並び換えた状態で、並び換えた各要素を有する特徴量データに応じて複数領域に区分けした後、各要素番号での前記複数領域の区分けから前記検査データのカテゴリ分類結果の確度を推定し、推定確度の最も高い選択データセットを自動的に選択して前記学習用データセットとすることを特徴とする。
【０００７】
請求項２に記載の信号識別方法の発明は、請求項１に記載の発明において、前記選択データセットのそれぞれに対して、前記要素番号ごとに前記複数領域の区分けの乱雑度Ｅｎｔ（ｉ）を次式で求め、その後、前記乱雑度の総和を求めて前記検査データのカテゴリ分類結果の確度を推定した後、前記乱雑度の総和が最小となる選択データセットを前記推定確度の最も高い選択データセットとすることを特徴とする。
【０００８】
【数３】
【０００９】
（ただし、ｐｉ（ｊ）＝（要素番号ｉにおけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
請求項３に記載の信号識別装置の発明は、学習用データセットを競合学習型ニューラルネットワークに入力して、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成するマップ作成手段と、前記検査対象物の状態に基づく検査データを前記クラスタリングマップに入力し、前記検査データを前記複数のカテゴリに分類する分類手段とを備える信号識別装置であって、前記検査対象物の状態に基づく電気信号から抽出可能であり複数の要素をそれぞれ異なる要素番号に対応付けて有する特徴量データの種類を選択可能とする特徴量データ種類選択手段と、前記特徴量データ種類選択手段で選択された前記特徴量データの種類に応じて当該特徴量データの各要素の抽出範囲を選択可能とする抽出範囲選択手段と、前記特徴量データ種類選択手段で選択された前記特徴量データの種類と前記抽出範囲選択手段で選択した前記特徴量データの各要素の抽出範囲との組み合わせごとに、前記電気信号から複数の前記特徴量データを抽出し、抽出した前記複数の特徴量データを選択データセットとする特徴量抽出手段と、前記選択データセットのそれぞれに対して、前記複数の特徴量データの各要素を前記要素番号ごとに分け、各要素番号で前記要素を昇順又は降順に並び換え、並び換えた各要素を含む特徴量データに応じて複数領域に区分けする機能、各要素番号での前記複数領域の区分けから前記検査データのカテゴリ分類結果の確度を推定し、推定確度の最も高い選択データセットを自動的に選択して前記学習用データとする機能を有する確度演算手段とを備えることを特徴とする。
【００１０】
請求項４に記載の信号識別装置の発明は、請求項３に記載の発明において、前記確度演算手段が、前記選択データセットのそれぞれに対して、前記要素番号ごとに前記複数領域の区分けの乱雑度Ｅｎｔ（ｉ）を次式で求め、前記乱雑度の総和を求めて前記検査データのカテゴリ分類結果の確度を推定する機能、前記乱雑度の総和が最小となる選択データセットを前記推定確度の最も高い選択データセットとする機能を有することを特徴とする。
【００１１】
【数４】
【００１２】
（ただし、ｐｉ（ｊ）＝（要素番号ｉにおけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
【発明の効果】
【００１３】
請求項１又は３に記載の発明によれば、選択した特徴量データの種類と各要素の抽出範囲との組み合わせごとに、検査データのカテゴリ分類結果の確度を競合学習型ニューラルネットワークによる学習を行うことなく自動的に推定することができるので、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００１４】
請求項２又は４に記載の発明によれば、要素番号ごとの乱雑度の総和を求めることによって、検査データのカテゴリ分類結果の推定を容易に行うことができる。
【発明を実施するための最良の形態】
【００１５】
（実施形態１）
本発明の実施形態１について図１〜９を用いて説明する。図１は、実施形態１の信号識別装置の構成を示すブロック図である。図２は、実施形態１の信号識別装置による特徴量データの要素の範囲設定を説明するための図である。図３は、実施形態１の信号識別装置による乱雑度の算出方法を説明するための図である。図４は、実施形態１の信号識別装置による判定画像を示す図である。図５，６，９は、実施形態１の信号識別方法を示すフローチャートである。図７，８は、実施形態１の信号識別方法における特徴量データの要素の範囲設定方法を示す図である。
【００１６】
まず、実施形態１の信号識別装置の構成について説明する。この信号識別装置は、検査対象物の正常状態及び異常状態を識別するものであり、図１に示すように、信号入力部１と、特徴量抽出部２と、特徴量データ種類選択部３と、抽出範囲選択部４と、学習データ記憶部５と、確度演算部６と、ニューラルネットワーク演算部７と、出力部８とを備えている。なお、検査対象物（図示せず）は例えば回転機器を含む装置や設備などであるが、限定されるものではない。
【００１７】
信号入力部１は、振動センサ１０と、マイクロホン１１とを備えている。振動センサ１０は検査対象物（図示せず）の振動を検出し、検出した振動をアナログの電気信号に変換する。一方、マイクロホン１１は検査対象物の音を検出し、検出した音をアナログの電気信号に変換する。
【００１８】
特徴量抽出部２は、振動センサ１０、マイクロホン１１、特徴量データ種類選択部３、抽出範囲選択部４、学習データ記憶部５及びニューラルネットワーク演算部７と接続している。この特徴量抽出部２は、学習時に振動センサ１０又はマイクロホン１１から、検査対象物（図示せず）の正常状態及び異常状態における電気信号を学習信号として入力する。学習信号を入力した後、特徴量抽出部２は、入力した学習信号に対してノイズを除去する前処理を行い、特徴量データ種類選択部３で選択された特徴量データの種類と抽出範囲選択部４で選択された特徴量データの各要素の抽出範囲との組み合わせを用いて、前処理を行った学習信号から複数の特徴量データを抽出し、抽出した複数の特徴量データを選択データセットとする。特徴量データは、複数の要素をそれぞれ異なる要素番号に対応付けて含んでいる。特徴量データの種類として、例えば、高速フーリエ変換によってフーリエ係数を求める「ＦＦＴ」や高速フーリエ変換によって求めた周波数分布パターンについてウェーブレット変換を行う「ＦＦＴ＋ウェーブレット」、時間軸方向に設定した窓内の振幅を積算する「投影波形」、確率密度関数を求める「確率密度関数」、実効値を求める「実効値」などがある。「ＦＦＴ」については、複数種類のパラメータを選択可能としている。実施形態１では、入力した学習信号にフーリエ変換を施すことによって、複数の周波数成分のそれぞれを要素とする特徴量データを複数抽出し、抽出した複数の特徴量データを選択データセットとする。選択データセットを作成した後、特徴量抽出部２は選択データセットを学習データ記憶部５に出力する。
【００１９】
一方、検査時において、特徴量抽出部２は振動センサ１０又はマイクロホン１１から検査対象物（図示せず）の状態に基づく電気信号を検査信号として入力する。検査信号を入力した後、特徴量抽出部２は、学習時に選択した特徴量データの種類と同様のものを採用して、入力した検査信号から特徴量データを抽出する。実施形態１では、入力した検査信号にフーリエ変換を施すことによって、後述で設定された抽出範囲の周波数成分を要素とする特徴量データを抽出し、抽出した特徴量データからなる検査データを作成する。検査データを作成した後、特徴量抽出部２は、作成した検査データをニューラルネットワーク演算部７に出力する。
【００２０】
特徴量データ種類選択部３は、特徴量抽出部２、抽出範囲選択部４及び確度演算部６と接続し、検査対象物（図示せず）の状態に基づく学習信号から抽出可能な特徴量データの種類を選択可能とする。特徴量データの種類は、例えば「ＦＦＴ」や「ＦＦＴ＋ウェーブレット」、「投影波形」、「確率密度関数」、「実効値」などがある。実施形態１では「ＦＦＴ」を選択している。
【００２１】
抽出範囲選択部４は、特徴量抽出部２、特徴量データ種類選択部３及び確度演算部６と接続し、特徴量データ種類選択部３で選択された特徴量データの種類に応じて特徴量データの各要素の抽出範囲を選択可能とする。実施形態１では、「ＦＦＴ」が選択されているので、抽出範囲選択部４は、特徴量データの抽出周波数範囲（下限値及び上限値）を調節する。調節時の周波数の刻み幅（単位）はＦＦＴの分解能とする。
【００２２】
ここで、特徴量データの各要素における抽出範囲の下限値及び上限値の調節方法について図２を用いて説明する。図２の横軸は周波数を示し、縦軸は信号レベルを示す。まず、学習信号として想定している周波数の最大値と０Ｈｚとの間を特徴量データの要素数で等分割する。各抽出範囲の下限値の調節範囲は、等分割した各周波数領域Ｄ１〜Ｄ３の中心周波数と低周波側に隣接する周波数領域Ｄ１〜Ｄ３の中心周波数との間とする。一方、各抽出範囲の上限値の調節範囲は、等分割した各周波数領域Ｄ１〜Ｄ３の中心周波数と高周波側に隣接する周波数領域Ｄ１〜Ｄ３の中心周波数との間とする。例えば周波数領域Ｄ２の下限値を調節する範囲をＣＬで示し、上限値を調節する範囲をＣＨで示している。
【００２３】
なお、着目する周波数領域Ｄ１〜Ｄ３の低周波側に隣接する周波数領域Ｄ１〜Ｄ３が存在しない場合には下限値を０Ｈｚとし、着目する周波数領域Ｄ１〜Ｄ３の高周波側に隣接する周波数領域Ｄ１〜Ｄ３が存在しない場合には上限値を学習信号として想定している周波数の最大値とする。
【００２４】
また、検査データのカテゴリ分類結果の確度が大きくなる抽出範囲を使用者が経験的に認識していることもあるから、上記抽出範囲の下限値及び上限値が存在する範囲を使用者が推定することができる場合には、その範囲に絞り込んで下限値及び上限値を求めるようにすれば、抽出範囲の調節に要する時間を短縮することができる。
【００２５】
学習データ記憶部５は、図１に示すように、例えば半導体メモリなどを備え、特徴量抽出部２、確度演算部６及びニューラルネットワーク演算部７と接続している。この学習データ記憶部５は、学習時に特徴量抽出部２で作成された複数の選択データセットを記憶するとともに、記憶している選択データセットのうち学習用データセットとなるものをニューラルネットワーク演算部７に出力する。また、学習データ記憶部５は後述の乱雑度の総和を確度演算部６から入力して記憶する。
【００２６】
確度演算部６は、特徴量データ種類選択部３、抽出範囲選択部４及び学習データ記憶部５と接続している。この確度演算部６は選択データセットのそれぞれに対して、複数の特徴量データの各要素を要素番号ごとに昇順に並び換え、並び換えた各要素を含む特徴量データに応じて複数領域に区分けする。また、確度演算部６は選択データセットのそれぞれに対して、要素番号ごとに複数領域の区分けの乱雑度（エントロピー）Ｅｎｔ（ｉ）を次式で求め、さらに、乱雑度の総和を求め、求めた乱雑度の総和を学習データ記憶部５に出力する。
【００２７】
【数５】
【００２８】
（ただし、ｐｉ（ｊ）＝（第ｉ要素におけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
上記の確度演算部６について図３を用いて具体的に説明する。図３（ａ）には、１つの選択データセットに含まれている正常状態の第１，２の特徴量データ及び異常状態の第３，４の特徴量データを示している。なお、第１〜４の特徴量データの要素数は説明を容易に行うために４つとしているが、４つに限定されるものではなく適宜設定される。確度演算部６は、第１〜４の特徴量データの各要素を要素番号ごとに図３（ｂ）に示すように並び換えて、図３（ｃ）に示すような判定画像６０を作成する。判定画像６０は、正常状態の領域である正常領域６００と異常状態の領域である異常領域６０１とに区分けされている。図３（ｃ）の第１要素では、特徴量データ数が４、１番目の領域（左側の正常領域６００）の長さが１、２番目の領域（異常領域６０１）の長さが２、３番目の領域（右側の正常領域６００）の長さが１である。同様に、第２要素では、１番目の領域（左側の異常領域６０１）の長さが１、２番目の領域（左側の正常領域６００）の長さが１、３番目の領域（右側の異常領域６０１）の長さが１、４番目の領域（右側の正常領域６００）であり、第３，４要素では、１番目の領域（正常領域６００）の長さが２、２番目の領域（異常領域６０１）の長さが２である。第１〜４要素のそれぞれにおいて乱雑度を求め、さらに、これらの乱雑度の総和を求める。
【００２９】
すべての選択データセットのそれぞれに対して乱雑度の総和を求めた後、確度演算部６は、学習データ記憶部５からすべての選択データセットに対する乱雑度の総和を入力し、これらの乱雑度の総和が最小となる選択データセットを推定確度の最も高い選択データセットとして自動的に選択し、選択した選択データセットを学習用データセットとする。
【００３０】
ここで、判定画像と後述のマップ作成部７１で作成されるクラスタリングマップとの相関について図４を用いて説明する。図４（ａ）の判定画像６０ａは正常領域と異常領域とが全体に入り乱れて乱雑度が大きいものであり、これにより、乱雑度の総和は大きくなるとともに、クラスタリングマップ７３ａは判定不能カテゴリ７３２の大きいものになる。図４（ｂ）の判定画像６０ｂは判定画像６０ａより乱雑度が小さいものの半分の領域において乱雑度が大きいままであり、クラスタリングマップ７３ｂは判定不能領域７３２を含むものになる。これに対して、図４（ｃ）の判定画像６０ｃは乱雑度が小さいものであり、これにより、乱雑度の総和は小さくなるとともに、クラスタリングマップ７３ｃは判定不能カテゴリを含まず、正常カテゴリ７３０及び異常カテゴリ７３１に明確に区分けされたものになる。つまり、乱雑度の総和が小さくなると、クラスタリングマップ７３ａ〜７３ｃに含まれる判定不能カテゴリ７３２も最小となり、判定の確度が高くなる。したがって、乱雑度の総和から検査データのカテゴリ分類結果の確度を推定することができる。
【００３１】
ニューラルネットワーク演算部７は、図１に示すように、例えばマイクロコンピュータなどであり、教師なし競合学習型ニューラルネットワーク７０と、マップ作成部７１と、クラスタ判定部７２とを備え、特徴量抽出部２、学習データ記憶部５、出力部８、マップ記憶部７４及び判定結果記憶部７５と接続している。
【００３２】
マップ作成部７１は、学習時に学習データ記憶部５から学習用データセットを入力し、この学習用データセットを教師なし競合学習型ニューラルネットワーク７０に入力する。教師なし競合学習型ニューラルネットワーク７０は、複数の入力層ニューロンと複数の出力層ニューロンとの２層で構成されている。複数の出力層ニューロンはクラスタリングマップを構成する。このクラスタリングマップは、複数の特徴量データを用いた学習によって出力層ニューロンごとに重み係数データが決定される。これまでに特徴量データが教師なし競合学習型ニューラルネットワーク７０に入力されていなかった場合、マップ作成部７１は、学習開始時に、入力した特徴量データの要素ごとの平均値に乱数による一定範囲内のバラツキを与えた異なる値を各出力層ニューロンに初期値として与える。マップ作成部７１は、出力層ニューロンごとに各特徴量データと重み係数データとのユークリッド距離を算出し、ユークリッド距離が最小となる特徴量データのカテゴリを設定してクラスタリングマップを作成する。
【００３３】
また、マップ作成部７１はクラスタリングマップを作成した後に、すべての特徴量データを教師なし競合学習型ニューラルネットワーク７０に再入力し、正常状態の特徴量データと異常状態の特徴量データとが同じ出力層ニューロンに属していないかを確認する。
【００３４】
上記より、マップ作成部７１は、検査対象物（図示せず）の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成する。マップ作成部７１で作成されたクラスタリングマップはマップ記憶部７４に記憶される。
【００３５】
クラスタ判定部７２は、検査時に特徴量抽出部２から検査データを入力し、この検査データをクラスタリングマップに入力する。このクラスタ判定部７２はクラスタリングマップ上の出力層ニューロンごとに、出力層ニューロンの重み係数データと検査データとのユークリッド距離を算出し、これらのユークリッド距離の中から最小値を抽出し、ユークリッド距離が最小値となる出力層ニューロンのカテゴリに検査データを分類する分類手段である。検査データの分類によって検査対象物の状態が判定され、この判定結果が判定結果記憶部７５に記憶される。
【００３６】
出力部８はニューラルネットワーク演算部７から判定結果を入力し、入力した判定結果に基づいて警告音を鳴らしたり、警告画面を表示したりする。
【００３７】
次に、実施形態１の信号識別装置を用いた信号識別方法のうち学習方法について図５を用いて説明する。まず、特徴量抽出部２（図１参照）が、検査対象物（図示せず）の状態に基づく学習信号を特徴量抽出部２に入力する（Ｓ１１）。その後、特徴量抽出部２が前処理を行ってノイズを除去した後（Ｓ１２）、特徴量データ種類選択部３（図１参照）が特徴量データの種類を１乃至複数選択し、確度演算部６（図１参照）が、選択した種類ごとに乱雑度の総和を算出する（Ｓ１３）。選択したすべての種類で確度を推定する（Ｓ１４）。その後、確度演算部６が、乱雑度の総和が最小となる選択データセットを自動的に選択して学習用データセットとする（Ｓ１５）。マップ作成部７１（図１参照）が学習用データセットを教師なし競合学習型ニューラルネットワーク７０（図１参照）に入力してＳＯＭでの学習を行い（Ｓ１６）、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成する（Ｓ１７）。
【００３８】
続いて、上記の学習方法のうち確度推定方法について図６を用いて詳細に説明する。まず、特徴量抽出部２（図１参照）がフーリエ変換を学習信号に施して周波数成分信号を生成する（Ｓ２１）。その後、抽出範囲選択部４（図１参照）が抽出範囲の始終点周波数を初期化し（Ｓ２２）、始点周波数を設定し（Ｓ２３）、終点周波数を設定する（Ｓ２４）。その後、特徴量抽出部２が周波数成分信号から特徴量データを複数抽出し、抽出した複数の特徴量データを選択データセットとする（Ｓ２５）。その後、確度演算部６（図１参照）が、選択データセットに対して、複数の特徴量データの各要素を要素番号ごとに分け、各要素番号で要素を昇順に並び換えた状態で、並び換えた各要素を有する特徴量データに応じて複数領域に区分けされた判定画像６０（図３（ｃ）参照）を作成する（Ｓ２６）。その後、要素番号ごとに複数領域の区分けの乱雑度を求め、各要素番号の乱雑度から乱雑度の総和を求める（Ｓ２７）。このような処理を、下限値及び上限値の調節範囲の全範囲について行った後（Ｓ２８），（Ｓ２９）、乱雑度の総和が小さい順に選択データセットを並び換える（Ｓ３０）。
【００３９】
ここで、上記の技術を用いて良品と不良品とにカテゴリを分類する例について図７，８を用いて説明する。図７，８の横軸は周波数、縦軸は信号レベルを示し、符号ＧＤ，ＮＧは、それぞれ良品と不良品とに対応する成分であることを意味する。図７（ａ），（ｂ）は良品の周波数分布、図７（ｃ），（ｄ）は不良品の周波数分布を示している。図８（ａ）〜（ｃ）は、それぞれ異なる抽出範囲の選択例であり、図８（ａ）は確度が最も高くなる場合、図８（ｃ）は確度が最も低くなる場合を示している。また、抽出範囲は２区間を採用している。図８（ａ）〜（ｃ）では図７（ａ）〜（ｄ）の周波数分布を重ね合わせて示してあり、良品と不良品との周波数成分が混在している。図８（ａ）のように確度が最大になる抽出範囲を選択したときには、抽出範囲Ｆ１が良品の特徴を表し、抽出範囲Ｆ２が不良品の特徴を表す。これに対して、図８（ｂ）では抽出範囲Ｆ２に不良品以外の良品に対応する周波数成分が存在しているからカテゴリの分類が曖昧になり、図８（ｃ）では抽出範囲Ｆ１，Ｆ２で良品の周波数成分と不良品の周波数成分とが混在しているからカテゴリの分類がさらに曖昧になる。
【００４０】
次に、実施形態１の信号識別装置を用いた信号識別方法のうち検査方法について図９を用いて説明する。まず、信号入力部１の振動センサ１０又はマイクロホン１１（図１参照）が検査対象物（図示せず）の状態を検出して電気信号に変換し、特徴量抽出部２（図１参照）が振動センサ１０又はマイクロホン１１から電気信号を検査信号として入力する（Ｓ３１）。続いて、特徴量抽出部２が前処理を行ってノイズを除去した後（Ｓ３２）、検査信号から周波数成分を要素とする特徴量データを抽出し、検査データを作成する（Ｓ３３）。その後、クラスタ判定部７２が検査データをクラスタリングマップに入力し（Ｓ３４）、検査データをカテゴリに分類し、検査データの状態を判定する（Ｓ３５）。
【００４１】
以上、実施形態１によれば、検査データのカテゴリ分類結果の確度を推定する際に、教師なし競合学習型ニューラルネットワーク７０による学習を行うことなく、選択した特徴量データの種類及び各要素の抽出範囲の組み合わせごとに自動的に行うことができるので、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００４２】
（実施形態２）
本発明の実施形態２について図１，１０を用いて説明する。図１０は、実施形態２の信号識別方法のうち確度推定方法を示すフローチャートである。
【００４３】
まず、実施形態２の信号識別装置の構成について説明する。この信号識別装置は、図１に示すように、信号入力部１と、特徴量抽出部２と、特徴量データ種類選択部３と、抽出範囲選択部４と、学習データ記憶部５と、確度演算部６と、ニューラルネットワーク演算部７と、出力部８とを実施形態１の信号識別装置と同様に備えているが、実施形態１の信号識別装置にはない以下に記載の特徴部分を有する。
【００４４】
実施形態２の特徴量データ種類選択部３は、特徴量データの種類として「ＦＦＴ」に代えて「投影波形」を選択する。この選択により、実施形態２の抽出範囲選択部４は、特徴量データの抽出時間範囲（下限値及び上限値）を調節する。なお、実施形態２の特徴量データ種類選択部３及び抽出範囲選択部４は上記以外の点において実施形態１の特徴量データ種類選択部及び抽出範囲選択部と同様である。
【００４５】
これにしたがって、実施形態２の特徴量抽出部２は、入力した学習信号ごとに抽出時間範囲を設定して特徴量データを複数抽出し、抽出した複数の特徴量データを選択データセットとする。なお、実施形態２の特徴量抽出部２は上記以外の点において実施形態１の特徴量抽出部と同様である。
【００４６】
次に、実施形態２の信号識別装置を用いた信号識別方法の学習方法のうち確度推定方法について図１０を用いて説明する。まず、抽出範囲選択部４（図１参照）が始点時間及び終点時間を初期化し（Ｓ４１）、始点時間を設定し（Ｓ４２）、終点時間を設定する（Ｓ４３）。その後、特徴量抽出部２（図１参照）が学習信号のうち設定した抽出時間範囲の積を特徴量データとして複数抽出して選択データセットを作成する（Ｓ４４）。その後、実施形態１の（Ｓ２６），（Ｓ２７）と同様に、確度演算部６が、選択データセットの複数の特徴量データを用いて判定画像６０（図３（ｃ）参照）を作成し（Ｓ４５）、乱雑度の総和を求める（Ｓ４６）。このような処理を、下限値及び上限値の調節範囲の全範囲について行った後（Ｓ４７），（Ｓ４８）、実施形態１の（Ｓ３０）と同様に、確度演算部６が乱雑度の総和が小さい順に選択データセットを並び換える（Ｓ４９）。
【００４７】
その後は、実施形態１と同様に、確度演算部６（図１参照）が、乱雑度の総和が最小となる選択データセットを自動的に選択して学習用データセットとする。そして、マップ作成部７１（図１参照）が学習用データセットを教師なし競合学習型ニューラルネットワーク７０（図１参照）に入力してＳＯＭでの学習を行い、クラスタリングマップを作成する。
【００４８】
なお、実施形態２の信号識別方法の学習方法及び検査方法は、上記以外の点において実施形態１の信号識別方法の学習方法及び検査方法と同様である。
【００４９】
以上、実施形態２によれば、特徴量データの種類を「投影波形」に選択した場合であっても、検査データのカテゴリ分類結果の確度を推定する際に、教師なし競合学習型ニューラルネットワーク７０による学習を行うことなく、選択した特徴量データの種類及び各要素の抽出範囲の組み合わせごとに自動的に行うことができるので、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００５０】
（実施形態３）
本発明の実施形態３について図１，１１を用いて説明する。図１１は、実施形態３の信号識別方法のうち確度推定方法を示すフローチャートである。
【００５１】
まず、実施形態３の信号識別装置の構成について説明する。この信号識別装置は、図１に示すように、信号入力部１と、特徴量抽出部２と、特徴量データ種類選択部３と、抽出範囲選択部４と、学習データ記憶部５と、確度演算部６と、ニューラルネットワーク演算部７と、出力部８とを実施形態２の信号識別装置と同様に備えているが、実施形態２の信号識別装置にはない以下に記載の特徴部分を有する。
【００５２】
実施形態３の抽出範囲選択部４は、実施形態２とは異なり、特徴量データに含まれる時間軸方向の配列に着目するのではなく、振幅に着目し振幅成分の分解能によって特徴量データを規定する。分解能を選択する際には、特徴量データの振幅が±１の範囲となるように正規化し、分解能を１０〜１０００までの範囲で刻み幅を１０として探索する。この刻み幅は学習信号を量子化する際の分解能とする。ただし、分解能の選択範囲及び刻み幅は利用者が任意に設定してもよい。なお、実施形態３の抽出範囲選択部４は上記以外の点において実施形態２の抽出範囲選択部と同様である。
【００５３】
次に、実施形態３の信号識別装置を用いた信号識別方法の学習方法のうち確度推定方法について図１１を用いて説明する。まず、抽出範囲選択部４（図１参照）が分解能を初期化した後（Ｓ５１）、分解能を１０に設定する（Ｓ５２）。その後、特徴量抽出部２（図１参照）が学習信号から特徴量データを複数抽出して選択データセットを作成する（Ｓ５３）。その後、実施形態２の（Ｓ４５），（Ｓ４６）と同様に、確度演算部６が、選択データセットの複数の特徴量データを用いて判定画像６０（図３（ｃ）参照）を作成し（Ｓ５４）、乱雑度の総和を求める（Ｓ５５）。このような処理を、分解能を１０ずつ増加させながら分解能が１０００になるまで繰り返した後（Ｓ５６）、実施形態２の（Ｓ４９）と同様に、確度演算部６が乱雑度の総和が小さい順に選択データセットを並び換える（Ｓ５７）。
【００５４】
その後は、実施形態２と同様に、確度演算部６（図１参照）が、乱雑度の総和が最小となる選択データセットを自動的に選択して学習用データセットとする。そして、マップ作成部７１（図１参照）が学習用データセットを教師なし競合学習型ニューラルネットワーク７０（図１参照）に入力してＳＯＭでの学習を行い、クラスタリングマップを作成する。
【００５５】
なお、実施形態３の信号識別方法の学習方法及び検査方法は、上記以外の点において実施形態２の信号識別方法の学習方法及び検査方法と同様である。
【００５６】
以上、実施形態３によれば、学習信号の振幅の分解能を変化させた場合であっても、検査データのカテゴリ分類結果の確度を推定する際に、教師なし競合学習型ニューラルネットワーク７０による学習を行うことなく、選択した特徴量データの種類及び各要素の抽出範囲の組み合わせごとに自動的に行うことができるので、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００５７】
なお、実施形態１〜３のいずれかの変形例として、確度演算部６が、選択データセットに対して、複数の特徴量データの各要素を要素番号ごとに昇順ではなく降順に並び換えてもよい。このようにしても、実施形態１〜３と同様に、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【００５８】
また、実施形態１〜３のいずれかにおける他の変形例として、特徴量データ種類選択部３が複数種類の特徴量データを選択してもよい。このような場合であっても、確度演算部６がそれぞれの選択データセットに対して乱雑度の総和を求め、乱雑度の総和が最も小さい選択データセットを学習用データセットとすることで、実施形態１〜３と同様に、専門知識がなくても適切な学習用データセットを設定することができるとともに、学習用データセットの設定に必要な処理時間を大幅に短縮することができる。
【図面の簡単な説明】
【００５９】
【図１】本発明の実施形態１〜３における信号識別装置の構成を示すブロック図である。
【図２】本発明の実施形態１の信号識別装置による特徴量データの要素の範囲設定を説明するための図である。
【図３】同上の信号識別装置による乱雑度の算出方法を説明するための図である。
【図４】同上の信号識別装置による判定画像を示す図である。
【図５】同上の信号識別方法のうち学習方法を示すフローチャートである。
【図６】同上における信号識別方法のうち確度推定方法を示すフローチャートである。
【図７】同上の信号識別方法における特徴量データの要素の範囲設定方法を示す図である。
【図８】同上の信号識別方法における特徴量データの要素の範囲設定方法を示す図である。
【図９】同上の信号識別方法のうち検査方法を示すフローチャートである。
【図１０】本発明の実施形態２における信号識別方法のうち確度推定方法を示すフローチャートである。
【図１１】本発明の実施形態３における信号識別方法のうち確度推定方法を示すフローチャートである。
【符号の説明】
【００６０】
２ 特徴量抽出部
３ 特徴量データ種類選択部
４ 抽出範囲選択部
６ 確度演算部
７ ニューラルネットワーク演算部
７０ 教師なし競合学習型ニューラルネットワーク
７１ マップ作成部
７２ クラスタ判定部
【特許請求の範囲】
【請求項１】
学習用データセットを競合学習型ニューラルネットワークに入力して、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成した後に、前記検査対象物の状態に基づく検査データを前記クラスタリングマップに入力し、前記検査データを前記複数のカテゴリに分類する信号識別方法であって、
前記検査対象物の状態に基づく電気信号から抽出可能であり複数の要素をそれぞれ異なる要素番号に対応付けて有する特徴量データの種類と当該特徴量データの各要素の抽出範囲との組み合わせを選択可能とし、選択した前記組み合わせごとに前記電気信号から複数の前記特徴量データを抽出し、抽出した前記複数の特徴量データを選択データセットとした後に、前記選択データセットのそれぞれに対して、前記複数の特徴量データの各要素を前記要素番号ごとに分け、各要素番号で前記要素を昇順又は降順に並び換えた状態で、並び換えた各要素を有する特徴量データに応じて複数領域に区分けした後、各要素番号での前記複数領域の区分けから前記検査データのカテゴリ分類結果の確度を推定し、推定確度の最も高い選択データセットを自動的に選択して前記学習用データセットとすることを特徴とする信号識別方法。
【請求項２】
前記選択データセットのそれぞれに対して、前記要素番号ごとに前記複数領域の区分けの乱雑度Ｅｎｔ（ｉ）を次式で求め、その後、前記乱雑度の総和を求めて前記検査データのカテゴリ分類結果の確度を推定した後、前記乱雑度の総和が最小となる選択データセットを前記推定確度の最も高い選択データセットとすることを特徴とする請求項１記載の信号識別方法。
【数１】
（ただし、ｐｉ（ｊ）＝（要素番号ｉにおけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
【請求項３】
学習用データセットを競合学習型ニューラルネットワークに入力して、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成するマップ作成手段と、前記検査対象物の状態に基づく検査データを前記クラスタリングマップに入力し、前記検査データを前記複数のカテゴリに分類する分類手段とを備える信号識別装置であって、
前記検査対象物の状態に基づく電気信号から抽出可能であり複数の要素をそれぞれ異なる要素番号に対応付けて有する特徴量データの種類を選択可能とする特徴量データ種類選択手段と、
前記特徴量データ種類選択手段で選択された前記特徴量データの種類に応じて当該特徴量データの各要素の抽出範囲を選択可能とする抽出範囲選択手段と、
前記特徴量データ種類選択手段で選択された前記特徴量データの種類と前記抽出範囲選択手段で選択した前記特徴量データの各要素の抽出範囲との組み合わせごとに、前記電気信号から複数の前記特徴量データを抽出し、抽出した前記複数の特徴量データを選択データセットとする特徴量抽出手段と、
前記選択データセットのそれぞれに対して、前記複数の特徴量データの各要素を前記要素番号ごとに分け、各要素番号で前記要素を昇順又は降順に並び換え、並び換えた各要素を含む特徴量データに応じて複数領域に区分けする機能、各要素番号での前記複数領域の区分けから前記検査データのカテゴリ分類結果の確度を推定し、推定確度の最も高い選択データセットを自動的に選択して前記学習用データとする機能を有する確度演算手段と
を備えることを特徴とする信号識別装置。
【請求項４】
前記確度演算手段が、前記選択データセットのそれぞれに対して、前記要素番号ごとに前記複数領域の区分けの乱雑度Ｅｎｔ（ｉ）を次式で求め、前記乱雑度の総和を求めて前記検査データのカテゴリ分類結果の確度を推定する機能、前記乱雑度の総和が最小となる選択データセットを前記推定確度の最も高い選択データセットとする機能を有することを特徴とする請求項３記載の信号識別装置。
【数２】
（ただし、ｐｉ（ｊ）＝（要素番号ｉにおけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
【請求項１】
学習用データセットを競合学習型ニューラルネットワークに入力して、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成した後に、前記検査対象物の状態に基づく検査データを前記クラスタリングマップに入力し、前記検査データを前記複数のカテゴリに分類する信号識別方法であって、
前記検査対象物の状態に基づく電気信号から抽出可能であり複数の要素をそれぞれ異なる要素番号に対応付けて有する特徴量データの種類と当該特徴量データの各要素の抽出範囲との組み合わせを選択可能とし、選択した前記組み合わせごとに前記電気信号から複数の前記特徴量データを抽出し、抽出した前記複数の特徴量データを選択データセットとした後に、前記選択データセットのそれぞれに対して、前記複数の特徴量データの各要素を前記要素番号ごとに分け、各要素番号で前記要素を昇順又は降順に並び換えた状態で、並び換えた各要素を有する特徴量データに応じて複数領域に区分けした後、各要素番号での前記複数領域の区分けから前記検査データのカテゴリ分類結果の確度を推定し、推定確度の最も高い選択データセットを自動的に選択して前記学習用データセットとすることを特徴とする信号識別方法。
【請求項２】
前記選択データセットのそれぞれに対して、前記要素番号ごとに前記複数領域の区分けの乱雑度Ｅｎｔ（ｉ）を次式で求め、その後、前記乱雑度の総和を求めて前記検査データのカテゴリ分類結果の確度を推定した後、前記乱雑度の総和が最小となる選択データセットを前記推定確度の最も高い選択データセットとすることを特徴とする請求項１記載の信号識別方法。
【数１】
（ただし、ｐｉ（ｊ）＝（要素番号ｉにおけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
【請求項３】
学習用データセットを競合学習型ニューラルネットワークに入力して、検査対象物の状態を表す複数のカテゴリが設定されたクラスタリングマップを作成するマップ作成手段と、前記検査対象物の状態に基づく検査データを前記クラスタリングマップに入力し、前記検査データを前記複数のカテゴリに分類する分類手段とを備える信号識別装置であって、
前記検査対象物の状態に基づく電気信号から抽出可能であり複数の要素をそれぞれ異なる要素番号に対応付けて有する特徴量データの種類を選択可能とする特徴量データ種類選択手段と、
前記特徴量データ種類選択手段で選択された前記特徴量データの種類に応じて当該特徴量データの各要素の抽出範囲を選択可能とする抽出範囲選択手段と、
前記特徴量データ種類選択手段で選択された前記特徴量データの種類と前記抽出範囲選択手段で選択した前記特徴量データの各要素の抽出範囲との組み合わせごとに、前記電気信号から複数の前記特徴量データを抽出し、抽出した前記複数の特徴量データを選択データセットとする特徴量抽出手段と、
前記選択データセットのそれぞれに対して、前記複数の特徴量データの各要素を前記要素番号ごとに分け、各要素番号で前記要素を昇順又は降順に並び換え、並び換えた各要素を含む特徴量データに応じて複数領域に区分けする機能、各要素番号での前記複数領域の区分けから前記検査データのカテゴリ分類結果の確度を推定し、推定確度の最も高い選択データセットを自動的に選択して前記学習用データとする機能を有する確度演算手段と
を備えることを特徴とする信号識別装置。
【請求項４】
前記確度演算手段が、前記選択データセットのそれぞれに対して、前記要素番号ごとに前記複数領域の区分けの乱雑度Ｅｎｔ（ｉ）を次式で求め、前記乱雑度の総和を求めて前記検査データのカテゴリ分類結果の確度を推定する機能、前記乱雑度の総和が最小となる選択データセットを前記推定確度の最も高い選択データセットとする機能を有することを特徴とする請求項３記載の信号識別装置。
【数２】
（ただし、ｐｉ（ｊ）＝（要素番号ｉにおけるｊ番目の領域の長さ）／（特徴量データの数）、Ｍ：要素番号ｉにおける領域の数）
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【公開番号】特開２００８−４０６８３（Ｐ２００８−４０６８３Ａ）
【公開日】平成２０年２月２１日（２００８．２．２１）
【国際特許分類】
【出願番号】特願２００６−２１２４３６（Ｐ２００６−２１２４３６）
【出願日】平成１８年８月３日（２００６．８．３）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
【Ｆターム（参考）】
【公開日】平成２０年２月２１日（２００８．２．２１）
【国際特許分類】
【出願日】平成１８年８月３日（２００６．８．３）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
【Ｆターム（参考）】
[ Back to top ]