專利名稱：檢查裝置及檢查方法
技術(shù)領(lǐng)域：
本發(fā)明涉及檢查裝置及檢查方法，更具體的說，涉及針對所輸入的檢查對象的計測數(shù)據(jù)提取特征量，并根據(jù)提取出的特征量來判斷狀態(tài)的檢查裝置及使用該檢查裝置執(zhí)行的檢查方法。
背景技術(shù)：
在汽車或家電產(chǎn)品等中，非常多地使用組裝了電機等驅(qū)動類部件的旋轉(zhuǎn)設(shè)備。例如，如果以汽車為例，在發(fā)動機、動力轉(zhuǎn)向裝置、電動座椅、變速器及其它部分安裝有旋轉(zhuǎn)設(shè)備。此外，在家電產(chǎn)品中，有冰箱、空調(diào)、洗衣機及其它各種產(chǎn)品。而且，在這些旋轉(zhuǎn)設(shè)備實際運轉(zhuǎn)時，伴隨電機等的旋轉(zhuǎn)而發(fā)出聲音。
這樣的聲音不僅有伴隨正常的工作而必然產(chǎn)生的聲音，還有伴隨不良狀況而產(chǎn)生的聲音。作為該伴隨不良狀況的異常聲的一個例子，有軸承的異常、內(nèi)部的異常接觸、失衡、混入異物等。更具體講，有以齒輪旋轉(zhuǎn)1周發(fā)生1次的頻率發(fā)生的掉齒、異物進入、斑痕、電機內(nèi)部的旋轉(zhuǎn)部和固定部在旋轉(zhuǎn)中的瞬間磨合的異常聲。另外，作為令人感到不快的聲音，在例如人類聽得到的20Hz至20kHz中有各種聲音，有例如約15kHz左右的聲音。于是，在產(chǎn)生這樣的預(yù)定頻率成分的聲音的情況下，也成為異常聲。當(dāng)然，異常聲不限于該頻率。
伴隨該不良狀況的聲音不僅令人不快，還有發(fā)生更嚴(yán)重的故障的危險。因此，為了對這些各產(chǎn)品保證質(zhì)量，在生產(chǎn)工廠中，通常由檢查員進行依靠聽覺和觸覺等五感的“官能檢查”，判斷有無異常聲。具體講，通過用耳朵聽、用手觸摸而確認振動來進行。另外，由官能檢查用語JISZ8144定義了官能檢查。
然而，在這樣的依賴于檢查員的五感的官能檢查中，不僅要求熟練的技術(shù)，而且判斷結(jié)果中，由個人差異或時間所引起的變化等的偏差也大。進而，存在判斷結(jié)果的數(shù)據(jù)化、數(shù)值化困難而且管理也困難的問題。因此，為了解決這樣的問題，作為對包含驅(qū)動類部件的產(chǎn)品的異常進行檢查的檢查裝置，有目的在于依據(jù)定量且明確的基準(zhǔn)進行穩(wěn)定的檢查的異音檢查裝置。
作為這樣自動地進行根據(jù)從檢查對象得到的振動波形來判別正常/異常的檢查(所謂的異音檢查)的異音檢查裝置，以往有專利文獻1中所公開的裝置。該專利文獻1中所公開的發(fā)明使用從時間軸波形得到的特征量和從頻率波形得到的特征量，綜合地對檢查對象的正常/異常進行判別。
這樣由時間軸波形和頻率軸波形這樣不同的軸得到的波形來綜合地進行異音檢查的原因如下。即，通過此前公開的、僅為從時間軸波形得到的特征量的異音檢查、僅為從頻率軸波形得到的特征量的異音檢查，難以檢查出所有的異音。這是因為對于各個特征量，有適合/不適合之分。使用多個特征量的異音檢查與使用單一特征量的異音檢查相比具有較高的判別能力。
即，驅(qū)動類部件終究是通過反復(fù)地進行旋轉(zhuǎn)或往復(fù)運動的機構(gòu)來實現(xiàn)的，如果該機構(gòu)中有稍微的機械異常，則其引起的異常成分(與從良品發(fā)出的正常成分略有不同的成分)必定作為振動或聲音而被傳遞到周圍。但是，異音檢查中的異常成分與正常成分相比，也只是振動或聲音的波形中所包含的細微的不同，即使存在熟練人員的耳朵可以區(qū)分的不同，有時在試圖進行波形分析時也因被噪聲吞沒而不能良好地檢測。這是由于以往的異音檢查是僅為從時間軸波形得到的特征量、或僅為從頻率軸波形得到的特征量的判別、而且僅基于單一特征量來進行的判別。因此，在上述專利文獻1中，根據(jù)從多個軸得到的多個特征量來綜合地判斷正常/異常。而且，在該專利文獻1中所公開的發(fā)明中，作為判別規(guī)則，使用模糊規(guī)則，通過模糊推理，進行基于多個特征量的正常/異常的判斷。
然而，在專利文獻1中公開的異音檢查中作為判別規(guī)則使用的模糊推理與神經(jīng)網(wǎng)絡(luò)等其它的判別模型相比，具有人容易理解判別規(guī)則的優(yōu)點。例如，神經(jīng)網(wǎng)絡(luò)是指互相結(jié)合多個神經(jīng)元模型而連接成為網(wǎng)絡(luò)狀的模型，進行何種判斷而達到這樣的結(jié)果的依據(jù)費解，感覺上難以理解。人難以相信感覺上不能理解的東西。如果是要求質(zhì)量的檢查裝置則更甚。
相對于此，模糊推理可以使用表現(xiàn)模糊性的隸屬函數(shù)，使用模糊推理的判別規(guī)則可以將判別的依據(jù)與判別結(jié)果對應(yīng)地、以如“IF特征量A＝大THEN異常”這樣人容易理解的表現(xiàn)形式來表示。這樣，感覺上可以理解的東西也容易說明，在質(zhì)量解決方案為事業(yè)的情況下，由于容易將判別規(guī)則作為檢查裝置的檢查邏輯而進行說明，因此對于接受該說明的顧客而言，理解的程度也高，所以具有可以安心地采用的優(yōu)點。
此外，要新導(dǎo)入異音檢查裝置的顧客在此之前進行基于熟練者(官能檢查員)的耳朵的官能檢查的情況也較多，官能檢查員的“發(fā)出異音”等記述對于一般的檢查基準(zhǔn)已經(jīng)具有了獨自的判斷基準(zhǔn)、訣竅或見識。在這樣的情況下，現(xiàn)狀是異音檢查裝置為官能檢查員此前進行的官能檢查的替換，所以自然而然要求與官能檢查員所具有的判斷基準(zhǔn)或訣竅、見識之間的匹配性。在這樣的情況下，容易說明所作成的判別規(guī)則和此前的官能檢查員所具有的知識(檢查基準(zhǔn))之間的匹配性，這對于對顧客擔(dān)負說明責(zé)任的解決方案提供者來說，模糊推理帶來的說明的容易性對推進事業(yè)成為了很大的優(yōu)點。
然而，所使用的特征量的數(shù)量越增加，用于進行良否判斷的判別規(guī)則也越復(fù)雜，需要多個。因此，為了進行高精度的異音檢查，需要高精度地作成判別規(guī)則。作為削減作成異音檢查中的判別規(guī)則的工時的技術(shù)，有非專利文獻1中所公開的技術(shù)。在該非專利文獻1中公開了下述的技術(shù)在判別規(guī)則(檢查邏輯)的自動生成中，對判別規(guī)則所使用的特征量選擇和參數(shù)搜索使用遺傳算法。即，通過對判別規(guī)則所使用的特征量選擇和參數(shù)搜索使用遺傳算法，可以使至此為止只能是基于人的直覺或經(jīng)驗的嘗試法的判別規(guī)則作成處理實現(xiàn)自動化/半自動化。
此外，作為自動作成異音檢查中的判別規(guī)則的技術(shù)，還有非專利文獻2中所公開的發(fā)明。在該非專利文獻2中公開了以下的技術(shù)在判別規(guī)則的自動生成中，從為了生成判別規(guī)則而采集的正常數(shù)據(jù)和異常數(shù)據(jù)中選擇適當(dāng)數(shù)量的正常數(shù)據(jù)和異常數(shù)據(jù)，并根據(jù)所選擇的數(shù)據(jù)，使用遺傳算法來進行判別規(guī)則所使用的特征量選擇和參數(shù)調(diào)節(jié)，根據(jù)所選擇的特征量和調(diào)節(jié)后的參數(shù)，使用模糊推理來生成判別規(guī)則。這樣根據(jù)正常數(shù)據(jù)和異常數(shù)據(jù)生成最佳地將它們分離開的判別規(guī)則的技術(shù)一般被稱作不良識別。
但是，在不良識別中，為了判別正常/異常而預(yù)先需要正常數(shù)據(jù)和異常數(shù)據(jù)作為樣本數(shù)據(jù)，由于異常數(shù)據(jù)比正常數(shù)據(jù)難取得，因此存在如果沒有異常數(shù)據(jù)則無法生成判別規(guī)則的問題。
相對于此，有例如在專利文獻2中公開的發(fā)明這樣的技術(shù)僅用正常數(shù)據(jù)形成良品存在的正常區(qū)域，如果檢測值在正常區(qū)域內(nèi)則判斷為正常，如果檢測值在正常區(qū)域外則判斷為異常。在該專利文獻2中公開的發(fā)明中，使用多個輸入信息，用多維向量設(shè)定允許正常狀態(tài)的正常區(qū)域，如果檢測值在正常區(qū)域內(nèi)則判斷為正常，如果在區(qū)域外則判斷為異常。這樣的判斷方法一般被稱作異常檢測。
在這樣的異常檢測的情況下，在能夠預(yù)先取得對于形成正常區(qū)域足夠的樣本數(shù)據(jù)時，可以根據(jù)這樣的正常區(qū)域的內(nèi)外來判斷正常/異常。但是，在實際使用檢查裝置的制造線等中會頻繁地變更檢查對象，經(jīng)常會有不能準(zhǔn)備足夠的樣本數(shù)據(jù)的情況。在這樣不能預(yù)先準(zhǔn)備足夠的正常數(shù)據(jù)的情況下，由于正常區(qū)域本身無法形成，所以存在連異常檢測都不能進行的問題。
此外，與上述相反，根據(jù)與異常聲的產(chǎn)生區(qū)域?qū)?yīng)的頻率成分等、在不良/異常時產(chǎn)生的聲音或振動等的波形信號來作成模型/規(guī)則，在實際的檢查中，判斷是否與根據(jù)次品的樣本而作成的規(guī)則對應(yīng)，在不對應(yīng)的情況下，判斷為良品。這樣的判斷算法是以往在異音檢查中通常進行的算法。
但是，在該情況下，在無法準(zhǔn)備次品的樣本數(shù)據(jù)的情況下，也無法作成適當(dāng)?shù)哪Ｐ?規(guī)則，存在無法構(gòu)建高性能的檢查裝置的問題。另外，次品的樣本數(shù)據(jù)需要針對是何種異常等的每個不良類型進行準(zhǔn)備，同時針對各不良類型需要多個次品的樣本數(shù)據(jù)，因此樣本數(shù)據(jù)的準(zhǔn)備煩雜。而且，可以檢測的是特征量適合已知的次品樣本數(shù)據(jù)的不良，因此難以進行未知的不良的檢測。
日本特許第3484665號[專利文獻2]日本特許第3103193號[非專利文獻1]オムロンテクニクス(歐姆龍技術(shù))Vol.43 No.1pp.99-105(2003)[非專利文獻2]オムロンテクニクスVol.44 No.1 pp.48-53(2004)如上所述，此前也嘗試了各種異音檢查裝置的開發(fā)。但都是以消除將次品(異常品)誤判為良品(正常品)的漏檢率的產(chǎn)生(由于造成次品出廠，因此需要可靠地阻止)，同時實現(xiàn)將良品誤判為次品的過檢率的降低(防止良品無法出廠而被廢棄處理等的浪費、成品率下降)為目的，進行高性能的良否判斷算法的作成、改進，因此現(xiàn)狀為所使用的特征量的數(shù)據(jù)增加，或為了作成更好的判斷規(guī)則而要求的樣本數(shù)量增加。
另一方面，近年來，消費者對于工業(yè)產(chǎn)品的質(zhì)量的關(guān)注度不斷變苛刻。此外，在多品種少量生產(chǎn)的時代的制造業(yè)中，重要的課題是如何迅速地進行生產(chǎn)線的調(diào)試而不僅是確保產(chǎn)品的質(zhì)量。即，單純地實現(xiàn)異音檢查算法的高精度化還不夠，為了將更好質(zhì)量的產(chǎn)品投放市場，在生產(chǎn)現(xiàn)場有以下的兩個需求。
第一是檢查的自動化。即，通常，生產(chǎn)過程中的檢查分別針對產(chǎn)品的尺寸或重量等、生產(chǎn)出的產(chǎn)品的各個特性值確定管理基準(zhǔn)，對質(zhì)量進行管理。例如，在使印刷配線基板的焊錫外觀檢查或汽車發(fā)動機的異音檢查這樣的官能檢查實現(xiàn)自動化的檢查裝置中，根據(jù)圖像或波形提取多個質(zhì)量特性，由判別模型綜合地判別它們的特性而判斷良否。
第二是垂直調(diào)試。在生產(chǎn)現(xiàn)場，在生產(chǎn)線的調(diào)試時，一般經(jīng)過稱作批量試生產(chǎn)的過程，來對批量生產(chǎn)線進行調(diào)試。批量試生產(chǎn)是指在研究、設(shè)計后通過與批量生產(chǎn)相同的生產(chǎn)手段制造產(chǎn)品，確定工序中是否沒有問題等、確定是否可以進行批量生產(chǎn)。在自動生成自動檢查裝置的判別模型的情況下，由于不收集足夠的數(shù)據(jù)就無法建模，因此在批量生產(chǎn)開始之前無法確定檢查基準(zhǔn)。在該批量試生產(chǎn)階段中確定批量生產(chǎn)階段所使用的檢查基準(zhǔn)，在批量生產(chǎn)開始的同時開始穩(wěn)定的檢查，這在實現(xiàn)生產(chǎn)線的垂直調(diào)試中成為重要的課題。
圖1表示從某一產(chǎn)品(工件)的開發(fā)開始到最終的正常批量生產(chǎn)線的調(diào)試完成為止的階段(工序)、各工序中所得到的良品(OK)、以及次品(NG)的樣本之間的關(guān)系。即，首先，開始對最初使產(chǎn)品成為什么樣的研究(研究)、進行具體的設(shè)計(設(shè)計)、對于所設(shè)計的產(chǎn)品的批量試生產(chǎn)(量試)。然后，在該批量試生產(chǎn)中確認了工序中沒有問題等的基礎(chǔ)上，開始實際的批量生產(chǎn)，對批量生產(chǎn)線進行調(diào)試(批量生產(chǎn))。
而且，批量生產(chǎn)開始后也有時產(chǎn)生沒有預(yù)料到的出現(xiàn)次品等的問題等，每次進行校正(批量生產(chǎn)變動時)，然后，有查明而消除次品的產(chǎn)生原因，極力降低次品的產(chǎn)生率而提高成品率的穩(wěn)定期(批量生產(chǎn)穩(wěn)定期)。即，即使批量生產(chǎn)開始后，也有時產(chǎn)生、檢測出次品，在其原因為判別規(guī)則等不合適的情況下，進行變更檢查基準(zhǔn)(變更特征量/變更檢測范圍)的校正，在還是產(chǎn)生次品的情況下，不變更檢查基準(zhǔn)而查明原因，進行原因?qū)Σ?設(shè)計變更)的同時繼續(xù)批量生產(chǎn)。
從圖1可知，在研究/設(shè)計階段，實際作成(試生產(chǎn))的產(chǎn)品的數(shù)量少(初期試生產(chǎn))。特別是在研究階段，次品的樣本數(shù)量(工件數(shù))極少。因此，正常和異常的分布區(qū)域也分別成為很小的范圍。而且，轉(zhuǎn)移到設(shè)計階段時，由于進行各種嘗試，次品的產(chǎn)生數(shù)量增加，同時也從分布圖可知，次品的產(chǎn)生原因也為多方面。由此，也分布多個成為異常的區(qū)域。
而且，轉(zhuǎn)移到批量試生產(chǎn)階段時，由于實際批量生產(chǎn)產(chǎn)品而制造出的樣本數(shù)量也增加，出現(xiàn)在研究/設(shè)計階段還產(chǎn)生無法預(yù)測的不良因素，因此，次品的產(chǎn)生數(shù)量也增加。作為該無法預(yù)測的不良因素，具體來說，例如有制造過程中的問題所造成的不良等。從分布圖也可知，在該批量試生產(chǎn)階段中，由于次品的產(chǎn)生原因也為多方面，因此也分布多個成為異常的區(qū)域，其分布數(shù)量以及各區(qū)域中的樣本數(shù)量也比設(shè)計階段增加。此外，由于異常的區(qū)域涉及多方面，因此被判斷為良品(正常)的區(qū)域有時也分布多個。隨著批量試生產(chǎn)階段的推進，每天查明次品產(chǎn)生的原因，同時考慮使得不產(chǎn)生這樣的次品的解決對策，進行生產(chǎn)設(shè)備、制造線的改進。因此，不僅減少次品的產(chǎn)生數(shù)量，同時消除次品的產(chǎn)生原因，因此次品的產(chǎn)生區(qū)域也漸漸減少。
在批量生產(chǎn)開始時，良品的產(chǎn)生數(shù)量增加，而次品的產(chǎn)生數(shù)量減少。這樣的現(xiàn)象隨著從批量生產(chǎn)變動時起向批量生產(chǎn)穩(wěn)定期的推進而更加顯著。而且，不管是分布圖，還是次品的產(chǎn)生區(qū)域數(shù)量均減少，同時制造出的良品的偏差也逐漸減小，因此成為正常的區(qū)域也縮小。由此，拉開異常區(qū)域和正常區(qū)域間的距離，在最終的批量生產(chǎn)穩(wěn)定期中，可以進行高精度的良否判斷。
但是，如果要滿足下述要求，則產(chǎn)生以下的問題，該要求為要從批量生產(chǎn)前的初始階段開始進行基于異音檢查裝置的良否判斷，準(zhǔn)確且高精度地進行次品的確定，同時盡早進行批量生產(chǎn)的調(diào)試。
產(chǎn)生的問題是，例如，以往一般進行的基于次品的樣本數(shù)據(jù)的良否判斷(不良識別)對于已經(jīng)轉(zhuǎn)移到確定了在一定程度上發(fā)生的不良/異常的類型的批量生產(chǎn)體制的生產(chǎn)設(shè)備/制造線是適合的。但是，如生產(chǎn)線的調(diào)試時(設(shè)計、批量試生產(chǎn))等這樣，次品的產(chǎn)生率高，而且多個不良類型復(fù)合地作用或未知的不良類型等也存在多個的情況下，不能準(zhǔn)備適當(dāng)?shù)拇纹返臉颖緮?shù)據(jù)，不能高效地應(yīng)用檢查裝置。進而，假設(shè)可以準(zhǔn)備次品的樣本數(shù)據(jù)、可以構(gòu)建檢查裝置，在調(diào)試時，也要每天查明次品的產(chǎn)生原因，同時考慮不致產(chǎn)生這樣的次品的解決對策，進行生產(chǎn)設(shè)備、制造線的改進。因此，存在的問題是對于成為構(gòu)建檢查裝置時使用的樣本數(shù)據(jù)的基礎(chǔ)的次品而言，多為已經(jīng)被實施解決對策而不致產(chǎn)生，不僅如此，還產(chǎn)生新的不良類型等，不能提供有效的檢查裝置等。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供檢查裝置及檢查方法，可以根據(jù)制造業(yè)等所引起的不良出現(xiàn)(不良形式)數(shù)量、與良品之間的平衡狀況變化(初期試生產(chǎn)(初始階段)→批量試生產(chǎn)(調(diào)節(jié)階段)→批量生產(chǎn)(穩(wěn)定階段))，進行適當(dāng)?shù)臋z查，并可以從檢查對象物的初期試生產(chǎn)階段開始進行檢查。
為了達成上述目的，本發(fā)明的檢查方法使用了針對所輸入的計測數(shù)據(jù)提取特征量、基于提取出的特征量判斷狀態(tài)的檢查裝置，所述檢查裝置根據(jù)基于從良品中得到的正常數(shù)據(jù)的模型來執(zhí)行異常判斷，具有基于參量判別模型進行異常判斷的單元、以及基于非參量判別模型進行異常判斷的單元。而且，在可取得的樣本數(shù)據(jù)不足、或者特征空間中的良品的分布形狀不穩(wěn)定、從而正常區(qū)域的形狀的估計精度不夠的狀態(tài)下的調(diào)節(jié)階段中，針對檢查對象的計測數(shù)據(jù)，同時使基于所述參量判別模型進行異常判斷的單元、以及基于所述非參量判別模型進行異常判斷的單元進行工作，根據(jù)兩者的判斷結(jié)果來進行最終的異常判斷。并且，在可取得的樣本數(shù)據(jù)足夠、良品的分布或正常區(qū)域的形狀穩(wěn)定的狀態(tài)下的穩(wěn)定階段中，針對檢查對象的計測數(shù)據(jù)，僅通過基于所述參量判別模型進行異常判斷的單元來進行異常判斷。本發(fā)明通過第二實施方式來實現(xiàn)。
例如，在工業(yè)產(chǎn)品從開發(fā)向生產(chǎn)轉(zhuǎn)移的階段，大概有批量試生產(chǎn)、批量生產(chǎn)，分別有以下的特征。即，在批量試生產(chǎn)階段中，可取得的樣本數(shù)據(jù)增加，良品的分布可以估計，但由于偏差造成的誤差，處于正常區(qū)域的形狀不穩(wěn)定的狀態(tài)(調(diào)節(jié)階段)，在批量生產(chǎn)階段中，可取得的樣本數(shù)據(jù)足夠，處于良品的分布或正常區(qū)域的形狀穩(wěn)定的狀態(tài)(穩(wěn)定階段)。因此，在批量試生產(chǎn)時以及批量生產(chǎn)時，分別應(yīng)用異常檢測的調(diào)節(jié)階段模型以及穩(wěn)定階段模型。
即，作為調(diào)節(jié)階段模型，由于僅使用參量的方法則可靠性降低，因此同時使用參量的方法和非參量的方法，綜合地進行判斷。由此，即使在沒有采集到足夠的樣本數(shù)量的批量生產(chǎn)開始前，也保證精度高的異常判斷。而且，在達到穩(wěn)定階段時，可以確保足夠的樣本數(shù)量，所以僅通過基于參量的方法的判斷就可以進行高性能的異常判斷。達到穩(wěn)定階段時，參量的方法和非參量的方法的判斷結(jié)果一致，因此不僅在判斷結(jié)果的性能方面沒有了進行使用兩種方法的判斷的優(yōu)點，而且在進行兩種處理的煩雜、CPU負載的方面也不理想，因此僅通過參量的方法進行良否判斷。
此外，作為另一種解決手段，一種檢查方法，使用了針對所輸入的計測數(shù)據(jù)提取特征量，基于提取出的特征量判斷狀態(tài)的檢查裝置，所述檢查裝置根據(jù)基于從良品中得到的正常數(shù)據(jù)的模型來執(zhí)行異常判斷，具有基于參量判別模型進行異常判斷的單元、以及基于非參量判別模型進行異常判斷的單元，在可取得的樣本數(shù)據(jù)少、無法估計特征空間中的良品的分布或正常區(qū)域的形狀的初始階段中，針對檢查對象的計測數(shù)據(jù)，僅通過基于所述非參量判別模型進行異常判斷的單元來進行異常判斷，在可取得的樣本數(shù)據(jù)不足、或者特征空間中的良品的分布形狀不穩(wěn)定、從而正常區(qū)域的形狀的估計精度不夠的狀態(tài)下的調(diào)節(jié)階段中，針對檢查對象的計測數(shù)據(jù)，同時使基于所述參量判別模型進行異常判斷的單元、以及基于所述非參量判別模型進行異常判斷的單元進行工作，根據(jù)兩者的判斷結(jié)果來進行最終的異常判斷，在可取得的樣本數(shù)據(jù)足夠、良品的分布或正常區(qū)域的形狀穩(wěn)定的狀態(tài)下的穩(wěn)定階段中，針對檢查對象的計測數(shù)據(jù)，僅通過基于所述參量判別模型進行異常判斷的單元來進行異常判斷。本發(fā)明通過第一實施方式來實現(xiàn)。
例如，存在工業(yè)產(chǎn)品從開發(fā)向生產(chǎn)轉(zhuǎn)移的階段中還包含初期試生產(chǎn)(研究/設(shè)計階段)的情況，在該情況下，大概為初期試生產(chǎn)(試生產(chǎn))、批量試生產(chǎn)(批量試制)、批量生產(chǎn)。初期試生產(chǎn)是可取得的樣本數(shù)據(jù)少、特征空間中的良品的分布或正常區(qū)域的形狀不能估計的狀態(tài)(初始階段)。從而，無法通過基于參量判別模型的方法來進行異常判斷，但基于非參量判別模型的判斷可以保證一定程度的精度。因此，在初始階段中，通過基于非參量判別模型的方法進行異常判斷，可以從初期試生產(chǎn)的階段開始進行自動的異常判斷。在可采集一定程度的樣本數(shù)量的批量試生產(chǎn)以后，與上述發(fā)明相同。
而且，從所述初始階段向所述調(diào)節(jié)階段的轉(zhuǎn)移可以在所采集的樣本數(shù)量至少比特征量的數(shù)量多的情況下執(zhí)行。更好是設(shè)為大于等于3倍。當(dāng)然，切換的條件不限于這樣基于樣本數(shù)量的條件，也可以使用其它的各種切換條件。
此外，從所述調(diào)節(jié)階段向所述穩(wěn)定階段的轉(zhuǎn)移可以在所述調(diào)節(jié)階段中的基于所述非參量判別模型的異常判斷結(jié)果和基于所述參量判別模型的異常判斷結(jié)果一致的比例大于等于預(yù)定的閾值的情況下進行。該一致可以完全一致，也可以不等到完全一致而在一致的程度高到某種程度的情況下進行切換。在實施方式中，為“在兩者的判別結(jié)果沒有差異的情況下”，但所謂沒有差異當(dāng)然包括完全沒有(完全一致)的情況，也可以包括允許一定的余量(允許產(chǎn)生略微的差異)的情況。
在所述調(diào)節(jié)階段中，在基于所述非參量判別模型的異常判斷結(jié)果和基于所述參量判別模型的異常判斷結(jié)果不同的情況下，所述檢查裝置可以等待人為判斷結(jié)果的輸入，從而將所輸入的判斷結(jié)果作為對于其檢查對象的計測數(shù)據(jù)的最終的異常判斷結(jié)果。本發(fā)明由第三實施方式來實現(xiàn)。
此外，適合于實施上述各方法的發(fā)明的本發(fā)明的檢查裝置針對所輸入的計測數(shù)據(jù)提取特征量，基于提取出的特征量判斷狀態(tài)，根據(jù)基于從良品中得到的正常計測數(shù)據(jù)生成的模型來執(zhí)行異常判斷，具有基于參量判別模型進行異常判斷的單元、以及基于非參量判別模型進行異常判斷的單元，具有控制單元(在實施方式中，與“使用模型選擇部”對應(yīng))，其可以同時使基于所述參量判別模型進行異常判斷的單元和基于所述非參量判別模型進行異常判斷的單元中的一方或兩方進行工作，并且控制其工作。而且，該控制單元可以構(gòu)成為進行下述控制在可取得的樣本數(shù)據(jù)不足、或者特征空間中的良品的分布形狀不穩(wěn)定、從而正常區(qū)域的形狀的估計精度不夠的狀態(tài)下的調(diào)節(jié)階段中，針對檢查對象的計測數(shù)據(jù)，同時使基于所述參量判別模型進行異常判斷的單元、以及基于所述非參量判別模型進行異常判斷的單元進行工作，根據(jù)兩者的判斷結(jié)果來進行最終的異常判斷，在可取得的樣本數(shù)據(jù)足夠、良品的分布或正常區(qū)域的形狀穩(wěn)定的狀態(tài)下的穩(wěn)定階段中，針對檢查對象的計測數(shù)據(jù)，僅通過基于所述參量判別模型進行異常判斷的單元來進行異常判斷。
而且，所述控制單元還進行如下控制在可取得的樣本數(shù)據(jù)少、無法估計特征空間中的良品的分布或正常區(qū)域的形狀的初始階段中，針對檢查對象的計測數(shù)據(jù)，僅通過基于所述非參量判別模型進行異常判斷的單元來進行異常判斷。
進而，可以構(gòu)成為具有模型生成單元，基于從良品中得到的正常的計測數(shù)據(jù)作成用于異常檢測的模型，并且基于所述參量判別模型進行異常判斷的單元和基于所述非參量判別模型進行異常判斷的單元基于由所述模型生成單元生成的模型來進行異常判斷。在該情況下，所述模型生成單元生成模型時所使用的所述正常的計測數(shù)據(jù)優(yōu)選為還包含檢查對象的計測數(shù)據(jù)被判斷為良品的情況下的相應(yīng)的計測數(shù)據(jù)。
進而，還可以具有以下單元在所述調(diào)節(jié)階段中，在基于所述非參量判別模型的異常判斷結(jié)果和基于所述參量判別模型的異常判斷結(jié)果不同的情況下，顯示用于接收人為判斷結(jié)果的輸入的輸入畫面的單元、以及將基于該輸入畫面輸入的判別結(jié)果作為對于該檢查對象的計測數(shù)據(jù)的最終的異常判斷結(jié)果的單元。
而且，可以為基于所述參量判別模型進行異常判斷的單元使用MTS，基于所述非參量判別模型進行異常判斷的單元使用1類SVM(支持向量機)。
1類SVM是基于與事例的對照的判斷，按照“如果是與過去經(jīng)歷過的良品的聲音/波形接近的聲音/波形，則是良品”進行判斷，對可確實認為是良品的產(chǎn)品以外的產(chǎn)品進行檢測。從而，在數(shù)據(jù)少的階段中，由于還檢測出本來是不良以外的產(chǎn)品，所以過檢增多。但是，由于是“非參量的方法”，所以也可以由少量的良品樣本進行訓(xùn)練，所以在無法充分采集樣本的試生產(chǎn)、批量試生產(chǎn)階段中也可以進行檢查。而且，可以假設(shè)多變量正態(tài)性，并且在數(shù)據(jù)足夠的情況下，判斷與MTS應(yīng)該一致。但是，在1類SVM的情況下，由于無法說明用何種基準(zhǔn)進行判斷，所以不適合于批量生產(chǎn)階段中的質(zhì)量管理。
另一方面，MTS(Maharanobis-Taguchi System)通過基于與模型的對照的判斷而判斷為“如果是理想的接近良品的聲音/波形則為良品”，是來自管理平均和偏差的質(zhì)量管理的方法，可以說明以何種基準(zhǔn)進行判斷。而且，盡管由于是假設(shè)了多變量正態(tài)性的“參量的方法”、從而存在為進行統(tǒng)計上的分布估計而需要足夠數(shù)量的良品樣本的缺點，但在可以充分采集樣本的最終批量試生產(chǎn)、批量生成階段中，消除了這樣的缺點，發(fā)揮出可以說明以何種基準(zhǔn)進行判斷的優(yōu)點。由此，在批量生成階段中，進行基于參量的方法的良否判斷。
計測數(shù)據(jù)在實施方式中是基于聲音或振動的波形數(shù)據(jù)，但本發(fā)明不限于此，例如，也可以是圖像信號、溫度、轉(zhuǎn)速、轉(zhuǎn)矩等的計測數(shù)據(jù)。此外，參量的方法如下對于由已經(jīng)觀測到的數(shù)據(jù)所構(gòu)成的組(例如正常)，進行訓(xùn)練，估計規(guī)定屬于各組的數(shù)據(jù)所遵從的概率密度分布形狀的參數(shù)(例如均值/方差)，在判別時，如果觀測到新的數(shù)據(jù)，則使用所估計的參數(shù)求出對于該組的歸屬程度，來確定是否屬于該組。
在實施方式中，作為該參量判別模型的具體例，示出了MTS(Maharanobis-Taguchi System)(將良品組所遵從的概率密度分布假設(shè)為多變量正態(tài)分布，來估計作為其形狀的參數(shù)的平均值和標(biāo)準(zhǔn)偏差，在新觀測到數(shù)據(jù)時，將從觀測到的數(shù)據(jù)到良品組的Maharanobis距離(根據(jù)平均值和方差求出)為大于等于預(yù)定的閾值的產(chǎn)品判別為次品)，但除此以外，例如，也可以使用如下的方法同樣假設(shè)為良品組所遵從的概率密度分布為正態(tài)分布，來估計作為其形狀參數(shù)的平均值和標(biāo)準(zhǔn)偏差，在新觀測到數(shù)據(jù)時，求出該數(shù)據(jù)屬于該組的事后概率，將該概率為小于等于預(yù)定的閾值的產(chǎn)品判別為次品。
此外，非參量的方法如下針對每個組進行原樣保持已經(jīng)觀測到的所有數(shù)據(jù)或?qū)ε袆e有用的一部分?jǐn)?shù)據(jù)的訓(xùn)練，在判別時，如果是新觀測到的數(shù)據(jù)，則根據(jù)與所保持的數(shù)據(jù)之間的相似度或距離來求出對于該組的歸屬度，確定是否屬于該組。
作為該非參量的方法的具體例，在實施方式中，示出了1類支持向量機(1類SVM)，但除此以外，例如，也可以使用如下的方法保持所有數(shù)據(jù)，在觀測到新的數(shù)據(jù)時，從所保持的數(shù)據(jù)中按照歐幾里得距離遠近的順序提取k個數(shù)據(jù)，將其平均值為大于等于預(yù)定的閾值的產(chǎn)品判別為次品。
在本發(fā)明中，通過以正常(良品)數(shù)據(jù)庫為基準(zhǔn)來判斷是否正常(是否不異常)，可以進行包含不明確的不良的檢測在內(nèi)的各種不良的檢測，同時可以根據(jù)制造業(yè)等所引起的不良出現(xiàn)(不良形式)的狀況變化(初期試生產(chǎn)→批量試生產(chǎn)→批量生產(chǎn))，進行適當(dāng)?shù)臋z查。
即，在本發(fā)明中，在不良數(shù)據(jù)少或較少的情況下也可以進行檢查，在正常數(shù)據(jù)少的情況下(生產(chǎn)線調(diào)試時等)也可以進行檢查。進而，隨著數(shù)據(jù)增加，可以提高異常檢測精度。


圖1是表示從某種產(chǎn)品(工件)的開發(fā)開始到最終的正常批量生產(chǎn)線的調(diào)試完成為止的階段(過程)、各個過程中所得到的良品、次品的樣本之間的關(guān)系的圖。
圖2是本發(fā)明的優(yōu)選的一種實施方式的圖。
圖3是表示檢查裝置10的內(nèi)部結(jié)構(gòu)的一例的圖。
圖4是表示更詳細的內(nèi)部結(jié)構(gòu)的圖。
圖5(a)是說明MTS的原理的圖，(b)是說明1類SVM的原理的圖。
圖6是說明1類SVM的圖。
圖7是說明1類SVM的圖。
圖8是說明1類SVM的圖。
圖9是說明初始階段的作用的圖。
圖10是說明調(diào)節(jié)階段的作用的圖。
圖11是說明穩(wěn)定階段的作用的圖。
圖12是表示調(diào)節(jié)階段的模糊規(guī)則的一例的圖。
圖13是表示第一實施方式的概略結(jié)構(gòu)的流程圖。
圖14是表示初始階段的處理功能的一例的流程圖。
圖15是表示調(diào)節(jié)階段的處理功能的一例的流程圖。
圖16是表示穩(wěn)定階段的處理功能的一例的流程圖。
圖17是表示第二實施方式的概略結(jié)構(gòu)的流程圖。
圖18是表示第三實施方式的概略結(jié)構(gòu)的流程圖。
圖19是表示第三實施方式的作用的圖。
具體實施例方式
圖2表示本發(fā)明的優(yōu)選的一種實施方式。如圖2所示，在本實施方式中，由放大器4放大來自與檢查對象物1接觸/靠近配置的傳聲器2以及加速度傳感器3的信號，由AD轉(zhuǎn)換器5變更為數(shù)字?jǐn)?shù)據(jù)之后，提供給檢查裝置10。此外，雖然未圖示，但批量試生產(chǎn)階段、批量生產(chǎn)開始后，也可以從生產(chǎn)現(xiàn)場實際負責(zé)進行工件(產(chǎn)品)的制造控制的PLC取得動作定時及其它數(shù)據(jù)。而且，檢查裝置10取得基于由傳聲器2采集的音頻數(shù)據(jù)或由加速度傳感器3采集的振動數(shù)據(jù)的波形數(shù)據(jù)，并提取特征量，同時進行異常判斷。從圖2可知，檢查裝置10由計算機構(gòu)成，具有CPU本體10a、鍵盤和鼠標(biāo)等的輸入裝置10b、顯示器10c。此外，可以根據(jù)需要配備外部存儲裝置，或具有通信功能，與外部的數(shù)據(jù)庫進行通信，取得必要的信息。
此外，在本實施方式中，基本的算法是基于正常的樣本生成進行異常判斷時使用的判斷知識，進行適合條件的判斷為良品而不適合的判斷為次品的異常檢測。通過采用這樣的結(jié)構(gòu)，本實施方式的檢查裝置10在從批量試生產(chǎn)等的批量生產(chǎn)開始前經(jīng)過批量生產(chǎn)初期(生產(chǎn)線調(diào)試)而到達批量生產(chǎn)的穩(wěn)定期的各時期中，均可進行正常/異常的判斷。
圖3主要表示檢查裝置10的內(nèi)部結(jié)構(gòu)，圖4表示更詳細的內(nèi)部結(jié)構(gòu)。該檢查裝置10具有作成在進行異常判斷時所需的知識的功能、以及基于該作成的知識進行良否判斷的功能。在本實施方式中，所有的功能均基于正常的良品的樣本進行，同時按照從開發(fā)向生產(chǎn)轉(zhuǎn)移的各階段，自動地對知識進行修正，從而可以進行適合于各階段的良否判斷。
作為作成知識的功能，檢查裝置10具有存儲經(jīng)由A/D轉(zhuǎn)換器5取得的波形數(shù)據(jù)的波形數(shù)據(jù)庫11。在本實施方式中，該波形數(shù)據(jù)庫11中存儲有基于正常的產(chǎn)品(良品)而產(chǎn)生的波形數(shù)據(jù)。當(dāng)然，不妨礙存儲基于次品而產(chǎn)生的異常的波形數(shù)據(jù)。異常的波形數(shù)據(jù)可以用于檢查裝置10的性能的檢查(是否正確地判斷為不良)。
為了作成模型(判別規(guī)則)，僅存儲良品的數(shù)據(jù)即可。其中，本發(fā)明的檢查裝置10在從批量生產(chǎn)開始前至批量生產(chǎn)開始后的各階段中依次改良/修正模型的同時，構(gòu)建進行更好的判斷用的模型。從而，起初準(zhǔn)備良品的樣本波形數(shù)據(jù)，并將其存儲在波形數(shù)據(jù)庫11中，在可以采集一定數(shù)量的樣本數(shù)據(jù)時，實際地進行異常判斷的檢查，同時進一步進行樣本數(shù)據(jù)的采集，基于該采集的樣本數(shù)據(jù)(檢查對象數(shù)據(jù))進行模型的重構(gòu)。
從而，實際上，在檢查時，經(jīng)由A/D轉(zhuǎn)換部5輸入的波形數(shù)據(jù)被提供給特征量提取部13而進行異常判斷，同時也存儲在波形數(shù)據(jù)庫11中。但是，此時存儲的波形數(shù)據(jù)是否是良品的數(shù)據(jù)還不明確，模型的重構(gòu)所使用的是良品的波形數(shù)據(jù)。因此，雖然省略圖示，但判斷結(jié)果被反饋給波形數(shù)據(jù)庫11中所存儲的波形數(shù)據(jù)。即，波形數(shù)據(jù)庫11的數(shù)據(jù)結(jié)構(gòu)是將實際的波形數(shù)據(jù)與正常/異常的區(qū)別關(guān)聯(lián)起來的表結(jié)構(gòu)。進而，為了反饋判斷結(jié)果而建立關(guān)聯(lián)，還需要識別各波形數(shù)據(jù)的代碼(可以兼用為記錄編號)。另外，在初期提供的良品的樣本數(shù)據(jù)的情況下，不必等待判斷結(jié)果，區(qū)別為“正?！薄４送?，即使是判斷結(jié)果被判斷為異常的波形數(shù)據(jù)，在由人為判斷而得到了良品的判斷結(jié)果的情況下，也可以將區(qū)別更新為“正?！保糜谀Ｐ偷淖鞒?。
由異常檢測模型生成部12調(diào)用該波形數(shù)據(jù)庫11中所存儲的正常的波形數(shù)據(jù)，作成進行異常判斷所需的知識。作為這里作成的知識，有特征量參數(shù)以及異常檢測模型，所作成的特征量參數(shù)被存儲在特征量參數(shù)數(shù)據(jù)庫17中，異常檢測模型被存儲在異常檢測模型數(shù)據(jù)庫18中。進而，具有作成用于進行判斷部15中的判斷處理的模糊規(guī)則的功能，該判斷部15進行后述的異常判斷。
此外，檢查裝置10具有特征量提取部13，其從經(jīng)由A/D轉(zhuǎn)換部5取得的波形數(shù)據(jù)中提取特征量；異常檢測部14，其基于由該特征量提取部13提取的特征量，判別該特征量的值是否包含在正常區(qū)域中，在正常區(qū)域外時檢測為異常；判斷部15，其基于該異常檢測部14的檢測結(jié)果，最終進行良否判斷(異常判斷)；以及使用模型選擇部16，其確定/選擇進行異常檢測處理時所使用的模型。該判斷部15的判斷結(jié)果例如可以在顯示器10c中實時地顯示，或存儲在存儲裝置中。
在說明各處理部的功能/結(jié)構(gòu)的細節(jié)之前，說明本實施方式中的異常檢測算法。
觀察圖1也可知，不呈現(xiàn)從產(chǎn)品的研究/設(shè)計到批量生產(chǎn)的各工序中的良品和次品分別構(gòu)成的組的數(shù)據(jù)量或性質(zhì)。即，在批量生產(chǎn)開始后，次品的產(chǎn)生頻率降低，不能得到足夠的數(shù)據(jù)量。此外，在批量生產(chǎn)開始前，盡管次品的產(chǎn)生頻率較高，但只是一時地產(chǎn)生而立即被改善，基于同一原因的次品、即具有同種特征量的次品的波形數(shù)據(jù)的特征量其后繼續(xù)產(chǎn)生的可能性低。另外，在任何時期中，可以根據(jù)產(chǎn)生原因而將不良分類為各種各樣，將其看作類(class)是不合理的。而且，以對稱性的觀點來看，產(chǎn)品的良品/次品的建模中可以利用的樣本數(shù)量不對稱。因此，在本實施方式中，以基于良品的正常波形數(shù)據(jù)為基準(zhǔn)，利用如概率密度估計這樣的1類的判別方法。
此外，在所采集的樣本數(shù)量少時，基于在本實施方式中作為對象的良品的、正常波形數(shù)據(jù)的特征量的值的統(tǒng)計性質(zhì)無法期待形成正態(tài)分布，但至少在批量生產(chǎn)開始后可以期待形成正態(tài)分布(多變量正態(tài)分布)。然后，在可以假設(shè)服從正態(tài)分布的情況下，作為可利用的建模，有參量的方法，但如果不能假設(shè)，則僅可以利用非參量的建模方法。
因此，在本實施方式中，在從良品中得到的數(shù)據(jù)(特征量值)的統(tǒng)計性質(zhì)可以期待多變量正態(tài)分布時使用參量的方法，在不能期待多變量正態(tài)分布時使用非參量的方法。其中，在從批量生產(chǎn)前開始連續(xù)地通過本實施方式的檢查裝置10進行異常判斷的情況下，所得到的樣本數(shù)據(jù)(也包含實際的檢查對象的數(shù)據(jù))量逐漸增加，因此特征量值的統(tǒng)計性質(zhì)不以某一瞬間作為基點而瞬間地切換為多變量正態(tài)分布，存在難以說是哪一方的過渡期的期間。此外，假設(shè)(理論上)在某一瞬間切換為多變量正態(tài)分布，也難以斷定該瞬間而將所使用的模型從非參量的方法切換為參量的方法。
因此，在本實施方式中，上述的過渡期的期間在同時使用參量的方法和非參量的方法兩者來進行良否判斷、批量生產(chǎn)開始后等的通過參量的方法可以進行比較準(zhǔn)確的判斷的情況下，切換為僅基于參量的方法的判斷?；谠撓敕ǘ鴮崿F(xiàn)的是本發(fā)明的第二實施方式。
當(dāng)然，在樣本數(shù)量少或存在失真/偏差等而未形成正態(tài)分布的跡象很明確的情況下，由于相對于基于參量方法的異常判斷結(jié)果的可靠性低，因此附加僅基于非參量的建模方法進行判斷的功能即可?；谠撓敕ǘ鴮崿F(xiàn)的是本發(fā)明的第一實施方式。
而且，在本實施方式中，作為基于參量的方法，使用MTS(Maharanobis-Taguchi System)法。即，在MTS法中，如良品的集合這樣，以任何的意思設(shè)定普通的集合。將其稱為單位空間。在次品的判斷中，良品納入單位空間。而且，如果設(shè)定了單位空間和觀測變量，則僅由屬于單位空間內(nèi)的樣本來估計成為以下敘述的Maharanobis距離的基礎(chǔ)的平均向量和方差協(xié)方差矩陣。
這里，Maharanobis距離是由下式表示的、表示以平均向量為原點，考慮了方差協(xié)方差矩陣即變量的相關(guān)度的距離的標(biāo)量值。
Δ2＝(x-μ)’Σ-1(x-μ) (式1)(Σ方差協(xié)方差矩陣，μ平均向量)這樣，可以把握根據(jù)良品樣本計算出的Maharanobis距離作為表示從良品組乖離的程度的量。即，如圖5(a)所示，由于為正態(tài)分布，因此從分布的中心起Maharanobis距離為所希望的等距離的超橢圓的范圍內(nèi)(圖中用虛線表示的范圍內(nèi))為良品的范圍，將超出該估計的分布(預(yù)定的等距離的超橢圓的范圍內(nèi))的區(qū)域檢測為異常。從而，假設(shè)圖中“黑圈”所表示的為范圍外，所以被判斷為異常(次品)。
另外，使用該參量方法的異常判斷中，數(shù)據(jù)量至少大于等于特征數(shù)，這是數(shù)據(jù)量的下限，優(yōu)選為(經(jīng)驗上)數(shù)據(jù)量需要大于等于特征數(shù)的三倍。
另一方面，在本實施方式中，作為非參量方法，使用了1類SVM(支持向量機)的方法。該SVM是為了解決2類的判別問題而制作的訓(xùn)練機。SVM具有如下特征通過將稱為核變換的輸入數(shù)據(jù)在高維空間中的映射用于訓(xùn)練，也可以構(gòu)成非線性的判別函數(shù)。SVM為了確定最佳地判別樣本數(shù)據(jù)的分離超平面，將分離超平面和樣本數(shù)據(jù)之間的最小距離用作為評價式，確定分離超平面，以使該評價式最大。與該最大時的最小距離對應(yīng)的樣本數(shù)據(jù)稱為支持向量(參照圖6)。該支持向量僅由邊界的數(shù)據(jù)確定。
這里，將n個d維數(shù)據(jù)x＝{x1，……，xd}的集合作為樣本數(shù)據(jù)時，SVM的判別函數(shù)如下表示。
f(Φ(x))=Σj=1nαiyiK(x,xj)+b]]>(式2)這里，yi是樣本數(shù)據(jù)的標(biāo)簽(label)，αi是被稱為支持向量的權(quán)重的參數(shù)。此外，b是稱為偏置項的參數(shù)。而且，Ф是基于核變換的映射，K(x，xj)表示映射后的空間中的內(nèi)積。滿足該判別器的f(x)＝0的點的集合(識別面)為d-1維的超平面。
這里，核法為了非線性地擴展SVM，通過非線性映射Ф進行非線性映射，維數(shù)變高時，通常復(fù)雜而難以計算，但在SVM的情況下，由于目標(biāo)函數(shù)和識別函數(shù)僅取決于輸入圖形的內(nèi)積，因此如果可以計算內(nèi)積則可以構(gòu)成最佳的識別函數(shù)。這樣，在高維地進行映射的同時，避免實際映射的空間內(nèi)的特征的計算，置換為核函數(shù)。將僅通過核函數(shù)的計算來構(gòu)成最佳識別函數(shù)稱為kernel trick。
例如，如圖7(a)所示，在分布白圈和黑方塊的情況下，不能按照d-1維(圖示的情況下由于d＝2，一維直線)分離兩者的區(qū)域，但如圖7(b)所示，作成(假設(shè))基于Ф(x)的非線性映射，由此可以通過d-1維(在圖示的情況下由于d＝3，二維平面)的分離超平面，將兩者(白圈和黑方塊)分離開。關(guān)鍵是將原始的輸入數(shù)據(jù)映射到高維特征空間中，在特征空間中進行線性分離。盡管越高維則計算量越增加，但由于可以使用內(nèi)積進行運算處理，所以可以簡單地進行計算。
而且，1類SVM是指確定如下的判別函數(shù)的訓(xùn)練功能，該判別函數(shù)可以僅根據(jù)正常數(shù)據(jù)的信息，對未知的數(shù)據(jù)也可以高精度地判別其正常/異常。通過1類SVM得到的識別面被構(gòu)成為與樣本數(shù)據(jù)的分布的外形匹配。即，將與樣本數(shù)據(jù)不同的數(shù)據(jù)判別為異常。通過核變換而非線性地擴展的1類SVM的判別函數(shù)如下式所示。
f(x)=Σi(αiK(xi,x))-ρ]]>(式3)這里，f(x)的值表示對于識別面的乖離度。由此，可根據(jù)離正常數(shù)據(jù)的集合的距離來判斷正常/異常。即，1類SVM是用于求出樣本點的支持的核法。對核使用高斯函數(shù)時，利用偏離點被映射在特征空間的原點附近的性質(zhì)來檢測輸入空間中的偏離點(參照圖8)。在圖8中，v是樣本組殘留在原點側(cè)的比例(0＞v≥1)，v越小則越可以說是偏離點、即異常。
如圖示地說明使用1類SVM的異常檢測，如圖5(b)所示，判斷為在與表示正常范圍的組的外形(以虛線表示的區(qū)域)匹配的范圍內(nèi)存在的點是與正常(良品)相關(guān)的點。即，將沒有數(shù)據(jù)的出現(xiàn)實例的區(qū)域檢測為異常。由此，即使是在樣本數(shù)少的狀態(tài)下也可以進行異常判斷。另外，也可以將位于該范圍外的點均檢測為異常，但還可以設(shè)定一定的乖離度，在該乖離度大于等于預(yù)定的閾值的情況下檢測為異常。
即，MTS和1類SVM中的異常程度的意思是，前者是相對于分布中心的乖離度為大于等于預(yù)定的閾值，后者是相對于識別面的乖離度為大于等于預(yù)定的閾值。此外，由于1類SVM中的正常范圍是由現(xiàn)有的良品的波形數(shù)據(jù)(基于此的特征量值)構(gòu)成的組的集合體的外形，因此隨著追加基于良品的數(shù)據(jù)，其形狀也發(fā)生變化。而且，在所采集的數(shù)據(jù)的樣本數(shù)量增多、可以采集到正態(tài)分布的程度時，該1類SVM中的正常范圍的外形形狀與基于正態(tài)分布的超橢圓的范圍相等。在該狀態(tài)下，由于也可以高精度地執(zhí)行基于MTS的判斷，所以可以切換為基于MTS的判斷。另外，良品組的形狀不一定是正態(tài)分布，即使不服從正態(tài)分布的情況下，如果服從威布爾(weibull)分布或二項分布等的參量方法已知的分布，則可以切換為適合于各個分布的參量方法。
返回圖3、圖4，說明本實施方式的裝置。異常檢測模型生成部12具有參數(shù)優(yōu)化部12a、特征選擇維壓縮部12b、以及建模部12c。在本實施方式中，預(yù)先確定使用的特征量。而且，由參數(shù)優(yōu)化部12a自動地確定特征量中的參數(shù)。該參數(shù)優(yōu)化部12a中的參數(shù)的確定方法可以應(yīng)用上述非專利文獻等中公開的技術(shù)。而且，求出的參數(shù)存儲在特征量參數(shù)數(shù)據(jù)庫17中。
特征選擇維壓縮部12b從多個特征量中選擇有效的特征量，將高維特征量壓縮為低維。即，在本實施方式中，由于可以更準(zhǔn)確、且高性能地對寬范圍的對象進行異常判斷，因此根據(jù)基于時間軸的波形和基于頻率軸的波形(通過波形轉(zhuǎn)換部13e生成)，分別求出預(yù)定數(shù)量的特征量，因此特征量的數(shù)量增多，該特征量的數(shù)量今后可能進一步增加。這樣，廣泛地加進認為對異常判斷有效的特征量，結(jié)果，生成高維的特征向量，但對這樣的高維的特征向量，選擇對正常/異常的識別有效的維來壓縮。建模部12c對于基于良品的波形數(shù)據(jù)的特征量空間，作成1類SVM的模型(構(gòu)成組的范圍)或MTS的模型，存儲在異常檢測模型數(shù)據(jù)庫18中。進而，基于作成的模型，還作成由判斷部15進行的模糊推理時所使用的模糊規(guī)則(也包含隸屬函數(shù))，存儲在模糊規(guī)則數(shù)據(jù)庫19中。這里作成、存儲的模糊規(guī)則以MTS的結(jié)果和1類SVM的結(jié)果為兩方，相當(dāng)于綜合地進行判斷的過渡期中的良否判斷所用的規(guī)則和以單獨的模型(MTS/1類SVM)進行異常判斷的情況下所使用的規(guī)則中的任意一種。后面敘述作成的規(guī)則。
如圖4所示，特征量提取部13具有濾波器13a，其從經(jīng)由A/D轉(zhuǎn)換器5取得的檢查對象的一系列的波形數(shù)據(jù)中提取/除去(濾波)預(yù)定的頻率成分；幀分割部13b，其對通過該濾波器13a后的波形數(shù)據(jù)進行幀分割；波形轉(zhuǎn)換部13e，其對于由該幀分割部13b分割的各幀的波形數(shù)據(jù)進行波形轉(zhuǎn)換；幀特征量運算部13c，其基于由該幀分割部13b分割的各幀單位的波形數(shù)據(jù)以及由波形轉(zhuǎn)換部13e轉(zhuǎn)換的數(shù)據(jù)(幀單位)，計算幀單位的特征量(幀特征量)；以及代表特征量運算部13d，其基于該幀特征量，求出檢查對象的波形數(shù)據(jù)的代表特征量。由該代表特征量運算部13d求出的代表特征量被發(fā)送給后級的異常檢測部14、判斷部15。該特征量提取部13的各處理部的功能基本上與公知的異音檢查裝置等中所安裝的特征量提取部的功能相同。
簡單地說明各處理部的功能，濾波器13a為帶通濾波器、或低通濾波器等的各種濾波器，用于除去噪聲或提取判斷所需的頻率成分，設(shè)定各種作為邊界的頻率值。
但是，在本實施方式中，因為是基于良品的異常檢查，與不良識別相比，需要相當(dāng)程度地增加特征量數(shù)量。即，在不良識別的情況下，伴隨次品產(chǎn)生的異音在該異音的類型所固有的波段中出現(xiàn)，因此如果不是僅關(guān)注該頻帶，則無法捕捉異音(異音被淹沒到其它的頻率成分中)，但反之由于已知產(chǎn)生該異音的波段，因此在實際的檢查中僅對于該波段通過特征量進行監(jiān)視即可。但是，由于在異常檢測中沒有次品數(shù)據(jù)，所以無法確定波段，這是由于需要在檢查中對各波段都要用特征量進行監(jiān)視的緣故?，F(xiàn)實中，在可根據(jù)經(jīng)驗規(guī)律而在一定程度上(即使不是不良識別那樣)限定應(yīng)檢查的頻率范圍的情況下，可以限定在該范圍內(nèi)。此外，如后所述，由于也可以通過FFT等進行頻率分析，因此可以進行寬頻率范圍內(nèi)的特征量的分析。
檢查對象的波形數(shù)據(jù)是驅(qū)動檢查對象的產(chǎn)品時進行測量而得到的具有一定長度的連續(xù)波形。因此，通過幀分割部13b將這一系列的波形數(shù)據(jù)分割為由單位時間(單位采樣數(shù))構(gòu)成的幀單位。進行該分割處理時，可采用下述各種方式對于一系列的波形數(shù)據(jù)，分割成使得前后的幀無間斷地連續(xù)，或前后的幀的一部分重疊等。波形變形部13e有求出Hilbert變換、FFT(傅立葉變換)、高頻強調(diào)、低頻強調(diào)、自相關(guān)函數(shù)等各種形式。
幀特征量運算部13c有平均、方差、失真度、峰度、峰值數(shù)(超過閾值的數(shù))、最大值等各種形式。代表特征量運算部13d求出針對每一幀求出的幀特征量的平均值、最大值、最小值、變化量等。當(dāng)然，計算出的幀特征量的類型或基于該幀特征量計算的代表特征量的計算方法不限于以上列舉出方法，可以使用其它各種方法。
實際上，由特征量提取部13讀取特征量參數(shù)數(shù)據(jù)庫17中所存儲的特征量和參數(shù)(例如，作為濾波器的邊界的頻率或求出峰值數(shù)時的閾值等)，由各處理部據(jù)此執(zhí)行運算處理等。
異常檢測部14具有維壓縮部14a、SVM處理部14b、MTS處理部14c。在本實施方式中，由于更準(zhǔn)確且高性能地對寬范圍的對象進行異常判斷，因此根據(jù)基于時間軸的波形和基于頻率軸的波形(由波形轉(zhuǎn)換部13e生成)，分別求出預(yù)定數(shù)量的特征量，因此特征量的數(shù)量增多，該特征量的數(shù)量今后可能進一步增加。這樣，廣泛地加進被認為對異常判斷有效的特征量的結(jié)果是，生成高維的特征向量，但維壓縮部14a對這樣的高維的特征向量進行選擇對正常/異常識別有效的維而壓縮的處理。
SVM處理部14b取得異常模型數(shù)據(jù)庫18中所存儲的當(dāng)前的1類SVM用的模型(表示正常范圍(外形)的信息)，計算上述1類SVM中的判別函數(shù)(式3)，求出基于檢查對象的波形數(shù)據(jù)的維壓縮后的特征量空間中的相對于識別面的乖離度f(x)。然后，將求出的結(jié)果傳遞給下一級的判斷部15。
MTS處理部14c取得異常模型數(shù)據(jù)庫18中所存儲的當(dāng)前的MTS用的模型(表示正常范圍的超橢圓的存在位置信息)，求出上述基于檢查對象的波形數(shù)據(jù)的維壓縮后的特征量空間中的相對于超橢圓的中心的Maharanobis距離(式1)。然后，將求出的結(jié)果傳遞給下一級的判斷部15。
判斷部15具有模糊推理部15a和閾值處理部15b。模糊推理部15a基于從異常檢測部14取得的1類SVM的乖離度、或MTS的Maharanobis距離、或從特征量提取部13取得的代表值特征量，按照模糊規(guī)則數(shù)據(jù)庫19中所存儲的規(guī)則來進行模糊推理，并將該推理得到的結(jié)果傳遞給閾值處理部15b。閾值處理部15b根據(jù)所取得的模糊推理的結(jié)果，判斷檢查對象的產(chǎn)品的良品/次品。雖然所使用的模型不同，但通過模糊推理處理以及基于其推理結(jié)果的閾值處理實現(xiàn)的異常判斷可以使用基本上與以往相同的機構(gòu)。
這里，說明各階段中的分布狀況(分布正常度)和此時使用的模型/模糊規(guī)則。在研究/設(shè)計的初始階段中，樣本數(shù)據(jù)量少。從而，基于各樣本數(shù)據(jù)的特征量的分布狀況如圖9(a)所示，不是正態(tài)分布，基于良品(正常)的范圍的外形形狀也不是超橢圓。另外，為便于說明，特征量設(shè)為兩個(x1、x2)、在二維平面上進行圖示，但實際上為大于等于三個的多個的特征量空間。
如上所述，在得不到足夠的樣本數(shù)量的初始階段中，僅通過1類SVM進行，因此如圖9(b)所示，僅對1類SVM的乖離度(橫軸)作成如圖所示的隸屬函數(shù)。關(guān)于該隸屬函數(shù)，在分配了對于良品范圍小、對于次品范圍大的隸屬函數(shù)的情況下，在良品的范圍的外形部分，使對于大和小的隸屬函數(shù)的適合度相等。例如，雙方在0.5處相交。在初始階段中，由于不進行基于MTS模型的判斷，因此也不作成隸屬函數(shù)。從而，如圖9(b)所示，僅基于橫軸的隸屬函數(shù)來進行異常判斷。由于不求MTS的乖離度，因此對于縱軸，不作成隸屬函數(shù)。此外，更新時使用的訓(xùn)練數(shù)據(jù)是被判斷為正常(良品)的數(shù)據(jù)。另外，即使是被判斷為異常(次品)的數(shù)據(jù)，也可以通過人工再檢查，如果是良品則進行追加。
此外，轉(zhuǎn)移到批量試生產(chǎn)階段等，采集到一定程度的樣本數(shù)量(例如，“數(shù)據(jù)量為特征數(shù)量的三倍以上”)時，還可進行基于MTS的異常判斷。但是，對于此時的分布正常度，雖然可以進行分布的估計，但因應(yīng)該還未完成多變量正態(tài)分布，所以由于偏差引起的誤差而成為不穩(wěn)定的狀態(tài)。從而，如圖10(a)所示，基于1類SVM的模型的良品范圍(以虛線表示的無定形的形狀)和基于MTS的模型的良品的范圍(以實線表示的超橢圓的形狀)不完全一致。因此，把基于兩個模型的判斷結(jié)果都判斷為正常的數(shù)據(jù)判斷為良品，把基于兩個模型的判斷結(jié)果都為異常的數(shù)據(jù)判斷為次品。而且，對于MTS和SVM的判斷不同的數(shù)據(jù)，判斷為GRAY(不定不明)。
而且，用于進行這樣的處理的隸屬函數(shù)對于1類SVM，與上述的初始階段的情況相同。此外，關(guān)于MTS的隸屬函數(shù)，在該隸屬函數(shù)分配了對于良品范圍小、對于次品范圍大的隸屬函數(shù)的情況下，在良品的范圍的外形部分，使對于大和小的隸屬函數(shù)的適合度相等。例如，雙方在0.5處相交。此外，規(guī)則如圖12所示。
進而，轉(zhuǎn)移到批量生產(chǎn)階段，如圖11(a)所示，在還估計了分布正常度的多變量正態(tài)分布穩(wěn)定的狀態(tài)下，如上所述，僅通過MTS模型進行異常判斷。這是由于因在該階段中，基于1類SVM的良品范圍也為與超橢圓同等的形狀，因此基于兩個模型的判斷結(jié)果也都一致。從而，無需如調(diào)節(jié)階段那樣，特地進行基于兩個模型的判斷處理，因此僅通過MTS進行判斷。此時的隸屬函數(shù)與初始階段相反僅為MTS，對于MTS的隸屬函數(shù)，在該隸屬函數(shù)分配了對于良品范圍小、對于次品范圍大的隸屬函數(shù)的情況下，在良品的范圍的外形部分，使對于大和小的隸屬函數(shù)的適合度相等。例如，雙方在0.5處相交。另外，在轉(zhuǎn)移到穩(wěn)定階段的情況下，不對模型(判斷規(guī)則)依次進行更新。而且，根據(jù)需要，檢查分布是否沒有變化。
在上述的各階段中，由使用模型選擇部16確定執(zhí)行哪種處理，向各處理部(異常檢測部14、判斷部15)發(fā)送切換指令?；谠撝噶?，各處理部執(zhí)行基于所指定的模型的處理。
接著，說明使用上述的檢查裝置的本發(fā)明的第一實施方式。圖13是表示本發(fā)明的第一實施方式的整體處理的流程圖。例如，在從工業(yè)產(chǎn)品的開發(fā)向生產(chǎn)轉(zhuǎn)移的階段中，在進行初期試生產(chǎn)之后，經(jīng)過批量試生產(chǎn)轉(zhuǎn)移到實際的批量生產(chǎn)。在本實施方式中，在按照這樣的三階段從開發(fā)向生產(chǎn)轉(zhuǎn)移的情況下，可以從初期試生產(chǎn)的階段起進行異常判斷。
如圖13所示，首先，進行初期試生產(chǎn)(初始階段)中的異常判斷處理(S10)。在該初始階段中，處于可取得的樣本數(shù)據(jù)少、無法估計特征量空間中的良品的分布或正常區(qū)域的形狀的狀態(tài)。因此，作為初始階段模型，進行僅基于1類SVM的異常判斷。
具體來說，執(zhí)行圖14所示的流程圖。即，首先讀入預(yù)先準(zhǔn)備的良品初始樣本數(shù)據(jù)(S11)。該讀入的數(shù)據(jù)被存儲在波形數(shù)據(jù)庫11中。然后，異常檢測模型生成部12根據(jù)存儲在該波形數(shù)據(jù)庫11中的波形數(shù)據(jù)，作成1類SVM的模型(S12)。然后，將作成的特征量、異常檢測模型以及模糊規(guī)則分別存儲在對應(yīng)的數(shù)據(jù)庫17、18、19中。該處理步驟S11、S12為訓(xùn)練階段，到該訓(xùn)練階段為止不進行實際的針對未知波形數(shù)據(jù)的異常判斷(異音檢查)。準(zhǔn)備預(yù)定數(shù)量的樣本數(shù)據(jù)，如果可以進行基于據(jù)此作成的1類SVM模型的檢查，則轉(zhuǎn)移到從處理步驟S13起的實際檢查中。
即，取得在初期試生產(chǎn)階段得到的基于產(chǎn)品(樣本/試制品)的波形數(shù)據(jù)，經(jīng)由A/D轉(zhuǎn)換器5發(fā)送給特征量提取部13。此時，也一并存儲到波形數(shù)據(jù)庫11中。使用模型選擇部16設(shè)定為對于異常檢測部14、判斷部15，在初始階段模式下、即僅以1類SVM進行工作。由此，由特征量提取部13提取出的代表特征量被發(fā)送給異常檢測部14，在由維壓縮部14a進行維壓縮之后，僅對SVM處理部14b發(fā)送數(shù)據(jù)，并在其中求出基于1類SVM模型的乖離度，發(fā)送給判斷部15。在判斷部15中，僅基于1類SVM，進行模糊推理處理(參照圖9)，并進行正常/異常的判斷。
接著，進行樣本的積蓄(S14)。即，將波形數(shù)據(jù)庫11中所存儲的在處理步驟S13中進行了檢查的檢查數(shù)據(jù)(波形數(shù)據(jù))的判斷結(jié)果與所存儲的波形數(shù)據(jù)關(guān)聯(lián)起來進行登記。在良品(正常)的情況下，用于1類SVM的模型作成。另外，異常檢測模型生成部12可以在每追加一個樣本時進行模型的重構(gòu)，也可以在每積蓄到預(yù)定量時進行重構(gòu)。此外，如后所述，在進行基于該1類SVM模型的異常判斷的期間，也有時新的樣本數(shù)據(jù)僅進行積蓄，而不進行基于該積蓄的樣本的模型重構(gòu)。但是，優(yōu)選為依次按照適當(dāng)?shù)亩〞r進行模型的重構(gòu)。這樣，可以增加作為良品提取的樣本(可以避免本來是良品的樣本被判斷為異常)。
另外，在執(zhí)行該初始階段中的僅基于1類SVM的檢查處理的期間，也可以基于通過執(zhí)行處理步驟S11、S12而求出的模型進行異常判斷，而不進行基于通過執(zhí)行處理步驟S14而得到的新樣本的1類SVM模型的重構(gòu)。
另外，在上述的說明中，作為將檢查對象的波形數(shù)據(jù)存儲在波形數(shù)據(jù)庫11中的定時，在為了檢查而提供給特征量提取部13的同時(不等待異常判斷結(jié)果)進行存儲，但本發(fā)明不限于此，例如，也可以執(zhí)行處理步驟S13，僅將判斷為良品的數(shù)據(jù)存儲在波形數(shù)據(jù)庫11中。在該情況下，經(jīng)由A/D轉(zhuǎn)換器5提供的波形數(shù)據(jù)在判斷結(jié)果出來之前存儲在緩存及其它臨時存儲單元中，可以通過將等待判斷結(jié)果而存儲在該臨時存儲單元中的波形數(shù)據(jù)存儲到波形數(shù)據(jù)庫11中來進行應(yīng)對。而且，拋棄(刪除)被判斷為次品(異常)的波形數(shù)據(jù)，或存儲到其它的數(shù)據(jù)庫中。當(dāng)然，即使在該情況下，在知道是基于次品的波形數(shù)據(jù)的狀態(tài)下，仍不妨礙存儲到波形數(shù)據(jù)庫11中。
然后，判斷所積蓄的樣本的特征量是否可以形成正態(tài)分布(S15)。該判斷由使用模型選擇部16進行。在圖3中，為便于圖示，記載為使用模型選擇部16僅與異常檢測部14以及判斷部15連接，進行數(shù)據(jù)的收發(fā)，但也可以訪問其它的處理部或數(shù)據(jù)庫。而且，在本實施方式中，訪問使用模型選擇部16或波形數(shù)據(jù)庫11，根據(jù)其中存儲的良品的樣本數(shù)據(jù)量是否達到對于良品分布估計(基于MTS模型的判斷)足夠的樣本量來進行判斷。具體來說，至少為大于等于特征量的數(shù)量，在本實施方式中，判斷是否為大于等于特征量的數(shù)量的三倍。在良品的樣本數(shù)量沒達到大于等于三倍的情況下(小于三倍的情況下)，該分支判斷為“否”，返回處理步驟S13，并執(zhí)行對于下一個產(chǎn)品(試制品)的檢查處理。然后，在上述處理步驟S15的分支判斷中成為“是”的情況下，圖13所示的初期試生產(chǎn)(初始階段)中的異常判斷處理(S10)結(jié)束，轉(zhuǎn)移到下一階段、即批量試生產(chǎn)(調(diào)節(jié)階段)中的異常判斷處理(S20)。另外，對于特征量是否為正態(tài)分布，在本實施方式中，采用了基于特征量的數(shù)量和樣本數(shù)據(jù)的數(shù)量來進行估計的方式，但本發(fā)明不限于此，例如，也可以基于求出的特征量的值的分布狀況，利用失真度和峰度的指標(biāo)來簡單地進行判斷。
在批量試生產(chǎn)階段中，可取得的樣本數(shù)據(jù)增加，可以估計良品的分布，但由于偏差引起的誤差，正常區(qū)域的形狀為不穩(wěn)定的狀態(tài)。因此，作為調(diào)節(jié)階段模型，同時使用基于1類SVM模型的判斷處理和基于MTS模型的判斷處理，綜合地進行判斷(S20)。
具體來說，執(zhí)行圖15所示的流程。即，首先進行良品的樣本數(shù)據(jù)的追加讀入(S21)。然后，包含該追加的樣本數(shù)據(jù)在內(nèi)而再次進行1類SVM的建模(S22)。另外，在初始階段的處理中、基于一直追加積蓄的樣本反復(fù)執(zhí)行1類SVM的模型的重構(gòu)的情況下，也可以不特別設(shè)置S22的處理。但是，在任何的情況下都需要進行接著進行的MTS的建模(S23)，因此在S21中，需要讀入包含追加部分在內(nèi)的良品的波形數(shù)據(jù)。把通過上述的各建模處理求出的特征量、異常檢測模型及模糊規(guī)則存儲在各數(shù)據(jù)庫17、18、19中。
根據(jù)通過執(zhí)行從步驟S21至S23而作成的1類SVM模型和MTS模型，進行基于從檢查對象的產(chǎn)品得到的波形數(shù)據(jù)的判別(S24)，進行判別結(jié)果的綜合，進行檢查結(jié)果的輸出(S25)。
即，使用模型選擇部16設(shè)定為對于異常檢測部14、判斷部15，在調(diào)節(jié)階段模式下、即利用1類SVM和MTS兩者來進行工作。由此，由特征量提取部13提取出的代表特征量被發(fā)送給異常檢測部14，在由維壓縮部14a進行維壓縮之后，向SVM處理部14b和MTS處理部14c兩方發(fā)送數(shù)據(jù)，并分別在其中求出基于1類SVM模型的乖離度以及基于MTS模型的乖離度，發(fā)送給判斷部15。在判斷部15中，基于1類SVM和MTS兩者的乖離度，進行模糊推理(參照圖10)，進行正常/異常的判斷。在本實施方式中，如使用圖10所說明的那樣，通過模糊推理來一并進行處理步驟S24中的各模型的判別處理和各個判別結(jié)果的綜合處理，但當(dāng)然也可以各自分別執(zhí)行。
接著，進行樣本的積蓄(S26)。即，將處理步驟24中的檢查對象的波形數(shù)據(jù)存儲在波形數(shù)據(jù)庫11中。此時，也一并存儲判斷結(jié)果(檢查結(jié)果)。波形數(shù)據(jù)存儲的定時與上述初始階段的情況同樣，可以取各種定時。
而且，根據(jù)過去n個樣本來判斷1類SVM和MTS的判別結(jié)果中是否存在差異(S27)。具體來說，可以通過由模糊推理部15a求出的推理結(jié)果中是否有GRAY的結(jié)果來進行判斷。在存在GRAY的情況下，判斷為有差異。另外，雖然是GRAY判斷的有無，但可以在過去n個樣本中哪怕出現(xiàn)一個GRAY判斷的情況下即判斷為有差異，也可以在一個或小于等于預(yù)定數(shù)量的情況下判斷為沒有差異。該判斷是由使用模型選擇部16來進行的。
在存在差異的情況下，返回處理步驟21，反復(fù)執(zhí)行上述的處理。然后，如果差異消失，則圖13所示的批量試生產(chǎn)(調(diào)節(jié)階段)中的異常判斷處理(S20)結(jié)束，轉(zhuǎn)移到下一階段、即批量生產(chǎn)(穩(wěn)定階段)中的異常判斷處理(S30)。另外，根據(jù)該流程圖，在處理步驟27的分支判斷中為“是”的情況下，返回處理步驟S21，因此在每次進行對于一個波形數(shù)據(jù)的檢查時，進行模型的重構(gòu)。但是，本發(fā)明不限于此，也可以在進行了預(yù)定數(shù)量的樣本的追加積蓄時返回S24，在不進行模型重構(gòu)的情況下進行檢查。
在批量生產(chǎn)階段中，可取得的樣本數(shù)據(jù)足夠、良品的分布或正常區(qū)域的形狀為穩(wěn)定的狀態(tài)。因此，進行作為穩(wěn)定階段模型而僅基于MTS模型的判斷處理(S30)。
具體來說，執(zhí)行圖16所示的流程。即，首先進行良品的樣本數(shù)據(jù)的追加讀入(S31)。另外，在調(diào)節(jié)階段的處理中、基于一直追加積蓄的樣本來反復(fù)執(zhí)行MTS模型的重構(gòu)的情況下，也可以不特別設(shè)置S31的處理。然后，通過包含該追加的樣本數(shù)據(jù)在內(nèi)的到此為止采集到的良品的樣本數(shù)據(jù)、即形成了多變量正態(tài)分布的良品數(shù)據(jù)進行MTS的建模(S32)。然后，把通過建模求出的特征量、異常檢測模型以及模糊規(guī)則存儲在各數(shù)據(jù)庫17、18、19中。以后，進行基于MTS模型的判別(異常判斷)(S33)。
圖17表示本發(fā)明的第二實施方式。例如，在從工業(yè)產(chǎn)品的開發(fā)向生產(chǎn)轉(zhuǎn)移的階段中，大概有批量試生產(chǎn)、批量生產(chǎn)。在這樣的情況下，取消第一實施方式中的初期試生產(chǎn)(初始階段)的異常判斷處理，進行批量試生產(chǎn)(調(diào)節(jié)階段)中的同時使用1類SVM和MTS的異常判斷處理(S20)，轉(zhuǎn)移到批量生產(chǎn)(穩(wěn)定階段)之后，切換為僅基于MTS的異常判斷(S30)。
另外，各個階段中的具體的處理流程與第一實施方式所示的流程(圖15、圖16)相同，因此省略詳細的說明。此外，也不妨礙將該第二實施方式應(yīng)用于如第一實施方式那樣從初期試生產(chǎn)(初始階段)開始開發(fā)的情況。
圖18、圖19表示本發(fā)明的第三實施方式。即，在上述的各實施方式中，在調(diào)節(jié)階段中1類SVM和MTS的判斷結(jié)果存在差異的情況下，輸出GRAY的判斷結(jié)果。此時，可以是GRAY狀態(tài)的原樣，但示出了通過人為判斷正常還是異常而更早地轉(zhuǎn)移到穩(wěn)定階段的具體處理功能。
具體來說，如圖18所示，首先，取得檢查數(shù)據(jù)，由特征量提取部13進行特征量的運算(S41)。接著，對于求出的特征量(代表特征量)，根據(jù)1類SVM模型和MTS模型來分別求出乖離度，進行異常判斷(S42)。這樣的處理與圖15中的處理步驟S24同等。
然后，判斷1類SVM和MTS的判別結(jié)果中是否存在差異(S43)。即，判斷由判斷部15中的模糊推理部15a執(zhí)行的模糊推理結(jié)果是否為GRAY。然后，在一致的情況下，將模型的判別結(jié)果(正常/異常)作為檢查結(jié)果來執(zhí)行處理(S45)，即在顯示器上顯示檢查結(jié)果，或存儲在波形數(shù)據(jù)庫11中。
另一方面，在基于兩個模型的判別結(jié)果存在差異的情況下，與判別結(jié)果一同輸出讓檢查員進行正常還是異常的判斷輸入的指示信息。作為該指示信息，例如，在顯示器上顯示如圖19所示的判斷輸入畫面。從波形數(shù)據(jù)庫11或臨時存儲單元等讀取檢查處理的波形數(shù)據(jù)而輸出到波形曲線的欄中。此外，在該判斷輸入畫面中，點擊“再現(xiàn)按鈕”時，根據(jù)波形曲線所顯示的波形數(shù)據(jù)，再現(xiàn)、輸出音頻。由此，進行判斷的人根據(jù)波形曲線或再現(xiàn)的音頻，判斷是良品(正常)還是次品(異常)，點擊“OK”按鈕或“NG”按鈕的任意一方。
因此，作為檢查裝置，執(zhí)行處理步驟S44，如果顯示了包含指示信息的判斷輸入畫面，則等待判斷輸入的到來(S46)，在沒有判斷輸入的情況下，執(zhí)行預(yù)定處理(在上述例子中，為音頻的再現(xiàn)等)(S48)。然后，如果輸入了正常/異常的判斷，則將該輸入的判斷結(jié)果作為檢查結(jié)果來執(zhí)行處理(S47)。即，例如，對判斷結(jié)果進行修正顯示，或更新波形數(shù)據(jù)庫11中所登記的信息，進而執(zhí)行模型重構(gòu)等的各種處理。特別是在1類SVM的情況下，由于根據(jù)是否在良品的組的范圍外來進行判斷，因此通過這樣以適當(dāng)?shù)亩〞r進行人為修正，可以使良品的組的范圍盡快接近超橢圓。
此外，除了上述以外，例如，對于所追加的樣本，基于調(diào)節(jié)階段模型和穩(wěn)定階段模型的判別結(jié)果不同的情況(盡管是同一樣本，但一方判別為正常，另一方判別為異常時)等，也可以利用與上述同樣的結(jié)構(gòu)，進行人為修正。
上述的實施方式的檢查裝置10可以應(yīng)用于異音噪聲、裝配誤差、輸出特性的檢查領(lǐng)域。此外，也可以應(yīng)用于進行批量生產(chǎn)的在線(inline)狀態(tài)，還可以應(yīng)用于與批量生產(chǎn)分開進行試制品的檢查等的離線(offline)狀態(tài)。而且，更具體地說，本實施方式的檢查裝置10例如可以應(yīng)用為汽車的發(fā)動機(聲音)、變速器(振動)等的汽車的驅(qū)動模塊的檢查設(shè)備；電動門鏡、電動座椅、電動柱(方向盤的對位)等的汽車的電機致動模塊的檢查設(shè)備；上述開發(fā)中的異音噪聲、裝配誤差、輸出特性的評價裝置進而為開發(fā)中的試生產(chǎn)機的評價裝置。
此外，可以應(yīng)用為電冰箱、空調(diào)室內(nèi)外機、洗衣機、吸塵器、打印機等的電機驅(qū)動家電的檢查設(shè)備；以及上述開發(fā)中的異音噪聲、裝配誤差、輸出特性的評價裝置。
進而，也可以應(yīng)用為進行NC機床、半導(dǎo)體設(shè)備、食品設(shè)備等的設(shè)備的狀態(tài)判別(異常狀態(tài)/正常狀態(tài))的設(shè)備診斷儀器。這是出于以下考慮要在設(shè)備診斷中，將以往的基于異常時的樣本數(shù)據(jù)作成有無異常的判別式(判定規(guī)則)的方法進行既定實事、固定觀念化的情況變?yōu)閮H根據(jù)正常時的樣本數(shù)據(jù)來判斷正常還是異常。在引入設(shè)備儀器之后，通常一邊進行儀器的調(diào)節(jié)(或一邊調(diào)節(jié)/變更操作參數(shù)的設(shè)定)一邊使用，所以“異常狀態(tài)”可以說不穩(wěn)定地產(chǎn)生，但該異常狀態(tài)可通過進行維護或良好地進行儀器的調(diào)節(jié)，來不致產(chǎn)生。
即，達到設(shè)備儀器的運轉(zhuǎn)穩(wěn)定期時，異常狀態(tài)的某些是可以實施解決對策而不致產(chǎn)生的。這表示設(shè)備儀器的狀態(tài)判別的“異常狀態(tài)”的某些不產(chǎn)生的情況和檢查對象的“次品”的某些不產(chǎn)生的情況為相似的現(xiàn)象，表示可以將本發(fā)明作為進行設(shè)備的狀態(tài)判別(異常狀態(tài)/正常狀態(tài))的設(shè)備診斷裝置來應(yīng)用。在應(yīng)用到該設(shè)備診斷裝置中時，“初始狀態(tài)”相當(dāng)于設(shè)備穩(wěn)定地運轉(zhuǎn)前的階段。此外，關(guān)于異常類型知識，用于判明在設(shè)備儀器的運轉(zhuǎn)穩(wěn)定之后、由于設(shè)備儀器本身的老化等而在設(shè)備儀器中需要定期地進行維護調(diào)節(jié)的部位，所以確定該異常狀態(tài)(有異常和異常類型的兩個)，基于每個各異常類型的數(shù)據(jù)生成異常判斷識別即可。在異常判斷知識中、如果實施解決對策而不致產(chǎn)生，則刪除該異常類型的異常類型知識，在刪除后的狀態(tài)下進行判斷處理即可。
此外，設(shè)備不限于工廠設(shè)備(plant)等，也可以應(yīng)用為進行包含汽車、飛機等交通工具在內(nèi)的各種對象的狀態(tài)判別的診斷儀器。例如，舉交通工具為例，在試生產(chǎn)階段僅基于對于發(fā)動機狀態(tài)的正常狀態(tài)的數(shù)據(jù)生成正常知識。在試生產(chǎn)時刻當(dāng)然產(chǎn)生成為異常的狀態(tài)，但異常狀態(tài)的某些則通過試生產(chǎn)改進而不致產(chǎn)生。從而，在試生產(chǎn)的初始階段中，僅從正常數(shù)據(jù)來作成判斷規(guī)則，在推進試生產(chǎn)改進而解決異常狀態(tài)的某些，從而使其不產(chǎn)生并接近完成的階段，確定某些異常類型，根據(jù)該異常狀態(tài)的數(shù)據(jù)生成異常類型知識。這樣，可以判斷正常狀態(tài)和確定的異常狀態(tài)。這樣，也可以制造出從試生產(chǎn)階段開始積蓄數(shù)據(jù)和知識、使用正常知識和異常類型知識來判斷是否正常以及異常類型中的哪一個的診斷儀器，將該診斷儀器作為成品搭載到視場上出現(xiàn)的汽車和飛機中，基于發(fā)動機的振動來診斷正常和異常。
權(quán)利要求
1.一種檢查方法，針對所輸入的計測數(shù)據(jù)提取特征量，基于提取出的特征量判斷檢查對象的狀態(tài)的良否，其特征在于，所述檢查方法根據(jù)基于從良品中得到的正常數(shù)據(jù)的模型來執(zhí)行良否判斷，在可取得的樣本數(shù)據(jù)不足、或者特征空間中的良品的分布形狀不穩(wěn)定、從而正常區(qū)域的形狀的估計精度不夠的狀態(tài)下的調(diào)節(jié)階段中，針對檢查對象的計測數(shù)據(jù)，同時執(zhí)行基于參量判別模型的判斷、以及基于非參量判別模型的判斷，根據(jù)兩者的判斷結(jié)果來進行良否判斷，在可取得的樣本數(shù)據(jù)足夠、良品的分布或正常區(qū)域的形狀穩(wěn)定的狀態(tài)下的穩(wěn)定階段中，僅根據(jù)針對檢查對象的計測數(shù)據(jù)的、基于所述參量判別模型的判斷結(jié)果來進行良否判斷。
2.一種檢查方法，針對所輸入的計測數(shù)據(jù)提取特征量，基于提取出的特征量判斷檢查對象的狀態(tài)的良否，其特征在于，所述檢查方法根據(jù)基于從良品中得到的正常數(shù)據(jù)的模型來執(zhí)行良否判斷，在可取得的樣本數(shù)據(jù)少、無法估計特征空間中的良品的分布或正常區(qū)域的形狀的初始階段中，僅根據(jù)針對檢查對象的計測數(shù)據(jù)的、基于非參量判別模型的判斷結(jié)果來進行良否判斷，在可取得的樣本數(shù)據(jù)不足、或者特征空間中的良品的分布形狀不穩(wěn)定、從而正常區(qū)域的形狀的估計精度不夠的狀態(tài)下的調(diào)節(jié)階段中，針對檢查對象的計測數(shù)據(jù)，同時執(zhí)行基于參量判別模型的判斷、以及基于非參量判別模型的判斷，根據(jù)兩者的判斷結(jié)果來進行良否判斷，在可取得的樣本數(shù)據(jù)足夠、良品的分布或正常區(qū)域的形狀穩(wěn)定的狀態(tài)下的穩(wěn)定階段中，僅根據(jù)針對檢查對象的計測數(shù)據(jù)的、基于所述參量判別模型的判斷結(jié)果來進行良否判斷。
3.如權(quán)利要求2所述的檢查方法，其特征在于，在采集到的樣本的數(shù)量至少比特征量的數(shù)量多的情況下，執(zhí)行從所述初始階段至所述調(diào)節(jié)階段的轉(zhuǎn)移。
4.如權(quán)利要求1或2所述的檢查方法，其特征在于，在所述調(diào)節(jié)階段中的基于所述非參量判別模型的良否判斷結(jié)果和基于所述參量判別模型的良否判斷結(jié)果一致的比例大于等于預(yù)定的閾值的情況下，進行從所述調(diào)節(jié)階段至所述穩(wěn)定階段的轉(zhuǎn)移。
5.如權(quán)利要求1或2所述的檢查方法，其特征在于，在所述調(diào)節(jié)階段中，在基于所述非參量判別模型的良否判斷結(jié)果和基于所述參量判別模型的良否判斷結(jié)果不同的情況下，將人為判斷結(jié)果作為對于該檢測對象的計測數(shù)據(jù)的最終的良否判斷結(jié)果。
6.如權(quán)利要求1或2所述的檢查方法，其特征在于，使用MTS作為所述參量判別模型，使用1類SVM作為所述非參量判別模型。
7.一種檢查裝置，針對所輸入的計測數(shù)據(jù)提取特征量，基于提取出的特征量判斷檢查對象的狀態(tài)的良否，其特征在于，所述檢查裝置根據(jù)基于從良品中得到的正常計測數(shù)據(jù)生成的模型來執(zhí)行良否判斷，具有基于參量判別模型進行良否判斷的單元、以及基于非參量判別模型進行良否判斷的單元，具有控制單元，其使基于所述參量判別模型進行良否判斷的單元和基于所述非參量判別模型進行良否判斷的單元中的一方或兩方同時進行工作，并且控制其工作，該控制單元進行下述控制在可取得的樣本數(shù)據(jù)不足、或者特征空間中的良品的分布形狀不穩(wěn)定、從而正常區(qū)域的形狀的估計精度不夠的狀態(tài)下的調(diào)節(jié)階段中，針對檢查對象的計測數(shù)據(jù)，同時使基于所述參量判別模型進行良否判斷的單元、以及基于所述非參量判別模型進行良否判斷的單元進行工作，根據(jù)兩者的判斷結(jié)果來進行最終的良否判斷，在可取得的樣本數(shù)據(jù)足夠、良品的分布或正常區(qū)域的形狀穩(wěn)定的狀態(tài)下的穩(wěn)定階段中，針對檢查對象的計測數(shù)據(jù)，僅通過基于所述參量判別模型進行良否判斷的單元來進行良否判斷。
8.如權(quán)利要求7所述的檢查裝置，其特征在于，所述控制單元還進行如下控制在可取得的樣本數(shù)據(jù)少、無法估計特征空間中的良品的分布或正常區(qū)域的形狀的初始階段中，針對檢查對象的計測數(shù)據(jù)，僅通過基于所述非參量判別模型進行良否判斷的單元來進行良否判斷。
9.如權(quán)利要求7所述的檢查裝置，其特征在于，具有模型生成單元，其基于從良品中得到的正常的計測數(shù)據(jù)作成用于異常檢測的模型，并且基于所述參量判別模型進行良否判斷的單元和基于所述非參量判別模型進行良否判斷的單元根據(jù)由所述模型生成單元生成的模型來進行良否判斷。
10.如權(quán)利要求9所述的檢查裝置，其特征在于，所述模型生成單元生成模型時所使用的所述正常的計測數(shù)據(jù)還包含檢查對象的計測數(shù)據(jù)被判斷為良品的情況下的相應(yīng)的計測數(shù)據(jù)。
11.如權(quán)利要求7所述的檢查裝置，其特征在于，具有以下單元在所述調(diào)節(jié)階段中，在基于所述非參量判別模型的良否判斷結(jié)果和基于所述參量判別模型的良否判斷結(jié)果不同的情況下，顯示用于接收人為判斷結(jié)果的輸入的輸入畫面的單元、以及將基于該輸入畫面輸入的判別結(jié)果作為對于該檢查對象的計測數(shù)據(jù)的最終的良否判斷結(jié)果的單元。
12.如權(quán)利要求7所述的檢查裝置，其特征在于，基于所述參量判別模型進行良否判斷的單元使用MTS，基于所述非參量判別模型進行良否判斷的單元使用1類SVM。
全文摘要
檢查裝置及檢查方法。本發(fā)明的課題是提供可以對應(yīng)于不良出現(xiàn)的狀況變化，進行適當(dāng)?shù)臋z查的檢查方法。作為解決手段，本發(fā)明的檢查裝置用于執(zhí)行異常判斷，即根據(jù)基于從良品中得到的正常數(shù)據(jù)的模型進行異常判斷，具有基于參量判別模型進行良否判斷的功能、以及基于非參量判別模型進行良否判斷的功能。在可取得的樣本數(shù)據(jù)不夠、或者特征空間中的良品的分布形狀不穩(wěn)定、從而正常區(qū)域的形狀的估計精度不夠的階段中，執(zhí)行基于雙方的判別模型的判斷，根據(jù)兩者的判斷結(jié)果來進行最終的良否判斷。在可取得的樣本數(shù)據(jù)足夠、良品的分布或正常區(qū)域的形狀穩(wěn)定的狀態(tài)下，僅基于參量判別模型的判斷來執(zhí)行判斷。
文檔編號G01M99/00GK1834607SQ20061005742
公開日2006年9月20日 申請日期2006年3月15日 優(yōu)先權(quán)日2005年3月16日
發(fā)明者糀谷和人, 清水敦, 田崎博 申請人:歐姆龍株式會社