技术领域
本发明涉及对从检查对象设备产生的声音进行拾音，通过对拾音得到的声音的时间频率分析来判定运转中的设备产生异常声音的可能性的装置。
背景技术：
关于异常声音诊断装置，公知有专利文献1所示的异常声音诊断装置。专利文献1公开的异常声音诊断装置事前将人听到并判断为正常声音的检查对象设备的声音数据作为基准值保存在存储单元中，由处理单元计算出一个或者多个一致度，所述一致度是由所述存储单元事前保存的所述设备的所述基准值与由计测单元测定出的诊断时从检查对象设备产生的声音的测定数据之间的一致度，根据由所述处理单元计算出的一致度，由判定单元判定检查对象设备的异常声音是否良好。
另外，计算检查对象设备的声音数据的基准值与检查对象设备的诊断时的声音的测定数据之间的一致度的处理单元，将以所述基准值的各个频率的振幅值为输入、以相同振幅值为输出的比例式的直线，作为基准的设定直线，利用最小二乘法计算出所述测定数据在各个频率下的振幅值相对于设定直线的偏差程度，将其结果作为一致度的指标。
另外，将相对于设定直线的偏差数值化的单元，在要测定的在各个频率下的振幅值低于设定直线时，对所述在各个频率下的振幅值进行假定位于设定直线上的校正，防止由于设备的异常而与基于零或者低振幅的基准值的声音数据之间的一致度不匹配。
【专利文献1】日本特开2005－283227号公报
但是，以往的异常声音诊断装置没有考虑由温度、气压、湿度、速度、加速度、压力、张力、荷重等诸多条件引起的检查对象设备产生的声音的时间频率特性的尤其在特定时间或频率下的变化的差异，因而存在这样的问题：将作为基准的声音数据的时间频率特性和诊断时输入的声音数据的时间频率特性由上述诸多条件的差异引起的特定时间或频率下的变化，错误检测为异常。
技术实现要素：
本发明的异常声音诊断装置在学习时和诊断时取得从检查对象设备产生的声音，对学习时和诊断时的声音进行比较，诊断声音的异常，所述异常声音诊断装置具有：
声音数据取得单元，其与所述检查对象设备的动作同步地取得从检查对象设备产生的声音数据；
分析单元，其根据所述声音数据求出由各时间的强度构成的样本序列；
存储单元，其存储学习时的样本序列作为基准样本序列；
校正单元，其根据基于所述基准样本序列和诊断时的样本序列即对象样本序列估计出的校正量或校正量序列，校正对象样本序列和基准样本序列中的至少任意一方；以及
判定单元，其对所述校正后的对象样本序列或基准样本序列和对应的基准样本序列或对象样本序列进行比较，计算出异常度，并且将计算出的异常度与预定的阈值进行比较，输出判定异常度。
根据本发明的异常声音诊断装置，考虑由校正单元对由诸多条件引起的声音数据的时间频率特性的尤其在特定时间或频率下的变化的差异进行校正，因而具有降低将由上述诸多条件的差异引起的特定时间或频率下的变化错误检测为异常的可能性的效果，所述诸多条件是有可能使检查对象设备产生的声音的时间频率特性变化的温度、气压、湿度等检查对象设备的环境条件，以及速度、加速度、压力、张力、荷重等检查对象设备的运转条件。
附图说明
图1是表示本发明的实施方式1的异常声音诊断装置的功能结构图。
图2是表示实施方式1的校正部进行校正前后的抽样序列的示意图。
图3是表示实施方式2的校正部进行校正前后的抽样序列的示意图。
图4是表示实施方式3的校正部进行校正前后的抽样序列的示意图。
图5是表示实施方式4的校正部进行校正前后的抽样序列的示意图。
图6是表示本发明的实施方式5的异常声音诊断装置的功能结构图。
图7是表示实施方式5的校正部进行校正前后的抽样序列的示意图。
图8是从拾音器取得测定信号到判断是学习模式还是诊断模式的处理的流程图。
图9是学习模式时的处理的流程图。
图10是诊断模式时的处理的流程图。
标号说明
1拾音器；2波形取得部；3波形数据；4时间频率分析部；5时间频率分布；15异常度计算部；16异常度；17判定部；18判定结果；501抽样部；502样本序列；503存储部；506基准样本序列；507对象样本序列；509校正后的对象样本序列；601校正量计算部；602校正量；603校正部；701控制信号；703工作状态估计部；702时间同步部；704估计动作速度序列。
具体实施方式
实施方式1
本实施方式提供诊断检查对象设备产生的异常声音的装置，该装置作为个人计算机（下面称作PC）上的软件进行安装，具有取入正常时的波形的学习模式和取入试验时的波形的诊断模式。测定者将传声器、声音传感器、加速度传感器等拾音器设置在检查对象设备，将拾音器与PC的USB（UniversalSerialBus：通用串行总线）接口的输入端子连接，进行学习模式时和诊断模式时的操作。
检查对象设备例如是电梯那样由多个运行部件构成的设备。在电梯的情况下，将拾音器安装于电梯的轿厢中或者轿厢外部，经由控制线缆将拾音器的信号取入到设于机房的PC，通过使轿厢上下往复运转，对电梯的各个设备的运行声音进行诊断。
电梯由多个部件构成，因而由拾音器拾音得到的声音是来自这些部件的混合声音。而且，从各个部件产生的声音的频率特性不同。并且，关于拾音器的位置，由于轿厢随着时间而移动，因而关于时间频率成分，时间频率成分来自的部件因时间而不同。另外，关于从各个部件产生的声音的强度，根据温度、气压、湿度、速度、加速度、压力、张力、荷重等诸多条件的差异，按照每个部件显示出不同的变化。例如，关于在导轨和导靴滑动时产生的导轨声音，由于涂敷于导轨的油的粘度随着温度上升而减小，因而在温度上升时摩擦减小，声压降低。相反，在绳索卷挂于绳轮时产生的声音与温度的相关性不怎么显著。另外，空调声音可观察到如下倾向：随着温度上升，风扇转速增加，强度增加。
这样，由拾音器拾音得到的声音的时间频率分布的强度根据所述诸多条件的变化，按照时间频率特性的特定时间或频率是不同的，因此即使设备正常，由拾音器拾音得到的声音的时间频率特性也根据所述诸多条件的差异而按照特定时间或频率而变化，将这种基于所述诸多条件的差异的变化成分错误判定为异常声音成分的可能性增大。
图1是表示本发明的实施方式1的异常声音诊断装置的功能结构图。
在图1中，1表示传声器、声音传感器、振动传感器等的拾音器，2表示波形取得部，其对来自拾音器1的信号进行采样并变换成数字信号，输出波形数据3，4表示时间频率分析部，其对波形数据3乘以时间窗，在使时间窗在时间方向错开的同时，通过高速傅立叶变换（下面称作FFT）运算对波形数据3进行时间频率分析，输出由表示针对时间和频率的强度的频谱值构成的时间频率分布5，501表示抽样部，其从时间频率分布5中按照各个时间对表示预定的各个频率的强度的频谱值进行采样，输出采样得到的时间序列即各个频率的样本序列502。样本序列502是由与预定的各个频率相关的各个时间的样本值构成的时间序列。
另外，在下面的实施方式的说明中，说明将时间频率分析部4输出的时间频率分布5设为声音数据的情况。作为声音数据，也可以是波形数据、对波形数据进行分析得到的其它特征量。
503表示存储部，其存储从在学习时取得的声音数据中得到的样本序列502，506表示基准样本序列，其在学习时存储于存储部503，由作为计算异常度时的基准的各个频率的样本序列构成，507表示对象样本序列，其是从在诊断时取得的声音数据中得到的，由作为计算异常度时的对象的各个频率的样本序列构成。
601表示校正量计算部，其参照基准样本序列506和对象样本序列507来计算校正量602，603表示校正部，其根据校正量602来校正对象样本序列507，输出校正后的对象样本序列509。
15表示异常度计算部，其对于预定的各个频率，参照基准样本序列506和校正后的对象样本序列509来计算表示产生异常声音的可能性程度的异常度，输出异常度16，17表示判定部，其根据与预定的各个频率相关的异常度16，判定产生异常声音的可能性，输出判定结果18。
下面，参照图8～图10的处理流程图对动作进行说明。
在学习模式或者诊断模式下，波形取得部2取得从拾音器1输出的测定信号并进行放大和AD变换，由此进行采样而将测定信号变换成采样频率48kHz的16比特线性PCM（pulsecodemodulation：脉冲码调制）的数字信号的波形数据3（图8的步骤S1）。
时间频率分析部4针对波形取得部2输出的波形数据3，在使1024点的时间窗以16毫秒的间隔在时间方向错开的同时切取帧，对于各帧通过FFT运算求出频谱的序列y（t，f），作为时间频率分布5进行输出（图8的步骤S2）。其中，t是与使分析窗错开的移动间隔对应的时刻的索引，f是表示FFT运算结果的频率的索引。另外，时间t和频率f分别满足0≤t≤T、0≤f≤F的关系。其中，T是时间频率分布5的时间方向的帧数，F是表示与波形数据3的采样频率fs的1/2即奈奎斯特频率对应的频率的索引（F＝fs/2）。
抽样部501从时间频率分布5中，以作为预定的各个频率的0.5kHz、1kHz、2kHz、4kHz、8kHz为中心频率，对于由1倍频程（octave）宽度的频带构成的5个频带，以8帧为1单位，分别对这5个频带中包含的频率成分求出频谱值的总和，取得以8帧（256ms）为单位的预定的各个时间的样本值，输出样本序列502（图8的步骤S3）。现在，将各个频率、各个时间的样本序列502中的样本值设为Y（n，b），利用式（1－1）计算出Y（n，b）。
【数式1】
Y(n,b)=10log10{Σ(t,f)∈Ω(n,b)y(t,f)}···(1-1)]]>
其中，n表示抽样得到的序列的时间的索引，取1～N范围的自然数（其中，N表示时间范围的上限，N＝T/8，将余数舍去），b表示频率的索引，取1～B范围的自然数（B表示频带的个数，在本实施方式中B＝5）。另外，Ω（n，b）表示在时间频率分布y（t，f）中作为为了抽样而取总和的对象的时间与频率的组（t，f）的集合。
在由抽样部501取得样本序列502后，异常声音诊断装置判断是学习模式时还是诊断模式时（图8的步骤S4）。
在学习模式时，存储部503对于各个频率（图9的步骤S201）存储样本序列502作为基准样本序列506（图9的步骤S202）。
下面，说明关于诊断模式时的诊断处理的动作。
在诊断模式时，对于各个频率（图10的步骤S301），将样本序列502作为诊断时的对象样本序列507（图10的步骤S302）。
校正量计算部601对于各个频率，根据存储在存储部503的基准样本序列506和由抽样部501抽样得到的对象样本序列507，计算出校正量602（图10的步骤S303）。具体地讲，按照下面的步骤《A1－1》～《A1－2》计算各个频率b的各个时间n的校正量。
《A1－1》求出频率b的对象样本序列Y1（n，b）与频率b的基准样本序列Y0（n，b）之差的样本序列D（n，b）。（式（2－1））
《A1－2》求出差的样本序列D（n，b）与时间n相关的平均，作为校正量H1（b）进行输出。（式（2－2））
【数式2】
D(n，b)＝Y1(n,b)-Y0(n，b)··········(2-1)
H1(b)=1NΣnD(n,b)=1NΣn[Y1(n,b)-Y0(n,b)]···(2-2)]]>
另外，式（2－2）用于求出差序列的平均，由于式（2－2）的右边能够变形成式（2－3）的右边，因而为了求出校正量H1（b），也可以在求出各个样本序列的平均后，求出各个平均之差来计算校正量H1（b）。
【数式3】
H1(b)=[1NΣnY1(n,b)]-[1NΣnY0(n,b)]···(2-3)]]>
校正部603从对象样本序列507减去校正量H1（b），由此求出校正后的对象样本序列509（图10的步骤S304）。具体地讲，将频率b的校正后的对象样本序列设为Y11（b，n），Y11（b，n）是如式（2－4）所示从频率b的对象样本序列Y1（n，b）减去校正量H1（b）而计算出的。
【数式4】
Y11(n,b)＝Y1(n，b)-H1(b)·····(2-4)
其中，Y11（b，n）表示校正后的对象样本序列509。
图2是表示校正部603进行校正前后的抽样序列的示意图。
（A）表示校正前的基准样本序列与对象样本序列的关系。在这种情况下，由于温度上升，因而对象样本序列的样本值在总时间内基本一样地比基准样本序列小。箭头表示基于校正量的校正方向。
（B）表示校正后的基准样本序列与对象样本序列的关系。可知在校正后被校正成基准样本序列与对象样本序列的差序列的平均接近0。
异常度计算部15对于各个频率输入基准样本序列506和校正后的对象样本序列509，计算两者的差异，作为异常度16进行输出（图10的步骤S305）。具体地讲，对于各个频率b，计算基准样本序列Y0（n，b）和校正后的对象样本序列Y11（n，b）这两者的差异的异常度，作为各个样本序列的差的平方平均值（将样本序列视为N维空间的向量时与欧几里得距离相同的值）（式（3－1））。
【数式5】
a(b)=1NΣn[Y11(n,b)-Y0(n,b)]2···(3-1)]]>
其中，在上式中，a（b）表示频率b的异常度。此外，总和中的n的范围是总时间（1≤n≤N）。
判定部17对根据异常度计算部15输出的各个频率的异常度16计算出的总和异常度与预定的阈值进行比较，由此判定是否有可能产生异常声音，作为判定结果18进行输出（图10的步骤S307）。具体地讲，首先对于各个频率，求出将各个频率的异常度a（b）用其方差归一化而得到的归一化异常度a^（b）（式（3－2））。然后，将归一化异常度的与频率相关的最大值设为总和异常度a*（式（3－3））。最后，对根据式（3－3）计算出的总和异常度a*与阈值进行比较，在总和异常度为阈值以上时，判定为有可能产生异常声音，将“异常”作为判定结果18进行输出。并且，在总和异常度小于阈值时，判定为产生异常声音的可能性较低，将“正常”作为判定结果18进行输出。
【数式6】
a^(b)=a(b)δ(b)···(3-2)]]>
a*=maxba^(b)···(3-3)]]>
其中，a（b）表示频率b的异常度，a^（b）表示将频率b的异常度a（b）用其方差δ（b）归一化而得到的归一化异常度，δ（b）表示频率b的异常度的方差。异常度的方差例如能够这样求出：根据多个学习用声音数据求出异常度的样本，求出这些异常度的样本的标准偏差作为异常度的方差。
如上所述，根据实施方式1，在学习时和诊断时之间，由于温度等诸多条件的变化，即使在样本序列沿着时间轴均匀地变化时，也按照各个频率分别独立地校正诊断时的样本序列，使得两者的差的平均接近0，然后求出各个频率的异常度，因而具有这样的效果：在学习时和诊断时之间，降低由在各个频率下不一定相同的样本值的变化引起的错误判定的可能性。
另外，在上述说明中，根据对象样本序列与基准样本序列的差序列的平均来校正对象样本序列，但是，在根据基准样本序列与对象样本序列的差序列的平均来校正基准样本序列一侧时，当然也能够发挥相同的效果。
另外，在基于基准样本序列与对象样本序列的差序列的平均，根据差序列的平均的一半量或者基于预定比率的量来分别校正基准样本序列和对象样本序列，使得两者的差的平均接近0时，当然也能够发挥相同的效果。
实施方式2
在本实施方式中，如果诊断时的检查对象设备的声音正常，则对象样本序列取与正常时的基准样本序列相同的样本值，另一方面，如果诊断时的检查对象设备的声音有异常，则认为样本值由于异常声音成分而上升，因而进行附加使对象样本序列比基准样本序列靠上这样的制约的校正。
仅说明与实施方式1的不同点。
不同点在于，校正量计算部601以及校正量602、校正部603的动作。下面，使用图1、图3、图10来说明动作。
校正量计算部601对于各个频率，根据基准样本序列506和对象样本序列507计算出校正量602（图10的步骤S303）。具体地讲，频率b的各个时间n的校正量是按照下面的步骤《A2－1》～《A2－2》计算出的。
《A2－1》求出频率b的对象样本序列Y1（n，b）与频率b的基准样本序列Y0（n，b）之差的样本序列D（n，b）。（式（4－1））
《A2－2》求出差的样本序列D（n，b）与时间n相关的最小值，作为校正量H2（b）进行输出。（式（4－2））
【数式7】
D(n，b)＝Y1(n,b)-Y0(n，b)···(4-1)
H2(b)=minnD(n,b)···(4-2)]]>
校正部603从对象样本序列507减去校正量H2（b），由此求出校正后的对象样本序列509（图10的步骤S304）。具体地讲，将校正后的对象样本序列设为Y12（b，n），Y12（b，n）是如式（4－3）所示通过从Y1（b，n）减去校正量H2（b）而计算出的。
【数式8】
Y12(n，b)=Y1(n，b)-H2(b)····(4-3)
图3是表示实施方式2的校正部603进行校正前后的抽样序列的示意图。
（A）表示校正前的基准样本序列与对象样本序列的关系。在这种情况下，由于温度上升，因而对象样本序列的样本值在总时间内基本一样地比基准样本序列小，并且，在时间的后半部分产生异常声音，因而样本值增大。箭头表示基于校正量H2（b）的校正方向。在该箭头的时刻附近，对象样本序列与基准样本序列的样本值之差达到最小值，因而正好在箭头方向进行校正。
（B）表示基准样本序列与校正后的对象样本序列的关系。在校正后被校正成使基准样本序列与校正后的对象样本序列的差序列的最小值接近0。根据该校正的结果可知，异常声音成分不会被过度校正而嵌入基准样本序列，相对于基准样本序列维持异常声音成分的相对关系。
如上所述，根据实施方式2，对于各个频率，在学习时和诊断时之间，由于温度的变化等，样本序列沿着时间轴均匀地变化，即使在异常声音成分不均匀地叠加时，也能够求出两者之差的最小值，进行校正使得该最小值接近0，然后在学习时和诊断时的样本序列之间，根据两者的差异求出异常度，因而具有这样的效果：在诊断时和学习时之间，按照每个频率，降低由温度的变化等造成的样本值在时间上的均匀变化引起的错误判定的可能性，并且防止过度地校正异常声音成分，维持乃至提高异常声音的判定精度。
实施方式3
在本实施方式中，假定对象样本序列与正常时采取的基准样本序列相同、或者功率上升与异常声音成分对应的量，但是，实际上由于检查对象设备的运转声音是噪声，因而频带功率的瞬时值在不断地变动。因此，样本值在每次测定时也有变动，考虑到这种样本值在每次测定时的变动，使用根据样本序列之间的差的分布得到的q分位数以取代最小值，由此在校正用于缓解变动影响的附带制约的样本序列之后，判定样本序列之间的异常。
不同点在于校正量计算部601以及校正量602、校正部603的动作。下面，使用图1、图4、图10来说明动作。
校正量计算部601根据各个频带的基准样本序列506和对象样本序列507计算出校正量602（图10的步骤S303）。具体地讲，频率b的各个时间n的校正量是按照下面的步骤《A3－1》～《A3－2》计算出的。
《A3－1》求出频率b的对象样本序列Y1（n，b）与频率b的基准样本序列Y0（n，b）之差的样本序列D（n，b）。（式（5－1））
《A3－2》求出差的样本序列D（n，b）的分布，求出分布的q分位数，作为校正量H3（b）进行输出。（式（5－2））
关于q分位数的q，例如能够设为q＝0.25。并且，如果设为q＝0，则与实施方式2相同，相当于使用最小值。如果设为q＝0.5，则取分布的中央值，如果分布的形状是以平均为中心的对象，则能够得到大致接近平均的值，能够得到与实施方式1相同的效果。
【数式9】
D(n，b)＝Y1·(n，·n)-Y0(n，b)···(5-1)
H3(b)=quantile{D(n，b);q}···(5-2)
其中，quantile{X；q}表示求出由样本序列X中包含的样本构成的分布的q分位数的运算。
校正部603从对象样本序列507减去校正量H3（b），由此求出校正后的对象样本序列509（图10的步骤S304）。具体地讲，将校正后的对象样本序列设为Y13（b，n），Y13（b，n）是如式（5－3）所示通过从Y1（b，n）减去校正量H3（b）而计算出的。
【数式10】
Y13(n，b)＝Y1(n，b)-H3(b)···(5-3)
图4是表示实施方式3的校正部603进行校正前后的抽样序列的示意图。
（A）表示校正前的基准样本序列与对象样本序列的关系。在这种情况下，由于温度上升，因而对象样本序列的样本值在总时间内基本一样地比基准样本序列小，并且，在时间的后半部分产生异常声音，因而样本值增大。另外，图中的样本值C、D表示由于每次测定时的变动，一部分有些极端减小的情况。这些样本值C、D与对应位置的基准样本序列的样本值之差在其分布中成为下侧的不合理值，因而使用q分位数以取代最小值，从而能够得到箭头所示的合适的校正量H3（b）。
（B）表示校正后的基准样本序列与对象样本序列的关系。在校正后被校正成使基准样本序列与对象样本序列的差序列的q分位数接近0。根据该校正的结果可知，异常声音成分不会被过度校正而嵌入基准样本序列，并且实现将由每次测定时的变动引起的差序列的不合理值去除后的校正，相对于基准样本序列适当维持异常声音成分的相对关系。
如上所述，根据实施方式3，按照每个频率，在学习时和诊断时之间，由于温度的变化等，样本序列沿着时间轴均匀地变化，即使在异常声音成分不均匀地叠加，并且由于每次测定时的变动使得差序列中的一部分样本值在分布上成为不合理值时，也能够求出两者之差的分布的q分位数，进行校正使得该分位数接近0，然后在学习时和诊断时的样本序列之间，根据两者的差异求出异常度，因而具有这样的效果：在诊断时和学习时之间，按照每个频率，降低由温度的变化等造成的样本值在时间上的均匀变化引起的错误判定的可能性，并且防止过度地校正异常声音成分，不会由于每次测定时的变动而在差异极端扩大的方向进行校正，提高异常声音的判定精度。
实施方式4
本实施方式为了缓解每次测定时的变动的影响，在对至少任意一个样本序列进行平滑后求出差序列，根据差序列的最小值或者差序列的样本值的分布的q分位数来确定校正量。
不同点在于校正量计算部601以及校正量602、校正部603的动作。下面，使用图1、图5、图10来说明动作。
校正量计算部601根据各个频率的基准样本序列506和对象样本序列507计算出校正量602（图10的步骤S303）。具体地讲，频率b的各个时间n的校正量是按照下面的步骤《A4－1》～《A4－5》计算出的。
《A4－1》对频率b的对象样本序列Y1（n，b）进行平滑，求出平滑后的对象样本序列Y1～（n，b）（式（6－1））。
《A4－2》对频率b的基准样本序列Y0（n，b）进行平滑，求出平滑后的基准样本序列Y0～（n，b）（式（6－2））。
《A4－3》求出频率b的平滑后的对象样本序列Y1～（n，b）与频率b的平滑后的基准样本序列Y0～（n，b）之差的样本序列D～（n，b）（式（6－3））。
《A4－4》根据差的样本序列D～（n，b）求出校正量H4（b）（式（6－4））进行输出。
《A4－5》求出差的样本序列D～（n，b）的分布，求出分布的q分位数（式（6－5）），作为校正量H5（b）进行输出。
关于q分位数的q，例如能够设为q＝0.25。并且，如果设为q＝0，则与实施方式2相同，相当于使用最小值。如果设为q＝0.5，则取分布的中央值，如果分布的形状是以平均为中心的对象，则能够得到大致接近平均的值，能够得到与实施方式1相同的效果。
【数式11】
Y~1=smooth{Y1(n,b)}···(6-1)]]>
Y~0=smooth{Y0(n,b)}···(6-2)]]>
D~(n,b)=Y~1(n,b)-Y~0(n,b)···(6-3)]]>
H4(b)=minnD~(n,b)···(6-4)]]>
H5(b)=quantile{D~(n,b);q}···(6-5)]]>
其中，smooth{X}表示对样本序列X在时间方向通过移动平均进行平滑的运算，quantile{X；q}表示求出由样本序列X中包含的样本构成的分布的q分位数的运算。在此，可以将进行平滑的移动平均的时间窗的宽幅设为例如1秒。
校正部603从对象样本序列507减去校正量H4（b）或者校正量H5（b），由此求出校正后的对象样本序列509（步骤S304）。具体地讲，将校正后的对象样本序列设为Y14（n，b）或者Y15（n，b），Y14（n，b）或者Y15（n，b）是如式（6－6）或者式（6－7）所示通过从Y1（n，b）减去H4（b）或者H5（b）而计算出的。
【数式12】
Y14(n，b0=Y1(n，b)-H4(b)····(6-6)
Y15(n，b)＝Y1(n，b)-H5(b)····(6·-7)
图5是表示实施方式4的校正部603进行校正前后的抽样序列的示意图。
（A）表示校正前的对象样本序列与基准样本序列的关系。在这种情况下，由于温度上升，因而对象样本序列的样本值在总时间内基本一样地比基准样本序列小，并且，在时间的后半部分产生异常声音，因而样本值增大。但是，由于每次测定时的变动，在时间上不断地出现较小的变动。
（B）表示对两者进行平滑后的基准样本序列与对象样本序列的关系。通过进行平滑，较小的变动被去除，在时间上表现出全局的变化。其中，箭头按照表示平滑后的对象样本序列与基准样本序列的差序列的最小值的时间来示出校正量和校正的大小。
（C）表示校正后的对象样本序列与基准样本序列的关系。在校正后被校正成（B）中平滑后的对象样本序列与基准样本序列的差序列的最小值接近0。根据该校正的结果可知，异常声音成分没有被过度校正，并且实现将由每次测定时的变动引起的差序列的不合理值去除后的校正，相对于基准样本序列适当维持异常声音成分的相对关系。
如上所述，根据实施方式4，按照每个频率，在学习时和诊断时之间，由于温度的变化等，样本序列沿着时间轴均匀地变化，即使在异常声音成分不均匀地叠加，并且每次测定时在时间上出现变化急剧的变动时，也能够使用平滑后的差序列的最小值或者q分位数进行校正，然后在学习时和诊断时的样本序列之间，根据两者的差异求出异常度，因而具有这样的效果：在诊断时和学习时之间，按照每个频率，降低由温度的变化等造成的样本值在时间上的均匀变化引起的错误判定的可能性，并且防止过度地校正异常声音成分，不会由于每次测定时的变动而在差异极端扩大的方向进行校正，提高异常声音的判定精度。
实施方式5
本实施方式设置这样的单元，该单元与所述检查对象设备的动作同步地取得或者估计或者学习在对声音数据的强度进行采样时在各个时间的所述检查对象设备的工作状态，使对象样本序列或者基准样本序列的校正量序列根据在各个时间的所述检查对象设备的工作状态而变化。
图6是本实施方式的结构图。在图中，701表示控制检查对象设备的动作的控制信号，703表示工作状态估计部，其与波形取得部2同步地估计检查对象设备的工作状态，702表示时间同步部，其对从检查对象设备输入的控制信号701进行处理，向波形取得部2和工作状态估计部703输出用于使检查对象设备的动作和时间同步的信号，704表示估计动作速度序列，其是由工作状态估计部703估计出的样本序列502的各个时间的检查对象设备的动作速度的估计值序列。
另外，601表示校正量计算部，其输入基准样本序列506、对象样本序列507和估计动作速度序列704，输出校正量序列602。
校正量计算部601根据基准样本序列506、对象样本序列507和估计动作速度序列704计算出校正量序列602（图10的步骤S303）。具体地讲，频率b的各个时间n的校正量是按照下面的步骤《A6－1》～《A6－4》计算出的。
《A6－1》求出频率b的对象样本序列Y1（n，b）和频率b的基准样本序列Y0（n，b）之差的样本序列D（n，b）（式（7－1））。
《A6－2》用与n有关的最大值对估计动作速度序列V（n）进行归一化，由此求出权重系数序列W（n）（式（7－2））。
《A6－3》对差的样本序列D（n，b）乘以权重系数序列W（n），求出权重差序列DW（n，b）（式（7－3））。
《A6－3》求出权重差序列DW（n，b）的平均，求出临时的校正量H6（b）（式（7－4））。
《A6－4》对临时的校正量H6（b）乘以权重系数序列W（n），由此求出校正量序列H7（n，b）（式（7－5））。
【数式13】
D(n，b)=Y1(n，b)-Y0(n，b)···(7-1)
W(n)=V(n)maxnV(n)···(7-2)]]>
DW(n，b)＝D(n，b)W(n)···(7-3)
H6(b)=1NΣnDW(n,b)···(7-4)]]>
H7(n，b)＝H6(b)W(n)·····(7-5)
其中，Y0（n，b）表示频率b的时间n的基准样本序列的样本值，Y1（n，b）表示频率b的时间n的对象样本序列的样本值，V（n）表示时间n的估计动作速度序列的值，W（n）表示时间n的权重系数序列的值，H6（b）表示临时的校正量，H7（n，b）表示频率b的时间n的校正量序列的值。
校正部603从对象样本序列507减去校正量序列H7（n，b），由此求出校正后的对象样本序列509（图10的步骤S304）。具体地讲，将校正后的对象样本序列设为Y17（n，b），Y17（n，b）是如式（7－6）所示通过从Y1（n，b）减去校正量序列H7（n，b）而计算出的。
【数式14】
Y17(n，b)＝Y1(n，b)-H7(n，b)···(7-6)
其中，Y17（n，b）表示校正后的对象样本序列。
图7是表示校正部603进行校正前后的样本序列的示意图。
（A）表示校正前的基准样本序列与对象样本序列的关系。并且，下部示出设备的动作速度。在这种情况下，由于温度上升，因而对象样本序列的样本值在总时间内比基准样本序列小。并且，减小方式具有与动作速度大致成比例的关系，在动作速度小的T1、T3区间中温度引起的变化较小。并且，在动作速度最大的T2区间中温度引起的变化增大。3个箭头表示各个区间T1、T2、T3中的校正量序列的平均大小和校正方向。
（B）表示校正后的基准样本序列与对象样本序列的关系。可知在校正后被校正成基准样本序列与对象样本序列的差序列的平均接近0。
如上所述，根据实施方式5，按照每个频率，在学习时和诊断时之间，由于温度的变化等，即使在样本序列按照设备的动作而变化时，也能够通过根据设备的动作施加权重后的两者的权重差的时间平滑求出平均校正量序列，根据该校正量序列进行校正，然后在学习时和诊断时的样本序列之间，根据两者的差异求出异常度，因而具有这样的效果：在诊断时和学习时之间，按照每个频率，降低由样本值的变化引起的错误判定的可能性，该样本值的变化依赖于温度的变化等引起的设备的动作。
产业上的可利用性
本发明的异常声音诊断装置有可能用作检测装置，该检测装置在使用条件变化较大的设备例如电梯中检测其异常状态。