異常ノイズ試験の解説:原理・手法・構成設定

前回のブログ記事「異常ノイズ検出:人間の耳からAIへ」では、手動での聴感検査における主な課題を整理し、CRYSOUNDのAIベース異常ノイズ試験ソリューションを紹介するとともに、その学習手法の概要と、TWSの生産ラインへの導入例をお見せしました. 本記事では次のステップとして、CRYSOUNDのAI異常ノイズアルゴリズムの解析原理をさらに詳しく掘り下げ、実践的な試験セットアップや実フィールドでの性能を紹介し、最後に自社ラインへの導入や評価にそのまま使える構成設定チェックリストをまとめてご提供します.

従来型アルゴリズムによる異常検出の課題

実際の工場では、真の不良は発生頻度が低く、かつパターンが非常に多様であるため、教師あり学習用に十分網羅的な異常音パターンのライブラリを収集するのは困難です.

よくチューニングされ、ときには高度にカスタマイズされたルールベースのアルゴリズムであっても、あらゆる異常パターンを完全にカバーできることはほとんどありません. 新たな不良モードや微妙なばらつき、生産条件の変動などは、あらかじめ決めたしきい値や特徴テンプレートの範囲外に出てしまうことがあり、その結果、検出漏れ(エスケープ)につながります.

下図では、手動で作成したwavファイル同士を比較しています.

ご覧のとおり、周波数特性、THD、典型的なrub & buzz(R&B)アルゴリズムといった従来のチェックでは、注入した微小レベルのノイズ不良をほとんど検出できません.全体のカーブ差は約0.1 dBに過ぎません. 単純なFFT比較では、wavファイル間に多少の差異は見られるものの、実際の生産条件では不良のエネルギーがさらに小さい場合も多く、固定しきい値の下に埋もれて見逃されてしまう可能性が高くなります. 一方、時間-周波数表現では、異常のシグネチャは時間方向にわたる構造的なパターンとして現れるため、単一の平均カーブのわずかな変化としてしか表れない場合と比べて、はるかに明瞭に確認できます.

AI異常ノイズアルゴリズムの原理

CRYSOUNDは、入力信号のスペクトログラムを再構成し、「うまく再構成できない部分」を指標として異常を判定するディープラーニングフレームワークに基づく異常ノイズ検出手法を提案しています. これにより、従来のルールベース手法の本質的な制約を打破し、原理レベルで、微小かつ多様で、これまでに見たことのないような異常シグネチャまで、より広く体系的にカバーできるようになります.

下図は、当社アルゴリズムの学習および推論パイプラインの中核的なワークフローを示したものです.