research 『音による故障予知の教科書たたき台：5.8 アタック・リリース解析』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.8 アタック・リリース解析 アタック・リリース解析は、音や振動の「立ち上がりの速さ」と「消え方の速さ」を数値化して、時間的な振る舞いを特徴として捉える方法である。直感的には、叩いた瞬間にどれだけすばやく大きくなり（アタック）、その後どれだけの速さで弱まっていくか（リリース）を測る、と考えると理解し... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.7 RMS（実効値）』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.7 RMS（実効値） RMS（実効値）は、時間とともにプラスとマイナスに揺れる信号の「平均的な大きさ（エネルギーの大きさ）」を一つの数で表す方法である。やり方はシンプルで、各瞬間の値を二乗して平均し、その平方根を取るだけでよい。二乗するのは、プラスとマイナスを同じ「大きさ」として扱うためで、平均だ... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.6 スペクトル重心』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.6 スペクトル重心 スペクトル重心は、音や振動のスペクトル（周波数ごとの強さの分布）について「重さの中心が周波数軸のどこにあるか」を示す指標である。直感的には、低い周波数の成分が多ければ低めの値になり、高い周波数の成分が増えるほど高めの値になるため、音の“明るさ”や“高域寄りか低域寄りか”を1つの... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.5 ゼロ交差率』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.5 ゼロ交差率 ゼロ交差率は、波形が時間とともに上下に揺れるとき「0の線（基準レベル）をまたいだ回数」を短い時間ごとに数えて、その頻度を“1秒あたり”に換算した指標である。直感的には、ギザギザして高い周波数やザラついた成分が多いと0付近を頻繁に行き来するため値が大きくなり、なめらかでゆっくり揺れる... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.4 MFCC（メル周波数ケプストラム係数）』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.4 MFCC（メル周波数ケプストラム係数） MFCCは、音の短い区間ごとに「どんな周波数の成分がどれくらい含まれているか」を、人の耳の感じ方に近い物差しで要約し、さらに重なりをほどいて少ない数の数値に圧縮した特徴量である。用途としては音声認識や話者認識で古くから使われ、機械音の分類や異常検知でも、... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.3 バンドエネルギー』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.3 バンドエネルギー バンドエネルギーとは、信号に含まれる「特定の周波数帯」にどれだけの強さ（パワー）が含まれているかを数値化する指標である。直感的には、周波数の物差しで信号を眺め、関心のある帯域の成分だけを集めて合計（積分）する操作で、時間波形では見落としやすい変化を帯域ごとの数で安定に表せるの... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.2 周波数領域でのピーク検出』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.2 周波数領域でのピーク検出 周波数領域でのピーク検出は、時間波形に隠れた規則性や機械特有の「指紋」を取り出すための基本手段である。ピークとは、スペクトル上で周囲より顕著に大きい周波数成分を指し、回転機の基本周波数や高調波、歯車・軸受の側帯域など、原因推定に直結する情報を含む。ピークを正しく見つけ... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.1 平均、最大、最小、標準偏差などの統計量』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.1 平均、最大、最小、標準偏差などの統計量 データから「何が起きているか」を素早くつかむためには、まず数のまとまり（分布）を短く要約する指標を計算するのが近道になる。これらは基本統計量と呼ばれ、代表的な値（代表値）と散らばり（ばらつき）を表す値が中心となる。代表値には平均、中央値、最頻値、さらに範... 2025年8月28日
