异常检测装置以及异常检测方法与流程

本发明涉及异常检测装置以及异常检测方法。

背景技术：

在专利文献1中公开了“一种异常检测方法，具有：距离算出步骤，在将所述标准时间序列数据算出步骤算出的标准时间序列数据配置在一轴、将所述异常检测对象数据取得步骤中取得的对象时间序列数据配置在另一轴的dtw标记中，算出该标准时间序列数据与该对象时间序列数据之间的距离；和异常数据点检测步骤，将在该时间序列数据中所述距离算出步骤中算出的距离比预先规定的基准大的点检测为异常”。

现有技术文献

专利文献

专利文献1：jp特开2009-245228号公报

上述的专利文献1中，为了检测时间序列数据的异常，系统通过用dtw(dynamictimewarping：动态时间伸缩法)对标准时间序列数据和对象时间序列数据进行时间伸缩来求取双方的数据间的匹配点，算出距离并进行合计，由此来测量异常的程度，进行是否异常的判定。由此能将时间上的偏移置之度外地进行比较。其反面，变得难以检测所需时间异常(某动作的延迟等)。

技术实现要素：

本发明的目的在于，提供能在时间序列数据上进行考虑了延迟、提前等所需时间异常的异常检测的技术。

本申请包含多种解决上述课题的至少一部分的手段，若举出其示例，则如以下那样。

本发明的一方案是异常检测装置，具备：模型存储部，其存储将成为基准的时间序列数据状态模型化的标准时间序列模型数值参数和将各状态的持续时间模型化的标准过渡时间模型数值参数；时间序列数据输入部，其接受成为异常检测的对象的时间序列数据的输入；状态估计部，其对成为上述异常检测的对象的时间序列数据进行基于上述标准时间序列模型数值参数的状态估计，来估计各数据点的状态变量；异常度计算部，其使用上述标准过渡时间模型数值参数和上述状态估计部估计出的上述各数据点的状态变量来算出上述各数据点当中从给定的状态向其他状态的过渡所需的所需时间的异常度；和异常度输出部，其将上述异常度作为每个经过时间的延迟度，进行图表化并输出。

发明的效果

根据本发明，能提供能在时间序列数据上进行考虑了所需时间异常的异常检测的技术。

上述以外的课题、结构以及效果通过以下的实施方式的说明而变得清晰。

附图说明

图1是表示第一实施方式中的所需时间异常检测部的示例的概要的图。

图2是表示标准时间序列模型数值参数存储部的初始概率表的示例的图。

图3是表示标准时间序列模型数值参数存储部的输出概率表的示例的图。

图4是表示标准时间序列模型数值参数存储部的过渡概率表的示例的图。

图5是表示标准过渡时间模型数值参数存储部的过渡时间表的示例的图。

图6是表示异常度计算部的异常度存储表的示例的图。

图7是表示平滑化处理的效果的示例的图。

图8是表示异常度输出画面(峰值列表)的示例的图。

图9是表示异常度输出画面(延迟时间点估计)的示例的图。

图10是表示异常度输出画面(延迟程度)的示例的图。

图11是表示第二实施方式中的所需时间异常检测部的示例的概要的图。

图12是表示第三实施方式中的所需时间异常检测部的示例的概要的图。

图13是表示匹配运算的结果的示例的图。

图14是表示第四实施方式中的所需时间异常检测系统的示例的图。

图15是表示第四实施方式中的作业异常检测系统的结构例的图。

图16是表示第五实施方式中的所需时间异常检测系统的示例的图。

图17是表示第五实施方式中的骨骼辨识处理的示例的图。

图18是表示第六实施方式中的所需时间异常检测系统的示例的图。

图19是表示第七实施方式中的异常度输出部的结构例的图。

图20是表示异常度输出画面(作业对照)的示例的图。

附图标记的说明

100异常度计算部

101状态估计部

102模型存储部

103时间序列数据输入部

104异常度输出部

105时间戳取得部

108所需时间异常检测部。

具体实施方式

以下的实施方式中为了方便，在有需要时会分割成多个部分或实施方式来进行说明，除了特别明示的情况以外，它们相互并非无关系，一方处于另一方的一部分或全部的变形例、详细、补充说明等关系。

另外，在以下的实施方式中，在提及要素的数量等(包含个数、数值、量、范围等)的情况下，除了特别明示的情况以及原理上明确限定在特定的数的情况等以外，都不限定在该特定的数，可以是特定的数以上，也可以是以下。

进而，在以下的实施方式中，其构成要素(还包含要素步骤等)除了特别明示的情况以及原理上认为明确必须的情况等以外，不一定是必须的，这点不言自明。

同样地，在以下的实施方式中，在提及构成要素等的形状、位置关系等时，除了特别明示的情况以及原理上认为明确不是这样的情况等以外，实质包含与其形状等近似或类似的形状等。这对上述数值以及范围也同样。

另外，在用于说明实施方式的全图中，对相同构件原则上标注相同附图标记，省略其重复的说明。以下使用附图来说明本发明的各实施方式。

dtw(dynamictimewarping，动态时间伸缩)能以匹配运算这样的上位概念表征。在本实施方式中，将进行时间序列数据的时间伸缩、算出匹配点的手法设为匹配运算。在伴随时间伸缩而标准时间序列数据和对象时间序列数据中的变化的速度不同的情况下，匹配运算也能求取匹配点。

一般，标准时间序列数据和匹配运算分别能以标准时间序列模型和状态估计这样的上位概念表征。在此，状态估计是将时间序列数据作为输入，使用数值参数来估计与各数据点对应的状态变量的运算方法，将所用的数值参数和运算方法作为标准时间序列模型。匹配运算将标准时间序列数据的各数据点作为不同的状态来处置，在使被给予的对象时间序列数据的各数据点与其的某一个进行匹配这样的意义上，能认为是状态估计的一种。但在过渡时间中能看到延迟等异常的情况下，不能将其检测为异常。

因此，在本发明所涉及的实施方式中，新导入表现各状态的标准的过渡时间的标准过渡时间模型。对于算出对象时间序列数据的异常度的任意的从数据点a到数据点b的区间，根据从针对对象时间序列数据的状态估计的结果取得的对象区间中所含的状态、和参考标准过渡时间模型得到的各状态的过渡时间分布，来算出关于区间的过渡时间分布或其代表值。算出对象时间序列数据中的从数据点a到数据点b的区间过渡时间不适合区间过渡时间分布的程度、或过渡时间与区间过渡时间分布的代表值的差异，来作为异常度。

[第一实施方式]图1是表示第一实施方式中的所需时间异常检测部的示例的概要的图。在此，通过时间序列数据输入部103而接受输入的时间序列数据设为从得到数据点的时间点起按照经过时间顺序多个相连的数据。将表征得到数据点的时间点的变量设为时间戳，将表征在数据点测定的值的变量设为数据值。将使数据值和时间戳分别按照时间顺序排列的序列设为数据值序列、时间戳序列，能由这两者保持、表现时间序列数据。但是，在时间序列数据的表现中，使用时间戳序列并非必须，在数据点遵循一定的规则而被采样的情况下，只要取代时间戳序列而保持采样规则，则也能之后算出。另外，关于数据值，不仅包含标量，还包含矢量、图像等。

另外，在模型存储部102中预设事前将给定的单一或多个成为基准的时间序列数据状态模型化的信息。关于预设的方法，能用第二实施方式所示那样的方法实现。

图2是表示标准时间序列模型数值参数存储部的初始概率表的示例的图。初始概率表1021是表示单一的时间序列数据中的标准时间序列模型的初始状态的概率的表。在初始概率表1021中，建立对应地包含状态1021a和初始概率1021b。即，可以说是按每个状态存放该状态是初始状态的概率。

图3是表示标准时间序列模型数值参数存储部的输出概率表的示例的图。输出概率表1022是表示单一的时间序列数据中的标准时间序列模型的输出概率的表。在输出概率表1022中建立对应地包含状态1022a、平均值1022b和方差1022c。即，可以说是按每个状态存放在该状态下能取的值的分布。

图4是表示标准时间序列模型数值参数存储部的过渡概率表的示例的图。过渡概率表1023是表示单一的时间序列数据中的标准时间序列模型的状态间的过渡的概率的表。在过渡概率表1023中建立对应地包含关于原本的状态1023a与过渡目标的状态1023b的组合进行过渡的概率。即，可以说按每个状态存放该状态过渡到其他状态的概率。

图5是表示标准过渡时间模型数值参数存储部的过渡时间表的示例的图。过渡时间表1024是按单一的时间序列数据中的有标准时间序列模型的每个状态来将该状态持续的持续时间的分布模型化进行表示的表。在过渡时间表1024中建立对应地包含状态1024a、平均值1024b和方差1024c。即，可以说是按每个状态存放该状态持续的时间能取的值的分布。

所需时间异常检测部108从时间序列数据输入部103接受时间序列数据，向异常度输出部104转交异常度的信息。对时间序列数据输入部103输入成为异常检测的对象的时间序列数据。所需时间异常检测部108对时间序列数据进行与模型存储部102中预设的模型信息的匹配运算，确定异常度并向异常度输出部104转交。异常度输出部104使用异常度的信息来进行显示，或进行在存储区域记录该异常度的信息等输出处理。这时，在与特定的基准相比而异常度更大的情况下，异常度输出部104可以输出警告。

在所需时间异常检测部108中包含异常度计算部100、状态估计部101、模型存储部102和时间戳取得部105。

时间戳取得部105取得从时间序列数据输入部103接受的对象时间序列数据的时间戳序列，将其送往异常度计算部100。

状态估计部101使用由模型存储部102读出的标准时间序列模型数值参数(包含图2的初始概率表1021、图3的输出概率表1022和图4的过渡概率表1023)，来对时间序列数据输入部103接受到的时间序列数据进行基于标准时间序列模型的状态估计，估计各数据点的状态变量，对于估计出的状态变量，送往异常度计算部100。另外，在状态变量的估计中，状态估计部101使用与标准时间序列模型对应的状态估计手法。例如在作为标准时期序列模型而使用了隐马尔可夫模型的情况下，状态估计部101使用维特比算法来进行状态估计。

另外，状态估计部101将进行了基于多个标准时间序列模型数值参数的状态估计的结果合并来估计状态变量。例如状态估计部101也可以将多个估计出的状态变量的平均值、中央值估计为状态变量，还可以求取平均值和方差来估计为概率。

异常度计算部100从模型存储部102读出标准过渡时间模型数值参数，使用从状态估计部101送来的各数据点的状态变量和从时间戳取得部105接受到的时间戳序列来算出异常度，并存储到异常度存储表1001。

异常度计算部100对于算出对象时间序列数据的异常度的从数据点a到数据点b的对象区间，从时间戳序列求取从数据点a过渡到数据点b所需的过渡时间t1，从针对对象时间序列数据的状态估计的结果取得对象区间中所含的状态。进而，异常度计算部100从参考标准过渡时间模型得到的各状态的过渡时间分布或其代表值(平均值、最频值等)导出或近似出遍及区间整体的过渡时间的分布即区间过渡时间分布、或其代表值t2。异常度计算部100算出过渡时间t1与代表值t2、或过渡时间t1与区间过渡时间分布的差异，作为异常度。

作为区间过渡时间分布的近似方法，异常度计算部100采用基于采样的方法。作为代表值的近似方法，异常度计算部100采用在代表值是平均值时取累积和的方法。

作为算出区间过渡时间分布与过渡时间t1的差异的方法，采用如下方法：通过似然度等评价过渡时间t1适合区间过渡时间分布到何种程度，将进行了倒数、正负反转等的结果用作异常度。

另外，作为算出过渡时间t1与代表值t2的差异的方法，例如采用用过渡时间t1除以代表值t2的方法。在该方法中，在作为除出来的结果的商即异常度大于“1”的情况下，表示在对象时间序列数据中在从数据点a向数据点b过渡的期间产生滞后、或者与标准时间序列数据不同的事态插入从数据点a到数据点b之间的可能性高。即，表示作业动作延迟、或者在作业动作的期间进行了其他作业动作的可能性高。反之，在异常度小于“1”的情况下，表示在对象时间序列数据中从数据点a向数据点b的变化提早、或在数据点a到数据点b之间缺失标准时间序列数据中存在的事态的可能性高。即，表示作业动作比通常提前进行、或作业动作被省略的可能性高。

另外，上述中示出对任意的2点间(数据点a与数据点b间)算出异常度(延迟度或提前度)的示例，但并不限于此，异常度计算部100还能通过对处于对象时间序列数据上的充分短的时间间隔的2点重复进行异常度计算，来将异常度作为序列算出。

图6是表示异常度计算部的异常度存储表的示例的图。在异常度存储表1001中包含确定时间点的信息即时间点1001a和与其建立对应的异常度1001b。

另外，异常度计算部100可以对算出的异常度的序列进行平滑化等事后处理。作为平滑化的算法而采用移动平均法等公知的方法。

图7是表示平滑化处理的效果的示例的图。在图7中，以点线表征平滑化前，以实线表征平滑化后。例如在时间序列数据中有噪声等影响的情况下，异常度的偏差变大。在这样的情况下，也能通过进行平滑化得到图7所示那样抑制了偏差的异常度的信息。

异常度计算部100使算出的异常度的序列或将其平滑化的信息存储到异常度存储表1001，并向异常度输出部104转交。

图8是表示异常度输出画面(峰值列表)的示例的图。异常度输出画面(峰值列表)1041是异常度输出部104将异常度的序列或对其进行过平滑化的信息图表化而作成的画面信息。在异常度输出画面(峰值列表)1041中包含：显示表示在每个产品中产生的延迟度(异常度)的大小的延迟度图表的延迟度显示区域1041a；对每个产品按延迟度从大到小的顺序显示取得延迟度的峰值的时间点的峰值列表1041b；和接受结束画面显示的指示的确认按钮1041c。从该画面，利用者能比较每个产品的延迟度的峰值。另外，并不限于此，异常度输出部104也可以作成以下那样的输出画面并输出。

图9是表示异常度输出画面(延迟时间点估计)的示例的图。异常度输出画面(延迟时间点估计)1042是异常度输出部104将异常度的序列或对其进行过平滑化的信息图表化而作成的画面信息。在异常度输出画面(延迟时间点估计)1042中包含：显示表示在产品中产生的延迟度(异常度)的大小的延迟度图表的延迟度显示区域1042a；显示在延迟度被检测得特别大的时间点(峰值)发生延迟的注释1042b；和接受结束画面显示的指示的确认按钮1042c。从该画面，利用者对于对象的产品，能够获知发生大的延迟的时间点，并得到改善作业内容的线索。

图10是表示异常度输出画面(延迟程度)的示例的图。异常度输出画面(延迟程度)1043是异常度输出部104将异常度的序列或对其进行过平滑化的信息图表化而作成的画面信息。在异常度输出画面(延迟程度)1043中包含：显示表示产品中发生的延迟度(异常度)的大小的延迟度图表的延迟度显示区域1043a；显示检测到延迟度的时间带和该时间中的延迟量的注释1043b；和接受结束画面显示的指示的确认按钮1043c。从该画面，利用者对于对象的产品能够获知连续发生延迟的时间点，并得到改善作业内容的线索。

另外，为了作成异常度输出画面(延迟程度)1043，需要确定检测到延迟度的时间带中的延迟量。在该确定处理中，异常度计算部100通过算出过渡时间t1与代表值t2之差(t1-t2)来确定延迟量。如此地，能确定延迟量，并能作成异常度输出画面(延迟程度)1043。另外，利用者还能针对异常度的量作成图表，根据图表上的几何的信息(具体是表示延迟度的量的面积)来掌握延迟度的量。

[第二实施方式]图11是表示第二实施方式中的所需时间异常检测部的示例的概要的图。第二实施方式所涉及的所需时间异常检测部108′基本与第一实施方式所涉及的所需时间异常检测部108同样，但一部分不同。以下以与第一实施方式所涉及的所需时间异常检测部的差异为中心来进行说明。

在第二实施方式中，能根据从时间序列数据输入部103得到的单一或多个标准时间序列数据学习存储于模型存储部102的标准模型。

在第二实施方式所涉及的所需时间异常检测部108′中还包含标准时间序列模型估计部106和标准过渡时间模型估计部107。

从时间序列数据输入部103输入的标准时间序列数据被转交到标准时间序列模型估计部106、状态估计部101和时间戳取得部105。时间戳取得部105算出或取得时间戳序列，将其转交到标准过渡时间模型估计部107。

在标准时间序列模型估计部106中，使用转交的单一或多个标准时间序列数据来估计出单一或多个标准时间序列模型的数值参数，并使其存储到模型存储部102。标准时间序列模型的学习使用隐马尔可夫模型、概率的自动机这样的机器学习的框架等ai(人工智能)等来对数值参数进行估计等。例如在利用了隐马尔可夫模型的情况下，初始概率、过渡概率、输出概率被估计为数值参数，模型存储部102将估计出的数值参数(初始概率表1021、输出概率表1022、过渡概率表1023)按每个标准时间序列数据进行存放。

在状态估计部101中，使用由模型存储部102读出的标准时间序列数据的数值参数，来对从时间序列数据输入部103输入的标准时间序列数据的集合进行利用了标准时间序列模型的状态估计，对时间序列数据的各数据点的状态变量进行估计。关于估计出的状态变量，状态估计部101将其转交给标准过渡时间模型估计部107。在状态变量的估计中使用与标准时间序列模型对应的状态估计手法。例如，若是隐马尔可夫模型，可以使用维特比算法来进行状态估计。另外，在使用多个标准时间序列数据的数值参数的情况下，由于估计出多个状态，因此状态估计部101也可以求取其分布。

标准过渡时间模型估计部107从状态估计部101接受各数据点的状态变量，从时间戳取得部105接受各点的时间戳。通过将状态和时间戳建立对应，标准过渡时间模型估计部107算出对象的时间序列数据中从特定的状态开始起到过渡到下一状态为止的过渡时间。

然后，标准过渡时间模型估计部107通过对各数据点的状态变量与时间戳的多个标准过渡时间模型中的全部对，进行过渡时间的算出，来对各状态求取过渡时间的分布，使其作为模型存储部102的标准过渡时间模型(过渡时间表1024)来存储。另外，关于过渡时间的分布，标准过渡时间模型估计部107以高斯分布等使其近似，并将其参数(平均和方差等)作为代表值存储。并不限于此，也可以原样不变地保存全部算出的过渡时间。

如此地，能使用从时间序列数据输入部103得到的标准时间序列数据来学习存储于模型存储部102的单一或多个标准模型。

[第三实施方式]图12是表示第三实施方式中的所需时间异常检测部的示例的概要的图。第三实施方式所涉及的所需时间异常检测部108″基本与第二实施方式所涉及的所需时间异常检测部108同样，但一部分不同。以下以与第二实施方式所涉及的所需时间异常检测部的差异为中心进行说明。

在第三实施方式中，是如下示例：在所需时间异常检测部108″中，通过接受单一的(一系列)标准时间序列数据，设为标准模型，而不需要标准时间序列模型估计部106以及标准过渡时间模型估计部107。

在第三实施方式所涉及的所需时间异常检测部108″中包含异常度计算部100、状态估计部101、模型存储部102和时间戳取得部105。

时间序列数据输入部103接受单一的标准时间序列数据的输入。时间序列数据输入部103将在时间序列上排列了数据值的数据值序列送往模型存储部102，将时间戳序列送往时间戳取得部105。

时间戳取得部105取得输入的标准时间序列数据的时间戳序列，将其转交给模型存储部102。

然后，模型存储部102存储从时间序列数据输入部103转交来的标准时间序列数据的数据值序列和从时间戳取得部105转交来的时间戳序列。这成为单一的标准模型的学习的流程。接下来说明异常度计算时的流程。

若时间序列数据输入部103中接受到成为异常检测的对象的对象时间序列数据，时间序列数据输入部103将数据值序列送往状态估计部101，将时间戳序列或其算出所需的信息送往时间戳取得部105。在时间戳取得部105中，取得或算出对象时间序列数据的时间戳序列，转交到异常度计算部100。

状态估计部101对转交来的对象时间序列数据的数据值序列和从模型存储部102读出的标准时间序列数据的数据值序列进行匹配运算，将匹配运算的结果转交到异常度计算部100。

图13是表示匹配运算的结果的示例的图。该结果并不是限定在第三实施方式的结果，从第一实施方式到后述的第七实施方式，在全部实施方式中都是同样的。对以实线表示的对象时间序列数据的数据值序列和标准时间序列数据的数据值序列，将进行匹配的点用斜线连起来。确定该进行连接的点的是匹配运算，状态估计部101例如采用dtw等已知的算法来进行确定。

另外，关于异常度计算部100所进行的异常度的算出，基本与第一实施方式以及第二实施方式同样。在第三实施方式的结构中，作为标准时间序列模型的数值参数而使用单一的标准时间序列数据，因此不需要第二实施方式所示的使用多个标准时间序列数据进行建模的标准时间序列模型估计部106。另外，由于将标准时间序列数据的各数据点作为不同的状态来处置，通过匹配运算将对象时间序列的各数据点建立对应，由此实现状态估计，因此各状态的标准过渡时间是单一的值，时间戳序列的相邻的时间戳的差分变得相同。因此，作为标准过渡时间模型，原样不变地存储时间戳序列即可，也不需要标准过渡时间模型估计部107。因此第三实施方式所涉及的所需时间异常检测部108″能使其结构简便。

[第四实施方式]图14是表示第四实施方式中的所需时间异常检测系统的示例的图。在第四实施方式中，是将由可穿戴传感器(取得位置的变化量的能穿脱的传感器)进行人工作业的异常检测的作业异常检测系统205作为对象来运用所需时间异常检测部的示例。

作业者201将可穿戴传感器202安装在身体并进行重复作业。将在可穿戴传感器202测量的作业者201的活动的传感器数据经由无线通信送往信息处理终端203。作为对活动进行测量的可穿戴传感器202，能使用加速度传感器、陀螺仪传感器等能取得位置的变化量的传感器。信息处理终端203若在传感器接收部204接受到传感器数据，就将传感器数据向作业异常检测系统205输入。

图15是表示第四实施方式中的作业异常检测系统的结构例的图。从传感器接收部204将传感器数据(时间序列数据)转交到特征量提取部206，特征量提取部206将传感器数据变换成由适合异常检测的特征量构成的时间序列数据。例如在传感器数据中有缺失的情况下，特征量提取部206通过进行插补处理，将传感器数据中所含的噪声用低通滤波器等滤波器除去，能期待异常检测的精度提升。另外，特征量提取部206通过对传感器数据进行傅立叶变换来得到特征量。

由特征量提取部206提取了特征量的时间序列数据被转交到序列区间切出部207，根据来自切出控制部210的控制信号来切出与重复作业中的一次作业对应的区间，并转交到所需时间异常检测部108。

所需时间异常检测部108如上述的第一、第二、第三实施方式所示那样，对接受到的时间序列数据算出异常度，将算出结果送往异常度输出部104。异常度输出部104记录异常度，将其显示在显示器等。如此地，例如通过确认显示在画面的异常度，能判断是否正在正常进行作业。在与特定的基准相比而异常度更大的情况下，可以输出警告，进行支持以使作业者、监督者等的应对容易。

[第五实施方式]图16是表示第五实施方式中的所需时间异常检测系统的示例的图。在第五实施方式中，是将进行基于摄像机的人工作业的异常检测的作业异常检测系统205作为对象来运用所需时间异常检测部的示例。

作业者301进行重复作业。将在摄像机302拍摄的作业者301的动态图像数据经由有线通信或无线通信送往信息处理终端303。作为摄像机302，并不限于拍摄可见光的摄像机，也可以是拍摄红外线等不可见光的摄像机，只要是在时间序列上将静止图像排列而设为动态图像的摄像机即可。

信息处理终端303若从摄像机302接受到动态图像数据，就将传感器数据向作业异常检测系统205输入。

信息处理终端303能将动态图像数据视作帧数据在时间顺序上排列而成的时间序列数据。本实施方式所涉及的作业异常检测系统205基本与第四实施方式所涉及的作业异常检测系统205同样，但一部分不同。以下以与第四实施方式所涉及的作业异常检测系统205的差异为中心来进行说明。

特征量提取部206提取动态图像数据内的被摄体的关节位置作为特征量。具体地，特征量提取部206对动态图像数据进行解析来进行骨骼辨识。例如特征量提取部206使用骨骼辨识算法来辨识骨骼。

图17是表示第五实施方式中的骨骼辨识处理的示例的图。在骨骼辨识处理中，对映有作业者301的动态图像数据的各帧310实施骨骼辨识，提取作业者的关节位置(帧311)。通过将关节位置作为特征量，能将其向反映了作业者301的活动的时间序列数据变换，异常检测变得容易。

被提取特征量的时间序列数据向序列区间切出部207转交后的处理与第四实施方式同样。

根据第五实施方式，例如能通过确认显示于画面的异常度来判断是否正在以正常的速度进行作业。在与特定的基准相比而异常度更大的情况下输出警告，也可以一边由作业者、监督者等在摄像机302拍摄的影像中确认动作一边进行支援，以使应对变得容易。

[第六实施方式]图18是表示第六实施方式中的所需时间异常检测系统的示例的图。在第六实施方式中是将进行基于电流传感器的工作机械作业的异常检测的作业异常检测系统205作为对象来运用所需时间异常检测部的示例。

工作机械501是进行切削加工的机械，主轴电力线的电流值的大小是对应于切削、空转、停止这样的工作机械501的动作状态的值。电流传感器502将测量到的电流值经由有线通信或无线通信送往信息处理终端503。

信息处理终端503若从电流传感器502接受到电流值的时间序列数据，就向作业异常检测系统20输入传感器数据。

本实施方式所涉及的作业异常检测系统205基本与第四实施方式所涉及的作业异常检测系统205同样，但一部分不同。以下以与第四实施方式所涉及的作业异常检测系统205的差异为中心来进行说明。

特征量提取部206将电流值的时间序列数据作为对象，将传感器数据变换成由适合异常检测的特征量构成的时间序列数据。例如，通过将传感器数据中所含的噪声用低通滤波器等滤波器除去，能期待异常检测的精度提升。例如，在传感器数据中有缺失的情况下，特征量提取部206通过进行插补处理，将传感器数据中所含的噪声用低通滤波器等滤波器除去，能期待异常检测的精度提升。另外，特征量提取部206通过对传感器数据进行傅立叶变换来得到特征量。

被提取特征量的时间序列数据转交到序列区间切出部207后的处理与第四实施方式同样。

根据第六实施方式，例如通过确认显示于画面的异常度，能判断工作机械501是否正在以正常的速度进行作业动作。在与特定的基准相比而异常度更大的情况下，可以输出警告，进行支援，以使工作机械的修理、状态维持作业的筹备等应对容易。

[第七实施方式]图19是表示第七实施方式中的异常度输出部的结构例的图。在第七实施方式中，对异常度的输出进行扩展。第七实施方式具备与第一到第六实施方式所示的任一者实施方式所涉及的所需时间异常检测系统基本同样的结构，但一部分不同。以下对该差异进行说明。

如图19所示那样，在第七实施方式中，异常度输出部104具备保持标准时间序列数据上发生的事态的识别符和关于该事态的发生时间点以及持续期间的时间信息的标准识别信息402，标准识别信息402与异常度显示部401连结。例如在第四实施方式～第六实施方式所示那样的工厂中的作业的示例中，大多预先确定了一系列作业中的作业的顺序和各个标准作业时间，并基于其而预先存放标准识别信息402。

若从所需时间异常检测部108转交来关于特定时间的异常度的信息，则异常度显示部401参考标准识别信息402，在标准时间序列数据上检索在相应时间发生的事态的识别符，将异常度和识别符建立对应来作成显示画面。

图20是表示异常度输出画面(作业对照)的示例的图。异常度输出画面(作业对照)1044是异常度输出部104将异常度的序列或对其进行过平滑化的信息图表化而作成的画面信息。在异常度输出画面(作业对照)1044中包含：显示表示产品中发生的延迟度(异常度)的大小的延迟度图表的延迟度显示区域1044a；显示每个时间点的作业识别符的识别符显示区域1044b；和接受结束画面显示的指示的确认按钮1044c。从该画面，利用者对于对象的产品能够获知发生大的延迟的时间点的作业，并得到改善作业内容的线索。

在此，针对标准识别信息402所保持的识别符的时间信息终归只是标准时的时间信息，在对象时间序列数据中频发时间异常的情况下，有其误差大到不能无视程度的可能性。因此，异常度显示部401可以根据异常度来算出与对象时间序列数据中的标准的情况的时间的偏移，在对时间信息进行修正的基础上使用识别符。具体地，在异常度计算部100中将从开始时刻到特定经过时刻的区间划分成局部区间，以t1以及t2的差分求取各局部区间ab的异常度(t1、t2的定义与第一实施方式同样)的情况下，通过算出该累积值，能算出到特定时间为止的相对于标准时的时间的偏移，能在使用其对时间信息进行了修正的基础上用在显示中。以上是第七实施方式。

另外，本发明并不限定于上述的实施方式，包含各种变形例。例如上述的实施例为了易于理解本发明地进行说明而详细进行了说明，但并不一定限定于具备说明的全部结构。另外，能将某实施例的结构的一部分置换成其他实施例的结构，另外还能在某实施例的结构中加进其他实施例的结构。

另外，能对各实施例的结构的一部分进行其他结构的追加、删除、置换。另外，上述的各结构、功能、处理部、处理单元等可以将它们的一部分或全部通过用例如集成电路进行设计等来以硬件实现。另外，上述的各结构、功能等也可以通过处理器对实现各个功能的程序进行解释、执行来以软件实现。实现各功能的程序、表格、文件等信息能置于存储器、硬盘、ssd(solidstatedrive，固态硬盘)等记录装置、或者ic卡、sd卡、dvd(digitalversatiledisc，数字多功能盘)等记录介质中。

另外，控制线、信息线示出说明上认为需要的线，产品上不一定示出全部控制线、信息线。实际上可以认为几乎全部结构都是相互连接的。

本发明并不限于异常检测部、异常检测装置以及异常检测方法，能以异常检测系统、计算机可读的程序、图像处理电路等各种方式来提供。