本发明涉及学习模型构建装置、异常检测装置、异常检测系统及服务器。
背景技术：
以往，使用通过属于生产装置的传感器所收集的信息进行生产装置的异常检测。例如，由伺服电动机驱动的工业用机器人、机床等生产装置通常具备角度检测器以及电流检测器等设备。另外，生产装置根据用途，具备温度传感器、转矩传感器、力传感器、触摸传感器等多种传感器。并且，作为使用设备、传感器的异常检测，执行以下方法：通过根据电动机的电流值推测的外力来检测碰撞，或者对推测外力进行频率分析来检测减速器的异常。
另外，公开了根据检测出的生产装置的振动、声音，进行生产装置的异常检测的技术(例如，参照专利文献1～3)。
在这里，在收集并分析声音来检测生产装置、生产装置所属的生产线的异常时，通过属于生产装置的传感器收集并分析从生产装置产生的声音。但是，在生产线中，表示异常的声音、包含异常的征兆的声音并不限定于从生产装置发出的声音。
专利文献1：日本特开2002-169611号公报
专利文献2：日本特开平8-320251号公报
专利文献3：日本特开平6-4789号公报
技术实现要素：
本发明是鉴于所涉及的问题而完成的，其目的在于提供用于使用生产装置周围的声音信息来进行异常检测的学习模型构建装置、异常检测装置、异常检测系统以及服务器。
(1)本发明的学习模型构建装置(例如，后述的学习模型构建装置200)具备：语音数据取得单元(例如，后述的语音取得部220)，其经由语音接收装置(例如，后述的话筒100)取得包括位于生产装置的附近的作业者的语音的语音数据；标签取得单元(例如，后述的标签取得部230)，其取得与包含所述生产装置的生产线有关的异常程度作为标签；以及学习单元(例如，后述的学习部240)，其通过将所述语音数据与所述标签的组合作为训练数据进行有监督学习，构建针对异常程度的学习模型。
(2)根据(1)所述的学习模型构建装置，所述语音数据取得单元(例如，后述的语音取得部220)可以取得从所述作业者的语音中获得的特征量作为所述语音数据。
(3)根据(2)所述的学习模型构建装置，所述特征量可以与分析所述作业者的语音而获得的语音内容、音调以及音量有关。
(4)根据(1)～(3)中任一项所述的学习模型构建装置，所述语音接收装置(例如，后述的话筒100)能够由所述作业者佩戴，并具备：取得所述作业者的位置信息的作业者位置取得单元(例如，后述的附近位置判断部210)和存储所述生产装置的位置信息的装置位置存储部(例如，后述的装置位置存储部215)，当根据所述作业者位置取得单元所取得的所述作业者的位置信息与存储在所述装置位置存储部中的所述生产装置的位置信息，所述作业者位于所述生产装置的附近时，所述语音数据取得单元(例如，后述的语音取得部220)可以取得所述语音数据。
(5)异常检测装置(例如，后述的异常检测装置300、2300)利用通过(1)～(4)中任一项所述的学习模型构建装置构建出的所述学习模型的具备：异常程度判断单元(例如，后述的异常程度判断部310)，其根据所述语音数据取得单元(例如，后述的语音取得部220)所取得的所述语音数据和所述学习模型，判断针对所述语音数据的所述异常程度；以及通知单元(例如，后述的通知部320)，其进行基于通过所述异常程度判断单元判断出的所述异常程度的通知。
(6)根据(5)所述的异常检测装置(例如，后述的异常检测装置2300)，可以具备：状态信息取得单元(例如，后述的状态数据取得部2330)，其设置在所述生产线中，取得与所述生产线有关的状态信息；以及状态信息输出单元(例如，后述的数据输出部2350)，其当通过所述异常程度判断单元(例如，后述的异常程度判断部310)判断出的所述异常程度表示异常时，输出所述状态信息取得单元所取得的所述状态信息。
(7)根据(6)所述的异常检测装置，所述状态信息可以包括图像信息、振动信息以及温度信息的至少某一个。
(8)根据(5)～(7)中任一项所述的异常检测装置(例如，后述的异常检测装置2300)，可以具备：运转信息取得单元(例如，后述的运转数据取得部2340)，其取得所述生产装置的运转信息；以及运转信息输出单元(例如，后述的数据输出部2350)，其当通过所述异常程度判断单元(例如，后述的异常程度判断部310)判断出的所述异常程度表示异常时，输出所述运转信息取得单元所取得的所述运转信息。
(9)根据(8)所述的异常检测装置，所述运转信息可以包括设置在所述生产装置中的传感器所测量出的测量数据。
(10)本发明的异常检测系统(例如，后述的异常检测系统1000、1000-2)具备(1)～(4)中任一项所述的学习模型构建装置(例如，后述的学习模型构建装置200)和(5)～(9)中任一项所述的异常检测装置(例如，后述的异常检测装置300、2300)。
(11)根据(10)所述的异常检测系统，所述学习模型构建装置以及所述异常检测装置可以被设置在所述生产装置中。
(12)具有多个(1)～(4)中任一项所述的学习模型构建装置(例如，后述的学习模型构建装置200)，并经由通信网络(例如，后述的网络500)连接到多个所述学习模型构建装置的服务器，具备数据收发单元，其接收由一个所述学习模型构建装置的所述语音数据取得单元所取得的所述语音数据以及所述标签取得单元所取得的所述标签的组合组成的训练数据，并对其他所述学习模型构建装置发送接收到的所述训练数据。
(13)具有多个(1)～(4)中任一项所述的学习模型构建装置(例如，后述的学习模型构建装置200)，并经由通信网络(例如，后述的网络500)连接到多个所述学习模型构建装置的服务器(例如，后述的服务器600)具备：数据接收单元，其接收由各学习模型构建装置的所述语音数据取得单元所取得的所述语音数据以及所述标签取得单元所取得的所述标签的组合组成的训练数据；学习单元，其使用由所述数据接收单元接收到的所述训练数据进行有监督学习，由此构建针对异常程度的学习模型；以及模型发送单元，其向各学习模型构建装置发送通过所述学习单元构建出的所述学习模型。
根据本发明，能够提供用于使用生产装置周围的声音信息来进行异常检测的学习模型构建装置、异常检测装置、异常检测系统以及服务器。
附图说明
图1是表示本发明的实施方式整体的基本结构的框图。
图2是表示本发明的第1实施方式中的各装置所包含的功能块的框图。
图3是表示本发明的第1实施方式中的训练数据的例子的图。
图4是表示本发明的第1实施方式中的机器学习时的动作的流程图，示出了学习模型构建装置200中的学习模型构建处理。
图5是表示本发明的第1实施方式中的异常检测时的动作的流程图，示出了异常检测装置300中的异常检测处理。
图6是表示本发明的第2实施方式中的异常检测装置所包含的功能块的框图。
图7是表示本发明的变形方式中的学习模型构建装置间协作的框图。
符号说明
100话筒；
150可佩戴式终端；
200学习模型构建装置；
210附近位置判断部；
220语音取得部；
230标签取得部；
240学习部；
250学习模型存储部；
300、2300异常检测装置；
310异常程度判断部；
320通知部；
600服务器；
1000异常检测系统；
2330状态数据取得部；
2340运转数据取得部；
2350数据输出部。
具体实施方式
(第1实施方式)
首先，对本发明的实施方式的概要进行说明。本实施方式涉及用于根据在机器人、机床以及注射成形机等生产装置的附近进行工作的各作业者所发出的语音来判断具有1个以上生产装置的生产线的异常程度的系统。
当各作业者在生产装置的附近监视生产装置时，例如，在确认出危险情况时，会发出“危险”、“停止”等声音。另外，在危险情况下，在各作业者发出的声音中还包含“啊！”等的尖叫声。
因此，在本实施方式中，将作为监视生产线的作业者所发出的声音的语音数据作为输入数据进行机器学习。并且，在本实施方式中，通过使用作为机器学习的结果数据的学习模型，根据作业者所发出的语音来检测生产线异常的情况。
以上是本发明的实施方式的概要。
接下来，针对作为本实施方式的异常检测系统1000的结构，参照图1进行说明。如图1所示，异常检测系统1000具备n台话筒100、n台可佩戴式终端150、学习模型构建装置200、异常检测装置300以及网络400。此外，n为任意的自然数。
针对这些装置间的连接进行说明。各作业者具有话筒100与可佩戴式终端150，话筒100例如通过蓝牙(bluetooth，注册商标)等的近距离无线通信等，可通信地连接到可佩戴式终端150。并且，可佩戴式终端150可通信地连接到网络400。
学习模型构建装置200与异常检测装置300分别连接到网络400，并经由网络400可相互通信。
网络400例如是构建在工厂内的lan(localareanetwork：局域网)、因特网、公共电话网等或者它们的组合。对于网络400中的具体的通信方式、是有线连接还是无线连接等，并没有特殊的限定。
接下来，针对异常检测系统1000中所包含的这些装置的功能，参照图2进行说明。在这里，图2是表示各装置所包含的功能块的框图。此外，话筒100-1～话筒100-n具有相同的功能，另外，可佩戴式终端150-1至可佩戴式终端150-n也具有相同的功能，因此在图2中分别仅图示出1台。另外，针对存在于各装置间的网络400省略图示。
话筒100例如是作业者佩戴在头部的耳机的声音收集部分，是收集作业者的语音的语音接收装置。
可佩戴式终端150是作业者佩戴的移动终端。可佩戴式终端150具有将话筒100收集到的语音数据发送至学习模型构建装置200和用于取得作业者的位置信息的作用。
话筒100具备诸如用于控制话筒100的功能块、用于进行通信的功能块的通用的功能块。同样地，可佩戴式终端150具备诸如用于控制可佩戴式终端150的功能块、用于进行通信的功能块的通用的功能块。由于这些通用的功能块对于本领域工作人员来说是众所周知的，因此省略图示以及说明。同样地，在后述的学习模型构建装置200、异常检测装置300中，对于诸如用于进行通信的功能块、用于接受来自作业者的操作的功能块的通用的功能块，省略图示以及说明。
学习模型构建装置200是使用话筒100接收到的语音数据进行机器学习的装置。并且，学习模型构建装置200通过进行机器学习，构建用于进行异常检测的学习模型。
学习模型构建装置200具备附近位置判断部210、装置位置存储部215、语音取得部220、标签取得部230、学习部240以及学习模型存储部250。
附近位置判断部210对作业者的位置进行确定。然后，附近位置判断部210判断确定出的作业者的位置是否在生产装置的附近。
在这里，作为取得作业者的位置信息的方法，可以使用公知的技术。
例如，接收到从可佩戴式终端150发出的电波的多个(例如，4台)无线基站(未图示)的每一个将到达各无线基站的电波到达时间发送至附近位置判断部210。然后，附近位置判断部210根据所接收到的到达各无线基站的电波到达时间的差基于3点测量来确定可佩戴式终端150的位置(电波到达时间差方式)。然后，附近位置判断部210取得确定出的位置信息，并且取得与可佩戴式终端150相对应的作业者识别信息。
另外，接收到从可佩戴式终端150发出的电波的无线基站将接收到的电波的强度发送至附近位置判断部210。然后，附近位置判断部210根据接收到的电波的强度以及事先获取到的电波强度图或者3点测量，来确定可佩戴式终端150的位置(电波强度方式)。然后，附近位置判断部210取得确定的位置信息，并且取得用于识别与可佩戴式终端150相对应的作业者的作业者识别信息。
作为取得作业者的位置信息的方法，还可以应用信标方式。这种情况下，作业者除了可佩戴式终端150还携带信标，或者设为作业者携带的可佩戴式终端150具有信标的功能。然后，设置在生产线内的信标单元(未图示)通过接收从信标发射出的电波或者红外线等，取得与信标相对应的作业者识别信息，并且测量作业者的位置。然后，附近位置判断部210从信标单元取得作业者的位置信息。此外，作为信标以及信标单元，例如列举出rfid(radiofrequencyidentification：射频识别)、蓝牙(注册商标)等。
如此，学习模型构建装置200通过具备公知的位置检测的功能，可以与作业者识别信息一起检测生产线内的作业者的位置信息。此外，也可以设为与学习模型构建装置200独立地还具备具有公知的位置检测的功能的位置检测系统，位置检测系统可以将获取到的作业者的位置信息发送至学习模型构建装置200。
接下来，附近位置判断部210根据获取到的作业者的位置信息、作业者识别信息以及存储在装置位置存储部215中的生产装置的位置信息，判断作业者的位置是否为生产装置的附近。例如，如果作业者的位置与距离作业者的位置最近的生产装置的位置之差在10m以内，则附近位置判断部210判断作业者的位置为生产装置的附近。
语音取得部220是从话筒100经由可佩戴式终端150取得语音数据(以下，也简称为“从话筒100取得语音数据”。)，并通过从获取到的语音数据中提取特征量，生成用于学习的输入数据的部分。在这里，当通过附近位置判断部210判断出作业者位于生产装置的附近时，语音取得部220从语音数据中提取特征量。
首先，语音取得部220分析从话筒100获取到的语音数据，来确定设为语音识别的对象的语音数据。具体而言，首先，按照预定区间获取语音数据，并在预定的取样时间累加语音数据的振幅值，将该累加量与前一个区间的累加量进行比较，并将差值超过了语音识别开始用的阈值的区间设为语音识别开始区间。然后，将从语音识别开始区间开始的一系列的多个区间设为语音输入区间，并将在该语音输入区间获取到的语音数据确定为作为处理对象的语音数据。
接下来，语音取得部220对所确定的语音数据应用预定的语音识别算法来提取特征量。例如，使用hmm(hiddenmarkovmodel：隐马尔可夫模型)作为语音识别算法时，语音取得部220通过梅尔倒谱分析，将梅尔倒谱、该梅尔倒谱的动态特征量(在梅尔倒谱的时域中的变化量)以及对数功率的动态特征量等提取为特征量。
语音取得部220还根据提取结果进行语音识别处理，并可以识别包含在语音数据中的作业者的语音内容。然后，语音取得部220从识别出的语音内容中，通过形态分析等提取词语作为语音的特征量。此外，语音识别处理可以使用公知的各种各样的技术来进行。
在这里，在进行语音识别之前，语音取得部220针对语音数据，例如通过使用fft(fastfouriertransform：快速傅里叶变换)等进行频率分析，仅提取具有与应当设为识别对象的语音同样的频率的语音数据。由此，可以在机器学习中不使用仅由不包含作业者的语音的噪音组成的语音数据。然后，语音取得部220根据波形识别音调、音量。
标签取得部230通过学习模型构建装置200的操作接受部(未图示)，例如接受来自监视者的标签的输入操作，由此取得标签。在这里，标签是指在机器学习中应当对应于输入的正确的输出。在本实施方式中，标签与生产线的异常程度有关。更具体而言，标签例如是异常程度从0到2的3阶段的程度。在这里，异常程度0表示没有发生异常状况，也就是说表示是正常。另外，异常程度1表示注意级别的异常程度，异常程度2表示警告级别的异常程度。注意级别的程度是指例如确认生产线的级别，警告级别的程度是指例如停止生产线的级别。
如此，作为学习对象的作业者的语音数据的特征量与生产线的异常程度的标签成为组，并被输入至学习部240。该特征量与标签的组相当于机器学习中的训练数据。图3是表示被输入至学习部240的训练数据241的例子的图。
在这里，理想的是准备大量用于进行机器学习的训练数据。因此，例如实际上，在生产装置在运转中取得发生异常时的作业者的语音数据，来积累获取到的语音数据时，针对多个生产线的每一个，可以取得来自各作业者的语音数据。由此，通过从作业者通常使用的话筒100获取到的语音数据，可以制作大量训练数据。
另外，可以进行假设异常情况的预备练习，并取得当时的作业者的语音数据。
学习部240通过根据如此输入的训练数据进行机器学习，来构建针对生产线的异常程度的学习模型。对学习模型存储部250以及后述的异常检测装置300输出学习部240构建出的学习模型。
学习模型存储部250是存储通过基于学习部240的学习来对学习模型存储部250输出的学习模型的存储部。通过异常检测装置300来利用学习模型存储部250所存储的学习模型。
此外，在构建出学习模型之后，当新获取到训练数据时，可以通过针对学习模型存储部250所存储的学习模型进一步进行有监督学习，来更新已经构建好的学习模型。
另外，可以在与其他学习模型构建装置200之间共享学习模型存储部250所存储的学习模型。如果在多个学习模型构建装置200中共享学习模型，则可以通过各学习模型构建装置200进行分散来进一步进行有监督学习，因此可以提高有监督学习的效率以及精度。
异常检测装置300是检测本实施方式中的生产线的异常的装置。异常检测装置300具备异常程度判断部310和通知部320。
异常程度判断部310使用从学习部240输入的学习模型和从外部输入的判断数据，判断与判断数据对应的异常程度。然后，当使用这些数据进行的判断的结果为异常程度表示异常时，异常程度判断部310对通知部320进行通知。
在这里，从学习部240输入至异常程度判断部310的学习模型是如上所述通过学习部240所构建的。
另外，输入至异常程度判断部310的判断数据是与输入至学习部240的特征量等同的数据。
也可以从学习模型构建装置200的语音取得部220输入判断数据。除此之外，在异常检测装置300的内部设置与附近位置判断部210以及语音取得部220等同的功能块，根据从可佩戴式终端150获取到的位置信息，与该附近位置判断部210等同的功能块判断作业者是否位于生产装置的附近，并可以设为与该语音取得部220等同的功能块从通过话筒100获取到的语音数据中提取特征量。
通知部320是根据从异常程度判断部310输入的判断结果来进行输出的部分。通知部320根据作为判断结果所输出的异常程度，例如点亮警告灯或输出报警音来进行通知。
除了发出语音的作业者的其他的作业者、监视者可以通过通知部320所进行的通知，知道在生产线中发生了某些异常。
以上，针对话筒100、可佩戴式终端150、学习模型构建装置200以及异常检测装置300的功能块进行了说明。接下来，针对这些功能块的实现方法进行说明。
为了实现这些功能块，可佩戴式终端150、学习模型构建装置200以及异常检测装置300都具备cpu(centralprocessingunit：中央处理单元)等的运算处理装置。另外，可佩戴式终端150、学习模型构建装置200以及异常检测装置300都具备诸如存储各种控制用程序的hdd(harddiskdrive：硬盘驱动器)等的辅助存储装置、用于存储在运算处理装置执行程序时暂时需要的数据的ram(randomaccessmemory：随机存取存储器)的主存储装置。
并且在各装置中，运算处理装置从辅助存储装置中读入应用程序、os，一边在主存储装置中展开应用程序、os，一边进行基于这些应用程序、os的运算处理。另外，根据该运算结果，控制各装置所具备的各种硬件。由此，实现本实施方式的功能块。也就是说，本实施方式可以通过硬件与软件进行协作来实现。
作为具体例，可佩戴式终端150除了可佩戴式终端，例如也可以通过智能手机、移动终端等实现。另外，学习模型构建装置200以及异常检测装置300例如可以通过个人计算机、服务器等的计算机来实现。
但是，针对学习模型构建装置200，伴随机器学习的运算量较大，因此例如在个人计算机中搭载gpu(graphicsprocessingunits：图形处理单元)，并通过被称为gpgpu(general-purposecomputingongraphicsprocessingunits：通用计算图形处理单元)的技术，如果在伴随机器学习的运算处理中利用gpu，则能够进行高速处理。进一步，为了进行更高速的处理，可以使用多台搭载了像这样的gpu的计算机来构建计算机集群，并通过包含在该计算机集群中的多个计算机进行并行处理。
接下来，参照图4的流程图，针对机器学习时的学习模型构建装置200的动作进行说明。
在图4的步骤s(以下，简称为“s”。)11中，学习模型构建装置200的附近位置判断部210取得作业者所携带的可佩戴式终端150的位置信息作为作业者的位置信息。
在s12中，附近位置判断部210参照装置位置存储部215，判断获取到的位置信息是否是位于存储在装置位置存储部215中的某个生产装置的位置信息的附近的位置。当是附近的位置时(s12：是)，附近位置判断部210将处理移至s13。另一方面，当不是附近的位置时(s12：否)，附近位置判断部210结束本处理。也就是说，当作业者不位于生产装置附近时，认为作业者不进行与生产装置有关的谈论，不包含与生产线有关的语音。因此，当作业者不位于生产装置附近时，作业者所发出的语音不作为学习模型构建装置200的学习对象。
在s13中，语音取得部220经由话筒100取得语音数据。
在s14中，语音取得部220从在s13中获取到的语音数据中提取特征量。在这里提取的特征量，例如可以设为作业者的语音中发出各词语的长度。也就是说，在从语音数据中提取出的特征量中包括作业者的语音，并将该语音发出词语的部分设为训练数据的特征量。
在s15中，标签取得部230取得标签。
在s16中，向学习部240输入将在s14中提取出的特征量与在s15中获取到的标签设为组的训练数据。
在s17中，学习部240使用所输入的训练数据执行机器学习。在本实施方式中，通过组合感知器构成的神经网络来进行有监督学习。
具体而言，学习部240将作为包含在训练数据中的输入数据的特征量与标签的组提供给神经网络，并改变针对包含在神经网络中的各感知器的权重，以使神经网络的输出与标签相同。如此，学习部240学习训练数据的特征，归纳性地获得用于根据输入推测结果的学习模型。
在s18中，学习部240判断是结束有监督学习，还是重复进行有监督学习。在这里，可以任意决定结束有监督学习的条件。例如，可以设为当神经网络的输出与标签之间的误差的值为预定值以下时，结束有监督学习。除此之外，可以设为当仅以预先决定的次数重复有监督学习时，结束有监督学习。
无论如何，在没有满足条件，还未结束有监督学习时(s18：否)，学习部240将处理移至s16，将新的训练数据或者相同的训练数据作为对象，再次重复有监督学习。
另一方面，在重复有监督学习的过程中，当满足结束有监督学习的条件时(s18：是)，学习部240结束有监督学习。
在s19中，学习部240将到此为止通过有监督学习构建出的学习模型输出存储至学习模型存储部250。如果如此存储在学习模型存储部250中，则当从新设置的异常检测装置300请求学习模型时，学习模型构建装置200可以发送学习模型。另外，当获取到新的训练数据时，学习模型构建装置200可以针对学习模型进行进一步机器学习。之后，学习模型构建装置200结束本处理。
此外，在上述流程图中进行了以下说明：判断作业者的位置是否是生产装置附近的位置，当是生产装置附近的位置时，取得语音数据来提取特征量。但是，获得作业者的位置信息，并判断作业者是否位于生产装置附近的处理可以在取得语音数据后进行，也可以与取得语音数据同时进行。另外，与作业者的位置有关的处理可以与从语音数据提取特征量的处理同时进行，也可以在提取出特征量之后进行。也就是说，只要输入至学习部240的语音数据是作业者在生产装置附近的位置发出的，以怎样的顺序进行处理都可以。
通过以上所说明的动作，学习模型构建装置200起到可以构建使用了作业者的语音数据的针对生产线的异常程度的学习模型的效果。
可以通过在线学习、批量学习或者小批量学习来进行上述有监督学习。
在线学习是指从语音数据中提取特征量，并在每一次输入标签来制作训练数据时，立即进行有监督学习的学习方法。另外，批量学习是指从语音数据中提取特征量，并在重复输入标签来制作训练数据的期间，收集与重复相对应的多个训练数据，并使用收集到的全部的训练数据进行有监督学习的学习方法。进一步，小批量学习是指在线学习与批量学习中间的、每当一定程度上积累了训练数据时进行有监督学习的学习方法。
以上，针对基于学习模型构建装置200的学习模型的构建进行了说明。接下来，针对使用如此构建出的学习模型的异常检测装置300中的异常检测，参照图5的流程图进行说明。
在图5的s21中，异常检测装置300的异常程度判断部310通过接收学习模型构建装置200所发送的学习模型来获得学习模型。
在s22中，异常程度判断部310判断从语音取得部220是否获取到判断数据。此外，判断数据的取得方法的细节如以上参照图2的异常程度判断部310的说明时所述。当从语音取得部220获取到判断数据时(s22：是)，异常程度判断部310将处理移至s23。另一方面，当从语音取得部220获取到判断数据时(s22：否)，异常程度判断部310进行待机直到获得判断数据。
在s23中，异常程度判断部310通过获取到的学习模型以及获取到的判断数据进行异常程度的判断。具体而言，根据包含在获取到的判断数据中的特征量与在s21中获取到的学习模型，判断对应于判断数据的异常程度。
此外，异常检测装置300需要考虑多个作业者同时发出语音的情况。例如，考虑多个作业者发现生产装置的异常并发出语音的情况。在像这样的情况下，取得多个判断数据，但是在这种情况下，异常程度判断部310判断对应于各判断数据的异常程度，在此基础上，将程度最高的异常程度设为在该时间点的异常程度。
在s24中，异常程度判断部310对判断出的异常程度是否表示异常进行判断。判断出的异常程度表示异常的情况，根据上述例子，是指异常程度是2(警告级别)、1(注意级别)的情况。当异常程度表示异常时(s24：是)，异常程度判断部310将处理移至s25。另一方面，异常程度不表示异常时(s24：否，异常程度判断部310不进行针对该判断数据的后续的处理，因此将处理移至s22。
在s25中，异常程度判断部310对通知部320输出基于异常程度的数据。基于异常程度的数据是指例如表示注意的数据、表示警告的数据，如果异常程度是1，则输出表示注意的数据，如果异常程度是2，则输出表示警告的数据。
在s26中，通知部320进行与基于异常程度的数据相对应的通知。例如，当是表示注意的数据时，通知部320点亮警告灯。另外，例如是表示警告的数据时，通知部320点亮警告灯，还输出报警音。之后，异常检测装置300将处理移至s22，并进行待机直到获得下一个判断数据。
在以上所说明的本实施方式中，起到如下效果：其他的作业者、监视者根据通知部320所进行的输出，可以获知生产线的异常。
然后，通过关联作业者所发出的语音与生产线的异常，可以提高生产线的生产装置、作业者的安全性。
(第2实施方式)
接下来，针对第2实施方式进行说明。
在第2实施方式中，除了第1实施方式，当异常检测装置判断出的异常程度表示异常时，异常检测装置输出与生产线有关的状态数据以及生产装置的运转数据。
针对作为本实施方式的异常检测系统1000-2的结构，除了异常检测装置2300代替异常检测装置300以外，与图1所示的结构相同。针对异常检测系统1000-2的异常检测装置2300，基于图6进行说明。
异常检测装置2300是检测本实施方式中的生产线的异常的装置。异常检测装置2300除了具备异常程度判断部310、通知部320，还具备状态数据取得部2330、运转数据取得部2340以及数据输出部2350。
状态数据取得部2330从设置在作为判断数据获取到的作业者所在的生产线中的照相机、地震仪、温度计等用于确认与生产线有关的状态的设备获取状态数据。如果是照相机，则状态数据是图像数据，如果是地震仪，则状态数据是振动数据，如果是温度计，则状态数据是温度数据。状态数据取得部2330可以始终从各设备获取状态数据。另外，状态数据取得部2330在获取到判断数据时，可以从比获取到判断数据的定时提前预定时间的时间开始，从各设备获取状态数据。
运转数据取得部2340从作为判断数据获取到的作业者所在的生产线的生产装置中获取运转数据。运转数据包括设置在生产装置中的传感器所测量出的测量数据。具体而言，当生产装置是注射成形机时，运转数据是通过注射成形机的电动机所收集到的电流值以及角度信息。运转数据取得部2340可以始终从各生产装置获取运转数据，也可以在获取到判断数据时，从各生产装置获取运转数据。
数据输出部2350根据从异常程度判断部310输入的判断结果，输出状态数据取得部2330获取到的状态数据和运转数据取得部2340获取到的运转数据。输出例如可以是监视者进行监视的监视画面(未图示)，也可以是生产装置所具备的显示器等的显示装置(未图示)。
通过具备像这样的结构，异常检测装置2300在根据判断数据判断的异常程度表示异常时，输出状态数据、运转数据。因此，作业者、监视者可以确认在生产线中发生了异常，并且可以确认生产线的状态、生产装置的运转状态。其结果，可以提早并且简单地获得用于查明判断出异常时的原因的信息。
(变形方式)
上述实施方式是本发明的优选的实施方式，但是本发明的范围并不限定于上述实施方式，在不脱离本发明的主旨的范围内，可以通过实施了各种变更的方式来实施。
例如，在上述实施方式中，从话筒100所接收到的语音数据中提取特征量。然后，通过提取出的特征量与标签来制作训练数据。
除此之外，在第2实施方式中获取到的状态数据、运转数据可以被包含在训练数据中。例如，温度计测量出的温度数据或地震仪测量出的振动数据可以作为一个特征量被包含在训练数据中。另外，例如，可以从设置在生产装置中的传感器所测量出的测量数据中提取特征量，测量数据的特征量可以被包含在训练数据中。
由此，可以使学习所需的数据多样化，并提高异常检测的精度。
另外，在上述实施方式中，以学习模型构建装置200是通过神经网络进行有监督学习的装置为例进行了说明。
但是，可以使用其他的模式识别模型，或者进行使用其他的机器学习的算法的学习。例如，可以通过学习来动态地制作用于说明图3所示的训练数据241的表格。
另外，在上述实施方式中，当通过异常程度判断部310判断出的异常程度表示异常时，异常检测装置300进行基于通知部320的通知。
除此之外，当异常程度表示异常时，可以根据异常程度，对生产装置输出使生产装置紧急停止的信号。然后，在生产装置中，当接收到紧急停止的信号时，生产装置所具备的安全确保处理部使装置紧急停止。由此，特别是在涉及生命的异常时，可以提高作业者的安全性。
另外，在上述实施方式中，从作业者携带的话筒100收集作业者的语音，并使用可佩戴式终端150获取作业者的位置数据。
但是，当话筒100本身具有作为可佩戴式终端的功能时，不需要可佩戴式终端150。
进一步，代替话筒100，可以从设置在各生产装置中的收集生产装置的周围的声音的话筒来收集作业者的语音。此时，例如可以使用使预定的频率以下的频带的分量衰减的低通滤波器，来获取人的语音的频率范围的语音数据。如此，通过从设置在生产装置中的话筒进行声音收集，不需要用于判断作业者是否位于生产装置附近的处理，因此会提高处理效率。
另外，在上述实施方式中，对学习模型构建装置200是构建学习模型的装置进行了说明。这一点，如图7所示，可以设异常检测系统1000-3具备针对m个学习模型构建装置经由网络500连接的服务器600。例如，在按照生产线具备学习模型构建装置时，m是生产线数。并且，通过对多个学习模型构建装置200-1～200-m经由网络500连接服务器600，服务器600可以集中进行各学习模型构建装置200的训练数据。由此，与通过各学习模型构建装置200进行学习相比，服务器600可以进行使用了更多的训练数据的学习，通过使用处理能力高的服务器600，可以高效地进行处理。并且，可以缩短用于收集大量训练数据的时间。
另外，可以将服务器设为实现收发各学习模型构建装置间的数据的效果。由此，各学习模型构建装置可以使用其他的学习模型构建装置的训练数据来进行学习。
进一步，作为其他的变形例，可以将学习模型构建装置200与异常检测装置300作为一体的装置来实现。通过将学习模型构建装置200与异常检测装置300设为一体的装置，能够将硬件设为1个，并且能够共用处理，并实现涉及系统构建的成本降低。
另外，生产装置内可以具有学习模型构建装置200与异常检测装置300。由此，可以使用生产装置的硬件，因此能够实现涉及系统构建的进一步的成本降低。
此外，可以通过硬件、软件或者它们的组合来分别实现包含在上述的异常检测系统中的各装置。另外，也可以通过硬件、软件或者它们的组合来实现由包含在上述的异常检测系统中的各装置所进行的异常检测方法。在这里，通过软件实现是指通过计算机读入程序来执行而实现。
可以使用各种类型的非瞬态的计算机可读介质(non-transitorycomputerreadablemedium)来存储程序并提供给计算机。非瞬态的计算机可读介质包括各种类型的有形记录介质(tangiblestoragemedium)。非瞬态的计算机可读介质的例子包括磁记录介质(例如，软盘、磁带、硬盘驱动器)、光磁记录介质(例如，光磁盘)、cd-rom(readonlymemory：只读存储器)、cd-r、cd-r/w、半导体存储器(例如，掩模rom、prom(programmablerom：可编程rom)、eprom(erasableprom：可擦除prom)、闪存rom、ram(randomaccessmemory：随机存取存储器))。另外，可以通过各种类型的瞬态的计算机可读介质(transitorycomputerreadablemedium)向计算机供给程序。瞬态的计算机可读介质的例子包括电信号、光信号以及电磁波。瞬态的计算机可读介质可以经由电线以及光纤等有线通信路、或者无线通信路，为计算机提供程序。