JP6827608B2 - 異常検知装置及び異常検知方法 - Google Patents

Description

この発明は、設備が異常であるか否かを判定する異常検知装置及び異常検知方法に関するものである。

設備の異常を検知する従来の異常検知方法は、複数の時刻における設備の状態を時系列で示す異常検知用の時系列データと、設備が正常であるときに収集された正常時の時系列データとを比較する。
従来の異常検知方法は、異常検知用の時系列データの中から、正常時の時系列データと挙動が異なる部分の時系列データ（以下、「部分列データ」と称する）を検出することで、設備の異常を検知する。
しかし、部分列データは、設備に異常が発生している可能性のある時間帯の時系列データであるが、設備に異常が発生しているとは限らず、設備が正常であることもある。

以下の特許文献１には、設備が正常であるときに、設備に異常が発生している旨を示す誤判定の発生を回避するために、従来の異常検知方法と、イベント情報を解析する方法とを組み合わせて、設備の異常を検知する異常検知システムが開示されている。
イベント情報としては、作業者による設備の運転操作に関するイベントを示す情報、又は、設備の部品交換に関するイベントを示す情報等がある。
特許文献１に開示されている異常検知システムは、部分列データを検出しても、検出した部分列データが、イベント情報が示すイベントと同期していれば、設備に異常が発生していないと判定する。

特開２０１３−２１８７２５号公報

特許文献１に開示されている異常検知システムは、事前にイベント情報を用意する必要がある。
特許文献１に開示されている異常検知システムは、事前にイベント情報を用意することができなければ、設備が正常であるときに、部分列データを検出してしまうと、誤って、設備に異常が発生しているという判定を行ってしまう課題があった。

この発明は上記のような課題を解決するためになされたもので、事前にイベント情報を用意することなく、設備に異常が発生している旨を示す誤判定の発生を回避することができる異常検知装置及び異常検知方法を得ることを目的とする。

この発明に係る異常検知装置は、複数の時刻における異常検知対象の設備の状態を時系列で示す異常検知用の時系列データから、複数の時刻のそれぞれにおける設備の異常度を異常検知用の外れスコアとして算出する外れスコア算出部と、外れスコア算出部により算出された複数の時刻のそれぞれにおける異常検知用の外れスコアに基づいて、異常検知用の時系列データの中から、設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを異常検知用の外れデータとして抽出する外れデータ抽出部と、外れデータ抽出部により抽出された異常検知用の外れデータの変化を示す波形が、設備が正常であるときの波形であると認められる波形条件と、異常検知用の外れデータの波形とを照合し、波形条件と異常検知用の外れデータの波形との照合結果に基づいて、設備が異常であるか否かを判定する異常判定部とを備え、異常判定部は、外れデータ抽出部により抽出された異常検知用の外れデータの特徴量を算出し、特徴量から異常検知用の外れデータの波形の種別を判別する種別判別部と、１つ以上の波形条件の中から、種別判別部により判別された種別に対応する波形条件を選択する波形条件選択部と、波形条件選択部により選択された波形条件と、異常検知用の外れデータの波形とを照合し、選択された波形条件と異常検知用の外れデータの波形との照合結果に基づいて、設備が異常であるか否かを判定する異常判定処理部とを備え、外れスコア算出部は、設備が正常であるときの複数の時刻における当該設備の状態を時系列で示す１つ以上の学習用の時系列データのそれぞれから、複数の時刻のそれぞれにおける設備の異常度を学習用の外れスコアとして算出し、外れデータ抽出部は、外れスコア算出部により算出された複数の時刻のそれぞれにおける学習用の外れスコアに基づいて、それぞれの学習用の時系列データの中から、設備に異常が発生している可能性のある時間帯の学習用の時系列データを学習用の外れデータとして抽出し、種別判別部は、外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの特徴量を算出し、それぞれの学習用の外れデータの特徴量から、それぞれの学習用の外れデータの波形の種別を判別し、外れデータ抽出部により抽出されたそれぞれの学習用の外れデータのうち、種別判別部により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータの波形から、当該種別に対応する波形条件を生成する波形条件生成部を備えるものである。

この発明によれば、異常判定部が、外れデータ抽出部により抽出された異常検知用の外れデータの変化を示す波形が、設備が正常であるときの波形であると認められる波形条件と、異常検知用の外れデータの波形とを照合し、波形条件と異常検知用の外れデータの波形との照合結果に基づいて、設備が異常であるか否かを判定するように、異常検知装置を構成した。したがって、この発明に係る異常検知装置は、事前にイベント情報を用意することなく、設備に異常が発生している旨を示す誤判定の発生を回避することができる。

実施の形態１に係る異常検知装置を示す構成図である。 実施の形態１に係る異常検知装置のハードウェアを示すハードウェア構成図である。 異常検知装置がソフトウェア又はファームウェア等で実現される場合のコンピュータのハードウェア構成図である。 異常検知装置の学習時の処理手順を示すフローチャートである。 異常検知装置の異常検知時の処理手順である異常検知方法を示すフローチャートである。 図６Ａは、学習用の時系列データＤ_{Ｇ，ｎ，ｔ}の一例を示す説明図、図６Ｂは、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}及び閾値Ｓ_ｔｈの一例を示す説明図である。 図７Ａは、波形の種別が「上ピーク型」である場合の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の一例を示す説明図、図７Ｂは、波形の種別が「下ピーク型」である場合の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の一例を示す説明図、図７Ｃは、波形の種別が「上下ピーク型」である場合の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の一例を示す説明図、図７Ｄは、波形の種別が「過渡上昇型」である場合の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の一例を示す説明図、図７Ｅは、波形の種別が「過渡下降型」である場合の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の一例を示す説明図、図７Ｆは、波形の種別が「振動型」である場合の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の一例を示す説明図である。 学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}における特徴量Ｃ_Ｇ，ｎの一例を示す説明図である。 図９Ａは、波形の種別が「上ピーク型」のＮ（Ｎ＝１２）個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を示す説明図、図９Ｂは、Ｎ個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の平均値Ｐ_ｍｅａｎ［ｔ］、バンドモデルが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］及び下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を示す説明図である。 図１０Ａは、異常判定処理部１１によって、設備が正常であると判定される場合の異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形を示す説明図、図１０Ｂは、異常判定処理部１１によって、設備が異常であると判定される場合の異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形を示す説明図である。 波形条件生成処理部１４によって生成されるヒストグラムの一例を示す説明図である。 実施の形態３に係る異常検知装置を示す構成図である。 実施の形態３に係る異常検知装置のハードウェアを示すハードウェア構成図である。 波形条件生成処理部１４により生成された１つ以上の波形条件Ｗｐの一覧を表示している一覧確認画面を示す説明図である。 波形条件Ｗｐの生成元の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の一覧を表示している一覧確認画面を示す説明図である。 実施の形態４に係る異常検知装置を示す構成図である。 実施の形態４に係る異常検知装置のハードウェアを示すハードウェア構成図である。 異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}及び異常検知用の時系列データＤ_Ｕ，ｔを表示しているデータ表示画面の一例を示す説明図である。

以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。

実施の形態１．
図１は、実施の形態１に係る異常検知装置を示す構成図である。図２は、実施の形態１に係る異常検知装置のハードウェアを示すハードウェア構成図である。
図１及び図２において、学習用データ入力部１は、例えば、図２に示す入力インタフェース回路２１によって実現される。
学習用データ入力部１は、異常検知対象の設備が正常であるときの複数の時刻ｔにおける当該設備の状態を時系列で示すＮ個の学習用の時系列データＤ_{Ｇ，ｎ，ｔ}（ｎ＝１，２，・・・，Ｎ）の入力を受け付ける。Ｎは、１以上の整数である。
学習用の時系列データＤ_{Ｇ，ｎ，ｔ}は、それぞれの時刻ｔにおけるセンサの観測値を含むものであり、センサの観測値は、設備の状態を示している。
学習用データ入力部１は、入力を受け付けた学習用の時系列データＤ_{Ｇ，ｎ，ｔ}を外れスコア算出部３及び外れデータ抽出処理部７のそれぞれに出力する。

異常検知対象の設備としては、発電プラント、化学プラント、又は、上下水道プラント等の設備が考えられる。また、異常検知対象の設備としては、オフィスビル又は工場における空調設備、電気設備、照明設備又は給排水設備等が考えられ、また、工場の生産ラインを構成するコンベア等の設備、自動車に搭載される設備又は鉄道車両に搭載される設備が考えられる。さらに、異常検知対象の設備としては、経済に関する情報システムの設備、又は、経営に関する情報システムの設備も考えられる。

異常検知用データ入力部２は、例えば、図２に示す入力インタフェース回路２２によって実現される。
異常検知用データ入力部２は、複数の時刻ｔにおける異常検知対象の設備の状態を時系列で示す異常検知用の時系列データＤ_Ｕ，ｔの入力を受け付ける。
異常検知用の時系列データＤ_Ｕ，ｔは、それぞれの時刻ｔにおけるセンサの観測値を含むものであり、センサの観測値は、設備の状態を示している。
異常検知用データ入力部２は、異常検知用の時系列データＤ_Ｕ，ｔを外れスコア算出部３及び外れデータ抽出処理部７のそれぞれに出力する。

外れスコア算出部３は、例えば、図２に示す外れスコア算出回路２３によって実現される。
外れスコア算出部３は、学習用データ入力部１から出力されたＮ個の学習用の時系列データＤ_{Ｇ，ｎ，ｔ}のそれぞれから、それぞれの時刻ｔにおける設備の異常度を学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}として算出する。外れスコア算出部３は、算出したそれぞれの時刻ｔにおける学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}を外れデータ抽出部４に出力する。
外れスコア算出部３は、異常検知用データ入力部２から出力された異常検知用の時系列データＤ_Ｕ，ｔから、それぞれの時刻ｔにおける設備の異常度を異常検知用の外れスコアＳ_Ｕ，ｔとして算出する。外れスコア算出部３は、算出したそれぞれの時刻ｔにおける異常検知用の外れスコアＳ_Ｕ，ｔを外れデータ抽出部４に出力する。

外れデータ抽出部４は、閾値算出部５、閾値記憶部６及び外れデータ抽出処理部７を備えている。
外れデータ抽出部４は、外れスコア算出部３により算出された学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}に基づいて、学習用の時系列データＤ_{Ｇ，ｎ，ｔ}の中から、設備に異常が発生している可能性のある時間帯の時系列データを学習用の外れデータＯＤ_Ｇ，ｎとして抽出する。外れデータ抽出部４は、抽出した学習用の外れデータＯＤ_Ｇ，ｎを異常判定部８及び波形条件生成部１２のそれぞれに出力する。
外れデータ抽出部４は、外れスコア算出部３により算出された異常検知用の外れスコアＳ_Ｕ，ｔに基づいて、異常検知用の時系列データＤ_Ｕ，ｔの中から、設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}として抽出する。外れデータ抽出部４は、抽出した異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を異常判定部８に出力する。

閾値算出部５は、例えば、図２に示す閾値算出回路２４によって実現される。
閾値算出部５は、外れスコア算出部３により算出された学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}から閾値Ｓ_ｔｈを算出し、閾値Ｓ_ｔｈを閾値記憶部６に出力する。
閾値記憶部６は、例えば、図２に示す閾値記憶回路２５によって実現される。
閾値記憶部６は、閾値算出部５から出力された閾値Ｓ_ｔｈを記憶する。

外れデータ抽出処理部７は、例えば、図２に示す外れデータ抽出処理回路２６によって実現される。
外れデータ抽出処理部７は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}と、閾値記憶部６により記憶されている閾値Ｓ_ｔｈとを比較する。
外れデータ抽出処理部７は、それぞれの時刻ｔにおける学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}と閾値Ｓ_ｔｈとの比較結果に基づいて、学習用の時系列データＤ_{Ｇ，ｎ，ｔ}の中から、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を抽出する。外れデータ抽出処理部７は、抽出した学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を種別判別部９、波形条件選択部１０、波形分類部１３及び波形条件生成処理部１４のそれぞれに出力する。

外れデータ抽出処理部７は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける異常検知用の外れスコアＳ_Ｕ，ｔと、閾値記憶部６により記憶されている閾値Ｓ_ｔｈとを比較する。
外れデータ抽出処理部７は、それぞれの時刻ｔにおける異常検知用の外れスコアＳ_Ｕ，ｔと閾値Ｓ_ｔｈとの比較結果に基づいて、異常検知用の時系列データＤ_Ｕ，ｔの中から、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を抽出する。外れデータ抽出処理部７は、抽出した異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を種別判別部９、波形条件選択部１０及び異常判定処理部１１のそれぞれに出力する。

異常判定部８は、種別判別部９、波形条件選択部１０及び異常判定処理部１１を備えている。
異常判定部８は、波形条件Ｗｐと、外れデータ抽出部４により抽出された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形とを照合する。波形条件Ｗｐとは、外れデータ抽出部４により抽出された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の変化を示す波形が、設備が正常であるときの波形であると認められる場合の条件である。
異常判定部８は、波形条件Ｗｐと異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形との照合結果に基づいて、設備が異常であるか否かを判定し、設備が異常であるか否かを示す判定結果を検知結果出力部１６に出力する。

種別判別部９は、例えば、図２に示す種別判別回路２７によって実現される。
種別判別部９は、外れデータ抽出処理部７により抽出された学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の特徴量Ｃ_Ｇ，ｎを算出し、特徴量Ｃ_Ｇ，ｎから学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の種別を判別する。種別判別部９は、判別した学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の種別を波形分類部１３に出力する。
種別判別部９は、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の特徴量Ｃ_Ｕを算出し、特徴量Ｃ_Ｕから異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を判別する。種別判別部９は、判別した異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を波形条件選択部１０に出力する。

波形条件選択部１０は、例えば、図２に示す波形条件選択回路２８によって実現される。
波形条件選択部１０は、波形条件記憶部１５により記憶されている１つ以上の波形条件Ｗｐの中から、種別判別部９により判別された種別に対応する波形条件Ｗｐを選択し、選択した波形条件Ｗｐを異常判定処理部１１に出力する。
異常判定処理部１１は、例えば、図２に示す異常判定処理回路２９によって実現される。
異常判定処理部１１は、波形条件選択部１０により選択された波形条件Ｗｐと、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形とを照合する。
異常判定処理部１１は、波形条件Ｗｐと異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形との照合結果に基づいて、設備が異常であるか否かを判定し、設備が異常であるか否かを示す判定結果を検知結果出力部１６に出力する。

波形条件生成部１２は、波形分類部１３、波形条件生成処理部１４及び波形条件記憶部１５を備えている。
波形条件生成部１２は、外れデータ抽出部４により抽出されたそれぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のうち、種別判別部９により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形から、当該種別に対応する波形条件を生成する。波形条件生成部１２は、生成した波形条件を記憶する。

波形分類部１３は、例えば、図２に示す波形分類回路３０によって実現される。
波形分類部１３は、外れデータ抽出部４により抽出されたそれぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のうち、種別判別部９により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の間の類似度を算出する。
波形分類部１３は、算出した類似度に基づいて、種別判別部９により波形が同一の種別であると判別された１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}をグループ分けする。
波形分類部１３は、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のグループ分け結果を波形条件生成処理部１４に出力する。

波形条件生成処理部１４は、例えば、図２に示す波形条件生成処理回路３１によって実現される。
波形条件生成処理部１４は、波形分類部１３によりグループ分けされたグループの全てについて、波形分類部１３により同一のグループに分類された１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形から、当該グループに対応する波形条件Ｗｐを生成する。波形条件生成処理部１４は、生成した波形条件Ｗｐを波形条件記憶部１５に出力する。
波形条件記憶部１５は、例えば、図２に示す波形条件記憶回路３２によって実現される。
波形条件記憶部１５は、波形条件生成処理部１４により生成された波形条件Ｗｐを記憶する。
検知結果出力部１６は、例えば、図２に示す検知結果出力回路３３によって実現される。
検知結果出力部１６は、異常判定処理部１１から出力された判定結果を、例えば図示せぬディスプレイに表示させる。

図１では、異常検知装置の構成要素である学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、閾値記憶部６、外れデータ抽出処理部７、種別判別部９、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４、波形条件記憶部１５及び検知結果出力部１６のそれぞれが、図２に示すような専用のハードウェアで実現されるものを想定している。即ち、異常検知装置が、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、閾値記憶回路２５、外れデータ抽出処理回路２６、種別判別回路２７、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１、波形条件記憶回路３２及び検知結果出力回路３３で実現されるものを想定している。

ここで、閾値記憶回路２５及び波形条件記憶回路３２のそれぞれは、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒy）等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいは、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）が該当する。
また、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、外れデータ抽出処理回路２６、種別判別回路２７、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１及び検知結果出力回路３３のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又は、これらを組み合わせたものが該当する。

異常検知装置の構成要素は、専用のハードウェアで実現されるものに限るものではなく、異常検知装置がソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせで実現されるものであってもよい。
ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）が該当する。
図３は、異常検知装置がソフトウェア又はファームウェア等で実現される場合のコンピュータのハードウェア構成図である。

異常検知装置がソフトウェア又はファームウェア等で実現される場合、閾値記憶部６及び波形条件記憶部１５がコンピュータのメモリ４１上に構成される。学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、外れデータ抽出処理部７、種別判別部９、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４及び検知結果出力部１６の処理手順をコンピュータに実行させるためのプログラムがメモリ４１に格納される。そして、コンピュータのプロセッサ４２がメモリ４１に格納されているプログラムを実行する。
図４は、異常検知装置の学習時の処理手順を示すフローチャートである。
図５は、異常検知装置の異常検知時の処理手順である異常検知方法を示すフローチャートである。

また、図２では、異常検知装置の構成要素のそれぞれが専用のハードウェアで実現される例を示し、図３では、異常検知装置がソフトウェア又はファームウェア等で実現される例を示している。しかし、これは一例に過ぎず、異常検知装置における一部の構成要素が専用のハードウェアで実現され、残りの構成要素がソフトウェア又はファームウェア等で実現されるものであってもよい。

次に、図１に示す異常検知装置の動作について説明する。
最初に、異常検知装置における学習時の動作について説明する。
まず、学習用データ入力部１は、異常検知対象の設備が正常であるときの複数の時刻ｔにおける当該設備の状態を時系列で示すＮ個の学習用の時系列データＤ_{Ｇ，ｎ，ｔ}（ｎ＝１，２，・・・，Ｎ）の入力を受け付ける（図４のステップＳＴ１）。
学習用データ入力部１は、入力を受け付けた学習用の時系列データＤ_{Ｇ，ｎ，ｔ}を外れスコア算出部３及び外れデータ抽出部４のそれぞれに出力する。
図６Ａは、学習用の時系列データＤ_{Ｇ，ｎ，ｔ}の一例を示す説明図である。図６Ａにおいて、横軸は、時刻、縦軸は、学習用の時系列データＤ_{Ｇ，ｎ，ｔ}に含まれているセンサの観測値である。
図６Ａでは、図面の簡単化のために、学習用の時系列データＤ_{Ｇ，ｎ，ｔ}に含まれているセンサの観測値が連続値であるように表記しているが、センサの観測値は、離散値である。

外れスコア算出部３は、学習用データ入力部１からＮ個の学習用の時系列データＤ_{Ｇ，ｎ，ｔ}を受けると、それぞれの学習用の時系列データＤ_{Ｇ，ｎ，ｔ}から、それぞれの時刻ｔにおける設備の異常度を学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}として算出する（図４のステップＳＴ２）。
図６Ｂは、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}及び閾値Ｓ_ｔｈの一例を示す説明図である。図６Ｂにおいて、横軸は、時刻、縦軸は、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}である。
学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}の算出処理には、公知の技術が適用される。例えば、以下の非特許文献１には、外れスコアの算出処理が開示されている。非特許文献１に記載の“Ｍａｔｒｉｘ Ｐｒｏｆｉｌｅ”は、外れスコアに相当する。
［非特許文献１］
Chin-Chia Michael Yeh, Yan Zhu, Liudmila Ulanova, Nurjahan Begum, Yifei Ding, Hoang Anh Dau, Diego Furtado Silva, Abdullah Mueen, Eamonn Keogh (2016). Matrix Profile I: All Pairs Similarity Joins for Time Series: A Unifying View that Includes Motifs, Discords and Shapelets.

図１に示す異常検知装置では、外れスコア算出部３が、非特許文献１に開示されている外れスコアの算出処理を用いて、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}を算出する。
しかし、これは一例に過ぎず、外れスコア算出部３は、例えば、学習用の時系列データＤ_{Ｇ，ｎ，ｔ}に含まれているそれぞれの時刻ｔのセンサの観測値と、時刻ｔの予測値との残差を学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}として算出するものであってもよい。
外れスコア算出部３は、算出したそれぞれの時刻ｔにおける学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}を閾値算出部５及び外れデータ抽出処理部７のそれぞれに出力する。

閾値算出部５は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}から、図６Ｂに示すような閾値Ｓ_ｔｈを算出する（図４のステップＳＴ３）。
閾値算出部５は、算出した閾値Ｓ_ｔｈを閾値記憶部６に出力する。
閾値記憶部６は、閾値算出部５から出力された閾値Ｓ_ｔｈを記憶する。

以下、閾値算出部５による閾値Ｓ_ｔｈの算出処理の一例を説明する。
まず、閾値算出部５は、外れスコア算出部３によって、Ｎ個の学習用の時系列データＤ_{Ｇ，ｎ，ｔ}のそれぞれから算出された全ての学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}の平均値Ｓ_{Ｇ，ａｖｅ}を算出する。
また、閾値算出部５は、外れスコア算出部３によって、Ｎ個の学習用の時系列データＤ_{Ｇ，ｎ，ｔ}のそれぞれから算出された全ての学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}の標準偏差σを算出する。
次に、閾値算出部５は、以下の式（１）に示すように、平均値Ｓ_{Ｇ，ａｖｅ}と標準偏差σとから、閾値Ｓ_ｔｈを算出する。
Ｓ_ｔｈ＝Ｓ_{Ｇ，ａｖｅ}＋３σ （１）

図１に示す異常検知装置では、閾値算出部５が、学習時に用いる閾値と、異常検知時に用いる閾値とが同じ閾値であるとして、閾値Ｓ_ｔｈを算出している。
しかし、これは一例に過ぎず、閾値算出部５が、学習時に用いる閾値Ｓ_ｔｈと、異常検知時に用いる閾値Ｓ_ｔｈとを別々に算出するようにしてもよい。
学習時に用いる閾値Ｓ_ｔｈとしては、外れデータ抽出処理部７において、多くの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を抽出できるように、例えば、式（１）に示す閾値Ｓ_ｔｈよりも小さな閾値として、（Ｓ_{Ｇ，ａｖｅ}＋σ）〜（Ｓ_{Ｇ，ａｖｅ}＋２σ）の範囲の閾値を算出する。
異常検知時に用いる閾値Ｓ_ｔｈとしては、例えば、式（１）に示す閾値Ｓ_ｔｈを算出する。

外れデータ抽出処理部７は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}を取得し、閾値記憶部６により記憶されている閾値Ｓ_ｔｈを取得する。
外れデータ抽出処理部７は、それぞれの時刻ｔにおける学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}と、閾値Ｓ_ｔｈとを比較する。
外れデータ抽出処理部７は、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}と閾値Ｓ_ｔｈとの比較結果に基づいて、それぞれの時刻ｔにおける学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}の中で、閾値Ｓ_ｔｈ以上の学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}を特定することで、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}が閾値Ｓ_ｔｈ以上の期間ｔｓ−ｔｅを検出する。
外れデータ抽出処理部７は、学習用の時系列データＤ_{Ｇ，ｎ，ｔ}の中から、検出した期間ｔｓ−ｔｅの時系列データＤ_{Ｇ，ｎ，ｔｓ}〜Ｄ_{Ｇ，ｎ，ｔｅ}を学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として抽出する（図４のステップＳＴ４）。
外れデータ抽出処理部７は、抽出した学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を種別判別部９、波形条件選択部１０、波形分類部１３及び波形条件生成処理部１４のそれぞれに出力する。

種別判別部９は、外れデータ抽出処理部７から学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を受けると、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の特徴量Ｃ_Ｇ，ｎを算出し、特徴量Ｃ_Ｇ，ｎから学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の種別を判別する（図４のステップＳＴ５）。
種別判別部９は、判別した学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の種別を波形分類部１３に出力する。
以下、種別判別部９による波形の種別の判別処理を具体的に説明する。

ここでは、種別判別部９が、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形を、例えば、上ピーク型の波形、下ピーク型の波形、上下ピーク型の波形、過渡上昇型の波形、過渡下降型の波形、又は、振動型の波形の６つにグループに分ける例を説明する。
図７は、波形の種別が、「上ピーク型」、「下ピーク型」、「上下ピーク型」、「過渡上昇型」、「過渡下降型」又は「振動型」である場合の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形を示す説明図である。
図７において、始点は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形が始まっている点、終点は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形が終わっている点である。

［上ピーク型］
上ピーク型の波形は、図７Ａに示すように、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が急激に上昇してから急激に下降し、その後、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が急激に上昇する前の値付近に戻る波形である。
［下ピーク型］
下ピーク型の波形は、図７Ｂに示すように、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が急激に下降してから急激に上昇し、その後、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が急激に下降する前の値付近に戻る波形である。
［上下ピーク型］
上下ピーク型の波形は、図７Ｃに示すように、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が最小値まで急激に下降してから、最大値まで急激に上昇し、その後、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が急激に下降する前の値付近に戻る波形である。
また、上下ピーク型の波形は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が最大値まで急激に上昇してから、最小値まで急激に下降し、その後、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が急激に上昇する前の値付近に戻る波形である。

［過渡上昇型］
過渡上昇型の波形は、図７Ｄに示すように、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が最大値まで上昇し、その後、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が最大値付近の値になる波形である。
［過渡下降型の波形］
過渡下降型の波形は、図７Ｅに示すように、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が最小値まで下降し、その後、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が最小値付近の値になる波形である。
［振動型の波形］
振動型の波形は、図７Ｆに示すように、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値が、上下に振動し続けて収束しない波形である。

図８は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}における特徴量Ｃ_Ｇ，ｎの一例を示す説明図である。
まず、種別判別部９は、外れデータ抽出処理部７から出力された学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の平均値Ｄ_{Ｇ，ｎ，ａｖｅ}を算出する。
種別判別部９は、特徴量Ｃ_Ｇ，ｎの１つとして、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が平均値Ｄ_{Ｇ，ｎ，ａｖｅ}と交差する回数である交差回数ＣＮを計数する。
図８に示す学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}は、平均値Ｄ_{Ｇ，ｎ，ａｖｅ}と５回交差している。

種別判別部９は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}と平均値Ｄ_{Ｇ，ｎ，ａｖｅ}とが交差している１つ以上の交差点のうち、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の始点から数えて、１番目の交差点に着目する。
種別判別部９は、１番目の交差点を境にして、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が平均値Ｄ_{Ｇ，ｎ，ａｖｅ}よりも低い値から、平均値Ｄ_{Ｇ，ｎ，ａｖｅ}よりも高い値に変化していれば、“初回交差＝正”を、特徴量Ｃ_Ｇ，ｎの１つとする。
種別判別部９は、１番目の交差点を境にして、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が平均値Ｄ_{Ｇ，ｎ，ａｖｅ}よりも高い値から、平均値Ｄ_{Ｇ，ｎ，ａｖｅ}よりも低い値に変化していれば、“初回交差＝負”を、特徴量Ｃ_Ｇ，ｎの１つとする。
図８に示す学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}では、初回交差が正である。

また、種別判別部９は、特徴量Ｃ_Ｇ，ｎの１つとして、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の始点と、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の終点との差の絶対値Δ_ｓ−ｅを算出する。
さらに、種別判別部９は、特徴量Ｃ_Ｇ，ｎの１つとして、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の中の最大値と、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の中の最小値との差の絶対値Δ_{ｍａｘ−ｍｉｎ}を算出する。

種別判別部９は、交差回数ＣＮが２回であり、かつ、“初回交差＝正”であれば、波形の種別が「上ピーク型」であると判別する。
また、種別判別部９は、交差回数ＣＮが１回であり、かつ、“初回交差＝正”であり、かつ、Δ_ｓ−ｅ≦Δ_{ｍａｘ−ｍｉｎ}×αであれば、波形の種別が「上ピーク型」であると判別する。ただし、αは、任意の定数であり、０≦α≦１である。定数αは、種別判別部９の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。

種別判別部９は、交差回数ＣＮが２回であり、かつ、“初回交差＝負”であれば、波形の種別が「下ピーク型」であると判別する。
また、種別判別部９は、交差回数ＣＮが１回であり、かつ、“初回交差＝負”であり、かつ、Δ_ｓ−ｅ≦Δ_{ｍａｘ−ｍｉｎ}×αであれば、波形の種別が「下ピーク型」であると判別する。

種別判別部９は、交差回数ＣＮが３回であり、かつ、Δ_ｓ−ｅ≦Δ_{ｍａｘ−ｍｉｎ}×βであれば、波形の種別が「上下ピーク型」であると判別する。ただし、βは、任意の定数であり、０≦β≦１である。定数βは、種別判別部９の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。

種別判別部９は、交差回数ＣＮが１回であり、かつ、“初回交差＝正”であり、かつ、Δ_ｓ−ｅ＞Δ_{ｍａｘ−ｍｉｎ}×αであれば、波形の種別が「過渡上昇型」であると判別する。
種別判別部９は、交差回数ＣＮが１回であり、かつ、“初回交差＝負”であり、かつ、Δ_ｓ−ｅ＞Δ_{ｍａｘ−ｍｉｎ}×αであれば、波形の種別が「過渡下降型」であると判別する。

種別判別部９は、交差回数ＣＮが４回以上であれば、波形の種別が「振動型」であると判別する。
また、種別判別部９は、交差回数ＣＮが３回であり、かつ、Δ_ｓ−ｅ＞Δ_{ｍａｘ−ｍｉｎ}×αであれば、波形の種別が「振動型」であると判別する。

波形分類部１３は、外れデータ抽出部４により抽出されたそれぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のうち、種別判別部９により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}をグループ分けする。
次に、波形分類部１３は、分けたグループの全てについて、当該グループに含まれている１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の間の類似度を算出する。
１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の間の類似度として、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の間の距離を算出するものであってもよい。算出する距離としては、ユークリッド距離、１−相関係数、マンハッタン距離、又は、ＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）距離等が考えられる。類似度は、距離が短い程、大きい。
１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の間の距離の算出処理自体は、公知の技術であるため詳細な説明を省略する。

波形分類部１３は、算出した類似度に基づいて、同一のグループに分類した１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を更にグループ分けする（図４のステップＳＴ６）。
具体的には、波形分類部１３は、同一のグループに分類した１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のうち、算出した互いの類似度が大きい学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}同士が同一のグループに属するように、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のクラスタリングを行う。波形分類部１３は、例えば、算出した類似度が閾値以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}同士が、互いの類似度が大きい学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}同士であると判断する。
クラスタリングの方式としては、ｋ−ｍｅａｎｓ法を用いることができる。しかし、クラスタリングの方式は、ｋ−ｍｅａｎｓ法に限るものではなく、スペクトラルクラスタリング又は階層型クラスタリング等を用いてもよい。
算出した類似度と比較する閾値は、種別判別部９の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
波形分類部１３は、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のグループ分け結果を波形条件生成処理部１４に出力する。

波形条件生成処理部１４は、波形分類部１３によりグループ分けされたグループの全てについて、当該グループに含まれている１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形から、当該グループに対応する波形条件Ｗｐを生成する（図４のステップＳＴ７）。
波形条件生成処理部１４は、波形条件Ｗｐとして、例えば、波形の正常範囲を示すバンドモデルを生成する。
波形条件生成処理部１４は、生成した波形条件Ｗｐを波形条件記憶部１５に出力する。
波形条件記憶部１５は、波形条件生成処理部１４から出力された波形条件Ｗｐを記憶する。

以下、波形条件生成処理部１４によるバンドモデルの生成処理を具体的に説明する。
ここでは、説明の便宜上、１つのグループに含まれている１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が、Ｐ_１，Ｐ_２，・・・，Ｐ_ｍで表されるものとする。また、Ｐ_ｉの時刻ｔの値が、Ｐ_ｉ［ｔ］で表されるものとする。ｉ＝１，２，・・・，ｍである。時刻ｔは、期間ｔｓ−ｔｅにおけるいずれかの時刻であり、具体的には、時刻ｔは、時刻ｔｓを１に置き換えた場合のいずれかの時刻である（ｔ＝１，２，…，（ｔｅ−ｔｓ））。
波形条件生成処理部１４は、以下の式（２）に示すように、時刻ｔにおけるｍ個のＰ_ｉ［ｔ］の平均値Ｐ_ｍｅａｎ［ｔ］を算出し、以下の式（３）に示すように、時刻ｔにおけるｍ個のＰ_ｉ［ｔ］の標準偏差Ｐ_ｓｔｄ［ｔ］を算出する。

波形条件生成処理部１４は、平均値Ｐ_ｍｅａｎ［ｔ］、標準偏差Ｐ_ｓｔｄ［ｔ］及び定数λ（１≦λ）を用いて、以下の式（４）に示すように、バンドモデルが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］を算出する。定数λは、波形条件生成処理部１４の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
Ｂ_{ｕｐｐｅｒ}［ｔ］＝Ｐ_ｍｅａｎ［ｔ］＋Ｐ_ｓｔｄ［ｔ］×λ （４）
波形条件生成処理部１４は、平均値Ｐ_ｍｅａｎ［ｔ］、標準偏差Ｐ_ｓｔｄ［ｔ］及び定数λ（１≦λ）を用いて、以下の式（５）に示すように、バンドモデルが示す正常範囲の下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を算出する。
Ｂ_{ｌｏｗｅｒ}［ｔ］＝Ｐ_ｍｅａｎ［ｔ］−Ｐ_ｓｔｄ［ｔ］×λ （５）

ここでは、波形条件生成処理部１４が、平均値Ｐ_ｍｅａｎ［ｔ］及び標準偏差Ｐ_ｓｔｄ［ｔ］を用いて、バンドモデルが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］及び下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を算出している。しかし、これは一例に過ぎず、波形条件生成処理部１４が、時刻ｔにおけるｍ個のＰ_ｉ［ｔ］の中の最大値Ｐ_ｍａｘ［ｔ］及び最小値Ｐ_ｍｉｎ［ｔ］を用いて、バンドモデルが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］及び下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を算出するようにしてもよい。

波形条件生成処理部１４は、以下の式（６）に示すように、時刻ｔにおけるｍ個のＰ_ｉ［ｔ］の中の最大値Ｐ_ｍａｘ［ｔ］を求め、以下の式（７）に示すように、時刻ｔにおけるｍ個のＰ_ｉ［ｔ］の中の最小値Ｐ_ｍｉｎ［ｔ］を求める。
Ｐ_ｍａｘ［ｔ］＝ｍａｘ（Ｐ_１［ｔ］，Ｐ_２［ｔ］，・・・，Ｐ_ｍ［ｔ］）
（６）
Ｐ_ｍｉｎ［ｔ］＝ｍｉｎ（Ｐ_１［ｔ］，Ｐ_２［ｔ］，・・・，Ｐ_ｍ［ｔ］）
（７）

波形条件生成処理部１４は、最大値Ｐ_ｍａｘ［ｔ］、最小値Ｐ_ｍｉｎ［ｔ］及び定数δ（１≦δ≦ｍ）を用いて、以下の式（８）に示すように、バンドモデルが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］を算出する。

式（８）において、Ｐ_ｍａｘ［ｔ−δ／２：ｔ＋δ／２］は、時刻（ｔ−δ／２）〜時刻（ｔ＋δ／２）に含まれるそれぞれの時刻ｔの最大値Ｐ_ｍａｘ［ｔ］である。
波形条件生成処理部１４は、最大値Ｐ_ｍａｘ［ｔ］、最小値Ｐ_ｍｉｎ［ｔ］及び定数δ（１≦δ≦ｍ）を用いて、以下の式（９）に示すように、バンドモデルが示す正常範囲の下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を算出する。

式（９）において、Ｐ_ｍｉｎ［ｔ−δ／２：ｔ＋δ／２］は、時刻（ｔ−δ／２）〜時刻（ｔ＋δ／２）に含まれるそれぞれの時刻ｔの最小値Ｐ_ｍｉｎ［ｔ］である。

図９は、波形の種別が「上ピーク型」に係るバンドモデルの生成例を示す説明図である。
図９Ａは、波形の種別が「上ピーク型」のＮ（Ｎ＝１２）個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を示している。
図９Ａにおいて、横軸は、時刻ｔであり、縦軸は、時刻ｔにおける学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の値Ｐ_ｉ［ｔ］である。
実線部分は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}であり、破線部分は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の前後の学習用の時系列データＤ_{Ｇ，ｎ，ｔ}である。
図９Ｂは、Ｎ個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の平均値Ｐ_ｍｅａｎ［ｔ］、バンドモデルが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］及び下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を示している。
図９Ｂにおいて、横軸は、時刻ｔであり、縦軸は、時刻ｔの平均値Ｐ_ｍｅａｎ［ｔ］、時刻ｔの上限値Ｂ_{ｕｐｐｅｒ}［ｔ］及び時刻ｔの下限値Ｂ_{ｌｏｗｅｒ}［ｔ］である。
図９の例では、波形条件生成処理部１４が、１２個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}から、波形の種別が「上ピーク型」に係るバンドモデルを生成している。

次に、異常検知装置における異常検知時の動作について説明する。
まず、異常検知用データ入力部２は、複数の時刻ｔにおける異常検知対象の設備の状態を時系列で示す異常検知用の時系列データＤ_Ｕ，ｔの入力を受け付ける（図５のステップＳＴ１１）。
異常検知用データ入力部２は、入力を受け付けた異常検知用の時系列データＤ_Ｕ，ｔを外れスコア算出部３及び外れデータ抽出処理部７のそれぞれに出力する。

外れスコア算出部３は、異常検知用データ入力部２から出力された異常検知用の時系列データＤ_Ｕ，ｔを受けると、異常検知用の時系列データＤ_Ｕ，ｔから、それぞれの時刻ｔにおける異常検知用の外れスコアＳ_Ｕ，ｔを算出する（図５のステップＳＴ１２）。
異常検知用の外れスコアＳ_Ｕ，ｔの算出処理は、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}の算出処理と同様である。
外れスコア算出部３は、算出したそれぞれの時刻ｔにおける異常検知用の外れスコアＳ_Ｕ，ｔを外れデータ抽出処理部７に出力する。

外れデータ抽出処理部７は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける異常検知用の外れスコアＳ_Ｕ，ｔを取得し、閾値記憶部６により記憶されている閾値Ｓ_ｔｈを取得する。
外れデータ抽出処理部７は、それぞれの時刻ｔにおける異常検知用の外れスコアＳ_Ｕ，ｔと、閾値Ｓ_ｔｈとを比較する。
外れデータ抽出処理部７は、異常検知用の外れスコアＳ_Ｕ，ｔと閾値Ｓ_ｔｈとの比較結果に基づいて、それぞれの時刻ｔにおける異常検知用の外れスコアＳ_Ｕ，ｔの中で、閾値Ｓ_ｔｈ以上の異常検知用の外れスコアＳ_Ｕ，ｔを特定することで、異常検知用の外れスコアＳ_Ｕ，ｔが閾値Ｓ_ｔｈ以上の期間ｔｓ’−ｔｅ’を検出する。
外れデータ抽出処理部７は、異常検知用の時系列データＤ_Ｕ，ｔの中から、検出した期間ｔｓ’−ｔｅ’の異常検知用の時系列データＤ_{Ｕ，ｔｓ’}〜 Ｄ_{Ｕ，ｔｅ’}を異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}として抽出する（図５のステップＳＴ１３）。
外れデータ抽出処理部７は、抽出した異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を種別判別部９、波形条件選択部１０及び異常判定処理部１１のそれぞれに出力する。
図１に示す異常検知装置では、説明の簡単化のため、外れデータ抽出処理部７が、異常検知用の時系列データＤ_Ｕ，ｔの中から、１つの異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を抽出するものとして、以下の説明を行う。

種別判別部９は、外れデータ抽出処理部７から異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を受けると、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の特徴量Ｃ_Ｕを算出する。
異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}における特徴量Ｃ_Ｕの算出処理は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}における特徴量Ｃ_Ｇ，ｎの算出処理と同様である。
種別判別部９は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の特徴量Ｃ_Ｕから、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を判別する（図５のステップＳＴ１４）。
異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}における波形の種別の判別処理は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}における波形の種別の判別処理と同様である。
種別判別部９は、判別した波形の種別を波形条件選択部１０に出力する。

波形条件選択部１０は、外れデータ抽出処理部７から出力された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}と、外れデータ抽出処理部７から出力されたＮ個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}との間の類似度をそれぞれ算出する。
異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}と学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}との間の類似度として、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形と学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形との距離を算出するものであってもよい。算出する距離としては、ユークリッド距離、１−相関係数、マンハッタン距離、又は、ＤＴＷ距離等が考えられる。距離の算出処理自体は、公知の技術であるため詳細な説明を省略する。
波形条件選択部１０は、Ｎ個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の中で、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}との類似度が最も高い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を検索する。異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}との類似度が最も高い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の種別は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別と同じである。
波形条件選択部１０は、波形条件記憶部１５により記憶されている１つ以上のグループに対応する波形条件Ｗｐの中から、検索した学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が含まれているグループに対応する波形条件Ｗｐを選択する（図５のステップＳＴ１５）。
波形条件選択部１０は、選択した波形条件Ｗｐを異常判定処理部１１に出力する。

異常判定処理部１１は、波形条件選択部１０により選択された波形条件Ｗｐと、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形とを照合する。
異常判定処理部１１は、波形条件Ｗｐと異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形との照合結果に基づいて、設備が異常であるか否かを判定する（図５のステップＳＴ１６）。
異常判定処理部１１は、設備が異常であるか否かを示す判定結果を検知結果出力部１６に出力する。
検知結果出力部１６は、異常判定処理部１１から出力された判定結果を、例えば図示せぬディスプレイに表示させる（図５のステップＳＴ１７）。

以下、異常判定処理部１１による設備の異常判定処理を具体的に説明する。
図１０Ａは、異常判定処理部１１によって、設備が正常であると判定される場合の異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形を示す説明図である。
図１０Ｂは、異常判定処理部１１によって、設備が異常であると判定される場合の異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形を示す説明図である。
図１０Ａ及び図１０Ｂにおいて、横軸は、時刻ｔである。縦軸は、時刻ｔにおける異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の値、時刻ｔにおけるバンドパスが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］及び下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を示している。

異常判定処理部１１は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形が、期間ｔｓ’−ｔｅ’の全てに亘って、バンドパスの下限値Ｂ_{ｌｏｗｅｒ}［ｔ］以上であり、かつ、バンドパスの上限値Ｂ_{ｕｐｐｅｒ}［ｔ］以下であれば、正常範囲に含まれているため、設備が正常であると判定する。
図１０Ａに示す異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形は、期間ｔｓ’−ｔｅ’の全てに亘って、下限値Ｂ_{ｌｏｗｅｒ}［ｔ］以上であり、かつ、上限値Ｂ_{ｕｐｐｅｒ}［ｔ］以下であるため、異常判定処理部１１によって、設備が正常であると判定される。
異常判定処理部１１は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形が、期間ｔｓ’−ｔｅ’におけるいずれかの時刻ｔで、下限値Ｂ_{ｌｏｗｅｒ}［ｔ］よりも小さい場合、又は、いずれかの時刻ｔで、上限値Ｂ_{ｕｐｐｅｒ}［ｔ］よりも大きい場合、正常範囲を逸脱しているため、設備が異常であると判定する。
図１０Ｂに示す異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形は、３回、上限値Ｂ_{ｕｐｐｅｒ}［ｔ］よりも大きくなっているため、異常判定処理部１１によって、設備が異常であると判定される。

ここでは、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形が、期間ｔｓ’−ｔｅ’の全てに亘って、下限値Ｂ_{ｌｏｗｅｒ}［ｔ］以上であり、かつ、上限値Ｂ_{ｕｐｐｅｒ}［ｔ］以下であれば、異常判定処理部１１が、設備が正常であると判定している。しかし、これは一例に過ぎず、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形が、バンドモデルが示す正常範囲を逸脱していても、許容範囲の逸脱であれば、異常判定処理部１１が、設備が正常であると判定するようにしてもよい。

具体的には、以下の通りである。
異常判定処理部１１は、初期値が０の変数Ｋを用意する。
異常判定処理部１１は、期間ｔｓ’−ｔｅ’内のそれぞれ時刻ｔにおいて、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の値が、上限値Ｂ_{ｕｐｐｅｒ}［ｔ］よりも大きければ、変数Ｋに“１”を加算する。したがって、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の値が、上限値Ｂ_{ｕｐｐｅｒ}［ｔ］よりも大きい時刻ｔとして、例えば、３つの時刻があれば、異常判定処理部１１が、変数Ｋに“３”を加算する。
また、異常判定処理部１１は、期間ｔｓ’−ｔｅ’内のそれぞれ時刻ｔにおいて、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の値が、下限値Ｂ_{ｌｏｗｅｒ}［ｔ］よりも小さければ、変数Ｋに“１”を加算する。したがって、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の値が、下限値Ｂ_{ｌｏｗｅｒ}［ｔ］よりも小さい時刻ｔとして、例えば、２つの時刻があれば、異常判定処理部１１が、変数Ｋに“２”を加算する。
異常判定処理部１１は、以下の式（１０）に示すように、期間ｔｓ’−ｔｅ’に係数ζ（０≦ζ＜１）を乗算した値が、変数Ｋ以上であれば、設備が正常であると判定する。
Ｋ≦｜ｔｓ’−ｔｅ’｜×ζ （１０）
異常判定処理部１１は、期間ｔｓ’−ｔｅ’に係数ζを乗算した値が、変数Ｋよりも小さければ、設備が異常であると判定する。
なお、係数ζは、異常判定処理部１１の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。ζ＝０の場合、許容範囲が零になる。

ここでは、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形が、バンドモデルが示す正常範囲を逸脱していても、許容範囲の逸脱であれば、設備が正常であると判定する例として、異常判定処理部１１が、式（１０）が成立するとき、設備が正常であると判定する例を示している。
しかし、これは一例に過ぎず、以下の具体例も考えられる。
異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形が、バンドモデルが示す正常範囲を逸脱している回数が少なくても、それぞれの逸脱の幅が大きい場合がある。
一方、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形が、バンドモデルが示す正常範囲を逸脱している回数が多くても、それぞれの逸脱の幅が小さい場合がある。
例えば、逸脱の幅がバンドモデルの幅と同程度であるときの逸脱の回数が１回の場合よりも、逸脱の幅がバンドモデルの幅の１％程度であるときの逸脱の回数が２〜３回の場合の方が、設備が正常である可能性が高いと考えられる。

異常判定処理部１１は、初期値が０の変数Ｇを用意する。
異常判定処理部１１は、期間ｔｓ’−ｔｅ’内のそれぞれ時刻ｔにおいて、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の値から上限値Ｂ_{ｕｐｐｅｒ}［ｔ］を減算し、減算した値が正の値であれば、変数Ｇに減算した値を加算する。
また、異常判定処理部１１は、期間ｔｓ’−ｔｅ’内のそれぞれ時刻ｔにおいて、下限値Ｂ_{ｌｏｗｅｒ}［ｔ］から異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の値を減算し、減算した値が正の値であれば、変数Ｇに減算した値を加算する。
異常判定処理部１１は、変数Ｇが閾値Ｇｔｈ以下であれば、設備が正常であると判定し、変数Ｇが閾値Ｇｔｈよりも大きければ、設備が異常であると判定する。

閾値Ｇｔｈは、異常判定処理部１１の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
閾値Ｇｔｈとしては、以下の式（１１）又は式（１２）に示すような閾値Ｇｔｈを用いることができる。
Ｇｔｈ＝（ｍａｘ（Ｂ_{ｕｐｐｅｒ}［ｔ］）−ｍｉｎ（Ｂ_{ｌｏｗｅｒ}［ｔ］））×θ
（１１）
式（１１）において、ｍａｘ（Ｂ_{ｕｐｐｅｒ}［ｔ］）は、期間ｔｓ’−ｔｅ’内の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］の中の最大値、ｍｉｎ（Ｂ_{ｌｏｗｅｒ}［ｔ］）は、期間ｔｓ’−ｔｅ’内の下限値Ｂ_{ｌｏｗｅｒ}［ｔ］の中の最小値、θは、０以上の係数である。係数θは、異常判定処理部１１の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。

式（１２）において、ｈは、期間ｔｓ’−ｔｅ’内の時刻ｔの数である。

図１に示す異常検知装置では、外れデータ抽出処理部７が、異常検知用の時系列データＤ_Ｕ，ｔの中から、１つの異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を抽出している。
しかし、これは一例に過ぎず、外れデータ抽出処理部７が、異常検知用の時系列データＤ_Ｕ，ｔの中から、検出期間ｔｓ’−ｔｅ’が互いに異なる２つ以上の異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を抽出することがある。
外れデータ抽出処理部７により２つ以上の異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}が抽出された場合、それぞれの外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}について、種別判別部９、波形条件選択部１０及び異常判定処理部１１が、先に説明した処理を行う。

以上の実施の形態１は、異常判定部８が、外れデータ抽出部４により抽出された異常検知用の外れデータの変化を示す波形が、設備が正常であるときの波形であると認められる波形条件と、異常検知用の外れデータの波形とを照合し、波形条件と異常検知用の外れデータの波形との照合結果に基づいて、設備が異常であるか否かを判定するように、異常検知装置を構成した。したがって、異常検知装置は、事前にイベント情報を用意することなく、設備に異常が発生している旨を示す誤判定の発生を回避することができる。
イベントには、事前に予測が可能なイベントのほかに、予測が困難なイベントがあるため、事前にイベント情報を用意することができないことがある。
一方、図１に示す異常検知装置では、イベント情報を用意する代わりに、波形条件ｗｐを事前に用意する必要がある。波形条件ｗｐは、設備が正常であるときの学習用の時系列データＤ_{Ｇ，ｎ，ｔ}から生成することが可能であるため、波形条件ｗｐを事前に用意することは容易である。

図１に示す異常検知装置では、波形分類部１３が、グループに含まれている１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の間の類似度を算出している。
しかし、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の長さが同一の長さであるとは限らず、異なる長さであることがある。
波形分類部１３は、例えば、２つの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の長さが異なる場合、最初に、長さが短い方の波形の先頭を、長さが長い方の波形の先頭に揃えて、長さが短い方の波形と、長さが長い方の波形との間の距離を算出する。
波形分類部１３は、長さが短い方の波形の末尾が、長さが長い方の波形の末尾と揃うまで、長さが短い方の波形を、長さが長い方の波形に対して、平行にスライドさせながら、長さが短い方の波形と、長さが長い方の波形との間の距離を繰り返し算出する。
波形分類部１３は、算出した全ての距離の中で、最小の距離を選択し、選択した距離に対応する類似度を、波形の長さが長い方の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}と、波形の長さが短い方の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}との間の類似度に決定する。距離に対応する類似度として、例えば、距離の逆数の整数倍を類似度とするものが考えられる。

波形分類部１３は、類似度が閾値以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}同士を同一のグループに含める際、波形の長さが最長の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}に対して、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の類似度が最大になるスライドの位置を特定する。
波形分類部１３は、波形の長さが最長の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}に対して、特定したスライドの位置に、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を配置する。
特定したスライドの位置に、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を配置することで、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の先頭が、波形の長さが最長の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の先頭よりも末尾側に位置することがある。
波形分類部１３は、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}よりも前の時刻の学習用の時系列データＤ_{Ｇ，ｎ，ｔ}を、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の先頭側に付加することで、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の先頭を波形の長さが最長の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の先頭と揃える。
また、特定したスライドの位置に、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を配置することで、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の末尾が、波形の長さが最長の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の末尾よりも先頭側に位置することがある。
波形分類部１３は、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}よりも後の時刻の学習用の時系列データＤ_{Ｇ，ｎ，ｔ}を、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の末尾側に付加することで、波形の長さが短い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の末尾を波形の長さが最長の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の末尾と揃える。
波形分類部１３は、波形の長さが揃った同一の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}同士を同一のグループに含める。

図１に示す異常検知装置では、波形分類部１３が、類似度が閾値以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}同士を同一のグループに含めている。
センサの観測値が、外気温又は海水温である場合、あるいは、センサの観測値が、他の設備からの外的要因等の影響を受ける場合がある。これらの場合、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の長期的なトレンドの中に、イベントに関連する波形が出現するため、それぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形又は変化の幅のそれぞれが似ていても、観測値の値域が異なる場合がある。
それぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}に含まれている観測値の値域が異なる場合、波形分類部１３が、それぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が類似していないとして、それぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を異なるグループに分けてしまうことがある。
そこで、波形分類部１３は、種別判別部９により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のそれぞれについて、波形の平均値Ｍを算出する。
波形分類部１３は、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のそれぞれについて、それぞれの時刻ｔの値から、それぞれの波形の平均値Ｍを減算する。
波形分類部１３が、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のそれぞれについて、それぞれの時刻ｔの値から、それぞれの波形の平均値Ｍを減算することで、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}に含まれている観測値の値域を揃えることができる。

また、波形分類部１３は、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の変化の幅も、外的要因の影響を受ける場合、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}におけるそれぞれの時刻ｔの値を、それぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の標準偏差で除算するようにしてもよい。
１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}におけるそれぞれの時刻ｔの値を、標準偏差で除算することで、外的要因の影響を軽減することができる。

また、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が、時間方向に揺らぎを生じる場合もある。例えば、温度データに出現するイベント波形では、夏季は、温度上昇のスピードが速く、下降のスピードが遅い。逆に、冬季は、温度上昇のスピードが遅く、下降のスピードが早い。
１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が、時間方向に揺らぎを生じる場合、波形分類部１３は、動的時間伸縮法を用いて、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の間のＤＴＷ距離を算出する。
波形分類部１３は、ＤＴＷ距離の計算で得られる伸縮パスに従って１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形をそれぞれ伸縮させることで、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の時間方向の揺らぎを解消することができる。伸縮パスは、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の間の距離が最小になるときの、１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の対応する時間を示すものである。伸縮パスに従って学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形を伸縮させる処理自体は、公知の技術であるため詳細な説明を省略する。

図１に示す異常検知装置では、波形条件生成処理部１４が、グループに含まれている１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}におけるそれぞれの時刻ｔの平均値Ｐ_ｍｅａｎ［ｔ］を用いて、バンドモデルの上限値Ｂ_{ｕｐｐｅｒ}［ｔ］等を算出している。
しかし、これは一例に過ぎず、波形条件生成処理部１４は、時刻ｔの平均値Ｐ_ｍｅａｎ［ｔ］を用いる代わりに、グループに含まれている１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のうち、代表の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}に含まれている時刻ｔの観測値を用いるようにしてもよい。
代表の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}としては、グループに含まれている１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の平均の外れデータと最も類似度が大きい学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を用いることができる。

図１に示す異常検知装置では、波形条件生成処理部１４が、バンドモデルが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］及び下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を算出している。
波形条件生成処理部１４は、バンドモデルが示す正常範囲の幅から、正常範囲のマージンを算出し、マージンを正常範囲に加えることで、正常範囲を拡張するようにしてもよい。
具体的には、以下の通りである。

波形条件生成処理部１４は、以下の式（１３）に示すように、バンドモデルが示す正常範囲の幅から、正常範囲のマージンｒを算出する。
ｒ＝（ｍａｘ（Ｂ_{ｕｐｐｅｒ}［ｔ］）−ｍｉｎ（Ｂ_{ｌｏｗｅｒ}［ｔ］））×η
（１３）
式（１３）において、ｍａｘ（Ｂ_{ｕｐｐｅｒ}［ｔ］）は、期間ｔｓ−ｔｅ内の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］の中の最大値、ｍｉｎ（Ｂ_{ｌｏｗｅｒ}［ｔ］）は、期間ｔｓ−ｔｅ内の下限値Ｂ_{ｌｏｗｅｒ}［ｔ］の中の最小値、ηは、０以上の係数である。ηは、波形条件生成処理部１４の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。

波形条件生成処理部１４は、以下の式（１４）に示すように、マージンｒを上限値Ｂ_{ｕｐｐｅｒ}［ｔ］に加算し、以下の式（１５）に示すように、下限値Ｂ_{ｌｏｗｅｒ}［ｔ］からマージンｒを減算することで、正常範囲を拡張する。
Ｂ_{ｕｐｐｅｒ}［ｔ］←Ｂ_{ｕｐｐｅｒ}［ｔ］＋ｒ （１４）
Ｂ_{ｌｏｗｅｒ}［ｔ］←Ｂ_{ｌｏｗｅｒ}［ｔ］−ｒ （１５）

ここでは、波形条件生成処理部１４が、式（１３）に従って正常範囲のマージンｒを算出している。しかし、これは一例に過ぎず、波形条件生成処理部１４が、以下の式（１６）に従って正常範囲のマージンｒを算出するようにしてもよい。

式（１６）において、ｐは、期間ｔｓ−ｔｅ内の時刻ｔの数である。

実施の形態２．
図１に示す異常検知装置では、波形条件生成処理部１４が、波形条件Ｗｐとして、波形の正常範囲を示すバンドモデルを生成している。
実施の形態２では、波形条件生成処理部１４が、波形条件Ｗｐとして、設備が正常であるときに学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が発生している時間帯を示すヒストグラムを生成する異常検知装置について説明する。
実施の形態２の異常検知装置の構成は、実施の形態１の異常検知装置の構成と同様であり、実施の形態２の異常検知装置の構成図は、図１である。

波形条件生成処理部１４は、波形分類部１３によりグループ分けされたグループ毎に、波形条件Ｗｐとして、当該グループに含まれている１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が発生している時間帯を示すヒストグラムを生成する。
学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}は、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}が閾値Ｓ_ｔｈ以上の期間ｔｓ−ｔｅを示す期間情報を含んでいる。期間情報は、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}が閾値Ｓ_ｔｈ以上になる始まり時刻を示す情報から、学習用の外れスコアＳ_{Ｇ，ｎ，ｔ}が閾値Ｓ_ｔｈ以下になる終わりの時刻を示す情報を含んでいる。
また、始まり時刻を示す情報及び終わりの時刻を示す情報は、いわゆる時刻を示す情報だけでなく、日にちを示す情報及び曜日を示す情報を含んでいる。
ヒストグラムの生成処理自体は、公知の技術であるため詳細な説明を省略するが、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}に含まれている期間情報が示す期間ｔｓ−ｔｅに基づいて、ヒストグラムを生成することが可能である。

図１１は、波形条件生成処理部１４によって生成されるヒストグラムの一例を示す説明図である。
図１１において、横軸は、時刻、日にち又は曜日を示しており、縦軸は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が発生している度数を示している。
図１１は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が１時台に発生し、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が１０〜１２日に発生し、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が火曜日に発生している例を示している。

波形条件選択部１０は、実施の形態１と同様に、種別判別部９から出力された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}と、Ｎ個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}との間の類似度をそれぞれ算出する。
波形条件選択部１０は、実施の形態１と同様に、Ｎ個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の中で、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}との類似度が最も高い学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を検索する。
波形条件選択部１０は、実施の形態１と同様に、波形条件記憶部１５により記憶されている１つ以上のグループに対応する波形条件Ｗｐの中から、検索した学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が含まれているグループに対応する波形条件Ｗｐを選択する。
波形条件選択部１０により選択された波形条件Ｗｐは、波形条件生成処理部１４によって生成されたヒストグラムである。
波形条件選択部１０は、選択した波形条件Ｗｐを異常判定処理部１１に出力する。

異常判定処理部１１は、外れデータ抽出処理部７から出力された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}に含まれている期間情報を参照して、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}が発生している時間帯である期間ｔｓ’−ｔｅ’を認識する。
異常判定処理部１１は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}が発生している期間ｔｓ’−ｔｅ’と、波形条件選択部１０から出力された波形条件Ｗｐであるヒストグラムが示す発生時間帯とを照合する。
異常判定処理部１１は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}が発生している期間ｔｓ’−ｔｅ’が、ヒストグラムが示す発生時間帯に含まれていれば、設備が正常であると判定する。
図１１の例では、異常判定処理部１１は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}が発生している時間帯が、１時台であり、かつ、１０〜１２日のいずれかの日であり、かつ、火曜日であれば、設備が正常であると判定する。
異常判定処理部１１は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}が発生している期間ｔｓ’−ｔｅ’が、ヒストグラムが示す発生時間帯に含まれていなければ、設備が異常であると判定する。
図１１の例では、異常判定処理部１１は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}が発生している時間帯が、１時台ではない、あるいは、１０〜１２日のいずれの日でもない、あるいは、火曜日でなければ、設備が異常であると判定する。

以上の実施の形態２は、異常判定部８が、外れデータ抽出部４により抽出された異常検知用の外れデータが発生している時間帯が、ヒストグラムが示す発生時間帯に含まれていれば、設備が正常であると判定し、異常検知用の外れデータが発生している時間帯が、ヒストグラムが示す発生時間帯に含まれていなければ、設備が異常であると判定するように、異常検知装置を構成した。したがって、異常検知装置は、事前にイベント情報を用意することなく、設備に異常が発生している旨を示す誤判定の発生を回避することができる。

実施の形態２の異常検知装置では、異常判定処理部１１が、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}が発生している時間帯が、ヒストグラムが示す発生時間帯に含まれていれば、設備が正常であると判定している。
実施の形態２の異常検知装置でも、実施の形態１の異常検知装置と同様に、異常判定処理部１１が、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形が、期間ｔｓ’−ｔｅ’の全てに亘って、バンドパスの正常範囲内であるか否かを判定する。
そして、異常判定処理部１１が、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}が発生している時間帯が、ヒストグラムが示す発生時間帯に含まれており、かつ、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形が、期間ｔｓ’−ｔｅ’の全てに亘って、バンドパスの正常範囲に含まれていれば、設備が正常であると判定するようにしてもよい。

実施の形態３．
実施の形態３では、波形条件生成処理部１４により生成された波形条件Ｗｐを提示し、提示した波形条件Ｗｐの中から、有効な波形条件Ｗｐの選択を受け付ける選択受付部１７を備える異常検知装置について説明する。

図１２は、実施の形態３に係る異常検知装置を示す構成図である。
図１３は、実施の形態３に係る異常検知装置のハードウェアを示すハードウェア構成図である。
図１２及び図１３において、図１及び図２と同一符号は同一又は相当部分を示すので説明を省略する。
選択受付部１７は、例えば、図１３に示す選択受付回路３４によって実現される。
選択受付部１７は、波形条件生成処理部１４により生成された波形条件Ｗｐを提示し、提示した波形条件Ｗｐの中から、有効な波形条件Ｗｐの選択を受け付ける。
選択受付部１７は、選択を受け付けた有効な波形条件Ｗｐのみを波形条件生成処理部１４により生成された波形条件Ｗｐとして残し、選択を受け付けていない波形条件Ｗｐを破棄する。

図１２では、異常検知装置の構成要素である学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、閾値記憶部６、外れデータ抽出処理部７、種別判別部９、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４、波形条件記憶部１５、検知結果出力部１６及び選択受付部１７のそれぞれが、図１３に示すような専用のハードウェアで実現されるものを想定している。即ち、異常検知装置が、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、閾値記憶回路２５、外れデータ抽出処理回路２６、種別判別回路２７、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１、波形条件記憶回路３２、検知結果出力回路３３及び選択受付回路３４で実現されるものを想定している。

ここで、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、外れデータ抽出処理回路２６、種別判別回路２７、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１、検知結果出力回路３３及び選択受付回路３４のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

異常検知装置の構成要素は、専用のハードウェアで実現されるものに限るものではなく、異常検知装置がソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせで実現されるものであってもよい。
異常検知装置がソフトウェア又はファームウェア等で実現される場合、閾値記憶部６及び波形条件記憶部１５がコンピュータのメモリ４１上に構成される。学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、外れデータ抽出処理部７、種別判別部９、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４、検知結果出力部１６及び選択受付部１７の処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ４１に格納される。そして、図３に示すプロセッサ４２がメモリ４１に格納されているプログラムを実行する。

次に、図１２に示す異常検知装置の動作について説明する。
ただし、図１２に示す異常検知装置の構成要素のうち、選択受付部１７以外の構成要素は、図１に示す異常検知装置と同様であるため、ここでは、選択受付部１７の動作のみを説明する。

選択受付部１７は、図１４に示すように、波形条件生成処理部１４により生成された１つ以上の波形条件Ｗｐを、例えば、図示せぬディスプレイに表示させる。
図１４は、波形条件生成処理部１４により生成された１つ以上の波形条件Ｗｐの一覧を表示している一覧確認画面を示す説明図である。
ユーザは、一覧確認画面を確認することで、それぞれの波形条件Ｗｐの妥当性を評価することができる。
図１４に示す一覧確認画面は、それぞれの波形条件Ｗｐに対応するチェックボックスを備えている。それぞれの波形条件Ｗｐに対応するチェックボックスのうち、ユーザが、妥当であると判断する波形条件Ｗｐに対応するチェックボックスに、チェックを入れることで、有効な波形条件Ｗｐを選択することができる。
図１４に示す一覧確認画面は、４つの波形条件Ｗｐを表示している。図中、左から２〜４番目の波形条件Ｗｐは、チェックボックスにチェックが入れられている。

選択受付部１７は、波形条件生成処理部１４により生成された１つ以上の波形条件Ｗｐのうち、ユーザによって、チェックボックスにチェックが入れられた波形条件Ｗｐを、有効な波形条件Ｗｐとして、選択を受け付ける。
選択受付部１７は、選択を受け付けた有効な波形条件Ｗｐのみを波形条件生成処理部１４により生成された波形条件Ｗｐとして、波形条件記憶部１５に記憶させる。
選択受付部１７は、選択を受け付けていない波形条件Ｗｐを破棄して、選択を受け付けていない波形条件Ｗｐを波形条件記憶部１５に記憶させない。

選択受付部１７は、一覧確認画面に表示されている波形条件Ｗｐの生成元の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を図示せぬディスプレイに表示させる機能を備えている。
一覧確認画面に表示されている１つ以上の波形条件Ｗｐのうち、ユーザが、いずれかの波形条件Ｗｐをクリックすると、選択受付部１７によって、当該波形条件Ｗｐの生成元の１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が図示せぬディスプレイに表示される。
図１５は、波形条件Ｗｐの生成元の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の一覧を表示している一覧確認画面を示す説明図である。
図１５に示す一覧確認画面は、１２個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を表示している。
ユーザは、一覧確認画面を確認することで、１２個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のうち、波形条件Ｗｐを生成する上で、不要と思われる学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を判断することができる。

図１５に示す一覧確認画面は、それぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}に対応するチェックボックスを備えている。それぞれの学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}に対応するチェックボックスのうち、ユーザが、不要と思われる学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}に対応するチェックボックスに入れられているチェックを外すことで、不要と思われる学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を選択することができる。
図１５の例では、一番左側の列の上から２番目の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}は、チェックボックスに入れられているチェックが外されている。また、一番右側の列の上から４番目の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}は、チェックボックスに入れられているチェックが外されている。
選択受付部１７は、１２個の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のうち、チェックが外されていない学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の選択を受け付ける。
波形条件生成処理部１４は、選択受付部１７により選択が受け付けられた学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}から波形条件Ｗｐを再生成する。

図１５に示す一覧確認画面は、波形条件生成処理部１４による波形条件Ｗｐの生成方法の選択を受け付ける選択ボックスを備えている。
生成方法選択ボックスでは、平均値Ｐ_ｍｅａｎ［ｔ］及び標準偏差Ｐ_ｓｔｄ［ｔ］を用いて、波形条件Ｗｐであるバンドモデルが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］及び下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を算出する生成方法を選ぶことが可能である。
また、生成方法選択ボックスでは、最大値Ｐ_ｍａｘ［ｔ］及び最小値Ｐ_ｍｉｎ［ｔ］を用いて、バンドモデルが示す正常範囲の上限値Ｂ_{ｕｐｐｅｒ}［ｔ］及び下限値Ｂ_{ｌｏｗｅｒ}［ｔ］を算出する生成方法を選ぶことが可能である。
したがって、ユーザは、生成方法選択ボックスを操作することで、波形条件Ｗｐの生成方法を選択することが可能である。
選択受付部１７は、ユーザの生成方法選択ボックスの操作に伴う波形条件Ｗｐの生成方法の選択を受け付ける。
波形条件生成処理部１４は、選択受付部１７により選択が受け付けられた生成方法に基づいて、選択受付部１７により選択が受け付けられた学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}から波形条件Ｗｐを生成する。

図１５に示す一覧確認画面は、バンドモデルが示す正常範囲のマージンの選択を受け付けるマージン選択ボックスを備えている。
したがって、ユーザは、マージン選択ボックスを操作することで、マージンを選択することが可能である。
選択受付部１７は、ユーザのマージン選択ボックスの操作に伴うマージンの選択を受け付ける。
波形条件生成処理部１４は、選択受付部１７により選択が受け付けられたマージンを正常範囲に加えることで、正常範囲を拡張する。

図１５に示す一覧確認画面は、「反映」ボタン、「保存」ボタン及び「追加」ボタンを備えている。
ユーザが、「反映」ボタンをクリックすると、波形条件生成処理部１４が、選択受付部１７により選択が受け付けられた学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}から波形条件Ｗｐを再生成し、再生成した波形条件Ｗｐを一覧確認画面に表示させるように動作する。
ユーザが、「保存」ボタンをクリックすると、選択受付部１７により再生成された波形条件Ｗｐが、波形条件記憶部１５に記憶されるように動作する。

ユーザが、「追加」ボタンをクリックすると、波形条件Ｗｐを再生成する上で、図１５に示す一覧確認画面に表示されている学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}と異なるグループに含まれている学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を選択できるように動作する。そして、ユーザが、「追加」ボタンをクリックしたのち、ユーザが、図１４に示す一覧確認画面において、先にクリックした波形条件Ｗｐと異なる波形条件Ｗｐをクリックする。ユーザが、異なる波形条件Ｗｐをクリックすると、選択受付部１７によって、クリックした波形条件Ｗｐの生成元の１つ以上の学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}が図１５に示す一覧確認画面に表示される。
図１５に示す一覧確認画において、ユーザが、波形条件Ｗｐを再生成する上で、追加する必要があると思われる学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}のチェックボックスにチェックを入れることで、追加する必要があると思われる学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}を選択できる。

以上の実施の形態３は、選択受付部１７が、波形条件生成処理部１４により生成された波形条件Ｗｐを提示し、提示した波形条件Ｗｐの中から、有効な波形条件Ｗｐの選択を受け付け、選択を受け付けた有効な波形条件Ｗｐのみを波形条件生成処理部１４により生成された波形条件Ｗｐとして残し、選択を受け付けていない波形条件Ｗｐを破棄するように、異常検知装置を構成した。したがって、異常検知装置は、ユーザの判断が反映されている波形条件Ｗｐを生成することができる。

実施の形態４．
実施の形態４では、波形条件生成部１２が、異常判定部８によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として用いる異常検知装置について説明する。

図１６は、実施の形態４に係る異常検知装置を示す構成図である。
図１７は、実施の形態４に係る異常検知装置のハードウェアを示すハードウェア構成図である。
図１６及び図１７において、図１及び図２と同一符号は同一又は相当部分を示すので説明を省略する。
種別判別部１８は、例えば、図１７に示す種別判別回路３５によって実現される。
種別判別部１８は、図１に示す種別判別部９と同様に、外れデータ抽出処理部７により抽出された学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の種別を判別する。
種別判別部１８は、図１に示す種別判別部９と同様に、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を判別する。
種別判別部１８は、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として、検知結果出力部１９から取得する。
種別判別部１８は、取得した異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の特徴量を算出し、算出した特徴量から異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を判別する。種別判別部１８は、判別した異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を波形分類部１３に出力する。

検知結果出力部１９は、例えば、図１７に示す検知結果出力回路３６によって実現される。
検知結果出力部１９は、図１に示す検知結果出力部１６と同様に、異常判定処理部１１から出力された判定結果を、例えば図示せぬディスプレイに表示させる。
検知結果出力部１９は、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}と、異常検知用の時系列データＤ_Ｕ，ｔを、例えばディスプレイに表示させる。
検知結果出力部１９は、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}のうち、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として用いる異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の選択を受け付ける。
検知結果出力部１９は、選択を受け付けた異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として、種別判別部１８、波形分類部１３及び波形条件生成処理部１４のそれぞれに出力する。

図１６では、異常検知装置の構成要素である学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、閾値記憶部６、外れデータ抽出処理部７、種別判別部１８、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４、波形条件記憶部１５及び検知結果出力部１９のそれぞれが、図１７に示すような専用のハードウェアで実現されるものを想定している。即ち、異常検知装置が、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、閾値記憶回路２５、外れデータ抽出処理回路２６、種別判別回路３５、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１、波形条件記憶回路３２及び検知結果出力回路３６で実現されるものを想定している。

ここで、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、外れデータ抽出処理回路２６、種別判別回路３５、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１及び検知結果出力回路３６のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

異常検知装置の構成要素は、専用のハードウェアで実現されるものに限るものではなく、異常検知装置がソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせで実現されるものであってもよい。
異常検知装置がソフトウェア又はファームウェア等で実現される場合、閾値記憶部６及び波形条件記憶部１５がコンピュータのメモリ４１上に構成される。学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、外れデータ抽出処理部７、種別判別部１８、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４及び検知結果出力部１９の処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ４１に格納される。そして、図３に示すプロセッサ４２がメモリ４１に格納されているプログラムを実行する。

次に、図１６に示す異常検知装置の動作について説明する。
異常判定処理部１１は、実施の形態１と同様に、波形条件選択部１０により選択された波形条件Ｗｐと、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形とを照合する。
異常判定処理部１１は、実施の形態１と同様に、波形条件Ｗｐと異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形との照合結果に基づいて、設備が異常であるか否かを判定する。
異常判定処理部１１は、実施の形態１と同様に、設備が異常であるか否かを示す判定結果を検知結果出力部１９に出力する。
異常判定処理部１１は、設備が異常であると判定した際に、波形条件Ｗｐと照合した異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を検知結果出力部１９に出力する。

検知結果出力部１９は、異常判定処理部１１から出力された判定結果を、例えば図示せぬディスプレイに表示させる。
検知結果出力部１９は、図１８に示すように、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}と、異常検知用データ入力部２から出力された異常検知用の時系列データＤ_Ｕ，ｔとを、例えばディスプレイに表示させる。
図１８は、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}及び異常検知用の時系列データＤ_Ｕ，ｔを表示しているデータ表示画面の一例を示す説明図である。
図１８において、異常検知用の時系列データＤ_Ｕ，ｔのうち、〇で囲まれている部分のデータは、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}である。図１８に示す画面には、外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の拡大図も、表示されている。
拡大図において、実線部分は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}であり、破線部分は、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の前後の異常検知用の時系列データＤ_Ｕ，ｔである。
図１８では、図面の簡単化のため、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の拡大図の数が、〇で囲まれている部分のデータの数よりも少ない。

図１８に示すデータ表示画面は、それぞれの異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}に対応するチェックボックスを備えている。ユーザが、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として用いることを希望する異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}に対応するチェックボックスに、チェックを入れることで、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として用いる異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を選択できる。
図１８の例では、上の段の左から４番目の異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}は、チェックボックスにチェックが入れられている。
検知結果出力部１９は、ユーザによって、チェックボックスにチェックが入れられた異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として、選択を受け付ける。
検知結果出力部１９は、選択を受け付けた異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として、種別判別部１８、波形分類部１３及び波形条件生成処理部１４のそれぞれに出力する。

種別判別部１８は、図１に示す種別判別部９と同様に、外れデータ抽出処理部７により抽出された学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の種別を判別し、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の種別を波形分類部１３に出力する。
種別判別部１８は、図１に示す種別判別部９と同様に、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を判別し、異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を波形条件選択部１０に出力する。

種別判別部１８は、検知結果出力部１９から出力された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として取得する。
種別判別部１８は、取得した異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の特徴量を算出し、算出した特徴量から異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を判別する。
異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別の判別処理は、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}の波形の種別を判別処理と同様である。
種別判別部１８は、判別した異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}の波形の種別を波形分類部１３に出力する。
波形分類部１３及び波形条件生成処理部１４の動作は、検知結果出力部１９から出力された異常検知用の外れデータＯＤ_{Ｕ，ｔｓ’−ｔｅ’}を、学習用の外れデータＯＤ_{Ｇ，ｎ，ｔｓ−ｔｅ}として用いること以外は、実施の形態１と同様である。

以上の実施の形態４は、種別判別部１８が、異常判定部８によって、設備が異常であると判定された際に、波形条件と照合された異常検知用の外れデータの特徴量を算出し、当該特徴量から波形条件と照合された異常検知用の外れデータの波形の種別を判別する。そして、波形条件生成部１２が、外れデータ抽出部４により抽出されたそれぞれの学習用の外れデータ及び波形条件と照合された異常検知用の外れデータのうち、種別判別部１８により波形が互いに同一の種別であると判別された１つ以上の外れデータの波形から、当該種別に対応する波形条件を生成するように、異常検知装置を構成した。したがって、異常検知装置は、実施の形態１の異常検知装置よりも、学習用の外れデータを増やして、種別に対応する波形条件の精度を高めることができる。

なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

この発明は、設備が異常であるか否かを判定する異常検知装置及び異常検知方法に適している。

１ 学習用データ入力部、２ 異常検知用データ入力部、３ 外れスコア算出部、４ 外れデータ抽出部、５ 閾値算出部、６ 閾値記憶部、７ 外れデータ抽出処理部、８ 異常判定部、９ 種別判別部、１０ 波形条件選択部、１１ 異常判定処理部、１２ 波形条件生成部、１３ 波形分類部、１４ 波形条件生成処理部、１５ 波形条件記憶部、１６ 検知結果出力部、１７ 選択受付部、１８ 種別判別部、１９ 検知結果出力部、２１ 入力インタフェース回路、２２ 入力インタフェース回路、２３ 外れスコア算出回路、２４ 閾値算出回路、２５ 閾値記憶回路、２６ 外れデータ抽出処理回路、２７ 種別判別回路、２８ 波形条件選択回路、２９ 異常判定処理回路、３０ 波形分類回路、３１ 波形条件生成処理回路、３２ 波形条件記憶回路、３３ 検知結果出力回路、３４ 選択受付回路、３５ 種別判別回路、３６ 検知結果出力回路、４１ メモリ、４２ プロセッサ。

Claims (14)

1. 複数の時刻における異常検知対象の設備の状態を時系列で示す異常検知用の時系列データから、複数の時刻のそれぞれにおける前記設備の異常度を異常検知用の外れスコアとして算出する外れスコア算出部と、
   前記外れスコア算出部により算出された複数の時刻のそれぞれにおける異常検知用の外れスコアに基づいて、前記異常検知用の時系列データの中から、前記設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを異常検知用の外れデータとして抽出する外れデータ抽出部と、
   前記外れデータ抽出部により抽出された異常検知用の外れデータの変化を示す波形が、前記設備が正常であるときの波形であると認められる波形条件と、前記異常検知用の外れデータの波形とを照合し、前記波形条件と前記異常検知用の外れデータの波形との照合結果に基づいて、前記設備が異常であるか否かを判定する異常判定部と
   を備え、
   前記異常判定部は、
   前記外れデータ抽出部により抽出された異常検知用の外れデータの特徴量を算出し、前記特徴量から前記異常検知用の外れデータの波形の種別を判別する種別判別部と、
   １つ以上の波形条件の中から、前記種別判別部により判別された種別に対応する波形条件を選択する波形条件選択部と、
   前記波形条件選択部により選択された波形条件と、前記異常検知用の外れデータの波形とを照合し、前記選択された波形条件と前記異常検知用の外れデータの波形との照合結果に基づいて、前記設備が異常であるか否かを判定する異常判定処理部とを備え、
   前記外れスコア算出部は、前記設備が正常であるときの複数の時刻における当該設備の状態を時系列で示す１つ以上の学習用の時系列データのそれぞれから、複数の時刻のそれぞれにおける前記設備の異常度を学習用の外れスコアとして算出し、
   前記外れデータ抽出部は、前記外れスコア算出部により算出された複数の時刻のそれぞれにおける学習用の外れスコアに基づいて、それぞれの学習用の時系列データの中から、前記設備に異常が発生している可能性のある時間帯の学習用の時系列データを学習用の外れデータとして抽出し、
   前記種別判別部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの特徴量を算出し、前記それぞれの学習用の外れデータの特徴量から、前記それぞれの学習用の外れデータの波形の種別を判別し、
   前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータのうち、前記種別判別部により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータの波形から、当該種別に対応する波形条件を生成する波形条件生成部を備えたことを特徴とする異常検知装置。
2. 前記波形条件生成部は、前記種別判別部により同一の種別であると判別された１つ以上の学習用の外れデータの波形の間の類似度に基づいて、前記同一の種別であると判別された１つ以上の学習用の外れデータをグループ分けし、分けたグループの全てについて、当該グループに含まれる１つ以上の学習用の外れデータの波形から、当該グループに対応する波形条件を生成し、
   前記波形条件選択部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの中で、前記外れデータ抽出部により抽出された異常検知用の外れデータとの類似度が最も高い学習用の外れデータを検索し、前記波形条件生成部により生成されたそれぞれのグループに対応する波形条件の中から、前記検索した学習用の外れデータが含まれているグループに対応する波形条件を選択することを特徴とする請求項１記載の異常検知装置。
3. 前記波形条件生成部は、前記波形条件として、波形の正常範囲を示すバンドモデルを生成し、
   前記異常判定処理部は、前記外れデータ抽出部により抽出された異常検知用の外れデータの波形が、前記バンドモデルが示す正常範囲に含まれていれば、前記設備が正常であると判定し、前記異常検知用の外れデータの波形が、前記バンドモデルが示す正常範囲を逸脱していれば、前記設備が異常であると判定することを特徴とする請求項１記載の異常検知装置。
4. 前記異常判定処理部は、前記外れデータ抽出部により抽出された異常検知用の外れデータの波形が、前記バンドモデルが示す正常範囲を逸脱していても、許容範囲の逸脱であれば、前記設備が正常であると判定することを特徴とする請求項３記載の異常検知装置。
5. 前記波形条件生成部は、前記波形条件として、前記設備が正常であるときに外れデータが発生している時間帯を示すヒストグラムを生成し、
   前記異常判定処理部は、前記外れデータ抽出部により抽出された異常検知用の外れデータが発生している時間帯が、前記ヒストグラムが示す発生時間帯に含まれていれば、前記設備が正常であると判定し、前記異常検知用の外れデータが発生している時間帯が、前記ヒストグラムが示す発生時間帯に含まれていなければ、前記設備が異常であると判定することを特徴とする請求項１記載の異常検知装置。
6. 前記波形条件生成部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの波形の平均値と、前記それぞれの学習用の外れデータの標準偏差とを用いて、前記バンドモデルを生成することを特徴とする請求項３記載の異常検知装置。
7. 前記波形条件生成部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの波形の中の最大値と、前記それぞれの学習用の外れデータの波形の中の最小値とを用いて、前記バンドモデルを生成することを特徴とする請求項３記載の異常検知装置。
8. 前記波形条件生成部は、生成したバンドモデルが示す正常範囲の幅から、前記正常範囲のマージンを算出し、前記マージンを前記正常範囲に加えることで、前記正常範囲を拡張することを特徴とする請求項３記載の異常検知装置。
9. 前記波形条件生成部は、前記種別判別部により同一の種別であると判別された１つ以上の学習用の外れデータの波形の長さが異なれば、長さが長い方の波形に対して、長さが短い方の波形の位置をずらしながら、波形の長さが長い方の学習用の外れデータと、波形の長さが短い方の学習用の外れデータとの類似度をそれぞれ算出し、それぞれ算出した類似度の中の最大値を、前記波形の長さが長い方の学習用の外れデータと、前記波形の長さが短い方の学習用の外れデータとの類似度に決定することを特徴とする請求項２記載の異常検知装置。
10. 前記波形条件生成部は、前記種別判別部により波形が同一の種別であると判別されたそれぞれの学習用の外れデータの波形の平均値を算出して、前記それぞれの学習用の外れデータの波形から、前記それぞれの学習用の外れデータの波形の平均値を減算し、平均値を減算したそれぞれの学習用の外れデータの波形から、当該種別に対応する波形条件を生成することを特徴とする請求項１記載の異常検知装置。
11. 前記波形条件生成部は、前記種別判別部により波形が同一の種別であると判別されたそれぞれの学習用の外れデータの波形の標準偏差を算出して、平均値を減算したそれぞれの学習用の外れデータの波形を、前記それぞれの標準偏差で除算し、標準偏差で除算したそれぞれの学習用の外れデータの波形から、当該種別に対応する波形条件を生成することを特徴とする請求項１０記載の異常検知装置。
12. 前記波形条件生成部は、
    生成した波形条件を提示して、提示した波形条件の中から、有効な波形条件の選択を受け付け、選択を受け付けた有効な波形条件のみを前記生成した波形条件として残し、選択を受け付けていない波形条件を破棄する選択受付部を備えたことを特徴とする請求項１記載の異常検知装置。
13. 前記種別判別部は、前記異常判定処理部によって、前記設備が異常であると判定された際に波形条件と照合された異常検知用の外れデータの特徴量を算出し、当該特徴量から、前記波形条件と照合された異常検知用の外れデータの波形の種別を判別し、
    前記波形条件生成部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータ及び前記波形条件と照合された異常検知用の外れデータのうち、前記種別判別部により波形が互いに同一の種別であると判別された１つ以上の外れデータの波形から、当該種別に対応する波形条件を生成することを特徴とする請求項１記載の異常検知装置。
14. 外れスコア算出部が、複数の時刻における異常検知対象の設備の状態を時系列で示す異常検知用の時系列データから、複数の時刻のそれぞれにおける前記設備の異常度を異常検知用の外れスコアとして算出し、
    外れデータ抽出部が、前記外れスコア算出部により算出された複数の時刻のそれぞれにおける異常検知用の外れスコアに基づいて、前記異常検知用の時系列データの中から、前記設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを異常検知用の外れデータとして抽出し、
    異常判定部が、前記外れデータ抽出部により抽出された異常検知用の外れデータの変化を示す波形が、前記設備が正常であるときの波形であると認められる波形条件と、前記異常検知用の外れデータの波形とを照合し、前記波形条件と前記異常検知用の外れデータの波形との照合結果に基づいて、前記設備が異常であるか否かを判定し、
    前記異常判定部における種別判別部が、前記外れデータ抽出部により抽出された異常検知用の外れデータの特徴量を算出し、前記特徴量から前記異常検知用の外れデータの波形の種別を判別し、
    前記異常判定部における波形条件選択部が、１つ以上の波形条件の中から、前記種別判別部により判別された種別に対応する波形条件を選択し、
    前記異常判定部における異常判定処理部が、前記波形条件選択部により選択された波形条件と、前記異常検知用の外れデータの波形とを照合し、前記選択された波形条件と前記異常検知用の外れデータの波形との照合結果に基づいて、前記設備が異常であるか否かを判定し、
    前記外れスコア算出部が、前記設備が正常であるときの複数の時刻における当該設備の状態を時系列で示す１つ以上の学習用の時系列データのそれぞれから、複数の時刻のそれぞれにおける前記設備の異常度を学習用の外れスコアとして算出し、
    前記外れデータ抽出部が、前記外れスコア算出部により算出された複数の時刻のそれぞれにおける学習用の外れスコアに基づいて、それぞれの学習用の時系列データの中から、前記設備に異常が発生している可能性のある時間帯の学習用の時系列データを学習用の外れデータとして抽出し、
    前記種別判別部が、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの特徴量を算出し、前記それぞれの学習用の外れデータの特徴量から、前記それぞれの学習用の外れデータの波形の種別を判別し、
    波形条件生成部が、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータのうち、前記種別判別部により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータの波形から、当該種別に対応する波形条件を生成する、
    ことを特徴とする異常検知方法。

Images