JP7736616B2 - 異常判定装置、異常判定方法、及び異常判定プログラム - Google Patents

Description

特許法第３０条第２項適用 令和３年７月１日 ｈｔｔｐｓ：／／ｄｃａｓｅ．ｃｏｍｍｕｎｉｔｙ／ｄｏｃｕｍｅｎｔｓ／ｃｈａｌｌｅｎｇｅ２０２１／ｔｅｃｈｎｉｃａｌ＿ｒｅｐｏｒｔｓ／ＤＣＡＳＥ２０２１＿Ｍｏｒｉｔａ＿５９＿ｔ２．ｐｄｆ にて公開

本発明は、異常判定装置、異常判定方法、及び異常判定プログラムに関する。

従来、機械の動作音から異常音を検知する技術が知られている（例えば、非特許文献１）。

Kazuki Morita, Tomohiko Yano, Khai Q. Tran," Anomalous sound detection by using local outlier factor and gaussian mixture model," Technical Report, DCASE2020 Challenge, July 2020.

非特許文献１では、音データから作成したスペクトログラムを特徴量とし、Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ（ＬＯＦ）、及び混合正規分布（ＧＭＭ）を用いた異常検知手法により異常度合いを表す異常度を求め、異常度に基づいて異常の有無を判定する。

しかしながら、このような従来技術では異常を精度よく検知することに改善の余地があった。特に、散発的にイベントが発生するような時系列データに対しては、異常の検知精度に課題があった。

そこで、本発明は、上記問題を鑑みてなされたものであり、精度よく時系列データの異常を判定することができる異常判定装置、異常判定方法、及び異常判定プログラムを提供することを目的とする。

上記の目的を達成するために本発明に係る異常判定装置は、散発的にイベントが発生する時系列データに対して、イベント期間に応じた区間ごとに、特徴量を抽出する特徴量抽出部と、区間ごとの特徴量を構成する各要素について、複数の区間の対応する要素単位でばらつきを計算し、当該要素単位のばらつきを各要素として構成した特徴量である統合済み特徴量を生成する統合部と、前記統合済み特徴量に基づいて前記時系列データの異常度合いを判定する判定部と、を含んで構成されている。

本発明に係る異常判定装置によれば、特徴量抽出部によって、散発的にイベントが発生する時系列データに対して、イベント期間に応じた区間ごとに、特徴量を抽出する。統合部によって、区間ごとの特徴量を構成する各要素について、複数の区間の対応する要素単位でばらつきを計算し、当該要素単位のばらつきを各要素として構成した特徴量である統合済み特徴量を生成する。そして、判定部によって、前記統合済み特徴量に基づいて前記時系列データの異常度合いを判定する。

このように、時系列データに対して、イベント期間に応じた区間ごとに、特徴量を抽出し、区間ごとの特徴量を構成する各要素について、複数の区間の対応する要素単位でばらつきを計算し、統合済み特徴量を生成し、時系列データの異常度合いを判定する。これにより、精度よく時系列データの異常を判定することができる。

また、前記特徴量抽出部は、ラベルを識別するためのニューラルネットワークモデルである学習済みモデルを用いて、前記特徴量を抽出することができる。

また、上記の異常判定装置は、前記時系列データの前記イベント期間を推定するイベント期間推定部を更に含み、前記特徴量抽出部は、前記イベント期間推定部によって推定されたイベント期間以上とした区間ごとに、前記特徴量を抽出することができる。

また、前記判定部は、正常な時系列データから学習された識別器を用いて、前記統合済み特徴量から、前記異常度合いを判定することができる。

また、上記の時系列データを、機械の動作音を表す音データとすることができる。

また、前記区間の長さを、前記イベント間の間隔に基づいて決定されたものとすることができる。

本発明に係る異常判定方法は、特徴量抽出部が、散発的にイベントが発生する時系列データに対して、イベント期間に応じた区間ごとに特徴量を抽出し、統合部が、区間ごとの特徴量を構成する各要素について、複数の区間の対応する要素単位でばらつきを計算し、当該要素単位のばらつきを各要素として構成した特徴量である統合済み特徴量を生成し、判定部が、前記統合済み特徴量に基づいて、前記時系列データの異常度合いを判定する。

本発明に係る異常判定プログラムは、散発的にイベントが発生する時系列データに対して、イベント期間に応じた区間ごとに特徴量を抽出し、区間ごとの特徴量を構成する各要素について、複数の区間の対応する要素単位でばらつきを計算し、当該要素単位のばらつきを各要素として構成した特徴量である統合済み特徴量を生成し、前記統合済み特徴量に基づいて、前記時系列データの異常度合いを判定することをコンピュータに実行させるためのプログラムである。

以上説明したように、本発明に係る異常判定装置、異常判定方法、及び異常判定プログラムによれば、精度よく時系列データの異常を判定することができる、という効果が得られる。

本発明の実施の形態に係る異常判定学習装置の構成を示すブロック図である。 本発明の実施の形態に係る異常判定装置の構成を示すブロック図である。 本発明の実施の形態に係る異常判定学習装置による異常判定学習処理の動作を示すフローチャートである。 本発明の実施の形態に係る異常判定装置による異常判定処理の動作を示すフローチャートである。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

［異常判定学習装置の構成］
本発明の実施の形態に係る異常判定学習装置は、事前に用意した学習データを用いて、ラベルを識別するモデル及び異常を判定する識別器を学習する装置である。具体的には、機械の動作音に基づいて学習したモデル及び識別器により、所定の音データに対して機械の異常（損傷、異物の混入、過電圧、詰まり、機械の故障など）の有無を判定する。

異常判定学習装置は、ＣＰＵ（Central Processing Unit）と、ＧＰＵ（Graphics Processing Unit）と、ＲＡＭ（Random Access Memory）と、後述する異常判定学習処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭ（Read Only Memory）と、を含むコンピュータで構成することが出来る。図１に異常判定学習装置１００のブロック図を示す。異常判定学習装置１００は、機能的には、図１に示すように、入力部１０及び演算部２０を備えている。

入力部１０は、学習データを複数受け付ける。この学習データには、散発的にイベントが発生する正常時における機械の動作音を表す時系列データ及びラベルが含まれている。すなわち、散発的にイベントが発生する時系列データとは、時系列データの全取得期間に比べて意味のあるイベント音の波形がごく短期間だけ含まれるようなスパースな時系列データを意味する。

例えば、時系列データは、機械の動作音を表す音データから各フレームについてＳＴＦＴ（Short Time Fourier Transform）を用いて得られたスペクトログラムであり、ラベルは、機械の個体やメーカーの種別などの、音データのメタ情報から決定されるものであり、イベントは、バルブの開閉音などの、音データの波形において生じるスパイクである。本実施の形態では、およそ２～５秒間に１回の割合でバルブの開閉が発生し、当該バルブの開閉に伴って、およそ１００ｍｓのバルブ開閉音（スパイク）が生じる。以下では、イベントの発生に伴って生じるスパイクの生じている期間（スパイクの立ち上がり開始から元に戻るまでの期間）を「イベント期間」と称する。

演算部２０は、学習データ記憶部２２、特徴量抽出器学習部２４、特徴量抽出器記憶部２６、特徴量抽出部２８、統合部３０、識別器学習部３２、及び識別器記憶部３４を備えている。

学習データ記憶部２２には、入力部１０により受け付けた複数の学習データが記憶されている。

特徴量抽出器学習部２４は、複数の学習データ（時系列データ及びラベル）に基づいて、時系列データに対して、切り出した区間ごとにラベルを識別するためのニューラルネットワークモデルを学習する。

具体的には、１区間に含まれる複数フレームのスペクトログラムを入力として、ラベルを推定するＣＮＮ（Convolutional Neural Networks）を学習する。例えば、ＣＮＮとして、ＭｏｂｉｌｅＦａｃｅＮｅｔ（ＭＦＮ）を利用する（参考文献１）。ＣＮＮは、出力がラベルに近づくように繰り返し学習を行う。

［参考文献１］：S. Chen, Y. Liu, X. Gao, and Z. Han, “MobileFaceNets: Efficient CNNs for Accurate Real-Time Face Verification on Mobile Devices,” pp. 428-438, 2018.

ここで、区間の長さは、イベント期間及びイベント間の間隔に基づいて決定される。具体的には、区間の長さは、少なくとも１つのイベント期間の長さ以上である必要があり、２つ以上のイベントが含まれないような長さであることが望ましい。

例えば、機械の動作音を表す音データにおいて生じるスパイクの期間、すなわちイベント期間が１００ｍｓであるため、区間の長さを１００ｍｓ以上とする必要があるが、スパイク期間中の区間の切り出しが行われないよう区間を１００ｍｓより十分に大きな長さとすることが好適である。また、２～５秒間に１回の割合でスパイクが生じるため、区間の長さを２秒以内とすることが好適である。そこで本実施の形態では、区間の長さを約１秒とする。

特徴量抽出器記憶部２６には、特徴量抽出器学習部２４によって学習されたニューラルネットワークモデルが学習済みモデルとして記憶されている。

特徴量抽出部２８は、複数の学習データの各々について、特徴量抽出器記憶部２６に記憶された学習済みモデルを用いて、当該時系列データに対して、イベント期間に応じた区間ごとに、特徴ベクトル（本発明における特徴量）を抽出する。具体的には、１区間に含まれる複数フレームのスペクトログラムを、学習済みモデルであるＣＮＮに入力し、ＣＮＮの中間層から得られる特徴ベクトルを抽出する。例えば、ニューラルネットワークの出力層の前層を利用する。

統合部３０は、複数の学習データの各々について、当該学習データの時系列データの区間ごとに抽出された特徴ベクトルに基づいて、各区間の特徴ベクトルを構成する各要素（ベクトルの成分）についてそれぞれ対応する要素単位でばらつきを計算し、計算されたばらつきをベクトルの各要素とした、統合済み特徴ベクトルを生成する。具体的には、ばらつきとして、分散又は標準偏差を計算する。例えば、時系列データをｎ個の区間にて切り分け、ｎ個の特徴ベクトルを抽出した場合、第１区間からの第ｎ区間の各特徴ベクトルの第１要素について標準偏差を求め、当該標準偏差を統合済み特徴ベクトルの第１要素とする。同じように、第１区間からの第ｎ区間の各特徴ベクトルの第２要素について標準偏差を求め、当該標準偏差を統合済み特徴ベクトルの第２要素とする。この処理を特徴ベクトルの全ての要素について計算して、求めた全てのばらつきを要素とした特徴ベクトルである統合済み特徴ベクトルを求める。このように統合部３０は一つの学習データから切り出された複数の区間の特徴ベクトルのそれぞれを統合して一つの統合済み特徴ベクトルを求める。

識別器学習部３２は、複数の学習データの各々について生成された統合済み特徴ベクトルに基づいて、学習データの時系列データの異常度合いを判定するための識別器を学習する。

具体的には、識別器として、Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ（ＬＯＦ）又はｋ－Ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒｓ（ｋ－ＮＮ）を用いる。

ここで、Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ（ＬＯＦ）は密度ベースの異常検知手法である。これは外れ値の局所密度近傍点における密度は正常値の局所密度に比べて小さくなることを利用する。あるデータの局所密度が、学習データ中の近傍データの局所密度と比べて有意に小さい場合に異常であると判定し、そのような場合に高い異常度合いを出力するように設定する。

ｋ－Ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒｓ（ｋ－ＮＮ）は近傍との距離に基づく異常検知手法である。ｋ－ＮＮでは、ｋ個の近傍への距離が大きいほど正常から離れることになる。例えば、近傍５個のコサイン距離の平均を異常度合いとする。

識別器記憶部３４には、学習された識別器が記憶される。

［異常判定装置の構成］
異常判定装置は、ＣＰＵと、ＧＰＵと、ＲＡＭと、後述する異常判定処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。図２に異常判定装置１５０のブロック図を示す。異常判定装置１５０は、機能的には、図２に示すように、入力部６０、演算部７０、及び出力部８０を備えている。

入力部６０は、判定対象となる時系列データを受け付ける。例えば、判定対象となる時系列データは、スペクトログラムに変換前の機械の動作音を表す音データである。

演算部７０は、音響処理部７２、特徴量抽出器記憶部７３、特徴量抽出部７４、統合部７６、識別器記憶部７７、及び判定部７８を備えている。

音響処理部７２は、時系列データである機械の動作音を表す音データから各フレームについてＳＴＦＴを用いてスペクトログラムを取得する。

特徴量抽出器記憶部７３には、特徴量抽出器記憶部２６と同様に、特徴量抽出器学習部２４によって学習されたニューラルネットワークである学習済みモデルが記憶されている。

特徴量抽出部７４は、特徴量抽出部２８と同様に、学習済みモデルを用いて、時系列データに対して、イベント期間に応じた区間ごとに、当該区間について取得した各フレームのスペクトログラムから特徴ベクトルを抽出する。

統合部７６は、統合部３０と同様に、時系列データの区間ごとに抽出された特徴ベクトルに基づいて、特徴ベクトルの要素単位でばらつきを計算し、統合済み特徴ベクトルを生成する。

識別器記憶部７７には、識別器記憶部３４と同様に、識別器学習部３２によって学習された識別器が記憶されている。

判定部７８は、識別器記憶部７７に記憶されている識別器を用いて、統合済み特徴量から、異常度合いを判定する。例えば、ｋ－ＮＮにおいては、近傍ｋ個のコサイン距離の平均を異常度合いとする。

出力部８０は、異常度合いの判定結果をディスプレイに表示する。例えば、閾値以上の異常度合いのデータを表示する。または、異常度合いの高いデータを順番に表示する。

［異常判定学習装置１００の動作］
次に、異常判定学習装置１００の動作について説明する。

図３は、異常判定学習装置１００による異常判定学習処理の流れを示すフローチャートである。ＣＰＵがＲＯＭ又はストレージから異常判定学習プログラムを読み出して、ＲＡＭに展開して実行することにより、異常判定学習処理が行なわれる。また、異常判定学習装置１００に、正常な時系列データが学習データとして複数入力される。ここで学習データの時系列データは、例えば、機械の動作音を表す音データから各フレームについてＳＴＦＴを用いて得られたスペクトログラムである。この学習データの時系列データには、メタ情報として、ラベルが含まれている。学習データ記憶部２２に、入力された複数の学習データが記憶される。

ステップＳ１００で、特徴量抽出器学習部２４は、複数の学習データの時系列データ及びラベルに基づいて、時系列データに対して、切り出した区間ごとにラベルを識別するためのニューラルネットワークモデルを学習する。特徴量抽出器記憶部２６に、特徴量抽出器学習部２４によって学習されたニューラルネットワークモデルが学習済みモデルとして記憶される。

ステップＳ１０２で、特徴量抽出部２８は、複数の学習データの各々について、学習済みモデルを用いて、当該時系列データに対して、区間ごとに、特徴ベクトルを抽出する。

ステップＳ１０４で、統合部３０は、複数の学習データの各々について、当該学習データの時系列データの区間ごとに抽出された特徴ベクトルに基づいて、各特徴ベクトルの対応する要素単位でばらつきを計算し、統合済み特徴ベクトルを生成する。

ステップＳ１０６で、識別器学習部３２は、複数の学習データの各々について生成された統合済み特徴ベクトルに基づいて、異常度合いを判定するための識別器を学習する。識別器記憶部３４に、学習された識別器が記憶される。

［異常判定装置１５０の動作］
次に、異常判定装置１５０の動作について説明する。

図４は、異常判定装置１５０による異常判定処理の流れを示すフローチャートである。ＣＰＵがＲＯＭ又はストレージから異常判定プログラムを読み出して、ＲＡＭに展開して実行することにより、異常判定処理が行なわれる。また、異常判定装置１５０に、判定対象となる時系列データが入力される。判定対象となる時系列データは、例えば、スペクトログラムに変換前の機械の動作音を表す音データである。

また、特徴量抽出器記憶部７３には、特徴量抽出器記憶部２６と同様に、ニューラルネットワークである学習済みモデルが記憶され、識別器記憶部７７には、識別器記憶部３４と同様に、学習された識別器が記憶されているものとする。

ステップＳ１１０で、音響処理部７２は、時系列データである機械の動作音を表す音データから各フレームについてＳＴＦＴを用いてスペクトログラムを取得する。

ステップＳ１１２で、特徴量抽出部７４は、学習済みモデルを用いて、時系列データに対して、区間ごとに、当該区間について取得した各フレームのスペクトログラムから特徴ベクトルを抽出する。

ステップＳ１１４で、統合部７６は、時系列データの区間ごとに抽出された特徴ベクトルに基づいて、各特徴ベクトルの対応する要素単位でばらつきを計算し、統合済み特徴ベクトルを生成する。

ステップＳ１１６で、判定部７８は、識別器記憶部７７に記憶されている識別器を用いて、統合済み特徴量から、異常度合いを判定する。

ステップＳ１１８で、出力部８０は、異常度合いの判定結果をディスプレイに表示するなどする。

＜実施例＞
上記の実施の形態で説明した異常判定装置１５０の有効性を説明するために行った実験結果について説明する。

まず、判定対象となる時系列データは、機械（電磁弁）の動作音からサンプリングされた１０秒間の音データ（１６ｋＨｚ、モノラル）である。また、学習データとなる時系列データの各々には、電磁弁個体を識別する「Ｎｏ．０」、「Ｎｏ．１」、「Ｎｏ．２」の３つの正解ラベルの何れかが与えられている。

特徴量抽出器は、この３つのラベルの何れかに識別するためのニューラルネットワークを学習したものであり、識別器は、学習済みモデルの中間層から得られる特徴ベクトルを用いて学習したものである。

音響処理では、音データから、ＦＦＴ点数を２０４８点（窓幅：１２８ｍｓｅｃ）とし、シフト点数を５１２点（シフト幅：３２ｍｓｅｃ）としてスペクトログラムを取得した。

特徴抽出器で用いるニューラルネットワークとして、ＭｏｂｉｌｅＦａｃｅＮｅｔを採用した。周波数１０２４次元×３２フレーム（約１秒）を入力単位とし、入力単位は１６フレームシフトで切り出す（約０．５秒シフト）こととした。また、中間層から得られる特徴ベクトルは、１２８次元のベクトルである。

識別器として、ＬＯＦ、ｋ－ＮＮ、混合正規分布（ＧＭＭ）、Ｏｎｅ Ｃｌａｓｓ ＳＶＭ（ＯＣＳＶＭ）を用いた。ＬＯＦでは、近傍数を４とし、ｋ－ＮＮではｋを１とした。ばらつきとして標準偏差を計算し、統合済み特徴ベクトルを生成した。また、比較例として、平均値を用いて統合済み特徴ベクトルを生成した。

各識別器を用いた場合において、標準偏差を用いた統合済み特徴ベクトルと、平均を用いた統合済み特徴ベクトルでの性能比較を表１に示す。性能評価は、「Ｎｏ．０」、「Ｎｏ．１」、「Ｎｏ．２」の３つの機器に対して、ＡＵＣの調和平均を用いて行った。

表１では、「Ｎｏ．０」は、正解ラベルが「０」の時系列データ２００個（異常データ１００個、正常データ１００個）に対する性能評価を示している。「Ｎｏ．１」、「Ｎｏ．２」についても同様であり、「平均」とは、「Ｎｏ．０」、「Ｎｏ．１」、「Ｎｏ．２」に対する性能評価の平均を示している。

表１の性能比較により、標準偏差を用いた統合済み特徴ベクトルの方が、平均を用いた統合済み特徴ベクトルより性能が向上することが分かった。通常の統合処理では平均を用いるが、異常な時系列データが低頻度でしか現れない場合は、平均をとると異常が考慮できなくなる。散発的にイベントが発生する正常な時系列データでのイベントのばらつき具合は類似したものになると仮定して、ばらつきを用いて、特徴量を統合することにより、低頻度でしか現れない異常を考慮できるため、より精度よく異常検知が可能となる。

次に、特徴ベクトルの抽出単位となる区間の長さを様々な長さにして実験を行った結果について以下に説明する。識別器として、ｋ－ＮＮを用いた。ばらつきとして標準偏差を計算し、統合済み特徴ベクトルを生成した。

区間を約１秒（３２フレーム）とした場合の性能評価は、９６．７１％であり、区間を約２秒（６４フレーム）とした場合の性能評価は、９５．７９％であり、区間を約４秒（１２８フレーム）とした場合の性能評価は、８０．２４％であり、区間を約８秒（２５６フレーム）とした場合の性能評価は、７４．９２％であった。

以上より、区間の長さを長くなると異常判定の精度が悪くなることが分かった。これは、区間の長さが長くなると、区間の中に２つ以上のイベントが含まれるためである。すなわち、区間の長さは、少なくとも１つのイベント期間以上である必要があり、また、２つ以上のイベントが含まれないような長さであることが望ましい。

以上説明したように、本発明の実施の形態に係る異常判定装置によれば、時系列データに対して、イベント期間に応じた区間ごとに、特徴ベクトルを抽出し、区間ごとの特徴ベクトルの対応する要素単位でばらつきを計算して、当該ばらつきを要素とした統合済み特徴ベクトルを生成し、時系列データの異常度合いを判定する。これにより、精度よく時系列データの異常を判定することができる。

特に、本発明の実施の形態に係る異常判定装置によれば、一つの時系列データに対する区間分割された特徴量に対して統計量として標準偏差をとることにより、平均では見逃してしまうような低頻度で発生するスパイクを見逃さないような代表値として求めることができる。したがって、散発的にイベントが発生するような時系列データに対して、より精度よく異常を検知できる。

また、本発明の実施の形態に係る異常判定装置によれば、特徴量抽出器において異なる環境を分離する機構を事前に学習することにより、異なる環境の時系列データが入力されたとしても、得られる統合特徴量が特徴量レベルで異なるものになることから、環境の違いに頑健な特徴量が後段の異常判定に利用されることになる。したがって、時系列データの取得環境が多様な場合であっても、それぞれの取得環境において精度よく異常を検知できる。

また、統合済みベクトルを用いて異常判定することにより、異常判定の結果を統合する場合と比較して、高速処理が可能となる。

＜変形例＞
なお、本発明は、上述した実施形態の装置構成及び作用に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

（変形例１）
時系列データが、機械の動作音を表す音データである場合を例に説明したが、これに限定されるものではない。時系列データが、他の音データであってもよいし、散発的にイベントが発生する時系列データであれば、音データ以外の時系列データであってもよい。

例えば、コンピュータでとれる各種ログのデータを時系列データとしてもよい。この場合、ファイルアクセス、ウェブアクセス、メール履歴、ログイン履歴等を時系列データとしてもよい。イベントとして、特定の業務で発生するファイルアクセス等を用い、ラベルとして、役職情報、ユーザＩＤ等を用いることができる。この例では、サイバーセキュリティに関する異常を判定することができる。

また、センシングデータを時系列データとしてもよい。この場合、電力使用量、歩数、心拍数、睡眠等を時系列データとしてもよい。イベントとして、人間の特定の行動である寝ている時間、寝付く時間等を用い、ラベルとして、ユーザＩＤ、年齢、性別等を用いることができる。この例では、人の見守りに関する異常を判定することができる。

（変形例２）
ラベルとして、時系列データのメタ情報から決定されるものを用いる場合を例に説明したが、これに限定されるものではない。時系列データ自体から決定されるものをラベルとして用いてもよい。例えば、時系列データに対してｋ－ｍｅａｎｓなどのクラスタリングアルゴリズムを用いて得られたクラスタをラベルとして利用する。

（変形例３）
ＣＮＮを用いて特徴ベクトルを抽出する場合を例に説明したが、これに限定されるものではない。メルスペクトログラム、ＡｕｔｏＥｎｃｏｄｅｒなど、入力データの情報を集約できるものであれば、他の方法により、特徴ベクトルを抽出してもよい。

（変形例４）
区間の長さが予め定められている場合を例に説明したが、これに限定されるものではない。異常判定学習装置及び異常判定装置において、時系列データのイベント期間を推定するイベント期間推定部を更に含み、特徴量抽出部は、イベント期間推定部によって推定されたイベント期間に応じた区間ごとに、特徴量を抽出するようにしてもよい。例えば、時系列データである音データの波形を解析して、所定の閾値以上の変化を示すスパイクの立ち上りが検知された時刻及び元に戻るまでの時刻を求め、両時刻の時間差からイベント期間を推定する。

（変形例５）
特徴量として、特徴ベクトルを用いる場合を例に説明したが、これに限定されるものではない。スカラーや、行列、テンソルなどを特徴量として用いてもよい。

（変形例６）
異常判定学習装置には、学習データとして音データのスペクトログラムが入力される場合を例に説明したが、これに限定されるものではない。異常判定学習装置には、学習データとして音データが入力されてもよい。この場合には、異常判定装置と同様に、音響処理部が音データをスペクトログラムに変換するようにしてもよい。

以上のように、当業者は本発明の範囲内で、実施される形態に合わせて様々な変更を行うことができる。

１０ 入力部
２０ 演算部
２２ 学習データ記憶部
２４ 特徴量抽出器学習部
２６ 特徴量抽出器記憶部
２８ 特徴量抽出部
３０ 統合部
３２ 識別器学習部
３４ 識別器記憶部
６０ 入力部
７０ 演算部
７２ 音響処理部
７３ 特徴量抽出器記憶部
７４ 特徴量抽出部
７６ 統合部
７７ 識別器記憶部
７８ 判定部
８０ 出力部
１００ 異常判定学習装置
１５０ 異常判定装置

Claims (8)

1. 散発的にイベントが発生する時系列データに対して、イベント期間に応じた区間ごとに、特徴量を抽出する特徴量抽出部と、
   区間ごとの特徴量を構成する各要素について、複数の区間の対応する要素単位でばらつきを計算し、当該要素単位のばらつきを各要素として構成した特徴量である統合済み特徴量を生成する統合部と、
   前記統合済み特徴量に基づいて前記時系列データの異常度合いを判定する判定部と、
   を含む異常判定装置。
2. 前記特徴量抽出部は、ラベルを識別するためのニューラルネットワークモデルである学習済みモデルを用いて、前記特徴量を抽出する請求項１記載の異常判定装置。
3. 前記時系列データの前記イベント期間を推定するイベント期間推定部を更に含み、
   前記特徴量抽出部は、前記イベント期間推定部によって推定されたイベント期間以上とした区間ごとに、前記特徴量を抽出する請求項１又は２記載の異常判定装置。
4. 前記判定部は、正常な時系列データから学習された識別器を用いて、前記統合済み特徴量から、前記異常度合いを判定する請求項１～請求項３の何れか１項記載の異常判定装置。
5. 前記時系列データは、機械の動作音を表す音データである請求項１～請求項４の何れか１項記載の異常判定装置。
6. 前記区間の長さは、前記イベント間の間隔に基づいて決定される請求項１～請求項５の何れか１項記載の異常判定装置。
7. 特徴量抽出部が、散発的にイベントが発生する時系列データに対して、イベント期間に応じた区間ごとに特徴量を抽出し、
   統合部が、区間ごとの特徴量を構成する各要素について、複数の区間の対応する要素単位でばらつきを計算し、当該要素単位のばらつきを各要素として構成した特徴量である統合済み特徴量を生成し、
   判定部が、前記統合済み特徴量に基づいて、前記時系列データの異常度合いを判定する
   異常判定方法。
8. 散発的にイベントが発生する時系列データに対して、イベント期間に応じた区間ごとに特徴量を抽出し、
   区間ごとの特徴量を構成する各要素について、複数の区間の対応する要素単位でばらつきを計算し、当該要素単位のばらつきを各要素として構成した特徴量である統合済み特徴量を生成し、
   前記統合済み特徴量に基づいて、前記時系列データの異常度合いを判定する
   ことをコンピュータに実行させるための異常判定プログラム。