具体实施方式
以下，结合附图详细地说明异常检测系统、异常检测方法及异常检测程序的优选实施方式。此外，在附图的说明中，对相同要素附加相同标号，并省略重复的说明。
图1是本发明实施方式的异常检测系统1的功能方框图。如图1所示，异常检测系统1包括存储部10(存储单元)、取得部11(取得单元)、测定部12(测定单元)、判定部13(判定单元)及学习部14(学习单元)。
存储部10存储潜在变量模型与联合概率模型。存储部10例如是数据库。取得部11取得传感器输出的传感器数据。测定部12基于存储部10所存储的潜在变量模型与联合概率模型，测定由取得部11取得的传感器数据的似然度。判定部13基于测定部12所测定出的传感器数据的似然度，判定该传感器数据是正常还是异常。学习部14基于传感器输出的传感器数据来学习潜在变量模型与联合概率模型。
测定部12也可基于存储部10所存储的潜在变量模型，将取得部11所取得的传感器数据转换为比该传感器数据的维度更低的维度，并基于存储部10所存储的联合概率模型转换为原来的维度，由此测定似然度。另外，测定部12也可利用变分自编码器来测定似然度。学习部14也可仅基于传感器输出的正常时的传感器数据来学习潜在变量模型与联合概率模型。
异常检测系统1包括CPU等硬件。图2是表示异常检测系统1的硬件结构的一个例子的图。如图2所示，图1所示的异常检测系统1在物理上构成为计算机系统，该计算机系统包含CPU100、主存储装置即RAM101及ROM102、显示器等输入输出装置103、通信模块104及辅助存储装置105等。
通过将规定的计算机软件读入至图2所示的CPU100、RAM101等硬件上，在CPU100的控制下使输入输出装置103、通信模块104及辅助存储装置105工作，并且进行RAM101中的数据的读取及写入，由此，实现图1所示的异常检测系统1的各功能块的功能。
[异常检测系统1所包含的工序]
异常检测系统1包含三个工序(图3)。
工序1；同时学习潜在变量模型与联合概率模型的工序(由学习部14实现)。
工序2；利用上述学习得到的潜在变量模型与联合概率模型来测定测试用数据似然度p(x)的工序(由取得部11及测定部12实现)。
工序3；使用与上述似然度p(x)相关的信息来判定是正常还是异常的工序(由判定部13实现)。
[1.关于工序1]
工序1是同时学习潜在变量模型与联合概率模型的工序。
在上述工序1中，从观测变量x向潜在变量z学习条件概率p(z|x)，以及从潜在变量向观测变量学习条件概率p(x|z)。
当学习上述条件概率p(z|x)及条件概率p(x|z)时，也可利用神经网络。通过利用神经网络，能够不管观测到的数据数量如何都针对参数数量线性地进行学习。
潜在变量模型是使用例如神经网络对上述条件概率p(z|x)建模而成的模型。潜在变量模型由存储部10存储。
联合概率由p(x，z)或由p(z)·p(x|z)表示。而且，联合概率模型是使用例如神经网络独立地对联合概率建模而成的模型。联合概率模型由存储部10存储。
神经网络的结构并无特别限定。例如，也可包含全连接层、非线性函数(sigmoid、relu)、批量正则化层、丢弃层。
输入数据(传感器输出的传感器数据)由取得部11从传感器等取得。输入数据并无特别限定。输入数据例如为多维数组、张量等。由取得部取得的输入数据不限于来自传感器的传感器数据，只要是作为异常检测的对象的数据，则各种数据均可成为对象。
当输入数据x为n维向量时，各值例如为连续值、离散值等。另外，当有多个输入数据时，能够扩展为多维数组或张量。
作为传感器的具体例子，可列举搭载于机器人的相机、三维加速度传感器、致动器、温度传感器、湿度传感器等。作为传感器数据的具体例子，可列举来自相机的图像数据、来自三维加速度传感器的位置、速度、加速度信息、施加给致动器的电流、电压量、或按适当的时窗宽度将这些数据隔开而成的数据、或者对各个数据逐一进行频率分解所得的数据等。
在工序1至工序3中，可利用SVM或LOF来判定是正常还是异常，也可利用变分自编码器(Variational AutoEncoder；以下称为VAE)来判定是正常还是异常。特别是更优选利用VAE(图5～图7)。
此时，当在工序1中利用VAE来学习潜在变量模型即从观测变量x向潜在变量z的条件概率p(z|x)时，将其学习器称为编码器。另一方面，当学习从潜在变量z向观测变量x的条件概率p(x|z)时，将其学习器称为解码器。
编码器的输入是传感器数据，且是通过对设备进行测试而获得的数据(适当的时间间隔中的采样被给予了一定时间)。此外，连续或周期性地进行多次测试。解码器的输出由传感器数据的各维度的异常度、似然度表示。
VAE能够比SVM或LOF更容易地得出概率值。因此，当异常检测系统1利用VAE时，与利用SVM或LOF时相比，即使在具有不同物理量的传感器的情况下，也会更容易地比较异常分数。
另外，VAE能够比SVM或LOF更容易地对数据表征进行非线性转换。因此，当异常检测系统1利用VAE时，与利用SVM或LOF时相比，能够制作更复杂的数据表征的分布。
另外，与SVM或LOF相比，VAE能够得出与输入数据的各维度相关的异常分数。因此，当异常检测系统1利用VAE时，与利用SVM或LOF时相比，更容易确定成为异常事项的原因的输入数据源。
另外，VAE能够比SVM或LOF更快速地学习相似度。因此，当异常检测系统1利用VAE时，与利用SVM或LOF时相比，无需手动地设计数据间的相似度。
例如，当利用VAE时，如下所述。
p(z)～N(0，I)
p(x|z)～N(μ(z)，σ(z))
N(μ，σ)是包含均值μ、方差σ的正态分布。
μ(z)，σ(z)是来自神经网络的输出。
异常检测系统1在学习编码器及解码器中的条件概率p(z|x)及p(x|z)时，使损失函数最小化。此处所谓的损失函数例如能够利用负的对数似然度-logp(x)等。
-logp(x)＝-logΠp(x_i)＝-Σlog∫p(x_i|z)p(z)dz
当利用z进行积分时，通过下述的数学式算出变分下限。变分下限根据下限值来评价正的对数似然度logp(x)＝logΠp(x_i)。
-logΠp(x_i)＝-Σ_ilog∫p(x_i|z；θ)p(z)dz
＜＝-Σ_iq(z|x；ξ)∫logp(x_i|z；θ)p(z)/q(z|x_i；ξ)dz
＝Σ_iE_{q(z|x_i；ξ)}[p(x_i|z；θ)]－KL(p(z)||q(z|x_i；ξ))
此处，E_{q(z|x_i；ξ)}[·]是关于q(z|x_i；ξ)的期望值。KL(p||q)是分布p、q的KL距离。
为了使上述变分下限最大化而优化θ、ξ。此时，能够通过误差反向传播法来加快学习速度。例如，能够使用Reparameterization Trick(再参数化技巧)。
[2.关于工序2]
工序2是利用上述学习得到的潜在变量模型与联合概率模型来测定测试用数据似然度p(x)的工序。
[3.关于工序3]
工序3是使用与上述似然度p(x)相关的信息来判定是正常还是异常的工序。
在上述工序3中，使用上述测试用数据似然度p(x)是否小于阈值、上述测试用数据似然度p(x)的n次微分是否小于阈值、或这些情况的组合的信息来判定是正常还是异常。
例如，当判定某传感器数据所示的值是正常还是异常时，在按x→z→x'进行了转换的情况下，能够通过测量x'与x之差来判定是正常还是异常。
传感器的对象、个数并无特别限定。例如，也可是针对每个时间、每个频率的强度。另外，传感器也可是针对不同设备的传感器。
[实施例1]
如上所述，当在重复动作中，干扰概率分布在正常时与异常时发生变化时，异常检测系统1利用正常时数据来学习概率模型P，对基于P的观测数据x、似然度p(x)变化进行异常预测。
以下，表示执行五个步骤的系统作为本发明的实施方式的一个例子。以下，对异常检测系统1的步骤1至步骤5进行说明(图4)。
[关于步骤1]
在步骤1(由取得部11实现)中，对输入数据进行预处理。例如也可进行频谱转换。
[关于步骤2]
在步骤2(由学习部14实现)中，输入处于正常状态下的数据集作为训练数据，并以复原输入数据的方式学习概率模型P。例如，能够将排列有频谱的向量作为输入x。
当维度数为数千维度时，难以估计高维度向量的概率模型。因此，异常检测系统1利用深度学习来估计概率模型。例如，成为以下的潜在变量模型。此外，下述的数学式的“：＝”表示“进行定义”含义。
p(x；θ)：＝∫p(x，z；θ)dz p(x，z；θ)：＝p(x|z；θ)p(z)
根据N(0，I)生成z，接着，根据N(μ(z；θ)，σ(z；θ))生成z至x。其中，利用由μ(z；θ)，σ(z；θ)参数θ赋予了特征的神经网络。接着，以使训练数据X的对数似然度Σlogp(x；θ)最大的方式优化θ。
因为要计算对数似然度之和，所以难以优化上述θ。
p(x；θ)：＝∫p(x|z；θ)p(z)dz
因此，异常检测系统1利用以下的变分下限。
logp(x；θ)：＝log∫p(x，z；θ)dz
＝log∫p(x，z；θ)q(z|x；φ)/q(z|x；φ)dz
＞＝∫q(z|x；φ)logp(x，z；θ)/q(z|x；φ)dz
＝Eq(z|x；φ)[logp(x，z；θ)/q(z|x；φ)]
＝L(θ，φ)
此处所谓的φ是指赋予生成联合概率模型的神经网络以特征的参数。另外，q(z，x)是指由该神经网络定义的概率分布。另外，q(z|x)是指利用根据该概率分布q(z，x)计算出的z附加了条件的x的条件概率。
此时，利用变分自编码器(Variational AutoEncoder；以下称为VAE)来使L(θ，φ)最大化，由此，同时优化θ及φ。
L(θ，φ)＝Eq(z|x；φ)[logp(x，z；θ)/q(z|x；φ)]
具体来说，通过利用随机梯度下降法来求出关于L(θ，φ)最大化参数θ及φ的梯度dL/dθ及dL/dφ，并同时优化θ及φ。
在利用蒙特卡洛法来估计梯度dL/dφ的情况下，方差会变大。因此，通过利用变量转换技巧(也称为reparameterization trick)，能够更快地估计梯度dL/dφ。
将神经网络用于编码器中的q(z|x；φ)及解码器中的p(x|z；θ)的学习。
[关于步骤3]
在步骤3(由测定部12实现)中，准备学得的编码器及解码器，将进行异常检测的判定数据作为输入，计算基于P的似然度p(x)。似然度p(x)是相对于判定数据输入而和与学得编码器及解码器的输出结果之间的各维度的异常度相关的似然度。
[关于步骤4]
在步骤4(由测定部12或判定部13实现)中，将似然度p(x)转换为分数S(x)并进行平滑。例如转换处理有对数等。
在分数S(x)值不平整的情况下，也可将进行平滑后的值作为输出。例如，能够利用局部加权回归散点平滑法(Locally Weighted Scatterplot Smoothing)。
但是，当变化的上升会因上述平滑方法而变慢时，能够采用变化的上升更快的平滑方法。
[关于步骤5]
在步骤5(由判定部13实现)中，当S(x)超过阈值时，判定为异常。
[作用]
异常检测系统1同时学习潜在变量模型与联合概率模型。因此，异常检测系统1无需特征设计。此外，也可在建立上述潜在变量模型与联合概率模型时利用神经网络。
异常检测系统1的特征在于：同时学习上述潜在变量模型与联合概率模型的工序中的输入数据为多维数组或张量。因此，异常检测系统1无需对于数据或应用程序的原有知识。
异常检测系统1包含n个传感器，并学习n个联合概率模型。因此，根据异常检测系统1，即使在传感器的数量增加的情况下，也能够通过学习联合概率模型来加以应对。具体来说，能够考虑n个传感器间的相关性来检测异常。
异常检测系统1在学习条件概率p(z|x)及条件概率p(x|z)时，利用神经网络。因此，根据异常检测系统1，能够不论观测到的传感器数据的数量为多少都针对参数数量线性地进行学习。
另外，根据异常检测系统1，能够综合地处理例如多个机械中设置的多个传感器所发送的传感器数据、例如包含图像数据的高维度的传感器数据、或包含这些数据的组合的传感器数据。由此，能够以更高的效率且以更高的处理速度进行异常检测。
异常检测系统1在学习潜在变量模型时，利用SVM、LOF或VAE。因此，异常检测系统1能够非线性地对输入数据表征进行转换。特别是在利用VAE时，能够不限于输入数据的参数数量地进行非线性转换。
异常检测系统1在利用VAE时，能够根据传感器数据学习相似度。因此，异常检测系统1无需手动地设计传感器数据间的相似度的设计。
异常检测系统1在利用VAE时，能够通过降低传感器数据的维度来获得作为传感器数据的基础的特征。因此，异常检测系统1能够进行更大范围的数据表征的转换。
异常检测系统1在利用VAE时，能够不限于数据的参数数量地按线性计算时间来对数据表征进行转换。由此，异常检测系统1能够高效地对数据表征进行转换。
也可由处于多个不同地点的设备使用通信单元进行通信，由此构成异常检测系统1。能够通过通信单元将传感器数据发送给其他运算装置，由该运算装置进行学习及异常检测的判定。
例如，能够进行输出处理，该输出处理进行与对异常检测系统1的判定结果进行分析而判断出的措施对应的通知或规定的控制。
另外，异常检测系统1的各工序的地点并无限定。例如，能够在不同地点设置传感器与实施学习工序。另外，异常检测或异常判定的地点并无限定。能够在相同地点进行，也能够在不同地点进行。
[实施例2]
在上述实施例1中，主要说明了异常检测系统1将VAE用作机器学习模型的情况，但在该实施例2中，说明将AAE(Adversarial AutoEncoder：对抗性自编码器)用作机器学习模型的情况。
图8是表示利用了AAE的本发明实施例2的异常检测系统的概念图。当在异常检测系统中利用AAE的情况下，如该图8所示，特征在于除了进行编码器(Encoder)及解码器(Decoder)的学习之外，还进行识别器(Discriminator)的学习。
对AAE的学习处理的流程进行说明。在进行编码器(Encoder)及解码器(Decoder)的学习的复原阶段(Reconstruction phase)、与进行识别器(Discriminator)的学习的正则化阶段(Regularization phase)这两个阶段中，进行AAE的学习。在复原阶段的学习中，首先，将正常数据即训练数据x输入至编码器而推测输入数据的表征z(潜在变量z)，将该输入数据的表征z输入至解码器而生成复原数据x～。由潜在变量模型推测输入数据的表征z，由联合概率模型根据表征z生成复原数据x～。其次，对训练数据x与复原数据x～进行比较而计算重构误差(Reconstruction error)。接着，参照重构误差，以减少复原损失(Reconstruction loss)的方式，例如通过随机梯度下降法对编码器及解码器的参数进行更新。
在正则化阶段的学习中，进行识别器的学习，但此时，推测输入至识别器的输入数据的表征z0的编码器也一起进行学习。首先，将正常数据即训练数据x输入至编码器，基于潜在变量模型推测输入数据的表征z0，另一方面，从样本生成器(Sampler)进行采样而生成假的表征z1。为了进行适宜的学习，最好是分别准备多个z0及多个z1。基于z0与z1，制作输入至识别器的训练数据(z0，0)、(z1，1)。此处，0或1分别是表示训练数据是基于正常数据的表征z0还是假的表征z1的正确标签。在识别器中，使用训练数据(z0，0)、(z1，1)进行学习，以对基于正常数据的表征z0与假的表征z1进行识别。具体来说，识别器为了从样本生成器(Sampler)采样的假的训练数据(z1，1)区分出基于正常数据的训练数据(z0，0)，首先，对识别器的参数进行更新。其次，识别器以打乱识别器中的用于识别的网络的方式，对编码器的参数进行更新。经过学习后的识别器对输入为真的数据的概率(输入为先验分布的样本的概率)进行输出。这样，识别器在区分正常数据与假数据的处理中获得正则化误差(Regularization error)，使用该正则化误差，不仅对识别器的参数进行更新，而且也对编码器的参数进行更新并进行学习，由此，提高编码器的推测精度，并且提高识别器的识别精度。
对使用了AAE的异常检测处理的流程进行说明。准备充分进行了学习的学得模型。将异常检测对象的数据输入至学得模型的编码器，推测异常检测对象的数据的表征，并在解码器中根据表征生成复原数据。对所获得的复原数据与输入的异常检测对象的数据进行比较，根据两者的偏差来检测异常。另外，通过将异常检测对象的数据的表征输入至识别器，还能够识别是基于正常数据的表征还是假的表征。
如上所述，根据使用了AAE的异常检测系统，预先基于正常的数据来学习潜在变量模型及联合概率模型，同时，识别器也进行学习，不仅识别器，而且编码器及解码器也一起使用识别器的输出进行学习，因此，能够高精度地检测异常。另外，对于AAE，只要能够采样，则能够利用复杂的分布，因此，解码器的表现力提高，可期待生成精度提高。
[实施例3]
在该实施例3中，说明将LVAE(Ladder Variational AutoEncoder：梯式变分自编码器)用作机器学习模型的情况。
图9是表示利用了LVAE的本发明实施例3的异常检测系统的概念图。当在异常检测系统中利用LVAE的情况下，如该图9所示，特征在于虽进行编码器(Encoder)与解码器(Decoder)的学习，但在由该解码器根据表征z生成复原数据的过程中，利用编码器的参数。
对LVAE的学习处理的流程进行说明。LVAE的学习与实施例1、实施例2的相同点在于：将正常数据即训练数据x输入至编码器而推测输入数据的表征z(潜在变量z)，将该输入数据的表征z输入至解码器而生成复原数据x～。详细来说，如图9所示，由潜在变量模型根据输入数据x，经由各分层，按照d1→d2→d3的顺序获得每个分层的结果，并最终生成表征z3，由联合概率模型根据表征z3，经由各分层，按照z3→z2→z1的顺序获得每个分层的结果，并最终生成复原数据x～。分层数是一个例子，并不限定于此。
当在解码器中按照z3→z2→z1的顺序生成复原数据x～时，利用根据编码器中的d3获得的均值μ～3与方差σ～3对z3进行采样。此外，在对z3进行采样时，通过添加噪音ε3，即使有随机函数性部分，也能够进行误差反向传播。同样地，利用根据编码器中的d2获得的均值μ～2与方差σ～2，求出用于对z2进行采样的均值μ2及方差σ2。同样地，利用根据编码器中的d1获得的均值μ～1与方差σ～1，求出用于对z1进行采样的均值μ1及方差σ1。这样，在解码器的各层中，利用编码器的对应的层中的参数来进行解码器的处理。将以上述方式在解码器中生成的复原数据x～与训练数据x作比较，计算其差分，并以消除差分的方式对编码器及解码器的各层的参数进行更新。然后，也以使训练数据x与复原数据x～一致的方式反复学习。
对使用了LVAE的异常检测处理的流程进行说明。准备充分进行了学习的学得模型。将异常检测对象的数据输入至学得模型的编码器，推测异常检测对象的数据的表征，并在解码器中根据表征生成复原数据。对所获得的复原数据与输入的异常检测对象的数据进行比较，根据两者的偏差来检测异常。
如上所述，根据使用了LVAE的异常检测系统，因为采用了如下结构，即，在解码器的各层中，利用编码器的对应的层中的参数来进行解码器的处理，所以通过编码器，依据数据对由解码器建模的概率分布进行修正，由此，即使是进行多个采样的复杂的模型，也能够恰当地进行学习。
[实施例4]
在该实施例4中，说明将ADGM(Auxiliary Deep Generative Model：辅助深度生成模型)用作机器学习模型的情况。
图10是表示利用了ADGM的本发明实施例4的异常检测系统的概念图。在该图10中，实线箭头表示采样处理，虚线箭头表示数据的复制，单点划线箭头表示损失L的计算。当在异常检测系统中利用ADGM的情况下，如该图10所示，虽进行编码器(Encoder)与解码器(Decoder)的学习，但该ADGM是对实施例1的VAE的概念添加辅助变量a而扩展后的模型。在ADGM中，当被提供了输入数据x、潜在变量z、辅助变量a时，在图10的箭头的计算流程由适当的神经网络表现的情况下，能够计算出全部的概率分布q(z|a，x)、q(a|x)、p(a|x，z)、p(x|z)。此外，p(z)是已给定的概率分布(例如标准正态分布)。
对ADGM的学习处理的流程进行说明。ADGM的学习与实施例1至实施例3的相同点在于：将正常数据即训练数据x输入至编码器而推测输入数据的表征z(潜在变量z)，将该输入数据的表征z输入至解码器而生成复原数据x～。在该实施例4中，还进行如下处理，即，使用训练数据x与表征z来推测辅助变量a，还根据表征z与复原数据x～来推测辅助变量a。而且，利用以下的式子求出损失(误差函数)L的值。
L＝log[p(x～|z)]+log[p(a|x～，z)/q(a|x)]+log[p(z)/q(z|a，x)]
以使该损失L的值变得足够小的方式反复学习。此外，损失L的计算中的对数似然度p(x)的计算难以直接进行，因此，通过使变分下限最大化来求出该对数似然度p(x)。
对使用了ADGM的异常检测处理的流程进行说明。准备充分进行了学习的学得模型。将异常检测对象的数据输入至学得模型的编码器，推测异常检测对象的数据的表征，并在解码器中根据表征生成复原数据。对所获得的复原数据与输入的异常检测对象的数据进行比较，根据两者的偏差来检测异常。
如上所述，根据使用了ADGM的异常检测系统，在编码器及解码器的处理中导入辅助变量a，也同时进行推测辅助变量a的处理，因此，解码器能够对复杂的概率分布建模，可期待生成精度提高。
[关于异常检测的方法]
在上述实施例1中，作为异常检测的方法，说明了基于似然度来判定传感器数据是正常还是异常，该判定方法也能够用于实施例2至实施例4。另外，在实施例1至实施例4的任意实施例中，也可计算输入数据x与复原数据x～之间的偏差而不计算似然度，根据偏差量来检测是异常还是正常。具体来说，也可按输入数据x与复原数据x～的各维度，进行例如(xi－xi～)2等运算而求出分量的偏差，在任意维度中存在大乖离的情况下，判定为异常。
[学习时及异常检测时的办法1]
在上述实施例1至实施例4中，对于潜在变量z、表征z、辅助变量a等的推测等，说明了根据随机函数，通过采样分别获得值，但分别仅进行一次采样，获得潜在变量z、表征z、辅助变量a等来计算损失L。但是，不限于此，也可进行多次采样，按所获得的值来计算损失L，并取得其平均值。这样，通过进行多次采样，能够减少采样偏差，因此，能够期待学习的高效化、异常检测精度的提高。
[学习时及异常检测时的办法2]
在上述实施例1至实施例4中，在学习过程及异常检测过程中，均将输入数据x输入至编码器而推测输入数据的表征z(潜在变量z)，将该输入数据的表征z输入至解码器而生成复原数据x～，并对输入数据x与复原数据x～进行比较而进行异常检测。但是，在此情况下，有时所获得的复原数据x～并未充分接近正常数据的值。因此，也可将在一次的推测、生成的过程中获得的复原数据x～进一步输入至编码器。例如，以根据输入数据x生成复原数据x0～，根据复原数据x0～生成复原数据x1～，根据复原数据x1～生成复原数据x2～的方式，反复进行将所获得的输出再次输入至编码器的处理，由此，能够获得接近于正常数据的值的复原数据。在此情况下，可按每次的推测、生成的过程计算损失L，并取得损失L之和，也可将反复多次进行处理而最终获得的复原数据(在上述例子中为复原数据x2～)与输入数据x作比较，并计算损失L。这样，在推测、生成的过程反复多次后，计算损失L，由此，能够期待学习的高效化、异常检测精度的提高。
[其他实施方式]
异常检测系统1能够使用于机械或电子设备的故障预知系统。本实施方式的故障预知系统实现利用一系列的流程，不仅控制在依次对从各种数据源收集的数据进行处理后预测有可能引起的事项，而且控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及，控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，能够使用于处在工厂内的多个工业机械或机器人的故障预知系统另外，能够使用于电力等基础设施设备的异常预知系统。另外，能够使用于航空器或汽车等的多个部件的异常预知系统。
异常检测系统1能够使用于消耗品或部件的更换时期的预知系统。本实施方式的预知系统实现利用一系列的流程，不仅控制在依次对从各种数据源收集的数据进行处理后预测有可能引起的事项，而且控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，能够用于预测及通知包含航空器或汽车等的机油等的消耗品的更换时期。另外，能够用于预测及通知工程机械的钻头齿等消耗品的更换时期。
异常检测系统1能够使用于通用监视控制系统。本实施方式的监视控制系统实现利用一系列的流程，控制在依次对从各种数据源收集的数据进行处理后检测有可能引起的事项，控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，能够使用于家庭安全监视系统。另外，能够使用于大楼等建筑物、公共设施、园艺等的监视系统。
异常检测系统1能够使用于网络安全监视系统。本实施方式的监视系统实现利用一系列的流程，控制在依次对从各种数据源收集的数据进行处理后，检测有可能引起的事项，控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
异常检测系统1能够使用于医疗图像诊断系统。本实施方式的图像诊断系统实现利用一系列的流程，控制在依次对从各种数据源收集的数据进行处理后检测有可能引起的事项，控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，为了早期发现或早期治疗癌症，利用了基于CT或NMR的图像辨别技术。以往，由具有医生的高度专业性与丰富经验的医生对这些图像进行判断，由此，从这些图像中发现异常或现象。但是，通过使用本系统，能够精度更高且更快速地检测出异常现象(与正常组织图像的图案不同的异常组织图像)。
异常检测系统1能够用于管理再生医疗中的细胞制剂的质量。本实施方式的图像诊断系统实现利用一系列的流程，控制在依次对从各种数据源收集的数据进行处理后检测有可能引起的事项，控制对于已掌握的事项的恰当措施(处置)的判断(事件的产生)，以及控制对相关系统进行与判断出的措施对应的通知或使其进行规定控制的输出处理。
另外，能够积累关于判断出的措施(产生的事件)实际由相关系统进行而得到的实际的措施结果(也包含措施自身未进行的情况)作为反馈信息，使事项的检测精度提高，对与监视控制系统协作的系统提供利用性高的附加信息。
例如，在由多能干细胞分化诱导为各组织的干细胞、前体细胞、分化细胞时，由分化效率的不均匀引起的最终产物即细胞制剂的不均匀性成为问题。因此，通过使用异常检测系统1，能够精度更高且更快速地检测出与正常细胞图像的图案不同的异常细胞图像。
在以上的异常检测系统1的各实施例中所说明的结构仅为一个例子。异常检测系统1能够在不脱离技术思想的范围内进行适当变更。另外，各个实施例中所说明的结构只要不相互矛盾，也可组合使用。
以上，异常检测系统1能够由一个或多个计算机装置实现，各功能能够构成为程序。例如，存储于图2所示的辅助存储装置105，CPU100等控制部将辅助存储装置105所存储的监视控制系统的每个功能的程序读取至RAM101，控制部执行已被读取至RAM101的该程序，从而能够使一个或多个计算机运行本实施方式的各功能块。即，安装有本实施方式的监视控制系统的每个功能的程序的一个或多个计算机能够作为单独或协作地实现各功能的计算机装置(系统)而工作。
另外，上述程序也能够以记录于计算机可读取的记录媒体的状态而被提供给计算机。作为计算机可读取的记录介质，可列举CD-ROM等光盘、DVD-ROM等相变型光盘、MO(Magnet Optical：磁光盘)或MD(Mini Disk：小型磁盘)等光磁盘、软(注册商标)盘或移动硬盘等磁盘、紧凑型闪存(注册商标)、智能媒体、SD存储卡、记忆棒等存储卡。另外，还包含为了本发明的目的而经过特别设计后构成的集成电路(IC芯片等)等硬件装置作为记录介质。
此外，虽对本发明的实施方式进行了说明，但该实施方式是作为例子而被提示的实施方式，并无对发明范围进行限定的意图。该新颖的实施方式能够以其他各种方式实施，能够在不脱离发明宗旨的范围内进行各种省略、替换、变更。这些实施方式或其变形包含于发明的范围或宗旨，并且包含于权利要求书所记载的发明及其等同的范围。
标号说明
1 异常检测系统
10 存储部
11 取得部
12测定部
13 判定部
14 学习部