以上のオンライン推定アルゴリズムは、直接オンライン異状検知へ
応用できる。いま測定データ図7・8が図1・1（a）に示すように
異状により統計的性質が変化した（振幅にあるいは周波数に変化が
現れるか、ノイズ成分が多くなる）とする。上に示したアルゴリズムで
up dateしながらAR係数、予測誤差の分散を推定する。
図7・8の時刻tfに至るとデータの統計的性質が変化し、
t＜tfで推定されたARモデルはt＞tfのデータに適合せず、予測誤差は
AR係数がt＞tfのデータに適応するまで大きな値を持つ。
したがって予測誤差の分散はt＝tfで立ち上がりAR係数t＞tfのデータへの
適応と共に小さくなっていき、図7・8のσ2のグラフのような特性を持つ。
このσ2の変化よりy(k)の変化を検出することが出来る。
y（k）の統計的性質、特徴の反歌はt＜tfにおける推定ARモデル、
t＞tfの推定ARモデルの係数そのものあるいは7・3・2・および7・3・3で
述べた各手法で、特性根、留数、時定数、固有角周波数、減衰係数、
スペクトル関数を求め比較すればよい。これらの特徴を表すパラメータを
求めるには比較的計算時間を要するのでσk2に顕著な変化が認められ定常値に
達した後で一度求めるとよい。
