Recientemente, las redes de tecnología operativa (OT) de los sistemas de control industrial se han combinado con las redes de TI. Por lo tanto, las redes de OT han heredado las vulnerabilidades y rutas de ataque existentes en las redes de TI. En consecuencia, los ataques a los sistemas de control industrial están aumentando, y la investigación sobre tecnologías combinadas con inteligencia artificial para detectar ataques está activa. La investigación actual se centra en detectar ataques y mejorar la precisión de detección. Existen pocos estudios sobre métricas que interpretan los resultados de detección de anomalías. Se requieren diferentes métricas de análisis según las características de los datos del sistema de control industrial utilizados para la detección de anomalías y el tipo de ataque que contienen. Nos enfocamos en el hecho de que los datos del sistema de control industrial son datos de series temporales. La precisión y la puntuación F1 se utilizan como métricas para interpretar los resultados de detección de anomalías. Sin embargo, estas métricas no son adecuadas para evaluar la detección de anomalías en datos de series temporales. Dado que no es posible determinar con precisión el inicio y el final de un ataque, se deben utilizar métricas de rendimiento basadas en rangos. Por lo tanto, en este estudio, al evaluar la detección de anomalías realizada en datos de series temporales, proponemos una métrica de rendimiento basada en rangos con un algoritmo mejorado. La métrica de rendimiento basada en rangos estudiada previamente, precisión y recuperación (TaPR) consciente de series temporales, evaluó todos los ataques por igual. En este estudio, se estudiaron métricas de rendimiento mejoradas al derivar instancias ambiguas según las características de cada ataque y redefinir el algoritmo de la métrica TaPR. Este estudio proporciona evaluaciones precisas al realizar la detección de anomalías en datos de series temporales y permite evaluar las predicciones según las características del ataque.