Improving Anomaly Detection for Industrial Applications

In the last decade the availability of Big data and Cloud computing has pushed the research community towards the development of algorithms able to automatically learn patterns from data. Despite the huge versatility of these models, they usually require a large number of data and computational power, that are seldom met in industrial scenarios where data are expensive to obtain and devices have strict constraints on their computing capabilities. This work seeks to address these challenges, developing algorithms that can perform in the mentioned scenario and can improve the reliability of industrial devices. This indeed can be achieved by tacking advantage both of data coming from machine’ sensors and algorithms that are able to detect anomalies or possible malfunctions. In the present thesis multiple algorithms will be proposed to reach this goal, explaining the industrial challenges by means of an industrial use case. The main focus will be on industrial Anomaly Detection and how to enhance the reliability of industrial devices, however the faced challenges pushed us to formulate new research questions and consequently to contaminate this topic with many other approaches in the context of Machine Learning. In this work, we will address the following research questions: i) How to update the model if the user provides feedback? ii) Which sensor is responsible for the anomalies? iii) Is there a way to compress the memory and computations a model needs? vi) Which are the most interesting data points to show a model? v) Is it possible to adapt a detector between different machines? We will investigate such research directions by providing new algorithms and performing experiments showing performances on real scenarios.

Negli ultimi dieci anni la disponibilità di grandi quantità di dati e potenza di calcolo ha spinto la comunità scientifica verso lo sviluppo di algoritmi capaci di imparare autonomamente dai dati. Sebbene questi modelli si siano dimostrati estremamente versatili, solitamente richiedono una grande mole di dati e di capacità computazionali, che sono rare in contesti industriali dove ottenere dei nuovi campioni è costoso e dove i dispositivi hanno poche risorse di calcolo. Questo lavoro si propone di affrontare queste sfide, sviluppando algoritmi che aumentino l’affidabilità dei dispositivi industriali combinando dati provenienti dai sensori della macchina con algoritmi capaci di individuare anomalie o possibili malfunzionamenti. In questa tesi sono illustrate numerose sfide che il contesto industriale pone nei confronti di tali metodi; a titolo di esempio verrà utilizzato un particolare caso d’uso proveniente dal mondo dell’Oil&Gas. Sebbene il principale obiettivo sia l’aumento dell’affidabilità dei macchinari industriali attraverso il rilevamento delle anomalie, durante le svolgimento della tesi sono emersi nuovi quesiti che hanno richiesto l’utilizzo di altre tecniche di apprendimento automatico. Ci si è chiesto infatti come includere feedback sul comportamento del modello forniti dall’utente oppure se fosse possibile capire la causa radice che ha portato un rilevatore di anomalie a segnalare un certo comportamento. Sono state esplorate anche problematiche di tipo computazionale cercando di trovare strade per ridurre le risorse necessarie all’algoritmo. Per quanto riguarda i dati ci si è chiesto quali fossero i campioni più importanti su cui allenare il modello in modo da ridurre il numero di dati necessari ad allenarlo. Infine è stata esplorata l’ applicazione del modello a macchine leggermente differenti, trasferendo informazioni da una macchina all’altra. Per tutti questi quesiti sono stati proposti degli algoritmi che sono stati successivamente testati in scenari industriali reali.