Rilevamento di anomalie nelle serie temporali: un approccio ibrido

Nel campo della manutenzione predittiva, l'individuazione di anomalie nelle serie temporali tramite deep learning ha guadagnato notevole attenzione. Tuttavia, i soli approcci di deep learning spesso non raggiungono un'accuratezza sufficiente con dati reali.

Questo studio propone un approccio ibrido che integra embedding di serie temporali a 64 dimensioni da Granite TinyTimeMixer con feature statistiche a 28 dimensioni basate sulla conoscenza del dominio per attività di predizione di anomalie in apparecchiature HVAC (riscaldamento, ventilazione e condizionamento dell'aria).

Nello specifico, vengono combinati embedding di serie temporali estratti da un encoder Granite TinyTimeMixer fine-tuned con LoRA (Low-Rank Adaptation) e 28 tipi di feature statistiche, inclusi indicatori di trend, volatilità e drawdown, che vengono poi elaborati utilizzando un classificatore gradient boosting LightGBM.

Risultati sperimentali

Gli esperimenti, condotti su 64 unità di apparecchiature e 51.564 campioni, hanno raggiunto una precisione del 91-95% e un ROC-AUC di 0.995 per la previsione di anomalie a orizzonti di 30, 60 e 90 giorni. Inoltre, sono state ottenute performance adatte all'uso in produzione con un tasso di falsi positivi dell'1.1% o inferiore e un tasso di rilevamento dell'88-94%, dimostrando l'efficacia del sistema per applicazioni di manutenzione predittiva. Questo lavoro dimostra che sistemi pratici di rilevamento di anomalie possono essere realizzati sfruttando i punti di forza complementari tra le capacità di apprendimento della rappresentazione del deep learning e l'ingegneria delle feature statistiche.

Per chi valuta deployment on-premise, esistono trade-off da considerare. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi aspetti.