Rilevatori di anomalie basati su Autoencoder per segnali accelerometrici

Nei contesti di monitoraggio secondo condizione e di monitoraggio strutturale, i segnali vibrazionali e soprattutto quelli accelerometrici, sono il tipico output dei sistemi adottati in questi processi. Grazie allo sviluppo dei paradigmi come IoT e Big Data, è possibile avere a disposizione una quantità di segnali tale da permettere l’uso dei metodi data-driven nello studio dei loro comportamenti anomali. L’algoritmo che ormai si è affermato e che costituisce la base di questo approccio è chiamato Analisi delle Componenti Principali (PCA); esso definisce un metodo robusto nella rilevazione di anomalie, ma che comunque presenta delle limitazioni dovute alla sua natura lineare. Questo lavoro tesi, si fonda su un'altra possibile soluzione, data dalle reti neurali. In particolare, si studia la rete di Autoencoder, il cui principio di funzionamento può essere visto come una estensione non lineare della PCA e che quindi può rappresentare un metodo di rilevazione di anomalie potenzialmente più prestazionale. Il flusso di lavoro inizia con l’analisi dei segnali propri di una particolare applicazione di monitoraggio strutturale, a partire dalle cui caratteristiche vengono generate anomalie compatibili con l’applicazione. Dopo l’allenamento dei modelli di Autoencoder, le loro prestazioni in termini di rilevazione di anomalie vengono confrontate con quelle della PCA. Inoltre, si esaminano dei metodi alternativi di costruzione dei rilevatori, il cui funzionamento si basa sulla rilevazione di anomalie a partire dagli spazi latenti della PCA e degli Autoencoder: come il predittore dello score e il classificatore binario supervisionato. Questi ultimi approcci possono essere particolarmente interessanti, grazie alla riduzione della quantità di dati che sia necessario trasmettere, nel caso in cui la parte che effettua la compressione debba essere implementata direttamente sul nodo sensore del sistema di monitoraggio e il rilevatore venga realizzato sul cloud.