Rilevamento Anomalie ML

Rilevamento anomalie basato su machine learning con classificazione, gravità e ciclo di feedback.

Questa pagina copre il rilevamento anomalie nel controllo qualità (variabili SPC, processi di manifattura, deviazioni qualitative). Per il rilevamento applicato alla salute degli asset (vibrazione, temperatura, drift dei sensori nel pipeline predittivo), vedi condition-monitoring/anomaly-detection.

Panoramica

Il modulo di rilevamento anomalie utilizza tecniche di machine learning per identificare comportamenti anomali nelle metriche degli asset. Impara dai dati storici e classifica le anomalie per tipo e gravità.

Configurare il rilevamento

Il rilevamento viene configurato per combinazione di sorgente e metrica:

{
  "source_id": "src_compressor_01",
  "metric": "vibration_rms",
  "enabled": true,
  "sensitivity": "medium",
  "methods": ["z_score", "iqr"],
  "training_window_days": 30,
  "min_data_points": 500
}

Campo	Descrizione
`sensitivity`	Livello: low, medium, high (influenza le soglie)
`methods`	Metodi statistici da utilizzare
`training_window_days`	Finestra dati per l'addestramento
`min_data_points`	Minimo di punti dati richiesti per addestrare

Si raccomandano almeno 30 giorni di dati storici e 500 punti dati per un modello affidabile. Con meno dati, il tasso di falsi positivi sarà più alto.

Addestramento

Metodi statistici

Z-Score: Rileva punti che deviano significativamente dalla media.

Soglia configurabile (default: 3.0 deviazioni standard)
Efficace per distribuzioni normali

IQR (Range Interquartile): Rileva outlier basandosi sui quartili.

Soglia: Q1 - 1.5xIQR a Q3 + 1.5xIQR
Robusto con distribuzioni non normali

Processo di addestramento

POST /api/v1/quality/anomaly-detection/{config_id}/train

L'addestramento calcola i parametri statistici (media, deviazione standard, quartili) dai dati storici nella finestra configurata.

Estrazione delle feature

Il sistema estrae automaticamente feature aggiuntive dalla serie temporale:

Feature	Descrizione
`rolling_mean`	Media mobile (finestra di 1 ora)
`rolling_std`	Deviazione standard mobile
`rate_of_change`	Tasso di variazione tra letture consecutive
`hour_of_day`	Ora del giorno (contesto temporale)
`day_of_week`	Giorno della settimana (contesto temporale)
`time_since_last`	Tempo dall'ultima lettura

Le feature temporali (hour_of_day, day_of_week) sono cruciali per rilevare anomalie contestuali. Una vibrazione alta alle 3 di notte può essere anomala, ma normale alle 10 durante le ore di produzione.

Classificazione delle anomalie

Ogni anomalia rilevata viene classificata in uno dei tre tipi:

Tipo	Descrizione	Esempio
`point_anomaly`	Valore individuale fuori dal range normale	Picco improvviso di temperatura
`drift`	Spostamento graduale della tendenza	Aumento lento della vibrazione
`contextual`	Anormale dato il contesto temporale	Consumo alto in orario non produttivo

Calcolo della gravità

La gravità viene calcolata combinando la magnitudine della deviazione con la criticità dell'asset:

severity_score = deviation_score × asset_criticality_boost

Criticità dell'asset	Boost
low	1.0
medium	1.5
high	2.0
critical	3.0

Range di gravità risultanti:

low: score < 2.0
medium: 2.0 ≤ score < 4.0
high: 4.0 ≤ score < 6.0
critical: score ≥ 6.0

Ciclo di feedback

Gli utenti possono fornire feedback su ogni anomalia rilevata per migliorare il modello:

{
  "anomaly_id": "ano_001",
  "feedback": "false_positive",
  "notes": "Valore atteso durante pulizia programmata"
}

Feedback	Descrizione
`false_positive`	Non era un'anomalia reale
`confirmed`	Anomalia confermata, richiede azione
`resolved`	Anomalia risolta, causa identificata

Il feedback viene utilizzato per regolare le soglie nel prossimo ciclo di addestramento, riducendo progressivamente i falsi positivi.

Rilevamento Anomalie ML

In questa pagina