GNNs para detección de anomalías nun entorno industrial
Autoría
S.S.C.
Máster Universitario en Intelixencia Artificial
S.S.C.
Máster Universitario en Intelixencia Artificial
Data da defensa
15.09.2025 11:45
15.09.2025 11:45
Resumo
O auxe da Industria 4.0 revolucionou os procesos de fabricación coa introdución de sensores e dispositivos interconectados que xeran fluxos de datos de series temporais multivariantes. A detección eficaz de anomalías neste entorno é fundamental para garantir a fiabilidade operativa, minimizar o tempo de inactividade e respaldar o mantemento predictivo. Entre distintos métodos, as redes neuronais de grafos demostraron un gran potencial para analizar datos estruturados como grafos; marcos como Graph Deviation Network (GDN) aproveitan grafos aprendidos e mecanismos baseados en atención para detectar anomalías e capturar dependencias complexas. Este traballo aplica o marco GDN a un conxunto de datos industriais que representan un proceso de fabricación en serie. Para iso, creáronse subconxuntos adaptados a diferentes escenarios operativos e analizáronse diversas anomalías artificiais para avaliar o rendemento do marco GDN en distintas condicións. Os resultados obtidos comparáronse co estado da arte e validáronse con datos industriais reais fornecidos pola empresa madeireira FINSA. En conxunto, este estudo achega información sobre a aplicabilidade e a robustez do marco GDN para a detección de anomalías en contornos industriais complexos.
O auxe da Industria 4.0 revolucionou os procesos de fabricación coa introdución de sensores e dispositivos interconectados que xeran fluxos de datos de series temporais multivariantes. A detección eficaz de anomalías neste entorno é fundamental para garantir a fiabilidade operativa, minimizar o tempo de inactividade e respaldar o mantemento predictivo. Entre distintos métodos, as redes neuronais de grafos demostraron un gran potencial para analizar datos estruturados como grafos; marcos como Graph Deviation Network (GDN) aproveitan grafos aprendidos e mecanismos baseados en atención para detectar anomalías e capturar dependencias complexas. Este traballo aplica o marco GDN a un conxunto de datos industriais que representan un proceso de fabricación en serie. Para iso, creáronse subconxuntos adaptados a diferentes escenarios operativos e analizáronse diversas anomalías artificiais para avaliar o rendemento do marco GDN en distintas condicións. Os resultados obtidos comparáronse co estado da arte e validáronse con datos industriais reais fornecidos pola empresa madeireira FINSA. En conxunto, este estudo achega información sobre a aplicabilidade e a robustez do marco GDN para a detección de anomalías en contornos industriais complexos.
Dirección
MERA PEREZ, DAVID (Titoría)
Silva Piñeiro, Alicia Cotitoría
MERA PEREZ, DAVID (Titoría)
Silva Piñeiro, Alicia Cotitoría
Tribunal
BUGARIN DIZ, ALBERTO JOSE (Presidente/a)
CARIÑENA AMIGO, MARIA PURIFICACION (Secretario/a)
LAMA PENIN, MANUEL (Vogal)
BUGARIN DIZ, ALBERTO JOSE (Presidente/a)
CARIÑENA AMIGO, MARIA PURIFICACION (Secretario/a)
LAMA PENIN, MANUEL (Vogal)