Técnicas de agrupación sobre series temporales para la detección de anomalías en un entorno industrial

Abstract

En plena revolución digital, ha cobrado una gran importancia la digitalización de procesos y sistemas a un mundo virtual, donde se busca extraer nueva información que los optimicen. En la fundación CIDAUT, dentro del proyecto IDIGIT4L, se está trabajando en la sonorización no intrusiva de determinadas infraestructuras y recursos con el objetivo de mejorar su rendimiento. Una vez extraída la información del mundo físico al mundo virtual, esta debe ser procesada y analizada para extraer conclusiones y, en última instancia, mejorar el mundo físico. En este sentido, el presente documento tiene como objetivo principal resolver el problema de la detección de anomalías sobre un conjunto de datos estructurados como series temporales, para proponer una solución basada en la clasificación de información no supervisada o clustering (es decir, del dato a clasificar solo se dispone, como información, del propio dato) y la modelización de los procesos virtualizados mediante series temporales. El algoritmo de clasificación elegido es el algoritmo de k-medias, y en consecuencia, para adaptar y aplicar dicho algoritmo sobre series temporales son necesarios dos requisitos fundamentales: una medida de comparación y una función promedio. Satisfaciendo estos requisitos, se estudia la distancia Dynamic Time Warping (DTW) como medida de comparación y la media de Frechet a través de la DTW como función promedio, capaces de \deformar" la línea temporal de dos series para encontrar las mejores coincidencias entre los eventos registrados. Todo lo anterior requiere de un profundo estudio teórico sobre series temporales y el algoritmo k-medias, para ser aplicado sobre una máquina Fresadora CNC modelo Nícola Correa sensorizada de uso diario en el taller de la fundación CIDAUT en el parque tecnológico de Boecillo.