A hierarchical architecture of autoencoders for the identification of abnormal condition in complex technical infrastructures

A Complex Technical Infrastructure (CTI), such as a nuclear power plant or a large experimental laboratory, is a complex system of systems made of tens of thousands of interdependent components organized in complex hierarchical architectures. Since a malfunctioning can propagate to all the CTI leading to catastrophic consequences, it is of paramount importance to monitor the CTI health state using sensors. In this context, the present thesis work develops an artificial intelligence-based method to detect anomalies in CTI operation and distinguish between system, component and sensor malfunctionings. These latters can convey inaccurate or misleading information about the actual CTI state, possibility leading to false alarms, which can result in unnecessary downtimes and, consequently, large unavailability and financial losses. The main contribution of the work is that the proposed method is able to perform, at the same time, the two tasks of sensor data validation and anomaly detection. The method is based on the combined use of a hierarchical architecture of Autoencoders, i.e. a variant of artificial neural networks, statistical tests and a properly developed decision logic. The approach has been successfully applied to synthetic data simulating the behaviour of an artificial four-components system and to real data collected from a system of transformers of the Large Hadron Collider of the European Organization for Nuclear Research (CERN).

Un'Infrastruttura Tecnica Complessa (Complex Technical Infrastructure CTI), come una centrale nucleare o un grande laboratorio sperimentale, è un complesso sistema di sistemi composto da decine di migliaia di componenti interdipendenti organizzati in architetture gerarchiche complesse. Dal momento che un malfunzionamento può propagarsi in tutta la CTI portando a conseguenze catastrofiche, è di fondamentale importanza monitorare lo stato di salute della CTI utilizzando i sensori. In questo contesto, il presente lavoro di tesi sviluppa un metodo basato sull'intelligenza artificiale per rilevare anomalie nel funzionamento della CTI e distinguere tra malfunzionamenti di sistema, di componenti e di sensori. Questi ultimi possono trasmettere informazioni imprecise o fuorvianti sullo stato attuale della CTI, possibilità che porta a falsi allarmi che possono comportare inutili tempi di fermo e, conseguentemente, grande indisponibilità e perdite finanziarie. Il principale contributo del lavoro è che il metodo proposto è in grado di eseguire, allo stesso tempo, i due compiti di validazione dei dati dei sensori e rilevamento di anomalie. Il metodo si basa sull'uso combinato di una architettura gerarchica di Autoencoder, ossia una variante di reti neurali artificiali, test statistici e una logica decisionale propriamente sviluppata. L'approccio è stato applicato con successo a dati sinstetici che simulano il comportamento di un sistema artificiale a quattro componenti e ai dati reali raccolti da un sistema di trasformatori del Large Hadron Collider dell'Organizzazione Europea per la Ricerca Nucleare (CERN).