Deep neural networks for anomaly classification on electrical devices

Electrical devices are of vital importance in our daily lives. We rely heavily on the well-functioning of their components that allow optimal performance, safety, and energy conservation. Thus, it is important to ensure the reliability of these components to avoid impactful and catastrophic consequences. In this thesis, we discuss the classification of anomalies on electrical devices using a data-driven approach. The aim of this study is to develop a reliable and efficient method to perform fault identification and diagnosis in electrical devices, which can help prevent equipment failures and improve the overall safety and performance of electrical systems. We focus on deep neural networks, that have gained a lot of attention in recent years due to their ability to learn complex patterns and relationships in data. Moreover, such models have shown significant promise in the field of anomaly detection and classification for electrical devices by leveraging large amounts of data and advanced learning algorithms to detect deviations from normal behaviour. For this purpose, by formalizing the problem as a time series classification task, we develop a CNN-LSTM architecture that takes as input a stream of sensor data representing the behaviour of the device. The model is trained and tested on a dataset containing normal and anomalous behaviours obtained from different types of faults. The experimental results demonstrate that the proposed model achieves a good performance in detecting the condition of the electrical device. In particular, the model is able to detect in an accurate way if the electrical component is in a healthy state and, if not, it also provides the cause of the fault.

I dispositivi elettrici di potenza sono di vitale importanza per la nostra vita quotidiana. Facciamo molto affidamento sul corretto funzionamento dei loro componenti che garantiscono prestazioni ottimali, sicurezza e risparmio energetico. Pertanto, è importante garantire l'affidabilità di questi componenti per evitare conseguenze severe o addirittura catastrofiche. In questa tesi, discutiamo la classificazione delle anomalie in dispositivi elettrici utilizzando un approccio basato sui dati. Lo scopo di questo studio è sviluppare un metodo affidabile ed efficiente per eseguire l'identificazione e la diagnosi dei guasti nei dispositivi elettrici, che può a sua volta aiutare a prevenire guasti ad altre apparecchiature e migliorare la sicurezza e le prestazioni complessive dei sistemi elettrici. Ci concentriamo sulle deep neural networks, che hanno guadagnato molta attenzione negli ultimi anni grazie alla loro capacità di apprendere schemi e relazioni complessi nei dati. Inoltre, tali modelli hanno mostrato ottime capacità nel campo del rilevamento e della classificazione delle anomalie in componenti elettrici sfruttando grandi quantità di dati e algoritmi di apprendimento avanzati di diagnosi per rilevare le deviazioni dal comportamento nominale. A tale scopo, formulando il problema come un problema di classificazione di serie temporali, sviluppiamo un'architettura CNN-LSTM che prende in input una serie temporale che rappresenta il comportamento del dispositivo elettrico. Il modello viene addestrato e testato su un set di dati contenente comportamenti normali e anomali ottenuti da diversi tipi di guasti. I risultati sperimentali dimostrano che il modello proposto raggiunge buone prestazioni nel rilevare lo stato di salute del dispositivo elettrico. In particolare, il modello è in grado di rilevare in modo accurato se il componente elettrico è in buono stato e, in caso contrario, fornisce anche la causa del guasto.