Pipeline iterativa a Diffusione Residua con Riscontro Esperto per il Rilevamento non supervisionato di Anomalie in serie temporali del Processo di Produzione tramite Fusione a Fascio di Elettroni

Industrial processes generate high‑volume, high‑dimensional sensor and alarm time series data that overwhelms manual analysis, particularly in Electron Beam Melting (EBM) additive manufacturing. This thesis addresses that challenge by proposing an iterative, expert‑in‑the‑loop pipeline for unsupervised anomaly detection. An interactive web application enables cross‑sensor visualization, anomaly clustering, and structured expert feedback capture. Then, an iteration‑aware data management protocol allocates information efficiently across training, inference, and evaluation, preserving unbiased and reproducible assessment across cycles. Applied to production EBM logs, the pipeline improves detection quality and significantly reduces the time required to surface process deviations and prioritize potential improvements. Its modular architecture decouples data handling, model orchestration, evaluation, and visualization, facilitating reuse and extension beyond EBM and easy upgradability of the underlying model. The results show that aligning human expertise with data‑centric, iteration‑aware learning leads to scalable, reliable anomaly detection in complex industrial settings and supports continuous process improvement.

I processi industriali generano serie temporali di sensori e allarmi ad alto volume e alta dimensionalità che mettono in difficoltà l’analisi manuale, in particolare nella manifattura additiva a fusione a fascio di elettroni. Questa tesi affronta tale sfida proponendo una pipeline iterativa con riscontro esperto per il rilevamento non supervisionato delle anomalie. Un’applicazione web interattiva consente la visualizzazione incrociata tra sensori, il clustering delle anomalie e la raccolta strutturata del feedback degli esperti. Inoltre, un protocollo di gestione dei dati ripartisce le informazioni in modo efficiente tra addestramento, inferenza e valutazione per ogni iterazione, preservando una valutazione imparziale e riproducibile. Applicato ai log di produzione EBM, la pipeline migliora la qualità del rilevamento e riduce significativamente il tempo necessario per far emergere le deviazioni di processo e consentire la scoperta di potenziali miglioramenti. L'architettura modulare disaccoppia la gestione dei dati, l’orchestrazione dei modelli, la valutazione e la visualizzazione, facilitandone il riuso e l’estensione oltre l’EBM e la facile aggiornabilità del modello sottostante. I risultati mostrano che allineare l’expertise umana con un apprendimento basato sull'organizzazione dei dati e consapevole delle iterazioni permette un rilevamento delle anomalie scalabile e affidabile in contesti industriali complessi e supporta il miglioramento continuo dei processi.