Unsupervised Anomaly Detection in Industrial Time Series through Matrix Profile Analysis

Anomaly detection in industrial systems is an essential component for improv- ing reliability, reducing downtime and implementing predictive maintenance techniques. Modern approaches are often based on Machine Learning or Deep Learning models, which, although e"ective, typically require large labeled datasets and significant computational resources. These requirements limit their applicability in many industrial contexts, where labeled data are scarce and real-time analysis directly on machines is desirable. This thesis explores the application of Matrix Profile, a lightweight and unsupervised time series analysis technique, for anomaly detection in signals acquired from packaging machinery. The study presents a comprehensive workflow that includes data preprocessing, univariate anomaly detection, and window size selection strate- gies. Domain knowledge and machine alarms are integrated to provide a partial ground truth, enabling both qualitative and quantitative evaluation of results. Experimental case studies on selected signals highlight the method’s e"ective- ness in identifying known anomalies, as well as detecting subtle deviations not captured by the existing alarm system. The proposed approach demonstrates that Matrix Profile can serve as a practical and interpretable tool for industrial anomaly detection, with minimal computational requirements and no training. While the focus is on univariate analysis, preliminary results on multivari- ate extensions are also discussed. The thesis concludes with an evaluation of limitations, potential improvements, and directions for future work, including real-time deployment scenarios.

Il rilevamento di anomalie nei sistemi industriali rappresenta un elemento fondamentale per migliorare l’a!dabilità, ridurre i tempi di inattività e imple- mentare tecniche di manutenzione predittiva. Gli approcci moderni si basano spesso su modelli di machine learning o deep learning che, sebbene e!caci, richiedono in genere grandi quantità di dati etichettati e notevoli risorse com- putazionali. Tali requisiti ne limitano l’applicabilità in molti contesti industriali, dove i dati etichettati sono scarsi e l’analisi in tempo reale direttamente sulle macchine è desiderabile. Questa tesi esplora l’applicazione del Matrix Profile, una tecnica leggera e non supervisionata per l’analisi di serie temporali, al problema del rilevamento di anomalie nei segnali acquisiti da macchinari per il confezionamento. Lo studio presenta un flusso di lavoro completo che include le fasi di preprocessing dei dati, rilevamento di anomalie univariate e strategie per la scelta della finestra di analisi. Le conoscenze di dominio e gli allarmi macchina vengono integrati per fornire una ground truth parziale, permettendo una valutazione sia qualitativa sia quantitativa dei risultati. I casi di studio sperimentali su segnali selezionati evidenziano l’e!cacia del metodo nell’identificare anomalie note, oltre alla capacità di rilevare devi- azioni sottili non catturate dal sistema di allarme esistente. L’approccio proposto dimostra come il Matrix Profile possa costituire uno strumento pratico e inter- pretabile per il rilevamento di anomalie in ambito industriale, con requisiti computazionali minimi e senza necessità di addestramento. Sebbene l’attenzione sia concentrata sull’analisi univariata, vengono discussi anche i risultati preliminari relativi alle estensioni multivariate. La tesi si con- clude con una valutazione delle limitazioni, delle possibili migliorie e delle prospettive future, tra cui scenari di implementazione in tempo reale.