Explainable artificial intelligence for industrial anomaly diagnosis in multi-sensor data

  1. Labaien Soto, Jokin
Supervised by:
  1. Ekhi Zugasti Uriguen Director
  2. Xabier de Carlos García Co-director

Defence university: Mondragon Unibertsitatea

Fecha de defensa: 09 November 2023

Committee:
  1. José M. Alonso Moral Chair
  2. Unai Izagirre Azpitarte Secretary
  3. Aizea Lojo Novo Committee member
  4. Ide Tsuyoshi Committee member
  5. Pietro Ducange Committee member

Type: Thesis

Teseo: 845609 DIALNET lock_openTESEO editor

Abstract

Esta tesis explora el potencial de la Inteligencia Artificial Explicable (XAI) en el contexto de la detección y diagnóstico de anomalías en series temporales. Antes de nuestros esfuerzos experimentales, revisamos la literatura existente sobre XAI, detección de anomalías y diagnóstico. La exploración práctica comienza con un estudio del algoritmo Contrastive Explanation Method (CEM) en tareas de series temporales. Esta investigación revela tanto las ventajas como las limitaciones del CEM. Tras reconocer sus deficiencias, en particular su lentitud, presentamos el método llamado Real-time Guided Counterfactual Explanations (RTGCEx). Este innovador método es un enfoque agnóstico del modelo que proporciona explicaciones contrafácticas guiadas por el usuario en tiempo real para diferentes dominios y tipos de datos. Posteriormente, para evitar la pérdida de información esencial que podrían contener los detectores de anomalías y que los métodos agnosticos podrían pasar, abordamos el reto de crear modelos intrínsecamente interpretables. Para ello, presentamos en primer lugar el algoritmo Diagnostic Fourier-based Spatio-temporal Transformer (DFSTrans). Esta herramienta combina las capacidades de las redes neuronales convolucionales 1D con una estructura inspirada en los Transformers. Este modelo aprende eficazmente las dependencias espaciales y temporales de los datos temprales multivariantes, demostrando ser una potente herramienta para diagnosticar anomalías. Reconociendo las dificultades asociadas a la obtención de datos etiquetados, desarrollamos una variante no supervisada, denominada uDFSTrans. Este modelo incorpora una doble estrategia: una técnica de multienmascaramiento y un mecanismo de atención orientado al contexto, que facilita la detección y elucidación de anomalías sin necesidad de datos etiquetados. En resumen, esta tesis ofrece una perspectiva completa de la aplicación de la XAI a la identificación e interpretación de anomalías en datos de series temporales. Al aumentar la transparencia de modelos tradicionalmente opacos y ofrecer explicaciones inmediatas e inteligibles, hemos sentado las bases para procesos de toma de decisiones más informados en diversos sectores.