Sviluppo di un sistema di Anomaly Detection per l’Industria 4.0

Abstract

Nel contesto dell'Industria 4.0, l'integrazione tra sensori IoT e sistemi MES consente di passare da una manutenzione correttiva a una predittiva, capace di anticipare il degrado dei macchinari e ridurre i fermi non pianificati. Il lavoro, sviluppato a seguito di un tirocinio, descrive lo sviluppo di un sistema di previsione delle anomalie per un impianto industriale, realizzato integrando dati IoT e MES nell'ecosistema Microsoft Fabric secondo il paradigma della Medallion Architecture (Bronze, Silver, Gold). Il dataset, sintetico, è generato tramite un processo autoregressivo AR(1), che conferisce alle serie temporali una memoria utile a simulare il degrado meccanico ed elettrico. Dalla telemetria sono costruite statistiche mobili e z-score dinamici, sintetizzati in un punteggio di severità tramite trasformazione sigmoide. Per la previsione delle anomalie è stato adottato un Random Forest, scelto sulla base del compromesso bias-varianza e confrontato con Gradient Boosting e Regressione Logistica. La validazione, tramite walk-forward cross-validation per prevenire il data leakage temporale, ha dato ROC-AUC fino a 0,987 e un tasso di rilevazione anticipata dei guasti storici fino al 100% per area. È stato inoltre sviluppato un modello di qualità predittiva per l'esito dei controlli qualità e il tasso di scarto. I risultati sono integrati in una dashboard Power BI, alimentata da un modello semantico Direct Lake, pensata per il personale operativo e di manutenzione. Il lavoro discute infine i limiti riscontrati, in particolare la natura sintetica del dataset, e gli sviluppi futuri verso l'elaborazione dati in tempo reale.

In the context of Industry 4.0, integrating IoT sensors with MES systems enables a shift from corrective to predictive maintenance, anticipating equipment degradation and reducing unplanned downtime. This work, developed following an internship, describes the design and development of an anomaly prediction system for an industrial plant, built by integrating IoT and MES data within the Microsoft Fabric ecosystem according to the Medallion Architecture paradigm (Bronze, Silver, Gold layers). The synthetic dataset was generated using a first-order autoregressive process (AR(1)), giving the time series a temporal memory useful for simulating mechanical and electrical degradation. Rolling statistics and dynamic z-scores were built from the telemetry, combined into a severity score via a sigmoid transformation. For anomaly prediction, a Random Forest model was adopted, selected based on the bias-variance trade-off and compared against Gradient Boosting and Logistic Regression. Validation via walk-forward cross-validation, used to prevent temporal data leakage, yielded ROC-AUC values up to 0.987 and an early-detection rate for historical failures of up to 100% per process area. A predictive quality model was also developed for quality-check outcomes and scrap rate forecasting. The results were integrated into an interactive Power BI dashboard, powered by a Direct Lake semantic model, designed to support operational and maintenance staff in daily decisions. The work concludes by discussing the limitations found, particularly the synthetic nature of the dataset, and future developments toward real-time data processing.