Detección no supervisada de anomalías en series temporales de presión: un benchmark sintético de prueba de concepto en el contexto GasTrack

Autores/as

  • João Cláudio Nunes Carvalho Instituto Federal do Ceará – Campus Maracanaú https://orcid.org/0000-0001-8619-0869 (no autenticado)
  • Daniel Alencar Barros Tavares Instituto Federal do Ceará – Campus Maracanaú
  • Ronaldo Tadeu Pontes Milfont Instituto Federal do Ceará – Campus Canindé

DOI:

https://doi.org/10.66104/j44hww62

Palabras clave:

Detección de anomalías, Series temporales, Internet de las Cosas, Sensores de presión, Aprendizaje automático

Resumen

Este trabajo presenta un benchmark sintético de prueba de concepto para la detección no supervisada de anomalías en series temporales de presión en el contexto del sistema GasTrack. El estudio no pretende diagnosticar fugas: una anomalía de presión es un indicio de comportamiento inusual, compatible con fugas, variaciones del consumo, fallos de válvulas o defectos del propio sensor. Se compararon una regla estadística robusta, Isolation Forest, Local Outlier Factor (LOF) y One-Class SVM en ventanas de 24 lecturas separadas por 5 min (extensión temporal de 115 min, aproximadamente dos horas). El protocolo separa 5.000 ventanas normales de entrenamiento, 2.000 ventanas independientes de calibración del umbral (percentil 99 de las puntuaciones) y una prueba con 2.500 ventanas normales y 2.500 anómalas. El vector contiene once atributos de tendencia, dispersión, brusquedad y planicidad; no se utiliza ninguna variable duplicada. En 20 semillas, el LOF obtuvo un F1 de 0,9660 ± 0,0042, próximo a la regla robusta (0,9434 ± 0,0095). La diferencia absoluta de F1 fue de 0,0226 (IC del 95%: 0,0189–0,0263). La ventaja del LOF en las ventanas correspondientes a sensores bloqueados depende de la representación, especialmente del atributo de planicidad. Con una prevalencia del 1%, el valor predictivo positivo esperado del LOF cae a 0,485, por lo que el F1 de la prueba balanceada no debe interpretarse como desempeño en producción. Se utilizaron Python 3.12.10 y scikit-learn 1.7.2; el código del generador y de la evaluación se proporciona como material suplementario.
Visitas: 374Descargas: 117

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • João Cláudio Nunes Carvalho, Instituto Federal do Ceará – Campus Maracanaú

    Graduado em Licenciatura em Física pela Universidade Estadual do Ceará (UECE), em 2005, concluiu o mestrado em Física pela Universidade Federal do Ceará (UFC) em 2007 e o doutorado em Física pela UFC em 2011. Durante o doutorado, realizou período de pesquisa na Universidade de Antuérpia, na Bélgica, ampliando sua experiência em pesquisa científica internacional. Posteriormente, realizou pós-doutorado na UFC, consolidando sua formação na área de Física Computacional e Estatística.

    Sua atuação acadêmica concentra-se em temas como Física Computacional, Física Estatística, Termodinâmica, simulação computacional, reconhecimento de padrões, inteligência artificial e aprendizado de máquina. Ao longo da carreira, passou a ampliar sua formação para as áreas de Computação e Ciência de Dados, concluindo também formação tecnológica em Ciência de Dados e um MBA em Data Science & Analytics pela Universidade de São Paulo (USP).

    É professor do Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE)

Referencias

BREUNIG, Markus M.; KRIEGEL, Hans-Peter; NG, Raymond T.; SANDER, Jörg. LOF: identifying density-based local outliers. In: ACM SIGMOD INTERNATIONAL CONFERENCE ON MANAGEMENT OF DATA, 2000, Dallas. Proceedings [...]. New York: ACM, 2000. p. 93-104. DOI: https://doi.org/10.1145/335191.335388. DOI: https://doi.org/10.1145/342009.335388

EL BARKANI, Majda; BENAMAR, Nabil; TALEI, Hanae; BAGAA, Miloud. Gas Leakage Detection Using Tiny Machine Learning. Electronics, [S. l.], v. 13, n. 23, art. 4768, 2024. DOI: https://doi.org/10.3390/electronics13234768. DOI: https://doi.org/10.3390/electronics13234768

LIU, Fei Tony; TING, Kai Ming; ZHOU, Zhi-Hua. Isolation Forest. In: IEEE INTERNATIONAL CONFERENCE ON DATA MINING, 8., 2008, Pisa. Proceedings [...]. [S. l.]: IEEE, 2008. p. 413-422. DOI: https://doi.org/10.1109/ICDM.2008.17. DOI: https://doi.org/10.1109/ICDM.2008.17

SCHÖLKOPF, Bernhard et al. Estimating the Support of a High-Dimensional Distribution. Neural Computation, [S. l.], v. 13, n. 7, p. 1443-1471, 2001. DOI: https://doi.org/10.1162/089976601750264965. DOI: https://doi.org/10.1162/089976601750264965

SOUZA, Paulo Silas Severo de et al. Detecting abnormal sensors via machine learning: An IoT farming WSN-based architecture case study. Measurement, [S. l.], v. 164, art. 108042, 2020. DOI: https://doi.org/10.1016/j.measurement.2020.108042. DOI: https://doi.org/10.1016/j.measurement.2020.108042

TAN, Qiong et al. A new sensor fault diagnosis method for gas leakage monitoring based on the naive Bayes and probabilistic neural network classifier. Measurement, [S. l.], v. 194, art. 111037, 2022. DOI: https://doi.org/10.1016/j.measurement.2022.111037. DOI: https://doi.org/10.1016/j.measurement.2022.111037

TSOUKAS, Vasileios et al. A Gas Leakage Detection Device Based on the Technology of TinyML. Technologies, [S. l.], v. 11, n. 2, art. 45, 2023. DOI: https://doi.org/10.3390/technologies11020045. DOI: https://doi.org/10.3390/technologies11020045

YUAN, Hongyong et al. Real-time detection of urban gas pipeline leakage based on machine learning of IoT time-series data. Measurement, [S. l.], v. 242, part B, art. 115937, 2025. DOI: https://doi.org/10.1016/j.measurement.2024.115937. DOI: https://doi.org/10.1016/j.measurement.2024.115937

Publicado

2026-09-26

Cómo citar

Carvalho, J. C. N., Tavares, D. A. B., & Milfont, R. T. P. (2026). Detección no supervisada de anomalías en series temporales de presión: un benchmark sintético de prueba de concepto en el contexto GasTrack. REMUNOM, 13(20), 1-20. https://doi.org/10.66104/j44hww62

Artículos similares

1-10 de 50

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

Artículos más leídos del mismo autor/a