Обнаружение аномалий - это распространенная проблема в науке о данных, которая направлена на выявление любых ненормальных наблюдений, событий или проектов в нашем наборе данных, которые могут указывать на определенные проблемы при сборе данных (например,повреждение датчика). Поскольку мы знаем, что эффективные методы обнаружения выбросов могут помочь производителям сократить потери сырья, увеличить время безотказной работы оборудования и оценить жизненный цикл инструмента. Обнаружение аномалий может выполняться под наблюдением, под наблюдением и без надзора. Этот магистерский тезис посвящен обнаружению сбоев в системе мониторинга процессов с использованием подхода без надзора. В настоящей работе информация из этих сигналов была сегментирована, после чего были извлечены и объединены. Мы хотели бы больше сосредоточиться на одном из неконтролируемых подходов к обнаружению аномалий, основанных исключительно на концепции изоляции без использования какого-либо измерения расстояния или плотности, метода, называемого лесом изоляции (iForest).

Detecting Anomalies and machine fault is a common data-science issue that seeks to identify any abnormal observations, events, or projects in our dataset that may indicate certain issues in our data-acquisition (example: sensor damage). As we know that effective outlier detection techniques can help manufacturers reduce raw material wastage, increase equipment uptime, and evaluate life-cycle of tool. Anomaly detection can be performed in a supervised, semi-supervised, and unsupervised manner. This master thesis deals with detection of failures in a process monitoring system using an unsupervised approach. In present work, the information from these signals was segmented, following which features are been extracted and concatenated. We would like to focus more on one of the unsupervised approaches to anomaly detection purely based on the concept of isolation without employing any distance or density measure, method called Isolation Forest (IForest).