Product-Aware Deep Autoencoders for Robust Process Monitoring in Multi-Product Cyber-Physical Systems

Resumen Técnico: Autoencoders Profundos Conscientes del Producto para el Monitoreo Robusto de Procesos

Planteamiento del Problema
A medida que la Industria 4.0 integra Sistemas Ciber-Físicos (CPS) en la fabricación, la dependencia de la detección de anomalías basada en datos ha crecido. Sin embargo, las instalaciones industriales modernas operan frecuentemente bajo diversos grados de producto o modos operativos, lo que crea distribuciones de datos no estacionarias. Los modelos actuales "agnósticos al producto" o globales, entrenados sobre el agregado de todos los datos normales, expanden inherentemente sus fronteras de decisión para acomodar la varianza de múltiples modos. Los autores argumentan que esto crea un "punto ciego": una región en el espacio latente donde las anomalías sutiles o los ataques ciber-físicos dirigidos pueden quedar enmascarados porque caen dentro de la amplia región de aceptación requerida para cubrir múltiples regímenes operativos. Aunque son computacionalmente simples, estos modelos globales pueden fallar al detectar desviaciones que son normales para un grado de producto pero anómalas para otro, o inversamente, fallar al señalar una transición de modo como una anomalía significativa si la transición se asemeja a la varianza de otros modos.

Metodología
El estudio propone un marco de Autoencoder Consciente del Producto como una estrategia de mitigación, contrastándolo con una línea base Global Agnóstica. La investigación utiliza el benchmark del Proceso Tennessee Eastman Extendido (TEP), una simulación realista de una planta química que involucra tres modos operativos distintos (Modo 1, Modo 3 y Modo 5) con diferentes proporciones de productos.

1. Topologías Arquitectónicas:

   • Global Agnóstica (Topología A): Un único autoencoder profundo se entrena en la unión de los datos normales de todos los modos. El modelo aprende una aproximación "laxa" del manifold del proceso para minimizar la pérdida global a través de distribuciones divergentes.
   • Consciente del Producto (Topología B): Un banco de autoencoders especializados es entrenado, donde cada modelo ($M_k$) es optimizado exclusivamente para la distribución de datos de un modo específico ($m_k$). Esto restringe el dominio de aprendizaje a las distribuciones específicas de cada grado, resultando en fronteras de decisión más ajustadas.

2. Arquitectura del Modelo: Ambas topologías utilizan un autoencoder profundo de alimentación directa (feedforward) simétrico con una entrada de 52 dimensiones, un cuello de botella latente de 32 dimensiones y una salida de 52 dimensiones. Las redes emplean Normalización por Lotes (Batch Normalization), activación ReLU y Dropout (0.2) para prevenir el sobreajuste. Son optimizadas utilizando el Error Cuadrático Medio (MSE) con el algoritmo Adam.

3. Estrategia de Umbralización: Para abordar los niveles de ruido variables entre modos, el estudio implementa una estrategia de umbralización adaptativa. El modelo Global utiliza un único umbral escalar (percentil 95 de los errores de validación globales), mientras que el marco Consciente del Producto utiliza umbrales dinámicos y específicos de cada modo ($\tau_k$) derivados de la distribución de error de cada modo específico.

4. Escenarios de Evaluación:

   • Detección de Fallas en Estado Estacionario: Pruebas contra fallas de proceso estándar (IDV1–28) para medir métricas generales de detección (F1-score, ROC-AUC).
   • Transiciones de Modo no Anunciadas (Prueba de Estrés): Simulación de un cambio de producción sin actualizar el sistema de monitoreo para probar si el modelo Global trata la transición como una variación válida (el "punto ciego") mientras que el modelo Consciente del Producto la señala como una anomalía.

Resultados Clave
La validación empírica en el benchmark TEP arrojó los siguientes hallazgos:

• Métricas de Detección Estándar: El marco Consciente del Producto demostró un rendimiento superior sobre la línea base Global. Logró una mejora del 14.62% en el F1-score (0.5322 vs. 0.4643) y un incremento del 6.10% en el ROC-AUC (0.7220 vs. 0.6805). Los autores atribuyen esto a que los modelos Conscientes del Producto aprenden fronteras más ajustadas y discriminativas que evitan la generalización "laxa" del modelo global.
• Validación del Punto Ciego: Las pruebas de estrés en transiciones de modo no anunciadas proporcionaron la evidencia más crítica. En escenarios donde el proceso cambió entre modos (por ejemplo, de Modo 1 a Modo 5), el modelo Global falló en detectar la desviación en el 77.8% de los casos (logrando solo una tasa de detección del 22.2%). El modelo interpretó la transición como una variación aceptable dentro de su distribución aprendida. Por el contrario, el sistema Consciente del Producto logró una precisión de detección del 100%, registrando inmediatamente picos masivos de error de reconstrucción (>10,000) cuando la física del proceso se desvió del perfil de producto esperado.

Significancia y Reivindicaciones
El artículo afirma demostrar formalmente la existencia de una vulnerabilidad de "Punto Ciego" en los detectores de anomalías globales-agnósticos que operan en entornos multiproducto. Los autores postulan que, si bien los modelos globales ofrecen simplicidad de despliegue, introducen riesgos de seguridad no triviales en la fabricación flexible al enmascarar desviaciones operativas que se asemejan a las propiedades estadísticas de otros grados de producto.

El estudio no pretende afirmar que el enfoque Consciente del Producto sea la solución óptima entre todas las alternativas posibles, sino que lo presenta como una mitigación fundamentada que restringe el dominio de aprendizaje para mejorar la sensibilidad diagnóstica. Los hallazgos motivan un cambio hacia arquitecturas de diagnóstico conscientes del modo, sugiriendo que los detectores de anomalías generalizados pueden ser insuficientes para asegurar los modernos Sistemas Ciber-Físicos multiproducto contra ataques sutiles o cambios operativos inesperados.

Limitaciones y Direcciones Futuras
Los autores reconocen que el marco actual depende de etiquetas de producto explícitas para dirigir los datos al modelo correcto. Se propone como trabajo futuro desarrollar una red "Supervisora de Modos" jerárquica capaz de la identificación de modos no supervisada para automatizar este enrutamiento. Además, los autores sugieren integrar IA Explicable (XAI) para el diagnóstico de fallas y explorar técnicas de Aprendizaje Continuo para manejar el concept drift (por ejemplo, la degradación de sensores) en bancos de pruebas físicos, señalando que el presente estudio está limitado a simulaciones de benchmark.