• multivariate time series
• discords
• motifs
• outlier detection
• clustering
• unsupervised learning
• data mining
• machine learning

Il lavoro di tesi si fonda sull'Unsupervised Learning. I dati su cui si sofferma l'analisi sono stati raccolti tramite più di 100 sensori installati sui macchinari di due siti produttivi che rilasciano il materiale grezzo usato per ottenere prodotti finali di nonwoven. Nel corso degli esperimenti sono state applicate diverse tecniche di clustering con focus su Toeplitz Inverse Covariance-Based Clustering e Bisecting K-Means. Tra gli aspetti sperimentati figurano l'Outlier Detection, il Motifs and Discords discovery e un approccio supervisionato basato sui cluster. Tramite queste analisi è stato possibile individuare diversi stati produttivi, riconoscere le anomalie, dedurre che i due siti produttivi analizzati si occupano di produzioni diverse.
This thesis is based on the Unsupervised Learning. Data is collected through more than 100 sensors installed on two machines belonging to two different sites, which relase the raw material used to obtain nonwoven final products. During the experiments different clustering techniques have been applied, with a focus on Toeplitz Inverse Covariance-Based Clustering and Bisecting K-Means. Other experimented areas have been Outlier Detection, Motifs an Discords Discovery plus a Supervised approach based on cluster labels. The analyses have made it possible to understand different production states, to find anomalies and to understand that the two sites produce different final products.