Isolation Forest for Robust Anomaly Detection

Nosso artigo sobre detecção de anomalias em máquinas industriais foi aceito para apresentação no CBIC 2025(Congresso Brasileiro de Inteligência Computacional). O trabalho é intitulado “An Isolation Forest Approach for Robust Anomaly Detection in Industrial Machines Using Out-of-Distribution Acoustic Data” e resulta de uma colaboração entre Cristofer Silva, João Campos, Leonardo Afonso Ferreira Bortoni, Pablo Andretta Jaskowiak e Diego Pinheiro.

A pesquisa investiga se métodos mais simples e interpretáveis podem igualar o desempenho de abordagens de deep learning na tarefa de detecção de anomalias acústicas em equipamentos mecânicos. Enquanto a literatura recente tem focado intensamente em redes neurais, exploramos um baseline que combina:

• MFCCs (Mel-Frequency Cepstral Coefficients): para a extração de atributos de áudio.
• Isolation Forest: um algoritmo clássico de detecção de anomalias baseado em árvores.

Os experimentos foram realizados utilizando o MIMII dataset, que inclui gravações reais de componentes industriais em operação normal e com falhas, como bombas, ventiladores e válvulas. Os resultados indicam que este pipeline leve apresenta um desempenho comparável ao de modelos mais complexos, particularmente em condições de fora de distribuição (out-of-distribution) — quando os dados de teste diferem significativamente do conjunto de treinamento. Isso sugere que modelos interpretáveis continuam sendo uma opção viável em cenários industriais práticos com restrição de recursos.

Conforme descrito no site do CBIC 2025: “O Congresso Brasileiro de Inteligência Computacional (CBIC) é um evento bienal que foi organizado inicialmente como Congresso Brasileiro de Redes Neurais, por ser promovido pela Sociedade Brasileira de Redes Neurais, posteriormente sucedida pela Sociedade Brasileira de Inteligência Computacional (SBIC). A primeira edição ocorreu em Itajubá em 1994, e a mais recente (16ª edição) foi realizada em 2023, em Salvador, Bahia.”