Detecting anomalies in operational data is crucial for effectively monitoring system performance and ensuring operational safety. However, the complexity and variability of operational data, particularly in anomaly detection within multivariate time series data, present a continuous challenge due to the need for analysis across both temporal and spatial dimensions. Various AI-driven methods, including Recurrent Neural Networks (RNNs) and Convolutional Neural Networks (CNNs), are frequently used to process and analyze time series data. While these models demonstrate promising performance, they often struggle with interpretability due to their complex architectures and the implicit analysis of spatial and temporal relationships. Graph Neural Networks (GNNs) have emerged as promising tools for explicitly analyzing complex dependencies and relationships in data by aggregating the neighbors and their relationships, but they encounter difficulties when working with unstructured inputs. To overcome this challenge, this thesis presents an approach that integrates Self-Organizing Maps (SOM) with GNNs. By converting unstructured time series data into graph-like structures, SOM enhances GNN’s capability to distinguish between normal and anomalous patterns. The model was evaluated on multiple public datasets, and the results indicate that the proposed approach outperforms existing benchmark methods, achieving the highest F1-score compared to other GNN-based models.

Att upptäcka anomalier i driftsdata är avgörande för att effektivt övervaka systemets prestanda och säkerställa driftsäkerhet. Komplexiteten och variabi- liteten hos operativa data, särskilt vid avvikelsedetektering inom multivariata tidsseriedata, utgör dock en kontinuerlig utmaning på grund av behovet av analys över både tidsmässiga och rumsliga dimensioner. Olika AI-drivna metoder, inklusive Recurrent Neural Networks (RNN) och Convolutional Neural Networks (CNNs), används ofta för att bearbeta och analysera tidsseriedata. Även om dessa modeller visar lovande prestanda, kämpar de ofta med tolkningsbarhet på grund av deras komplexa arkitekturer och den implicita analysen av rumsliga och tidsmässiga relationer. Graph Neural Networks (GNN) har dykt upp som lovande verktyg för att explicit analysera komplexa beroenden och relationer i data genom att aggregera grannarna och deras relationer, men de stöter på svårigheter när de arbetar med ostrukturerade indata. För att övervinna denna utmaning presenterar denna avhandling ett tillvägagångssätt som integrerar Self-Organizing Maps (SOM) med GNN. Genom att konvertera ostrukturerade tidsseriedata till grafliknande strukturer förbättrar SOM GNN:s förmåga att skilja mellan normala och avvikande mönster. Modellen utvärderades på flera offentliga datauppsättningar, och resultaten indikerar att den föreslagna metoden överträffar befintliga benchmarkmetoder och uppnår det högsta F1-poängen jämfört med andra GNN-baserade modeller.