Темой работы является исследование процесса роста сложности киберфизических производственных систем (Cyber-Physical Systems) на судостроительных и судоремонтных заводах, который приводит к генерации многомерных временных рядов с сильными межканальными связями и «дрейфом» режимов, когда традиционные методы статистического контроля процессов (Statistical Process Control) теряют чувствительность. Целью исследования является разработка математически определенной модели обнаружения аномалий на основе обучения без учителя (Unsupervised Learning). Задачами исследования являются формализация представления состояния через сигнатурные матрицы, фиксирующие попарные зависимости между параметрами; реконструкция нормального поведения с помощью нейронной сети Long Short-Term Memory (сеть с долгой краткосрочной памятью) и ее сверточной модификации Convolutional Long Short-Term Memory; использование адаптивных порогов на основе квантильного правила и метода Exponentially Weighted Moving Average (экспоненциально взвешенное скользящее среднее) для учета дрейфа; локализация источников аномалий по остаточным картам и сопряжение с контуром управления. Модель обеспечивает масштабную инвариантность, чувствительность к межканальным зависимостям и устойчивость к режимным смещениям. Практическая значимость выполненного исследования заключается в мониторинге технологических процессов на этапах судостроительного производства, таких как сварка корпусов, сборка секций, испытания энергетических и вспомогательных систем, что снижает количество ложных тревог и обеспечивает оператору интерпретируемые причины срабатывания.