Include NNV method for diagnosis

[tkanzai]

Resumo

Este PR adiciona o método Nearest Normal Value (NNV) como opção de
diagnóstico de falhas na BibMon, complementando a decomposição parcial
já existente para contribuições ao SPE.

O que foi adicionado

• bibmon/_nnv.py — novo módulo contendo:

  • compute_nnv_contributions: calcula as contribuições NNV via análise
    contrafactual — para cada variável, substitui seu valor pelo valor de
    referência (normal) e mede a variação resultante no SPE
  • run_nnv_analysis: análise batch com atualização adaptativa da
    referência por média móvel exponencial (alpha fixo), com detecção de
    drift via ADWIN para resetar a referência quando a distribuição do
    SPE muda
  • ADWIN: implementação pura em Python do detector de drift ADWIN
    (Bifet & Gavalda, 2007), sem dependências externas

• bibmon/_generic_model.py:

  • compute_SPE_contributions agora aceita method='nnv' além do
    method='classic' já existente
  • novo método nnv_analysis() em GenericModel para diagnóstico
    com atualização adaptativa da referência
  • novo método plot_NNV_contributions() para visualização em heatmap

• bibmon/__init__.py: compute_nnv_contributions e run_nnv_analysis
  exportados para o namespace da biblioteca

Referências

• Alcala, C. F., & Qin, S. J. (2010). Reconstruction-based contribution
  for process monitoring with kernel principal component analysis.
  Industrial & Engineering Chemistry Research, 49(17), 7849–7857.
• Bifet, A., & Gavalda, R. (2007). Learning from time-changing data with
  adaptive windowing. Proceedings of the 2007 SIAM International
  Conference on Data Mining.
• Anzai, T. K., Pinto, J. C. C. S. (2026). Distinguishing process faults from model drift through variable
  contribution analysis: a novel perspective on anomaly diagnosis.
  Processes, 14(5), 859. https://doi.org/10.3390/pr14050859.