Este documento explora un enfoque para resolver el problema de detectar anomalías en series temporales, teniendo en cuenta las especificidades del área temática. Proponemos un método basado en la integración de una red neuronal con memoria a largo plazo (LSTM) y la ontología Fuzzy OWL (Fuzzy Web Ontology Language). Una red LSTM se utiliza para la búsqueda matemática de anomalías en la primera etapa. La ontología difusa filtra los resultados de detección y realiza una inferencia para la toma de decisiones en la segunda etapa. La ontología contiene una representación formalizada de objetos en el área temática y reglas de inferencia que seleccionan solo aquellos valores de anomalía que corresponden a esta área temática. En el artículo, proponemos la arquitectura de un sistema de software que implementa este enfoque. Se realizaron experimentos computacionales con datos gratuitos de características técnicas de plataformas de perforación. Los experimentos mostraron una alta eficiencia, pero no la máxima eficiencia del enfoque propuesto. En el futuro, planeamos seleccionar una arquitectura de red neuronal más eficiente para la detección matemática de anomalías. También planeamos desarrollar un algoritmo para completar automáticamente las reglas de inferencia en la ontología al analizar fuentes de texto.