Prediction of abnormal situations by machine learning in a predictivemaintenance context : Optimal transport theory for anomaly detection
Prédiction de situations anormales par apprentissage automatique pour la maintenance prédictive : approches en transport optimal pour la détection d’anomalies
Résumé
Emerging technological advances in the Internet of Things (IoT) have led to significant interference from manufacturing strategies. To this end, concepts such as "Industry 4.0", "smart manufacturing" and "digital factory" have emerged. In these contexts, predictive maintenance plays an increasingly crucial role in reducing costs and improving commercial performance because it uses heterogeneous data sources to detect abnormal behavior of equipment (diagnostics), predict modes of future failure (prognosis) and support upstream decisions.In this thesis, we present an overview of predictive maintenance architectures and we are interested in a capital pillar of these architectures, the anomaly detection as a first step of decision-making in a predictive maintenance architecture. We provide two contributions to this research question.A first method of semisupervised classification in optimal transport in two versions (parametric and nonparametric) for the detection of anomalies in time series. The experimental results of this method’s application on synthetic and real acoustic data sets prove the robustness of the metrics derived from optimal transport and further demonstrate the superiority of the performance of the method over state-of-the-art algorithms.The second contribution concerns an unsupervised anomaly detection method in multidimensional data. It identifies local outliers in a non-Euclidean topological space using optimal transport metrics.The experimental results revealed the effectiveness of the method in solving the dimensionality problem and testify to the statistically significant difference of the proposed method compared to the methods of the state-of-the art evaluated.
Les avancées technologiques émergentes de l’Internet des objets (IoT) ont conduit à une interférence significative des stratégies manufacturières. À cette fin, des concepts tels que "Industrie 4.0", "fabrication intelligente" et "usine numérique" ont vu le jour. Dans ces contextes, la maintenance prédictive joue de plus en plus un rôle crucial dans la réduction des coûts et l’amélioration des performances commerciales car elle utilise des sources de données hétérogènes pour détecter les comportements anormaux des équipements (diagnostic), prédire les modes de défaillance futurs (pronostic) et soutenir les décisions en amont (prise de décision proactive).Dans cette thèse, nous présentons une vue d’ensemble des architectures demaintenance prédictive et nous nous intéressons à un pilier capital de ces architectures, la détection d’anomalies comme première étape de prise de décision dans une architecture de maintenance prédictive. Nous apportons deux contributions à cette question de recherche.Une première méthode de classification semi-supervisée en transport optimal dans deux versions (paramétrique et non-paramétrique) pour la détection d’anomalies dans les séries temporelles. Les travaux expérimentaux de l’application de cette méthode sur des ensembles de données acoustiques synthétiques et réels prouvent la robustesse des métriques au sens transport optimal et démontrent en outre la supériorité des performances de la méthode par rapport aux algorithmes de l’état-de-l’art.La deuxième contribution concerne une méthode non-supervisée de détectiond’anomalies dans des données multidimensionnelles. Elle identifie les valeurs aberrantes locales dans un espace topologique non-euclidien en utilisant des métriques en transport optimal.Les résultats expérimentaux montrent l’efficacité de la méthode à remédier au problème de la malédiction de dimensionnalité et témoignentde la différence statistiquement significative de la méthode proposée par rapportaux méthodes de l’état-de l’art-évaluées.
Origine : Version validée par le jury (STAR)