Développement d'une méthode pour la détection d'anomalies dans des signaux de capteurs : application dans des systèmes aéronautiques

Ce projet vise à développer une méthode de détection des anomalies dans les séries temporelles de mesures obtenues par des capteurs implémentés dans des systèmes aéronautiques. En collaboration avec un partenaire industriel, nous avons utilisé les données d’un ensemble de capteurs d’un système commercial et industriel. Les données collectées étaient présentées sous forme de séries chronologiques multivariées. Après une revue de la littérature, nous avons identifié différents types de défaillances des capteurs, tels que le biais, l’étincelle, le gel, le bruit et la saturation. À partir de ces éléments, nous avons développé une méthodologie en quatre étapes : 1. Sélection de la région d’intérêt : Identification des zones de variations significatives dans les données. 2. Calcul de descripteurs statistiques : Calcul de la moyenne, variance, obliquité, kurtosis, et entropie pour caractériser les séries temporelles. Ces descripteurs ont été choisis après avoir réalisé des tests et déterminé leur impact sur la détection des différents types de défaillances constatées dans les séries temporelles. 3. Conversion en images en niveaux de gris : Conversion des données des descripteurs statistiques normalisés en images. 4. Formation et validation du modèle d’apprentissage automatique : Calcul de l’erreur de reconstruction et analyse dans l’espace latent à l’aide d’un modèle CVAE (Variational Autoencoder avec filtres CNN). La méthode proposée a montré son efficacité pour la détection d’anomalies dans les données de mesure des capteurs. En transformant les données de séries temporelles en images caractéristiques, notre modèle CVAE a permis une séparation claire entre les événements normaux et anormaux. Les résultats, basés sur les courbes caractéristiques de l’opérateur du récepteur (ROC) avec une aire sous la courbe (AUC) de 1.00 pour l’erreur de reconstruction, ainsi que sur les distances euclidiennes dans l’espace latent, montrent que notre approche est robuste et précise. Cependant, il est important de noter que ce résultat de 1,00 est le fruit d’une identification réussie des capteurs présentant des défaillances spécifiques, notamment celles liées au gel. En intégrant des données provenant d’autres capteurs, nous anticipons une diminution de l’AUC, car le modèle n’a pas encore appris à reconnaître ces nouveaux cas. En d’autres termes, dans un scénario idéal, le modèle devrait être formé sur l’ensemble des types de défaillances dans chacun des capteurs de tout le système pour maintenir une aire sous la courbe d’une valeur très élevée. Cette méthode non seulement fournit un cadre solide pour la détection des défaillances des capteurs, mais elle offre également une visualisation complète des types de défaillances dans l’espace latent, contribuant ainsi à la création de systèmes de capteurs aéronautiques plus résilients.

Abstract

This project aims to develop a method for failure detection in time series, specifically tailored for monitoring aeronautical sensors. We utilized sensors from a commercial and industrial system. The collected data is presented as a multivariate time series. After reviewing the literature, we categorized anomaly detection techniques into statistical methods, machine learning approaches, and combinations of both. We also identified various types of sensor failures, including bias, spark, frozen, noise, and saturation. Based on these approaches, we developed a methodology consisting of four steps: 1. Detection of the Region of Interest : Identification of areas with significant variations in the data. 2. Calculation of Statistical Descriptors : Utilization of mean, variance, skewness, kurtosis, and entropy to characterize the time series. These features were chosen after carrying out tests and determining their impact on the detection of the different types of defects observed in the time series. 3. Image Grayscale Creation : Conversion of data into images using the statistical features and normalization of data between -1 and 1 to ensure a uniform scale. 4. Application of a Machine Learning Model : Calculation of reconstruction error and visualization in the latent space using a CVAE (Variational Autoencoder with CNN filters). The proposed method demonstrated its effectiveness in detecting anomalies in sensor monitoring. By transforming time series data into feature-based images, our CVAE model achieved clear separation between normal and abnormal events. Results, based on Receiver Operator Characteristic (ROC) curves with an area under the curve (AUC) of 1.00 for reconstruction error, and Euclidean distances in the latent space, indicate that our approach is both robust and precise. However, it is important to note that this result of 1.00 is the result of successfully identifying sensors with specific failures, especially those related to frozen failures. By integrating data from other sensors, we expect a decrease in AUC, because the model has not yet learned to recognize these new cases. In other words, in an ideal scenario, the model should be trained on all failure types to maintain a very high area under the curve value. This method not only provides a solid framework for sensor failure detection but also offers a comprehensive visualization of fault types in the latent space, contributing to the development of more resilient aeronautical sensor systems.