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.