La maintenance prédictive (PdM) est de plus en plus utilisée pour améliorer la fiabilité des systèmes, réduire les temps d’arrêt et optimiser les coûts opérationnels dans des environnements industriels complexes grâce à la détection d’anomalies. À mesure que les systèmes industriels deviennent plus complexes, avec des composants inter- agissant entre eux et surveillés par des réseaux de capteurs en constante expansion, la détection d’anomalies fait face à de nouveaux défis méthodologiques. En particulier, un manque apparaît dans la littérature qui considère la détection d’anomalies avec des méthodes traditionnelles de Machine Learning (ML) utilisant une approche Single Label Classification (SLC), inadaptée lorsque plusieurs défaillances peuvent survenir simultanément.
Les approches traditionnelles de détection d’anomalies basées sur des méthodes de ML utilisant une formulation SLC supposent que chaque observation appartient à une seule catégorie d’anomalie. Cette hypothèse ne tient pas lorsque plusieurs défaillances surviennent simultanément sur le même équipement, ce qui entraîne une perte d’information. Ceci commence par une illustration de cette limite à travers un exemple concret montrant que l’utilisation d’une approche SLC au lieu d’une formulation multi-label dégrade la classification des anomalies simultanées. Pour répondre à ce problème, la détection d’anomalies est reformulée comme un problème de Multi Label Classification (MLC), permettant de détecter plusieurs défaillances au sein d’un même pas de temps. Suite à cette reformulation, la problématique du choix des classificateurs multi- label adaptés au contexte de la Predictive Maintenance (PdM) doit être étudiée. La conclusion générale de la littérature est que la performance des classificateurs dépend fortement du contexte et qu’il existe un grand nombre de méthodes de détection sans qu’aucune ne soit universellement dominante. Bien que des études comparatives approfondies existent dans le domaine du MLC, les jeux de données issus de systèmes complexes sont absents de ces comparaisons, alors même qu’ils présentent des caractéristiques spécifiques telles que des structures en séries temporelles multivariées, un fort déséquilibre des labels et des interactions complexes entre composants.
Pour combler ce manque, un protocole d’évaluation structuré et reproductible est proposé afin d’évaluer huit méthodes de ML à l’état de l’art dans un cadre MLC sur trois jeux de données industriels publics. Les résultats confirment que la performance des classificateurs dépend fortement des caractéristiques du jeu de données et qu’aucune méthode ne domine systématiquement tous les scénarios. Toutefois, réaliser ce type de comparaison pour chaque nouveau contexte industriel est coûteux en termes de temps, de ressources computationnelles et de besoins en données, ce qui limite sa faisabilité pour un déploiement industriel réel. La thèse aborde également cette problématique par la réduction de dimension et les méthodes de sélection de variables. Les systèmes de PdM génèrent de grands ensembles de données multivariées dont seule une partie des variables est réellement pertinente pour la détection d’anomalies. Une stratégie évolutionnaire auto-adaptative est proposée pour effectuer une sélection de variables de type wrapper et obtenir un sous-ensemble ne contenant que les variables les plus informatives.
Les résultats expérimentaux montrent que la réduction de l’espace des variables améliore l’efficacité computationnelle et, dans la plupart des cas, la performance de prédiction des anomalies. La comparaison de la méthode proposée avec des approches métaheuristiques issues de l’état de l’art sur trois jeux de données PdM et cinq méthodes de détection d’anomalies confirme sa compétitivité en termes de performance prédictive et de taille optimale du sous-ensemble de caractéristiques sélectionné. Enfin, la réduction de l’espace des caractéristiques optimise non seulement les ressources nécessaires à la détection, mais réduit également le nombre de signaux que les techniciens doivent analyser lors des investigations de recherche de cause racine. Cette simplification vise à renforcer la confiance dans le système. Enfin, la thèse traite des aspects pratiques du déploiement des méthodes de détection dans les systèmes complexes. Parmi ceux-ci, on observe un manque de confiance et de transparence chez les techniciens de maintenance et les décideurs.
Une analyse de l’interprétabilité et la robustesse des méthodes de détection d’anomalies est fournie afin de contribuer directement à leur déploiement en conditions réelles. Tout d’abord, la stratégie de sélection de variables proposée est évaluée sur un jeu de données PdM public à l’aide d’explications basées sur SHAP afin de vérifier la cohérence entre les variables sélectionnées et celles identifiées comme les plus importantes par des outils dédiés à l’interprétabilité. Les résultats montrent que les variables sélectionnées sont cohérentes avec les plus importantes selon ces outils. De plus, l’analyse visuelle des variables les plus influentes met en évidence que les anomalies sont associées à un sous-ensemble limité et bien défini de signaux venant des capteurs, ce qui contribue à améliorer la transparence et à renforcer la confiance dans les systèmes de détection automatique.
En parallèle, il est nécessaire de mener une étude de la robustesse des classificateurs multi-label dans des scénarios contrôlés de dégradation de capteurs, incluant différentes familles de dégradations et plusieurs niveaux de sévérité. Les résultats montrent que la performance des classificateurs peut fortement se dégrader, en particulier en présence de dérives progressives. Pour atténuer cet effet, l’introduction de dégradations de capteurs durant l’entraînement apparaît comme une stratégie pertinente.
Finalement, cette thèse propose un cadre structuré pour la détection d’anomalies multi-label dans les systèmes complexes, couvrant les méthodes de classification, l’optimisation de l’espace des variables, l’interprétabilité et la robustesse. Pour chacun de ces aspects, la thèse adopte un point de vue industriel et prend en compte les différences entre les conditions expérimentales contrôlées en laboratoire et les contraintes supplémentaires des environnements complexes réels.
