Thèse Année : 2025

Methodologies and algorithms for unsupervised anomalies detection in industrial time-series

Méthodologies et algorithmes dédiés à la détection non-supervisée d'anomalies dans des séries chronologiques industrielles

Résumé

Time-series anomaly detection is of major interest in the industrial world, especially for predictive maintenance. A large number of solutions have been recently introduced, mainly led by the recent transition to Industry 4.0, the growing number of monitored machines, and the growing use of deep learning. Nevertheless, a majority of these algorithms does not respond to the industry's needs, in particular concerning explainability and compatibility with operator feedback. To address these issues, this thesis introduces a new time-series anomaly detection algorithm, the QBoard. This algorithm belongs to the one-class category, i.e., it first deduces a normality space from healthy data before detecting eventual outliers on an evaluation set, which is coherent with the typical historical data of critical machinery. Due to its physical and dynamical laws-inspired construction, the QBoard is designed for industrial use cases. Moreover, this algorithm displays a high explainability potential, thanks to its detailed residuals estimated using both a univariate and a multivariate approach. Finally, the QBoard is compatible with incremental learning, which means that it is able to consider the operator’s feedback in order to correct its normality space in real time, without full re-learning. The anomaly detection quality of the QBoard has been evaluated using a public benchmark, which validates this algorithm's pertinence compared to the state-of-the-art. Concurrently, this thesis takes an interest in the evaluation of such algorithms, exploring historical and modern anomaly detection metrics. This literature overview highlights the relative absence of rigorous comparisons between metrics and allows us to introduce a new methodology. This methodology evaluates especially the metrics’ ability to correctly rank the algorithms over their pertinence and thus integrate a ranking quality meta-metric. Furthermore, this evaluation used synthetic algorithm outputs ranked by industrial experts. A new metric is introduced in this benchmark, the MTI, based upon an industrial specification list. This metric takes into account the temporal nature of the prediction, while considering the notions of anticipation and alert quantity. Finally, this metric can be parametrized in order to match with the various existing industrial contexts and displays an auto-parametrization potential that will be explored.

La détection d'anomalies au sein de séries chronologiques est une préoccupation majeure du monde industriel, notamment dans le cadre de la maintenance prévisionnelle de machines. Une grande diversité de solutions a vu le jour récemment, portée à la fois par la transition vers l'Industrie 4.0 et l'explosion associée de la quantité de machines monitorées, mais aussi par l'essor des réseaux de neurones profonds. Néanmoins, la plupart de ces algorithmes ne répondent pas suffisamment aux besoins d'explicabilité et d'interactivité (\textit{feedback}) requis par une utilisation industrielle. Afin d'adresser ces problématiques, cette thèse introduit un nouvel algorithme de détection d'anomalies au sein de séries chronologiques, le QBoard. Cet algorithme s'insère dans un cadre d'apprentissage dit à classe unique, c'est-à-dire en réalisant une étape d'apprentissage uniquement à l'aide de données saines, ce qui correspond à la réalité industrielle vis-à-vis des historiques de données de machines critiques. En raison de sa construction inspirée par les lois physiques et dynamiques qui régissent toute machine, le QBoard est particulièrement adapté au cadre industriel. De plus, cet algorithme propose un fort potentiel d'explicabilité, grâce notamment à son estimation de résidus détaillés présentant une approche à la fois mono et multivariée. Enfin, le QBoard est compatible avec l'Apprentissage Incrémentiel, c'est-à-dire qu'il est capable de prendre en compte les rétroactions (\textit{feedbacks}) d'un opérateur afin de corriger son espace de normalité en temps réel, sans nécessiter de réapprentissage total. La qualité de détection d'anomalies du QBoard est évaluée au sein d'un parangon (\textit{benchmark}) public préexistant, qui permet de valider la pertinence de cet algorithme vis-à-vis des autres solutions de la littérature. En parallèle de ces problématiques, cette thèse s'intéresse à la question de l'évaluation des performances de tels algorithmes, en proposant d'abord un tour d'horizon historique des métriques de détection d'anomalies. De cet état de l'art émerge un vide quant à la comparaison des métriques entre elles, ce qui nous permet d'introduire au sein de ce manuscrit une nouvelle méthodologie de comparaisons de métriques. Cette méthodologie évalue en particulier la capacité à correctement ordonner des algorithmes selon leur pertinence, et intègre ainsi une méta-métrique qui indique la justesse d'un classement. De plus, cette évaluation est réalisée à l'aide de sorties synthétiques d'algorithmes ordonnées selon une cohorte d'experts industriels. Au sein de cette comparaison, une nouvelle métrique est présentée, le MTI, conçue autour d'un cahier des charges industriel. Cette métrique tient compte de la nature chronologique des prédictions, tout en considérant la notion d'anticipation et de quantité d'alertes. Enfin, cette métrique propose une pluralité de paramétrisations afin de répondre à divers contextes industriels, et présente un potentiel d'auto-paramétrisation qui sera exploré.

Fichier principal
Vignette du fichier
Thèse_Raph-23.pdf (12.47 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

tel-05143188 , version 1 (03-07-2025)

Licence

Identifiants

  • HAL Id : tel-05143188 , version 1

Citer

Raphaël Dion. Méthodologies et algorithmes dédiés à la détection non-supervisée d'anomalies dans des séries chronologiques industrielles. Apprentissage [cs.LG]. Université Grenoble Alpes, 2025. Français. ⟨NNT : ⟩. ⟨tel-05143188⟩
584 Consultations
245 Téléchargements

Partager

  • More