Table des Matières
Pour la plupart des données capteurs industrielles, commencez par une surveillance statistique multivariée (PCA avec le T² de Hotelling et le SPE), en plus des seuils univariés dont vous disposez déjà. Isolation forest et local outlier factor conviennent aux données à nombreuses variables ; autoencodeurs et modèles LSTM aux motifs temporels complexes, mais ils coûtent plus cher et, dans une vaste comparaison de 2022, n'étaient pas plus précis.
Points clés
- Les détecteurs industriels sont généralement entraînés sur le fonctionnement normal et signalent ce qui s'en écarte, ce que scikit-learn appelle la détection de nouveauté. Les événements étiquetés servent à tester un détecteur, pas à le construire.
- Des seuils sur chaque repère isolé ne voient pas les combinaisons inhabituelles. Un modèle PCA surveille toutes les variables avec deux statistiques, et un SPE élevé signifie qu'une observation rompt la structure de corrélation.
- Dans une évaluation de 2022 portant sur 71 algorithmes et 976 séries temporelles, aucune famille ne s'est clairement imposée et les méthodes de deep learning n'étaient pas encore compétitives.
- Les fausses alarmes décident si les exploitants continuent d'utiliser un détecteur. Une carte à 3 sigma déclenche une fausse alarme tous les 371 points en moyenne, pour chaque variable.
- Modélisez chaque mode de marche séparément, et gardez le détecteur en mode conseil, sans accès en écriture au système de contrôle.
Qu'est-ce qu'une anomalie dans les données d'une usine ?
Une anomalie, ce sont des données qui ne ressemblent pas au fonctionnement normal. Dans une usine, elle vient de l'instrument (un transmetteur figé ou en dérive), du procédé (un incident, un changement de charge) ou de l'équipement (un roulement qui commence à se dégrader). Le détecteur ne sait pas lequel ; il dit seulement que quelque chose a changé.
L'évaluation de 2022 de Schmidl, Wenig et Papenbrock illustre trois formes d'anomalie (Schmidl et al., 2022) :
- Anomalie ponctuelle : une valeur extrême isolée, comme un pic.
- Anomalie de sous-séquence : une portion de données de forme inhabituelle, même si chaque valeur reste dans sa plage, comme une oscillation qui apparaît sur une boucle de niveau.
- Anomalie de corrélation : des variables qui cessent d'évoluer ensemble, comme une température de sortie qui ne suit plus le débit de vapeur qui la pilote d'habitude.
Aucun seuil sur un repère isolé ne peut voir une anomalie de corrélation. La même étude conclut qu'un algorithme multivarié est nécessaire pour détecter les anomalies dans la corrélation entre séries.
Sur quelles données entraîner : valeurs aberrantes ou fonctionnement normal ?
La documentation de scikit-learn distingue deux situations (scikit-learn). En détection de valeurs aberrantes (outlier detection), les données d'apprentissage contiennent des valeurs aberrantes, et la méthode cherche la zone dense en les ignorant. En détection de nouveauté (novelty detection), les données d'apprentissage ne sont pas polluées par des valeurs aberrantes, et la question est de savoir si une nouvelle observation s'en écarte.
La surveillance d'une usine relève en général de la détection de nouveauté. On choisit une période de fonctionnement normal, on la vérifie avec les exploitants et le cahier de quart, on entraîne le modèle dessus, puis on évalue les nouvelles données au fil de l'eau. Aucune panne étiquetée n'est nécessaire pour construire le modèle, ce qui tombe bien, car la plupart des usines disposent de peu de pannes bien documentées. Les méthodes supervisées sont rares : seules 7 des 158 méthodes recensées par Schmidl et al. étaient supervisées, et dans leurs essais les algorithmes supervisés n'ont pas obtenu de meilleurs résultats que les approches semi-supervisées ou non supervisées.
Quelles méthodes utilise-t-on, et comment se comparent-elles ?
| Famille | Exemples | Étiquettes nécessaires à l'apprentissage | Ce qu'elle détecte | Principale faiblesse |
|---|---|---|---|---|
| Seuils et cartes de contrôle univariées | Seuils d'alarme, Shewhart, EWMA, CUSUM | Aucune | Une variable qui sort de sa plage normale ou qui dérive | Ne voit pas les combinaisons inhabituelles ; beaucoup de cartes, beaucoup de fausses alarmes |
| Statistique multivariée | PCA avec T² et SPE ; PLS | Données normales uniquement | Combinaisons inhabituelles et corrélations rompues ; les graphiques de contribution désignent les variables | Linéaire ; en général un modèle par mode de marche |
| Détecteurs de valeurs aberrantes issus du machine learning | Isolation forest, local outlier factor (LOF), SVM à une classe | Données normales, ou données avec peu de valeurs aberrantes | Points inhabituels dans des données à nombreuses variables ; formes non linéaires | Évalue chaque ligne isolément, les motifs temporels doivent donc être construits en variables ; plus difficile à expliquer |
| Modèles de prédiction et de reconstruction | Résidus de régression, autoencodeurs, encodeur-décodeur LSTM | Données normales uniquement | Motifs temporels complexes et relations non linéaires | Plus de données, de calcul et de réglages ; plus difficile à expliquer |
| Classifieurs de défauts supervisés | Gradient boosting, réseaux de neurones classifieurs | Exemples étiquetés de chaque défaut | Types de défauts connus, nommément | Ne peut pas reconnaître un défaut absent de ses données d'apprentissage |
Seuils et cartes de contrôle univariées
Chaque DCS dispose déjà de seuils d'alarme haut et bas. La maîtrise statistique des procédés (MSP) ajoute des cartes dont les limites sont calculées à partir de la variabilité normale de la variable elle-même. Une carte de Shewhart signale un point situé au-delà de ±3 écarts-types. Une carte EWMA donne de moins en moins de poids aux données anciennes et peut être rendue sensible à une dérive faible ou progressive. Une carte CUSUM cumule les écarts à la cible et est plus efficace pour détecter de petits décalages de la moyenne, de 2 écarts-types ou moins.
La dérive lente mérite cette attention : dans l'évaluation de Schmidl, les tendances étaient le type d'anomalie le plus difficile à détecter, et les valeurs extrêmes le plus facile. Pour une variable critique isolée, comme une température de palier, une carte EWMA ou CUSUM reste le bon outil.
PCA avec le T² de Hotelling et le SPE
MacGregor et Kourti décrivent comment les cartes de Shewhart, CUSUM et EWMA s'étendent à de nombreuses variables grâce au T² de Hotelling et grâce à la PCA et à la PLS, avec des exemples tirés d'une usine de traitement de minerai et d'un procédé de polymérisation continu (MacGregor et Kourti, 1995). La PCA condense des dizaines de repères corrélés en quelques composantes qui décrivent le fonctionnement normal. Deux statistiques sont ensuite suivies sur des cartes :
- T² est la distance entre le centre du plan du modèle et la projection de la nouvelle observation sur ce plan. Un T² élevé signifie que les variables se sont déplacées plus loin que d'habitude, mais toujours ensemble, comme lors d'une hausse de débit de production.
- SPE (squared prediction error, aussi appelé Q) est la distance hors du plan. Un SPE élevé signifie que l'observation est incohérente avec le modèle et rompt la structure de corrélation, comme un transmetteur défaillant qui ne concorde plus avec ses voisins.
Quand l'une des deux cartes signale, un graphique de contribution montre quelles variables expliquent l'écart. Notre article sur l'analyse du golden batch applique la même famille de méthodes aux procédés par lots.
Isolation forest, LOF et SVM à une classe
Ces méthodes viennent du machine learning et sont disponibles dans les bibliothèques courantes (scikit-learn) :
- Isolation forest isole les observations par des partitions aléatoires. Les anomalies sont isolées en moins de partitions, si bien qu'un chemin moyen court signale une anomalie. La documentation la présente comme une méthode efficace pour les données de grande dimension.
- Local outlier factor signale les échantillons dont la densité est nettement plus faible que celle de leurs voisins, en tenant compte à la fois des propriétés locales et globales des données.
- Le SVM à une classe est sensible aux valeurs aberrantes présentes dans ses données d'apprentissage et demande un réglage soigneux de son paramètre
nu.
Toutes trois évaluent chaque ligne isolément, sans tenir compte de l'ordre des échantillons ; la dynamique doit donc être ajoutée sous forme de variables : valeurs décalées, moyennes glissantes, vitesses de variation. Expliquer quel repère a causé un score élevé demande aussi un travail supplémentaire, alors qu'un graphique de contribution PCA le donne directement.
Autoencodeurs et modèles LSTM
Ces réseaux de neurones apprennent à reproduire les données normales et utilisent l'erreur comme score d'anomalie. L'encodeur-décodeur LSTM de Malhotra et al. apprend à reconstruire le comportement « normal » de séries temporelles, utilise l'erreur de reconstruction pour détecter les anomalies, et a été testé sur deux jeux de données réels de moteurs (Malhotra et al., 2016).
Ils valent la peine d'être essayés quand les relations sont nettement non linéaires et que les historiques sont longs et propres. Ils coûtent plus cher : dans l'évaluation de Schmidl, LSTM-AD et EncDec-AD ont dépassé la limite de mémoire de l'étude dans 50 % et 26 % des expériences.
Les méthodes de deep learning font-elles mieux que les méthodes simples ?
Pas au vu des données actuelles. Schmidl et al. ont constaté que chaque famille peut être efficace, qu'aucune ne s'impose clairement, et que les approches de deep learning ne sont « pas (encore) compétitives » malgré leur effort d'apprentissage plus élevé (Schmidl et al., 2022). Ils soulignent aussi que tout déploiement réel exige des tests soigneux.
Les benchmarks publiés font partie du problème. Wu et Keogh soutiennent que la plupart des exemples des benchmarks de détection d'anomalies sur séries temporelles les plus utilisés présentent au moins l'un de quatre défauts, si bien que de nombreuses comparaisons publiées pourraient ne pas être fiables et qu'une grande partie des progrès apparents « pourrait être illusoire » (Wu et Keogh, 2022). Un score sur un benchmark en dit peu sur les données de votre usine.
Combien de fausses alarmes les exploitants peuvent-ils absorber ?
C'est ce qui décide de l'adoption, plus que la précision. Le NIST indique qu'une carte de Shewhart standard, qui ne signale qu'au-delà de ±3 écarts-types, donne une fausse alarme tous les 371 points en moyenne.
Le calcul est implacable. Avec un échantillon par minute, une variable donne une fausse alarme environ toutes les six heures. Cinquante variables suivies sur des cartes séparées déclenchent environ huit fausses alarmes par heure, en supposant des données normales et indépendantes. Les recommandations de gestion des alarmes ISA-18.2, telles que résumées par un architecte de Yokogawa dans Control Engineering, considèrent environ 6 alarmes par heure en moyenne comme très probablement acceptables et environ 12 comme le maximum gérable pour un système d'alarme. Les alertes d'un détecteur s'ajoutent aux alarmes que l'usine a déjà.
Trois habitudes limitent ce taux :
- Utiliser moins de statistiques, mais combinées : une carte T² et une carte SPE au lieu de 50 cartes par repère.
- Exiger une persistance, par exemple plusieurs points consécutifs au-delà de la limite, avant d'alerter.
- Au début, envoyer les résultats vers un écran d'ingénierie ou une liste de revue quotidienne, pas vers le sommaire d'alarmes de l'opérateur.
Comment gérer les démarrages, les changements de qualité et les modes de marche ?
Un modèle entraîné sur un mode de marche signalera tous les autres comme anormaux. Pour les procédés multimodes, l'usage est de construire des modèles de surveillance locaux pour chaque mode et de basculer de l'un à l'autre. En pratique :
- Utiliser le signal de mode, de qualité produit ou de charge issu du système de contrôle pour choisir le modèle.
- Exclure des données d'apprentissage les démarrages, les arrêts et les essais programmés, à l'aide du journal des événements.
- Reconstruire les données de référence après une modification d'équipement ou une nouvelle charge, comme pour un capteur logiciel qui dérive.
Comment tester un détecteur sur vos propres données, étape par étape ?
- Choisir une unité et un objectif, par exemple l'alerte précoce sur les incidents d'un compresseur, avec un responsable nommé.
- Extraire un an d'historique avec le cahier de quart, les déclenchements et les enregistrements de maintenance. Notre guide sur l'intégration de l'IA aux systèmes SCADA et OT traite de l'accès par l'historian ou OPC UA.
- Étiqueter les événements connus avec leurs heures de début et de fin : incidents, déclenchements, défauts d'instruments.
- Découper dans le temps. Entraîner sur une période antérieure de fonctionnement normal ; tester sur une période ultérieure contenant les événements étiquetés.
- Commencer simple. Mettre en place des cartes EWMA sur les repères clés et un modèle PCA avec T² et SPE ; n'essayer isolation forest ou un autoencodeur que s'ils ratent des événements importants.
- Mesurer ce que perçoivent les exploitants : événements détectés, minutes d'avance sur l'alarme existante, fausses alarmes par jour.
- Faire tourner en parallèle pendant plusieurs semaines, examiner chaque alerte avec les exploitants, puis décider.
Avant d'utiliser les données de l'usine, une équipe peut s'exercer sur des jeux publics : les données de simulation Tennessee Eastman de Rieth et al., avec 52 variables procédé échantillonnées toutes les 3 minutes, 20 types de défauts et 500 simulations pour chacun, et le Skoltech Anomaly Benchmark (SKAB), enregistré sur un banc d'essai de circulation d'eau équipé d'une pompe, avec huit variables mesurées. Tous deux proviennent d'une simulation ou d'un banc d'essai, pas d'une usine en exploitation.
Ce que nous avons constaté chez KABAS AI
Notre page industrie manufacturière cite l'analyse des tendances qualité et la détection d'anomalies parmi les capacités de DALILE pour la production, et la planification de la maintenance prédictive parmi celles de Virtual Lab. Notre équipe data science couvre la préparation des données, la détection de tendances, les modèles prédictifs et les pipelines qui assurent le suivi des modèles en production.
Nos conseils pratiques découlent des éléments ci-dessus. L'essentiel du travail porte sur les données, pas sur l'algorithme : relier les repères de l'historian, les journaux d'événements et les enregistrements de maintenance avec des horodatages cohérents. Convenez avec les exploitants de ce qu'est une alerte utile avant de choisir une méthode, et comptez les fausses alarmes dès le premier jour. Gardez le détecteur à l'intérieur de votre réseau, avec un accès en lecture seule aux données de l'usine ; notre guide sur le déploiement d'IA en environnement isolé (air-gapped) traite des usines sans connexion internet. Avant de commencer, vérifiez les données avec une évaluation de maturité IA et lisez pourquoi les projets d'IA industrielle échouent.
Sources
- Schmidl, Wenig et Papenbrock, Anomaly Detection in Time Series: A Comprehensive Evaluation, PVLDB 15(9), 2022
- Wu et Keogh, Current Time Series Anomaly Detection Benchmarks are Flawed and are Creating the Illusion of Progress, ICDE 2022 (arXiv 2009.13807)
- scikit-learn, Novelty and Outlier Detection, guide utilisateur
- NIST/SEMATECH e-Handbook of Statistical Methods, What are Variables Control Charts?
- NIST/SEMATECH e-Handbook of Statistical Methods, EWMA Control Charts
- NIST/SEMATECH e-Handbook of Statistical Methods, CUSUM Control Charts
- MacGregor et Kourti, Statistical process control of multivariate processes, Control Engineering Practice 3, 1995
- Dunn, Process Improvement Using Data, Hotelling's T² statistic
- Dunn, Process Improvement Using Data, Interpreting the residuals
- Malhotra et al., LSTM-based Encoder-Decoder for Multi-sensor Anomaly Detection, ICML 2016 Anomaly Detection Workshop (arXiv 1607.00148)
- Zhang, Zhou et Chen, Monitoring multimode processes: a modified PCA algorithm with continual learning ability, Journal of Process Control (arXiv 2012.07044)
- Tennant, Implementing Alarm Management per the ANSI/ISA-18.2 Standard, Control Engineering, 2013
- Rieth et al., Additional Tennessee Eastman Process Simulation Data for Anomaly Detection Evaluation, Harvard Dataverse, 2017
- Skoltech Anomaly Benchmark (SKAB), dépôt GitHub
Questions fréquentes
Quelle est la différence entre détection d'anomalies et diagnostic de défaut ?
La détection d'anomalies indique que les données ne ressemblent plus au fonctionnement normal. Le diagnostic indique quel défaut est présent. Les graphiques de contribution d'un modèle PCA désignent les variables à l'origine d'une alarme, ce qui aide l'ingénieur à poser le diagnostic, mais nommer le défaut automatiquement exige un classifieur entraîné sur des exemples étiquetés de ce défaut.
Faut-il des données de pannes étiquetées pour commencer ?
Pas pour construire le détecteur. La plupart des détecteurs industriels sont entraînés sur une période de fonctionnement normal et signalent ce qui s'en écarte. Il faut en revanche quelques événements étiquetés, comme des incidents, des déclenchements et des défauts d'instruments relevés dans le cahier de quart, pour vérifier que le détecteur les trouve et mesurer ses fausses alarmes.
La détection d'anomalies, est-ce la même chose que la maintenance prédictive ?
Les deux se recoupent. La détection d'anomalies est souvent la première couche d'un système de maintenance prédictive : elle signale un équipement qui se comporte différemment de son profil normal. La maintenance prédictive y ajoute le diagnostic du défaut et une estimation de la durée de fonctionnement restante, qui nécessitent un historique de pannes dont la détection d'anomalies seule n'a pas besoin.
À quelle fréquence faut-il réentraîner un modèle de détection d'anomalies ?
Il n'y a pas d'intervalle fixe. Il faut réentraîner le modèle ou reconstruire les données de référence après une modification d'équipement, un changement de catalyseur, un nouveau produit ou un nouveau mode de marche, et dès que le taux de fausses alarmes augmente. Une revue des alarmes avec les exploitants toutes les quelques semaines montre quand le modèle ne reflète plus le fonctionnement normal.
Le détecteur d'anomalies doit-il écrire dans le système de contrôle ?
Non. Il doit fonctionner comme une couche de conseil qui lit les données dans l'historian ou sur un serveur OPC UA et présente ses résultats aux exploitants et aux ingénieurs. Les exploitants agissent selon leurs procédures existantes, et le détecteur n'a aucun accès en écriture à une variable du système de contrôle.
Ces modèles peuvent-ils tourner sur site, sans accès à internet ?
Oui. Les cartes de contrôle, les modèles PCA, les isolation forests et le local outlier factor sont légers et tournent sur des serveurs ordinaires à l'intérieur du réseau de l'usine. Les modèles de deep learning demandent plus de mémoire et de puissance de calcul, mais ils peuvent eux aussi être entraînés et exécutés sur site.



