Detection automatique d'anomalies pour la prévision de séries temporelles multi-variées

Automatic anomaly detection for multi-variate time series forecasting

• Auteur / Autrice : Charles Dampeyrou
• Direction : Jean-Luc Dion
• Type : Projet de thèse
• Discipline(s) : Génie mécanique
• Date : Inscription en doctorat le 01/07/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
• Partenaire(s) de recherche : Laboratoire : QUARTZ (ECS, L@RIS, LISMMA)
• Partenaire(s) de recherche : référent : Ecole Normale Supérieure Paris-Saclay

Mots clés

Mots clés libres

Machine learning

Modèles physiques

Deep learning

Statistiques

Hybridation

Capteur virtuel

Machine learning

Physical models

Deep learning

Statistics

Hybridization

Virtual sensor

Résumé

L'objectif de cette thèse est de développer une solution numérique basée sur des algorithmes d'apprentissages pour la détection non supervisée d'anomalies dans les séries temporelles multivariées. Cette solution sera développée dans le contexte des systèmes de capteurs équipant des structures aéronautiques. Le comportement des capteurs étant directement lié par certaines physiques appliquées au système avion, l'originalité de l'approche proposée portera principalement sur la prise en compte de ces contraintes physiques dans la définition et/ou l'entraînement d'architecture de type VAE. Cette approche sera confrontée à l'état de l'art sur les méthodes de séparation de source et plus particulièrement sur les techniques de détection des anomalies dans les systèmes mécaniques. Cette démarche scientifique devrait ainsi permettre l'identification d'anomalies violant la physique sous-jacente au problème considéré (défaillance capteur par exemple) ou d'anomalies correspondant à un comportement mécanique extrême (chargement extrême, défaillance structurelle). Finalement, l'approche proposée pourra être mobilisée afin de consolider automatiquement des données utilisées pour l'entraînement de modèles de prédiction (ces modèles pouvant être des modèles de prédiction du comportement structurel d'un avion à partir d'instruments de vols tels que développés lors du Challenge AI for Industry 2020 ou tout autre modèle utilisant des séries temporelles multi-variées comme entrées) ou encore afin de servir d'outil d'aide à la décision en détectant l'émergence de défaillances dans un contexte de maintenance prédictive.

The goal of this thesis is to develop a numeric solution based on learning algorithms for unsupervised anomaly detection in multi-variate time-series. This solution will be developed in the context of plane equipping sensor systems. The behavior of the sensors being physically linked to the plane, the originality of the approach stays in the integration of these physical constraints into the definition and/or training of a VAE architecture. This approach will be confronted to state-of-the-art source separation methods, and particularly on anomaly detection techniques used for mechanical systems. This should allow the identification of anomalies which do not respect the underlying physic (defaulting sensor for instance) or anomalies corresponding to an extreme mechanical behavior (extreme load, structural default). Finally, the proposed approach could be used to automatically consolidate data used for the training of prediction models (these models can be prediction models for the structural behavior of a plane given the on-board instrument informations, as developed during the Challenge AI for Industry 2020, or other models using multi-variate time series as input) or be used for decision support by detecting the appearing of defaults in a context of predictive maintenance.