Résistance au bruit et à la rareté de la détection d'anomalies par arbre de décision de systèmes physiques simulés

Nesrine Bannour , Anne Jeannin-Girardon (1) , Nicolas Lachiche (1) , Etienne Schneider

1 ICube - Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie

La détection d’anomalie est une tâche d’apprentissage dans laquelle les anomalies sont beaucoup plus rares que les comportements normaux. Notre objectif est de détecter une anomalie, en l’occurrence une fuite de fluide, le plus tôt possible, avant l’arrêt préventif de la machine. Dans cet article, nous étudions la résistance au bruit et à la rareté des anomalies d’une technique d’apprentissage supervisée, les arbres de décision. Nous considérons des données artificielles représentatives d’anomalies de systèmes physiques comme la crevaison d’un pneumatique ou la fuite de fluide réfrigérant d’une pompe à chaleur. Nos tests montrent qu’un arbre de décision est capable d’apprendre un seuil sur la pression observée, en présence de bruit, qui s’adapte à des fréquences très faibles d’anomalies, jusqu’à 1 pour 100 000.

Domaines: Intelligence artificielle [cs.AI]

Nesrine Bannour, Anne Jeannin-Girardon, Nicolas Lachiche, Etienne Schneider. Résistance au bruit et à la rareté de la détection d'anomalies par arbre de décision de systèmes physiques simulés. 19ième conférence francophone sur l'Extraction et la Gestion des Connaissances (EGC), Jan 2019, Metz, France. ⟨hal-03703424⟩