Détecter les anomalies dans les signaux des installations sans données d'erreur étiquetées reste un défi. Les autoencodeurs gagnent du terrain comme première couche pour détecter les écarts par rapport au fonctionnement normal, même dans des environnements sans historique clair de défaillance. Cependant, sans mémoire temporelle, leur capacité à capturer les défauts lents est limitée. Intégrer la mémoire avec LSTM ou GRU et suivre statistiquement l'erreur de reconstruction ouvre la voie à un système plus robuste et adaptable qui apprend et évolue sur le terrain.
Un autoencodeur classique est entraîné uniquement avec des données normales pour apprendre à reconstruire son entrée en la compressant dans un vecteur latent. Lorsqu'il est confronté à des données anormales, la reconstruction se dégrade et l'erreur de reconstruction augmente, signalant une déviation invisible aux contrôles classiques. L'avantage est qu'il ne nécessite pas d'étiquettes, ce qui le rend idéal pour les installations sans historique documenté de défauts.
Ce signal d'erreur peut être traité comme une série temporelle. L'application d'un contrôle statistique comme EWMA détecte les tendances anormales dans l'erreur avant que des seuils critiques ne soient franchis, indiquant une dérive possible ou de nouveaux modes de défaillance. Cela permet une surveillance continue de la qualité du modèle et du besoin de réentraînement.
Pour capturer les dégradations lentes et les motifs évolutifs complexes dans le temps, il est crucial de documenter et valider d'abord les alertes sur site afin de constituer des jeux de données étiquetés. Avec ces données supervisées disponibles, les autoencodeurs récurrents avec mémoire temporelle (LSTM ou GRU) peuvent être entraînés, améliorant la détection précoce et réduisant les fausses alertes. Cela définit un système scalable et auto-ajustable.
Sans suivi statistique de l'erreur et mémoire temporelle, les autoencodeurs classiques sont très sensibles à la dérive des données et ne capturent pas les défauts lents, provoquant des fausses alertes ou des détections manquées en production.
Étapes clés pour déployer cette solution sur le terrain :
1. Entraîner l'autoencodeur avec des données normales correctement normalisées et appliquer le même prétraitement en production. 2. Surveiller la série temporelle de l'erreur de reconstruction avec EWMA pour détecter la dérive et planifier le réentraînement. 3. Documenter et valider les alertes sur site pour constituer des jeux de données étiquetés pour les modèles supervisés de classification des défauts. 4. Faire évoluer le système en ajoutant des unités LSTM ou GRU pour fournir une mémoire et capturer les dégradations lentes. 5. Mettre en place des tableaux de bord clairs montrant l'erreur, le suivi statistique et l'espace latent pour l'interprétation technique et managériale.
Cette approche incrémentale et initialement auto-gérée améliore l'assimilation du système, réduisant le risque pris par l'entreprise lors de l'investissement car la montée en charge se fait progressivement. De plus, cette assimilation permet de construire un outil très robuste et fiable dans les phases finales.