Prédiction de situations anormales par apprentissage automatique pour la maintenance prédictive : approches en transport optimal pour la détection d’anomalies

Les avancées technologiques émergentes de l’Internet des objets (IoT) ont conduit à une interférence significative des stratégies manufacturières. À cette fin, des concepts tels que "Industrie 4.0", "fabrication intelligente" et "usine numérique" ont vu le jour. Dans ces contextes, la maintenance prédictive joue de plus en plus un rôle crucial dans la réduction des coûts et l’amélioration des performances commerciales car elle utilise des sources de données hétérogènes pour détecter les comportements anormaux des équipements (diagnostic), prédire les modes de défaillance futurs (pronostic) et soutenir les décisions en amont (prise de décision proactive).Dans cette thèse, nous présentons une vue d’ensemble des architectures demaintenance prédictive et nous nous intéressons à un pilier capital de ces architectures, la détection d’anomalies comme première étape de prise de décision dans une architecture de maintenance prédictive. Nous apportons deux contributions à cette question de recherche.Une première méthode de classification semi-supervisée en transport optimal dans deux versions (paramétrique et non-paramétrique) pour la détection d’anomalies dans les séries temporelles. Les travaux expérimentaux de l’application de cette méthode sur des ensembles de données acoustiques synthétiques et réels prouvent la robustesse des métriques au sens transport optimal et démontrent en outre la supériorité des performances de la méthode par rapport aux algorithmes de l’état-de-l’art.La deuxième contribution concerne une méthode non-supervisée de détectiond’anomalies dans des données multidimensionnelles. Elle identifie les valeurs aberrantes locales dans un espace topologique non-euclidien en utilisant des métriques en transport optimal.Les résultats expérimentaux montrent l’efficacité de la méthode à remédier au problème de la malédiction de dimensionnalité et témoignentde la différence statistiquement significative de la méthode proposée par rapportaux méthodes de l’état-de l’art-évaluées. Emerging technological advances in the Internet of Things (IoT) have led to significant interference from manufacturing strategies. To this end, concepts such as "Industry 4.0", "smart manufacturing" and "digital factory" have emerged. In these contexts, predictive maintenance plays an increasingly crucial role in reducing costs and improving commercial performance because it uses heterogeneous data sources to detect abnormal behavior of equipment (diagnostics), predict modes of f