MAADISON - Modèles par apprentissage automatisés pour la surveillance des ouvrages névralgiques | FEREC 2020

16 la plus élevée entre eux , puis on les répartit dans les N groupes d’entrées. On itère ensuite ce processus jusqu’à ne plus avoir de capteurs. L’objectif de c ette approche est de répartir au mieux les informations redondantes (et donc supposément corrélées) entre les signaux dans différents groupes de capteurs. Analyse en composantes principales : L’analyse en composantes principales ( Principal Component Analysis , PCA) est une méthode statistique de réduction de données. Cette approche consiste à considérer le jeu de données (N capteurs) comme un problème à N dimensions, et à le projeter dans un nouvel espace vectoriel. Pour ce faire, la matrice de corrélation des séries de capteurs est diagonalisée, ce qui permet d ’identifier les composantes communes (ou non) dans les différents signaux. Elles sont ensuite triées en fonction de leur variance pour identifier les composantes principales. Cette réduction de dimension a pour but de résumer au mieux les variables initiales. En sélectionnant les premières composantes, généralement majoritaires dans l’expression de la variance globale du jeu de données, il est possible d’identifier visuellement des groupes de capteurs . La Figure 10 est un exemple de représentation de la part des deux premières composantes principales dans les séries de capteurs issus de l’instrumentation du pont extradossé (Figure 8). Figure 10 Identification des groupes de c apteurs à l’aide des deux premières composantes principa les. On identifie clairement, sur ces deux composantes, trois groupes de capteurs, et on note également que les capteurs du même types sont, dans la majorité des cas, rassemblés dans le même groupe, similairement à ce qui a été observé pour l’approche par corrélation. Distances symboliques : la classification des séries temporelles ( Time-Series Classification , TSC) est un vaste domaine dont la démarche revient à regrouper les séries temporelles en groupes homogènes. Différentes approches de regroupement existent, basées sur des critères de distance et de similarité. Des outils comme le Dynamic Time Warping (DTW) l’algorithme COTE ( Collective of Transformation-Based Ensembles ) permettent de mieux prendre en compte les déphasages et mieux éliminer le bruit que la distance euclidienne classique entre les courbes. On parle ici de distance symbolique. II.E.3. Résultats Les modèles RNN, NARX, et LSTM ont été appliqués sur les données de l’instrumentation du pont ext radossé (Figure 8). Les modèles ont été mis en œuvre à l’aide du logiciel MATLAB, en utilisant la toolbox Deep Learning