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

24 Figure 18 Exemple de modèle prédictif (en haut) et résidu RMSE 24h associé (en bas). Dans cet exemple, une période avec un résidu significativement plus élevé que sur le reste de la série peut être observée : le comportement observé sur cette période apparaît anormal, et peut conduire à l’intervention d’un expert pour une analyse plus poussée. Cependant, l’utilisation de modèles prédictifs entre les séries de données s’acco mpagne de diverses limites, notamment : - L’absence d’interprétation mécanique/physique sur les écarts observés, et donc sur la nature de l’anomalie : est-elle liée à une modification du comportement de l’ouvrage ou bien simplement à une erreur ou une dérive du système d’acquisiti on ? - L’absence de localisation de l’anomalie : même en supposant que le modèle est fiable, les variations du résidu peuvent être attribuables à une anomalie aussi bien dans que dans . La première limite identifiée ci-dessus ne remet pas en cause la démarche si celle-ci ne vise pas à conclure sur la nature et la sévérité des anomalies observées, mais à assister un expert en détectant automatiquement des périodes anormales dans les séries de mesures. Pour la seconde limite, les Figures 19 et 20 illustrent les résidus issus de modèles construits à partir de données d’entrées différentes et modélisant le même capteur que celui considéré dans la Figure 18. Figure 19 Résidu généré à partir d’un modèle avec des entrées différentes.