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

31 traitement prend ici directement en compte les multiples résidus disponibles pour un capteur et ne nécessite donc pas de combinaison de résultats individuels pour un capteur donné. Figure 25 Exemple de résidus virtuels générés (sans unité). Les résidus 0 et 2 comportent chacun une variation locale, respectivement entre les points 1000 et 1200 (résidu 0 en bleu), et 1000 et 1500 (résidu 2 en vert), représentant une anomalie temporaire. Figure 26 Application de l’algorithme : trois points sont identifiés, correspondant aux limites des intervalles identifiés dans la figure précédente, à L=50 près. La statistique représentée correspond à la métrique produite en combinant les résidus. III.D. Synthèse Dans le cadre de ce projet, deux approches de traitement statistiques ont été proposées pour assister l’expert dans l’analyse des résultats de plusieurs modèle s générés par des outils IA pour l’identification d’anomalies. La première approche proposée, reposant sur la détection de points de changement, s’inscrit dans la démarche de mise au point d’un indicateur d’anormalité en appliquant divers tests statist iques sur les résidus de modèles prédictifs. Dans cette approche, les résidus obtenus pour un même capteur sont étudiés individuellement avant que l’indicateur soit obtenu par moyenne des résultats de chaque résidu. L’intégration opérationnelle a été réalisée à l’aide de la suite MATLAB.