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

43 Figure 50 Capteur de déplacement étudié. L’objectif de cette démarche étant de détecter et localiser une anomalie dans un jeu de données , plusieurs scénarios ont été considérés : Un premier scénario où les données des capteurs n’ont pas ét é modifiées (Figure 50) : après étude des séries temporell es des capteurs de déplacement, aucune anomalie n’a été constatée, aucune ne devrait donc être décelée en appliquant la détection automatique. Un second scénario (Figure 51) où la série de données du capteur étudié a été altérée avec un déplacement de 3 mm sur une période d’un mois (à comparer avec l’amplitude annuelle de 35 mm). L’objectif est ici de voir si cette anomalie est correctement identifiée avec cette approche. Figure 51 Génération d’une anomalie virtuelle sur le capteu r de déplacement ciblé. À noter que cette anomalie est appliquée de façon lissée sur 3 jours, de façon à ne pas avoir de saut abrupt de 3 mm entre deux mesures. Enfin, un troisième scénario (Figure 52) où l’une des séries utilisées en entrée d’un des modèl es est considéré. De façon similaire, un déplacement de 6 mm a été appliqué sur l’un des capteurs de déplacement en entrée d’un modèle. L’application d’une variation plus forte dans ce scénario s’ex plique par le fait que plusieurs capteurs de tension sont utilisés en entrée, ce qui peut avoir pour effet de diminuer l’impact de l’anomalie. L’objectif est ici de tester si l’on peut distinguer l’effet de l’erreur liée à une entrée anormale d’un cas où la série cible est anormale.