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

44 Figure 52 Génération d’une anomalie virtuelle sur le capteur de déplacement en entrée d’un modèle . Le protocole suivant est alors appliqué : - Cinq jeux d ’entrées sont constitués par corrélation (avec à chaque fois : 1 capteur de déplacement, 1 inclinomètre, 1 accéléromètre, 4 capteurs de tension, 5 sondes de température) ; - Cinq modèles LSTM sont entraînés par apprentissage sur un an de données ; - Les résidus respectifs de chaque modèle sont calculés ; - Les résidus sont transformés en RMSE quotidiens ; - Les points de changement et segments du signal correspondants sont identifiés (cf. Equations 3 à 11) avec = 3 en utilisant la moyenne locale comme métrique. L’utilisation de la moyenne se justifie par la transformation en RMSE quotidiens : toute variation de moyenne ou de variance dans le résidu se traduit par un changement de moyenne du RMSE ; - Les tests de normalité, stationnarité, et de Student, ce dernier étant effectué en comparaison avec le premier segment identifié qui est considéré comme la référence ; - Les résultats pour chaque modèle sont étiquetés par journée à partir des résultats des tests (suivant la démarche présentée au Paragraphe III.B.3) ; - Les étiquettes quotidiennes obtenues sont moyennées pour obtenir un indicateur journalier. Pour le scénario #1 , les Figures 53 et 54 montrent respectivement les résidus et les étiquettes correspondantes.