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

48 anormal par tous les modèles. On voit ainsi que cet indicateur peut être utilisé pour identifier automatiquement des périodes anormales dans une série de données. Enfin, dans le scénario #3, en le comparant au scénario #1, o n ne constate qu’une brève augmentation de l’indicateur d’anormalité qui atteint un maximum de 0.6 (alors que cette période est à 0.4 pour le scénario #1). Encore une fois, si l’on peut attribuer une partie de ce score à la grande sensibilité du test utili sé, on constate également l’intérêt de l’approche : pour un cas où le capteur modélisé est affecté par une anomalie l’indicateur atteint une valeur de 1, ce qui n’est pas le cas pour un scénario où une des entrées est affectée. Au-delà de la détection simp le de l’anomalie dans le temps, cette approche peut donc être utilisée pour identifier le ou les capteur(s) en cause, et ainsi permettre la localisation de l’anomalie dans un jeu de données. IV.B.2. Application de la méthode du maximum de vraisemblance pénalisé sur une anomalie réelle La démarche décrite dans le paragraphe précédent est appliquée sur les données de trois capteurs de tension : deux capteurs pour lesquels aucune anomalie n’a été relevée (notés A et B), et le capteur sur lequel la baisse de tension anormale a été constatée (noté C). Il est important de noter que les trois capteurs sont inclus parmi les entrées des modèles des uns et des autres. La Figure 60 illustre les indicateurs pour ces trois capteurs. Figure 60 Coeffici ents d’anormalité quotidiens calculés pour trois capteurs de tension . On observe sur les capteurs A et B, qui n’ont a priori pas observé d’anomalies particulières, de s valeurs maximales de l’indicateur à 0.2, qui indiquent qu’il n’y a vraisemblablement pas d’anomalies dans les données. Pour le capteur A, on note que cette période correspond à la même période que pour le capteur C : celui-ci étant utilisé en entrée pour un des modèles de A, il est possible qu’il soit la cause de cet écart au modèle. Pour le capteur B, l’anomalie survient en été à une période avec de fortes variations, il est possible (comme observé précédemment) que l’étiquetage soit imputable à la perfo rmance du modèle en été. Enfin, pour le capteur C, l’anomalie est très clairement identifi ée dans le temps : l’indicateur atteint une valeur de 1 sur la période qui avait été identifiée lors de l’analyse manuelle des données.