Détection d'anomalies
- La détection d'anomalies signale les comportements qui dévient d'un modèle appris du normal — sur de nombreuses variables à la fois, pas un seuil à la fois.
- Elle attrape la dérive multivariée : des combinaisons de petits changements dans les limites qui, ensemble, annoncent rebut ou panne.
- La qualité des alertes fait tout : chaque signalement doit arriver avec ses variables contributrices classées et respecter les régimes de fonctionnement.
- C'est l'entrée d'un pipeline — détection, puis attribution, puis action — pas une catégorie de produit en soi.
La détection d'anomalies est le cheval de trait du ML industriel : un modèle apprend le comportement joint des variables d'une ligne en production normale et note les données en direct contre ce modèle. Un score élevé signifie « cet instant ne ressemble à aucun bon historique » — souvent bien avant qu'une variable isolée ne franchisse une limite d'alarme.
Ce que les seuils ratent
Les alarmes mono-variables ratent trois formes de défaillance qui dominent les pertes réelles. Les combinaisons : cinq variables dérivent chacune de 1 % — individuellement anodin, ensemble une signature de rebut. Le contexte : 180 °C est normal pour le produit A et désastreux pour le produit B ; un modèle appris connaît la différence, une limite statique non. La dérive lente : trois semaines de glissement vers le bord de l'enveloppe qu'aucun coup d'œil quotidien aux courbes n'enregistrera. La dérive des signaux de procédé est aussi de plus en plus utilisée comme précurseur de panne plus précoce que la vibration pour certaines classes d'équipements.
Éviter le canon à alertes
L'échec classique est un système qui crie au loup jusqu'à ce que les opérateurs le coupent. Les défenses : l'attribution (chaque signalement nomme ses variables principales pour un tri en secondes), la conscience des régimes (changements de série, démarrages et mix produits sont modélisés, pas signalés), et un score de gravité relié aux conséquences qui comptent — rebut ou impact qualité prédit, pas la seule distance statistique. Évaluez exactement cela en pilote : alertes par équipe, part jugée actionnable par un ingénieur, délai entre signalement et explication.
FAQ
- La détection d'anomalies, est-ce la maintenance prédictive ?
- La maintenance prédictive en est une application. La détection d'anomalies sur signaux machine prédit les pannes ; les mêmes mathématiques sur les signaux de procédé prédisent les problèmes qualité et la dérive. Les plateformes diffèrent par les signaux dont elles font leur spécialité.
- Combien d'historique faut-il à un modèle d'anomalies ?
- Assez de production normale pour couvrir les vrais régimes de la ligne — typiquement des mois. Plus de régimes (produits, saisons, équipes) exigent plus d'historique ; une ligne aux produits stables peut s'entraîner utilement sur moins.
Chaque chiffre de ce site — dans un seul tableur sourcé.
Le marché à 43,6 Md$, les parts de cas d'usage, les freins à l'adoption et les résultats publiés, avec la colonne des sources intacte. Prêt à coller dans votre business case.