L’apprentissage incrémental : allier le meilleur de deux mondes
Qui consiste à injecter un maximum de données représentant l’ensemble des états du système en entrée de l’apprentissage d’un modèle afin de rendre celui-ci le plus robuste à l’ensemble des comportements de l’équipement et d’augmenter la pertinence de celui-ci lors de la reconnaissance des pannes.
Qui consiste à apprendre le comportement nominal d’un équipement afin de détecter par la suite tous les comportements qui sortiraient de cette “normalité”. Cette approche permet d’initier très rapidement un modèle mais celui-ci n’aura pas la connaissance nécessaire pour reconnaître les pannes.
Amiral Technologies prend le parti de tirer avantage du meilleur des deux approches en travaillant sur un apprentissage dynamique tout au long de la vie de l’équipement. Cette méthodologie est particulièrement pertinente dans le contexte industriel où les occurrences de pannes sont rares et arrivent au cours du temps.
L'apprentissage incrémental
(Incremental Model Learning)
Apprendre le fonctionnement nominal de l’équipement (créer l’espace de normalité).
Lever une alerte lorsqu’une probable anomalie survient, et demander à l’utilisateur expert métier de venir valider ou non cette anomalie.
Ajuster l’espace de normalité en conséquence, si un nouveau comportement sain n’a jamais été vu auparavant, afin de tenir compte de ce nouveau point de fonctionnement sain.
Confirmer l’anomalie, si le comportement est jugé non sain, et demander à l’utilisateur de nommer la panne afin d’enrichir le dictionnaire de pannes (voir ci-dessous).
Distinguer le défaut et l’identifier automatiquement dans le futur si celui-ci est amené à se reproduire.
Le dictionnaire d’anomalies
Au fur et à mesure que DiagFit est enrichi en anomalies, les signatures de ces défauts sont répertoriées dans un “dictionnaire des pannes” de l’équipement.
Lors de l’apparition d’une nouvelle anomalie, DiagFit est capable de calculer la probabilité de son appartenance à une ou plusieurs catégories de pannes déjà vues. Il donne alors un score de confiance à l’utilisateur vis-à-vis de cette labellisation.
L’association du détecteur d’anomalie et de cette technique permet à DiagFit de faire de l’identification de panne (reconnaître ce qui a déjà été vu) en parallèle de la détection de panne sur des cas jamais identifiés auparavant.
Chalk & talk
Dr Thibaut Le Magueresse, DataScientist chez Amiral Technologies
Labelliser les anomalies et améliorer son modèle
“Comme les équipements vivent et évoluent au cours de leur fonctionnement, nous avons pris le parti chez Amiral Technologies d’orienter notre travail autour de la dynamique des modèles et du machine learning incremental.”.
