Détection d'anomalies de machines tournantes par IA

Contexte

Trois TP du module IA en Master 1 MESI, encadrés par Ivan Vazquez-Munoz et Dominique Knittel, en mars 2026. Le même jeu de six signaux sert à chaque TP, avec deux états sains et deux familles de défauts. Chaque TP change de famille d'apprentissage.

Ce que j'ai fait

• En non supervisé, j'ai extrait neuf caractéristiques temporelles, puis testé K-means, DTW, One-Class SVM et Isolation Forest.
• En supervisé, j'ai testé KNN, CNN et LSTM, avec recouvrement des fenêtres pour augmenter les données.
• En semi-supervisé, j'ai entraîné un auto-encodeur sur le seul signal sain, sur spectrogrammes puis scalogrammes.

Ce que j'ai remarqué et appris

• Les méthodes simples et robustes conviennent pour surveiller une usine. Le scalogramme sert à remonter à l'origine d'un défaut.
• Aucune méthode ne suffit seule. Recouper les résultats donne confiance.

Mes erreurs

• Le jeu est trop petit pour les gros modèles (125 fenêtres). Le CNN et le LSTM surapprennent vite.
• L'Isolation Forest a raté les défauts doux. Régler sa contamination reste à faire.

Résultats

• Le One-Class SVM est la méthode non supervisée la plus rigoureuse.
• Un recouvrement des fenêtres jusqu'à 75 % apporte un gain net.
• L'auto-encodeur sépare bien le sain des défauts, sauf les chocs très brefs.
• Un simple KNN est souvent plus fiable que les modèles profonds.

Stack technique