Contexte
Trois TP du module IA en Master 1 MESI, encadrés par Ivan Vazquez-Munoz et Dominique Knittel, en mars 2026. Le fil rouge ne change pas d'une séance à l'autre, repérer des anomalies sur les signaux d'une machine tournante, ce qui est le cœur de la maintenance prédictive. Je travaille sur le même jeu de six signaux, de A à F, avec deux états sains (A et E) et deux familles de défauts (B et D, puis C et F). Chaque TP attaque le problème par une famille d'apprentissage différente, et tout est fait sous MATLAB.
Approche / Solution
TP1, apprentissage non-supervisé. J'extrais d'abord neuf caractéristiques temporelles des signaux (entropie de Shannon, valeur efficace, et d'autres), puis je les passe dans plusieurs méthodes pour voir lesquelles séparent bien les états. Je compare un K-means, une distance DTW, un One-Class SVM et un Isolation Forest sur les mêmes données. TP2, apprentissage supervisé. J'entraîne et je compare un KNN, un CNN et un LSTM sur ces caractéristiques. J'ajoute ensuite du recouvrement entre fenêtres temporelles, une façon d'augmenter artificiellement la quantité de données. TP3, apprentissage semi-supervisé. Je transforme les signaux en images, des spectrogrammes par FFT puis des scalogrammes par ondelettes, et j'entraîne un auto-encodeur sur le seul signal sain (le A). Un signal dont l'erreur de reconstruction dépasse un seuil est considéré comme anormal.
Résultats
Un constat revient sur les trois TP, le jeu de données est trop petit pour les gros modèles. Avec 125 fenêtres, et seulement 49 spectres pour l'auto-encodeur, le CNN et le LSTM surapprennent vite. Un simple KNN reste souvent plus fiable, et aucune méthode ne suffit seule. C'est le recoupement de plusieurs modèles qui donne confiance dans le verdict. En non-supervisé, le One-Class SVM s'est montré le plus rigoureux. L'Isolation Forest a raté les défauts doux (B et D) tout en repérant les défauts francs (C et F). La distance DTW donne une lecture visuelle très parlante, mais elle coûte cher en calcul. En supervisé, le recouvrement entre fenêtres agit comme une augmentation de données, avec un gain net jusqu'à 75 % de recouvrement. En semi-supervisé, normaliser les spectrogrammes entre 0 et 1 a beaucoup stabilisé l'entraînement. L'erreur de reconstruction sépare bien le signal sain des défauts, sauf pour les chocs très brefs qui se noient dans la moyenne. J'en tire une règle d'ingénieur, le bon outil dépend du but. Pour automatiser la surveillance en usine, je garde des méthodes simples et robustes, un KNN sur les features ou un auto-encodeur sur spectrogramme FFT. Pour remonter à l'origine physique d'un défaut (roulement, engrenage ou moteur), je passe au scalogramme par ondelettes, plus lourd mais bien plus lisible pour l'œil. Décider de changer une pièce avant un arrêt de production vaut souvent mieux que courir après le dernier point de précision. Ce que je pourrais encore creuser, récupérer davantage de données puisque c'est le vrai verrou, tester un auto-encodeur variationnel, régler la contamination de l'Isolation Forest, et combiner les domaines temporel, fréquentiel et ondelette dans un même diagnostic.