FR3036515A1 - Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet. - Google Patents

Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet. Download PDF

Info

Publication number
FR3036515A1
FR3036515A1 FR1554441A FR1554441A FR3036515A1 FR 3036515 A1 FR3036515 A1 FR 3036515A1 FR 1554441 A FR1554441 A FR 1554441A FR 1554441 A FR1554441 A FR 1554441A FR 3036515 A1 FR3036515 A1 FR 3036515A1
Authority
FR
France
Prior art keywords
classifier
state
procédé
prediction
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR1554441A
Other languages
English (en)
Other versions
FR3036515B1 (fr
Inventor
Jean-Michel Cambot
Remi Coletta
Loic Linais
Emmanuel Castanier
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TELLMEPLUS
Original Assignee
TELLMEPLUS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by TELLMEPLUS filed Critical TELLMEPLUS
Priority to FR1554441A priority Critical patent/FR3036515B1/fr
Priority to US15/574,255 priority patent/US20180129947A1/en
Priority to PCT/EP2016/061138 priority patent/WO2016184912A1/fr
Priority to EP16729196.2A priority patent/EP3298549A1/fr
Publication of FR3036515A1 publication Critical patent/FR3036515A1/fr
Application granted granted Critical
Publication of FR3036515B1 publication Critical patent/FR3036515B1/fr
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

La présente invention concerne un procédé (100) de prédiction de la réalisation future d'au moins un état que peut prendre un objet, à partir d'une base de données source, mémorisant pour les occurrences passées dudit au moins un état, des valeurs des variables relatives audit objet, ledit procédé (100) comprenant les étapes suivantes : - génération (108) d'au moins deux classifieurs selon deux algorithmes de classification de données, différents, - pour chacun desdits classifieurs, apprentissage automatique (112), et - sélection (116) du meilleur classifieur parmi lesdits classifieurs ; ledit procédé (100) comprenant en outre une phase (120), dite de détection, comprenant : - une mise à jour (122), dans le temps, de ladite base de données source, et - au moins une étape (124) de prédiction par ledit meilleur classifieur, à partir de ladite base de données source mise à jour.

Description

- 1 - « Procédé et système de prédiction de la réalisation d'un état prédéterminé d'un objet » Domaine technique La présente invention concerne un procédé de prédiction de la réalisation d'un état d'un objet, avant que ledit état ne se réalise. Elle concerne également un système mettant en oeuvre un tel procédé. Le domaine de l'invention est le domaine de la prédiction de 10 l'occurrence d'un événement prédéterminé concernant un objet, et en particulier d'une panne d'un appareil ou d'un organe d'un appareil avant que ladite panne n'ait lieu. 15 Etat de la technique Quel que soit leur niveau de perfectionnement, les machines industrielles sont régulièrement sujettes aux pannes. Dès lors qu'elles sont déployées dans leur environnement de fonctionnement, les pannes de ces machines ont pour première conséquence une baisse ou une interruption de la 20 fonctionnalité qu'elles offrent et ce quel que soit le domaine considéré. Il existe actuellement des procédés et systèmes permettant de détecter une panne d'une machine, et plus généralement un état d'un objet lorsque ledit état se produit. Ces procédés et systèmes se basent sur un ou des capteurs disposés sur la machine cible et prévus pour détecter la panne de la 25 machine après que la réalisation de ladite panne a lieu. Ces procédés présentent plusieurs inconvénients. D'une part, ces procédés ne permettent pas d'éviter une baisse ou une interruption de la fonctionnalité réalisée par la machine. D'autre part, la détection de la panne n'ayant lieu qu'après sa réalisation, la résolution de la panne ne peut être 30 réalisée rapidement, ce qui entraine une baisse/absence de fonctionnalité pendant une durée non négligeable. Pour tenter de pallier ces inconvénients, des procédés et systèmes de prédiction de panne ont été développés. Ces procédés mettant en oeuvre un algorithme de prédiction d'une panne d'une machine cible prenant en compte 35 diverses données relatives à ladite machine cible. Cependant, ces procédés et 3036515 -2 systèmes présentent également des inconvénients : ils sont développés spécifiquement à un type de machine, sont peu flexibles, et fournissent des résultats peu précis. 5 Un but de la présente invention est de remédier aux inconvénients précités. Un autre but de la présente invention est de proposer un procédé et un système de prédiction d'un état d'un objet plus flexible. Il est aussi un but de la présente invention de proposer un procédé et 10 un système de prédiction d'un état d'un objet pouvant être utilisé pour tous types d'objets, avec peu de modifications. Enfin, un autre but de la présente invention est de proposer un procédé et un système de prédiction d'un état d'un objet fournissant des résultats plus précis. 15 Exposé de l'invention Au moins un de ces objectifs est atteint par un procédé de prédiction de la réalisation d'au moins un état que peut prendre un objet, avant que ledit 20 état ne se réalise, à partir d'une base de données, dite source, mémorisant, pour au moins une, en particulier plusieurs, occurrence(s) passée(s) dudit au moins un état, des valeurs d'au moins un, en particulier de plusieurs, variable(s) relative(s) audit objet, déterminées avant ladite, ou chacune desdites, occurrence(s) dudit état, ledit procédé comprenant les étapes 25 suivantes : - génération d'au moins deux classifieurs selon deux algorithmes de classification de données différents, - pour chacun desdits classifieurs, apprentissage automatique sur une première partie de ladite base de données source, 30 - sélection, parmi lesdits classifieurs, d'un classifieur, dit meilleur classifieur, fournissant la meilleure performance de prédiction sur une deuxième partie de ladite base de données source, par comparaison des résultats fournis par chaque classifieur ; ledit procédé comprenant en outre une phase, dite de détection, comprenant : 3036515 - 3 - - une mise à jour, dans le temps, de ladite base de données source avec au moins une nouvelle valeur de ladite variable, - au moins une étape de prédiction d'un état, par ledit meilleur classifieur, à partir de ladite base de données source mise à jour. 5 Ainsi, pour détecter la réalisation future d'un état d'un objet, le procédé de prédiction selon l'invention permet de générer et de tester plusieurs classifieurs de prédiction à partir des données relatives audit objet, et en particulier sur les occurrences passées dudit état, et de choisir le classifieur fournissant le meilleur résultat de prédiction.
Par conséquent, le procédé selon l'invention est plus flexible car il permet de s'adapter à n'importe quel type d'objet pour la détection de n'importe quel état dont les occurrences passées sont connues, en proposant un apprentissage de chaque classifieur directement en fonction des données concernant l'objet.
Le procédé selon l'invention est également utilisable pour tous types d'objets, avec peu de modifications, car il permet de sélectionner de manière automatisée le classifieur le plus adapté pour chaque objet parmi plusieurs classifieurs utilisant différents algorithmes. Enfin, le procédé selon l'invention permet de réaliser une prédiction plus 20 précise de la réalisation d'un état d'un objet car la prédiction est réalisée avec le classifieur qui, parmi plusieurs classifieurs testés, fournit le meilleur résultat de prédiction. Bien entendu, chacune des première et deuxième parties de la base de données source comprend au moins une occurrence, en particulier une 25 multitude d'occurrences, passée(s) pour l'au moins un état de l'objet. Par « classifieur » on entend, un algorithme ou une famille d'algorithme de classement statistique. Cette notion est bien connue de l'homme du métier en tant que telle dans le domaine du classement statistique. Il n'est donc pas 30 nécessaire de détailler plus cette notion. Par « apprentissage », on entend le processus permettant de déterminer, en particulier par itération, les coefficients d'un classifieur en fonction de données d'entrée connues et de de données de sorties connues. Cette notion est également bien connue de l'homme du métier en tant que 35 telle dans le domaine du classement statistique. Il n'est donc pas nécessaire 3036515 - 4 - de détailler plus cette notion. Il est possible de trouver plus de détail sur l'apprentissage à la page dont l'adresse est la suivante : http://fr.wikipedia.org/wiki/Référence: Machine Learning) Dans la suite de la description, l'objet pour lequel la prédiction est 5 réalisée peut être appelé objet cible pour éviter des lourdeurs rédactionnelles. Avantageusement, le procédé selon l'invention peut en outre comprendre au moins une itération d'une étape, dite de vérification, pour vérifier dans le temps que le meilleur classifieur reste celui qui, parmi tous les 10 classifieurs générés, fournit la meilleure performance de prédiction, ladite étape de vérification comprenant les étapes d'apprentissage et de sélection réalisée sur ladite base de données mise à jour au moment de ladite itération de ladite étape de vérification. Cette étape de vérification est réalisée après une ou plusieurs étapes de 15 prédiction. Ainsi, le procédé selon l'invention permet de surveiller dans le temps que le classifieur choisi au début du procédé reste celui qui fournit le meilleur résultat de prédiction. Cette caractéristique du procédé selon l'invention est particulièrement avantageuse. En effet, grâce à cette caractéristique, le procédé de prédiction selon l'invention ne se base pas sur un apprentissage d'un classifieur appris une fois pour toutes, mais continue d'apprendre au fur et à mesure. Cette fonctionnalité permet de prendre en compte l'évolution dans le temps de l'objet cible, tel que par exemple le vieillissement de l'objet cible, une modification de l'usage de l'objet cible, etc. L'étape de vérification peut être déclenchée par un opérateur et/ou de manière automatisée à une fréquence prédéterminée, par exemple en fonction du nombre d'itération de la phase de détection.
Suivant un mode de réalisation non limitatif, l'étape de sélection du meilleur classifieur peut comprendre : - une mesure, pour chaque classifieur : 3036515 - 5 - ^ d'une donnée, dite de précision, relative à un taux d'erreur lors de la détection des occurrences passées d'au moins un état, ^ d'une donnée, dite de rappel, relative au nombre 5 d'occurrences passées d'au moins un état, détectées par ledit classifieur; - la sélection du meilleur classifieur étant réalisée en fonction de ladite donnée de précision et/ou de ladite donnée de rappel. Ainsi, le procédé selon l'invention permet de mieux prendre en compte 10 les résultats de chaque classifieur en vue de choisir le classifieur fournissant le meilleur résultat de prédiction. Avantageusement, le procédé selon l'invention peut en outre comprendre, après l'étape d'apprentissage automatique, une étape, dite de 15 cross-validation, testant au moins un, en particulier chaque, classifieur, sur une troisième partie de ladite base de données source. Bien entendu, cette troisième partie de la base de données source comprend au moins une occurrence, en particulier une multitude d'occurrences, passée(s) pour l'au moins un état de l'objet.
20 Cette étape de cross-validation, également appelée validation croisée, permet de valider l'apprentissage d'un classifieur réalisé sur la première partie de la base de données source, sur une troisième partie, différente de la première partie. Cette étape de cross validation permet plus particulièrement de tester la stabilité de chaque classifieur obtenu suite à l'étape 25 d'apprentissage. Il existe différentes techniques de validation croisée qui peuvent être utilisées pour un classifieur, telles que par exemple la technique connue sous le nom « testset validation », la technique connue sous le nom « holdout method », la technique connue sous le nom « k-fold cross-validation » ou 30 encore la technique connue sous le nom « leave-one-out cross-validation ». La première partie de la base de données source, utilisée pour l'apprentissage, peut être appelée, partie d'apprentissage. Elle peut correspondre à 60% ou plus de la base de données source. 3036515 - 6 - La deuxième partie de la base de données, différente de la première partie, peut être appelée, partie de sélection. La deuxième partie de la base de données peut correspondre à 20% de la base de données source. La troisième partie de la base de données, différente de la première et 5 de la deuxième partie, peut être appelée, partie de test ou de cross-validation ou de validation croisée. La deuxième partie de la base de données peut correspondre à 20% de la base de données source. La première partie et la troisième partie de la base de données source peuvent être différentes pour chaque classifieur. Par contre, la deuxième 10 partie de la base de données source, utilisée lors de l'étape de sélection, est identique pour chaque classifieur. L'étape de génération peut avantageusement comprendre, pour au moins un classifieur, une étape d'ajustement/d'entrée d'un paramètre relatif à 15 l'architecture dudit classifieur. Un tel paramètre peut être ou comprendre un nombre maximum/minimum de noeuds dans le classifieur, une profondeur maximum/minimum dudit classifieur, un nombre d'arbre dans le classifieur, etc. etc.
20 Une telle étape d'ajustement permet d'appliquer au moins une contrainte, identique ou différente, pour au moins un, en particulier chaque, classifieur et ainsi de contrôler/ajuster les ressources informatiques nécessaires à l'exécution du procédé selon l'invention, par exemple en termes 25 de mémoire et de puissance de calcul, et/ou le temps d'exécution du procédé selon l'invention. Il est ainsi possible d'ajuster et de personnaliser encore plus le procédé selon l'invention à chaque objet, et plus généralement à chaque cas.
30 Avantageusement, le procédé selon l'invention peut comprendre, avant l'étape d'apprentissage, une étape de génération de ladite base de données source par réconciliation d'au moins une base de données comprenant des valeurs d'au moins une variable relative audit objet, avec au moins une autre base de données comprenant des données relatives à au moins une occurrence passée d'au moins un état. 3036515 - 7 - Une telle étape est nécessaire lorsque les données relatives à l'objet cible sont mémorisées sur différentes bases de données. Par exemple, dans le cas de machines de type ascenseurs, il arrive très souvent que les données mesurées par les capteurs disposés sur l'ascenseur soient mémorisées dans 5 une première base de données et les données relatives aux pannes passées de l'ascenseur soient mémorisées dans une autre base de données. Dans ce cas, il est nécessaire de construire une unique base de données comprenant à la fois les données mesurées par les capteurs et les occurrences passées d'une panne de l'ascenseur.
10 Suivant un mode de réalisation particulièrement préféré, pour l'objet cible, en particulier pour chaque objet cible, les données relatives audit objet sont organisées sous la forme d'une frise chronologique ou ligne de temps (« timeline » en anglais).
15 Plus particulièrement, la base de données source comprend pour l'objet cible, en particulier pour chaque objet cible, une timeline sur laquelle sont indiquées de manière chronologique : - les valeurs des variables mesurées, et - la signalisation de l'occurrence d'un état, en particulier de chaque 20 état, de l'objet, etc. - pour chaque état, des données relatives à une intervention, telle qu'une réparation ou un remplacement de l'objet ou d'un organe de l'objet 25 Plus généralement, pour chaque objet cible, la base de données source peut avantageusement mémoriser : - pour chaque valeur mesurée d'une variable, au moins une donnée temporelle relative au moment de la mesure de ladite valeur, et - pour chaque occurrence passée d'au moins un, en particulier de 30 chaque état, une donnée temporelle relative au moment de ladite occurrence. Suivant un mode de réalisation avantageux, au moins une en particulier chacune des étapes, en particulier l'étape d'apprentissage, et/ou l'étape de 3036515 - 8 - sélection, et/ou l'étape de prédiction, peut prendre en compte des données sur une fenêtre temporelle glissante prédéterminée précédent le moment actuel. Ainsi, le procédé selon l'invention permet de réaliser une prédiction basée, non pas sur une photographie instantanée des valeurs des variables 5 relatives à l'objet, mais sur une évolution des valeurs de ces variables. Une telle prédiction est plus précise et plus fine. Par exemple, une valeur instantanée élevée de température mesurée par un capteur d'une machine n'est pas forcément signe d'une panne de la machine, il faut prendre en compte la façon dont la température a évoluée. En 10 effet, si une montée en température régulière peut ne pas être signe de panne, un pic de température rapide peut l'être. Le procédé selon l'invention permet de réaliser une prédiction fine permettant de discriminer ces cas. Cela permet soit d'éviter les fausses alertes, soit d'éviter la non détection d'une panne future.
15 Pour au moins un objet cible, la base de données source peut en outre comprendre : - au moins une donnée calculée en fonction d'une ou plusieurs données mesurées et d'une relation prédéterminée, telle que par 20 exemple une sommation, une soustraction, une moyenne, une variance, une intégrale ou une dérivée d'une ou plusieurs variables, par exemple sur une fenêtre temporelle prédéterminée, - au moins une donnée, dite exogène, relative à un environnement dans lequel se trouve ledit objet cible, tel que par exemple une 25 température extérieure audit objet, une humidité extérieure audit objet, une panne d'un organe ou d'un appareil avec lequel ledit objet est en relation ou avec lequel ledit objet coopère, etc. Au moins un classifieur utilisé dans la présente invention peut mettre en 30 oeuvre: - un arbre de décision, - un support vecteur-machine, - un algorithme de clustering, c'est-à-dire un algorithme de regroupement hiérarchique ou de partitionnement, 3036515 -9 - un réseau de neurones, - une régression linéaire, - un ensemble d'arbre de décision, de type « random forest » par exemple 5 - etc. Chacun de ces classifieurs est connu en tant que tel par l'homme du métier dans le domaine de la prédiction. Il n'est donc pas nécessaire ici de détailler l'architecture de chacun de ces classifieurs.
10 Pour au moins un classifieur, l'étape d'apprentissage automatique peut réaliser un apprentissage : - supervisé, - non supervisé, - semi-supervisé, 15 - partiellement supervisé, - par renforcement, ou - par transfert. Chacune de ces techniques d'apprentissage est également connue, de l'homme du métier, en tant que telle. Pour des raisons de concision, elles ne 20 seront donc pas détaillées dans la présente demande. L'étape de prédiction peut comprendre une fourniture d'au moins une donnée relative au résultat de la prédiction, en particulier quel que soit le résultat de la prédiction ou uniquement lorsque le résultat de la prédiction 25 témoigne de la réalisation future d'un état prédéterminé. Cette étape peut en outre comprendre un affichage d'au moins une donnée lorsqu'une réalisation future d'un état est détectée. Alternativement ou en plus, cette étape de prédiction peut comprendre l'affichage d'une donnée d'identification de l'état détectée, par exemple sous la forme d'un message 30 intelligible pour l'homme. De plus, l'étape de prédiction peut, en plus ou alternativement, réaliser un déclenchement d'un avertissement sonore ou visuel lorsqu'un état prédéterminé, par exemple une panne, est détecté. 3036515 - 10 - Le procédé selon l'invention peut être mis en oeuvre pour la prédiction d'un état parmi plusieurs états prédéterminés pour un objet. Le procédé selon l'invention peut en outre être mis en oeuvre pour la 5 prédiction d'un état pour plusieurs objets, identiques ou différents, disposés sur un même site ou sur au moins deux sites distribués dans l'espace, c'est-à-dire distants entre eux. Dans ce cas, le procédé peut être réalisé pour chaque objet indépendamment des autres.
10 Alternativement, ou en plus, pour au moins un objet, le procédé peut prendre en compte au moins une donnée relative à un autre objet ou un organe d'un autre objet se trouvant sur le même site. Par exemple, lorsque le procédé est utilisé pour la prédiction d'une panne pour des ascenseurs, il peut être appliqué indépendamment pour 15 chaque ascenseur, en particulier lorsqu'ils sont tous distants les uns des autres. Par contre, dans le cas où deux ascenseurs se trouvant sur un même site, en particulier dans un même bâtiment, le procédé peut prendre en compte au moins une donnée relative à l'un des ascenseurs pour la prédiction d'une panne de l'autre ascenseur et vice versa.
20 Avantageusement, le procédé selon l'invention peut être appliqué pour la prédiction d'un état de panne d'une machine ou d'un organe d'une machine. Dans ce cas, les variables mesurées relatives à la machine peuvent comprendre au moins une des variables suivantes : pression, température, 25 humidité, etc., dans/autour de la machine, dans/autour d'un organe de la machine, etc. Plus généralement, le procédé selon l'invention peut être appliqué à toute machine dotée de capteur(s) et capable de remonter des relatives à la machine ou un organe de la machine de façon régulière (en particulier, les objets connectés).
30 L'invention concerne également un produit programme d'ordinateur comprenant des instructions mettant en oeuvre toutes les étapes du procédé selon l'invention, lorsqu'il est mis en oeuvre ou chargé dans un appareil informatique.
3036515 Un tel produit programme d'ordinateur peut comprendre des instructions informatiques rédigées dans tous types de langage informatique, tel que le C, C++, JAVA, etc.
5 L'invention concerne également un système comprenant des moyens configurés pour mettre en oeuvre toutes les étapes du procédé selon l'invention. Un tel système peut se réduire en un ordinateur, ou plus généralement 10 en un appareil électronique/informatique. Description des figures et modes de réalisation D'autres avantages et caractéristiques apparaîtront à l'examen de la 15 description détaillée d'exemples nullement limitatifs, et des dessins annexés sur lesquels : - la FIGURE 1 est une représentation schématique d'un exemple de réalisation non limitatif d'un procédé de prédiction suivant l'invention ; 20 - la FIGURE 2 est une représentation schématique d'un exemple non limitatif d'un système selon l'invention, en particulier pour mettre en oeuvre le procédé de la FIGURE 1 ; et - les FIGURES 3-4 donnent une représentation schématique d'un exemple de réalisation très simplifié pour la prédiction de l'état de 25 fonctionnement de quatre machines. Il est bien entendu que les modes de réalisation qui seront décrits dans la suite ne sont nullement limitatifs. On pourra notamment imaginer des variantes de l'invention ne comprenant qu'une sélection de caractéristiques 30 décrites par la suite isolées des autres caractéristiques décrites, si cette sélection de caractéristiques est suffisante pour conférer un avantage technique ou pour différencier l'invention par rapport à l'état de la technique antérieur. Cette sélection comprend au moins une caractéristique de préférence fonctionnelle sans détails structurels, ou avec seulement une partie 35 des détails structurels si cette partie uniquement est suffisante pour conférer 3036515 - 12 - un avantage technique ou pour différencier l'invention par rapport à l'état de la technique antérieur. En particulier toutes les variantes et tous les modes de réalisation décrits sont combinables entre eux si rien ne s'oppose à cette combinaison sur 5 le plan technique. Sur les figures, les éléments communs à plusieurs figures conservent la même référence. La FIGURE 1 est une représentation schématique d'un exemple de 10 réalisation non limitatif d'un procédé de prédiction selon l'invention. Le procédé 100 décrit sur la FIGURE 1 sera décrit dans la suite dans le cadre d'un exemple d'application qui est la détection de pannes sur des ascenseurs disposés sur des sites distribués dans l'espace. Le procédé 100 représenté sur la FIGURE 1 comprend une phase 102, 15 dite préalable, réalisée uniquement au début du procédé 100. Cette phase préalable 102 comprend une étape optionnelle 104 de génération d'une base de données source, se présentant sous la forme d'une frise temporelle ou timeline, pour chaque ascenseur concerné par la prédiction. La base de données source peut être générée par mesure et 20 détection de données, sur une période prédéterminée, par des capteurs disposés sur chaque ascenseur. Alternativement, la base de données source peut être générée par réconciliation de données préalablement mémorisées dans plusieurs bases de données, à savoir : 25 - au moins une base de données comprenant les valeurs de différentes variables mesurées dans le temps pour chaque ascenseur, ainsi que pour chaque mesure des données d'horodatage indiquant le moment de la mesure, et - au moins une base de données listant pour chaque ascenseur les 30 pannes passées, ainsi que des données d'horodatage indiquant le moment de la panne. Les variables dont les valeurs sont mesurées pour chaque ascenseur peuvent comprendre la température, la pression, la charge portée par l'ascenseur, le nombre d'aller-retour effectué, distance effectuée, etc. 3036515 - 13 - Bien entendu, si la base de données source est existante, l'étape 104 n'est pas réalisée. Le procédé 100 comprend en outre une étape 106, optionnelle, 5 d'enrichissement de la base de données source par une ou plusieurs variables obtenues par traitement des variables déjà existantes dans la base de données. Par exemple, cette étape 106 peut ajouter dans la base de données, au moins une variable obtenue par application d'une relation mathématique à au moins une variable existante dans la base de données, telle que par 10 exemple : une sommation, une soustraction, une multiplication et/ou une division, d'au moins deux variables ou d'au moins deux valeurs d'une même variable, une variance, une dérivée, une intégrale, d'au moins une variable 15 sur une fenêtre temporelle prédéterminée, en particulier glissante, etc. L'étape 106 d'enrichissement peut en outre ou alternativement comprendre un ajout dans la base de données d'au moins une valeur d'une 20 variable exogène, relatif à l'environnement de l'ascenseur, tel que par exemple, la température extérieure à l'ascenseur, le nombre d'étage desservis par l'ascenseur, etc. Bien entendu, cette étape 106 d'enrichissement est aussi optionnelle.
25 Lors d'une étape 108, le procédé réalise une génération d'au moins deux, classifieurs mettant en oeuvre des algorithmes de classification différents. Dans le présent exemple, le procédé réalise une génération de trois classifieurs, à savoir : - un premier classifieur réalisant une classification par un arbre de 30 décision, - un deuxième classifieur réalisant une classification par un réseau de neurone, - un troisième classifieur réalisant une classification par partitionnement, « data clustering » en anglais. 3036515 - 14 - Concrètement, cette étape 108 créé une instance de chacun de ces classifieurs en fonction du nombre de données en entrée et du nombre d'état en sortie. Dans le cas présent, chaque classifieur est instancié pour prendre en entrée 6 variables et réaliser une prédiction d'une panne de chaque ascenseur, 5 c'est-à-dire réaliser une classification dans une seule classe correspondant à un seul état, à savoir « état = panne ». Lors d'une étape 110, optionnelle, il est possible d'appliquer au moins un paramètre, dit de contrainte, concernant l'architecture d'un classifieur.
10 Dans le cas présent, l'étape 110 fixe pour le premier classifieur la valeur d'un paramètre de profondeur maximum et pour le deuxième classifieur la valeur d'un paramètre de noeuds, ces valeurs étant prédéterminées par l'utilisateur ou un opérateur.
15 Lors d'une étape 112, chaque classifieur généré lors de l'étape 108, est ensuite soumis à un apprentissage avec 60% des données de la base de données source comprenant pour chaque état une multitude d'occurrences passées d'une panne de chaque ascenseur. Dans l'exemple présent, l'apprentissage automatique réalisé est un apprentissage supervisé, c'est-à- 20 dire que chaque occurrence d'une panne est indiquée comme sortie à chaque classifieur et les valeurs des variables mesurées avant cette panne sont entrées comme données d'entrée. Une étape 114, optionnelle, permet de réaliser une validation croisée 25 (« cross-validation » en anglais) de l'apprentissage automatique de chaque classifieur, par validation croisée de l'apprentissage de chaque classifieur, par exemple sur 20% des données de la base de données. Bien entendu, ces 20% sont différents des 60% de données utilisées lors de l'étape 112. Il s'agit ici d'une étape de test simple, permettant de vérifier la stabilité du classifieur. Si 30 l'apprentissage n'est pas efficace, le classifieur ne sera pas stable et ne sera pas choisi pour la suite. La phase préalable 102 comprend ensuite une étape 116 de sélection du classifieur, qui fournit le meilleur résultat de prédiction. Pour ce faire, chacun 3036515 - 15 - des trois classifieurs est testé sur les mêmes 20% des données de la base de données source. Pour chacun des trois classifieurs, sont mesurées : une donnée, dite de précision, relative à un taux d'erreur lors de la détection des occurrences passées d'un état de panne de 5 chaque ascenseur : cette donnée de précision témoigne des erreurs lors de la classification, telles que par exemple le fait de ne pas détecter une panne passée ou de détecter une panne alors qu'elle n'a pas eu lieu ; et - d'une donnée, dite de rappel, relative au nombre de pannes 10 passées détectées. En fonction de la valeur de la donnée de précision et la valeur de la donnée de rappel pour chaque classifieur, le classifieur fournissant la meilleure performance de détection est sélectionnée. Lors d'une étape 118, le classifieur sélectionné, par exemple le premier 15 classifieur, est mémorisé comme meilleur classifieur. Les autres classifieurs sont également mémorisés, lors de cette étape 120. Préférentiellement, les étapes 112-116 d'apprentissage sont réalisées en prenant en compte les valeurs des variables mesurées, le cas échéant calculées, dans une fenêtre temporelle glissante, d'une valeur prédéterminée 20 telle qu'un mois ou 15 jours, remontant dans le passé, et dont la fin correspond au moment actuel ou au moment de la dernière mesure. La valeur prédéterminée de la fenêtre temporelle peut être prédéterminée ou ajustée lors d'une étape, par exemple réalisée en même temps ou avant l'étape 104 de génération de la base de données source.
25 Le procédé 100 comprend, suite à la phase préalable 102, au moins une itération d'une phase 120, dite de détection. La phase 120 comprend une étape 122 de mise à jour de la base de données source dans le temps. Cette étape 122 vient ajouter dans la timeline 30 associée chaque ascenseur les dernières valeurs des dernières variables mesurées, le cas échéant calculées, en association avec des données horaires indiquant le moment de la mesure pour chaque nouvelle valeur de chaque nouvelle variable. La phase 120 comprend également une étape 124 de prédiction avec le 35 meilleur classifieur en fonction des données de la base de données mise à 3036515 - 16 - jour. Pour ce faire, les dernières valeurs ajoutées dans la base de données, préférentiellement avec les valeurs mémorisées dans la base de données préalablement à l'étape de mise à jour et se trouvant dans la fenêtre temporelle glissante, sont données en entrée au meilleur classifieur qui fournit 5 une donnée de prédiction, signalant une occurrence future ou non d'un état de panne d'un ascenseur. L'étape 124 de prédiction peut être réalisée après « n » étape de mise à jour, avec r-11, ou selon une autre fréquence, par exemple temporelle, par exemple toutes les semaines, ou encore sur demande d'un opérateur.
10 Lorsque la donnée de prédiction prévoit une occurrence d'une panne, le procédé selon l'invention peut comprendre une ou des étapes d'alerte sonore ou visuelle à destination d'un opérateur local ou distant. Le procédé 100 de la FIGURE 1 comprend en outre au moins une 15 itération d'une étape 126, dite de vérification, pour vérifier dans le temps que le meilleur classifieur reste celui qui, parmi tous les classifieurs générés et mémorisés à l'étape 118, fournit la meilleure performance de prédiction. Pour ce faire, cette étape 126 comprend une itération des étapes 112-116 décrites plus haut avec la base de données telle que mise à jour au moment de la 20 réalisation de l'étape de vérification. Cette étape de vérification est réalisée après « n » itérations de l'étape de prédiction ou de la phase de prédiction, avec r-11, ou selon une autre fréquence, par exemple temporelle, par exemple toutes les semaines, ou encore sur demande d'un opérateur. Si le meilleur classifieur est toujours celui 25 utilisé actuellement alors le procédé 100 reprend à l'étape 122 avec le meilleur classifieur actuel. Dans le contraire, le procédé reprend à l'étape 122 avec le nouveau meilleur classifieur, qui est mémorisé à la place de l'ancien meilleur classifieur.
30 La FIGURE 2 est une représentation schématique d'un exemple non limitatif d'un système selon l'invention, en particulier configuré pour la mise en oeuvre du procédé 100 de la FIGURE 1. 3036515 - 17 - Le système 200 de la FIGURE 2 comprend un module 202 de supervision pour gérer et coordonner le fonctionnement des différents modules du système à savoir : - un module 204, optionnel, configuré pour générer d'une base de 5 données source 206, par réconciliation de différentes bases de données existantes et/ou par enrichissement de données, en particulier tel que décrit plus haut en référence aux étapes 104 et 106 ; - un module 208 d'instanciation de plusieurs classifieurs, configuré 10 pour créer une instance de plusieurs classifieurs, et éventuellement pour ajuster au moins un paramètre relatif à l'architecture d'au moins un classifieur, en particulier tel que décrit plus haut en référence aux étapes 108 et 110 ; - au moins un module 210 d'entrainement, configuré pour réaliser 15 l'apprentissage automatique de chaque classifieur, en particulier tel que décrit plus haut en référence à l'étape 112 ; - au moins un module 212, optionnel, de validation croisée, configuré pour réaliser une validation croisée de chaque classifieur, en particulier tel que décrit plus haut en référence à l'étape 114 ; 20 - au moins un module 214, de sélection, configuré pour sélectionner le meilleur classifieur, en particulier tel que décrit plus haut en référence à l'étape 116 ; - au moins un module 216 de mise à jour, configuré pour mettre à jour la base de données source dans le temps, en particulier tel que 25 décrit plus haut en référence à l'étape 122 ; - au moins un module 218 de prédiction, configuré pour fournir une donnée de prédiction concernant l'occurrence future d'un état, par exemple d'une panne, en particulier tel que décrit plus haut en référence à l'étape 124 ; et 30 - au moins un module 220 de vérification, configuré pour vérifier que le meilleur classifieur est toujours celui utilisé pour la prédiction, en particulier tel que décrit plus haut en référence à l'étape 124. 3036515 - 18 - Bien que représenté de manière séparée sur la FIGURE 2, plusieurs modules, et en particulier tous les modules, peuvent être intégrés dans un unique module. Le système 200 peut être un ordinateur, un processeur, une puce 5 électronique ou tout autre moyen configurable physiquement ou par logiciel pour réaliser les étapes du procédé selon l'invention. Les FIGURES 3-4 donnent une représentation schématique d'un 10 exemple d'application très simplifié du procédé selon l'invention à des machines. L'exemple représenté sur les FIGURES 3-4 concerne quatre machine pour lesquelles deux variables sont mesurées, l'une correspondant à la température T° dans la machine et l'autre à la pression P dans la machine.
15 Les valeurs des variables mesurées et remontées vers un serveur distant des machines, au moins une fois par jour, au travers d'un réseau de communication de type Internet. A chaque remontée, les valeurs mesurées des variables sont mémorisées dans un tableau, tel que le tableau 300 représenté sur la FIGURE 3.
20 Dans le tableau 300, les valeurs mesurées des variables T° et P à un instant donné montrent que les quatre machines présentent des comportements différents. Les machines 1, 2 et 3 ont un fonctionnement normal et la machine 4 à un fonctionnement anormal signifiant une panne.
25 Dans l'exemple présent, pour prédire le comportement de chaque machine dans le futur, une instance de deux classifieurs différents est créée, à savoir une instance d'un classifieur de type arbre de décision et une instance d'un classifieur de type kMeans. A partir de nombreuses mesures des variables T° et P remontées dans 30 le passé pour chaque machine, et l'état de fonctionnement passé, fonctionnement normal ou fonctionnement anormal de chaque machine, chaque classifieur subit : - un apprentissage avec une première partie, par exemple 60%, des valeurs remontées, 3036515 - 19 - - puis une cross-validation sur une deuxième partie, par exemple 20%, des valeurs remontées. Enfin, les deux classifieurs sont testées sur une troisième partie, les 20% restant, des valeurs remontées pour déterminer le meilleur classifieur 5 pour la prédiction du comportement de chacun des quatre machines. Dans un souci de simplicité de description, dans le présent exemple, chacun des deux classifieurs créés est testé sur les valeurs indiquées dans le tableau 300. Le résultat obtenu est représenté sur la FIGURE 4 pour chaque classifieur. Ainsi, le classifieur de type arbre de décision 402 permet de 10 détecter la panne de la machine 4 et le fonctionnement normal des trois autres machines, alors que le classifieur de type kMeans 404 détecte un fonctionnement normal pour deux des machines et une panne pour les deux autres. Par conséquent, le meilleur classifieur parmi les deux classifieurs testés 15 est le classifieur de type arbre de décision qui est sélectionnée et utilisé pour les prédictions futures concernant l'état de fonctionnement de ces quatre machines. L'exemple représenté sur les FIGURES 3-4 est un exemple très simplifié, 20 donné uniquement à titre d'illustration. Dans un cas réel, le nombre de variable est beaucoup plus important, de l'ordre d'un millier de variables, et le nombre de machine est également plus important. Par conséquent, la taille des classifieurs est aussi plus grande que la taille des classifieurs représentés sur la FIGURE 4.
25 Bien sûr, l'invention n'est pas limitée aux exemples qui viennent d'être décrits et de nombreux aménagements peuvent être apportés à ces exemples sans sortir du cadre de l'invention.

Claims (15)

  1. REVENDICATIONS1.Procédé (100) de prédiction de la réalisation d'au moins un état que peut prendre un objet, avant que ledit état ne se réalise, à partir d'une base de données (206), dite source, mémorisant, pour au moins une occurrence passée dudit au moins un état, des valeurs d'au moins une variable relative audit objet, déterminées avant ladite occurrence dudit état, ledit procédé (1-00) comprenant les étapes suivantes : - génération (108) d'au moins deux classifieurs selon deux algorithmes de classification de données différents, - pour chacun desdits classifieurs, apprentissage automatique (112) sur une première partie de ladite base de données source (206), et - sélection (116), parmi lesdits classifieurs, d'un classifieur, dit meilleur classifieur, fournissant la meilleure performance de prédiction sur une deuxième partie de ladite base de données source (206), par comparaison des résultats fournis par chaque classifieur ; ledit procédé (100) comprenant en outre une phase (120), dite de détection, comprenant : - une mise à jour (122), dans le temps, de ladite base de données source avec au moins une nouvelle valeur de ladite variable, et - au moins une étape (124) de prédiction d'un état dudit objet, par ledit meilleur classifieur, à partir de ladite base de données source (206) mise à jour.
  2. 2.Procédé (100) selon la revendication 1, caractérisé en ce qu'il comprend en outre au moins une itération d'une étape (126), dite de vérification, pour vérifier dans le temps que le meilleur classifieur reste celui qui, parmi tous les classifieurs générés, fournit la meilleure performance de prédiction, ladite étape de vérification (126) comprenant les étapes d'apprentissage (112) et de sélection (116) réalisée sur ladite base de données (206) misé à jour au moment de ladite itération de ladite étape de vérification (126). 3036515 - 2 -
  3. 3.Procédé (100) selon l'une quelconque des revendications précédentes, caractérisé en ce que l'étape de sélection (116) du meilleur classifieur comprend : - une mesure, pour chaque classifieur : 5 - d'une donnée, dite de précision, relative à un taux d'erreur lors de la détection des occurrences passées d'au moins un état, - d'une donnée, dite de rappel, relative au nombre d'occurrences passées, d'au moins un état, détectées par ledit classifieur ; la sélection du meilleur classifieur étant réalisée en fonction de ladite donnée 10 de précision et/ou de ladite donnée de rappel.
  4. 4.Procédé (100) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il comprend en outre, après l'étape d'apprentissage automatique (112), une étape (114), dite de cross-validation, testant au 15 moins un, en particulier chaque, classifieur, sur une troisième partie de ladite base de données source (126).
  5. 5.Procédé (100) selon l'une quelconque des revendications précédentes, caractérisé en ce que, pour au moins un classifieur, l'étape de génération 20 (108) comprend une étape (110) d'ajustement/d'entrée d'un paramètre relatif à l'architecture dudit classifieur, tel qu'un nombre maximum/minimum de noeuds et/ou une profondeur maximum/minimum dudit classifieur.
  6. 6.Procédé (100) selon l'une quelconque des revendications précédentes, 25 caractérisé en ce qu'il comprend, avant l'étape d'apprentissage automatique (112), une étape (104) de génération de ladite base de données source (126) par réconciliation d'au moins une base de données comprenant des valeurs d'au moins une variable relative audit objet, avec au moins une autre base de données comprenant des données relatives à au moins une occurrence pâssée 30 d'au moins un état.
  7. 7.Procédé (100) selon l'une quelconque des fevendications précédentes, caractérisé en ce que la base de données source (126) mémorise 3036515 - 3 - - pour chaque valeur mesurée d'une variable au moins une donnée temporelle relative au moment de la mesure de ladite valeur, et - pour chaque occurrence passée d'au moins un, en particulier de chaque état, une donnée temporelle relative au moment de ladite 5 occurrence.
  8. 8.Procédé (100) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'au moins une en particulier chacune des étapes, en particulier l'étape d'apprentissage (112), et/ou l'étape de sélection (116), 10 et/ou l'étape de prédiction (124), prend en compte des données sur une fenêtre temporelle glissante prédéterminée précédent le moment actuel.
  9. 9.Procédé (100) selon l'une quelconque des revendications précédentes, caractérisé en ce que la base de données source (126) comprend : 15 - au moins une donnée calculée en fonction d'une ou plusieurs données mesurées et d'une relation prédéterminée, - au moins une donnée, dite exogène, relative à un environnement dans lequel se trouve ledit objet cible. 20
  10. 10.Procédé (100) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'au moins un classifieur est : - un arbre de décision, - un support vecteur-machine, - un algorithme de clustering, c'est-à-dire un algorithme de 25 regroupement hiérarchique ou de partitionnement.
  11. 11.Procédé (100) selon l'une quelconque des revendications précédentes, caractérisé en ce que pour au moins un classifieur, l'étape d'apprentissage automatique (112) peut réaliser un apprentissage : 30 - supervisé, - non supervisé, - semi-supervisé, - partiellement supervisé, - par renforcement, ou 3036515 - 4 - - par transfert.
  12. 12.Procédé (100) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il est mis en oeuvre pour la prédiction de la réalisation 5 d'au moins un état pour plusieurs objets disposés sur un même site ou sur au moins deux sites distribués dans l'espace.
  13. 13.Procédé (100) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il est mis en oeuvre pour la prédiction d'un état de panne 10 d'une machine ou d'un organe d'une machine.
  14. 14.Produit programme d'ordinateur comprenant des instructions mettant en oeuvre toutes les étapes du procédé selon l'une quelconque des revendications précédentes, lorsqu'il est mis en oeuvre ou chargé dans un appareil 15 informatique.
  15. 15.Système (200) comprenant des moyens configurés pour mettre en oeuvre toutes les étapes du procédé selon l'une quelconque des revendications 1 à 13. 20
FR1554441A 2015-05-19 2015-05-19 Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet. Expired - Fee Related FR3036515B1 (fr)

Priority Applications (4)

Application Number Priority Date Filing Date Title
FR1554441A FR3036515B1 (fr) 2015-05-19 2015-05-19 Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet.
US15/574,255 US20180129947A1 (en) 2015-05-19 2016-05-18 Method and system for predicting the realization of a predetermined state of an object
PCT/EP2016/061138 WO2016184912A1 (fr) 2015-05-19 2016-05-18 Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet
EP16729196.2A EP3298549A1 (fr) 2015-05-19 2016-05-18 Procédé et système de prédiction de la réalisation d'un etat prédeterminé d'un objet

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1554441A FR3036515B1 (fr) 2015-05-19 2015-05-19 Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet.
FR1554441 2015-05-19

Publications (2)

Publication Number Publication Date
FR3036515A1 true FR3036515A1 (fr) 2016-11-25
FR3036515B1 FR3036515B1 (fr) 2019-01-25

Family

ID=54783692

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1554441A Expired - Fee Related FR3036515B1 (fr) 2015-05-19 2015-05-19 Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet.

Country Status (4)

Country Link
US (1) US20180129947A1 (fr)
EP (1) EP3298549A1 (fr)
FR (1) FR3036515B1 (fr)
WO (1) WO2016184912A1 (fr)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3076267B1 (fr) * 2018-01-04 2020-01-17 Safran Electronics & Defense Procede pour diagnostiquer un etat d'usure d'un frein de parking d'aeronef
US10921777B2 (en) 2018-02-15 2021-02-16 Online Development, Inc. Automated machine analysis
DE102018125908A1 (de) * 2018-10-18 2020-04-23 Endress+Hauser Conducta Gmbh+Co. Kg Verfahren zur Bestimmung einer Prozessgrößer mit einem Klassifikator zur Auswahl eines Messverfahrens
US20210012194A1 (en) * 2019-07-11 2021-01-14 Samsung Electronics Co., Ltd. Method and system for implementing a variable accuracy neural network

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014075108A2 (fr) * 2012-11-09 2014-05-15 The Trustees Of Columbia University In The City Of New York Système de prévision à l'aide de procédés à base d'ensemble et d'apprentissage machine

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014075108A2 (fr) * 2012-11-09 2014-05-15 The Trustees Of Columbia University In The City Of New York Système de prévision à l'aide de procédés à base d'ensemble et d'apprentissage machine

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHATELAIN C ET AL: "A multi-model selection framework for unknown and/or evolutive misclassification cost problems", PATTERN RECOGNITION, ELSEVIER, GB, vol. 43, no. 3, 31 March 2010 (2010-03-31), pages 815 - 823, XP026783245, ISSN: 0031-3203, [retrieved on 20090721], DOI: 10.1016/J.PATCOG.2009.07.006 *
JUAN ZHANG ET AL: "An Efficient Ensemble Method for Classifying Skewed Data Streams", 11 August 2011, BIO-INSPIRED COMPUTING AND APPLICATIONS, SPRINGER BERLIN HEIDELBERG, BERLIN, HEIDELBERG, PAGE(S) 144 - 151, ISBN: 978-3-642-24552-7, XP019171413 *

Also Published As

Publication number Publication date
EP3298549A1 (fr) 2018-03-28
US20180129947A1 (en) 2018-05-10
WO2016184912A1 (fr) 2016-11-24
FR3036515B1 (fr) 2019-01-25

Similar Documents

Publication Publication Date Title
EP2368161B1 (fr) Detection d'anomalie dans un moteur d'aeronef
FR3082963A1 (fr) Systeme et procede d'evaluation et de deploiement de modeles d'apprentissage automatique non supervises ou semi-supervises
EP3767467A1 (fr) Procédé et dispositif de détermination d'une valeur d'indice de performance de prédiction d anomalies dans une infrastructure informatique à partir de valeurs d'indicateurs de performance
EP2376989B1 (fr) Identification de defaillances dans un moteur d'aeronef
FR3036515A1 (fr) Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet.
WO2015145085A1 (fr) Procédé d'estimation du caractère normal ou non d'une valeur mesurée d'un paramètre physique d'un moteur d'aéronef
EP2912526B1 (fr) Système de surveillance d'un ensemble de composants d'un équipement
FR3098967A1 (fr) Procédé et dispositif de détermination d’une durée estimée avant un incident technique dans une infrastructure informatique à partir de valeurs d’indicateurs de performance
EP3097455A1 (fr) Procede de prediction d'une anomalie de fonctionnement des equipements d'un aeronef ou d'une flotte d'aeronefs
FR3035232A1 (fr) Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe
EP3846087A1 (fr) Procede et systeme de selection d'un modele d'apprentissage au sein d'une pluralite de modeles d'apprentissage
EP3511781B1 (fr) Dispositif et procédé de collecte, de sauvegarde, d'analyse ainsi que de mise à disposition des résultats de l'analyse de données de pièces d'horlogerie
EP3846091A1 (fr) Procede et systeme de conception d'un modele de prediction
FR3046265A1 (fr) Systeme de surveillance d'une installation industrielle ; procedes de configuration et de surveillance associes
WO2022216375A1 (fr) Détection d'anomalie dans de multiples modes de fonctionnement
EP3846047A1 (fr) Procédé et système d'identification de variables pertinentes
EP2734921B1 (fr) Procede, programme d'ordinateur et dispositif d'aide au deploiement de clusters
EP3736743A1 (fr) Procédé de conception d'un générateur de signature d'une entité réalisant des actions dans une architecture informatique, procédé de détection de comportement anormal, programme d'ordinateur et système correspondants
EP4055832A1 (fr) Procede de detection du blocage de dispositifs de comptage sur un reseau de distribution
EP4303775A1 (fr) Procédé et dispositif de détection d'anomalie et de détermination d'explication associée dans des séries temporelles de données
EP4068724A1 (fr) Procédé de détection d'anomalies dans un système d'information, programme informatique et système de détection d'anomalies mettant en oeuvre un tel procédé
FR3042292A1 (fr) Procede d'optimisation de decomposition d'un signal asynchrone
FR3136573A1 (fr) Dispositif de traitement de données par voie d’apprentissage, procédé, programme et système correspondant
FR3131038A1 (fr) Procédé de détermination d’hyper-paramètres de configuration d’un modèle d’apprentissage automatique, système et programme d’ordinateur associés
EP4154550A1 (fr) Procédé et système d'ordonnancement automatique d'alarmes

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20161125

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

ST Notification of lapse

Effective date: 20200108