La détection d'anomalies sur les composants critiques d'un pont roulant constitue la première ligne de défense de la Maintenance Prédictive – détecter les tendances de dégradation anormales avant qu'elles ne deviennent irréversibles. Contrairement à l'apprentissage supervisé qui exige de grandes quantités de données de défaillance étiquetées, la détection d'anomalies non supervisée entraîne le modèle uniquement sur des données de fonctionnement normal (représentant plus de 95 % des échantillons) et juge l'anomalie par l'ampleur de l'écart par rapport au modèle normal. Cet article se concentre sur les données vibratoires du roulement d'arbre d'entrée du réducteur de pont roulant (17 caractéristiques, 95 % d'échantillons normaux / 5 % d'anomalies) et compare l'implémentation technique et la précision de trois méthodes classiques de détection d'anomalies non supervisée, tout en proposant une solution de déploiement en périphérie. Source des données expérimentales : base de données vibratoires du projet KL-PM-2024 (conformément à la spécification d'extraction des caractéristiques de la norme GB/T 19873.1-2005 « Surveillance d'État et diagnostic des machines – Traitement et analyse des données vibratoires »).

Données et Configuration de l'Évaluation

Données expérimentales : caractéristiques vibratoires sur 24 mois du roulement d'arbre d'entrée (SKF 6308) des réducteurs de 60 ponts roulants, 17 dimensions (9 dans le domaine temporel + 8 dans le domaine fréquentiel), fenêtre glissante de 30 jours. Étiquette d'échantillon normal : roulement en phase d'usure normale (Vrms < 2,8 mm/s, conformément aux limites des zones A/B de l'ISO 10816-3). Étiquette d'échantillon anormal : roulement en phase de dégradation sévère (Vrms ≥ 4,5 mm/s, zone C de l'ISO 10816-3). Distribution des données : 469 834 échantillons normaux (95,4 %), 22 614 échantillons anormaux (4,6 %). Indicateurs d'évaluation : score F1 (moyenne harmonique de Precision et Recall, pondérée vers la classe anormale), Precision (taux de précision, exactitude des alertes), Recall (taux de rappel, proportion de défauts non détectés).

Implémentation Technique des Trois Méthodes

Forêt d'Isolation (implémentation scikit-learn 1.3.2) : réglage de n_estimators=100 (nombre d'arbres), max_samples=256 (échantillons par arbre), contamination=0.05 (proportion d'anomalies présumée, correspondant à la distribution de l'ensemble d'entraînement). L'avantage de la Forêt d'Isolation réside dans le fait qu'elle ne nécessite pas d'entraînement (elle détermine directement l'anomalie en fonction de la profondeur des arbres de coupe aléatoires), avec une complexité de calcul O(n·log(n)), adaptée au traitement de flux de données en ligne. Latence d'inférence < 1 ms (pour une seule entrée de 17 caractéristiques).

Autoencodeur (implémentation PyTorch 2.1.0) : structure de réseau entièrement connecté 17-12-8-12-17, couches cachées ReLU + couche de sortie Linear. Entraînement : 250 époques, taux d'apprentissage de 0,001 pour les 150 premières époques + taux d'apprentissage de 0,0001 pour les 100 dernières (stratégie de décroissance du taux d'apprentissage), Batch=128, fonction de perte MSE. Jugement d'anomalie : calcul de l'erreur de reconstruction MSE entre l'entrée et la sortie, le seuil étant défini comme le 99,5e percentile de l'erreur de reconstruction sur l'ensemble d'entraînement. L'autoencodeur peut capturer des modèles non linéaires complexes, offrant la plus grande précision, mais nécessite un entraînement hors ligne et un support GPU.

One-Class SVM (implémentation scikit-learn) : noyau RBF (γ=0,1), nu=0,05 (estimation du taux d'anomalies dans l'ensemble d'entraînement), tol=0,001. L'OCSVM donne de bons résultats sur les petits échantillons (quelques centaines d'exemplaires suffisent pour obtenir des résultats stables), mais le temps d'entraînement croît en O(n²) lorsque le volume de données augmente (>100 000 lignes), ce qui le rend inadapté à l'apprentissage en ligne sur de grands ensembles. Dans cette expérience, l'entraînement a été réalisé sur un échantillon aléatoire de 50 000 lignes.

Comparaison de précision des modèles

L'autoencodeur se distingue avec un F1 de 0,92 (Recall = 0,90, soit 90 % des dégradations anormales détectées), mais il nécessite un entraînement hors ligne et un support GPU. La forêt d'isolation (Isolation Forest) arrive en deuxième position avec un F1 de 0,87, mais elle ne requiert aucun entraînement et présente une latence d'inférence inférieure à 1 ms, ce qui la rend idéale pour un déploiement en ligne. Le One-Class SVM affiche le F1 le plus faible (0,83) et son temps d'entraînement croît de manière quadratique (O(n²)) avec le volume de données, ce qui le rend inadapté aux déploiements à grande échelle.

Architecture de déploiement à deux niveaux

Architecture recommandée : un système à deux niveaux combinant une forêt d'isolation en périphérie pour le filtrage en temps réel et un autoencodeur dans le cloud pour l'analyse fine hors ligne. Premier niveau (périphérie, Jetson Orin NX) : le modèle de forêt d'isolation (sans entraînement, taille du modèle de seulement 2,3 Mo) reçoit le vecteur de caractéristiques à 17 dimensions téléversé quotidiennement par la passerelle périphérique du pont roulant et détermine si l'état actuel est anormal. La latence d'inférence est inférieure à 1 ms par enregistrement, soit environ 60 ms par jour pour 60 ponts roulants. Lorsque la forêt d'isolation détecte une anomalie, la séquence de caractéristiques des 30 derniers jours est regroupée et téléversée vers le cloud.

Deuxième niveau (cloud, serveur GPU) : l'autoencodeur reçoit les séquences suspectes téléversées par le premier niveau, calcule l'erreur de reconstruction pour chaque jour et trace la courbe de tendance des erreurs. Un seuil dynamique est défini à l'aide d'une carte de contrôle EWMA (moyenne mobile à pondération exponentielle) avec un coefficient de lissage λ = 0,2 et une limite de contrôle à 3σ. L'anomalie est confirmée lorsque l'erreur de reconstruction dépasse la limite de contrôle supérieure pendant trois jours consécutifs. Après l'analyse fine, le taux de fausses alarmes passe de 17 % au premier niveau (la forêt d'isolation présente une précision de 0,91 mais un rappel de 0,83, ce qui génère certaines fausses alarmes) à 6 % au deuxième niveau.

Validation sur site réel

Dans le cadre d'un projet de maintenance prédictive portant sur 6 ponts roulants de 32 t dans une entreprise sidérurgique (référence projet KL-PM-2024-017), l'architecture de détection à deux niveaux décrite ci-dessus a été déployée. Sur 14 mois de données d'exploitation : la forêt d'isolation a déclenché 408 alarmes en ligne (dont 89 anomalies réelles et 319 fausses alarmes, soit un taux de fausses alarmes d'environ 3,8 par pont et par mois). Parmi les 319 fausses alarmes, l'analyse fine par l'autoencodeur a confirmé 287 fausses alarmes et reclassé 32 alarmes comme anomalies réelles. Au final, 121 alarmes valides ont été émises (dont 106 prédictions réussies d'anomalies réelles, soit une précision de 87,6 %), avec un délai d'alerte précoce moyen de 18 jours. Par rapport à la méthode à seuil fixe (Vrms ≥ 4,5 mm/s), l'architecture à deux niveaux a porté le délai d'alerte précoce de 0 à 18 jours.

Questions fréquentes