- Edge Computing
Le machine learning en périphérie : quelques cas applicatifs de détection de nouveauté sur des passerelles IIoT
Dans cet article, nous présentons la conception et le développement des modules de machine learning (ML) pour deux études de cas. Dans les deux cas, nous avons développé un modèle de ML pour apprendre le comportement normal du système afin d’identifier toute condition anormale qui pourrait survenir. Un tel cadre est généralement appelé détection d’anomalies (également connue sous le nom de détection de pannes ou détection de nouveauté). Nos modèles ont réussi à identifier les anomalies injectées. De plus, aucune anomalie n’a été observée lorsque le modèle était alimenté avec des données normales. Les résultats sont discutés en considérant le compromis entre le type de capteurs, l’algorithme d’apprentissage, l’effort d’entraînement et les besoins de calcul.

I. Introduction
L’Internet des objets (IoT) a permis de collecter une énorme quantité de données d’objets réels grâce aux appareils connectés. Surveiller l’environnement et les machines qui composent l’usine industrielle actuelle n’a jamais été aussi faisable et abordable, grâce à la diffusion de capteurs à bas coût et basse consommation, ainsi que de puissants ordinateurs monocartes (SBC), utilisés comme passerelles IoT. Cependant, exploiter les données acquises pour en révéler le potentiel caché et le transformer en or n’est ni trivial ni facile à intégrer dans des processus standard, vu la variété des machines pouvant être employées et les différentes manières de les « mesurer » et de vérifier leur état de santé.
II. Surveillance de l’état et détection de pannes dans les systèmes IoT
Des expressions plus ou moins récentes comme « détection et diagnostic de pannes », « surveillance de l’état », « maintenance prédictive » et une foule de variations sur le thème sont devenues populaires ou ont pris un nouveau sens dans le jargon de l’usine intelligente. Bien que les frontières entre elles soient souvent mal définies, elles désignent généralement un ensemble de stratégies différentes visant à réduire à la fois les pannes imprévues et les coûts de maintenance d’une entreprise grâce à la détection précoce de défauts potentiellement dangereux, voire catastrophiques. L’interaction entre l’IoT et l’intelligence artificielle (IA) a ouvert la voie à de nouvelles approches pilotées par les données pour réussir en matière de sûreté et de fiabilité des processus industriels [1]. Grâce à différents types de capteurs, il est désormais possible de recueillir et de traiter des informations multiformes sur les machines en fonctionnement et sur l’environnement : courant, tension et autres grandeurs électriques, température, pression et humidité, vibrations et signaux acoustiques, rayonnements électromagnétiques de diverses plages de fréquences, etc. [2].
La surveillance de l’état en ligne (CM) consiste à mesurer une ou plusieurs variables – paramètres de l’état – sur une machine pendant son fonctionnement, afin de vérifier si elles ou d’autres grandeurs dérivées restent dans des limites « acceptables » d’un point de vue physique, de conception ou de sécurité, ou par rapport à leurs variations historiques [3]. Ce test est mené avec des approches allant de simples contrôles de seuil sur un paramètre à des systèmes experts à base de règles, des méthodes à base de modèles (par ex. par éléments finis) à des techniques sophistiquées de machine learning [4]. En général, une alarme est générée si ce test échoue, ce qui déclenche une décision sur l’opportunité et le type d’actions correctives à adopter. En ce sens, la CM est la condition principale de la maintenance prédictive (PM), c’est-à-dire l’utilisation de données de mesure pour prévoir les pannes à venir avant qu’elles ne surviennent [5] et déterminer à quel moment il est le plus rentable d’intervenir sur une machine. Ainsi, les opérations de maintenance et de remplacement partiel ou total d’une machine peuvent être planifiées sur la base des informations fournies par les évaluations du système de surveillance de l’état.
Il existe une vaste littérature sur ces sujets, qui rassemble de nombreuses perspectives et domaines d’application. On trouve en [6] une synthèse vieille d’une dizaine d’années, rédigée par des chercheurs de la NASA, sur les techniques d’IA pour le pronostic, c’est-à-dire « la détection des précurseurs d’une panne et la prévision du temps restant avant une panne probable ». En [7], on trouve une revue des solutions statistiques récentes fondées sur les données pour estimer la durée de vie utile restante (RUL), c’est-à-dire la durée de vie utile restante d’un actif à un moment donné de son fonctionnement, qui joue un rôle crucial dans la maintenance conditionnelle (CBM). Une revue de littérature des méthodologies de pronostic pour la CBM [8] les a classées en quatre catégories (modèles physiques, à base de connaissances, fondés sur les données et combinés), en se concentrant sur les approches paramétriques et non paramétriques fondées sur les données. En outre, pour fournir une synthèse détaillée du « diagnostic et du pronostic des systèmes mécaniques mettant en œuvre la CBM, en mettant l’accent sur les modèles, les algorithmes et les technologies de traitement des données et de décision de maintenance », [9] décrit aussi les techniques de fusion de données de capteurs multiples. Parmi les articles les plus récents, [10] résume les applications du deep learning dans les systèmes de surveillance de l’état des machines, avec une attention particulière pour les réseaux de neurones artificiels (ANN). [11] présente un aperçu des solutions de CBM et de PM de ces quinze dernières années et de la manière dont elles ont donné des résultats sur différentes parties de machines ou différents processus.
III. Études de cas
Les études de cas ont été identifiées grâce à la participation à un projet soutenu par le gouvernement de la Toscane pour promouvoir les solutions IoT industrielles (IIoT). L’IIoT est un projet de deux ans financé par la région Toscane, axé sur l’Industrie 4.0 et lancé en 2018. Différentes entreprises collaborent pour créer un nouveau cadre qui aide les entreprises à migrer vers la nouvelle perspective de l’Industrie 4.0, à innover dans leurs produits et à tirer parti du nouveau marché en croissance de l’IIoT.
Le projet IIoT vise à concevoir, produire et lancer un nouveau produit sur le marché. Il comprendra un ensemble d’outils matériels embarqués, une plateforme logicielle basée sur des services cloud, du ML et des services professionnels. Il est destiné à toutes les petites et moyennes industries qui n’ont pas les moyens de se qualifier comme entité numérique ou comme fabricant numérique en termes de ressources économiques ou humaines, de connaissances ou de capacités. Le système propose de réduire l’écart initial de connaissances des entreprises et d’étaler l’investissement initial de l’ensemble du processus. Le résultat final sera un ensemble de matériels (ponts de capteurs, passerelle) entièrement intégrés à un environnement logiciel conçu pour gérer à distance tous les appareils, le flux de données et la puissance de calcul à différents niveaux. En outre, un ensemble de modules de ML sera fourni - avec des processus de développement dédiés - pour résoudre les applications industrielles les plus courantes.
Les études de cas sont tirées de deux grands contextes industriels : un fabricant de hottes de cuisine et un fabricant industriel d’énergie solaire.
A. Ventilation de l’air – Hotte de cuisine
Dans cette section, nous décrivons l’analyse d’un banc d’essai présentant plusieurs aspects intéressants, en nous concentrant sur deux points de la surveillance à distance d’un appareil : la prédiction d’un ensemble discret d’états de fonctionnement ; la détection d’éventuelles anomalies par rapport au comportement de fonctionnement standard de chaque état.
Les motivations pour étudier un tel problème peuvent se résumer ainsi : la surveillance en temps réel de capteurs qui fournissent des séries temporelles à haute fréquence et présentent une dynamique rapide pouvant dégénérer vite en situation de panne ; l’analyse d’une mesure physique qui n’est pas directement liée au phénomène à surveiller ; l’étude d’un ensemble de modèles combinant des techniques de ML supervisées et non supervisées ; le test des performances de calcul en périphérie lors de l’exécution d’un calcul à haute fréquence sur un ordinateur monocarte basse consommation.
Les résultats de la première analyse qualitative montrent que les besoins de calcul globaux sont sensiblement inférieurs aux attentes et que l’algorithme proposé est capable à la fois de classer l’état des systèmes et de détecter les anomalies avec un haut niveau de précision.
Description du système
L’analyse proposée consiste en la surveillance à distance d’une hotte de cuisine au moyen d’une passerelle IoT, tout en effectuant intégralement les calculs requis au niveau de la périphérie. En particulier, nous souhaitons analyser les conditions de fonctionnement du moteur électrique de la hotte, qui peut représenter de façon générale n’importe quel type de moteur industriel. La passerelle IoT est équipée d’un algorithme d’intelligence artificielle capable d’acquérir des données en temps réel, en évitant une charge de travail intensive sur la communication réseau, qui peut engendrer des problèmes de trafic comme de sécurité [12].
Cette approche peut être utile dans différentes situations. Un exemple, le plus intéressant dans notre cas, est celui où le système doit analyser un phénomène qui produit des données à haute fréquence, de sorte qu’une surveillance en temps réel dans le cloud est impossible. Dans ce cas, l’algorithme effectue directement le prétraitement requis, en produisant une synthèse de l’environnement (c’est-à-dire, ici, l’état actuel et une éventuelle panne).
L’analyse est réalisée sur les moteurs électriques de la hotte, qui servent à nettoyer l’air. Un tel appareil a trois vitesses de fonctionnement différentes, qui représentent différentes configurations de fonctionnement. La première tâche du système est de classer l’état de fonctionnement actuel, en fonction de la signature vibratoire. Bien sûr, l’extraction de cette information n’est pas un aspect crucial, puisqu’elle est connue grâce au PLC de la hotte. Cependant, l’analyse du signal d’entrée, associée à une information bien connue, offre un moyen clairement défini d’analyser les données et de découvrir le meilleur traitement de données pour mettre en évidence les caractéristiques représentatives du phénomène. L’acquisition de la signature vibratoire est réalisée par un microphone piézoélectrique, qui peut acquérir des données avec un échantillonnage à haute fréquence tout en filtrant le bruit acoustique éventuel provenant de l’environnement extérieur. L’acquisition de données avec ce haut niveau de résolution nous a permis de réaliser des analyses plus complexes dans une configuration de détection de nouveauté (ND). En effet, nous avons essayé de détecter d’éventuelles anomalies dans le mécanisme de filtrage du flux d’air en analysant les variations de la signature vibratoire des états. À cette fin, nous avons constaté qu’il est difficile d’entraîner un seul algorithme de ND capable de surveiller efficacement toutes les configurations possibles. Puisque nous avons déjà entraîné le classifieur qui nous donne l’étiquette de l’état actuel, nous avons décidé de développer un agent dédié pour chaque état.
La chaîne globale est représentée à la Figure 1. Comme, on l’a dit, le système doit pouvoir analyser des données échantillonnées à haute fréquence, les étapes d’acquisition et d’inférence sont entrelacées après le déploiement, tandis que les données pour l’étape d’entraînement peuvent être collectées hors ligne.
Une fois acquis auprès du microphone un tampon d’échantillons de taille appropriée, des techniques classiques de traitement du signal fondées sur l’analyse de Fourier sont appliquées pour produire des informations pertinentes dans le domaine fréquentiel. Cela produit ainsi une série de trames, chacune contenant des informations sur une petite fenêtre temporelle. Le classifieur d’états effectue ensuite de multiples prédictions sur ces données d’entrée, en déduisant une série d’étiquettes pour les trames.
Une approche de vote majoritaire est ensuite utilisée pour produire une étiquette unique et robuste. La décision finale sert à sélectionner le modèle correspondant pour réaliser la ND. Le modèle prend en entrée les mêmes trames et fournit un score de nouveauté fondé sur les échantillons vus pendant la phase d’entraînement. Comme même le score de nouveauté n’est pas parfait, nous avons utilisé les prédictions sur les exemples consécutifs composant le tampon pour appliquer une fenêtre de lissage aux scores, gagnant en robustesse par rapport au score d’anomalie.
Résultats
Toute l’expérimentation est réalisée sur une passerelle SECO SBC-C23 équipée d’un processeur d’applications NXP i.MX 6SoloX (Cortex A9) [13]. L’entrée est échantillonnée à 44,1KHz avec un codage sur 16 bits. Pour chaque état, nous avons enregistré environ une minute de données, qui ont constitué le jeu de données pour l’entraînement du classifieur comme de l’algorithme de ND. Les données de test pour la tâche de détection d’anomalies sont composées de pistes d’environ 10 secondes contenant (séparément) des données normales ou des données enregistrées en obstruant partiellement la sortie du filtre à air (pour chaque état, une piste normale et une piste anormale sont enregistrées). Les caractéristiques d’entrée des deux algorithmes sont le logarithme de la puissance du spectrogramme de fréquence, calculé sur une fenêtre de 512 échantillons avec un chevauchement de 25% (calculé avec la bibliothèque Python Librosa [14,15]), ce qui produit un vecteur de 257 caractéristiques, auquel nous ajoutons l’information sur la RMSE du signal.
| Vitesse | Classification (sur trames individuelles) | Détection d’anomalies (sur séquences de trames) | |
|---|---|---|---|
| Précision | Anomalies détectées | Taux de faux positifs | |
| 1 | 99,79 | 99,85 | 1,09 |
| 2 | 97,21 | 98,79 | 0,56 |
| 3 | 73,21 | 72,01 | 0,00 |
| Pour chaque vitesse du moteur de la hotte, nous avons indiqué la précision de classification en conditions normales (première colonne). Le pourcentage d’anomalies détectées (deuxième colonne) et le pourcentage de faux positifs (troisième colonne) sont indiqués en conditions anormales, avec obstruction partielle de la sortie du filtre à air. | |||
Le classifieur comme le détecteur reposent sur des réseaux de neurones (implémentés avec Keras [16]). Le classifieur est un réseau de neurones feed-forward à 2 couches (avec 100 HU), qui réalise une prédiction à 3 classes. Pour chaque classe, l’algorithme de ND est implémenté sous la forme d’un simple auto-encodeur (une couche cachée de 32 HU), en considérant l’erreur de reconstruction comme un score d’anormalité de chaque motif. Le lissage est réglé pour prendre en compte environ 20 prédictions. Dans cette configuration, l’entraînement du modèle peut être réalisé directement en périphérie, en moins d’une demi-heure.
Pendant la phase de test, la carte employée est capable de fournir des prédictions à environ 2,5 Hz, avec une charge CPU de 27% et une consommation de mémoire de 2% (sur 4GB). La précision et les performances de détection sont résumées dans le Tableau 1.
Comme on le voit, les performances de prédiction sont assez élevées, avec une baisse sensible à l’état 3, de vitesse plus élevée et de dynamique plus marquée dans les fréquences. Cependant, l’approche de vote majoritaire permet de fournir la bonne classification pour chaque tampon d’échantillons si aucun changement d’état n’a eu lieu dans le tampon (chaque tampon ne représente toutefois qu’une fraction de seconde dans ce cadre). La bonne étiquette est une étape fondamentale pour sélectionner le bon modèle de ND. Même dans ce cas, le taux d’anomalies détectées, par rapport aux fausses alarmes, est assez élevé pour négliger toute autre considération sur le seuillage.
B. Pompe à eau
Le second scénario repose sur un système tout-en-un capable d’absorber et de stocker l’énergie solaire, de la réutiliser pour divers services dans des contextes publics ou privés et de purifier l’eau dans des zones hors réseau. La solution provient d’un contexte de service public dans des zones défavorisées de la planète où la disponibilité d’eau potable et d’électricité est limitée, mais elle convient aussi à un environnement privé pour la gestion domestique de l’énergie. En outre, elle peut aussi servir de point d’accès Wi-Fi pour la communauté dans laquelle elle est installée. Elle peut être équipée d’une connexion de données 2G/3G/4G pouvant être partagée sans fil avec les appareils environnants, devenant ainsi un point de référence social.
Des questions métier aux problèmes de ML pour concevoir les capteurs
Pour définir la conception de la solution IoT de la Survivor Box, il a fallu comprendre les besoins métier. L’identification des problèmes métier nous a permis de définir un ensemble de capteurs placés à des positions clés du système mécanique. La définition de cet ensemble de capteurs nous a permis de transformer la question métier en différents problèmes de ML. Celui que nous décrivons est la détection de pannes de la pompe de purification de l’eau.
L’algorithme utilisé pour apprendre le comportement normal du système était le Local Outlier Factor (LOF) [17]. Pendant la phase d’entraînement, le LOF vise à identifier un ou plusieurs groupes de points « normaux » (ici, un point est un vecteur à 9 dimensions dont chaque composante correspond à la lecture d’un capteur donné) au sein du jeu d’entraînement. Ensuite, pendant la phase d’inférence, le degré d’anormalité d’une nouvelle observation est calculé en fonction de l’isolement de l’observation par rapport au voisinage de points qui l’entoure. Comme nous nous attendions à ce que les lectures de l’accéléromètre soient très sensibles à des oscillations imperceptibles qui caractériseraient même le comportement normal du système, nous avons choisi de ne pas déduire l’état du système (normal ou anormal) à partir de prédictions isolées de notre modèle, mais de faire la moyenne des prédictions du modèle sur les 10 derniers points. Le modèle a été implémenté en Python avec la bibliothèque Scikit-learn [18]. L’entraînement du modèle sur 2000 points de données a pris environ 20 secondes, avec une consommation CPU [19]) de 2% et une consommation de mémoire de 0,1% (sur 2GB). Pendant la phase d’inférence, le modèle était capable de faire environ 50 prédictions par seconde. Les performances du système ont été évaluées en injectant des anomalies et en vérifiant qu’elles étaient identifiées. De plus, nous avons vérifié que les observations normales n’étaient pas considérées comme des anomalies.
Les deux types d’anomalies que nous avons testés étaient :
- anomalies de l’accéléromètre : nous avons tapoté la surface sur laquelle le système était posé, créant ainsi des vibrations
- anomalies du débit d’eau : nous avons utilisé une petite poignée pour régler le niveau de débit d’eau. L’anomalie a été simulée en laissant l’eau s’écouler à une vitesse différente de celle utilisée pendant l’entraînement du modèle
Nous pouvons affirmer clairement que notre modèle parvient à identifier les anomalies injectées (Tableau 2). De plus, aucune anomalie n’a été observée lorsque le modèle était alimenté avec des données normales.
| Prédit | |||
| Normal | Anomalie | ||
| Réel | Normal | 1000 | 0 |
| Anomalie | 12 | 1988 | |
| La matrice de confusion indiquant les prédictions du modèle sur des données normales et anormales (réparties presque équitablement entre perturbation manuelle de l’accéléromètre et du débit d’eau). | |||
Résultats
Une variation des conditions environnementales, qui entraîne à son tour un changement des conditions de fonctionnement « normales » du système, peut nuire à notre modèle. Nous pensons qu’il existe au moins deux solutions possibles à ce problème : la première exige que le modèle soit entraîné sur un très grand jeu de données, de sorte que les changements possibles des conditions environnementales soient « intégrés » au jeu de données. Cela augmenterait toutefois considérablement le temps d’entraînement ainsi que le temps d’inférence, puisque le LOF est un algorithme d’apprentissage fondé sur les instances ; la seconde solution, qui repose sur le fait que le temps d’entraînement est faible si le nombre d’échantillons d’entraînement l’est aussi, consiste à réentraîner le modèle chaque fois que ses conditions de fonctionnement normales varient.
Conclusions
Surveiller les installations industrielles n’a jamais été aussi faisable et abordable, grâce à la diffusion de capteurs à bas coût et basse consommation ainsi que de puissants ordinateurs monocartes (SBC) utilisés comme passerelles IoT. L’interaction entre l’IoT et le ML a ouvert la voie à de nouvelles approches pilotées par les données pour réussir en matière de sûreté et de fiabilité des processus industriels. Dans ces deux applications, nous avons testé avec succès différentes méthodes, fondées sur le ML, soit pour prédire l’état du système parmi un ensemble d’états fixes, soit pour détecter d’éventuelles situations anormales, en combinant même les deux approches. La surveillance a été testée à la fois sur des mesures directes et indirectes par rapport au phénomène analysé. Le système peut effectuer le calcul en périphérie, ce qui nous permet de travailler dans des environnements exigeant une acquisition de données à très haute fréquence, un point qui peut être crucial dans les applications où il n’est pas possible de partager toutes les données avec un système distant. Ce travail préliminaire nous a permis d’explorer quelques bancs d’essai pour évaluer les compromis entre coût de calcul et performances sur des tâches réelles, jetant les bases d’études plus poussées sur des systèmes de surveillance plus complexes dans différents scénarios.
Références
[1] Al-Garadi, Mohammed Ali, et al. "A Survey of Machine and Deep Learning Methods for Internet of Things (IoT) Security." arXiv preprint arXiv:1807.11023 (2018).
[2] Si, Jia, Yibin Li, and Sile Ma. "Intelligent fault diagnosis for industrial big data." Journal of Signal Processing Systems 90.8-9 (2018): 1221-1233.
[3] Gustafsson, J., and F. Sandin. "District heating monitoring and control systems." Advanced District Heating and Cooling (DHC) Systems. Woodhead Publishing, 2016. 241-258.
[4] Sin, M. L., W. L. Soong, and N. Ertugrul. "Induction machine online condition monitoring and fault diagnosis-A survey." Australasian universities power engineering conference. Vol. 28. 2003.
[5] Jahnke, Patrick. "Machine learning approaches for failure type detection and predictive maintenance." Technische Universität Darmstadt 19 (2015).
[6] Schwabacher, Mark, and Kai Goebel. "A survey of artificial intelligence for prognostics." Aaai fall symposium. 2007.
[7] Si, Xiao-Sheng, et al. "Remaining useful life estimation–a review on the statistical data-driven approaches." European journal of operational research 213.1 (2011): 1-14.
[8] Peng, Ying, Ming Dong, and Ming Jian Zuo. "Current status of machine prognostics in condition-based maintenance: a review." The International Journal of Advanced Manufacturing Technology 50.1-4 (2010): 297-313.
[9] Jardine, Andrew KS, Daming Lin, and Dragan Banjevic. "A review on machinery diagnostics and prognostics implementing condition-based maintenance." Mechanical systems and signal processing 20.7 (2006): 1483-1510.
[10] Zhao, Rui, et al. "Deep learning and its applications to machine health monitoring." Mechanical Systems and Signal Processing 115 (2019): 213-237.
[11] Sakib, Nazmus, and Thorsten Wuest. "Challenges and Opportunities of Condition-based Predictive Maintenance: A Review." Procedia CIRP 78 (2018): 267-272.
[12] Čolaković, Alem, and Mesud Hadžialić. "Internet of Things (IoT): A review of enabling technologies, challenges, and open research issues." Computer Networks (2018).
[13] edge.seco.com/en/
[14] McFee, Brian, et al. "librosa: Audio and music signal analysis in python." Proceedings of the 14th python in science conference. 2015.
[15] github.com/librosa/librosa
[16] keras.io
[17] Breunig, M. M., Kriegel, H. P., Ng, R. T., & Sander, J. (2000, May). LOF: identifying density-based local outliers. In ACM sigmod record.
[18] Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825-2830, 2011.
À lire aussi

Actualités, 10 novembre 2026
SECO annonce que Modular Link IQ-615 et Modular Link MX93 sont désormais disponibles à la commande
Lire
Actualités, 5 novembre 2026
SECO et Peridio s’associent pour accélérer la robotique et la Physical AI, du développement au déploiement sur Qualcomm® Dragonwing™
Lire
Blog
L’IA edge industrielle en 2027 : ce que les OEM doivent concevoir dès maintenant
Lire
Recevez la newsletter SECO.
Inscrivez-vous avec votre adresse e-mail sur seco.com.
