Accueil▸IA et apprentissage automatique▸Laboratoire de détection d'anomalies par IA

🏭 Laboratoire de détection d'anomalies par IA

Une simulation en étude de cas d'un capteur de ligne de fabrication : ajustez un seuil de score d'anomalie de type isolation et observez-le séparer les véritables pannes d'équipement du bruit normal de fonctionnement.

IA et apprentissage automatique['Canvas 2D', 'Vanilla JS']Étude de cas60 FPS

Étude de cas : détecter les pannes d'équipement avant qu'elles ne causent des arrêts

Cette étude de cas simule un scénario de déploiement réel : un capteur de vibration monté sur le moteur d'un convoyeur d'usine transmet en continu deux mesures, l'amplitude de vibration et l'écart de température. La plupart des mesures se regroupent étroitement autour des conditions de fonctionnement normales. De temps en temps, une véritable panne, un roulement qui s'use, une courroie qui glisse, produit des mesures qui se situent bien en dehors de ce groupe normal.

Un détecteur d'anomalies de type isolation attribue à chaque mesure un score selon sa distance par rapport au groupe dense de points normaux, en utilisant la distance moyenne à ses plus proches voisins dans l'espace de caractéristiques à deux dimensions. Les mesures anormalement isolées reçoivent un score d'anomalie élevé ; celles bien ancrées dans le groupe normal reçoivent un score faible.

La décision de déploiement qui compte vraiment est de savoir où fixer le seuil d'alerte. Ce laboratoire vous permet d'ajuster ce seuil directement et d'observer, sur un jeu de données simulé fixe avec des pannes réelles connues, exactement combien de pannes sont détectées, combien de fausses alertes se déclenchent, et combien de pannes passent inaperçues.

Questions fréquentes

Comment fonctionne la détection d'anomalies basée sur l'isolation ?

Elle attribue à chaque point un score selon son degré d'isolement par rapport au groupe dense de points normaux, généralement mesuré par la distance moyenne à ses plus proches voisins, signalant les points fortement isolés comme des anomalies probables.

Pourquoi utiliser la vibration et la température ensemble ?

Combiner plusieurs mesures de capteurs dans un espace de caractéristiques commun permet au détecteur de repérer des pannes qui se manifestent par une combinaison inhabituelle de mesures, même lorsque chaque mesure prise isolément semble normale.

What happens if the threshold is set too low?

Un seuil bas signale davantage de mesures comme anormales, détectant plus de pannes réelles mais déclenchant aussi plus de fausses alertes dues au bruit normal de fonctionnement.

Que se passe-t-il si le seuil est fixé trop haut ?

Un seuil élevé réduit les fausses alertes mais risque de manquer des pannes réelles dont les mesures ne sont que modérément inhabituelles plutôt que des valeurs extrêmes.

Pourquoi présenter ceci comme une étude de cas plutôt qu'un laboratoire général ?

Cela ancre la technique générale de détection d'anomalies dans un scénario de déploiement concret et réaliste, la surveillance d'équipements industriels, pour montrer comment les mêmes mathématiques s'appliquent à un problème métier concret.

⚙ Sous le capot

180 points normaux sont tirés d'un groupe gaussien 2D et 12 points de panne sont placés à des angles aléatoires et à des rayons plus grands pour simuler de véritables valeurs aberrantes. Le score d'isolement de chaque point est calculé comme une fonction compressée de sa distance moyenne à ses 8 plus proches voisins sur l'ensemble du jeu de données, et le seuil d'alerte est appliqué directement à ce score pour déterminer les points signalés.

anomaly-detectionmanufacturing-aicase-study

Canvas 2D · vanilla JavaScript · 60 FPS target · runs fully client-side, no install