Détection d'anomalies dans les séries temporelles déformées - Application à la surveillance des robots industriels

Warped Time Series Anomaly Detection - Application to industrial robots monitoring

• Auteur / Autrice : Charlotte Lacoquelle
• Direction : Louise Travé-Massuyès, Xavier Pucel
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Robotique
• Date : Soutenance le 12/12/2024
• Etablissement(s) : Université de Toulouse (2023-2025)
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes - Laboratoire d'analyse et d'architecture des systèmes / LAAS
• Partenaire(s) de recherche : établissement délivrant conjointement le doctorat : Institut national des sciences appliquées (Toulouse ; 1961-....)
• Jury : Président / Présidente : Pierre Gançarski
• Jury : Examinateurs / Examinatrices : Gerald Steinbauer-Wagner, Romain Tavenard
• Jury : Rapporteurs / Rapporteuses : Pierre Gançarski, Maan El Badaoui El Najjar
• DOI : 10.70675/8893a68fz454cz4de8z908azdef36d811c69

Mots clés

Mots clés contrôlés

Détection des anomalies (informatique)

Robots industriels

Séries chronologiques

Industrie 4.0

Mots clés libres

Détection d'anomalies

Robots industriels

Séries temporelles

Barycentre

Soft-DTW

Industrie 4.0

Anomaly detection

Industrial robots

Time series

Barycenter

Soft-DTW

Industry 4.0

Résumé

Cette thèse aborde le problème de la détection d’anomalie dans les séries temporelles, en se focalisant sur les systèmes à comportement répétitif, tels que les robots industriels opérant sur des chaînes de production. La recherche traite plusieurs défis, notamment la quantité importante de données manquantes dans les jeux de données, ce qui entraîne un échantillonnage irrégulier des séries temporelles issues des capteurs, ainsi que des variations dans la durée de chaque répétition de la tâche.L'approche de détection d’anomalie présentée se déroule en trois étapes :- La première étape identifie les cycles répétitifs dans les séries temporelles entières et les segmente en sous-séquences correspondant à un cycle de la tâche malgré les éventuelles distorsions temporelles.- La deuxième étape calcule un prototype des cycles à l'aide d'un algorithme de barycentre optimisé par GPU spécifiquement adapté aux très grandes séries temporelles.- La troisième étape utilise le prototype pour détecter les cycles anormaux en calculant un score d'anomalie pour chaque cycle.L'approche globale, nommée WarpEd Time Series ANomaly Detection (WETSAND), utilise l'algorithme Dynamic Time Warping (Déformation Temporelle Dynamique) et ses variantes qui gèrent la nature déformée des séries temporelles.Les expériences ont été menées sur des robots manipulateurs réels des usines de Vitesco Technologies. Les robots manipulateurs représentent une part importante de l'automatisation dans l'industrie actuelle. Conçus pour effectuer des tâches spécifiques et répétitives en toute sécurité aux côtés des opérateurs humains, il est essentiel de prédire et de diagnostiquer toute déviation par rapport à leur comportement attendu. Par conséquent, surveiller le comportement de ces robots est crucial, car cela minimise les temps d'arrêt des chaînes de production et prolonge la durée de vie des systèmes en permettant d’ajuster les calendriers de maintenance. Dans l'ère numérique de l'Industrie 4.0, où la collecte, le stockage et le traitement des données sont omniprésents, les paramètres de ces robots sont surveillés en temps réel, garantissant ainsi l'exécution parfaite de leurs tâches.Les expériences montrent que WETSAND s'adapte à des signaux de grande taille, calcule des prototypes faciles à interpréter, fonctionne avec très peu de données et surpasse certaines approches de détection d'anomalie neuronales reconnues telles que les autoencodeurs. Une interface utilisateur basée sur le cloud a été conçue pour déployer WETSAND* dans les usines de Vitesco Technologies, où elle permet de surveiller en ligne différents robots sur les chaînes de production.Cette thèse fait partie du programme **CIFRE** sous la chaire « AI Collaborative: Transformations Synergiques en in diagnostic basé sur des modèles et sur des » au sein de l’institut interdisciplinaire d’intelligence artificielle ANITI (Artificial and Natural Intelligence Toulouse Institute). La recherche a été menée en collaboration entre le Laboratoire d'Analyse et d'Architecture des Systèmes (LAAS-CNRS) et Vitesco Technologies, situés à Toulouse, France.

This thesis addresses the problem of detecting time series outliers, focusing on systems with repetitive behavior, such as industrial robots operating on production lines. The research addresses several challenges, notably the significant amount of missing data within the collected datasets that results in irregular sampling of the time series reported by sensors, as well as variations in the duration of each task repetition across the time series.The anomaly detection approach presented in this paper consists of three stages.- The first stage identifies the repetitive cycles in the lengthy time series and segments them into individual time series corresponding to one task cycle, while accounting for possible temporal distortions.- The second stage computes a prototype for the cycles using a GPU-based barycenter algorithm, specifically tailored for very large time series.- The third stage uses the prototype to detect abnormal cycles by computing an anomaly score for each cycle.The overall approach, named WarpEd Time Series ANomaly Detection (WETSAND), makes use of the Dynamic Time Warping algorithm and its variants because they are suited to the distorted nature of the time series.The experiments have been carried out with real robot manipulators of Vitesco Technology plants. Robot manipulators constitute a significant portion of automation in today’s industry. Designed to perform specific, repetitive tasks safely alongside human operators, it is essential to predict and diagnose any deviation from their expected behavior. Consequently, monitoring these robots' behavior is crucial, as it minimizes production line downtime and prolongs the system's lifespan through maintenance schedule adjustments. In the digital era of Industry 4.0, where data collection, storage, and processing are ubiquitous, the parameters of these robots are continuously monitored in real-time, ensuring their tasks are executed flawlessly.The experiments show that WETSAND scales to large signals, computes human-friendly prototypes, works with very little data, and outperforms some recognized neural anomaly detection approaches such as autoencoders. A cloud-based user interface has been designed to deploy WETSAND in the Vitesco Technologies plants and it monitors online different robots in the production chains.This thesis is part of CIFRE program under the “Collaborative AI : Synergistic transformations in model based and data-based diagnosis” chair at ANITI. The research has been conducted through a collaboration between the Laboratory of Analysis and Architecture of Systems (LAAS) and Vitesco Technologies, situated in Toulouse, France.