Réponse rapide
L’apprentissage non supervisé peut détecter une anomalie en apprenant la distribution ou les modes habituels du robot, puis en signalant une observation éloignée, rare ou incohérente. Le signal doit être comparé au contexte, aux capteurs et à l’effet physique avant d’alarmer ou d’arrêter. Une anomalie statistique peut venir d’une situation nouvelle légitime.
Construire une référence saine
Cycles, charges, températures, surfaces et phases de mission couvrent le fonctionnement attendu. Seuil, distance ou densité sont calibrés avec faux positifs et faux négatifs, sans contaminer la référence par défauts connus. L’âge et la qualité des données sont suivis.
Confirmer avant une action critique
Un signal est croisé avec courant, vibration, position, outil et historique, puis classé critique, à examiner ou probablement normal. Le robot réduit vitesse ou collecte une mesure supplémentaire selon le risque. Les événements sont annotés après enquête.
Ne pas arrêter sur toute nouveauté
Un terrain inédit ou une charge inhabituelle peut être normal, tandis qu’un défaut lent peut rester proche de la moyenne. Seuils, contexte et supervision sont nécessaires. L’alarme indique incertitude et preuve disponible.
Sources et références
- [1] Novelty and Outlier Detection — scikit-learn — scikit-learn