Date : 2024
Type : Livre / Book
Type : Thèse / ThesisLangue / Language : anglais / English
Accès en ligne / online access
Accès en ligne / online access
Accès en ligne / online access
Résumé / Abstract : L'enregistrement de données via des capteurs, sur les systèmes d'ingénierie donne accès à de nombreuses quantités d'intérêt (Quantity of Interest, QoI) évoluant dans le temps, éventuellement enregistrées à différents endroits de ces systèmes. Les séries temporelles ainsi captées peuvent servir à plusieurs fins : - la prévision, c'est-à-dire la prédiction de l'évolution temporelle de la QoI dans un avenir proche. Des exemples peuvent être trouvés dans les domaines de l'hydrologie/climatologie (précipitations, inondations, sécheresses), de l'énergie (vitesse du vent, production électrique ou consommation d'énergie), de l'économie et de la finance (surveillance des actifs financiers), de la médecine personnalisée, du réseau ou du trafic routier, etc. - le diagnostic et le pronostic (par exemple, le pronostic de la durée de vie utile restante des systèmes, la surveillance de l'état des structures en génie mécanique ou civil) - l'apprentissage d'un indicateur de qualité de vie non observé à partir de plusieurs autres données enregistrées interdépendantes. Le travail proposé vise à développer des approches basées sur l'apprentissage automatique et appliquées à des séries temporelles multivariées. Les problèmes mentionnés ci-dessus seront traités dans le cadre de l'apprentissage supervisé. Un accent particulier sera mis sur l'apprentissage multi-tâches en exploitant les informations de séries temporelles multiples et mutuellement liées pour améliorer la qualité de l'apprentissage. Les séries temporelles enregistrées sont souvent non stationnaires dans les problèmes réels. Nous traiterons donc la non-stationnarité en combinant l'analyse des ondelettes et l'apprentissage automatique. Les ondelettes serviront également à débruiter les séries temporelles. Plusieurs techniques seront étudiées pour apprendre les séries temporelles, en fonction de la quantité de données collectées par le système de surveillance (nombre de capteurs, pas de temps et durée, ...), parmi lesquelles les machines à vecteurs supports (SVM), les processus gaussiens et les réseaux neuronaux profonds. Dans le cas de petits ensembles de données, nous calculerons l'incertitude de prédiction des modèles formés, ce qui est d'une importance capitale dans certaines approches de prévision et de pronostic.
Résumé / Abstract : The monitoring of engineering systems provides several useful quantities of interest (QoI) evolving with time, possibly recorded at different locations in theses systems. The monitored time series can serve several purposes: - forecasting, i.e. predicting the time evolution of the QoI in the near future. Examples can be found in hydrology/climatology (precipitations, floods, droughts), energy (wind speed, electric load or power consumption), economics and finance (monitoring of financial assets), personalized medicine, network or road traffic, ... - diagnosis and prognosis (e.g. prognosis of remaining useful life of systems, structural health monitoring in mechanical or civil engineering), - learning of an unobserved QoI from several other interrelated monitored data. The proposed work aims at developing data-driven approaches based on machine learning and applied to multivariate time series. The above mentioned problems will be addressed in the framework of supervised learning. A specific emphasis will be put on multi-task learning by leveraging the information of multiple and mutually related time series for an increased accuracy in predictions. Recorded time series are often found to be non-stationary in real problems. We will address non-stationarity by combining wavelet analysis and machine learning. Wavelets will also serve for denoising the recorded time series. Several techniques will be investigated to learn the recorded time series, depending on the amount of data collected by the monitoring system (number of sensors, time-step and duration, ...), among which support vector machines, Gaussian processes and deep neural networks. In the case of small datasets, we will compute the prediction uncertainty of the trained models, which is of paramount importance in some forecasting and prognosis approaches.