Gartner a popularisé le modèle des 4 niveaux d'analytics, qui représente une pyramide de valeur croissante. Chaque niveau répond à une question différente et nécessite une sophistication technique croissante. La majorité des entreprises industrielles restent cantonnées aux deux premiers niveaux.

Le choix de l'algorithme dépend du type de problème à résoudre. Trois grandes familles couvrent la quasi-totalité des cas d'usage en maintenance prédictive.

A. Détection d'anomalies (Classification non supervisée)

L'objectif est de distinguer un comportement "normal" d'un comportement "anormal" dans les données de capteurs, sans nécessairement identifier la cause.

B. Estimation de la Durée de Vie Résiduelle (RUL)

La RUL (Remaining Useful Life) estime le temps restant avant la défaillance. C'est le problème de régression central de la maintenance prédictive.

RUL(t) = T_failure - t_actuel

Où :
  T_failure = instant prédit de défaillance
  t_actuel  = instant courant

Objectif du modèle : minimiser l'erreur RMSE
  RMSE = √( (1/n) × Σ(RUL_prédit_i - RUL_réel_i)² )

C. Clustering pour la segmentation des défauts

Le problème le plus commun en maintenance prédictive industrielle n'est pas le manque de données, c'est le déséquilibre extrême entre les classes : les événements normaux représentent 99,9% des données, tandis que les pannes — la classe d'intérêt — sont rares.

Techniques de rééquilibrage

from imblearn.over_sampling import SMOTE
sm = SMOTE(sampling_strategy=0.1,
           k_neighbors=5)
X_res, y_res = sm.fit_resample(
    X_train, y_train)
# Ratio cible : 10% de pannes

from sklearn.ensemble import (
    RandomForestClassifier)
model = RandomForestClassifier(
    class_weight={0: 1, 1: 50},
    n_estimators=200
)
model.fit(X_train, y_train)

Autres stratégies complémentaires

• Undersampling de la classe majoritaire : simple mais peut induire une perte d'information sur les comportements normaux.
• Changement de paradigme : reformuler le problème en détection d'anomalies non supervisée, éliminant le besoin d'étiquettes de pannes.
• Données synthétiques par simulation : utiliser des modèles physiques (jumeau numérique) pour simuler des scénarios de dégradation.

La qualité des features est plus déterminante que le choix de l'algorithme. Un signal vibratoire brut à 10 kHz ne peut pas être directement injecté dans un modèle — il faut en extraire des indicateurs significatifs.

A. Transformée de Fourier Rapide (FFT)

La FFT décompose un signal temporel en ses composantes fréquentielles, révélant les fréquences caractéristiques de défauts mécaniques.

import numpy as np
from scipy.fft import fft, fftfreq

# Signal vibratoire : 10 000 points à 10 kHz
signal = np.array([...])
N = len(signal)
T = 1/10000  # période d'échantillonnage

# Calcul FFT
yf = fft(signal)
xf = fftfreq(N, T)[:N//2]
amplitude = 2.0/N * np.abs(yf[:N//2])

# Features extraites :
# - Amplitude à la fréquence d'engrènement (BPFI, BPFO pour roulements)
# - Amplitude à la fréquence de rotation fondamentale (1X, 2X, 3X)
# - Niveau global RMS sur bandes de fréquences définies

B. Statistiques temporelles (Time Domain Features)

C. Analyse en ondelettes (Wavelets)

Les ondelettes combinent les avantages de l'analyse temporelle et fréquentielle : elles localisent précisément les événements transitoires dans le temps ET la fréquence simultanément.

import pywt

# Décomposition par ondelettes discrètes (DWT) — niveau 5
coeffs = pywt.wavedec(signal, 'db4', level=5)
# coeffs = [cA5, cD5, cD4, cD3, cD2, cD1]
# cA = approximations (basses fréq.), cD = détails (hautes fréq.)

# Feature engineering :
# - Énergie par sous-bande : np.sum(c**2) / len(c)
# - Entropie de Shannon des coefficients
# Particulièrement efficace pour les défauts de roulements

La métrique d'évaluation doit refléter le coût asymétrique des erreurs en maintenance. Un Faux Négatif (panne manquée) peut coûter des millions d'euros, tandis qu'un Faux Positif (fausse alarme) génère une intervention inutile mais limitée en coût.

Matrice de confusion et métriques clés

               │  Prédit Normal  │  Prédit Panne  │
Réel Normal    │       TN        │      FP        │  FP = Fausse alarme (coût faible)
Réel Panne     │       FN        │      TP        │  FN = Panne manquée (coût élevé !)

Précision   = TP / (TP + FP)   "Quand je prédis une panne, ai-je raison ?"
Rappel      = TP / (TP + FN)   "Parmi les vraies pannes, combien ai-je détecté ?"
F1-Score    = 2 × (P × R) / (P + R)        Compromis P/R
F2-Score    = 5 × (P × R) / (4×P + R)      Privilégie le Rappel (recommandé en maintenance)

Interprétabilité avec SHAP Values

Les SHAP values décomposent la prédiction en contributions individuelles par feature, rendant les modèles boîte noire explicables pour les ingénieurs.

import shap
explainer = shap.TreeExplainer(model_xgboost)
shap_values = explainer.shap_values(X_test)

# Résultat :
# "La prédiction de panne est due à :
#   vibration_RMS    : +0.42 (contribution principale)
#   température      : +0.31
#   kurtosis         : +0.18
#   pression_huile   : -0.05 (facteur stabilisant)"

Entraîner un modèle est la partie facile. Le maintenir en production, fiable et performant sur plusieurs années, est le vrai défi. Le MLOps (ML + DevOps) apporte les pratiques pour industrialiser le cycle de vie des modèles.

Quiz Flash — 3 questions