Vous êtes sur la page 1sur 51

P5 2020

ADAPI - StL
ADAPI
1 Analyse de Données pour l’Amélioration des
Processus Industriels
CONTEXTE : STATISTIQUES POUR LE CONTRÔLE
INDUSTRIEL

ADAPI - StL
 Optimisation de processus
 Réduction de coûts, énergie, matière, consommables
 Amélioration des performances
 « Faire le mieux avec ce que nous avons »
 Réduction de la variabilité de la « Qualité »

 Analyse de défauts et défaillances


 Réduction des pertes et minimisation des risques
 Analyse durée de vie
 Traçabilité 2
DOMAINE SCIENTIFIQUE -ADAPI

 Contrôle et supervision de procédés


 Outils de suivi, d’optimisation, de diagnostic, de
maintenance prédictive…
 Analyse de données et traitement du signal

ADAPI - StL
 Modélisation - Prédiction
 Détection de changements et de nouveautés
 Fouille de données (Data Mining)
 Détection de règles, d’associations, d’organisation
 Aide à la décision
 Règles d’exploitation automatisées
 Analyse de bases de données
 Knowledge Management
 Statistical Process Control
 Cartes de contrôle, plans d’expérience
3
OUTILS EXPLORÉS DANS LE COURS ADAPI

 Mathématiques : Probabilités, Statistiques


 Bref rappel…
 Modélisation de systèmes complexes

ADAPI - StL
 Identification de systèmes
 Classification, Régression de données

 Détection de changements et générateurs de


résidus
 Théorie de l’information
 Ingénierie de la décision et de la connaissance
 Intelligence artificielle
 Réseaux de neurones, Séparateurs à vaste marge,
Logique flou
4
LIENS ENTRE LES OUTILS Automatique –
Statistiques théorie des systèmes
Supervision
Test d’hypothèse

Filtrage de kalman

Mesures statistiques
Régulation

ADAPI - StL
Identification de systèmes

Commande prédictive
Statistiques bayésiennes Asservissement
SPC
Réseaux bayésiens
FDI
HMM

Détection de Maintenance prédictive


changements
Statistical learning

SVM

Reconnaissance de Apprentissage
formes
Classification Extraction de
connaissance
Classification
automatique
5
PRINCIPAUX DOMAINES DE L’ADD - 1
 Biostatistique
 Séquençage
 Modèles épidémiologiques
 Domaine – généralement – caractérisé par peu

ADAPI - StL
d’échantillons et de (très) grande dimension
 Santé
 Aide au diagnostic
 Dosimétrie
 Domaine caractérisé par des échantillons faibles
 Marketing
 CRM
 Gestion des stocks
 Prospection et veille technologique
 Webmining et comportement d’internautes
 Domaine caractérisé par très grand nombre
d’échantillons 6
PRINCIPAUX DOMAINES DE L’ADD - 2
 Environnement
 Classification des usines à risques
 Prédiction des pics d’ozone
 Gestion des crues et des inondations
Domaine caractérisé par des procédés souvent

ADAPI - StL
chaotiques et très complexes
 Banque
 Prédiction des risques / crédit
 Appétence des clients vers les différents produits financiers
 Attrition de leurs clients …
 Domaine caractérisé par très grand nombre
d’échantillons et des modèles évolutifs

 Et enfin la Finance
 Modèles économétriques pour prédire les crises !!!
 Sans avis sur ce Domaine …
7
ADAPI - StL
http://www.kdnuggets.com

Data Mining Community


for Data Mining and
Analytics Software,
Jobs, Consulting, Courses,
Education, News, 8
Companies, and more.
ADAPI - StL
http://www.kdnuggets.com

Data Mining Community


for Data Mining and
Analytics Software,
Jobs, Consulting, Courses,
Education, News, 9
Companies, and more.
OBJECTIFS DU COURS

 Sensibiliser les étudiants aux méthodes d’analyse


de données pour l’optimisation et le suivi de
procédés industriels
 Savoir mettre en œuvre les métriques

ADAPI - StL
statistiques usuelles
 Développer une connaissance autour de la
modélisation de processus industriels et de
l’extraction de règles d’exploitation automatisés
 Initier une démarche de construction de modèles
adaptés aux problèmes identifiés
 Formalisation du problème, sélection des données,
choix de la structure du modèle, définition et
validation du modèle
10
MOTIVATIONS ET BESOINS

 Analyse de données pour l’amélioration des


procédés industriels
 Définir, Mesurer, Analyser, Améliorer, Contrôler …

ADAPI - StL
Improve

User DEFINE
RIGHT THINGS
Benchmarks Six Sigma

MEASURE
DMAIC
Process
IMPROVE

Industry
ANALYZE WELL Best
Practices

11
DÉMARCHE 6-SIGMA

 Garantir une variabilité dans une plage très


acceptable

ADAPI - StL
 Enjeu : Mise au point de procédés plus rapide
 Adapter rapidement les réglages pour obtenir des
points de fonctionnement idéaux selon la qualité des
produits à réaliser
 Réduire les délais de pré-réglage
 Supprimer le prototypage…
12
OBJECTIFS DES OUTILS D’ADAPI

 Suivre et améliorer la production (gestion courante)


 Garantir que la production est dans des conditions optimales
 Quantifier les dérives de fabrication
 Alerter les exploitants

ADAPI - StL
 Accommoder les dérives
 Améliorer la qualité de la production

 Détecter les défauts produits au plus vite (gestion des aléas)


 Détecter une dérive ou un défaut de la qualité
 Localiser l’origine de la dérive / du défaut
 Diagnostiquer l’état de fonctionnement des composants, du
processus
 Pronostiquer une durée de vie restante (RUL) d’un équipement ou
une durée de fonctionnement dans les tolérances
13
COMMENT EXTRAIRE DE LA CONNAISSANCE ?

 Acquérir des données.


 Sélectionner l'information

 Construire de la connaissance

ADAPI - StL
 Comprendre et agir

Compréhension

Extraire les régles de décision / prédiction

Connaissance
ABSTRACTION

Construire les modèles


Informations

Definir les relations


Données/ Mesures
14
COMPREHENSION
MÉTHODOLOGIE GÉNÉRALE ADAPI

 Inspirée du « DMAIC Improvement Process »

Qualifier Quantifier Identifier Trouver Mettre en œuvre

ADAPI - StL
le problème le problème les défauts une solution la solution

Define Measure Analyse Improve Control

Identifier Tester les Détermination


Choisir Y Construire Y
les variables sensibilités des plages de
d’influence x des variables x réglage des x

15
ETAPES GÉNÉRALES D’UN PROJET ADAPI

Extraction Déploiement
Définition Preparation Validation
Modélisation de la d’actions
du problème des données du modèle
connaissance correctrices

ADAPI - StL
 Choix de la structure du problème
 Sélection de variables (voire transformation)
 Choix de la méthode de modélisation
 Réglages de paramètres
 Validation
 Généralisation du modèle

16
LES OUTILS LOGICIELS STATISTIQUES DÉDIÉS

 SAS
 Le plus répandu dans le monde industriel
 http://www.sas.com/
 SPSS

ADAPI - StL
 http://www.spss.com
 Existe PSPP (look-like freeware)
 The R Project for Statistical Computing
 Freeware
 http://www.r-project.org/
 Python Anaconda
 Numpy, Scikit learn
 scikit-learn.org
 Csense
 Très orienté Suivi de production
 Utilisé pour les TP 17
DES ENVIRONNEMENTS DÉDIES BIG DATA

 Complexité algorithmique, algorithmes adaptés


 Architecture MapReduce
 Gestion de fichiers

ADAPI - StL
 HDFS, GoogleFS, Amazon S3
 Base de données
 NoSQL, Hbase, Hive, MongoDB

 Exemple : Plate-forme TERALAB, hébérgée à


Mines Douai

18
CONTENU SCIENTIFIQUE DU COURS

 Les modèles des données


 Loi normale à 99 % !
 Les tests d’hypothèse

ADAPI - StL
 Pour la détection de changements
 Les techniques de modélisation utilisées
 Descriptives vs Prédictives
 Classification vs Régression

 Les méthodes de validation de modèles

19
ORGANISATION

 Partie 1 : Extraction et Préparation des


données
 Partie 2 : Sélection du modèle

ADAPI - StL
 Selon la nature du problème
Prédiction, Description

 Selon le type de données


Quantitatives, Qualitatives

 Partie 3 : Validation du modèle

20
P5 2020
ADAPI - StL
PARTIE I
21 Préparation des données
QU’EST CE QU’UNE « DONNÉE » ??

 Que signifie « donnée »


 Donnée = ensemble de mesures (qualitative ou

ADAPI - StL
quantitative) pour 1 individu
 Donnée = vecteur composée de plusieurs attributs ou
variables

 Base de données
 Ensemble des mesures pour l’ensemble des individus

 Analyse de données
 Etudes des propriétés communes par population ou
groupe d’individus 22
PARTIE I : LA PRÉPARATION DES DONNÉES

 Point d’entrée : les données


 Réseaux de Capteurs, SCADA …
 SI, SQL server, ACCESS …

ADAPI - StL
 HDFS, FTP …
 …

 Préparation des données


 Ne garder que les Données de qualité porteuses
d’information Real-time & Historical
process data
CSense® Data Prepared and
Preparation validated data

23
EXTRACTION DE DONNÉES “INTÈGRES”

 Ne pas propager des données non consolidées


dans la pyramide d’informations

ADAPI - StL
24
www.csensesystems.com
FORMATS DE DONNÉES

 Quantitatives
 Continues
 Discrètes

ADAPI - StL
 Qualitatives
 Numériques (note)
 Alphanumériques (label)
 Ordonnées (ordinales) ou non (nominales)
 Froid, Tiède, Chaud
 Sport, Confort, Classique, Senior

 Textuelles
 Etiquette, Mode de fonctionnement

25
PRÉPARATION DES DONNÉES

 Sélection des variables pertinentes


 Elimination des variables sans information ou étant
redondantes
 Choix des données selon des hypothèses

ADAPI - StL
d’appartenance à un modèle générateur

 Objectifs
 Elimination des données bruitées
 Neutralisation des valeurs extrêmes
 Suppression des données manquantes ou incomplètes
 Détection de rupture dans les données

26
ANALYSE EXPLORATOIRE DES DONNÉES

 Objectif :

Explorer la distribution des données

ADAPI - StL
(fonctions de répartition et de densité)

en utilisant les

Méthodes statistiques descriptives

27
OUTILS DE STATISTIQUE DESCRIPTIVE ÉLÉMENTAIRE

 Mesure mathématique
 Médiane, quartile, moyenne, fréquence, variance,
écart-type

ADAPI - StL
 Représentation graphique associée
 Diagramme en bâton, histogramme, diagramme-boîte,
graphiques cummulatifs, diagrammes en colonnes en barres
en secteurs

28
REPRÉSENTATION GRAPHIQUE - 1

 Diagramme boîte
Limite haute = Q3+1.5(Q3-Q1)

Q3

ADAPI - StL
Médiane

Q1

Moyenne

Limite basse = Q1-1.5(Q3-Q1)

Outlier

29
MÉTHODES STATISTIQUES
1 n
 Moyenne µ  E(x) E(X)   XdP

µ  · xi
n i1

1 1
 Médiane
m 
 d F(x)  and  d F(x ) 

ADAPI - StL
2 m 2

1  3
 Quartile
m

d F(x) 
4
and  m
d F(x ) 
4

 Variance Var(X)  E[(X  )2 ]. n


Var(X)   pi (xi  )2
Var(X)   (x  )2 p(x)dx i1

 Ecart-type 1 N
 
N i1
pi (xi  x)2 ,

30
RÉPARTITION STATISTIQUE DES DONNÉES DISCRÈTES

 Distributions de variables aléatoires discrètes


 Distribution uniforme
 Equiprobabilité
 Distribution binomiale

ADAPI - StL
 Probabilité d’avoir k événements en n tirages
 Peu de chance de ne jamais avoir aucun « pile » en 10 lancers
de pièces
 Peu de chance de ne jamais avoir 10 « piles » en 10 lancers
de pièces
 Plus forte probabilité d’avoir 5 « piles » en 10 lancers de
pièces
 Distribution (hyper)géométrique
 Modélisation du nombre de succès (ou de défauts) selon le
nombre de tirages (de cycles) – tirage exhaustif
 Distribution de Poisson
 Comptage du nombre de fois qu’un événement se produit dans
un période donnée, une surface donnée.
31
RÉPARTITION STATISTIQUE DES DONNÉES CONTINUES

 Distributions de variables aléatoires continues


 Loi uniforme
 Loi exponentielle
 Durée de vie d’un phénomène
 Loi normale (log normale, normal Sdt)

ADAPI - StL
 Distribution centrée
 Loi de Pareto
 Importance des valeurs cruciales
 Loi de Student
 Comparaison de 2 échantillons
 Loi du Chi2
 Loi théorique pour des échantillons multivariés, basée sur le
respect d’un ensemble de lois normales
 Loi de Fisher,
 Comparaison de deux variances
 Distribution de Weibul
 Exprime une Durée de vie

32
LOI NORMALE 0.18
(, 2 )
0.16

2
1  x   0.14

1  
2   
f(x)  e 0.12

 2 0.1

0.08

0.06

0.04

ADAPI - StL
0.02

0
0 5 10 15 20

P(m  1.34  X  m  1.34)  0.5 µ=10; 2


P(m  1.64  X  m  1.64)  0.9
P(m  1.96  X  m  1.96)  0.95
P(m  3.09  X  m  3.09)  0.998 1

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 2 4 6 8 10 12 14 16 18 20

33
LOI NORMALE 0.18
(, 2 )
0.16

2
1  x   0.14

1  
2   
f(x)  e 0.12

 2 0.1

0.08

0.06

0.04

ADAPI - StL
0.02

0
0 5 10 15 20

µ=10; 2

E(( x  )3 )
 Coefficient d’asymétrie (skewness) sk 
3
 =0 symétrique
 > 0 allongé vers la droite; <0 allongé vers la gauche

 Coefficient de aplatissement (kurtosis) k


E((x  )4 )
 = 3 apatie comme gauss 4

 > 3 plus concentré; <3 plus aplatie 34


APPLICATION DE LA LOI NORMALE :
CAPACITÉS D’UN PROCESSUS

LCI LCS

ADAPI - StL
Process
Width
Target

Cp = =
Spec Larg
Denotes
Process Larg Variation
Pp =(LCS-LCI)/6 35
APPLICATION DE LA LOI NORMALE :
CAPACITÉS D’UN PROCESSUS

<3
Cp<1 MAUVAISE CAPACITE
Out of
Specs

ADAPI - StL
LCI Target LCS =3  Cp=1

All in
Specs

6 Cp=2 Only
50% of
tol. used LCI Target LCS

BONNE CAPACITE

LCI Target LCS 36


NORM PLOT

 Hypothèse de normalité
13

ADAPI - StL
12

11

10

7
0 5 10 15 20 25 30 35

37
TEST DE NORMALITÉ - EXEMPLE
Spent Electrolyte

Matte DIC
Tank
Water Ball Mill Tank
2100
2102

Tank FC
Air
FIC LIC pumps
2107

pH pH

ADAPI - StL
Oxygen Autoclave 2110C/D Tank
Steam
#1 #2 #3 #4 2116

PIC TIC LIC LIC

38
TEST D’HYPOTHÈSE SIMPLE
 Pour réaliser un test par intervalle de confiance ou test d’hypothèse sur un
paramètre d’un procédé, on considère deux cas :
 On suppose que l’estimation du paramètre du procédé est égale à une valeur théorique
que l’on spécifie (centre). Cette hypothèse est appelée hypothèse nulle H0
(fonctionnement normal).
 L’autre alternative notée H1 est valide lorsque l’estimation s’éloigne et est différente
de la valeur théorique (mauvais fonctionnement)
 En choisissant un seuil délimitant les deux hypothèses, on peut assigner une

ADAPI - StL
observation Xi au mode de bon fonctionnement (hypothèse H0) si elle est
inférieure au seuil et de la juger nuisible (H1)si elle est supérieure au seuil
 On peut cependant rejeter l’hypothèse nulle H0 alors qu’elle est vraie. La
probabilité de faire cette erreur, si le seuil est trop petit, est aussi appelée
risque  ou risque fournisseur ou risque de 1ère espèce (fausse alarme).
 On peut de même accepter l’hypothèse nulle H0 alors qu’elle est fausse si le
seuil est pris assez grand. La probabilité de faire cette erreur, est aussi appelée
risque  ou risque client ou risque de 2nde espèce (non détection).
Densité de
Causes
probabilité
spéciales
M1 M2
H0 H1

 
Xi

39
Causes communes
PRINCIPE DES TESTS STATISTIQUES1

 Quand on veut démontrer l’hypothèse H1 telle que :


 une moyenne mesurée dans un échantillon est
significativement différente de la moyenne dans la population
 significativement = ne résulte pas uniquement du hasard

ADAPI - StL
 des moyennes mesurées dans 2 échantillons sont
significativement différentes
 une variable ne suit pas une loi théorique donnée
 deux variables sont significativement différentes
 un échantillon n’est pas homogène mais est composé de
plusieurs sous-populations
 on soumet l’hypothèse nulle H0 à un test T qui doit être
satisfait si H0 est vraie
 puis on montre que T n’est pas satisfait ⇒ H0 est faux
 Vocab. : H0 : hypothèse nulle – H1 : hypothèse
alternative
40
1 : Source internet
PRINCIPE SUITE1 - 1
 Fixer le niveau  du test (généralement petit 5%; 1%; 0.1%)
 risque de 1re espèce, c-à-d la probabilité de rejeter à tort H0, c-à-d
de choisir H1 alors qu'elle est fausse.
 Définir la statistique du test :
 quantifier l'écart à H0 observé sur l'échantillon. Par exemple la loi

ADAPI - StL
de l’écart entre les moyennes population A et population B
 Déterminer la zone de rejet du test :
 RA : contient les valeurs de la statistique que l'on s'attend à
observer quand H0 est vraie ; valeurs conformes à H0.
 RJ : contient les valeurs qu'il est rare d'observer quand H0 est
vraie
(rares et donc suspectes)
0.6
Densité de probabilité

0.4

zone d'acceptation de H0
0.2

zone de rejet de H0
0.0

0 2 4 6 8 10 41
Quantiles
PRINCIPE SUITE1 - 2
 Alternativement au calcul de la RJ, calculer la p-valeur (ou niveau de
signification) obs
 probabilité quand H0 est vraie d'observer une valeur de la statistique
au moins aussi extrême, dans le sens indiqué par H1, que la valeur
effectivement observée.
 On utilise la distribution sous H0 de la statistique pour la calculer.
 Plus la valeur observée est extrême et plus la p-valeur est petite.

ADAPI - StL
 Règle de décision basée sur la p-valeur
 Pour un test au niveau a donné :
 Si obs =<  : on rejette H0 et on accepte H1, au risque d'erreur .
 Si obs >  : on conserve H0 et on n'accepte pas H1, avec un risque d'erreur
 inconnu.
 Risques d'erreur et puissance d'un test
 Risque d'erreur de 1re espèce  :
 risque de rejeter à tort H0 (d'accepter H1 quand H1 est fausse).
 Risque d'erreur de 2e espèce  :
 risque de conserver à tort H0 (de ne pas accepter H1 quand H1 est vraie). En
général, il n'est pas calculable.
 Puissance du test = 1- : probabilité d'accepter H1 quand H1 est vraie.

42
EXEMPLE 1 80
Sans additif
762
Additif 1
734
Additif 2
888
(750, ) 821 819 771
12 735 859 645
 H0 x  0 733
680
866
842
705
680
 H1 x   782
793
599
734
953
715
1
 H0 vrai avec a=5% 761
721
852
811
824
749
X suit une loi normale

ADAPI - StL
754 780 836

767 814 703
638 870 652

 Test 
k  µ0 k  0  *1.64
P(x  k µ0 )  P(U  ) n
/ n
 Décision
 x  k; obs  5% rejet de H0 et acceptation de H1
 acceptation de H0
x  k; obs  5%

µi  
 Risque   P(U  )
/ n
43
EXEMPLE 2 – TEST DE STUDENT

 H0 x  0 x  0
T suit une loi de student
 H1 x  0 s n

I.C. 95%

ADAPI - StL
0

x t *
0.025 , n 1 s n x x  t0*.025 ,n 1 s n
*
t 0.025,n 1 Quantile d’ordre 1-0.025 à n-1 degrés de libertés

On cherche l'écart critique ta dans la table de la


loi de student avec n-1 degrés de liberté.

si t<ta, on accepte l'hypothèse H0,


si t>ta, on la rejette.
44
LOI DE STUDENT

1
f(t) 

ADAPI - StL
1 n t 2 ( n21)
n.B( , ).(1  )
2 2 n

45
PLÉTHORE DE TESTS STATISTIQUES…
 Test de Kolmogorov-Smirnov
 écart entre courbes de répartition théorique et observée
 Test d’Anderson-Darling
 modifie Kolmogorov-Smirnov en donnant plus de poids aux queues de
distribution

ADAPI - StL
 Test de Lilliefors
 perfectionne K-S quand on ne connaît pas la moyenne et la variance de la
var.
 car dans ce cas le test de K-S est conservateur si calculé avec la moyenne et
la variance estimées sur l’échantillon
 Test de Shapiro-Wilk
 mesure l’alignement sur la droite ci-contre correspondant à une distribution
normale
 le meilleur test sur de petits échantillons <50
 Test de Jarque Bera
 teste si les résidus d'une régression linéaire suivent une distribution
normale.

La suite sur : http://fr.wikipedia.org/wiki/Test_(statistique) ...


46
Effectifs observés et théoriques
10
Test de Anderson-Darling (Echantillon1) :
9
8
A² 0,260
7
6 p-value 0,693
Effectif

5 alpha 0,05
4
3 Interprétation du test :
2 H0 : L'échantillon suit une loi Normale.
1 Ha : L'échantillon ne suit pas une loi Normale.
0 Etant donné que la p-value calculée est supérieure au niveau de signification seuil
1 2 3 4 5 6 7 8 9 10 alpha=0,05, on peut valider l'hypothèse nulle H0.
Classe Le risque de rejeter l'hypothèse nulle H0 alors qu'elle est vraie est de 69,33%.

P-P plot (Echantillon1)


Observations Distribution
1

Fonction de répartition théorique

ADAPI - StL
Test de Lilliefors (Echantillon1) : 0,9
0,8
D 0,100
D 0,7
(normalisé) 0,632 0,6
p-value 0,401
0,5
alpha 0,05
0,4

Interprétation du test : 0,3


H0 : L'échantillon suit une loi Normale. 0,2
Ha : L'échantillon ne suit pas une loi Normale. 0,1
Etant donné que la p-value calculée est supérieure au niveau de signification
0
seuil alpha=0,05, on peut valider l'hypothèse nulle H0.
0 0,2 0,4 0,6 0,8 1
Le risque de rejeter l'hypothèse nulle H0 alors qu'elle est vraie est de 40,13%.
Fonction de répartition empirique

Test de Jarque-Bera (Echantillon1) :


Test de Shapiro-Wilk (Echantillon1) :
JB (Valeur
observée) 0,592
W 0,981 JB (Valeur
p-value 0,728 critique) 5,991
alpha 0,05 DDL 2
p-value 0,744
alpha 0,05
Interprétation du test :
H0 : L'échantillon suit une loi Normale. Interprétation du test :
H0 : L'échantillon suit une loi Normale.
Ha : L'échantillon ne suit pas une loi Normale.
Etant donné que la p-value calculée est supérieure au niveau de signification Ha : L'échantillon ne suit pas une loi Normale.
47
Etant donné que la p-value calculée est supérieure au niveau de signification seuil alpha=0,05,
seuil alpha=0,05, on peut valider l'hypothèse nulle H0.
on peut valider l'hypothèse nulle H0.
Le risque de rejeter l'hypothèse nulle H0 alors qu'elle est vraie est de 72,78%. Le risque de rejeter l'hypothèse nulle H0 alors qu'elle est vraie est de 74,40%.
TEST DE SHEWHART

 Test par intervalle de confiance (un multiple de l’écart type) pour


vérifier la conformité d’un paramètre
 une cible (ligne de base, µ) 1 N
 Xi
0


N 0 i 1
 des limites de contrôle LCS (supérieure) et

ADAPI - StL
LCI (inférieure), définies par la variabilité du processus sous
contrôle et par la probabilité  de fausse alerte
 Plus l (paramètre de contrôle) augmente, plus  diminue
  =4.5 % pour un diagramme 4
  =0.27 %. pour un diagramme 6

1 N0 LC S    (l   )
   ( X i  )2 
N0 i 1 LC I    (l   )

S i LC I  X i  LC S alors H 0
 48
Sinon H 1
TEST DU CUSUM

 Pour détecter le saut, on utilise une fonction de


décision gi et on applique un filtre ‘K’ afin
d’éliminer les variations résiduelles (bruit)
imputables aux causes communes qui peuvent

ADAPI - StL
être à l’origine des fausses alarmes.

g 0  0

 g i  max(0 , g i 1  X i   0  K )
1  0
K
2

Si g i  h alors H 0

Sinon H 1  Alarme 49
TEST EWMA (MOYENNE GLISSANTE PONDÉRÉE)

 Tolère des dérives lentes l  0,1

M 0  X 0 l l
  EWMA   1  (1  l )2i 
M i  (1  l ) M i 1  l X i 2l 2l

ADAPI - StL
LCSEWMA =  EWMA + k *  EWMA

LCI EWMA =  EWMA - k *  EWMA

50
HTTP://FR.WIKIPEDIA.ORG/WIKI/TEST_(STATISTIQUE)

ADAPI - StL
51