Détection d’anomalies dans les données mesurées dans les bâtiments par association de connaissances expertes et de techniques d’apprentissage automatique - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Anomaly detection in buildings measurements by combining expert knowledge and machine learning techniques

Détection d’anomalies dans les données mesurées dans les bâtiments par association de connaissances expertes et de techniques d’apprentissage automatique

Résumé

The growing prevalence of connected systems and equipment in buildings has led to widespread adoption of 'smart buildings' or 'intelligent buildings.' These can be seen as a diverse combination of systems, software, sensors, and actuators that collect and generate abundant data of various types. This data can be analysed and leveraged to provide applications or services beneficial to occupants, third-party users, or the building itself. However, this significant volume of data raises questions regarding both its accessibility and availability. Due to rare and abnormal events that may occur at various stages, from data generation to data utilization, the quantity or quality of data can often become limiting, hindering the efficient use of such services. To address this issue, it becomes essential to identify these abnormal events or observations with the hope of correcting them over time, thus enabling the availability of data in sufficient quantity and quality for optimal use. In this context, techniques for identifying abnormal events, also known as anomaly detection, constitute a constantly evolving field that has attracted significant interest and contributions from various disciplines in the literature. The involvement of multiple disciplines has resulted in a vast and varied set of techniques, but their selection and application, often tailored to specific data or anomalies, complicate implementation.This thesis work has focused on the identification of abnormal events or observations in a dataset and various anomalies derived from measurements in buildings, with two main objectives. Firstly, the establishment of a methodology for selecting machine learning-based anomaly detection techniques tailored to the types of anomalies frequently encountered in building measurements. This approach aims to evaluate and classify different types of anomaly detection techniques (e.g., prediction, reconstruction, classification) based on the nature and type of data or anomalies encountered. This is done to highlight the advantages, disadvantages, and specificities of several methods found in the literature, which are currently in use or potentially applicable to building measurements. Secondly, this thesis has incorporated domain expertise throughout the process to adapt and enhance, when possible, the training, application of techniques, interpretation of results, and the quality of corrections that can be made. The goal was to propose a set of applicable and proven best practices in the field.
L’essor croissant de systèmes et d’équipements connectés dans le bâtiment a conduit à une diffusion généralisée d’édifices appelés « bâtiments connectés » ou « bâtiments intelligents ». Ces derniers peuvent être considérés comme une association diversifiée de systèmes, logiciels, capteurs et actionneurs qui génèrent et collectent quantité de données de nature variée. Ces données peuvent être analysées et exploitées pour fournir des applications ou des services utiles à destination de l’occupant, d’un utilisateur tiers ou du bâtiment lui-même. De ce fait, leur accessibilité comme leur disponibilité sont devenu des préoccupations majeures. Cependant, en raison d’événements rares et anormaux susceptibles de se produire de leur production à leur exploitation, la quantité ou la qualité des données peut souvent devenir limitante, entravant l’utilisation efficace de tels services. Pour pallier ce problème, il devient essentiel d’identifier ces évènements ou observations anormales pour espérer les corriger à terme, permettant ainsi de disposer des données en quantité et d’une qualité suffisante pour une utilisation optimale. Dans ce contexte, les techniques d’identification d’événements anormaux, également connues sous le nom de détection d'anomalies, constituent un domaine en constante évolution qui a suscité un vif intérêt et la contribution de diverses disciplines au sein de la littérature. Cette implication interdisciplinaire a conduit à un ensemble aussi vaste que varié de techniques dont le choix et l’application, souvent propres à des données ou anomalies spécifiques, complexifient la mise en œuvre.Ces travaux de thèse se sont intéressés à l’identification d’évènements ou observations anormales dans un ensemble de données et sur diverses anomalies issues de mesures dans le bâtiment, avec deux objectifs principaux. D’une part, la création d’une méthodologie de sélection de techniques de détection d’anomalies, à base d’apprentissage automatique (ou machine learning), adaptée aux anomalies pouvant être fréquemment rencontrées dans les mesures du bâtiment. Cette démarche vise à évaluer et classifier différents types de techniques de détection d’anomalies (p. ex. prédiction, reconstruction, classification) selon la nature des données et le type d’anomalies rencontrées. Ceci afin de mettre en lumière les avantages, inconvénients et spécificités de plusieurs méthodes relevées dans la littérature, et actuellement utilisées ou potentiellement applicables aux mesures du bâtiment. D’autre part, cette thèse a intégré une expertise métier tout au long du processus pour adapter et améliorer, lorsque cela était possible, l’entrainement, l’application des techniques ainsi que l’interprétation des résultats pouvant être apportés. Le but était de proposer un ensemble de bonnes pratiques applicables et éprouvées dans le domaine. À titre d’exemple, un travail préparatoire a été effectué pour transformer les données d’entrainement, incluant l’ajout de métriques expertes dans le cadre d’un problème de classification.
Fichier principal
Vignette du fichier
DE_RAUTLIN_DE_LA_ROY_ENGUERRAND_2023.pdf (7.62 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04438194 , version 1 (05-02-2024)

Identifiants

  • HAL Id : tel-04438194 , version 1

Citer

Enguerrand de Rautlin de la Roy. Détection d’anomalies dans les données mesurées dans les bâtiments par association de connaissances expertes et de techniques d’apprentissage automatique. Mécanique [physics]. Université de Bordeaux, 2023. Français. ⟨NNT : 2023BORD0344⟩. ⟨tel-04438194⟩
83 Consultations
88 Téléchargements

Partager

Gmail Facebook X LinkedIn More