Thèse Année : 2024

Warped Time Series Anomaly Detection - Application to industrial robot monitoring

Détection d'anomalies dans les séries temporelles altérées - Application à la surveillance des robots industriels

Résumé

This PhD thesis addresses the problem of detecting time series outliers, focusing on systems with repetitive behavior, such as industrial robots operating on production lines. The research addresses several challenges, notably the significant amount of missing data within the collected datasets that results in irregular sampling of the time series reported by sensors, as well as variations in the duration of each task repetition across the time series. The anomaly detection approach presented in this thesis consists of three stages. Identification of the repetitive cycles in the lengthy time series that are segmented according to the cycles, while accounting for possible temporal distortions, Computation of a prototype for the cycles using a GPU-based barycenter algorithm, specifically tailored for very large time series, Use of the prototype to detect abnormal cycles by computing an anomaly score for each new cycle. The overall approach, named WarpEd Time Series ANomaly Detection (WETSAND), makes use of the Dynamic Time Warping algorithm and its variants for they are suited to the distorted nature of the time series. The experiments have been carried out with real robot manipulators of Vitesco Technology plants. Designed to perform specific, repetitive tasks alongside human operators, it is essential to predict and diagnose any deviation from their expected behavior. This is important in terms of safety, in order to minimize production line downtime and adjust maintenance schedules. The experiments show that WETSAND scales to large signals, computes human-friendly prototypes, works with very little data, and outperforms some recognized neural anomaly detection approaches such as autoencoders. A cloud-based user interface has been designed to deploy WETSAND in the Vitesco Technologies plants and it monitors online different robots in the production lines. This thesis is part of a CIFRE program under the “Collaborative AI: Synergistic transformations in model based and data-based diagnosis” chair at ANITI. The research has been conducted through a collaboration between LAAS-CNRS, ONERA, and Vitesco Technologies (thanks to Alex Reymonet and Benoit Eynaux for the discussions and advice.

Cette thèse aborde le problème de la détection d’anomalies dans les séries temporelles, en se concentrant sur les systèmes à comportement répétitif, tels que les robots industriels opérant sur les lignes de production. La recherche aborde plusieurs défis, notamment la quantité importante de données manquantes dans les données collectées qui entraîne un échantillonnage irrégulier, ainsi que les variations dans la durée de chaque répétition de tâche à travers la série temporelle. L'approche de détection d'anomalies présentée dans cette thèse se compose de trois étapes. Identification des cycles répétitifs dans les longues séries temporelles qui sont segmentées en fonction des cycles, tout en tenant compte des éventuelles distorsions temporelles, Calcul d'un prototype pour les cycles à l'aide d'un algorithme de barycentre basé GPU spécifiquement adapté aux très grandes séries temporelles, Utilisation du prototype pour détecter les cycles anormaux en calculant un score d'anomalie pour chaque nouveau cycle. L'approche globale, appelée WarpEd Time Series ANomaly Detection (WETSAND), utilise l'algorithme Dynamic Time Warping et ses variantes qui sont adaptés à la nature altérée des séries temporelles. Les expériences ont été réalisées avec des robots manipulateurs des usines de Vitesco Technologies. Conçus pour effectuer des tâches spécifiques et répétitives aux côtés d'opérateurs humains, il est essentiel de prédire et de diagnostiquer tout écart par rapport à leur comportement attendu. Ceci est important en termes de sécurité, afin de minimiser les temps d’arrêt des chaînes de production et d’ajuster les calendriers de maintenance. Les expériences montrent que WETSAND s'adapte à des signaux de grande taille, calcule des prototypes intuitifs, fonctionne avec très peu de données et surpasse certaines approches neuronales reconnues de détection d'anomalies telles que les auto-encodeurs. Une interface utilisateur basée sur le cloud a été conçue pour déployer WETSAND dans les usines de Vitesco Technologies et surveiller en ligne différents robots des lignes de production. Cette thèse est un projet CIFRE dans le cadre de la chaire « IA collaborative : Transformations synergétiques en diagnostic basé sur des modèles et sur des données » d’ANITI, collaboration entre le LAAS-CNRS, l'ONERA et Vitesco Technologies (remerciements à Alex Reymonet et Benoit Eynaux pour les échanges et conseils).

Fichier principal
Vignette du fichier
LACOQUELLE Charlotte.pdf (12.58 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

tel-04963868 , version 1 (06-01-2025)
tel-04963868 , version 2 (24-02-2025)

Licence

Identifiants

  • HAL Id : tel-04963868 , version 1

Citer

Charlotte Lacoquelle. Warped Time Series Anomaly Detection - Application to industrial robot monitoring. Automatic Control Engineering. INSA TOULOUSE, 2024. English. ⟨NNT : 2024TLSEI020⟩. ⟨tel-04963868v1⟩
1174 Consultations
916 Téléchargements

Partager

  • More