Prédiction en ligne et détection d'anomalies basées sur le modèle ARIMA

Les diagnostics en temps réel des systèmes techniques complexes, tels que les centrales électriques, sont essentiels pour maintenir ces systèmes dans un état opérationnel optimal. Un système de diagnostic idéal doit détecter tout défaut à l’avance et prédire l’évolution future du système technique ; c’est pourquoi des algorithmes prédictifs sont largement utilisés dans ce domaine. Ce papier propose un nouvel algorithme, de complexité computationnelle réduite, fondé sur le modèle Auto-Régressif Intégré à Moyenne Mobile (ARIMA), afin de résoudre les problèmes de détection d’anomalies et de prévision. Les performances prometteuses de cet algorithme ont été confirmées à travers de nombreuses expérimentations numériques, tant pour la détection d’anomalies que pour la prévision. En outre, ce travail présente une description de la bibliothèque Autoregressive Integrated Moving Average Fault Detection (ARIMAFD), qui intègre les algorithmes proposés. L’algorithme développé s’est révélé efficace et peut être appliqué à des problèmes concrets de détection d’anomalies et de prévision des paramètres technologiques dans des systèmes de diagnostic réels.