Les dispositifs industriels (c’est-à-dire les entités), tels que les machines serveurs, les engins spatiaux, les moteurs, etc., sont généralement surveillés à l’aide de séries temporelles multivariées, dont la détection d’anomalies revêt une importance cruciale pour la gestion de la qualité de service de ces entités. Toutefois, en raison de la dépendance temporelle complexe et de la nature stochastique des séries temporelles multivariées, leur détection d’anomalies demeure un défi majeur. Ce papier propose OmniAnomaly, un réseau de neurones récurrents stochastiques dédié à la détection d’anomalies dans les séries temporelles multivariées, qui se révèle robuste et performant sur divers types d’entités. Son idée centrale consiste à capturer les motifs normaux des séries temporelles multivariées en apprenant des représentations robustes grâce à des techniques clés telles que la connexion aléatoire de variables et le flot normalisant planaire, à reconstruire les données d’entrée à partir de ces représentations, puis à déterminer les anomalies à partir des probabilités de reconstruction. De plus, en cas de détection d’anomalie sur une entité, OmniAnomaly fournit des interprétations basées sur les probabilités de reconstruction de ses composantes univariées. Des expérimentations d’évaluation ont été menées sur deux jeux de données publics provenant du secteur aérospatial ainsi que sur un nouveau jeu de données (collecté et publié par nous) concernant des machines serveurs issues d’une entreprise Internet. OmniAnomaly atteint un score F1 global de 0,86 sur trois jeux de données réels, dépassant significativement la meilleure méthode de référence de 0,09. L’exactitude de l’interprétation fournie par OmniAnomaly atteint jusqu’à 0,89.