Pipeline ML — Condition Monitoring Hydraulique

1. Ingestion des données

Source : UCI – Condition monitoring of hydraulic systems (2205 cycles × 17 capteurs)

Chaque fichier capteur est une matrice (2205, N) où chaque ligne est un cycle de 60 s. L’agrégation par moyenne temporelle produit un vecteur de 17 features par cycle.

Capteurs

Groupe	Capteurs	Fréquence
Pression	PS1–PS6	100 Hz
Puissance moteur	EPS1	100 Hz
Débit	FS1, FS2	10 Hz
Température	TS1–TS4	1 Hz
Vibration	VS1	1 Hz
Indicateurs calculés	CE, CP, SE	1 Hz

2. Prétraitement

• Filtrage des cycles instables (stable_flag = 1) — 756 cycles supprimés, 1449 conservés

• Labels multi-output issus de profile.txt :

Target	Classes	Interprétation
cooler_condition	3, 20, 100	panne / réduit / ok
valve_condition	73, 80, 90, 100	panne / lag sévère / lag léger / ok
pump_leakage	0, 1, 2	aucune / faible / sévère
accumulator_pressure	90, 100, 115, 130	panne / sévère / réduit / ok

3. Modèle

MultiOutputClassifier(RandomForestClassifier) — scikit-learn

• Pas de normalisation (arbres, seuils relatifs)

• Split 80/20 stratifié sur cooler_condition

• Un classifieur indépendant par composant

4. Métriques

• F1 macro : métrique principale, traite toutes les classes à égalité

• Precision / Recall : recall critique en maintenance (faux négatif = panne non détectée)

• Matrice de confusion : identifier les classes confondues entre elles

5. Résultats

Composant	Accuracy	F1 macro
cooler_condition	100%	1.000
pump_leakage	99.3%	0.993
accumulator_pressure	99.0%	0.990
valve_condition	94.8%	0.947

La confusion principale est entre les états 90 (lag léger) et 100 (ok) de la valve — physiquement proches, signaux capteurs similaires.