Données Industrielles & IA Embarquée : des capteurs à la détection d'anomalies

Formation créée le 23/09/2026. Dernière mise à jour le 07/10/2026.
Version du programme : 1

Type de formation

Présentiel

Durée de formation

28 heures (4 jours)

Accessibilité

Oui
7 600,00 € HT
Envoyer ma demande
7 600,00 € HT
Envoyer ma demande
7 600,00 € HT
Envoyer ma demande
Besoin d’adapter cette formation à vos besoins ? N’hésitez pas à nous contacter afin d’obtenir un devis sur mesure ! Nous contacter

Données Industrielles & IA Embarquée : des capteurs à la détection d'anomalies


Quatre jours pour exploiter des données de production, comparer des méthodes de surveillance et exécuter un prototype d'analyse locale sur un flux rejoué. Ce parcours autonome de quatre jours aborde l'IA industrielle par les données de capteurs, les événements et les indicateurs de production. Les participants apprennent à préparer un historique horodaté, comparer une règle simple à un modèle de détection d'anomalies, exécuter une chaîne d'analyse sur un flux rejoué et préparer un pilote de surveillance. Les applications présentées concernent la qualité des données, les durées de cycle, la surveillance des consommations et les comportements inhabituels d'un procédé. Un seul cas principal sert aux TP. Le parcours ne nécessite aucune expertise en diagnostic électromécanique : il ne forme ni à l'identification des causes de panne, ni à la prédiction de durée de vie des équipements. Le prototype réalisé fournit une aide à la décision humaine : il ne pilote pas automatiquement une installation et ne constitue pas une validation en production. À noter : Ce programme de formation est adaptable sur mesure en fonction du profil technique et des enjeux spécifiques de votre entreprise. Intra-entreprise (sur site, distanciel ou mixte) Tarif adhérent : 7600€ HT/entreprise Tarif non-adhérent : 8900€ HT/entreprise

Objectifs de la formation

  • Préparer des données industrielles horodatées, construire des indicateurs et définir une séparation chronologique sans fuite de données.
  • Comparer une référence simple à un modèle de détection d'anomalies, justifier le seuil d'alerte et les limites de l'évaluation.
  • Exécuter une chaîne d'analyse sur un flux rejoué, vérifier la gestion des données manquantes et mesurer latence, mémoire et débit sur CPU.
  • Concevoir et défendre un pilote de surveillance : validation métier, suivi de dérive, gestion des versions, droits d'usage et revue humaine des alertes.

Profil des bénéficiaires

Pour qui
  • Ingénieurs et développeurs logiciel, data, IoT et embarqué concernés par l'exploitation des données industrielles.
  • Ingénieurs méthodes, production, qualité ou énergie pratiquant Python.
  • Ingénieurs R&D et architectes techniques définissant des chaînes d'analyse en périphérie des systèmes industriels.
  • Aucune expertise en maintenance ou en diagnostic machine n'est requise. Les profils exclusivement fonctionnels sont orientés vers une sensibilisation distincte.
Prérequis
  • Python au niveau pratique : lire, exécuter et modifier un script, manipuler fonctions, tableaux et fichiers. C/C++ seul ne remplace pas ce prérequis.
  • Comprendre moyenne, dispersion, unités de mesure et lecture de graphiques. Distinguer entraînement et évaluation.
  • Lire un tableau horodaté ou une série temporelle simple.
  • Aucune maîtrise de la FFT, des automatismes, des protocoles industriels ou du diagnostic de machines n'est requise.
  • Environnement local ou distant validé avant la session (contrôle technique à J−7 en distanciel, hors des 28 heures). Aucun microcontrôleur, capteur physique ou accès à une usine n'est obligatoire.

Contenu de la formation

Jour 1 : Comprendre et préparer les données industrielles
  • Apports : mesures, événements, états et indicateurs. Définition de la décision à éclairer. Chaîne acquisition, stockage, traitement local et restitution. OPC UA présenté comme repère d'interopérabilité, sans intégration à un automate réel.
  • Mise en pratique guidée : charger et visualiser l'historique du cas principal avec Python et NumPy. Examiner horodatage, unités, fréquence des mesures, doublons et données manquantes.
  • Mise en pratique guidée : construire des agrégats et indicateurs tenant compte de l'état d'activité. Distinguer puissance et énergie et ne calculer une consommation par unité produite que si le dénominateur est pertinent et non nul.
  • Méthodes : définir des périodes d'entraînement, de validation et de test. Séparer les acquisitions avant fenêtrage. Ajuster les transformations sur l'entraînement seul et ne pas imputer une valeur passée avec une observation future.
  • Synthèse : formaliser le livrable J1. Contrôle individuel : repérer une fuite temporelle ou une incohérence d'unité et proposer sa correction.
Jour 2 : Comparer règles simples et détection d'anomalies
  • Apports : distinction entre problème de donnée, observation inhabituelle, défaut confirmé et cause physique. Effet des horaires, de la cadence et des changements de régime. Définition de ce qui constitue un événement d'alerte.
  • Mise en pratique guidée : construire une référence simple — seuil ou intervalle statistique contextualisé — sur le cas suivi.
  • Mise en pratique guidée : entraîner un modèle Isolation Forest avec scikit-learn sur les mêmes indicateurs et comparer règle et modèle sur la validation.
  • Méthodes : choisir un seuil selon le coût des alertes. Interpréter précision, rappel par événement, délai de détection et charge d'alertes lorsque le scénario étiqueté le permet. Sans vérité terrain, mesurer le volume d'alertes et organiser une revue humaine sans annoncer de taux de fausses alertes.
  • Synthèse : formaliser la politique d'alerte dans le livrable J2. Contrôle individuel : expliquer pourquoi un score d'anomalie n'est ni une probabilité de panne ni une preuve de cause.
Jour 3 : Passer de l'historique à une analyse en flux
  • Mise en pratique guidée : rejouer un historique comme un flux avec un script fourni, sans connexion à une installation réelle. Calculer les indicateurs à partir des seules observations déjà disponibles.
  • Mise en pratique guidée : réutiliser le prétraitement et le modèle figés. Produire une alerte contextualisée — instant, données, score, seuil et version du modèle.
  • Mise en pratique guidée : tester interruptions, observations périmées, valeurs manquantes et capteur figé. Signaler un état inconnu plutôt que conclure au fonctionnement normal. Regrouper les alertes répétées.
  • Mesures : latence de bout en bout, mémoire et débit sur Linux CPU. Distinction entre vitesse de rejeu et fréquence d'acquisition. Vérification de cohérence entre calcul historique causal et exécution en flux sur les mêmes données.
  • Synthèse : formaliser le livrable J3. Le test final reste réservé à J4. Contrôle individuel : expliquer un écart entre exécution historique et en flux et identifier l'environnement réellement mesuré.
Jour 4 : Évaluer et préparer un pilote
  • Apports : cycle de vie et validation — dérive, versions, accès, intégrité, retour arrière, rôles métier et droits d'usage.
  • Bilan et consolidation : exécuter le protocole figé sur le test réservé et analyser les erreurs sans nouveau réglage. Formaliser bénéfices attendus, charge d'alertes, limites et critères d'acceptation. Une correction après examen du test impose une nouvelle évaluation indépendante.
  • Présentations et contrôles individuels : défendre la méthode, distinguer résultats simulés et validation terrain, expliquer le rôle de la revue humaine.
  • Remédiation : reprise ciblée et nouvelle vérification des points non acquis.
  • Synthèse : formaliser le dossier de pilote et le plan personnel de transposition dans le livrable J4.

Équipe pédagogique

Hammouche Hamza – Formateur IA Proovup – hhammouche@proovup.com Stéphane MOSNIER – Référent pédagogique – s.mosnier@digital-league.org // 07 62 42 23 23 Julia DELRIEU – Référente handicap – j.delrieu@digital-league.org Quentin POYET – Référent administratif et financier – q.poyet@digital-league.org

Suivi de l'exécution et évaluation des résultats

  • Feuilles de présence émargées par demi-journée.
  • Exercices et mises en pratique pendant la formation.
  • Livrables évalués à partir des résultats effectivement obtenus : qualité des données, comparaison des méthodes, mesures de latence, mémoire et débit sur l'environnement utilisé, dont la nature est explicitement documentée.
  • Évaluation sur quatre critères (données et protocole, méthode et interprétation, déploiement et limites, pilote et transfert), cotés de 0 à 3. Validation à partir de 2 sur chaque critère, confirmée par les contrôles individuels. Une fuite temporelle, une confusion simulation/terrain ou une conclusion causale non étayée n'est pas compensée par une moyenne.
  • Remédiation dans les temps prévus : retour ciblé, reprise et nouvelle vérification. Objectifs non acquis consignés au bilan individuel.
  • Autoévaluation sur les objectifs et formulaires d'évaluation de la formation.
  • Point individuel J+30 : plan de transposition au cas d'usage du stagiaire.
  • Certificat de réalisation de l'action de formation, attestant la participation et non une certification de compétence.

Ressources techniques et pédagogiques

  • Support de cours couvrant les fondements, méthodes et limites
  • notebooks et scripts des TP (chargement, indicateurs, détection d'anomalies, rejeu) avec corrigés
  • dictionnaire des données et fiche des scénarios simulés
  • fiches de mesures
  • manifeste d'environnement
  • trames de cadrage et de dossier de pilote
  • tableau comparatif des outils et licences
  • livrables et bilan individuel
  • Les jeux réels sont fournis ou référencés selon leurs droits, la simulation reste signalée.

Délai d'accès

3 semaines

Accessibilité

Les personnes en situation de handicap souhaitant suivre cette formation sont invitées à nous contacter directement, afin d'étudier ensemble les possibilités de suivre la formation.