La surveillance continue des systèmes cyber-physiques modernes repose sur l'analyse de séries temporelles multivariées de grande dimension. Cependant, pour traiter ces données, les architectures contemporaines d'apprentissage profond font face à de sévères goulots d'étranglement spatiaux et temporels. Les modèles globaux ont tendance à intriquer les variables physiques ou à souffrir d'une complexité calculatoire quadratique, tandis que les alternatives rompent artificiellement des dépendances causales cruciales. Cette thèse lève ces limites structurelles en faisant évoluer le paradigme de la détection d'anomalies : d'une optimisation aveugle de la capacité des modèles vers un routage spatial physiquement informé.
Pour relever ces défis de manière systématique, nous présentons trois contributions majeures. Premièrement, nous proposons Fun-TSG, un générateur de données synthétiques piloté par des fonctions. Il fournit des vérités terrain causales mathématiquement vérifiables et un étiquetage riche des anomalies, surmontant ainsi la crise de l'évaluation dans les méthodes de benchmarking actuelles. Deuxièmement, nous formalisons la décomposition structurelle des séries temporelles multivariées à travers les frameworks PARADISE et COVADISE. Ces méthodes atténuent l'effet de masquage spatial : la première en dirigeant les données vers des sous-systèmes localisés à l'aide de partitions statistiques multi-métriques, et la seconde grâce à des couvertures causales orientées et chevauchantes, garantissant qu'aucune relation physique déterministe n'est rompue lors de la réduction de dimensionnalité. Enfin, nous introduisons le modèle intitulé Coordinate-Driven Autoencoder (CODA), une architecture Transformer unifiée. CODA contourne nativement la complexité quadratique de l'attention grâce à un mécanisme multi-échelle de "compression temporelle". De plus, il empêche le réseau de se contenter de copier bêtement ses entrées : le modèle est forcé de reconstruire les signaux physiques en partant de zéro en s'appuyant exclusivement sur un conditionnement par coordonnées.
Des évaluations empiriques approfondies, menées dans des environnements déterministes contrôlés (données synthétiques) et sur le vaste benchmark TSBAD (200 jeux de données), démontrent que l'injection de ces a priori structurels améliore la précision du diagnostic. Finalement, cette recherche prouve que la préservation des topologies cyber-physiques constitue une fondation hautement évolutive, robuste et interprétable pour la détection d'anomalies industrielles de nouvelle génération. |
The continuous monitoring of modern cyber-physical systems relies on the analysis of high-dimensional multivariate time series. However, contemporary deep learning architectures struggle with severe spatial and temporal bottlenecks when processing this data. Global models often entangle physical variables or succumb to quadratic computational complexity, while alternatives artificially sever crucial causal dependencies. This thesis addresses these structural limitations by shifting the anomaly detection paradigm from blind capacity optimization to physically aware spatial routing.
To systematically resolve these challenges, we introduce three core contributions. First, we propose Fun-TSG, a function-driven synthetic data generator that provides mathematically verifiable causal ground truths and rich anomaly labeling to overcome the evaluation crisis in current benchmarking paradigms. Second, we formalize structural decomposition of multivariate time series through the PARADISE and COVADISE frameworks. These methods mitigate the spatial masking effect: the former by routing data into localized sub-systems using multi-metric statistical partitions and the latter by directed, overlapping causal covers ensuring that no deterministic physical relationship is severed during dimensionality reduction. Finally, we introduce the Coordinate-Driven Autoencoder (CODA), a unified Transformer architecture. CODA natively bypasses the quadratic attention bottleneck via a multi-scale "temporal collapse" and eradicates trivial identity mapping by forcing the network to reconstruct physical signals from an explicit, coordinate-driven "blank canvas".
Extensive empirical evaluations across controlled deterministic environments (synthetic data) and the massive 200-dataset TSBAD benchmark demonstrate that injecting these structural priors enhances diagnostic accuracy. Ultimately, this research proves that preserving cyber-physical topologies yields a highly scalable, robust, and interpretable foundation for next-generation industrial anomaly detection. |