International Journal For Multidisciplinary Research

E-ISSN: 2582-2160   •   Impact Factor: 9.24

A Widely Indexed Open Access Peer Reviewed Multidisciplinary Bi-monthly Scholarly International Journal

Call for Paper Volume 8, Issue 5 (September-October 2026) Submit your research before last 3 days of October to publish your research paper in the issue of September-October.
Submit Research Paper Join as a Reviewer

Plagiarism is checked by the leading plagiarism checker TurnItIn

Call for Paper

Volume 8 Issue 5
September-October 2026

Submit your research paper

Indexing Partners
Academia Advanced Sciences Index Bielefeld Academic Search Engine CiteSeer DRJI Google Scholar Independent Search Engine & Directory Network ISI (International Scientific Indexing) Issuu Mendeley Research Networks
RefSeek ResearcherId - Thomson Reuters ResearchGate Scirus Scribd Semantic Scholar UTeM - Universiti Teknikal Malaysia Melaka Wiki for Call for Papers WorldCat Zenodo

La Performance Qui Trompe Valider L’apprentissage Automatique Pour Un Diagnostic Industriel Réellement Généralisable

Author(s) Professeur Dr. Jean Claude MUKAZ ILUNGA, Ingénieur OLIVIER MULAGIZI BASHEBEREKA
Country Congo (Democratic)
Abstract Les performances élevées rapportées en diagnostic automatique masquent fréquemment des biais de validation, un déséquilibre extrême des classes et un décalage entre apprentissage et exploitation. Cet article propose une démarche de validation orientée vers l’usage industriel. Un jeu simulé de 2 880 exemples, huit descripteurs, quatre états et douze machines permet de comparer détection d’anomalie, classification supervisée et plusieurs protocoles d’évaluation. La distance de Mahalanobis, apprise uniquement sur l’état sain, détecte 81 % des états dégradés pour 0,67 % de fausses alarmes. La partition aléatoire surestime la performance de 13 points pour un modèle rigide et de 28 points pour un modèle à mémoire, car le modèle reconnaît la machine plutôt que le défaut. Un changement de charge fait chuter la performance de 78,2 % à 66,1 %, tandis qu’un recalage sans étiquette la restaure partiellement. Sous une prévalence de 1 défaut pour 200 états sains, l’AUC ROC reste stable alors que la précision s’effondre. L’apport de l’auteur est le cadre VIGIE: Validation sans fuite, déséquilibre, Généralisation, Interprétabilité et Exploitation qui replace la preuve de robustesse au centre du diagnostic par apprentissage automatique.
Keywords apprentissage automatique ; diagnostic industriel ; fuite d’information ; déséquilibre ; généralisation ; détection d’anomalie ; interprétabilité.
Field Ingénierie
Published In Volume 8, Issue 5, September-October 2026
Published On 2026-09-16
View / Download PDF File

Share this



E-ISSN 2582-2160
CrossRef

CrossRef DOI prefix of IJFMR is 10.36948/ijfmr

Downloads
Research Paper Format Copyright Permission Form and Undertaking Form

All research papers published on this website are licensed under Creative Commons Attribution-ShareAlike 4.0 International License, and all rights belong to their respective authors/researchers.

CC-BY-SA Open Access

About IJFMR
Fees & Payment
Current Issue
Publication Archive 		Submit Research Paper
Track Submission Status
Publication Guidelines
Publication Ethics
Peer Review & Plagiarism 		Join as a Reviewer
Editors & Reviewers
Reviewer Referral Program
Get Reviewer Membership Certi. 		Website/Journal Policies
Usage Policy
Content Policies
Privacy Policy
Contact Us +91-9687-828-838 editor@ijfmr.com
Powered by Sky Research Publication and Journals