Nous nous plaçons dans le contexte de la supervision industrielle, où de multiples flux de données peuvent être collectés depuis différents sous-systèmes plus ou moins liés.

Notre objectif principal est de parvenir à une supervision intelligente se basant sur des analyses des données collectées des ces différents sous-systèmes. En effet,

la connaissance des relations entre les variables des différents systèmes est incomplète et nous pensons que la découverte de relations pertinentes entre de telles variables peut être très intéressante.

Un cas d'utilisation intéressant concerne la détection d'anomalies et de signaux faibles. Une meilleure détection de ces signaux permettra des progrès dans la maintenance, et aidera

probablement à la définition de services de maintenance prédictive.

 

La découverte de connaissances à partir de plusieurs flux de données est un domaine actif, et de nombreuses questions ouvertes pourront être considérées.

Au-delà de l'utilisation et/ou la définition de domaines de motifs pertinents pour ce type d'analyses de données spatio-temporelles, nous voulons contribuer

à l’utilisation efficace des connaissances expertes pour éviter la découverte de motifs non-pertinents ou triviaux.

Différents cas d'utilisation réels motivent notre recherche et l'appuieront.