Pour lutter contre la pollution des masses d’eaux, la réglementation française impose la mesure et la régulation des rejets d’eaux usées dans l’environnement. Cependant, malgré les progrès dans le domaine des systèmes d’acquisition de données, les capteurs, tout particulièrement les sondes de turbidité, installés dans des milieux agressifs tels que les réseaux d’assainissement sont sujets à des dysfonctionnements fréquents (dérive, saturation, données manquantes…), qui peuvent fausser l’évaluation du flux de pollution. Il est donc essentiel d’identifier les potentielles anomalies avant toute utilisation des données. Aujourd’hui, cette validation se fait au niveau de la supervision et/ou via des opérateurs. L’objectif de ce travail est d’évaluer le potentiel des outils d’intelligence artificielle à automatiser la validation et d’estimer la plus-value de cette approche par rapport à une validation « métier » effectuée par un expert. Pour cela, quatre algorithmes de détection d’anomalies de l’état de l’art sont comparés en utilisant des données de turbidité issues du réseau de collecte de Saint-Malo Agglomération. La plupart de ces algorithmes ne sont pas adaptés à la nature des données étudiées qui sont hétérogènes et bruitées. Seul l’algorithme Matrix Profile permet d’obtenir des résultats prometteurs avec une majorité d’anomalies détectées et un nombre de faux positifs relativement limités.

To tackle the pollution of water systems, French regulations require the measurement and the control of wastewater discharges into the environment. However, despite the progress in the field of data acquisition systems, sensors and especially turbidity probes installed in aggressive environments such as wastewater networks, are subject to frequent malfunctions (drift, saturation, missing data…), which can alter the evaluation of the pollution flow. Therefore, it is essential to validate the measured data and identify potential anomalies before any use. Currently, this validation is done at the supervision level and/or by a human expert. The objective of this work is to assess the potential benefits provided by artificial intelligence tools for automating the validation process. For this purpose, four state-of-art anomaly detection algorithms are compared using turbidity data collected from Saint Malo Agglomeration wastewater network. Most of these algorithms are not adapted to the characteristics of the studied data which is heterogenous and noisy. Only the Matrix Profile algorithm provides promising results with a majority of anomalies detected and a relatively limited number of false alerts.