Files
Support-Agent/agents/diagnostic/cas/C-005/cas.md
T

60 lines
11 KiB
Markdown
Raw Normal View History

2026-10-15 18:01:28 +02:00
# C-005
**Lieu** : Canada (à confirmer), voies ferrées\
**Événement** : du 30.09.2026 22:00 au 03.10.2026 21:00 UTC, toute la période de l'export : passages de trains (30.09 22:00, 01.10 12:00 et 21:00, 02.10 21:00, 03.10 10:00) ; pluie les nuits du 01.10 (05:00 à 11:00) et du 02.10 (03:00 à 11:00) ; feuilles devant une cible le 02.10, de 10:00 à 22:00\
**Cas créé le** : 15.10.2026
## Résumé
Une caméra surveille des voies ferrées. En trois jours, plusieurs événements ordinaires brouillent les mesures sans que les voies bougent : des trains passent devant les cibles, la pluie dépose des gouttes devant l'objectif la nuit, et une plante agitée par le vent cache par moments une cible. Aucun n'est grave : chacun a son explication.
## Symptôme
Des courbes peu lisses sur toute la période : des pics d'une seule mesure, des mesures rejetées, et des nuits plus bruitées.
## Verdict
Des passages de trains, des gouttes de pluie devant l'objectif et les feuilles d'une plante, vus sur les images, masquent ou brouillent des cibles : l'ouvrage ne bouge pas et il n'y a rien à faire.
## Signature
Critères observables, relatifs au niveau habituel du capteur, chacun avec sa commande :
1. Trains : à quelques instants isolés, de jour comme de nuit (ici 5 en 3 jours), l'`error_value` de nombreuses cibles saute à des dizaines ou des centaines de MAD le temps d'une seule mesure, puis revient au pas suivant (ici 19 à 20 capteurs, de 6 à 200 MAD, au 30.09 22:00 et au 01.10 12:00 ; 5 ou 6 aux 01.10 21:00 et 02.10 21:00 ; 2 au 03.10 10:00) ; aucune référence ne bouge ; ces mesures sont presque toutes rejetées : `python3 agents/diagnostic/outils/resume.py agents/diagnostic/cas/C-005/ --colonne error_value --pas 1h`
2. Trains : aux plus gros passages, quelques cibles voisines restent sous leur seuil et gardent un saut de `corr_y` d'une seule mesure, puis reviennent (ici C7, C8 et C9 au 30.09 22:00 et au 01.10 12:00 : +0,6 à +1,4, soit 16 à 35 MAD ; C6 moins ; `relative_y` +1 px) : `python3 agents/diagnostic/outils/resume.py agents/diagnostic/cas/C-005/ --colonne corr_y --pas 1h --capteurs C6,C7,C8,C9,C15 --fin 2026-10-01T15:00Z`
3. Pluie : la nuit, pendant 6 à 8 h, l'`error_value` d'une douzaine de cibles monte de 6 à 40 MAD au-dessus de sa médiane, sans pic d'un seul pas, puis revient sans palier quand la pluie cesse (ici 4 à 14 cibles par heure, le 01.10 de 05:00 à 11:00 et le 02.10 de 03:00 à 11:00 ; les plus touchées C12, C16, C17, C21, C7) ; aucune référence ne monte : `python3 agents/diagnostic/outils/resume.py agents/diagnostic/cas/C-005/ --colonne error_value --pas 1h --capteurs C12,C16,C17,C21,C7,C15,R4`
4. Plante : une seule cible, au bord d'une plante du premier plan, voit son `error_value` sauter à des dizaines de MAD environ une mesure sur deux, pendant une douzaine d'heures, puis revenir ; sa voisine reste intacte (ici C1, le 02.10 de 10:00 à 22:00 : 7 pas sur 12 entre 0,39 et 0,96, soit 6 à 25 MAD pour une médiane de 0,21 ; voisine C6) : `python3 agents/diagnostic/outils/resume.py agents/diagnostic/cas/C-005/ --colonne error_value --pas 1h --capteurs C1,C6 --debut 2026-10-02T08:00Z --fin 2026-10-03T00:00Z`
5. Sur les images : un train devant les cibles aux instants des pics du critère 1 ; la nuit sous la pluie, des gouttes éclairées par le projecteur, un fond bruité, des taches qui rapetissent ou disparaissent ; des feuilles devant la cible du critère 4 aux heures de ses pics, à côté d'elle aux autres heures : `.venv/bin/python agents/diagnostic/outils/vignettes.py agents/diagnostic/cas/C-005/ --capteurs C12,C16,C24,C15 --heures 2026-10-01T03:00Z,2026-10-01T08:00Z,2026-10-02T08:00Z,2026-10-03T08:00Z --rayon 60` ; `.venv/bin/python agents/diagnostic/outils/vignettes.py agents/diagnostic/cas/C-005/ --capteurs C1,C6 --heures 2026-10-02T09:00Z,2026-10-02T11:00Z,2026-10-02T15:00Z,2026-10-02T16:00Z,2026-10-02T19:00Z,2026-10-02T22:00Z --rayon 80` ; Read sur `images/20261001T1200Z_*.jpg` et `images/20261002T0800Z_*.jpg`
## Diagnostic
- **Classification** : *target-local degradation* : chaque événement masque ou brouille des visées une à une ; les références restent intactes pendant les trois
- **Cause** : occlusion (trains ; feuilles d'une plante au vent) et buée ou eau (gouttes de pluie devant l'objectif) · **Niveau de preuve** : vue sur les images pour les trois (trains le 01.10 à 12:00 et 21:00 et le 02.10 à 21:00 ; gouttes le 02.10 à 08:00 ; feuilles devant C1) ; la pluie du 01.10 est déduite (fond voilé, pas de goutte visible), le passage du 30.09 à 22:00 aussi (pas d'image)
- **Conséquence pour l'ouvrage** : aucune · **Action** : aucune
- **Mécanisme** : un train qui passe devant les cibles, ou juste derrière, les cache ou change leur fond le temps d'une mesure ; des gouttes devant l'objectif voilent les taches pendant les heures de pluie ; les feuilles d'une plante au premier plan, agitées par le vent, passent par moments devant une cible.
- **Pics gardés au passage des trains** (critère 2) : ces mesures restent dans la courbe corrigée. Pour l'agent à l'aveugle, effet optique du train ou vrai fléchissement du rail sous la charge, non établi. À mon avis : un seul pas, au même instant que le train, puis retour ; des mesures horaires ne séparent pas les deux. *Avis de l'expert : à revoir.*
- **Corrections qui suivent la caméra** : les après-midi du 02.10 (13:00 → 00:00) et du 03.10 (13:00 → fin des mesures), tous les capteurs se décalent dans l'image (`relative_x` +1 px le 02.10, jusqu'à +3 px le 03.10) et le `corr_x` de plusieurs cibles suit, dans des sens opposés selon leur place (C3, C6, C7 vers le bas, C21 et C15 vers le haut, 4 à 6 MAD) ; le 02.10, tout revient la nuit ; le 03.10, l'écart est encore là à la fin des mesures. L'agent à l'aveugle y voit une *model mismatch / parallax* (références au loin sur le pont, cibles tout près sur les voies), `consistent with`, cause inconnue. À mon avis : l'écart suit la caméra heure par heure, ce qui va avec un défaut de la compensation plutôt qu'un mouvement des voies ; il chevauche les épisodes où les références s'accordent moins (ci-dessous), qui peuvent en être la cause ; non établi. *Avis de l'expert : à revoir* ; il juge la période entière sans conséquence pour l'ouvrage : `python3 agents/diagnostic/outils/resume.py agents/diagnostic/cas/C-005/ --colonne corr_x --pas 1h --capteurs R5,C3,C6,C7,C21,C15 --debut 2026-10-02T06:00Z`
- **Références moins cohérentes** : le 02.10 de 05:00 à 16:00, puis du 02.10 23:00 au 03.10 vers 20:00, `sigma0` monte jusqu'à environ 4 fois son niveau du 01.10, `reproj_err` aussi (R4 surtout) ; le `corr_y` des références dessine un arc : celles des bords (R1, R5) montent, celles du milieu (R3, R4) descendent ; tout revient seul ; aucune n'est rejetée. L'agent à l'aveugle : *weak / unstable reference solution*, `possible`, cause inconnue ; la pluie n'explique pas le second épisode, par nuit sèche. À mon avis : un arc, bords contre milieu, est la forme d'une déformation douce du réseau (le pont qui porte les références et se courbe avec la température, ou une réfraction), pas d'une référence isolée ; rien ne se voit sur les images ; non établi. *Avis de l'expert : à revoir* : `python3 agents/diagnostic/outils/resume.py agents/diagnostic/cas/C-005/ --colonne sigma0 --pas 1h --capteurs R1` ; `python3 agents/diagnostic/outils/resume.py agents/diagnostic/cas/C-005/ --colonne corr_y --pas 3h --capteurs R1,R2,R3,R4,R5`
- **État sur toute la période** : C18, C19, C20, C22, C23, C26 et C27 (des *local references*) sont rejetées à chaque mesure, C4 à plus d'une sur deux ; le `corr_y` de C6 à C15 vaut environ +1,2 à +1,4 du début à la fin ; trois heures n'ont ni mesure ni image (01.10 01:00, 01.10 13:00, 02.10 12:00 : images vides dans les zips de la plateforme). Ce ne sont pas des événements du cas : `python3 agents/diagnostic/outils/inventaire.py agents/diagnostic/cas/C-005/`
## Preuves
![error_value de cinq cibles et d'une référence, les deux nuits de pluie grisées](C-005_error_value_C12-C7-C16-C24-C15-R4_debut_fin.png)
*Critères 1 et 3. Dans les zones grisées, l'`error_value` des cibles touchées monte pendant des heures, puis revient ; C15 et R4 restent plates. Les pics d'une seule mesure (30.09 22:00, 01.10 12:00 et 21:00, 02.10 21:00, 03.10 10:00) sont les trains.*
![error_value, relative_y et corr_y de quatre cibles, d'une local reference et d'une référence, les cinq passages de trains grisés](C-005_error_value-relative_y-corr_y_C6-C8-C9-C15-C28-R3_debut_fin.png)
*Critères 1 et 2. C15 saute (rejetée) aux trois premiers passages ; C8 et C9, gardées, sautent en `corr_y` au 30.09 22:00 et au 01.10 12:00, puis reviennent ; R3 ne bouge pas.*
![train de marchandises devant les cibles, le 01.10 à 12:00](images/20261001T1200Z_10121324.jpg)
*Critères 1 et 5. Le train passe devant les cibles à l'instant de la mesure rejetée de 12:00.*
![vignettes de C12, C16, C24 et C15 le 01.10 à 03:00 et 08:00, le 02.10 à 08:00 et le 03.10 à 08:00](C-005_vignettes_C12-C16-C24-C15_010300-010800-020800-030800.png)
*Critères 3 et 5. À 08:00 le 01.10 et le 02.10, sous la pluie, le fond est bruité et les taches rapetissent ; C16 disparaît le 02.10. Le 03.10 à 08:00, nuit sèche, tout est net.*
![gouttes de pluie éclairées par le projecteur, le 02.10 à 08:00](images/20261002T0800Z_10124893.jpg)
*Critères 3 et 5. Des gouttes devant l'objectif, éclairées par le projecteur.*
![error_value de C1 et de sa voisine C6, du 01.10 22:00 à la fin ; les heures de la plante grisées](C-005_error_value_C1-C6_20261001T2200Z_fin.png)
*Critère 4. Dans la zone grisée, C1 saute environ une mesure sur deux ; C6 ne suit pas (sa bosse du matin est la pluie).*
![vignettes de C1 et de C6 le 02.10 à 09:00, 11:00, 15:00, 16:00, 19:00 et 22:00](C-005_vignettes_C1-C6_020900-021100-021500-021600-021900-022200.png)
*Critères 4 et 5. Aux heures des pics (11:00, 16:00, 19:00, 22:00), les feuilles couvrent C1 ; à 09:00 et 15:00, elles sont à côté. C6 reste nette.*
![relative_x et corr_x d'une référence et de cinq cibles, du 01.10 14:00 à la fin ; les deux après-midi grisés](C-005_relative_x-corr_x_R5-C3-C6-C7-C21-C15_20261001T1400Z_fin.png)
*Corrections qui suivent la caméra. En haut, tous les capteurs se décalent ensemble dans les zones grisées. En bas, `corr_x` des cibles s'écarte en sens opposés ; rien de tel l'après-midi du 01.10.*
![corr_y, reproj_err et sigma0 des cinq références, les deux épisodes grisés](C-005_corr_y-reproj_err-sigma0_R1-R2-R3-R4-R5_debut_fin.png)
*Références moins cohérentes. Dans les zones grisées, R1 et R5 montent, R3 et R4 descendent, et `sigma0` monte jusqu'à environ 4 fois son niveau du 01.10, puis tout revient.*