Le calcul des indicateurs de suivi continu des procédés de production dans l'industrie peut être faussé en cas de panne d'un ou plusieurs capteurs sur la chaine. Les techniques d'extrapolation généralement utilisées pour compléter les données manquantes ne sont pas toujours pertinentes.

Pour fiabiliser ce suivi, le List a mis au point un algorithme de prédiction plus fin, basé sur des méthodes de régression statistique, exploitant le passé du capteur mais aussi la redondance des mesures. Le logiciel détermine la meilleure stratégie de prédiction puis construit un modèle. L'efficacité de l'approche a été mise à l'épreuve en comparant des données réelles avec celles obtenues par différents algorithmes. « Lorsque peu de données manquent, toutes les méthodes offrent des performances similaires, indique un chercheur du List. En revanche, lorsque le volume de données manquantes est important ou que le procédé est très irrégulier, l'approche basée sur la régression statistique se montre la plus pertinente. »

L'algorithme, validé sur un large panel de données, est en cours d'industrialisation pour être utilisé en opérationnel sur un atelier agro-alimentaire industriel, avant d'être étendu. Cette approche très générique peut s'appliquer à tout procédé de fabrication industrielle continu ainsi qu'au monitoring énergétique.