L’aluminium est produit industriellement grâce à l’électrolyse. Ce procédé a lieu dans une cuve d’électrolyse et il consiste à injecter un courant électrique pour transformer l’oxyde d’aluminium en aluminium métallique et en dioxyde de carbone. Les anodes permettent le passage du courant à travers la cuve et fournissent également le carbone nécessaire pour la réaction électrolytique. Un incident anodique se produit lorsqu’une déformation se développe sur la surface inférieure d’une anode ou lorsque l’anode est placée trop basse dans la cuve, ce qui cause un court-circuit partiel à la position de l’anode affectée. Les incidents anodiques ont un impact négatif sur l’efficacité du courant de la cuve. La détection et la correction hâtives des incidents anodiques sont donc avantageuses d’un point de vue économique. L’objectif de cette étude est de concevoir un système qui est capable de détecter les incidents anodiques en temps réel, et ce plus rapidement que la technique standard actuelle. Pour ce faire, l’Analyse en Composantes Principales a été utilisée pour entraîner des modèles prédictifs développés à partir des signaux individuels de courant d’anodes et du signal de voltage de la cuve, dans le but de classifier les anodes selon l’erreur de prédiction au carré et la statistique T2 de Hotelling. Cette stratégie semble permettre de détecter des incidents anodiques grâce aux signaux individuels de courant. Toutefois, ce n’est pas le cas avec le signal de voltage de la cuve. La surveillance de la moyenne ou l’écart-type des signaux de courant à haute fréquence à l’aide d’un modèle de régression logistique semble aussi faciliter la détection des incidents anodiques. / Aluminum metal is produced industrially in electrolysis cells, in which an electric current is used to transform aluminum oxide into metallic aluminum and carbon dioxide. Anodes are used to carry the current across the electrolysis cells and provide the carbon source necessary to drive the electrolytic reaction forward. Anodic incidents occur when an anode develops a spike or other deformation on its bottom surface or when the anode is set too low in the cell, causing the electrolysis cell to partially short circuit at the affected anode position. Anodic incidents have a deleterious effect on the cell’s current efficiency, making early detection and correction of anodic incidents economically advanta-geous. The objective of this study is to develop a real-time anodic incident detection system capableof identifying problematic anodes faster than the standard contemporary technique. Principal Component Analysis models were trained with individual anode current signals and cell voltage signals, and were subsequently used to classify anodes according to the squared prediction error and Hotelling’sT2 statistic. This strategy appears to enable anodic incident detection with individual anode current signals, but not with the cell voltage signal. Monitoring the signal mean and standard deviation of high-frequency anode current signals with a logistic regression model also appears to facilitate anod icincident detection.