Apprentissage multimodal pour le diagnostic de fautes sur données séquentielles non alignées et arbitrairement longues - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Apprentissage multimodal pour le diagnostic de fautes sur données séquentielles non alignées et arbitrairement longues

Résumé

The industry 4.0 era brings more and more complexity to industrial systems, resulting in new challenges for predictive maintenance strategies. This work presents a review of the methods developed to perform fault diagnosis, along with their limitations to handle heterogeneous multisources data. We theoretically formalize this new applicative setting and propose StreaMulT, a Streaming Multimodal Transformer able to manage heterogeneous, unaligned and arbitrary long input sequences in a streaming fashion.
La complexité toujours grandissante des systèmes industriels amène de nouveaux verrous scientifiques pour les tâches liées à la maintenance prévisionnelle. Dans cet article nous présentons une revue des méthodes utilisées pour réaliser un diagnostic de fautes, et pointons leurs limites pour gérer des données multi-sources et hétérogènes, propres à l’industrie 4.0. Nous formalisons théoriquement ce nouveau cadre et proposons StreaMulT, une architecture permettant de gérer des séquences multimodales au fil de l’eau, non alignées et arbitrairement longues.
Fichier non déposé

Dates et versions

hal-03814823 , version 1 (14-10-2022)

Identifiants

  • HAL Id : hal-03814823 , version 1

Citer

Victor Pellegrain, Myriam Tami, Michel Batteux, Céline Hudelot. Apprentissage multimodal pour le diagnostic de fautes sur données séquentielles non alignées et arbitrairement longues. Conférence Nationale d’Intelligence Artificielle (CNIA), Jun 2022, Saint-Etienne, France. ⟨hal-03814823⟩
28 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More