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.