Auto-encodeur LSTM basé sur GCN avec auto-attention pour le diagnostic des défaillances de roulements

L'industrie manufacturière évolue au sein d'un environnement technologique en constante mutation, soulignant l'importance de maintenir l'efficacité et la fiabilité des processus de fabrication. Les pannes liées aux moteurs, en particulier les défauts de roulements, sont des problèmes fréquents et graves dans les processus de fabrication. Les roulements assurent des mouvements précis et fluides et jouent un rôle essentiel dans les équipements mécaniques dotés d'arbres. Compte tenu de leur importance, le diagnostic des défaillances de roulements a fait l'objet d'études approfondies. Cependant, le déséquilibre des données de défaillance et la complexité des données de séries temporelles rendent le diagnostic difficile. Les modèles d'IA conventionnels (réseaux de neurones convolutifs (CNN), mémoire à long/court terme (LSTM), machines à vecteurs de support (SVM) et boosting de gradient extrême (XGBoost)) rencontrent des limites dans le diagnostic de telles défaillances. Pour résoudre ce problème, cet article propose un modèle de diagnostic des défaillances de roulements utilisant un auto-encodeur LSTM basé sur un réseau de convolution sur graphe (GCN) avec auto-attention. Le modèle a été entraîné sur des données extraites du jeu de données de la Case Western Reserve University (CWRU) et d'un banc d'essai de simulateur de pannes. Le modèle proposé a atteint une précision de 97,3 % sur le jeu de données CWRU et de 99,9 % sur le jeu de données du simulateur de pannes.