Une revue systématique de la littérature sur l'apprentissage par transfert pour la maintenance prédictive dans l'industrie 4.0

L'émergence de l'industrie 4.0 a entraîné l'utilisation généralisée de nouveaux paradigmes et de technologies numériques dans les systèmes de production et de fabrication industriels. L'objectif de faciliter la surveillance des opérations industrielles implique également l'utilisation d'approches de maintenance prédictive basées sur les données, y compris celles reposant sur l'apprentissage automatique. Bien que ces approches deviennent de plus en plus populaires, la plupart des algorithmes d'apprentissage automatique traditionnel et d'apprentissage profond rencontrent les trois principaux défis suivants : 1) manque de données d'entraînement (en particulier de données défectueuses), 2) puissance de calcul incompatible, et 3) discordance dans la distribution des données. Une nouvelle technique basée sur les données, telle que l'apprentissage par transfert, peut être développée pour surmonter les problèmes liés à l'apprentissage automatique traditionnel et à l'apprentissage profond pour la maintenance prédictive. Motivés par le grand intérêt récent pour l'apprentissage par transfert dans les sciences informatiques et l'intelligence artificielle, nous proposons dans cet article une revue systématique de la littérature abordant les recherches connexes avec un accent sur la maintenance prédictive. La revue vise à définir l'apprentissage par transfert dans le contexte de la maintenance prédictive en introduisant une taxonomie spécifique basée sur des perspectives pertinentes. Nous discutons également des avancées actuelles, des défis, des ensembles de données open-source et des orientations futures des applications de l'apprentissage par transfert en maintenance prédictive du point de vue théorique et pratique.