Dans l’Internet industriel des objets (IIoT), les signaux des capteurs de surveillance des conditions provenant de systèmes complexes présentent souvent des dynamiques spatio-temporelles non linéaires et stochastiques sous des conditions variables. Ces dynamiques complexes rendent la détection des défauts particulièrement difficile. Bien que les méthodes précédentes aient permis de modéliser efficacement ces dynamiques, elles négligent fréquemment l’évolution des relations entre les signaux des capteurs. Des modifications non détectées de ces relations peuvent entraîner des défaillances systémiques importantes. En outre, ces approches identifient souvent à tort de nouvelles conditions de fonctionnement comme des défauts. Pour surmonter ces limitations, nous proposons DyEdgeGAT (Dynamic Edge via Graph Attention), une nouvelle méthode pour la détection précoce des défauts dans les systèmes IIoT. L’innovation principale de DyEdgeGAT réside dans un nouveau schéma d’inférence graphique pour les séries temporelles multivariées, qui suit l’évolution des relations entre les séries temporelles grâce à une construction dynamique des arêtes. Une autre innovation clé de DyEdgeGAT est sa capacité à intégrer le contexte des conditions de fonctionnement dans la modélisation des dynamiques des nœuds, ce qui améliore sa précision et sa robustesse. Nous avons évalué rigoureusement DyEdgeGAT à l’aide d’un jeu de données synthétique, simulant divers niveaux de gravité des défauts, ainsi que d’un benchmark réel à grande échelle, dédié à un système multiphasique de flux industriel, présentant divers types de défauts sous des conditions de fonctionnement variées et des niveaux de complexité de détection différents. Les résultats montrent que DyEdgeGAT surpasse significativement les méthodes de référence en détection des défauts, notamment en phase précoce et avec une faible gravité, tout en maintenant une performance robuste face à de nouvelles conditions de fonctionnement.