Diagnostic de défauts de roulements à faible exemple par ensemblage de modèle Transformer basé sur l'apprentissage métrique de distance de Mahalanobis à partir de caractéristiques multiscales

Les modèles de deep learning avancés ont démontré des performances remarquables dans la tâche de diagnostic des roulements défectueux, surpassant les méthodes traditionnelles basées sur l’apprentissage automatique et le traitement du signal. L’approche d’apprentissage à peu de exemples (few-shot learning) attire également de plus en plus d’attention pour faire face au problème du faible volume de données d’entraînement. Néanmoins, les modèles de pointe actuels pour le diagnostic des roulements défectueux reposent souvent sur des réseaux de neurones convolutifs (CNN), qui mettent l’accent sur les caractéristiques locales des données d’entrée. De plus, la classification précise des signaux de roulements défectueux reste un défi majeur en raison des variations des données, des types de défauts, des conditions d’acquisition, ainsi que de la très faible disponibilité de données, laissant ainsi une large place à la recherche dans ce domaine. Dans cette étude, nous proposons une nouvelle approche end-to-end pour le diagnostic des roulements défectueux, même dans des scénarios à faible quantité de données, incluant à la fois des défauts artificiels et réels. Plus précisément, nous introduisons un module d’extraction automatique de caractéristiques à partir des données d’entrée, nommé extraction de caractéristiques à noyau large à plusieurs échelles. Les caractéristiques extraites sont ensuite alimentées dans un modèle à deux branches, comprenant une branche globale et une branche locale. La branche globale repose sur une architecture Transformer munie d’un mécanisme d’attention croisée afin de modéliser le contexte global et d’établir les corrélations entre les ensembles de requêtes et de support. La branche locale est un modèle basé sur les métriques, composé d’une distance de Mahalanobis pour séparer les caractéristiques locales issues de l’ensemble de support. Les sorties des deux branches sont ensuite fusionnées pour la classification finale. Des expérimentations intensives et des études d’ablation ont été menées sur deux jeux de données publiques, à savoir CWRU et PU. Les résultats qualitatifs et quantitatifs obtenus par le modèle proposé, pour différentes quantités de données d’entraînement, montrent clairement une performance supérieure par rapport aux méthodes de l’état de l’art. Le code source de notre travail sera publié à l’adresse suivante : https://github.com/HungVu307/Few-shot-via-ensembling-Transformer-with-Mahalanobis-distance