La détection précoce des défauts dans des données temporelles telles que les vibrations ou les signaux de capteurs est cruciale en maintenance prédictive. Les 1D CNN sont des modèles couramment utilisés à cet effet, mais il n'est pas toujours clair comment ils fonctionnent, quels avantages ils apportent, et où ils montrent leurs limites comparés aux modèles à mémoire comme les LSTM. Ce fossé technique impacte directement la fiabilité sur le terrain et la durée de vie en production du modèle.
Les 1D CNN agissent comme des filtres glissants qui parcourent le signal temporel à la recherche de motifs locaux d'intérêt — par exemple, une forme de vibration spécifique indiquant une usure. Ces filtres sont des matrices de poids apprises via rétropropagation, ajustées de sorte qu'en étant convoluées avec le signal original, elles activent des neurones représentant des motifs de défaut. L'entraînement nécessite des données bien équilibrées et normalisées ; maintenir une normalisation cohérente en production est crucial pour détecter des changements significatifs du signal et éviter une dégradation des performances.
Contrairement aux 2D CNN qui traitent des images (comme des spectrogrammes temps-fréquence) pour capturer des motifs spatiaux complexes, les 1D CNN ne capturent que des relations locales sur une dimension, limitant la complexité des motifs. Par conséquent, pour détecter des dégradations lentes ou des défauts se manifestant par des changements progressifs, les 1D CNN deviennent insuffisants. Dans ces cas, les réseaux à mémoire comme les LSTM, capables d'évaluer des séquences entières et d'apprendre des dépendances temporelles longues, sont la meilleure option.
Dans l'industrie, l'un des plus grands défis est le changement des conditions et les écarts de données imprévus (dérive des données). Un modèle 1D CNN entraîné sur des données historiques peut échouer si de nouveaux signaux diffèrent et qu'il n'est pas mis à jour, conduisant à des fausses alertes ou à des défauts réels manqués si les changements du signal d'entrée ne sont pas détectés.
Pour mettre en œuvre un système de détection de défauts basé sur 1D CNN dans l'usine, il est essentiel de :
1. Préparer des données équilibrées et appliquer une normalisation cohérente. Assurer que la même normalisation utilisée lors de l'entraînement soit appliquée en production. 2. Surveiller les signaux d'entrée en production pour détecter des écarts significatifs par rapport à la distribution originale. Si le modèle cesse de détecter des anomalies malgré des données différentes, un ré-entraînement ou un ajustement est nécessaire. 3. Évaluer le type de défaut à détecter. Si la dégradation est lente ou si un contexte étendu du signal est clé, passer aux modèles à mémoire comme le LSTM. 4. Envisager de convertir les signaux en spectrogrammes pour utiliser des 2D CNN afin de capturer des motifs plus complexes si le volume de données et la puissance de calcul le permettent.
Ces pratiques améliorent la robustesse et la longévité du modèle, évitant des arrêts imprévus et des diagnostics incorrects.