Réseau graphes spatio-temporel à double branche pour le diagnostic des défauts de roulements

Surveiller la santé des machines en rotation

Des éoliennes aux convoyeurs d’usine, d’innombrables machines reposent sur des arbres tournants soutenus par de petites pièces métalliques appelées roulements. Lorsqu’un roulement commence à défaillir, il peut endommager silencieusement l’équipement, réduire la productivité et même provoquer des accidents. Cet article présente une nouvelle façon d’écouter les vibrations subtiles des roulements et de détecter les problèmes tôt et de manière fiable, même lorsque les signaux sont bruyants et que les conditions de fonctionnement varient.

Pourquoi il est difficile de diagnostiquer les roulements

L’industrie moderne dépend de machines tournantes qui fonctionnent souvent de longues heures dans des environnements difficiles. Les roulements sont au cœur de ces systèmes, et leurs pannes sont une cause majeure d’arrêts non planifiés. Les ingénieurs ont longtemps tenté d’évaluer l’état des roulements à partir des signaux de vibration, d’abord en utilisant les sens humains et des outils simples, puis des traitements du signal plus avancés, et plus récemment l’apprentissage automatique et l’apprentissage profond. Pourtant, ces approches peinent encore lorsque la vitesse varie, que le bruit est important ou que seuls quelques exemples de défauts sont disponibles. Un problème tient au fait que beaucoup de méthodes traitent les données de vibration comme de simples séries temporelles ou des images, en ignorant les riches relations entre différents instants et fréquences qui peuvent révéler de faibles signes de détérioration.

Transformer les vibrations en motifs connectés

Les auteurs proposent une perspective nouvelle : au lieu de considérer la vibration comme un signal plat, ils la traitent comme un réseau de points connectés évoluant dans le temps et la fréquence. D’abord, ils découpent la vibration brute en courts segments et appliquent une transformée de Fourier à court terme, qui répartit chaque segment en une carte montrant la distribution de l’énergie selon le temps et la fréquence. Ils convertissent ensuite ces cartes en spectres de puissance qui mettent en évidence les pics d’énergie associés aux défauts par rapport au comportement normal. Chaque échantillon traité devient un nœud dans un réseau « spatio-temporel », et des liens sont tracés entre les nœuds dont les motifs spectraux sont similaires. Cette structure entièrement connectée préserve des relations subtiles entre fréquences et instants qui peuvent signaler des défauts précoces ou rares.

Apprendre à partir de deux points de vue simultanément

Pour analyser ce réseau, les chercheurs construisent un réseau graphe spatio-temporel à double branche (DBSGN). Au cœur se trouve un type de réseau neuronal conçu pour les données en graphes, qui peut transmettre des messages le long des liens et combiner l’information des nœuds voisins. L’équipe utilise une variante de convolution graphique mathématiquement efficace qui s’appuie sur les polynômes de Chebyshev et la matrice laplacienne du graphe, leur permettant de capturer des motifs de voisinage multi-étapes sans coûts de calcul prohibitif. De manière cruciale, l’apprentissage est scindé en deux branches séparées : l’une entraînée sur tous les échantillons, capturant les grands motifs du comportement normal et défaillant, et l’autre entraînée uniquement sur les échantillons de défaut, se spécialisant dans les caractéristiques plus fines qui distinguent les types et les sévérités de dommages.

Laisser le modèle décider de la branche à privilégier

Parce que les conditions normales et défaillantes imposent des exigences très différentes au modèle, une simple moyenne des deux branches serait sous-optimale. À la place, les auteurs introduisent un mécanisme d’attention appris qui examine les sorties des deux branches pour chaque échantillon et leur attribue des poids adaptatifs. Pour les signaux clairement sains, la fusion s’appuie davantage sur la branche entraînée sur l’ensemble des données ; pour les défauts évidents, elle met l’accent sur la branche spécialisée ; pour les défauts limites ou mineurs, elle équilibre les deux. Cette fusion est entraînée conjointement avec les deux branches à l’aide d’une fonction de perte combinée soigneusement conçue afin que l’ensemble du système coopère pour améliorer la reconnaissance de chaque classe, de l’état sain aux dommages sévères.

Valider la méthode sur des bancs d’essai réels

L’équipe évalue DBSGN sur trois jeux de données de roulements largement utilisés : Case Western Reserve University, Paderborn University et University of Ottawa. Ces bancs couvrent différentes machines, capteurs, charges, vitesses et types de défauts, y compris des vitesses de rotation variant dans le temps. Sur six mesures de performance standard — exactitude, précision, rappel, score F1, aire sous la courbe ROC et coefficient de corrélation de Matthews — la méthode proposée égale ou dépasse une gamme de concurrents robustes, y compris des chaînes classiques d’apprentissage automatique, des réseaux de neurones convolutifs, des transformeurs pour séries temporelles et des approches graphes antérieures. Sur un jeu de données, DBSGN obtient même des scores parfaits, identifiant correctement chaque échantillon. La visualisation des caractéristiques apprises montre qu’après la fusion, les différentes conditions de roulement forment des grappes bien séparées, indiquant que le modèle a découvert une structure interne claire dans les données.

Ce que cela signifie pour les machines du quotidien

En termes simples, cette étude montre que traiter les données de vibration comme un réseau vivant d’événements liés — et laisser deux modèles spécialisés confronter et fusionner leurs avis — peut rendre le diagnostic des défauts à la fois plus précis et plus stable. Pour les exploitants d’usine et les équipes de maintenance, un tel système promet des alertes de roulement plus précoces et plus fiables, moins de pannes surprises et une exploitation plus sûre des machines critiques. Les auteurs notent que la construction actuelle du graphe et les caractéristiques spectrales reposent encore sur certains choix réglés manuellement, et que des travaux futurs pourront automatiser et enrichir ces étapes. Quoi qu’il en soit, l’approche spatio-temporelle à double branche marque une avancée prometteuse vers une surveillance plus intelligente et plus résiliente du matériel en rotation qui alimente l’industrie moderne.

Citation: Wang, Y., Li, Y., Li, C. et al. Dual-branch spatio-temporal graph network for bearing fault diagnosis. Sci Rep 16, 13184 (2026). https://doi.org/10.1038/s41598-026-42504-0

Mots-clés: diagnostic des défauts de roulement, machines tournantes, réseaux de neurones graphiques, analyse des vibrations, maintenance prédictive