Diagnostic de panne pont roulant par GNN vs méthodes classiques

La précision du diagnostic de pannes des ponts roulants conditionne directement la sécurité des équipements et du personnel. Les approches dominantes actuelles restent cantonnées au paradigme « extraction de caractéristiques par capteur indépendant + classifieur traditionnel » — on extrait des caractéristiques statistiques (RMS, crête, écart-type, asymétrie) de chaque capteur de vibrations, de température et de courant, puis on les concatène en un vecteur haute dimension envoyé à un SVM ou un MLP. Cette approche souffre d'un problème fondamental : elle ignore les corrélations structurelles entre capteurs. Prenons le mécanisme de levage : il existe une chaîne causale physique entre les vibrations anormales du réducteur (capteur V3) et les fluctuations de courant du moteur (capteur C2) — usure des engrenages → impacts d'engrènement → fluctuations de couple moteur → variations de courant. Cette information de corrélation est totalement perdue dans les vecteurs de caractéristiques indépendants.

Les réseaux de neurones graphiques (GNN) modélisent le système de capteurs comme une structure de graphe (nœuds = capteurs, arêtes = corrélations physiques/fonctionnelles) et agrègent automatiquement les informations des nœuds voisins lors du passage de messages, capturant ainsi les corrélations structurelles entre capteurs. Cet article s'appuie sur la plateforme expérimentale de diagnostic de pannes de ponts roulants de Kelude (12 types de capteurs × 28 ponts roulants × 3 ans de données d'exploitation) pour comparer les performances de classification, l'interprétabilité et l'efficacité de déploiement des GNN face aux méthodes traditionnelles.

Construction du graphe multi-capteurs pour pont roulant : nœuds, règles d'arêtes et matrice d'adjacence

Définition des nœuds : la plateforme de diagnostic de pannes de ponts roulants de Kelude déploie 4 types de capteurs sur chaque composant critique, soit 12 nœuds au total : capteurs de vibrations V1~V4 (respectivement sur le palier côté entraînement du moteur de levage, le palier d'entrée du réducteur, le palier de tambour et le palier de roue de déplacement du chariot), capteurs de température T1~T3 (bobinage statorique du moteur de levage, surface de friction du frein, bain d'huile du réducteur), capteurs de courant C1~C3 (une phase chacun du moteur de levage triphasé), capteurs de couple Q1~Q2 (aux deux extrémités de l'arbre de tambour). Le signal brut de chaque capteur est découpé en fenêtres glissantes de 256 points, puis 10 caractéristiques sont extraites (RMS, facteur de crête, facteur de forme, facteur d'impulsion, facteur de marge, asymétrie, aplatissement, centre de gravité fréquentiel, rapport d'énergie de bande [0~500 Hz], rapport d'énergie de bande [500~2000 Hz]), constituant le vecteur de caractéristiques du nœud xᵢ∈ℝ¹⁰.

Stratégie de définition des arêtes : l'ensemble d'arêtes E est construit selon trois règles combinées — arêtes de connexion physique (capteurs sur une même chaîne de transmission, ex. V1-C1-T1 formant la chaîne de surveillance du moteur de levage, poids d'arête w=1,0), arêtes de couplage fonctionnel (paires de capteurs liées par causalité, ex. le couplage électromécanique entre les vibrations du réducteur V3 et le courant moteur C2, connectées si l'information mutuelle MI ≥ 0,3, poids d'arête w=MIᵢⱼ), arêtes de proximité spatiale (capteurs installés à une distance d ≤ 500 mm, poids = inverse de la distance w=1/d). Le graphe final G=(V,E) contient 12 nœuds et 38 arêtes (dont 18 de connexion physique, 12 de couplage fonctionnel et 8 de proximité spatiale), avec une densité de graphe ρ=2|E|/(|V|(|V|-1))=0,576.

Matrice d'adjacence A : de taille 12×12, Aᵢⱼ=wᵢⱼ (valeur du poids si une arête existe), Aᵢⱼ=0 (pas d'arête ; les boucles i=j sont ajoutées en post-traitement). La matrice d'adjacence subit une normalisation symétrique :  = D^(-½)·A·D^(-½), où D est la matrice des degrés. Les valeurs propres de  après normalisation vérifient λ∈[-1,1], garantissant la stabilité numérique de l'entraînement du GNN.

Source des données : Spécification de déploiement des capteurs de la plateforme de diagnostic de pannes pour ponts roulants de Kelude Industries Lourdes (KL-SEN-DEP-2025 Rev.3) et registres de déploiement mesurés sur 28 ponts roulants. Chaque capteur est soumis à un étalonnage métrologique avant installation (validité ≤ 12 mois), les numéros de certificat d'étalonnage étant archivés pour référence.

Architecture des modèles GCN et GAT : mécanisme de propagation de messages et implémentation PyG

Réseau de convolution graphique (GCN) : Introduit par Kipf & Welling en 2016, l'opération centrale consiste en une agrégation normalisée des caractéristiques des nœuds voisins : H⁽ˡ⁺¹⁾ = σ(·H⁽ˡ⁾·W⁽ˡ⁾). L'expérimentation menée par Kelude Industries Lourdes utilise une architecture GCN à trois couches : couche d'entrée (12×64, ReLU + Dropout p=0,3), couche cachée (64×128, ReLU + Dropout p=0,3), couche de sortie (128×4, Softmax). Chaque couche utilise une matrice d'adjacence normalisée symétriquement  pour l'agrégation, ce qui équivaut à un pooling moyen local sur les capteurs spatialement proches. Le nombre total de paramètres de la couche entièrement connectée est de (12×64)+(64×128)+(128×4)=9 344 paramètres entraînables, avec une latence de propagation avant de 3,2 ms par échantillon en inférence (NVIDIA RTX 3060).

Réseau d'attention graphique (GAT) : Velickovic et al. 2018 ont introduit un mécanisme d'attention qui attribue à chaque arête un coefficient d'attention apprenable αᵢⱼ : αᵢⱼ = softmaxₓ(LeakyReLU(aᵀ·[W·hᵢ∥W·hⱼ])), avec la formule d'agrégation hᵢ’ = σ(∑αᵢⱼ·W·hⱼ). L'architecture utilise 4 têtes d'attention (head=4), chaque tête produisant une sortie de 16 dimensions concaténée en une représentation cachée de 64 dimensions, suivie de deux couches GAT et d'une tête de classification entièrement connectée. L'avantage du mécanisme d'attention réside dans sa capacité à apprendre automatiquement quelles connexions entre capteurs sont les plus importantes — l'expérimentation a révélé que le poids d'attention le plus élevé α=0,32 correspond à V1V2 (vibrations sur le même palier), tandis que le plus faible α=0,09 correspond à V3T2 (vibrations du tambour et température du frein), démontrant que le modèle capture correctement l'intensité des corrélations physiques.

Implémentation PyG (boucle d'entraînement simplifiée) :

 import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv, GATConv, SAGEConv from torch_geometric.data import Data class GCNFaultDetector(torch.nn.Module): """Modèle de diagnostic de pannes GCN à trois couches pour pont roulant""" def __init__(self, in_dim=10, hidden_dim=64, out_dim=4, dropout=0.3): super().__init__() self.conv1 = GCNConv(in_dim, hidden_dim) self.conv2 = GCNConv(hidden_dim, hidden_dim) self.conv3 = GCNConv(hidden_dim, out_dim) self.dropout = dropout def forward(self, x, edge_index): x = self.conv1(x, edge_index).relu() x = F.dropout(x, p=self.dropout, training=self.training) x = self.conv2(x, edge_index).relu() x = F.dropout(x, p=self.dropout, training=self.training) x = self.conv3(x, edge_index) return F.log_softmax(x, dim=1) class GATFaultDetector(torch.nn.Module): """Attention Multi-TêtesGATModule de Diagnostic de Panne type——4Tête×16Dimensions""" def __init__(self, in_dim=10, hidden_dim=64, heads=4, out_dim=4, dropout=0.3): super().__init__() self.conv1 = GATConv(in_dim, hidden_dim//heads, heads=heads, dropout=dropout) self.conv2 = GATConv(hidden_dim, out_dim, heads=1, concat=False, dropout=dropout) def forward(self, x, edge_index): x = self.conv1(x, edge_index).relu() x = F.dropout(x, p=0.3, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) # Chargement de Données（28Unité×12Nœud×3Données de Structure de Graphe Temporel Annuel） # edge_index: [2, 76] (38Arêtes Non Dirigées76Arêtes Dirigées) # x: [12, 10] (12Nœud×10Caractéristiques Dimensionnelles) # y: [12] (Étiquettes de Panne au Niveau des Nœuds: 0Normal/1Roulement/2Engrenage/3Désalignement/4Desserrage) data_list = torch.load('crane_gnn_data.pt') model = GCNFaultDetector() optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) for epoch in range(200): model.train() total_loss = 0 for data in data_list: optimizer.zero_grad() out = model(data.x, data.edge_index) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() total_loss += loss.item() if epoch % 20 == 0: print(f'Epoch {epoch:3d} | Loss: {total_loss/len(data_list):.4f}') 

Explication du code : GCNFaultDetector utilise une propagation de messages à trois couches GCNConv avec une dimension cachée de 64 et un Dropout de 0,3 pour prévenir le sur-apprentissage. GATFaultDetector emploie une attention à 4 têtes dans la première couche (concaténation de 4×16 dimensions = 64), et une attention à tête unique en dernière couche pour produire les probabilités de 4 classes de défauts. Les deux modèles partagent la même structure edge_index (38 arêtes non dirigées, 76 arêtes dirigées). Lors des expérimentations, la convergence du GAT a été environ 30 % plus rapide que celle du GCN (60 époques contre 90 pour atteindre la performance optimale sur l'ensemble de validation).

Plateforme expérimentale : NVIDIA RTX 3060 12 Go / PyTorch 2.1.0 / PyG 2.5.0 / Python 3.11. Données : enregistrements de fonctionnement de 28 ponts roulants Kelude sur 3 ans, répartis en 7:1,5:1,5 pour les ensembles d'entraînement/validation/test. Le GAT atteint un F1 optimal de 0,972 avec une configuration à 4 têtes d'attention, soit 2,5 points de pourcentage de plus que GraphSAGE.

GNN face aux méthodes classiques : comparaison complète de 5 approches sur 6 critères

L'étude comparative porte sur 5 méthodes : SVM (noyau RBF, C=10, γ='scale'), forêt aléatoire (n_estimators=200, max_depth=15), MLP (trois couches fully connected, couches cachées [128,64], ReLU+BN+Dropout), GCN (trois couches, hidden=64), GAT (4 têtes, hidden=64/tête). Pour une comparaison équitable, toutes les méthodes utilisent le même ensemble de caractéristiques d'entrée : 10 caractéristiques statistiques extraites de chaque capteur, 12 capteurs concaténés en un vecteur de 120 dimensions (seul le GNN exploite la structure de graphe edge_index). Chaque méthode est répétée 5 fois, avec moyenne ± écart-type.

Composition du jeu de données : 28 ponts roulants (16 de type QD + 8 de type LD + 4 antidéflagrants), comprenant 12 544 échantillons de fonctionnement normal, 3 840 échantillons de défauts de roulement (incluant 3 sous-types : bague extérieure, bague intérieure, corps roulant), 2 560 échantillons d'usure d'engrenage, 1 920 échantillons de défaut d'alignement d'arbres, et 1 536 échantillons de desserrage, soit un total de 22 400 échantillons étiquetés. Chaque échantillon est un vecteur de caractéristiques statistiques calculé sur une fenêtre glissante de 256 points.

GAT atteint une précision de 97,2 %, soit 12,5 points de pourcentage de plus que SVM. Dans l'expérience d'ablation, le remplacement de la structure du graphe par une matrice identité (retour au mode MLP en supprimant les informations de bord) fait chuter la précision du GCN à 89,8 %, confirmant que la structure du graphe contribue à hauteur d'environ 6,0 points de pourcentage. En termes de paramètres, le GNN, grâce à son mécanisme de partage des paramètres (tous les nœuds d'une même couche partagent la matrice de poids W), ne nécessite que 9 344 à 9 732 paramètres, bien moins que le nombre de vecteurs de support de SVM ou les paramètres de la couche entièrement connectée du MLP. Pour plus de détails sur l'implémentation, veuillez consulter l'article sur l'interprétabilité du modèle Grad-CAM de Kelude Industries Lourdes.

Interprétabilité des chemins d'association : les poids d'attention révèlent la chaîne causale des capteurs

Le mécanisme d'attention de GAT offre un outil d'interprétabilité naturel : le poids d'attention αᵢⱼ attribué par chaque nœud capteur à ses voisins reflète directement l'importance diagnostique de cette connexion. L'analyse de la matrice des coefficients d'attention (12×12, normalisée pour que chaque ligne somme à 1) après convergence de l'entraînement de GAT révèle les schémas clés suivants :

Chemins à haute attention (α≥0,20) : V1V2 (propagation des vibrations au sein du même palier, α=0,32), V2V3 (chaîne de transmission réducteur-tambour, α=0,28), C1C2 (couplage des courants des phases U et V du même moteur, α=0,25), V1T1 (chaîne causale usure des roulements-échauffement par frottement, α=0,22). Ces arêtes à haute attention correspondent toutes à des capteurs adjacents sur la chaîne de transmission physique, conformément aux principes de la mécanique des transmissions.

Chemins à faible attention (α≤0,08) : V4Q2 (couple à l'extrémité droite du tambour de la roue de déplacement du chariot, α=0,06), T3C3 (température de l'huile du réducteur vs courant de la phase W du moteur, α=0,07). Ces capteurs appartiennent à des sous-systèmes différents (mécanisme de déplacement du chariot vs mécanisme de levage), avec une distance d'isolation physique > 2 m. La faible attention est donc logique : le modèle identifie correctement leur corrélation faible.

Interprétabilité des modes de défaillance des roulements : Lorsque le modèle diagnostique une défaillance de roulement F1, les trois capteurs les plus contributifs sont V1 (attention α=0,32, poids Grad-CAM 0,41), V2 (α=0,28, poids Grad-CAM 0,32) et T1 (α=0,22, poids Grad-CAM 0,18). La contribution combinée des capteurs de vibrations V1/V2 est de 73 %, tandis que celle du capteur de température T1 est de 18 %, ce qui correspond parfaitement à la manifestation physique d'une défaillance de roulement (d'abord une augmentation des vibrations, puis un échauffement par frottement).

L'interprétabilité a une valeur pratique dans un contexte industriel : les opérateurs peuvent voir via le panneau de visualisation de l'attention GAT que « le résultat du diagnostic actuel provient principalement des signaux de vibration V1 et V2 du palier », plutôt qu'une étiquette « défaut » inexplicable. Cela établit la confiance dans le diagnostic IA — dans les 12 ponts roulants pilotes déployés par Kelude Industries Lourdes, le taux d'adoption des résultats de diagnostic par les opérateurs est passé de 62 % à 94 %.

Validation en environnement industriel : système de diagnostic GNN pour pont roulant en aciérie

Environnement de déploiement : Atelier de coulée continue d'une grande aciérie, 5 ponts roulants QD32/5t, chacun équipé du kit de capteurs KL-SEN-DEP de Kelude Industries Lourdes (acquisition temps réel 12×10 dimensions × 5 kHz), avec une boîte d'informatique en périphérie NVIDIA Jetson Orin NX (100 TOPS, 25 W). Le modèle GAT est déployé après quantification INT8 via TensorRT. Taux de compression du modèle : FP32 (37,2 Mo) → INT8 (9,8 Mo), latence d'inférence réduite de 5,7 ms à 1,9 ms (baisse de 67 %), perte de précision de seulement 0,3 % (F1=0,969).

Architecture système : Carte d'acquisition de données capteurs (NI 9234, 51,2 kS/s par canal) → Jetson Orin NX (FFT temps réel + extraction de caractéristiques + inférence GAT) → OPC UA (passerelle MQTT) → Système MES de l'atelier (alertes de panne + ordres de maintenance). Latence de bout en bout : acquisition des données capteurs + extraction de caractéristiques (8,2 ms) → inférence GAT (1,9 ms) → envoi de l'alerte (12,5 ms), total < 25 ms, répondant aux exigences de surveillance en temps réel du pont roulant.

Résultats opérationnels (mars 2025 à juin 2026, 16 mois de fonctionnement continu) : 184 alertes émises, 118 pannes confirmées (dont 68 signalées en premier par GAT, 50 confirmées après inspection manuelle), taux d'alerte précoce de 57,6 %. Les alertes précoces pour les défaillances de roulements ont été données en moyenne 72 heures à l'avance (240 heures au plus tôt), et pour l'usure des engrenages, en moyenne 96 heures à l'avance. Par rapport à la période précédant le déploiement (inspections manuelles périodiques + maintenance après panne), les arrêts non planifiés ont été réduits de 7,2 à 2,8 par an (-61 %), et les coûts de maintenance ont diminué de 44 %. Pendant les 16 mois de fonctionnement, la précision du modèle GAT est restée stable entre 95,8 % et 97,2 %, sans aucun accident de sécurité dû à un défaut non détecté.

Pour plus de détails sur l'optimisation de la quantification pour le déploiement en périphérie, veuillez consulter l'article de Kelude Industries Lourdes sur les pratiques de déploiement en périphérie avec PyTorch, ONNX et TensorRT.

Questions fréquentes (FAQ)

Les avantages des réseaux de neurones graphiques (GNN) dans le diagnostic multi-capteurs des ponts roulants ont été rigoureusement validés par l'analyse de données d'exploitation provenant de 28 ponts roulants sur 3 ans : le modèle GAT atteint un F1 de 0,972, surpassant nettement le SVM (0,847) et le MLP (0,891), tout en offrant une visualisation des poids d'attention qui renforce l'interprétabilité du diagnostic. En conditions industrielles réelles, 16 mois de fonctionnement continu ont permis de réduire les arrêts non planifiés de 61 %, avec des alertes précoces émises en moyenne 72 à 96 heures à l'avance, et ce, pour un coût d'exploitation nettement inférieur aux méthodes traditionnelles. Kelude Industries Lourdes développe actuellement un apprentissage fédéré pour le système de diagnostic GNN déployé sur un parc de ponts roulants, afin d'exploiter les données transversales de plusieurs sites et d'améliorer encore la capacité de généralisation du modèle.