Un modèle de maintenance peut-il changer de fréquence d'échantillonnage ?

Des signaux qui ne vivent pas à la même échelle

Les données de maintenance vont de séries à 1 Hz à des vibrations proches de 100 kHz. Zaynab Raounak, Camille LHermine et Zhiguo Zeng proposent FreqCondNorm pour traiter ces fréquences dans une architecture commune, sans présenter abusivement le résultat comme un modèle de fondation général.

Conditionner la normalisation

FreqCondNorm remplace LayerNorm par une normalisation de style FiLM conditionnée par la fréquence dans un Transformer PatchTST à canaux indépendants. Le pré-entraînement combine auto-encodage masqué et objectif InfoNCE temporel, avec un équilibrage des domaines.

Résultats rapportés

Sur cinq jeux publics et un protocole de séparation sans fuite par identifiant de run, le modèle atteint 99,2 % sur CWRU, soit 6,4 points de plus qu'une baseline CNN. Le résumé rapporte aussi 82,1 % en transfert zéro-shot sur MFPT, absent du pré-entraînement. En revanche, la régression de durée de vie restante ne dépasse pas une baseline sans pré-entraînement.

Interprétation éditoriale : documenter le domaine avant de parler de transfert

Un agent de maintenance peut utiliser un encodeur partagé pour comparer des machines, mais la fréquence, le capteur et la tâche restent des variables de contexte. Le système devrait afficher le domaine vu pendant l'apprentissage, le protocole de séparation et la tâche pour laquelle le transfert est réellement mesuré.

Limites et statut de la source

Le corpus contient cinq jeux publics et reste modeste par rapport aux modèles de fondation usuels. Le gain en diagnostic ne se transpose pas à la RUL dans les expériences rapportées. Le document est un preprint ArXiv.

Source

Zaynab Raounak, Camille LHermine et Zhiguo Zeng, « FreqCondNorm: Towards Cross-domain Predictive Maintenance through a Frequency-Conditioned Transformer Foundation Model », ArXiv 2609.20535v1 : résumé et preprint, PDF.