Publié le 23/06/2023
Dans le paysage en constante évolution de l’Industrie 4.0, cette thèse aborde deux défis cruciaux visant à améliorer le diagnostic de défauts : une interprétation efficace des données multimodales provenant de divers capteurs et une exploitation intelligente des informations contenues dans des rares rapports de maintenance spécialisés. Le premier défi implique la synthèse de flux de données de diverses modalités en une représentation expressive s’adaptant aux conditions dynamiques du système. Ceci nécessite le développement de stratégies innovantes pour traiter les données complexes efficacement en temps et en mémoire. Le second défi concerne l’extraction d’informations précieuses à partir d’un nombre limité de rapports de maintenance rédigés par des experts. Cette tâche est rendue complexe par le vocabulaire spécifique que ces rapports possèdent. En réponse à ces défis, la thèse présente une architecture d’apprentissage profond unique qui gère habilement les longs flux de données multimodales non alignées. De plus, elle propose une méthode transductive innovante pour l’apprentissage à quelques exemples textuels, qui exploite les données étiquetées limitées disponibles pour améliorer les performances de prédiction, tout en assurant la confidentialité des informations sensibles. Cette thèse est organisée en deux parties principales, la première traite de l’apprentissage multimodal pour le diagnostic des défauts, et la seconde cible l’apprentissage à quelques exemples en TAL pour l’analyse des données textuelles.
Laboratoire MICS, CentraleSupélec