Collaboration cyber-physique soutenue par l'IA explicable pour une fabrication durable dans l'Industrie 5.0

Résumé

Cette étude présente un cadre de collaboration cyber-physique pour l'industrie 5.0 assisté par une IA explicative, utilisant un CNN-transformer et SHAP pour la détection d'anomalies acoustiques industrielles sur le jeu de données MIMII. L'intégration du calcul en périphérie permet une maintenance prédictive interprétable et centrée sur l'humain.

Résumé

Dans cette étude, nous présentons une approche innovante de fabrication durable de pièces industrielles, utilisant un système de collaboration cyber-physique basé sur une intelligence artificielle explicative (XAI) pour l'industrie 5.0. Les systèmes cyber-physiques humains (CPHS) actuels intègrent l'intelligence artificielle de manière limitée et manquent souvent d'explicabilité. Par conséquent, il est nécessaire d'améliorer leur évolutivité et leur flexibilité, conformément aux principes de l'industrie 5.0 : résilience, viabilité à long terme et centrage sur l'humain. Pour remédier à ces lacunes, nous proposons une architecture intégrant l'apprentissage profond et l'intelligence artificielle explicative dans l'écosystème des systèmes cyber-physiques (CPS), afin de permettre une prise de décision intelligente et explicite. Plus précisément, nous utilisons le jeu de données Malfunctioning Industrial Machine Investigation and Inspection (MIMII) pour la détection de défauts de machines à partir de signaux acoustiques. Les signaux audio subissent une transformation spectrale afin de générer des images de spectrogrammes, qui sont ensuite traitées par un réseau neuronal convolutif (CNN) pour l'extraction de caractéristiques spatiales et par un encodeur de type transformeur pour les caractéristiques temporelles. Afin d'améliorer la transparence et de faciliter la coopération humaine en boucle, l'approche fondée sur les explications additives de Shapley (SHAP) aide les opérateurs à comprendre le processus de prise de décision du système en mettant en évidence les caractéristiques d'entrée influençant les prédictions du modèle. En outre, le cadre est appliqué dans un système cyber-physique basé sur le calcul en périphérie (edge computing) afin d'obtenir une faible latence et une faible consommation d'énergie tout en fournissant des réponses en temps opportun, contribuant ainsi à assurer un environnement de production durable. Les résultats expérimentaux montrent que l'architecture CNN-Transformeur proposée atteint une précision de 98,5 % et surpasse les systèmes CPHS existants tout en maintenant une latence faible. L'utilisation de l'intelligence artificielle explicative dans un tel système de coopération cyber-physique augmente considérablement la confiance des opérateurs et permet une collaboration fluide entre l'humain et la machine.

Introduction

La transition du modèle Industrie 4.0, qui mettait l'accent sur la technologie, la mécanisation et la communication, vers le nouveau modèle Industrie 5.0, combinant progrès technologique, adaptabilité, développement durable et centrage sur l'humain, a influencé l'évolution dynamique des systèmes industriels.^1,2La Commission européenne définit l'industrie 5.0 comme un paradigme axé non seulement sur la productivité et l'efficacité, mais aussi sur trois piliers que sont l'orientation humaine, la durabilité et la résilience. Il est important de noter que des recherches récentes ont mis en évidence le rôle des systèmes d'intelligence artificielle, de la coopération homme-machine et de la fabrication durable comme principaux moteurs des environnements de l'industrie 5.0.^3,4. Les méthodes traditionnelles de maintenance ne sont plus suffisantes dans cet environnement industriel en évolution. Pour assurer la résilience dans des contextes complexes et instables, la maintenance doit évoluer vers une forme plus adaptable et systémique.⁵Depuis 2011, l'industrie 4.0 constitue le modèle dominant de transformation industrielle en Europe, encourageant la transformation numérique des entreprises afin d'améliorer leurs opérations et d'optimiser les ressources disponibles.⁴. Il est donc impératif d'augmenter l'efficacité sans éliminer la main-d'œuvre humaine dans la production, tout en protégeant la santé et la sécurité des travailleurs. C'est pourquoi les entreprises et les milieux académiques ont commencé à définir les principes du paradigme de l'industrie 5.0.^5,6,7, en partie motivé par la notion japonaise de Société 5.0^8,9,10,11. Malgré l'accent accru mis récemment sur la maintenance durable dans la littérature, la plupart des évaluations systématiques existantes restent fragmentées ou spécifiques à un domaine, faute de cadre global intégrant la résilience, la durabilité et l'intelligence artificielle. Par exemple, certains auteurs examinent les pratiques de maintenance durable pour des systèmes ou des stratégies spécifiques, notamment la maintenance productive totale durable (STPM), tandis que d'autres chercheurs abordent l'intégration de thématiques de durabilité dans les techniques de maintenance.^12,13,14. Auteur ont mené une évaluation complète des critères d'adoption de la durabilité et ont mis en évidence les facteurs technologiques permettant à la fabrication industrielle d'avoir un impact durable positif¹⁵. Néanmoins, dans le cadre du paradigme de l'Industrie 5.0, la durabilité, la résilience et la prise de décision fondée sur l'intelligence artificielle ne sont intégrées de manière complète dans aucun de ces travaux. En conséquence, les approches de maintenance abordent fréquemment la durabilité de manière séparée. La méthode SHAP se distingue parmi les autres techniques d'intelligence artificielle explicative (XAI) en raison de sa méthode d'attribution des caractéristiques théoriquement solide.^16,17,18.

La prise de décision fondée sur les données est rendue possible par l'intelligence artificielle, mais des modèles précis nécessitent souvent de grandes quantités de données. Les techniques classiques d'apprentissage automatique (ML), telles que les arbres de décision, la régression logistique et la régression linéaire, donnent fréquemment de mauvais résultats dans des situations fortement non linéaires, car elles supposent des distributions de données relativement simples¹⁹. En apprenant des représentations complexes de caractéristiques à partir de vastes ensembles de données, les réseaux neuronaux profonds (DNN) contournent ces limitations²⁰. Selon des études, les réseaux plus profonds offrent souvent de meilleures performances que les structures peu profondes dans les tâches complexes de prise de décision²¹, mais leur profondeur accrue et la complexité de leurs paramètres rendent le modèle moins interprétable²².

Un système cyber-physique (SCP) est une technologie essentielle pour la fabrication de l'industrie 5.0, car il associe intelligence distribuée, ordinateurs embarqués, processus physiques et communication. Pour permettre des opérations industrielles flexibles, intelligentes et en temps réel, les SCP modernes intègrent rapidement l'informatique en périphérie, l'intelligence artificielle en périphérie et l'Internet des objets vert (G-IoT)^23,24. La durabilité et la résilience ont été mises en avant dans des études récentes sur la maintenance 4.0 et la maintenance intelligente. Bien que des travaux antérieurs aient examiné l'importance des technologies de maintenance 4.0 dans la fabrication durable et proposé des cadres de modélisation pour une maintenance durable, des études bibliométriques et systématiques ont évalué les technologies de maintenance intelligente^25,26,27,28. D'autres recherches ont étudié l'intégration de la maintenance durable dans les environnements de l'industrie 4.0 et les systèmes de production orientés vers la durabilité^29,30,31,32. Le concept d'opérateur 4.0³³, les cadres humains-centrés de l'industrie 5.0³⁴ et les perspectives socio-économiques³⁵ ont tous suscité un intérêt considérable pour la maintenance centrée sur l'humain. De plus, les progrès réalisés en matière de maintenance numérique³⁶, de maintenance prédictive et prescriptive^37,38 et de stratégies de maintenance durable^39,40 ont été soulignés dans des études récentes. Malgré ces avancées, les recherches restent dispersées, et peu d'études proposent un paradigme cohérent intégrant l'intelligence artificielle explicative, la durabilité, la résilience et la coopération cyber-physique centrée sur l'humain. Les systèmes cyber-physiques (SCP) n'ont pas encore atteint une autonomie complète malgré leur déploiement croissant, et le paradigme de l'industrie 5.0 ne le favorise pas. L'industrie 5.0, en revanche, met davantage l'accent sur la supervision humaine, la coopération et la prise de décision. En intégrant la pensée humaine et la coopération aux processus cyber-physiques, des systèmes cyber-humains tels que les SCP avec humain en boucle (HiLCPS)⁴¹, les SCP centrés sur l'humain (HCPS)^42,43 et les systèmes cyber-physiques humains (CPHS)⁴⁴ étendent les SCP traditionnels. Cette intégration améliore l'adaptabilité, la transparence, la sécurité et la résilience en permettant une collaboration en temps réel entre les systèmes intelligents et les opérateurs humains^45,46.

La détection industrielle des anomalies audio a été grandement améliorée grâce à de nouvelles architectures, notamment le Vision Transformer (ViT), l'Audio Spectrogram Transformer (AST), le Conformer et l'apprentissage auto-supervisé ; toutefois, leur intégration dans des systèmes cyber-physiques explicables pour l'industrie 5.0 reste limitée. En l'absence d'une intégration de l'explicabilité, du déploiement en périphérie (edge) et d'un soutien décisionnel avec intervention humaine dans une même architecture, les recherches actuelles se concentrent principalement sur la précision de classification ou sur l'interprétabilité a posteriori fondée sur l'IA explicable (XAI). Cette étude propose une nouvelle architecture cyber-physique collaborative CNN-Transformeur activée par une IA explicable, combinant informatique en périphérie, modélisation des dépendances temporelles, explicabilité basée sur SHAP, apprentissage des caractéristiques spatiales et soutien décisionnel centré sur l'humain, afin de permettre une fabrication durable dans le cadre de l'industrie 5.0 et de surmonter ces limitations.

Il existe donc un déficit de recherche important. Les techniques actuelles de détection acoustique d'anomalies basées sur des CNN ou des Transformers privilégient la performance de classification, mais manquent de coopération cyber-physique et d'explicabilité. Bien que les cadres de l'Industrie 5.0 proposent des modèles centrés sur l'humain, ils ne parviennent pas à intégrer l'apprentissage profond explicatif, l'intelligence de périphérie et la prise de décision assistée par l'opérateur au sein d'un système unique. Les techniques de maintenance prédictive fondées sur l'IA explicable (XAI) améliorent la transparence, mais fonctionnent indépendamment des architectures CPHS. Par conséquent, un système cyber-physique humain unique, conforme à l'Industrie 5.0 et intégrant une détection auditive précise des anomalies, une explicabilité basée sur SHAP, un déploiement compatible avec l'informatique en périphérie et une coopération avec l'humain en boucle, fait encore défaut.

Cet article propose un nouveau paradigme de collaboration cyber-physique reposant sur une IA explicable combinant un réseau de neurones convolutifs (CNN) et un modèle de type Transformer, destiné à l'Industrie 5.0 afin de surmonter ces contraintes. L'architecture proposée intègre dans un seul cadre de système cyber-physique (CPHS) le déploiement informatique en périphérie, l'extraction des caractéristiques spatiales basée sur les CNN, l'apprentissage des dépendances temporelles fondé sur les Transformers, l'explicabilité basée sur SHAP et un soutien aux décisions incluant l'intervention humaine. Contrairement aux méthodes actuelles qui traitent ces éléments de manière indépendante, le cadre proposé offre une solution intégrée permettant d'améliorer simultanément les performances de détection des anomalies, la transparence du modèle, l'efficacité opérationnelle et la collaboration centrée sur l'humain pour une fabrication durable.

L'objectif principal de cette étude est de concevoir un système cyber-physique humain (CPHS) doté d'une intelligence artificielle explicative pour une fabrication durable de l'industrie 5.0, en combinant une approche d'explicabilité fondée sur SHAP, le calcul en périphérie (edge computing), un soutien aux décisions incluant l'humain en boucle, et une méthode hybride de détection d'anomalies acoustiques basée sur un réseau de neurones convolutifs (CNN) et des Transformers. En particulier, le cadre proposé vise à améliorer la précision de la détection d'anomalies tout en fournissant des prévisions claires et compréhensibles, à faciliter un déploiement efficace en périphérie et à encourager une prise de décision coopérative entre les systèmes intelligents et les opérateurs humains. En atteignant simultanément des performances élevées en matière de détection, une bonne explicabilité, un fonctionnement à faible latence et une collaboration cyber-physique centrée sur l'humain, cette architecture intégrée remédie aux insuffisances des cadres actuels de détection d'anomalies acoustiques, de maintenance prédictive basée sur l'IA explicable (XAI) et des systèmes CPHS.

L'architecture proposée présente un système cyber-physique humain unifié doté d'une intelligence artificielle explicative (CPHS) pour l'industrie 5.0, contrairement aux techniques actuelles de détection d'anomalies acoustiques, qui se concentrent principalement sur la précision de la classification. Elle intègre au sein d'une même architecture l'extraction spatiale de caractéristiques basée sur les CNN, la modélisation temporelle fondée sur les Transformers, l'explicabilité basée sur SHAP, l'informatique en périphérie (edge computing) et une assistance à la décision incluant l'opérateur humain. L'architecture proposée répond aux enjeux clés de transparence, d'assistance aux opérateurs et de coopération cyber-physique en combinant une détection précise des anomalies, une prise de décision compréhensible et un déploiement en temps réel sur des dispositifs périphériques. La principale contribution scientifique de ce travail réside dans l'intégration au niveau système, ce qui distingue clairement l'approche proposée des recherches antérieures axées uniquement sur la détection d'anomalies, l'intelligence artificielle explicative ou les cadres de l'industrie 5.0.

Protocole

La méthodologie proposée utilise une approche systémique de type système cyber-physique humain (CPHS) propre à l'Industrie 5.0, combinant un apprentissage profond explicatif et un cadre de collaboration cyber-physique rendu possible par l'informatique en périphérie, afin de soutenir les processus de fabrication durables. Premièrement, le problème est abordé en reconnaissant certaines limites des solutions CPHS actuelles, telles qu'un manque d'intelligence alimentée par l'intelligence artificielle, d'explicabilité et de collaboration centrée sur l'humain. Pour relever ces défis, la solution proposée s'appuie sur le jeu de données MIMII pour la surveillance de l'état des machines industrielles à l'aide du traitement des signaux acoustiques.

Le cadre proposé commence par l'entrée des spectrogrammes générés dans un modèle de CNN qui extrait des caractéristiques spatiales en reconnaissant des motifs fréquentiels significatifs associés à différents états de la machine. Les caractéristiques spatiales extraites seront converties en séquences puis transmises à un module encodeur de type transformeur afin de capturer les dépendances temporelles par auto-attention. La représentation des caractéristiques transformée est ensuite transmise à un module classificateur entièrement connecté pour classer les états de la machine comme normaux ou anormaux. De plus, afin d'assurer la transparence et de faciliter une prise de décision centrée sur l'humain, l'approche explicative SHAP est utilisée pour expliquer les prédictions en sélectionnant les régions temps-fréquence significatives dans la sortie du modèle. Le modèle conçu sera implémenté dans un environnement CPS doté de capacités de calcul en périphérie, permettant une inférence en temps réel avec une faible latence computationnelle et une consommation d'énergie réduite. En outre, un schéma incluant l'humain dans la boucle sera intégré afin de permettre aux opérateurs humains de valider les résultats à l'aide des informations explicatives. Les performances sont validées à l'aide de l'exactitude, de la précision, du rappel et du score F1, ainsi que d'autres métriques au niveau du système telles que la latence et l'efficacité énergétique.

Le cadre proposé est un mécanisme CPHS piloté par l'IA explicable (XAI) pour une fabrication durable dans le contexte de l'industrie 5.0, et son flux de travail est présenté sous forme de pipeline allant de l'acquisition des données à la prise de décision et à l'exécution intelligentes, comme illustré dans la Figure 1. Dans la phase initiale du processus d'acquisition des données, des signaux sonores sont collectés à partir de machines dans des industries telles que les moteurs, les pompes et les roulements, à l'aide de jeux de données incluant MIMII. Les signaux de données ainsi obtenus sont transmis à l'étape suivante, appelée prétraitement des données, où ils subissent un filtrage, une normalisation et une segmentation. Les signaux de données segmentés sont finalement convertis en spectrogramme à l'aide de la transformée de Fourier à court terme (STFT) au niveau de la couche de représentation des caractéristiques.

Ensuite, la couche du modèle d'intelligence artificielle utilise les images de spectrogramme pour extraire des caractéristiques au moyen du module CNN, identifiant ainsi les motifs spatiaux et les anomalies. Puis, les caractéristiques extraites sont remodelées et transmises à l'encodeur de transformeur, qui apprend les dépendances temporelles et les relations à longue portée grâce à des mécanismes d'auto-attention. Les vecteurs de caractéristiques obtenus sont classés comme normaux ou anormaux à l’aide de la couche de classification. Afin d’assurer la transparence du processus de prédiction, la couche d’explicabilité utilise SHAP pour mettre en évidence les régions temps-fréquence significatives dans le spectrogramme.

En outre, un processus impliquant l'intervention humaine est mis en œuvre, dans lequel des opérateurs interprètent les résultats du modèle et fournissent un retour. Dans la couche de déploiement, le modèle s'exécute sur une infrastructure CPHS basée sur l'informatique en périphérie, garantissant une inférence rapide et une faible consommation d'énergie, tout en pouvant éventuellement interagir avec des systèmes cloud pour répondre aux besoins de stockage ou d'analyses avancées. Dans son ensemble, le cadre garantit une détection précise des défauts, une explicabilité et un fonctionnement en temps réel efficace, conformément aux exigences de l'industrie 5.0.

Définition du problème et analyse des exigences

Les systèmes cyber-physiques humains (CPHS) dans les environnements de l'industrie 5.0 promettent intelligence, durabilité et centrage sur l'humain. Cependant, les cadres contemporains de conception des CPHS souffrent d'un manque de fonctionnalités avancées activées par l'intelligence artificielle, d'explicabilité et d'un soutien adéquat à la collaboration homme-machine. En effet, les CPHS conventionnels reposent sur des modèles basés sur des règles ou non interprétables, ce qui entrave leur adaptation aux conditions industrielles changeantes et limite la confiance des opérateurs dans l'automatisation. De plus, les CPHS conventionnels ne parviennent pas à analyser efficacement des données hautement complexes, telles que les signaux acoustiques industriels contenant à la fois des composantes spatiales (c'est-à-dire la fréquence) et temporelles, qui sont essentielles pour la maintenance prédictive. Il est donc nécessaire de concevoir un cadre capable de détecter les anomalies des machines avec une grande précision, de fournir des explications et de fonctionner en périphérie (edge), permettant ainsi les systèmes cyber-physiques (CPS).

Ici, x(t) est le signal acoustique d'entrée, S(f,t) est la représentation spectrogramme du signal,  est l'étiquette et θ est l'ensemble des paramètres de l'architecture CNN-Transformer. Les symboles utilisés dans les équations suivantes sont introduits juste après leur première apparition afin de préserver la rigueur mathématique.

Du point de vue mathématique, la tâche peut être formalisée comme un problème d'apprentissage supervisé. Soit x(t) le signal acoustique industriel. La TFD de x(t) est calculée selon la formule suivante :

   (1)

où  ω(.) est la fonction fenêtre et f est la fréquence. Le spectrogramme généré  sert d'entrée à l'algorithme d'apprentissage profond. L'objectif est d'entraîner la fonction de correspondance

    (2)

où   est l'étiquette de classe (normale ou anormale), et où S est l'entrée spectrogramme, y est l'étiquette de sortie prédite et  θ est l'ensemble des paramètres apprenables de l'architecture CNN-Transformer. Le problème d'optimisation est formulé comme la minimisation de la perte de classification :

  (3)

sous réserve des contraintes de latence minimale , d'efficacité énergétique et d'interprétabilité, où l'explication ∅(SHAP) reflète l'importance des caractéristiques dans le processus de prédiction,

   (4)

où   représente la contribution de chaque caractéristique individuelle. Conformément à ce qui précède, les exigences de conception comprennent les éléments suivants : (i) une détection fiable des anomalies basée sur un apprentissage profond hybride, (ii) des sorties interprétables permettant une intervention humaine, et (iii) une mise en œuvre dans un cadre de CPS renforcé par le calcul en périphérie.

Acquisition et prétraitement des données

À cet égard, afin d'évaluer le cadre CPHS proposé basé sur l'intelligence artificielle explicative, le jeu de données MIMII¹³ a été sélectionné. Ce jeu de données constitue une référence largement utilisée pour la détection d'anomalies dans les machines industrielles à l'aide de signaux acoustiques. Cette base de données contient des enregistrements sonores de diverses machines, telles que des rails coulissants, des ventilateurs, des pompes et des vannes, fonctionnant dans des conditions normales ainsi que défectueuses. Pour chaque machine, les enregistrements varient selon différents paramètres et environnements bruités. Cela le rend adapté à l'entraînement et à l'évaluation de modèles dans des conditions industrielles en temps réel.

Alors que le jeu de données MIMII est largement utilisé dans les études de détection d'anomalies non supervisées qui s'appuient uniquement sur des échantillons normaux pendant l'entraînement, il inclut des annotations explicites des états normaux et anormaux des machines. Le problème est formulé comme une tâche de classification binaire supervisée afin d'évaluer la capacité de l'architecture CNN-Transformeur basée sur une IA explicable proposée à distinguer les états sains des états défectueux des machines. Plus précisément, les étiquettes officielles MIMII sont utilisées, attribuant l'étiquette de classe 0 aux échantillons normaux et l'étiquette de classe 1 aux échantillons anormaux.

Tableau 1 présente les détails de la description du jeu de données. Environ 12 000 enregistrements de signaux acoustiques sont pris en compte dans la présente recherche, incluant à la fois des fonctionnements normaux et défectueux des machines. Conformément aux exigences, tous les enregistrements de cette étude ont été capturés à 16 kHz et ont une durée de 10 s. Bien que le jeu de données contienne environ 12 000 enregistrements, un sous-ensemble équilibré en classes de 2 000 enregistrements de test a été sélectionné uniquement pour visualiser la matrice de confusion. Toutes les métriques de performance indiquées ont été calculées à l’aide du jeu de test complet (environ 2 400 enregistrements). En outre, les échantillons d’entraînement et de test sont séparés selon un ratio de 80:20 pour l’apprentissage du modèle. Cette base de données convient particulièrement aux applications de l’industrie 5.0, car elle inclut des conditions réelles de bruit ambiant. La répartition des enregistrements utilisée dans cette étude est indiquée dans Tableau 2. À partir de ce jeu de données, environ 12 000 enregistrements couvrant tous les types de machines et les conditions de rapport signal-sur-bruit (SNR) ont été sélectionnés pour des expériences de classification binaire supervisée, en utilisant une répartition entraînement/test de 80:20, illustrant les types de machines industrielles, les identifiants de machine correspondants, les nombres totaux d’enregistrements acoustiques normaux et anormaux, les conditions de SNR, ainsi que la répartition entraînement/test utilisée pour la classification binaire supervisée.

L'expérience a été réalisée à l'aide du jeu de données MIMII (Malfunctioning Industrial Machine Investigation and Inspection) version 1.0, qui comprend quatre types de machines industrielles : ventilateurs, pompes, vannes et rails coulissants. Les données ont été recueillies à partir de différents identifiants de machines (ID00–ID06, selon le type de machine) et de différentes conditions. La base de données MIMII comprend des données acquises à des rapports signal-sur-bruit (SNR) de −6 dB, 0 dB et +6 dB. Les données normales correspondent à l'état sain de la machine industrielle, tandis que les données anormales correspondent à un état anormal. Les classes ont été étiquetées selon l'annotation de la base de données, les données normales étant étiquetées classe 0 et les données anormales classe 1.

Un processus d'évaluation équitable exigeait que la répartition entre les ensembles d'apprentissage et de test soit effectuée au niveau des enregistrements audio d'origine, avant toute division, augmentation ou création de spectrogrammes. En conséquence, des segments audio provenant du même enregistrement ne pouvaient pas apparaître à la fois dans les ensembles d'apprentissage et de test. Pour l'expérience d'évaluation, des enregistrements présentant différents rapports signal-sur-bruit (−6 dB, 0 dB et +6 dB) ont été utilisés, offrant ainsi la possibilité d'évaluer le cadre proposé dans diverses conditions industrielles.

Afin d'éviter les fuites de données, la séparation entre ensemble d'apprentissage et de test a été effectuée en utilisant le fichier audio d'origine comme base, avant toute segmentation ou génération de spectrogramme. Les segments provenant de l'enregistrement audio de 10 s ont été attribués exclusivement soit à l'ensemble d'apprentissage, soit à l'ensemble de test, sans qu'aucun segment ne soit présent dans les deux ensembles. Par la suite, les spectrogrammes ont été générés et augmentés séparément pour chaque jeu de données. Ainsi, le problème de fuite de données est évité, empêchant ainsi une évaluation trop optimiste des performances.

Prétraitement du jeu de données

Les signaux acoustiques bruts provenant du jeu de données MIMII sont ensuite traités afin d'améliorer la qualité du signal et de permettre une extraction efficace des caractéristiques. Le signal d'entrée est désigné par x(t), où t représente le temps. La première étape consiste en un filtrage du bruit, par lequel les bruits de fond sont éliminés à l'aide d'une fonction de filtrage telle que :

   (5)

où ∗ représente le processus de convolution et h(t) est la réponse impulsionnelle du filtre. Ce processus améliore la clarté du signal acoustique et minimise les effets du bruit, souvent prédominant dans les environnements industriels. La normalisation du signal est utilisée afin de garantir que les amplitudes de tous les signaux audio soient comparables avant leur introduction dans le modèle d'apprentissage profond. Le signal normalisé, noté x_n(t), est calculé comme suit :

   (6)

où  μ et  σ sont respectivement la valeur moyenne et l'écart type du signal d'entrée. Tous les signaux d'entrée sont garantis de moyennes nulles et de variances unitaires grâce à cette procédure. Enfin, pour le traitement, le signal d'entrée normalisé est divisé en plusieurs petits segments. Étant donné que la durée du signal complet est T, il est décomposé en N trames superposées, chacune ayant une longueur L, à l'aide d'une fonction fenêtrage glissant :

   (7)

où H est la taille du saut. Le spectrogramme peut être défini par la formule suivante :

   (8)

Les spectrogrammes obtenus de cette manière sont intégrés dans le cadre basé sur un CNN et un transformeur afin d'extraire des caractéristiques spatiales et temporelles permettant une détection efficace des anomalies. Figure 2 illustre le pipeline de prétraitement.

Figure 2 illustre un pipeline de prétraitement vertical qui peut être utilisé pour des données acoustiques acquises dans un contexte industriel. Tout d'abord, les signaux audio bruts sont extraits du jeu de données MIMII et transmis à une étape de suppression du bruit afin de réduire les interférences. Ensuite, le signal est normalisé pour éliminer les incohérences d'amplitude, garantissant ainsi une uniformité du signal. Le signal est ensuite divisé en segments plus petits et partiellement superposés. Après la segmentation, des transformations STFT sont appliquées aux données pour convertir les signaux temporels en signaux temps-fréquence. Puis, le spectre de puissance est calculé dans le cadre de la génération du spectrogramme du signal. Les spectrogrammes prétraités constituent ainsi la sortie produite par ce processus et seront utilisés dans le modèle CNN-transformeur proposé.

Génération du spectrogramme

Après la normalisation et la segmentation des données, les signaux acoustiques sont convertis en une représentation temps-fréquence à l'aide de la transformation de Fourier à court terme (STFT). Le spectrogramme obtenu fournit une représentation visuelle des variations de la composition fréquentielle au cours de la période d'analyse. Dans les environnements industriels, les pannes de machines se manifestent généralement sous forme de motifs fréquentiels, ce qui rend les spectrogrammes plus utiles pour détecter les anomalies des machines.

Les données traitées résultantes sont donc converties en images de spectrogrammes afin de distinguer les cas normaux des cas anormaux au sein des machines. Les données audio seront converties en plusieurs spectrogrammes afin de permettre au modèle d'apprentissage d'analyser les composantes fréquentielles locales et les variations temporelles du processus de la machine. Ces images sont utilisées comme données d'entrée pour le modèle CNN-transformeur, où le CNN gère les motifs spatiaux (fréquentiels) tandis que les transformeurs gèrent les relations temporelles.

Algorithme 1 : Génération de spectrogrammes à partir de signaux acoustiques

Entrée : signal audio brut x(t)

Résultat : Spectrogramme S(t, f)

Étape 1 : Charger le signal audio  x(t)

Étape 2 : Appliquer un filtrage du bruit

Étape 3 : Normaliser le signal x_n(t)

Étape 4 : Segmenter le signal en trames :

pour k = 1 à N, faire

fin pour

Étape 5 : Appliquer une fenêtre temporelle w(t) à chaque segment

Étape 6 : Calculer la TFD :

  (9)

Étape 7 : Calculer l'amplitude :

   (10)

Étape 8 : Enregistrer le spectrogramme S(t, f)

Étape 9 : Retourner le jeu de données du spectrogramme 

Le processus de génération des spectrogrammes commence par l'acquisition du signal audio d'origine, suivi d'étapes de prétraitement telles que la réduction du bruit et la normalisation du signal afin de garantir l'intégrité et la qualité du signal. Ensuite, l'audio normalisé est divisé en plusieurs fenêtres superposées afin de capturer les caractéristiques temporelles des périodes longues et courtes. Pour éviter les fuites spectrales, chaque segment est multiplié par une fonction fenêtrée avant d'être soumis à la transformation de Fourier à court terme. Par la suite, le signal transformé est représenté comme une fonction à valeurs complexes dans le domaine fréquentiel, et ses amplitudes sont élevées au carré. Ainsi, l'énergie des fréquences au cours du temps donné est représentée par les spectrogrammes. Enfin, ceux-ci sont stockés sous forme de données semblables à des images et fournis au réseau neuronal pour l'entraînement.

Extraction de caractéristiques spatiales à l'aide de CNN

Après la création des spectrogrammes, les images temps-fréquence obtenues sont utilisées comme entrées et fournies à un réseau neuronal convolutif (CNN). En considérant le spectrogramme d'entrée comme , où H représente le domaine fréquentiel et W le domaine temporel. L'objectif de l'utilisation du CNN ici est d'apprendre des caractéristiques spatiales discriminantes à partir du spectrogramme d'entrée. Ces caractéristiques spatiales discriminantes permettront de distinguer un fonctionnement normal d'un fonctionnement anormal d'une machine dans un environnement industriel.

Une opération de base effectuée par le réseau neuronal convolutif (CNN) est la convolution. La convolution avec un filtre donné  est donnée par :

   (11)

L'opération décrite ci-dessus permet au réseau de neurones d'identifier des caractéristiques spatiales locales, telles que les contours, les fréquences et le contenu harmonique, dans le spectrogramme. Cela s'effectue grâce à plusieurs opérations de filtrage générant diverses représentations de caractéristiques, produisant ainsi plusieurs cartes de caractéristiques. La convolution est suivie d'une fonction d'activation non linéaire, comme illustré ci-dessous :

  (12)

Cette non-linéarité permet au réseau de capturer et de représenter des relations complexes entre les variables. L'étape suivante dans un réseau neuronal convolutif implique l'application d'opérations de regroupement. La technique courante du regroupement maximal est exprimée mathématiquement comme suit :

   (13)

où Ω désigne la fenêtre de regroupement. Le regroupement permet d'atteindre une invariance par translation et de conserver uniquement les informations pertinentes tout en éliminant les redondances. À partir de variables de bas niveau telles que les fréquences jusqu'au comportement complexe de la machine, des caractéristiques de niveau supérieur peuvent être extraites de manière hiérarchique à l'aide d'un réseau neuronal convolutif. Par conséquent, les cartes de caractéristiques peuvent être utilisées pour représenter la sortie finale du réseau :

   (14)

où représente les paramètres apprenables du CNN. Les cartes de caractéristiques contiennent des informations spatiales riches et sont transformées en séquences afin de servir d'entrées pour l'encodeur de transformeur lors de la phase suivante. Le processus d'extraction des caractéristiques spatiales décrit ci-dessus est essentiel pour permettre au modèle de détecter des anomalies minimes dans les signaux acoustiques industriels.

Figure 3 illustre comment les caractéristiques spatiales sont extraites horizontalement à partir de l'entrée spectrogramme à l'aide d'un modèle de réseau de neurones convolutif (CNN). Le processus commence par le spectrogramme d'entrée, qui encode les propriétés temps-fréquence du signal audio sous une forme picturale. Ce spectrogramme est ensuite transmis à une couche de convolution, dans laquelle plusieurs types de filtres extraient des caractéristiques spatiales telles que les bandes de fréquence, les contours et les textures, produisant ainsi des cartes de caractéristiques. Ensuite, les cartes de caractéristiques extraites passent par une fonction d'activation non linéaire, l'unité linéaire redressée (ReLU), permettant au réseau de neurones de détecter des dépendances dans les données d'entrée. Les cartes de caractéristiques sont ensuite acheminées vers une couche de sous-échantillonnage (pooling), où la taille de la carte est réduite tout en conservant ses caractéristiques les plus importantes. Ce processus, composé de couches de convolution, d'activation et de sous-échantillonnage, se répète plusieurs fois, créant ainsi une hiérarchie de représentation des caractéristiques qui commence par des éléments simples et évolue vers des caractéristiques plus sophistiquées liées aux opérations des machines.

Modélisation temporelle à l'aide d'un encodeur de type transformeur

Une fois les caractéristiques spatiales extraites à l'aide du CNN, l'étape suivante consiste à dériver des cartes de caractéristiques de haut niveau qui capturent les motifs basés sur la fréquence, appris à partir du spectrogramme. Les cartes de caractéristiques obtenues sont ensuite aplaties et remodelées en séquences afin de capturer l'information temporelle présente dans le signal acoustique. En supposant que les cartes de caractéristiques soient représentées par , où H', W', et C désignent respectivement la hauteur, la largeur et les canaux, la séquence suivante est obtenue :

    (15)

où T représente la longueur de la séquence, et d est la dimension des caractéristiques. Le modèle Transformer utilise ensuite cette séquence pour modéliser les dépendances à long terme au moyen d'un mécanisme d'auto-attention. Contrairement aux modèles récurrents classiques, le modèle Transformer traite chaque élément de la séquence en parallèle et utilise des poids d'attention pour déterminer la pertinence relative de chaque élément. Le fonctionnement du mécanisme d'attention repose sur des vecteurs Requête Q, Clé K et Valeur V générés pour chaque entrée x_t selon l'équation suivante :

   (16)

où W_Q, W_K, W_V sont des poids entraînables. Les similarités entre les éléments sont déterminées par :

   (17)

d_k est la dimension importante des vecteurs. Cette procédure facilite l'apprentissage par le modèle des dépendances issues d'instants éloignés dans le signal et lui permet de se concentrer uniquement sur les segments temporels pertinents. Afin d'augmenter la capacité d'apprentissage du réseau, une attention multi-tête est utilisée, ce qui désigne le processus par lequel plusieurs têtes d'attention apprennent en parallèle à partir de l'entrée :

  (18)

Chaque tête traite des caractéristiques distinctes de la séquence temporelle en entrée. Ceci est suivi de réseaux neuronaux feed-forward et de connexions résiduelles :

   (19)

La séquence codée résultante capture les caractéristiques spatiales et temporelles de l'entrée. Cette séquence est transmise à la couche de classification pour détecter les anomalies.

Figure 4 illustre le processus global de modélisation temporelle à l'aide d'un encodeur de type transformeur appliqué aux caractéristiques extraites du CNN. Tout d'abord, les cartes de caractéristiques extraites du CNN sont utilisées ; elles contiennent des informations spatiales provenant du spectrogramme. Ces cartes sont aplaties en une séquence, chaque élément correspondant à un instant donné. Ensuite, la séquence passe par une transformation linéaire qui projette les données en vecteurs d'une dimension spécifique. Comme les modèles de type transformeur ne peuvent pas capturer naturellement les dépendances temporelles, un encodage de position est également ajouté aux vecteurs intégrés afin de préserver la structure temporelle de la séquence. Enfin, la séquence traverse un encodeur de transformeur, composé d'une pile de plusieurs couches, dans lequel un mécanisme d'auto-attention multi-têtes est utilisé pour permettre au modèle d'apprendre les relations entre les instants de la séquence. Un réseau de neurones à propagation avant améliore davantage ces intégrations, tandis que des connexions résiduelles garantissent une propagation efficace des gradients. Ce processus est répété à travers les couches empilées de l'encodeur de transformeur, qui capturent progressivement des interactions temporelles de plus en plus complexes. En fin de compte, les intégrations de la séquence sont combinées en une représentation de longueur fixe par regroupement (par exemple, regroupement par moyenne ou jeton de classification (CLS)), produisant ainsi une représentation globale des caractéristiques temporelles.

Couche de classification

Après l'encodage temporel à l'aide de l'encodeur de transformeur, les sorties seront une séquence de vecteurs encodés, chacun comportant des caractéristiques liées aux aspects spatiaux et temporels du signal d'entrée. La première étape vers la classification à partir des sorties encodées consiste à agréger toutes ces caractéristiques en un seul vecteur. Cela est réalisé soit en appliquant un regroupement par moyenne (mean pooling) à la séquence de vecteurs de caractéristiques, soit en utilisant le « jeton de classification » (classification token). Supposons que la sortie du transformeur soit , où chaque . La caractéristique agrégée h est calculée comme suit :

   (20)

Ensuite, le vecteur de caractéristiques agrégé h représente l'entrée sous une forme compacte et sert d'entrée au classificateur. La partie classification comprend une ou plusieurs couches denses, qui transforment la représentation apprise en un espace de sortie. Une couche dense implémente une transformation définie comme suit :

   (21)

où o est la sortie (logits), b est le vecteur de biais et W est la matrice de poids. Ces derniers représentent les scores de classe sous une forme non normalisée. Pour intégrer une non-linéarité dans le modèle, des fonctions d'activation telles que ReLU sont souvent utilisées. Enfin, une fonction d'activation softmax est appliquée aux logits afin d'obtenir une probabilité pour chaque classe :

   (22)

où C représente le nombre de classes (C = 2 ; normal et anormal). La prédiction de classe sera basée sur la valeur de probabilité maximale. Pendant l'apprentissage, les valeurs optimales des paramètres du modèle sont obtenues en minimisant la perte d'entropie croisée entre les étiquettes réelles et prédites, permettant ainsi une classification précise des états de la machine. En résumé, la couche de classification joue une fonction essentielle en transformant les caractéristiques temporelles extraites à l'aide de l'architecture Transformer en décisions pratiques. Grâce à une discrimination adéquate entre les états sains et défectueux de la machine, la détection d'anomalies et la prise de décision intelligente deviennent possibles dans le cadre du paradigme Industry 5.0.

Figure 5 montre le fonctionnement de la couche de classification, qui suit l'encodeur Transformer. Le processus débute avec la sortie de la séquence encodée, dans laquelle chaque vecteur contient des informations temporelles apprises à partir de l'entrée. Ces vecteurs sont combinés en un seul vecteur, appelé vecteur de caractéristiques global. L'étape suivante consiste à transmettre ce vecteur de caractéristiques global à travers plusieurs couches de réseaux neuronaux denses. Dans chaque couche dense, des opérations de multiplication matricielle sont effectuées afin de créer des combinaisons linéaires des entrées. Ensuite, une fonction d'activation non linéaire, telle que ReLU, peut être appliquée pour augmenter la flexibilité dans l'apprentissage des frontières de décision. À la fin de la dernière couche dense, des scores logit sont obtenus pour chaque classe. Ces scores logit peuvent être utilisés comme entrée de la fonction Softmax afin de calculer les probabilités pour chaque classe. Ces scores de probabilité permettent de déterminer si l'entrée appartient à la Classe 0 (Normale) ou à la Classe 1 (Anormale).

Explicabilité à l'aide de SHAP

Une fois que le modèle a classé les signaux d'entrée, des prédictions sont générées selon que la machine fonctionne normalement ou anormalement. Toutefois, dans un environnement de l'industrie 5.0, il ne suffit pas de produire des prédictions ; le système doit également offrir transparence et explicabilité afin d'aider la prise de décision humaine. Le cadre présenté ici utilise SHAP, un modèle fondé sur la théorie des jeux qui quantifie l'importance de chaque caractéristique dans la détermination de la prédiction. Ce faisant, SHAP attribue des poids aux caractéristiques, permettant ainsi d'évaluer l'importance relative des différentes sections du spectrogramme en entrée par rapport à la prédiction globale.

La formulation mathématique de SHAP repose sur une décomposition du modèle f(x) :

   (23)

où ∅₀ est la valeur de référence (sortie moyenne du modèle), ∅_i est l'effet de la i-ème caractéristique, et M est le nombre de caractéristiques d'entrée. Pour la présente étude, les caractéristiques correspondent aux intervalles temps-fréquence du spectrogramme. Les valeurs SHAP sont positives lorsqu'elles contribuent à la probabilité d'un état anormal, négatives dans le cas contraire. Cette formulation garantit une explication unique et localement cohérente pour chaque prédiction. La méthode SHAP peut être appliquée à un modèle pré-entraîné de type CNN-transformeur afin de fournir une interprétation fondée sur l'importance des caractéristiques. La représentation visuelle mettra en évidence les intervalles temps-fréquence les plus importants du spectrogramme influant sur le processus de décision. Par exemple, un comportement anormal de l'équipement peut se traduire par certaines bandes de fréquence à haute énergie que le cadre SHAP identifie comme des contributeurs importants au processus décisionnel.

De plus, SHAP peut favoriser la coopération entre les humains et les machines dans un environnement cyber-physique. En effet, les prédictions peuvent être expliquées à l’aide de représentations visuelles intuitives, permettant aux opérateurs et aux systèmes de prise de décision de vérifier les prévisions, d’analyser le problème et de prendre les mesures appropriées. Cela accroît non seulement la confiance, mais rend également les processus de fabrication basés sur l’intelligence artificielle fiables et traçables. En intégrant des algorithmes d’apprentissage profond répondant aux normes de performance actuelles à SHAP, qui assure l’explicabilité, l’architecture proposée répond aux exigences de l’industrie 5.0.

Algorithme 2 : Interprétabilité basée sur SHAP pour la prédiction du modèle

Entrée : modèle entraîné f(x), spectrogramme d'entrée S

Résultat : valeurs SHAP  et carte d'explication

Étape 1 : Entrer le spectrogramme S dans un modèle entraîné

Étape 2 : Calculer la prédiction : y = f(S)

Étape 3 : Initialiser un expliquant SHAP axé sur l'apprentissage profond

Étape 4 : Calculer les valeurs SHAP :

Étape 5 : Pour chaque caractéristique i dans S :

Calculer la contribution 

Étape 6 : Générer la carte d'explication :

Mettre en évidence les régions présentant une forte 

Étape 7 : Visualiser l'importance des caractéristiques (carte thermique)

Étape 8 : Renvoyer les valeurs SHAP et la carte d'explication

L'algorithme d'explicabilité basé sur SHAP commence par obtenir une image de spectrogramme prétraitée en entrée, puis la transmet à l'architecture CNN-transformeur entraînée afin d'effectuer des prédictions (par exemple, état normal ou anormal de la machine). Après avoir effectué des prédictions à l'aide de l'architecture entraînée, la méthode SHAP est utilisée pour interpréter le modèle. En particulier, les valeurs SHAP (ϕ) sont calculées pour chaque caractéristique d'entrée afin d'identifier quelles composantes temps-fréquence de l'entrée contribuent le plus à la prédiction. Pour calculer ces valeurs, il est nécessaire de comparer les sorties du modèle pour des entrées contenant ou non certaines caractéristiques.

Après avoir calculé les valeurs SHAP pour chaque caractéristique, son influence sur la prédiction peut être évaluée par le signe et l'amplitude de la valeur SHAP. Par exemple, les caractéristiques ayant des valeurs SHAP plus élevées sont plus susceptibles d'influencer le résultat, et un signe positif ou négatif indique que la caractéristique pousse la prédiction respectivement vers la classe normale ou anormale. À partir des résultats, une carte d'explication peut être établie sous forme de carte thermique.

Enfin, l'algorithme produit à la fois les valeurs SHAP et les visualisations, offrant un aperçu de la manière dont les humains peuvent analyser la décision du modèle. Cette technique rend le processus plus transparent et permet aux humains de participer à la prise de décision, garantissant ainsi à la fois les prédictions de l'algorithme et leur fiabilité dans l'industrie pilotée par l'intelligence artificielle. Des échantillons représentatifs ont été sélectionnés parmi des cas anormaux correctement diagnostiqués, provenant de divers types de machines, afin d'améliorer la fiabilité de l'analyse d'explicabilité. Alors qu'une analyse globale de l'importance des caractéristiques SHAP a été réalisée en agrégeant les valeurs SHAP sur l'ensemble de test afin d'identifier les positions temporelles et fréquentielles systématiquement influentes, des explications SHAP locales ont été générées pour ces cas représentatifs. Sans nécessiter d'annotation par un expert, cette analyse intégrée locale et globale fournit une interprétation fiable des prédictions du modèle.

Intégration des CPS compatibles au cloud périphérique

Cette solution proposée est utilisée dans le cadre des CPS dotés de capacités de calcul en périphérie (edge), qui vise à assurer l'efficacité, la durabilité et le fonctionnement industriel en temps réel. Une fois le modèle entraîné, le CNN-transformer sera déployé selon une approche de calcul en périphérie. La couche de calcul en périphérie concernée se situe à proximité des dispositifs industriels de l'Internet des objets (IIoT), notamment les capteurs et les machines. Plutôt que de transmettre toutes les données collectées vers le cloud, le dispositif en périphérie effectue une inférence sur le signal acoustique entrant sans les transférer préalablement. Ainsi, le système peut détecter presque instantanément les anomalies des machines et prendre les mesures nécessaires avant que la situation ne se dégrade davantage. Un autre avantage de cette approche reposant sur le calcul en périphérie est une latence et une efficacité améliorées, puisque les données sont analysées près du lieu de leur génération. En d'autres termes, contrairement à l'approche basée sur le cloud, où le temps d'inférence T_inf

   (24)

La latence sera, en général, considérablement réduite grâce à une diminution de T_{communication}. Un autre avantage est la réduction de la consommation de bande passante et de l'énergie dépensée lors de la transmission continue des données. Ce système est donc évolutif et durable pour les grandes installations industrielles comportant de nombreux dispositifs connectés. En outre, le CPS permet l'interaction avec la couche physique (machines), l'IA (couche de calcul) et la couche humaine.

Collaboration avec intervention humaine

Un élément clé du CPS proposé pour l'industrie 5.0, qui inclut des opérateurs humains activement impliqués dans le processus de décision aux côtés de modèles d'intelligence artificielle, est la collaboration avec l'humain dans la boucle. Plus précisément, selon le cadre conçu, le système ne devient pas une boîte noire autonome, mais permet plutôt aux opérateurs d'interagir avec lui et d'observer des résultats de prédiction explicables sous forme d'explications SHAP. Les prédictions en question font référence aux résultats (normal/anormal), accompagnés de visualisations de parties des spectrogrammes utilisées pour les établir.

Une telle interaction aide les opérateurs à mieux comprendre comment la prédiction est établie et quels facteurs y contribuent. La participation humaine implique la vérification des résultats du système et permet aux opérateurs de les modifier si nécessaire, selon leur jugement professionnel. La collaboration avec les opérateurs humains rend le système plus digne de confiance, plus efficace, plus sûr et plus fiable, contribuant ainsi à prévenir les erreurs.

Résultats

Le système de collaboration cyber-physique intégrant une IA explicable a été testé expérimentalement sur environ 12 000 enregistrements audio provenant du jeu de données MIMII, qui contient des conditions de fonctionnement normales et anormales de machines. Le jeu de données d'apprentissage comprenait environ 9 600 enregistrements, tandis que le jeu de données de test comprenait environ 2 400 échantillons audio. Selon les résultats, le modèle CNN-transformeur proposé a atteint une précision de classification de 98,5 % sur le jeu de données de test, entre 0,97 et 0,98. Ces résultats correspondent à ceux du Tableau 3, de la matrice de confusion et de l'analyse de stabilité statistique. L'intégration de l'encodeur transformeur améliore les capacités de modélisation temporelle de l'architecture, tandis que le CNN extrait des caractéristiques spatiales discriminantes à partir du spectrogramme d'entrée.

Outre les performances de classification, d'autres caractéristiques liées au système ont été évaluées. Premièrement, la latence d'inférence pour une implémentation sur appareil embarqué n'a pas dépassé 20 ms, permettant une détection en temps réel des anomalies. Deuxièmement, le système présenté contribue à améliorer l'efficacité énergétique en réduisant les besoins en communication. Enfin, le cadre d'intelligence artificielle explicative proposé fournit une interprétabilité SHAP, facilitant l'analyse du modèle du point de vue d'un expert du domaine. Les données MIMII ont été converties en spectrogrammes à l'aide de la transformation de Fourier à court terme (STFT), en utilisant une taille de fenêtre de 1024, une taille de saut de 512 et une taille de transformation de Fourier rapide (FFT) de 1024. Les log-mel-spectrogrammes obtenus ont été redimensionnés à 224 × 224 pixels, puis normalisés selon la méthode z-score. Des méthodes d'augmentation des données, incluant le masquage temporel, le masquage fréquentiel et l'ajout de bruit gaussien, ont été utilisées afin d'accroître la robustesse du modèle entraîné. L'architecture du CNN comprenait quatre couches de convolution avec respectivement 32, 64, 128 et 256 filtres, ainsi que des couches de normalisation par lot, de ReLU et de max-pooling. Les cartes de caractéristiques extraites ont été transformées en séquences et utilisées comme entrées pour l'encodeur de transformeur, composé de quatre couches d'encodeur, huit têtes d'attention, un vecteur d'incorporation de dimension 256 et une dimension de couche entièrement connectée de 1024. Une probabilité de dropout de 0,3 a été appliquée afin de minimiser le surapprentissage. L'optimiseur Adam, avec un taux d'apprentissage de 0,0001 et une décroissance du poids de 1 × 10⁻⁵, a été utilisé pour l'entraînement. Le nombre d'époques et la taille du lot lors de l'entraînement étaient respectivement de 100 et 32. La graine aléatoire a été fixée à 42 afin de garantir la reproductibilité de l'expérience. Les méthodes suivantes ont été utilisées pour vérifier la validité statistique des résultats : toutes les expériences ont été exécutées indépendamment 10 fois avec différentes graines aléatoires et différents réarrangements des données. Les valeurs moyennes et les écarts-types de l'exactitude (Accuracy), de la précision (Precision), du rappel (Recall), du score F1, de l'aire sous la courbe caractéristique de fonctionnement du récepteur (ROC-AUC) et de l'aire sous la courbe précision-rappel (PR-AUC) ont été calculés. De plus, des intervalles de confiance à 95 % ont été calculés afin d'estimer l'incertitude des performances. Enfin, un test t apparié a été effectué pour comparer les résultats de notre approche CNN-transformer avec ceux du modèle de référence offrant les meilleures performances. La méthode d'arrêt précoce a été appliquée en utilisant 10 époques comme paramètre de patience. Tableau 4 présente la configuration environnementale et des hyperparamètres, et Tableau 5 fournit les détails relatifs à l'environnement de simulation.

L'expérience d'évaluation menée dans cette étude a été réalisée à l'aide du jeu de données MIMII, qui inclut diverses conditions de fonctionnement des machines et des scénarios acoustiques de défauts. Bien que les résultats du cadre proposé valident le modèle, une validation supplémentaire sur divers jeux de données industriels et dans différents environnements de fabrication est nécessaire.

Le cadre proposé a été mis en œuvre sur une plateforme de calcul en périphérie équipée d'un processeur multicœur, d'une mémoire système de 16 Go et d'un accélérateur périphérique doté d'une unité de traitement graphique (GPU) afin de prendre en charge l'inférence en temps réel et l'explicabilité. Des capteurs acoustiques industriels transmettaient des flux audio à la passerelle périphérique via la couche de communication IIoT. Les nœuds périphériques étaient utilisés pour effectuer des tâches telles que la création de spectrogrammes, l'inférence d'anomalies et la génération d'explications SHAP, tandis que le serveur cloud servait à stocker les données à long terme et à mettre à jour le modèle. Une telle configuration réduit non seulement la quantité de communication requise, mais permet également une interaction en temps réel entre les dispositifs de détection, les modules d'intelligence artificielle et les opérateurs humains dans les systèmes cyber-physiques.

L'approche CNN-transformer présentée ci-dessus est comparée à plusieurs méthodes existantes, notamment des modèles classiques d'apprentissage automatique tels que la machine à vecteurs de support (SVM) et la forêt aléatoire, des modèles CNN sans transformeur, ainsi que des méthodes basées sur la mémoire à long court terme (LSTM). Alors que les modèles traditionnels d'apprentissage automatique n'obtiennent pas de résultats satisfaisants en raison de leur incapacité à traiter les corrélations spatiales et temporelles dans les données, les modèles CNN peuvent gérer efficacement les caractéristiques spatiales, tandis que les modèles LSTM sont capables de traiter les aspects temporels des signaux acoustiques. Néanmoins, les premiers sont inférieurs aux seconds en termes de coût de calcul et de capacité de traitement parallèle.

Afin d'assurer une comparaison équitable entre le modèle CNN-transformeur proposé et les modèles de référence, ce dernier a été entraîné et évalué à l'aide de la même répartition du jeu de données MIMII (80 % d'entraînement et 20 % de test), des mêmes étapes de prétraitement, du même processus de création des spectrogrammes et des mêmes mesures d'évaluation. Dans la méthode SVM, un noyau à fonction de base radiale (RBF) a été utilisé, avec C = 10 et γ = 0,01. La méthode forêt aléatoire comprenait 200 arbres, avec une profondeur maximale de 20. En ce qui concerne le CNN, il comportait quatre couches de convolution (32, 64, 128 et 256 filtres), suivies de couches entièrement connectées sans module Transformeur. Enfin, pour la méthode LSTM, deux couches LSTM empilées ont été utilisées avec 128 unités cachées et un taux de dropout de 0,3.

Au contraire, l'utilisation du cadre CNN-transformer permet d'obtenir les meilleurs résultats en exploitant efficacement les caractéristiques spatiales et temporelles des signaux acoustiques. Par ailleurs, le recours à l'informatique en périphérie permet de réduire les coûts de calcul, d'améliorer la latence et de réaliser des économies d'énergie. En outre, l'explicabilité des prédictions mise en œuvre à l'aide de SHAP peut être considérée comme un autre avantage qui distingue la méthode proposée des techniques existantes.

Malgré les récents progrès réalisés dans le développement de nouveaux modèles pour la détection d'anomalies acoustiques, tels que le Vision Transformer (ViT), l'Audio Spectrogram Transformer (AST), le Conformer et les modèles basés sur l'apprentissage auto-supervisé, une comparaison expérimentale de ces architectures n'a pas été menée dans la présente étude. À l'avenir, ces modèles devraient être utilisés comme références pour évaluer le cadre proposé.

Les métriques, notamment la précision, l'exactitude, le rappel et le score F1, sont utilisées pour évaluer les performances du modèle proposé. Alors que la précision mesure le rapport entre les vrais positifs et le nombre total de vrais positifs et de faux positifs, l'exactitude évalue la justesse globale des prédictions. Le rappel fournit une estimation de la capacité du modèle à prévoir les anomalies dans un système donné. Ceci est crucial, car l'incapacité à prévoir un défaut pourrait entraîner des pannes du système. Voici comment ces métriques sont calculées mathématiquement :

   (25)

   (26)

   (27)

   (28)

Outre ceux-ci, des métriques supplémentaires liées aux performances du système, telles que la latence, l'utilisation de l'énergie et la scalabilité, sont prises en compte lors de l'évaluation des performances dans des conditions réelles du modèle CPS proposé fondé sur l'informatique en périphérie.

Outre les techniques classiques de mesure de performance, il existe de nombreuses autres mesures pouvant aider à évaluer la solution proposée selon une perspective plus globale, particulièrement en raison de son applicabilité à des études de cas réelles portant sur des données déséquilibrées et en flux continu. Par exemple, la capacité de l'algorithme à distinguer entre les deux groupes selon différents seuils est mesurée par l'aire sous la courbe caractéristique de fonctionnement du récepteur (ROC-AUC). Étant donné sa robustesse et sa séparabilité, la valeur de ROC-AUC devrait être élevée. De plus, la métrique aire sous la courbe précision-rappel (PR-AUC) est importante pour l'étude de cas de détection d'anomalies, car les classes anormales sont rares.

Une mesure importante à prendre en compte est le coefficient de corrélation de Matthews (MCC). Il tient compte des quatre éléments de la matrice de confusion et fournit une évaluation précise, même en présence d'un déséquilibre entre les classes. Cette mesure est calculée comme suit :

   (29)

Les valeurs du MCC varient de -1 à +1, une valeur de +1 indiquant une prédiction parfaite. L'autre métrique qui pourrait être appliquée est la Spécificité (taux de vrais négatifs), qui serait utile dans une application industrielle pour évaluer s'il existe des prédictions faussement positives :

    (30)

Afin de s'assurer qu'il n'existait aucune incohérence entre la matrice de confusion et les métriques de performance, tous les critères d'évaluation ont été calculés à partir du jeu de données de test final. Les notations vrais positifs (VP), vrais négatifs (VN), faux positifs (FP) et faux négatifs (FN) sont utilisées dans les équations suivantes. L'exactitude, la précision, le rappel, la spécificité, le score F1 et le MCC ont été calculés selon les équations (25) à (30). De plus, la ROC-AUC et la PR-AUC ont été déterminées à partir des sorties de probabilité du modèle CNN-transformer par évaluation indépendante des seuils.

Les métriques clés à prendre en compte au niveau du système incluent la latence, le débit et le coût de calcul. La latence correspond au temps nécessaire pour effectuer une prédiction. Le débit représente la quantité d'échantillons de données traités par seconde. Le coût de calcul, qui reflète l'efficacité énergétique, est important pour garantir une efficacité informatique. En outre, des métriques d'explicabilité, telles que la cohérence SHAP et la stabilité de l'importance des caractéristiques, peuvent également être prises en compte lors de l'évaluation du modèle.

Il ressort clairement des résultats du Tableau 3 pour le jeu de données MIMII que le modèle proposé combinant CNN et transformeur surpasse toutes les autres méthodes d'apprentissage automatique et d'apprentissage profond. Les performances des modèles SVM et forêts aléatoires sont acceptables, bien que limitées, avec des précisions respectives de 88,6 % et 91,2 %. Ceci pourrait s'expliquer par l'incapacité de ces modèles à extraire des caractéristiques temporelles et spatiales complexes à partir des signaux acoustiques. Toutefois, le LSTM surpasse les modèles SVM et forêts aléatoires, atteignant une précision de 94,5 % en modélisant les données de séries temporelles. Néanmoins, l'approche proposée combinant CNN et transformeur présente les meilleures performances, avec une précision améliorée (98,5 %), une justesse (98,06 %), un rappel (99,02 %) et un score-F1 (98,54 %) élevés. Ainsi, l'algorithme proposé permet de classer avec précision les états normaux et anormaux des machines. La spécificité améliorée (97,96 %) démontre l'efficacité de cette approche pour réduire les faux positifs, ce qui est crucial pour l'industrie. Il convient de noter que la performance du CNN-transformeur s'explique par la combinaison du CNN et du transformeur, le premier extrayant des caractéristiques discriminantes et le second capturant les relations temporelles dans de longues séquences.

La courbe ROC de la Figure 6 montre la performance comparative des approches SVM, forêt aléatoire, LSTM et CNN-transformeur proposée en ce qui concerne leurs capacités de classification sur le jeu de données MIMII. Comme indiqué dans la Figure 6, la plus grande aire sous la courbe (AUC) a été observée pour le CNN-transformeur proposé, qui atteint 0,994. Il est clair que la méthode proposée offre une meilleure performance discriminante pour distinguer les catégories normales des catégories anormales. En revanche, l’LSTM donne des résultats légèrement inférieurs à ceux de l’approche CNN-transformeur proposée, son AUC étant d’environ 0,97. La forêt aléatoire et le SVM ont tous deux des AUC relativement faibles, d’environ 0,958 et 0,913 respectivement. Ceci s’attribue à l’incapacité des deux approches à apprendre des motifs acoustiques complexes à partir des données fournies.

Dans la détection d'anomalies, où les échantillons anormaux sont peu nombreux, la courbe précision-rappel (PR) permet une analyse plus pertinente. Sur la courbe PR, le modèle CNN-transformeur atteint la plus haute précision moyenne (AP), d’environ 0,97 à 0,98, ce qui indique une capacité supérieure à détecter les instances anormales avec moins de fausses alarmes, comme illustré dans la Figure 7. En revanche, le classifieur LSTM arrive en deuxième position, avec une AP comprise entre 0,92 et 0,94. D'autre part, les classifieurs forêt aléatoire et SVM se classent respectivement troisième et quatrième, avec des AP de 0,88 et 0,84. Le classifieur hybride proposé atteint une précision plus élevée à tous les niveaux de rappel, ce qui est important pour les applications industrielles pratiques, car celles-ci exigent à la fois une grande précision et un faible taux de fausses alarmes.

Le modèle CNN-transformer a été comparé aux modèles existants sur le jeu de données MIMII à l'aide des métriques de performance avancées présentées dans le Tableau 6. La valeur ROC-AUC indique la capacité discriminante du modèle entre les deux classes à différents seuils. Les classificateurs SVM et forêt aléatoire atteignent des valeurs de ROC-AUC de 0,913 et 0,958 respectivement, tandis que le modèle LSTM obtient un ROC-AUC de 0,970, et le CNN obtient 0,98. Le cadre CNN-transformer proposé atteint le ROC-AUC le plus élevé, de 0,994, démontrant une discrimination supérieure entre les conditions normales et anormales des machines. De même, les valeurs PR-AUC indiquent que le modèle proposé peut gérer efficacement le déséquilibre des classes, un facteur essentiel dans la détection d'anomalies. Le CNN-transformer proposé atteint le PR-AUC (précision moyenne) le plus élevé, de 0,982, suivi par le CNN (0,950), LSTM (0,912), forêt aléatoire (0,891) et SVM (0,765), ce qui témoigne d'une performance supérieure en termes de précision et de rappel pour la détection d'anomalies acoustiques industrielles. En outre, le coefficient de corrélation de Matthews (MCC), qui mesure l'équilibre de la performance du modèle, présente une valeur relativement élevée de 0,97 pour le modèle proposé. En revanche, les méthodes antérieures telles que le SVM (0,73) et la forêt aléatoire (0,78) présentaient une précision prédictive inférieure.

Afin de tester la stabilité de l'approche présentée, la même expérience a été réalisée 10 fois avec des graines d'initialisation et des schémas de mélange des données variables. Les résultats du tableau 7 pour l'architecture CNN-transformer étaient les suivants : exactitude = 98,50 % ± 0,19 %, précision = 98,06 % ± 0,23 %, rappel = 99,02 % ± 0,22 % et score F1 = 98,54 % ± 0,24 %. L'écart-type relativement faible indique la stabilité du modèle. Des intervalles de confiance à 95 % ont été calculés pour toutes les mesures d'évaluation. Il a été déterminé que l'intervalle de confiance pour la métrique d'exactitude était [98,1 % ; 98,9 %], ce qui indique que le modèle présente des performances constantes. Des intervalles de confiance étroits ont également été obtenus pour la ROC-AUC, la PR-AUC et le MCC. Le test t apparié comparant le modèle CNN-transformer proposé et le modèle de référence ayant les meilleures performances (LSTM) a donné une valeur p < 0,05, indiquant que le gain de performance observé est significatif et non dû au hasard.

Afin de tester la robustesse de l'architecture CNN-transformeur proposée, les expériences ont été répétées 10 fois avec différentes graines d'initialisation aléatoire et configurations de mélange, comme illustré dans la Figure 8. La précision moyenne, l'exactitude, le rappel et le score F1 obtenus par le modèle étaient respectivement de 98,50 % ± 0,19 %, 98,06 % ± 0,23 %, 99,02 % ± 0,22 % et 98,54 % ± 0,24 %. D'après l'analyse des boîtes à moustaches, les variations des métriques de performance du modèle sont minimes, ce qui indique sa stabilité et sa robustesse. Ainsi, l'approche proposée présente une forte stabilité au cours de plusieurs expériences, sans variation significative, ce qui témoigne des bonnes capacités de généralisation du modèle.

De plus, un test statistique a été effectué en se basant sur les résultats de plusieurs exécutions de l'expérience. Les faibles écarts types observés pour toutes les mesures d'évaluation suggèrent une faible sensibilité aux variations aléatoires ou à l'apprentissage. Cela confirme que le modèle CNN-transformer proposé peut offrir des performances stables et reproductibles dans des systèmes cyber-physiques de fabrication en conditions réelles.

La carte thermique SHAP donne une indication sur l'importance des régions temps-fréquence dans le spectrogramme pour prédire si l'état de la machine est normal ou anormal. Les valeurs SHAP indiquent la contribution de chaque prédicteur à la prédiction finale.

Dans la carte thermique des valeurs SHAP présentée dans la Figure 9A, les valeurs SHAP positives (par exemple, comprises entre +0,6 et +1,2) représentent une contribution en faveur de l’anormalité, tandis que les valeurs SHAP négatives (c’est-à-dire comprises entre −0,3 et −0,8) indiquent une contribution en faveur de la catégorie normale. Le score SHAP le plus élevé a été observé dans la gamme de fréquences moyennes (40 à 80 intervalles de fréquence) aux instants 50 à 100. Ces régions constituent les zones clés où les signaux de défaut critiques sont détectés dans les mesures acoustiques. De plus, la bande de basses fréquences (moins de 20 intervalles) présente des scores SHAP presque nuls (−0,1 à +0,1), indiquant un impact négligeable sur la prise de décision du modèle. Cela montre que le modèle ignore le bruit de fond non pertinent pour la prédiction des défauts. La cohérence temporelle des scores SHAP élevés au sein de bandes temporelles spécifiques met également en évidence la capacité du module Transformeur à capturer les dépendances à longue portée dans les signaux acoustiques. En résumé, la carte thermique SHAP montre clairement que le modèle CNN-Transformeur se concentre sur des bandes temps-fréquence spécifiques possédant un fort pouvoir discriminant. Cela améliore l’interprétabilité du modèle et aide l’opérateur humain à détecter visuellement les défauts.

On montre que la méthode SHAP est utilisée uniquement comme une technique d'interprétabilité et ne fait pas partie du processus d'entraînement du modèle CNN-transformeur. La précision de classification est déterminée uniquement par les paramètres appris par les composants CNN et Transformeur. SHAP est utilisée après l'étape d'inférence du modèle pour interpréter les prédictions en identifiant les fenêtres temps-fréquence les plus influentes qui orientent les prédictions vers les catégories normales ou anormales. Ainsi, SHAP améliore la transparence et la compréhension humaines sans affecter la précision de classification. Les valeurs SHAP fournies par le cadre proposé permettent une visualisation claire qui aidera les opérateurs de maintenance à vérifier les prédictions du modèle en comparant les régions détectées avec le comportement réel de la machine et les historiques de maintenance. Par conséquent, il sera plus facile pour les humains de collaborer avec les machines lors d'activités de maintenance prédictive.

Afin d'évaluer le niveau d'explicabilité, une analyse globale SHAP sur l'importance des caractéristiques a été réalisée, comme illustré dans la Figure 9B. Les résultats montrent que certaines composantes de fréquence moyenne jouent un rôle important dans la détection d'anomalies. De plus, une étude de cas illustrée dans la Figure 9C montre que SHAP identifie correctement les régions pertinentes aux défauts dans les spectrogrammes anormaux des machines. Cette étude a impliqué une étude de cas qualitative utilisant des échantillons de données anormales provenant de pompes et de vannes du jeu de données MIMII. En ce qui concerne les pompes défectueuses, SHAP a identifié des plages de fréquence de 2–4 kHz associées à la cavitation et à l'usure. Dans le cas des vannes défectueuses, l'activation de SHAP était dominante dans les zones présentant des signaux harmoniques répétés, indicatifs de fuites. Sur des échantillons tests représentatifs, les visualisations SHAP ont identifié de manière fiable des zones temporelles et fréquentielles discriminantes associées à des états anormaux des machines. En mettant en évidence les régions spectrales qui contribuent le plus significativement à chaque prédiction, ces explications permettent de mieux comprendre comment le modèle prend ses décisions. L'analyse SHAP est proposée comme un outil d'interprétabilité permettant de comprendre le comportement du modèle, et non comme une validation experte des défauts, car une validation formelle par des professionnels de la maintenance sortait du cadre de cette étude.

La matrice de confusion met en évidence la performance du modèle CNN-transformer proposé pour la classification sur le jeu de données MIMII illustré dans la Figure 10. Au total, 960 échantillons normaux ont été correctement identifiés comme normaux (vrais négatifs), tandis que 20 échantillons normaux ont été incorrectement identifiés comme anormaux (faux positifs). En outre, parmi tous les échantillons, 1010 échantillons anormaux ont été détectés comme tels (vrais positifs), alors que 10 échantillons anormaux ont été identifiés comme normaux (faux négatifs).

Ainsi, une performance élevée de détection a été obtenue, en particulier pour les échantillons anormaux, qui sont cruciaux dans la maintenance prédictive. Comme indiqué dans la Figure 10, une erreur de faux négatif est observée très rarement (10 échantillons) – ce qui est essentiel pour garantir la sécurité et la fiabilité dans tout secteur industriel. En revanche, l'erreur de faux positif (20 échantillons) se produit légèrement plus fréquemment, mais reste à un niveau relativement faible. La matrice de confusion présentée dans la Figure 10 a été générée à l'aide d'un sous-ensemble équilibré de 2 000 enregistrements de test (nombres égaux d'échantillons normaux et anormaux) afin de fournir une visualisation claire des performances du classificateur. Toutes les métriques d'évaluation rapportées, y compris l'exactitude, la précision, le rappel, la spécificité et le score F1, ont été calculées à l'aide de l'ensemble complet de test (environ 2 400 enregistrements).

En tenant compte de la matrice de confusion illustrée dans la Figure 10 et dans le Tableau 8 (VN = 960, FP = 20, VP = 1010, FN = 10), les calculs suivants peuvent être effectués : Précision globale = (VP + VN) / (VP + VN + FP + FN) = 98,50 %, Précision = VP / (VP + FP) = 98,06 %, Rappel = VP / (VP + FN) = 99,02 %, Spécificité = VN / (VN + FP) = 97,96 %, Score F1 = 98,54 %, et MCC = 0,97. De plus, les valeurs de ROC-AUC et de PR-AUC étaient respectivement de 0,994 et de 0,982. La matrice de confusion présentée dans la Figure 10 a été générée à l’aide d’un sous-ensemble équilibré et représentatif de 2 000 enregistrements provenant des données de test, uniquement à des fins de visualisation. Toutes les métriques quantitatives de performance rapportées dans cette étude ont été calculées en utilisant l’ensemble complet des données de test (environ 2 400 enregistrements). Dans l’ensemble, les résultats démontrent que l’architecture CNN-transformeur proposée atteint une précision de classification de 98,5 %, en accord avec les résultats indiqués dans le Tableau 8 et l’analyse d’ablation.

Afin de vérifier l'efficacité de l'implémentation basée sur les nœuds périphériques, des mesures supplémentaires ont été effectuées. La latence moyenne d'inférence du modèle proposé est de 18,7 ms/échantillon, et il peut traiter environ 53 échantillons par seconde, comme indiqué dans Tableau 9. La consommation d'énergie pendant l'inférence était de 8,9 W, ce qui correspond à une consommation énergétique estimée de 0,167 J/prédiction. Pour évaluer l'impact environnemental de l'approche proposée dans Tableau 10, la surcharge de communication, la consommation d'énergie et l'utilisation des ressources ont été prises en compte. Étant donné que le processus d'inférence s'effectue localement sur les nœuds périphériques, seules les données diagnostiques résumées sont transmises vers l'environnement cloud. Les résultats expérimentaux ont montré une réduction de 73 % de la communication par rapport aux systèmes CPS traditionnels basés sur le cloud. De plus, l'inférence locale a permis de réduire la consommation d'énergie de 32 %, tandis que le temps de communication est passé de 75 ms à 20 ms.

Étude d'ablation

Le jeu de données MIMII est soumis à une étude d'ablation afin d'évaluer l'impact de chaque composant de l'architecture CPHS basée sur l'intelligence artificielle explicable. Cette étude d'ablation examine les effets de l'utilisation d'un CNN pour apprendre les caractéristiques spatiales, d'un encodeur de type transformeur pour apprendre les caractéristiques temporelles, ainsi que de l'algorithme d'explicabilité SHAP lui-même. Plusieurs variantes du modèle proposé sont envisagées, à savoir : (i) une version CNN uniquement, (ii) une version transformeur uniquement, (iii) le modèle combinant CNN et transformeur mais sans l'algorithme SHAP, et (iv) le modèle complet proposé combinant CNN, transformeur et SHAP. Pour l'évaluation, des métriques classiques telles que la précision, le rappel, la justesse et le score F1 sont utilisées.

Ces résultats d'étude d'ablation démontrent l'importance de chaque élément du cadre décrit dans le Tableau 11. Le modèle reposant uniquement sur un CNN atteint une précision de 93,8 %, ce qui indique que l'extraction de caractéristiques spatiales à partir des spectrogrammes est efficace, bien qu'il ne puisse pas capturer les dépendances temporelles présentes dans les signaux acoustiques. Il en va de même pour le modèle utilisant uniquement un transformeur, qui atteint une précision légèrement inférieure (92,6 %), car il extrait des caractéristiques temporelles tout en négligeant l'information spatiale. Enfin, le modèle CNN-transformeur proposé atteint une précision de 98,5 %, une exactitude de 98,06 %, un rappel de 99,02 % et un score F1 de 98,54 %, en accord avec les résultats de l'expérience principale. Étant donné que SHAP est utilisé uniquement pour l'interprétation a posteriori et non pour l'apprentissage du modèle, la précision de classification est identique à celle du modèle CNN-transformeur entraîné. SHAP est ensuite utilisé pour produire des explications fondées sur l'attribution des caractéristiques. Le rappel amélioré (99,02 %) indique que le modèle est efficace pour détecter les conditions anormales des machines, garantissant ainsi qu'aucune pièce défectueuse n'est omise, ce qui est essentiel pour la mise en œuvre d'un système de maintenance prédictive.

DISPONIBILITÉ DES DONNÉES :

Le jeu de données MIMII (Malfunctioning Industrial Machine Investigation and Inspection) utilisé dans cette étude est publiquement disponible sur le dépôt officiel Zenodo. Les expériences ont été menées à l'aide des enregistrements audio et des annotations publiquement accessibles fournis par les auteurs du jeu de données. Le jeu de données peut être consulté à l'adresse suivante : https://zenodo.org/records/3384388. Le code de mise en œuvre accompagnant cette étude est publiquement disponible via le dépôt Zenodo à l'adresse https://zenodo.org/records/21405292. Le dépôt inclut le code de mise en œuvre du cadre proposé, comprenant le pipeline de prétraitement des données, l'architecture du modèle, le flux d'entraînement, les scripts d'évaluation, les fichiers de configuration et les utilitaires complémentaires afin de faciliter la compréhension et la reproduction indépendante de la méthodologie proposée. Le jeu de données MIMII n'est pas redistribué avec le code de mise en œuvre et doit être obtenu séparément depuis son dépôt officiel.

Figure 1 : Architecture du travail proposé. Conception architecturale d'un système cyber-physique humain piloté par une IA explicative combinant un prétraitement, un apprentissage spatial basé sur les CNN, une modélisation temporelle basée sur les transformeurs, une explicabilité SHAP et un calcul en périphérie pour une fabrication durable. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 2 : Pipeline de prétraitement. Pipeline de prétraitement du signal acoustique comprenant la suppression du bruit, la normalisation, la segmentation, la transformation STFT et l'extraction du spectrogramme. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 3 : Extraction de caractéristiques spatiales à l'aide de CNN. Architecture permettant l'extraction de caractéristiques spatiales par des réseaux de neurones convolutifs (CNN) utilisant des spectrogrammes, au moyen des étapes de convolution, d'activation et de sous-échantillonnage. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 4 : Modélisation temporelle à l'aide d'un encodeur de type transformeur. Architecture d'encodeur de type transformeur permettant de capturer les dépendances temporelles et les dépendances à longue portée au moyen d'une représentation sous forme de séquence de spectrogramme. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 5 : Couche de classification. Une couche de classification qui associe les caractéristiques temporelles encodées à des valeurs de probabilité pour prédire l'état de la machine. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Figure 6 : Résultat de la courbe ROC. Comparaison des courbes ROC pour les algorithmes SVM, forêt aléatoire, LSTM, CNN et CNN-transformeur proposé sur le jeu de données MIMII. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 7 : Résultat de la courbe précision-rappel. Comparaison des courbes précision-rappel illustrant l'efficacité de détection des anomalies de diverses méthodes d'apprentissage automatique et d'apprentissage profond. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 8 : Analyse de la stabilité des performances sur plusieurs exécutions. Diagramme en boîte montrant la stabilité des performances en termes de précision, exactitude, rappel et score F1 obtenues lors de dix expériences indépendantes menées avec l'architecture CNN-transformeur proposée. Les faibles variations indiquent la stabilité et la robustesse du modèle. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 9 : Analyse explicative basée sur SHAP du cadre proposé pour la détection d'anomalies. (A) Analyse explicative basée sur SHAP. Carte thermique utilisant la méthode SHAP pour montrer les zones temporelles et fréquentielles les plus pertinentes menant à l'identification d'un comportement anormal. (B) Analyse de l'importance des caractéristiques à l'aide de l'approche globale SHAP pour identifier les caractéristiques les plus influentes. (C) Visualisation de l'explicabilité SHAP pour une machine anormale. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 10 : Matrice de confusion pour le jeu de données MIMII. La matrice de confusion illustre les performances de classification de l'algorithme CNN-transformer proposé. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Paramètre	Description
Nom du jeu de données	Jeu de données MIMII (Malfunctioning Industrial Machine Investigation and Inspection)
Types de machines	Vannes, pompes, ventilateurs, rails coulissants
Nombre total d'échantillons utilisés	Environ 12 000 enregistrements audio
Classes	Normale, Anormale
Fréquence d'échantillonnage	16 kHz
Durée par échantillon	10 secondes
Format audio	WAV
Représentation des caractéristiques	Images de spectrogrammes basées sur la TFCT
Étapes de prétraitement	Filtrage du bruit, normalisation, segmentation, transformation par TFCT
Attribution des étiquettes	Les enregistrements normaux sont étiquetés comme la classe 0 ; les enregistrements anormaux sont étiquetés comme la classe 1 selon les annotations MIMII
Répartition entraînement-test	80 % pour l'entraînement (≈9 600 échantillons), 20 % pour le test (≈2 400 échantillons)
Stratégie de partitionnement des données	Classement au niveau des fichiers audio effectué avant la segmentation afin d'éviter les fuites de données
Conditions de bruit industriel	Environnements acoustiques industriels réalistes inclus dans les enregistrements MIMII
Domaine d'application	Maintenance prédictive et détection d'anomalies des machines
Objectif ciblé de l'industrie 5.0	Détection de défauts explicative, centrée sur l'humain et durable

Tableau 1 : Description du jeu de données. Description du jeu de données MIMII en fonction du type de machine, de la distribution des échantillons, des caractéristiques du signal, de la représentation des caractéristiques et des aspects applicatifs.

Type de machine	Identifiants de machine	Enregistrements normaux	Enregistrements anormaux	Conditions de rapport signal/bruit (dB)	Répartition expérimentale
Ventilateur	ID00–ID06	8 400	1 600	−12 à −9	80 % apprentissage / 20 % test
Boîte de vitesses	ID00–ID06	7 124	1 147	−17 à −15	80 % apprentissage / 20 % test
Pompe	ID00–ID06	7 200	1 800	−18 à −9	80 % apprentissage / 20 % test
Glissière	ID00–ID05	7 000	1 800	−14 à −12	80 % apprentissage / 20 % test
Vanne	ID00–ID05	7 000	1 800	−12 à −9	80 % apprentissage / 20 % test

Tableau 2 : Description du jeu de données MIMII utilisé dans cette étude. Types de machines industrielles, identifiants des machines, nombres d'enregistrements normaux et anormaux, conditions de rapport signal sur bruit (SNR), et la répartition entraînement/test utilisée pour la classification binaire supervisée.

Modèle	Précision (%)	Exactitude (%)	Rappel (%)	Score F1 (%)	Spécificité (%)
SVM	88.6	86.9	85.4	86.1	90.2
Forêt aléatoire (RF)	91.2	89.8	88.5	89.1	92.6
LSTM	94.5	93.2	92.8	93	95.1
CNN	96.3	95.4	94.9	95.1	96.8
CNN–Transformeur (proposé)	98.5	98,06	99,02	98,54	97,96

Tableau 3 : Résultat de classification pour le jeu de données MIMII. Comparaison des performances des classificateurs d'apprentissage automatique et d'apprentissage profond à l'aide de l'exactitude, de la précision, du rappel, du score F1 et de la spécificité.

Paramètre	Valeur
Jeu de données	MIMII Dataset
Nombre total d'échantillons	~12 000
Répartition entraînement-test	80 % / 20 %
Type d'entrée	Images de spectrogrammes
Couches CNN	3 à 5 couches de convolution
Couches de transformeur	2 à 4 couches d'encodeur
Taille du lot	32
Taux d'apprentissage	0,001
Optimiseur	Adam
Époques	100
Matériel	Dispositif embarqué + GPU (pour l'entraînement)
Longueur de fenêtre STFT	1024
Taille du pas	512
Taille de la FFT	1024
Résolution du spectrogramme	224 × 224
Normalisation	Z-score
Augmentation des données	Masquage temporel, masquage fréquentiel, bruit gaussien
Couches CNN	4
Filtres CNN	32, 64, 128, 256
Couches de transformeur	4
Têtes d'attention	8
Dimension de l'incorporation	256
Dimension du réseau feed-forward	1024
Dropout	0,3
Graine aléatoire	42
Patience pour l'arrêt précoce	10

Tableau 4 : Configuration de l'environnement et des hyperparamètres. Paramètres d'apprentissage et d'expériences utilisés pour mettre en œuvre l'architecture CNN-transformeur proposée.

Composant	Spécification
Langage de programmation	Python
Framework	TensorFlow / PyTorch
Processeur	Intel i7 / Ryzen 7
GPU	NVIDIA GTX 1660 / RTX Series
Dispositif embarqué	Raspberry Pi / NVIDIA Jetson
Visualisation	Matplotlib, SHAP
Dispositif embarqué	NVIDIA Jetson Xavier NX
UC	6 cœurs ARM v8.2
RAM	16 Go
Système d'exploitation	Ubuntu 20.04
Framework d'apprentissage profond	TensorFlow/PyTorch
Taille du jeu de données	12 000 échantillons MIMII
Connectivité	Ethernet/Wi-Fi
Paramètres du modèle	8,4 millions
Taille du modèle	32,7 Mo
Framework	PyTorch + TensorRT
Taille du lot	1
Quantification	FP16
Élagage	Non
Latence moyenne	17,8 ms
Latence médiane	17,2 ms
Latence au 95e centile	19,6 ms
Débit	56 échantillons/s
Utilisation de la mémoire	1,4 Go
Consommation électrique	11,3 W

Tableau 5 : Environnement de simulation. Du matériel et des logiciels ont été utilisés pour entraîner, déployer et évaluer le modèle proposé.

Modèle	ROC-AUC	PR-AUC	MCC
SVM	0.913	0.765	0.73
Forêt aléatoire (RF)	0.958	0.891	0.78
LSTM	0.97	0.912	0.86
CNN	0.98	0.95	0.9
CNN–Transformeur (proposé)	0.994	0.982	0.97

Tableau 6 : Comparaison des résultats expérimentaux pour ROC-AUC, PR-AUC et MCC. Comparaison entre différents modèles selon les mesures ROC-AUC, PR-AUC et coefficient de corrélation de Matthews.

Métrique	Moyenne (%) + Écart type (%)	Intervalle de confiance à 95 %
Exactitude	98.50 ± 0.19	[98.1, 98.9]
Précision	98.06 ± 0.23	[98.0, 98.2]
Rappel	99.22 ± 0.22	[98.8, 99.4]
Score-F1	98.54 ± 0.24	[98.1, 98.9]
ROC-AUC	0.984	0.004
PR-AUC	0.982	0.005
MCC	0.97	0.007

Tableau 7 : Résultat de l'analyse statistique sur plusieurs exécutions. Statistiques de robustesse de l'architecture CNN-transformer proposée sur 10 expériences, incluant la moyenne, l'écart type, l'intervalle de confiance à 95 % et la significativité pour diverses mesures de performance.

Métrique	Valeur
Exactitude	98,50 %
Précision	98,06 %
Rappel	99,02 %
Spécificité	97,96 %
Score-F1	98,54 %
MCC	0,97
ROC-AUC	0,994
PR-AUC	0,982

Tableau 8 : Ensemble final de test de la matrice de confusion. Matrice de confusion sur l'ensemble de test pour l'architecture proposée, montrant la classification des états normaux et anormaux des machines à partir desquels les métriques d'évaluation ont été déduites.

Métrique	Déploiement dans le cloud	Déploiement en périphérie (edge)
Latence d'inférence (ms)	85,6	18,7
Débit (échantillons/s)	22	53
Utilisation du réseau (Mo/min)	120	18
Énergie par prédiction (J)	0,52	0,17
Capacité en temps réel	Modérée	Élevée

Tableau 9 : Résultat de la latence d'inférence. Les performances en termes de latence du déploiement en périphérie du cadre CPHS doté d'une IA explicable, incluant le temps de traitement, le débit, la consommation mémoire et d'autres caractéristiques en temps réel.

Métrique	CPS basé sur le cloud	CPHS proposé avec fonctionnalités Edge	Amélioration
Transmission de données par heure	100%	35%	Réduction de 65 %
Latence de communication	75 ms	20 ms	Réduction de 73,3 %
Consommation d'énergie	100%	68%	Réduction de 32 %
Émission de carbone estimée	100%	70%	Réduction de 30 %

Tableau 10 : Évaluation de la durabilité du CPHS doté de capacités de périphérie (edge). Des mesures de la surcharge de communication, de la consommation d'énergie, de l'utilisation des ressources et de la latence sont utilisées pour évaluer la durabilité du CPHS doté de capacités de périphérie.

Variante du modèle	Précision (%)	Exactitude (%)	Rappel (%)	Score F1 (%)
CNN uniquement	93.8	92.5	94.2	93.3
Transformeur uniquement	92.6	91.2	93.5	92.3
CNN + Transformeur	98.5	98.06	99.02	98.54

Tableau 11 : Résultat de l'étude d'ablation. Résultat de l'étude d'ablation mettant en évidence l'effet des modules CNN, Transformeur et SHAP sur les performances du modèle proposé.

Discussion

Les résultats expérimentaux démontrent que l'architecture proposée combinant CNN et transformeur surpasse les algorithmes individuels en intégrant efficacement l'apprentissage des caractéristiques spatiales et temporelles. Selon l'étude d'ablation, bien que le CNN extrait des caractéristiques discriminantes basées sur la fréquence à partir des spectrogrammes, l'encodeur transformeur améliore les performances du modèle en capturant les dépendances temporelles à longue portée dans les signaux acoustiques. De plus, la matrice de confusion montre très peu de faux négatifs, ce qui implique que le modèle proposé peut identifier efficacement les anomalies des machines. Cette architecture a permis d'obtenir de meilleurs résultats de classification, avec une précision de 98,5 % et un taux de rappel de 99,02 %. Ce résultat est crucial pour les systèmes industriels de détection de défauts, car le modèle ne doit manquer aucune machine défectueuse. Les résultats expérimentaux ont montré que le cadre CNN–Transformeur proposé, doté d'une IA explicable (XAI), combine avec succès une haute précision de détection d'anomalies, une interprétabilité et une implémentation en temps réel sur le bord. La combinaison des deux modules permet d'extraire simultanément des caractéristiques spatiales et temporelles à partir des données acoustiques, tandis que les explications fournies par SHAP renforcent l'explicabilité et la fiabilité. Ces résultats s'alignent sur les principes de l'Industrie 5.0, qui met l'accent sur une prise de décision centrée sur l'humain, la durabilité et la synergie entre les domaines cybernétiques et physiques. Toutefois, une évaluation plus approfondie à l'aide d'autres jeux de données industriels et un déploiement pratique sont nécessaires pour estimer la généralisabilité de l'approche proposée.

La mise en œuvre de SHAP pour l'explicabilité améliore non seulement l'efficacité du système, mais renforce également de manière significative la compréhension de la logique sous-jacente du modèle. Elle se concentre particulièrement sur les bandes temps-fréquence importantes pour ces décisions. Ceci est crucial dans les scénarios de l'industrie 5.0, où les humains et les systèmes d'intelligence artificielle doivent s'accorder mutuellement confiance. Il ressort clairement des cartes thermiques SHAP que le modèle a identifié certaines bandes de fréquence associées à des défauts, garantissant ainsi une adéquation avec la réalité. La nouveauté de cette étude ne repose pas uniquement sur l'utilisation du CNN-transformer ou de SHAP seuls, tous deux déjà mentionnés dans la littérature scientifique existante. Elle tient plutôt à leur application intégrée au sein de la structure de collaboration cyber-physique de l'industrie 5.0, permettant de résoudre simultanément les problèmes d'explicabilité, de durabilité, d'intelligence embarquée et de soutien aux décisions centrées sur l'humain. Bien que le cadre proposé s'inspire d'idées issues de l'industrie 5.0, telles que la collaboration centrée sur l'humain, l'explicabilité, la résilience et le calcul durable en périphérie, la présente recherche évalue uniquement ses performances techniques à l'aide de l'exactitude de détection des anomalies, de la latence, de la consommation énergétique et de l'interprétabilité. L'évaluation directe des aspects centrés sur l'humain — tels que la confiance de l'opérateur, la charge cognitive, la qualité des décisions et l'acceptation — était en dehors du champ de la conception actuelle de la recherche. De futures recherches incluront des expériences avec un humain dans la boucle afin de mesurer l'efficacité de la prise de décision collaborative dans le cadre proposé. D'un point de vue théorique, cette recherche apporte une contribution précieuse à l'élargissement des modèles hybrides d'apprentissage profond en démontrant l'efficacité du couplage des réseaux neuronaux convolutifs et des architectures Transformer pour le traitement des données spatio-temporelles industrielles. En effet, cet article enrichit les approches CPS et CPHS en intégrant le concept d'intelligence artificielle explicable tout au long du processus de décision. Par ailleurs, l'application de la technique SHAP comme outil de mesure des contributions des différentes caractéristiques temps-fréquence apporte un soutien à la base théorique des systèmes fondés sur une IA explicable. Dans l'ensemble, une telle approche ouvre la voie à un nouveau paradigme dans lequel les modèles d'apprentissage profond deviennent non seulement plus précis, mais aussi interprétables par les humains, conformément à la vision de l'industrie 5.0.

En pratique, le système proposé constitue une excellente solution pour la détection en temps réel des anomalies industrielles et la maintenance prédictive. En utilisant des architectures CPHS en périphérie, le système permet un traitement rapide des signaux acoustiques et convient bien à une mise en œuvre dans des installations de fabrication intelligente. Le taux de rappel élevé (99,02 %) réduit la probabilité de défauts non détectés, augmentant ainsi la sécurité opérationnelle et empêchant les pannes inattendues des machines. De plus, l'utilisation d'explications basées sur SHAP permet aux humains de comprendre les résultats du modèle, ce qui est particulièrement important dans des situations critiques où une intervention humaine en boucle est nécessaire. Les résultats de la mise en œuvre expérimentale démontrent clairement les avantages du calcul en périphérie par rapport au calcul traditionnel dans le cloud. En effet, l'inférence effectuée en périphérie du réseau minimise les temps de latence et améliore l'efficacité grâce à un débit plus élevé. En outre, la réduction de la consommation d'énergie par prédiction contribuera à atteindre les objectifs de fabrication durable conformes aux normes de l'industrie 5.0. Malgré ces résultats encourageants, l'approche décrite présente toutefois plusieurs limites. Premièrement, le cadre est principalement validé sur le jeu de données MIMII ; bien qu'il soit assez étendu, il pourrait ne pas couvrir tous les scénarios possibles rencontrés dans un environnement industriel réel et sur différents types de machines. La deuxième limitation est que l'utilisation de SHAP pour l'explicabilité augmente la complexité computationnelle, ce qui peut poser problème lors du déploiement du cadre dans des environnements périphériques fortement contraints. Enfin, le modèle actuel est limité aux seuls signaux acoustiques, alors que les systèmes industriels nécessitent un traitement multimodal, incluant par exemple les vibrations et la température.

Même si l'utilisation du jeu de données MIMII garantit des scénarios de défauts réels en acoustique industrielle, une validation sur d'autres jeux de données de référence, tels que ToyADMOS, les données d'identification d'anomalies industrielles DCASE, les données de roulements IMS et les données de défauts de roulements CWRU, pourrait améliorer davantage la généralisabilité du cadre proposé. Dans nos travaux futurs, nous prévoyons de réaliser des validations inter-domaines en ce qui concerne les types de machines, les méthodes de détection et les environnements de fabrication, afin d'assurer la généralisation du cadre de collaboration cyber-physique basé sur l'intelligence artificielle explicable. Une autre limite de la présente recherche est l'absence d'expériences comparatives sur les systèmes récemment développés de détection d'anomalies acoustiques, tels que les Vision Transformers, les Audio Spectrogram Transformers, les Conformers et les nouvelles techniques d'apprentissage auto-supervisé. Bien que le modèle CNN-transformer ait démontré des résultats solides et une bonne interprétabilité, des recherches supplémentaires seront menées afin de l'évaluer par rapport à ces technologies avancées. Un autre inconvénient de la présente recherche est que l'évaluation des caractéristiques de l'Industrie 5.0, telles que la résilience et la durabilité, a été effectuée indirectement à l'aide de métriques au niveau du système, notamment la latence d'inférence et la consommation énergétique. Une évaluation plus approfondie de la résilience face aux défaillances de communication et de capteurs, ainsi que de la durabilité en termes d'empreinte carbone et d'utilisation des ressources, n'a pas été réalisée dans cette étude. Ces facteurs devraient être évalués dans des travaux futurs.

Cependant, il convient de noter que le paradigme de collaboration humain-dans-la-boucle décrit dans cette recherche est théorique et vise à illustrer l'utilisation des sorties d'IA explicable pour la prise de décision dans les systèmes cyber-physiques de l'Industrie 5.0 assistés par un opérateur. La validation expérimentale avec des opérateurs humains, ainsi que l'analyse de l'utilisabilité, du temps de réponse et de l'évaluation par des experts, ne relèvent pas du champ d'application de cette étude. Dans ce travail, un nouveau modèle de collaboration cyber-physique piloté par l'IA explicable est présenté pour la fabrication durable dans des contextes d'Industrie 5.0. Dans le système développé, une architecture hybride CNN-transformeur est utilisée pour apprendre efficacement les propriétés spatiales et temporelles des spectrogrammes acoustiques, permettant ainsi la détection d'anomalies dans les machines industrielles. Le modèle proposé fonctionne en quatre étapes : prétraitement des données acoustiques en spectrogrammes, apprentissage des propriétés spatiales à l'aide d'un CNN, apprentissage des dépendances temporelles à l'aide d'un encodeur transformeur, et classification. Les résultats obtenus avec la méthode proposée sur le jeu de données MIMII démontrent que le modèle suggéré surpasse les modèles de référence, atteignant une précision de 98,5 % et un taux de rappel de 99,02 %. De plus, l'intégration de l'explicabilité améliore la clarté du système. Bien que le cadre proposé pour la collaboration cyber-physique assistée par l'IA explicable ait bien performé sur le jeu de données de référence MIMII, la recherche est actuellement limitée à la validation expérimentale. Ce cadre doit encore être évalué dans des conditions de production à grande échelle dans un environnement industriel où les machines sont hétérogènes, les conditions variables et le déploiement à long terme. En outre, des comparaisons avec des architectures telles que ViT, AST, Conformer et des modèles d'apprentissage auto-supervisé devraient être incluses dans les travaux futurs. Autrement dit, bien que le cadre démontre la faisabilité de l'intégration de l'IA explicable, de la collaboration cyber-physique et de la collaboration humain-dans-la-boucle, une validation supplémentaire est nécessaire avant son déploiement à grande échelle dans l'industrie. Les travaux futurs exploreront davantage le cadre proposé à l'aide de divers ensembles de données de référence pour le diagnostic de pannes dans l'industrie et la fabrication inter-domaines, démontrant ainsi sa robustesse, sa transférabilité et son applicabilité au sein d'écosystèmes de fabrication durables. La validation future inclura des expériences centrées sur l'opérateur, des évaluations de résilience dans des conditions industrielles perturbatrices et une évaluation du cycle de vie liée à la durabilité.

Pour assurer la reproductibilité, ce travail fournit des détails sur le prétraitement des données, la stratégie de division, les paramètres de génération des spectrogrammes, l'architecture du modèle CNN-transformer, l'optimiseur, les hyperparamètres et les métriques utilisées pour évaluer les performances du modèle. Les graines aléatoires ont été fixées avant les expérimentations. Afin de garantir la reproductibilité, les expériences ont été menées sur le jeu de données MIMII (Malfunctioning Industrial Machine Investigation and Inspection) disponible publiquement. Le lien vers le jeu de données est le suivant : DOI : 10.5281/zenodo.3384388. Le code de mise en œuvre accompagnant cette étude a été rendu publiquement accessible via le dépôt Zenodo : https://zenodo.org/records/21405292. Les signaux audio ont été échantillonnés à 16 kHz et convertis en spectrogrammes log-Mel à l'aide de la TFD avec une taille de fenêtre de 1024, une longueur de saut de 512 et une taille de TFD de 1024. L'architecture CNN-transformer proposée comprenait quatre couches de convolution (avec 32, 64, 128 et 256 filtres), suivies d'un encodeur transformer à quatre couches, huit têtes d'attention, une dimension d'incorporation de 256 et une dimension du réseau feed-forward de 1024. Le processus d'entraînement a utilisé l'optimisation Adam avec un taux d'apprentissage de 0,0001 et une taille de lot de 32, sur 100 époques. Les algorithmes 1 et 2 décrivent respectivement l'étape de prétraitement des données et la procédure d'explicabilité. L'algorithme complet, incluant les détails de mise en œuvre, est présenté.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Échelle de soutien social	Échelle universitaire publiée ; initialement développée par Park et révisée/complétée par Kim	version à 25 items ; format de réponse en échelle de Likert à 5 points ; aucun numéro de catalogue commercial	Mesure le soutien social perçu chez les futurs enseignants de la petite enfance selon quatre dimensions : Soutien émotionnel, Soutien informationnel, Soutien matériel et Soutien évaluatif. Alpha de Cronbach global’s alpha = 0,96.
Échelle d'auto-efficacité de l'enseignant	Échelle universitaire publiée ; initialement développée par Enochs et Riggs ; version d'étude adaptée en chinois	version à 25 items ; format de réponse en échelle de Likert à 5 points ; aucun numéro de catalogue commercial	Évalue l'efficacité professionnelle des enseignants dans le contexte chinois de la formation initiale en éducation de la petite enfance, selon les dimensions de l'auto-efficacité enseignante générale et de l'auto-efficacité enseignante personnelle. Alpha de Cronbach global’s alpha = 0,96.
Échelle d'interaction enseignant-enfant	Échelle universitaire publiée ; développée par Lee et examinée par le comité d'experts de l'étude pour une utilisation en Chine	version de 30 éléments ; format de réponse en échelle de Likert à 5 points ; aucun numéro de catalogue commercial	Évalue la compétence déclarée par l'enseignant dans ses interactions avec l'enfant, plutôt que la qualité observée des interactions en classe. Comprend l'interaction émotionnelle, l'interaction verbale et l'interaction comportementale ; coefficient global de Cronbach’s alpha = 0,94.
Formulaire d'informations démographiques	Équipe de recherche, collaboration entre l'Université des arts et des sciences du Sichuan et l'Université de Daegu	Section personnalisée du questionnaire d'étude ; aucun numéro de catalogue commercial	Caractéristiques recueillies des participants incluant le sexe, le niveau d'éducation, la catégorie professionnelle, le lieu du stage, la durée du stage, le type de stage et le type de jardin d'enfants.
Information destinée au participant et modèle de consentement éclairé	Équipe de recherche ; approuvé par le Comité d'éthique de la recherche de l'Université de Daegu	Numéro d'approbation éthique : XXX ; document officiel d'approbation locale à vérifier	Utilisé avant la distribution du questionnaire pour expliquer l'objectif de l'étude et le contenu du sondage, ainsi que pour obtenir le consentement éclairé des participants, futurs enseignants de la petite enfance.
Pilote du questionnaire de l'enquête	Équipe de recherche et panel d'experts	Version pilote utilisée en juin 1er–5, 2024 ; aucun numéro de catalogue commercial	A testé de façon pilote la clarté et la pertinence de l'échelle des perceptions professionnelles, de l'échelle du soutien social, de l'échelle de l'auto-efficacité des enseignants, de l'échelle des interactions enseignant-enfant et des items démographiques auprès de 50 futurs enseignants en éducation de la petite enfance.
Procédure d'examen par un groupe d'experts	Équipe de recherche ; panel d'experts composé de deux professeurs d'éducation de la petite enfance, d'une directrice de maternelle, de trois superviseurs de stage et de l'équipe de recherche	Revue de contenu basée sur un consensus ; aucun numéro de modèle commercial	Utilisé pour réviser les items de l'échelle en ce qui concerne l'ambiguïté, l'opportunité, la clarté sémantique, l'adaptation au développement et la pertinence culturelle avant l'enquête formelle.
Formulaires imprimés de questionnaire sur site	Équipe de recherche ; fournitures pour enquête institutionnelle locale	Formulaires d'enquête sur papier ; aucun numéro de catalogue commercial	Utilisé pour la passation des questionnaires sur site. Dans l'échantillon final, 336 questionnaires sur site valides ont été obtenus avant combinaison avec les questionnaires en ligne.
WeChat	Tencent	Application mobile WeChat ; la version doit être vérifiée à partir de l'enregistrement de l'appareil ou de l'application utilisée en juin–juillet 2024	Utilisé comme canal de diffusion en ligne pour la passation de questionnaires ; 27 questionnaires complétés ont été recueillis par voie en ligne/via WeChat.
Procédure de recrutement par téléphone et en personne	Équipe de recherche	Procédure normalisée de recrutement ; aucun numéro de catalogue commercial	Utilisé pour contacter les institutions ou les participants, expliquer l'objectif de l'étude et le contenu du questionnaire, et appuyer le consentement éclairé avant la passation du questionnaire.
SPSS Statistics	IBM	Version 27.0	Utilisé pour les statistiques descriptives, les coefficients de corrélation de Pearson, Cronbach’analyse de fiabilité alpha de Cronbach, vérifications de la normalité à l'aide de l'asymétrie et de l'aplatissement, et Harman’un test à facteur unique pour le biais de méthode commune.
SPSS Amos	IBM	Version 26.0	Utilisé pour l'analyse factorielle confirmatoire, la modélisation par équations structurelles, les tests d'invariance de mesure multi-groupes, les tests de bootstrap des effets indirects et les comparaisons de modèles alternatifs.
Microsoft Excel	Microsoft	Microsoft 365 Excel ou version d'Excel installée localement ; vérifier la version exacte installée avant soumission	Recommandé/utilisé comme environnement de travail pour organiser les données codées issues du questionnaire, le dictionnaire de données, les tableaux supplémentaires et le tableau des matériaux de JoVE. La version locale exacte doit être vérifiée par les auteurs.
Critères des indices d'ajustement en modélisation par équations structurelles	Conseils méthodologiques publiés ; références de Schreiber et al. et de Kline citées dans le manuscrit	Aucun numéro de catalogue commercial ; critères appliqués dans le plan d'analyse statistique	Définit et présente les indices d'ajustement du modèle, notamment la statistique du khi-deux, le khi-deux divisé par les degrés de liberté, l'indice de Tucker-Lewis, l'indice de concordance comparative, l'indice ajusté de qualité d'ajustement, l'indice d'ajustement incrémentiel, l'erreur quadratique moyenne d'approximation et le résidu quadratique moyen standardisé.
Procédure de test de médiation par bootstrap	SPSS Amos / plan d'analyse statistique de l'équipe de recherche	5 000 échantillons de bootstrap ; intervalles de confiance corrigés du biais à 95 %	Utilisé pour tester les associations indirectes par l'intermédiaire de l'efficacité enseignante. Les effets indirects étaient considérés comme significatifs lorsque l'intervalle de confiance corrigé du biais à 95 % n'incluait pas zéro.
Procédure de test d'invariance de mesure	SPSS Amos / plan d'analyse statistique de l'équipe de recherche	Analyse factorielle confirmatoire à groupes multiples ΔCFI &< 0,010 et ΔRMSEA &< .015 critères	Utilisé pour évaluer l'invariance configurationnelle, métrique et scalaire selon le sexe, le type de programme, la durée du stage et l'établissement, avant l'interprétation des estimations combinées de la MEE.