Dans un environnement de big data, le diagnostic des pannes des systèmes industriels est essentiel pour réaliser une maintenance intelligente. Les méthodes existantes utilisent généralement l'apprentissage profond et la modélisation statistique pour extraire des caractéristiques d'information à partir des données, où la transmission de l'information implique des processus en cascade et d'interaction. Cependant, les travaux antérieurs modélisaient les cascades complexes d'information par la construction de connexions simples aux poids fixes, ce qui introduisait une grande incertitude dans les résultats du diagnostic. De plus, l'interprétabilité de ces modèles reste insuffisamment traitée. Pour surmonter ces limites, un cadre neuro-flou combinant des convolutions hypergraphiques a été proposé, capturant de manière exhaustive la représentation sémantique des cascades d'information via des règles floues. Plus précisément, un cadre de construction d'hypergraphe piloté par des règles floues a été conçu pour induire un comportement en cascade dynamique dérivé de différents sous-ensembles des caractéristiques d'entrée pour la fusion hypergraphique. Autrement dit, le module de poids flous ajuste dynamiquement les poids des connexions hypergraphiques afin de renforcer la propagation sémantique entre les nœuds interconnectés. Sur cette base, une nouvelle stratégie d'intégration hétérogène, appelée intégration mixte en couches multiples, a été proposée, atténuant efficacement la dispersion des connaissances à l'intérieur de la structure graphique. Pour valider la supériorité de la méthode proposée, une évaluation complète a été réalisée sur une plateforme industrielle. Les résultats expérimentaux montrent que la méthode atteint des performances à la pointe dans les tâches de diagnostic.

méthode neuro-floue profonde;systèmes industriels;moteur diesel;diagnostic des pannes;fusion de données;réseau de convolution hypergraphique