Catalogue des ouvrages Université de Laghouat
A partir de cette page vous pouvez :
Détail de l'auteur
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche
| Titre : | Machine learning and predictive maintenance : vibration monitoring of rotating machinery | | Type de document : | document multimédia | | Auteurs : | Abdelkader Ziani, Auteur ; Larbi Dali, Auteur ; Karim Rayane, Directeur de thèse | | Editeur : | Laghouat : Université Amar Telidji - Département de génie des procédés | | Année de publication : | 2024 | | Importance : | 60 p. | | Accompagnement : | 1 disque optique numérique (CD-ROM) | | Note générale : | Industrial Maintenance
| | Langues : | Français | | Résumé : | La maintenance prédictive est devenue une approche précieuse pour réduire les temps d'arrêt imprévus et minimiser les coûts de maintenance dans les industries dépendantes des machines tournantes. En tirant parti des techniques avancées d’apprentissage automatique, il est possible d’exploiter la richesse des données vibratoires collectées sur ces actifs critiques pour prévoir leur état opérationnel futur. Dans ce projet, l'objectif était d'exploiter un vaste ensemble de données sur les vibrations des machines tournantes afin de former des modèles capables de prédire la durée de vie utile restante et les pannes imminentes de l'équipement. Pour y parvenir, nous avons utilisé deux puissants algorithmes d'apprentissage automatique : les machines à vecteurs de support (SVM) et les classificateurs de régression logistique. Le modèle SVM a été formé pour estimer la durée de vie restante des composants rotatifs, fournissant ainsi aux opérateurs un avertissement préalable en cas de panne imminente. En complément, le classificateur de régression logistique a été utilisé pour identifier les équipements susceptibles de tomber en panne dans un délai spécifié, permettant ainsi une planification de maintenance proactive. Ces modèles prédictifs ont été rigoureusement validés et ont démontré une grande précision dans la prévision de l'état opérationnel futur des machines tournantes, ouvrant la voie à des stratégies de maintenance basées sur les données et basées sur l'état qui optimisent les performances des actifs et minimisent les temps d'arrêt imprévus. | | note de thèses : | Mémoire de master en génie mécanique |
Machine learning and predictive maintenance : vibration monitoring of rotating machinery [document multimédia] / Abdelkader Ziani, Auteur ; Larbi Dali, Auteur ; Karim Rayane, Directeur de thèse . - Laghouat : Université Amar Telidji - Département de génie des procédés, 2024 . - 60 p. + 1 disque optique numérique (CD-ROM). Industrial Maintenance
Langues : Français | Résumé : | La maintenance prédictive est devenue une approche précieuse pour réduire les temps d'arrêt imprévus et minimiser les coûts de maintenance dans les industries dépendantes des machines tournantes. En tirant parti des techniques avancées d’apprentissage automatique, il est possible d’exploiter la richesse des données vibratoires collectées sur ces actifs critiques pour prévoir leur état opérationnel futur. Dans ce projet, l'objectif était d'exploiter un vaste ensemble de données sur les vibrations des machines tournantes afin de former des modèles capables de prédire la durée de vie utile restante et les pannes imminentes de l'équipement. Pour y parvenir, nous avons utilisé deux puissants algorithmes d'apprentissage automatique : les machines à vecteurs de support (SVM) et les classificateurs de régression logistique. Le modèle SVM a été formé pour estimer la durée de vie restante des composants rotatifs, fournissant ainsi aux opérateurs un avertissement préalable en cas de panne imminente. En complément, le classificateur de régression logistique a été utilisé pour identifier les équipements susceptibles de tomber en panne dans un délai spécifié, permettant ainsi une planification de maintenance proactive. Ces modèles prédictifs ont été rigoureusement validés et ont démontré une grande précision dans la prévision de l'état opérationnel futur des machines tournantes, ouvrant la voie à des stratégies de maintenance basées sur les données et basées sur l'état qui optimisent les performances des actifs et minimisent les temps d'arrêt imprévus. | | note de thèses : | Mémoire de master en génie mécanique |
|
