Titre :	Machine Learning Et Maintenance Prédictive
Type de document :	document multimédia
Auteurs :	Samia Benzita, Auteur ; Karim Rayane, Directeur de thèse
Editeur :	Laghouat : Université Amar Telidji - Département de génie mécanique
Année de publication :	2023
Importance :	70p.
Accompagnement :	1 CD ROM Optique Némérique
Note générale :	Option: Maintenance industrielle
Langues :	Français
Mots-clés :	Maintenance prédictive, l'apprentissage automatique, Régression.
Résumé :	La maintenance prédictive est en effet devenue une approche précieuse pour réduire les temps d'arrêt non planifiés et minimiser les coûts de maintenance élevés dans diverses industries. En utilisant des techniques avancées telles que la science des données et l'apprentissage automatique (machine learning), il est possible d'exploiter les énormes quantités de données générées par les filtres a air pour véhicules roulants simulés pour prédire leur état de fonctionnement futur. Le but de ce projet est d’exploiter une énorme quantité de données relatives au comportement des filtres à air pour véhicules roulants simulés afin d’entraîner des modèles capables de prédire l’état de fonctionnement futur de ces filtres. Ainsi, nous avons créé des modèles prédictifs pour estimer la durée de vie restante d’un filtre, trouver quels filtres tomberont en panne dans une période donnée, ainsi pour prédire la période pendant laquelle un filtre tombera en panne. Ces modèles sont générés par quatre algorithmes Régression Linéaire, Random Forest, SVM, KNN.
note de thèses :	memoire de master Génie mécanique

Machine Learning Et Maintenance Prédictive [document multimédia] / Samia Benzita, Auteur ; Karim Rayane, Directeur de thèse . - Laghouat : Université Amar Telidji - Département de génie mécanique, 2023 . - 70p. + 1 CD ROM Optique Némérique.
Option: Maintenance industrielle
Langues : Français

Mots-clés :	Maintenance prédictive, l'apprentissage automatique, Régression.
Résumé :	La maintenance prédictive est en effet devenue une approche précieuse pour réduire les temps d'arrêt non planifiés et minimiser les coûts de maintenance élevés dans diverses industries. En utilisant des techniques avancées telles que la science des données et l'apprentissage automatique (machine learning), il est possible d'exploiter les énormes quantités de données générées par les filtres a air pour véhicules roulants simulés pour prédire leur état de fonctionnement futur. Le but de ce projet est d’exploiter une énorme quantité de données relatives au comportement des filtres à air pour véhicules roulants simulés afin d’entraîner des modèles capables de prédire l’état de fonctionnement futur de ces filtres. Ainsi, nous avons créé des modèles prédictifs pour estimer la durée de vie restante d’un filtre, trouver quels filtres tomberont en panne dans une période donnée, ainsi pour prédire la période pendant laquelle un filtre tombera en panne. Ces modèles sont générés par quatre algorithmes Régression Linéaire, Random Forest, SVM, KNN.
note de thèses :	memoire de master Génie mécanique