• Département Génie Industriel (GI)

Permanent URI for this community

http://172.16.16.5:4000/handle/123456789/93

Browse

Browsing • Département Génie Industriel (GI) by Author "BELAID Houssem Eddine"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    AI-Driven Predictive Maintenance: Detecting Defective Bearings in Rotating Machines
    (Ecole Nationale Superieure de Technologie et d'Ingénierie-Annaba, 2024) BELAID Houssem Eddine; OSMANI Soheib Abdeslam; KARABADJI Nour El Islem (Encadrant)
    Ce mémoire aborde le défi critique de la détection des roulements défectueux dans les machines tournantes industrielles pour éviter les temps d’arrêt et les réparations coûteuses. Le processus de diagnostic commence par la collecte des signaux de vibration des roulements normaux et défectueux. Ces signaux sont analysés pour extraire des caractéristiques essentielles telles que le carré moyen de racine (RMS), le kurtosis, l’asymétrie et les caractéristiques du domaine de fréquence, qui forment collectivement un ensemble de données complet. Pour analyser cet ensemble de données, une variété d’algorithmes d’apprentissage automatique sont utilisés : des arbres de décision pour leur interprétabilité, des forêts aléatoires pour améliorer la précision et atténuer le sur-ajustement, des machines vectorielles de soutien (SVM) pour la robustesse dans des espaces dimensionnels et des réseaux de neurones pour leur capacité à capturer des motifs complexes dans les données. Ces algorithmes sont intégrés dans une application Python unifiée qui rationalise les phases de formation et de test, avec une interface intuitive pour la saisie de données et la visualisation des résultats de classification. Les résultats expérimentaux démontrent des avancées significatives facilitées par les techniques d’IA dans l’analyse de grands volumes de données. Plus précisément, les algorithmes identifient et classent efficacement les roulements défectueux avec une grande précision et des prévisions fiables. Cette capacité améliore non seulement la vitesse et la précision de la détection des défauts, mais fournit également une solution évolutive applicable à diverses applications industrielles. En conclusion, ce mémoire souligne le potentiel transformateur de l’apprentissage automatique et de l’intelligence artificielle dans la maintenance industrielle. L’application Python développée, utilisant plusieurs algorithmes d’apprentissage automatique, sert d’outil robuste pour la détection précoce des roulements défectueux, améliorant ainsi considérablement la fiabilité et l’efficacité globales dans les opérations industrielles.
  • Thumbnail Image
    Item
    THE USE OF GENETIC ALGORITHMS IN JOB SHOP SCHEDULING PROBLEMS
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA, 2024) BELAID Houssem Eddine; OSMANI Soheib Abdeslam; LAKHDARI Abdelghani (Encadrant); KARABADJI Nour El Islem (Co-Encadrant)
    This dissertation investigates the optimization of job shop scheduling problems (JSSP) through the application of genetic algorithms (GAs). JSSP, a critical challenge in production management, involves sequencing jobs on machines to minimize the makespan, which is the total time required to complete all jobs. This research focuses on exploring various GA methodologies, including encoding schemes, selection strategies, and genetic operators. The study begins with an in-depth analysis of the theoretical aspects of GAs, emphasizing the internal mechanisms that enhance their efficiency and performance. Each GA method is evaluated for its effectiveness in addressing the complexities of JSSP, with a detailed examination of their strengths and limitations. Through theoretical frameworks and illustrative examples, the dissertation compares different GA approaches, highlighting their suitability for optimizing job shop processes. To provide practical insights, a simplified JSSP example is presented, and solved using multiple GA methods. The results are analyzed to determine the makespan and overall efficiency of each method. The findings indicate that hybrid GA approaches offer significant improvements in optimizing JSSP, achieving optimal or near-optimal solutions more consistently. This research underscores the value of GAs in complex scheduling environments, providing a foundation for further exploration and application of advanced optimization techniques in production management. The dissertation concludes with recommendations for future research directions and potential improvements in GA methodologies for JSSP.