Repository logo
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
Repository logo
  • Communities & Collections
  • All of DSpace
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "DRISS Imen (Co-Encadrant)"

Now showing 1 - 1 of 1
Results Per Page
Sort Options
  • Loading...
    Thumbnail Image
    Item
    ANALYSE COMPARATIVE DES APPROCHES D’INTELLIGENCE ARTIFICIELLE POUR L’OPTIMISATION DES PROCESSUS DE MAINTENANCE INDUSTRIELLE
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA, 2024) BOUAZIZ Mohamed Lamine; SAADI Daya El Hak; BOUACHA Ismail (Encadrant); DRISS Imen (Co-Encadrant)
    Dans ce projet, nous avons effectué une étude comparative qui explore l’intersection de l’IA, des systèmes de gestion de la maintenance informatisée (GMAO), et la maintenance prédictive, un domaine de recherche essentiel qui cherche à optimiser la gestion des actifs et à réduire les temps d’arrêt, les systèmes de GMAO traditionnels ne s’adaptent souvent pas aux environnements dynamiques et prédisent les pannes de manière proactive, les techniques d’IA, y compris les algorithmes bio-inspirés, le ML, et DL, offrent des solutions prometteuses. Pourtant, les praticiens manquent de directives claires sur l’approche à adopter pour la maintenance prédictive. En comparant ces méthodes d’IA, nous cherchons à identifier l’approche la plus efficace pour améliorer les capacités de GMAO. Cette recherche comble le fossé entre la théorie et la mise en oeuvre pratique, en fournissant des informations exploitables pour les professionnels de la maintenance.

DSpace software copyright © 2002-2026 LYRASIS

  • Installed by BOUGHABA Mohamed Yassine