Mémoires MASTER (GI)

Permanent URI for this collection

http://172.16.16.5:4000/handle/123456789/216

Browse

Browsing Mémoires MASTER (GI) by Subject "Analyse vibratoire"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    INTEGRATION DE L'ANALYSE VIBRATOIRE DANS LES SYSTEMES DE SURVEILLANCE EN TEMPS REEL : DEVELOPPEMENT, APPLICATION ET PERSPECTIVESEncadré
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA, 2024) LERRAIDJI Charaf Eddine; AYAD Amar (Encadrant)
    Ce mémoire présente une revue bibliographique exhaustive qui explore l'utilisation de l'analyse vibratoire dans la surveillance en temps réel des systèmes mécaniques. L'analyse vibratoire est devenue une technologie incontournable dans la politique maintenance. Son intégration dans ces systèmes permet une détection précoce des défaillances, une maintenance prédictive et une optimisation des performances globales. Les progrès technologiques, notamment des capteurs plus petits, plus précis et moins chers, permettent de capturer des données vibratoires avec une résolution accrue. Des algorithmes de traitement de signal avancés, permettent d'extraire des informations significatives des données vibratoires, même en présence de bruit et de variabilité. De plus, l'apprentissage automatique et les réseaux neuronaux permettent de développer des modèles prédictifs plus précis et plus robustes. La collecte, le stockage et l'analyse des données vibratoires sont simplifiés grâce au cloud computing et aux technologies IoT.
  • Thumbnail Image
    Item
    UTILISATION DE L'INTELLIGENCE ARTIFICIELLE ET L'APPRENTISSAGE AUTOMATIQUE POUR L'ANALYSE VIBRATOIRE DANS LE CONTEXTE INDUSTRIEL : DEVELOPPEMENT, APPLICATIONS ET PERSPECTIVESEncadré
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA, 2024) RABIDI Ayoub; AYAD Amar (Encadrant)
    Ce mémoire présente une revue bibliographique exhaustive qui explore l'utilisation de l'IA et du machine learning pour améliorer la maintenance prédictive dans l'industrie. La maintenance prédictive basée sur l'analyse vibratoire est cruciale pour réduire les temps d'arrêt et accroître la fiabilité des équipements. L'objectif est d'identifier les techniques d'IA et de machine learning les plus adaptées pour la surveillance des machines et la prédiction des défaillances. Le projet vise à étudier l'application efficace de ces technologies aux données vibratoires afin d'améliorer les pratiques de maintenance prédictive, en s'appuyant sur l'état de l'art et l'évaluation des modèles développés.