AI-Driven Predictive Maintenance: Detecting Defective Bearings in Rotating Machines
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Ecole Nationale Superieure de Technologie et d'Ingénierie-Annaba
Abstract
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.