Documents disponibles écrits par cet auteur

Contribution à la fiabilité des équipements par biais d’apprentissage automatique / Adil GOUDZI

Public ISBD Titre : Contribution à la fiabilité des équipements par biais d’apprentissage automatique Type de document : projet fin études Auteurs : Adil GOUDZI, Auteur Langues : Français (fre) Catégories : e-Logistique Mots-clés : Machine Learning, Classification, Diagnostic, prevision, SVM, KDA, KNN, HMM Index. décimale : 1980/18 Résumé : Les machines tournantes sont les éléments critiques de la chaine logistique à l’office chérifien des phosphates, leurs défauts peuvent causer une destruction du processus industriel. Le présent projet, étudie le diagnostic, la classification, et la prévision des défaillances par extraction et analyse des données de vibrations de ces équipements afin d’introduire la présence d’un tel défaut pour optimiser son coût de maintenance. Durant ce stage, nous étudions, comparons la performance des algorithmes du machine Learning, à savoir : SVM, KDA, KNN, HMM, …Tout en créant et développant une base de données de référence, qui contient la dégradation du niveau de défauts, autrement, de l’état sain à l’état critique, pour après trouver et/ou prédire le taux de défaillance de l’équipement. Nous étions aussi amenés à tester le fonctionnement du système développé sur l’ensemble des équipements locaux aux seins du PORT OCP CASABLANCA. Contribution à la fiabilité des équipements par biais d’apprentissage automatique [projet fin études] / Adil GOUDZI, Auteur . - [s.d.]. Langues : Français (fre) Catégories : e-Logistique Mots-clés : Machine Learning, Classification, Diagnostic, prevision, SVM, KDA, KNN, HMM Index. décimale : 1980/18 Résumé : Les machines tournantes sont les éléments critiques de la chaine logistique à l’office chérifien des phosphates, leurs défauts peuvent causer une destruction du processus industriel. Le présent projet, étudie le diagnostic, la classification, et la prévision des défaillances par extraction et analyse des données de vibrations de ces équipements afin d’introduire la présence d’un tel défaut pour optimiser son coût de maintenance. Durant ce stage, nous étudions, comparons la performance des algorithmes du machine Learning, à savoir : SVM, KDA, KNN, HMM, …Tout en créant et développant une base de données de référence, qui contient la dégradation du niveau de défauts, autrement, de l’état sain à l’état critique, pour après trouver et/ou prédire le taux de défaillance de l’équipement. Nous étions aussi amenés à tester le fonctionnement du système développé sur l’ensemble des équipements locaux aux seins du PORT OCP CASABLANCA.

Réservation

Réserver ce document

Exemplaires

Code barre	Cote	Support	Localisation	Section	Disponibilité
1980/18	1980/18 ADI	Texte imprimé	unité des PFE	PFE/2018	Disponible