A partir de cette page vous pouvez :
Retourner au premier Ă©cran avec les Ă©tagĂšres virtuelles... |
RĂ©sultat de la recherche
1 résultat(s) recherche sur le mot-clé 'Machine Learning, Classification, Diagnostic, prevision, SVM, KDA, KNN, HMM'
Affiner la recherche Faire une suggestion
Contribution Ă la fiabilitĂ© des Ă©quipements par biais dâapprentissage automatique / Adil GOUDZI
Titre : Contribution Ă la fiabilitĂ© des Ă©quipements par biais dâapprentissage automatique Type de document : projet fin Ă©tudes Auteurs : Adil GOUDZI, Auteur Langues : Français (fre) CatĂ©gories : e-Logistique Mots-clĂ©s : Machine Learning, Classification, Diagnostic, prevision, SVM, KDA, KNN, HMM Index. dĂ©cimale : 1980/18 RĂ©sumĂ© : 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 Ă la fiabilitĂ© des Ă©quipements par biais dâapprentissage automatique [projet fin Ă©tudes] / Adil GOUDZI, Auteur . - [s.d.].
Langues : Français (fre)
CatĂ©gories : e-Logistique Mots-clĂ©s : Machine Learning, Classification, Diagnostic, prevision, SVM, KDA, KNN, HMM Index. dĂ©cimale : 1980/18 RĂ©sumĂ© : 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.
RĂ©servation
RĂ©server ce document
Exemplaires
Code barre Cote Support Localisation Section DisponibilitĂ© 1980/18 1980/18 ADI Texte imprimé unité des PFE PFE/2018 Disponible