1. A propos du cours
- Auteur : Islem Ramoul
- Type : Mémoire de maîtrise en génie industriel — Université du Québec à Trois-Rivières (UQTR), 2023
- Langue : Français
- Licence : Dépôt institutionnel — Usage académique (Université du Québec à Trois-Rivières)
2. Courte description du cours
Mémoire portant sur l’application de l’intelligence artificielle et de la maintenance prédictive à la gestion des systèmes industriels. Il explore l’optimisation de la performance et la détection précoce des anomalies à l’aide de modèles d’apprentissage automatique.
2. Longue description du cours
Le mémoire de Islem Ramoul, présenté à l’Université du Québec à Trois-Rivières (UQTR), s’inscrit dans la continuité des travaux de recherche sur l’intelligence artificielle appliquée à l’industrie 4.0. Il aborde la conception d’un système intelligent capable de superviser, d’analyser et d’optimiser les processus industriels complexes grâce à l’intégration de techniques de machine learning et de maintenance prédictive.
L’auteur commence par une étude approfondie du contexte industriel moderne, où la connectivité et l’automatisation exigent une surveillance continue des équipements. Le document présente les défis liés à la fiabilité des machines, à la gestion du cycle de vie des composants, et aux coûts élevés des interruptions de service non planifiées.
Une première partie du mémoire est consacrée à la revue de la littérature sur les systèmes de maintenance industrielle et sur les algorithmes d’intelligence artificielle pertinents (réseaux de neurones, forêts aléatoires, régression logistique, etc.). L’auteur y met en avant les limites des approches traditionnelles et la nécessité d’exploiter les données en temps réel issues des capteurs IoT (Internet des Objets).
La deuxième partie décrit la méthodologie de conception du système : collecte des données de capteurs, filtrage des signaux, traitement statistique et extraction de caractéristiques. Les modèles d’apprentissage supervisé et non supervisé sont ensuite entraînés à partir d’historiques d’événements de pannes, afin d’anticiper les défaillances avant qu’elles ne surviennent.
Une attention particulière est accordée à l’évaluation des modèles par des indicateurs de performance tels que la précision, le rappel, la spécificité et la valeur F1. L’auteur démontre que l’utilisation combinée de plusieurs algorithmes (approche d’ensemble) améliore significativement la robustesse du système face aux bruits et aux variations opérationnelles.
Le mémoire inclut aussi le développement d’une interface de visualisation permettant aux opérateurs d’interpréter les alertes de maintenance, de consulter l’état des équipements, et de planifier les interventions. Ce module est réalisé à l’aide d’un framework web moderne (Python Flask / React.js) et d’une base de données relationnelle pour le stockage des logs.
Dans la partie expérimentale, le système est testé sur un jeu de données réelles issues d’un atelier industriel. Les résultats montrent une amélioration de plus de 30 % du temps moyen entre pannes (MTBF) grâce à la prédiction proactive des anomalies. L’auteur insiste sur l’impact économique et environnemental positif de la maintenance prédictive, notamment la réduction du gaspillage énergétique et la prolongation de la durée de vie des équipements.
Enfin, la conclusion ouvre la voie à des perspectives d’évolution vers des systèmes d’apprentissage autonome (self-learning systems) intégrant des modèles de réseaux de neurones profonds (Deep Learning) et l’analyse prescriptive pour recommander des actions de maintenance optimales. Le mémoire souligne ainsi la contribution de l’IA à la transformation numérique et durable du secteur industriel québécois.
3. Aperçu du document
Voir ou télécharger le document sur le site d’origine
Ce document est hébergé par une source externe (Université du Québec à Trois-Rivières - UQTR). Nous ne revendiquons aucun droit sur son contenu. Pour toute demande de retrait, veuillez contacter l’auteur ou l’hébergeur officiel.
