Maintenance prédictive pour une turbine de puissance en utilisant des algorithmes d’apprentissage machine
Notice bibliographique
Résumé
Aujourd’hui, des technologies telles que l'automatisation et l'apprentissage machine s'introduisent à plein régime au sein de plusieurs secteurs industriels. Cela permet aux entreprises de tirer un meilleur profit de leurs chaînes de production. L'un des plus grands atouts de cette avancée technologique est de permettre aux équipements de fonctionner plus longtemps sans l’apparition de panne. Ceci est une conséquence de la maintenance prédictive appliquée au système industriel et réalisée avec des systèmes d'analyse de données. \n \nLa maintenance prédictive consiste à prévoir les pannes des machines avant qu'elles ne surviennent et à éviter les pauses non programmées. L'une des principales techniques utilisées dans le cadre de la maintenance prédictive est l'extraction des données vibratoires des machines. Les informations extraites de ces données permettent d'identifier, de prévoir et de prévenir les pannes des machines rotatives. Dans ce contexte, ce mémoire propose une méthode de diagnostic et pronostic du défaut de déséquilibre d’une turbine de puissance à l’aide des techniques de l’intelligence artificielle et l’apprentissage machine en mettant en exergue leurs avantages par rapport aux anciennes techniques de diagnostic principalement l’analyse temporelle et l’analyse fréquentielle des signaux. \n \nCette étude de recherche a été réalisée en collaboration avec un partenaire industriel, Siemens Energy, qui est basé à Montréal. Elle a pour but d’améliorer et d’automatiser leur processus de maintenance quant à la détection de l’état de leurs machines. L’objectif de ce travail est donc de proposer une démarche de maintenance prédictive pour suivre et détecter en temps réel si la turbine de puissance est sujette d’un défaut de balourd ou elle est en état de fonctionnement normal à l’aide des techniques de l’intelligence artificielle. Pour cela, une étude comparative de différentes approches analytiques et de plusieurs algorithmes d’apprentissage machine tel que le SVM (Support Vector Machine), le RF (Random Forest) et le KNN (K Nearst Neighbors), a été réalisée afin de choisir l’approche la plus efficiente en ce qui concerne la détection du défaut.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».