Des informations générales:

Master

Le niveau
Détection des pannes d’un système mécanique par apprentissage automatique

Titre
Maintenance Industrielle

SPECIALITE

Page de garde:

Détection des pannes d'un système mécanique par apprentissage automatique

Sommaire:

Introduction générale Chapitre I: Généralités sur la maintenance industrielle I.1 Introduction I.2 Concepts et terminologies I.2.1 Défaut I.2.2 Dégradation I.2.3 Défaillance 1.2.4 La panne 1.3 Maintenance industrielle 1.3.1 Définition de maintenance 1.3.2 Rôle et l’importance de maintenance dans une entreprise 1.3.3 Objective de maintenance I.3.4 La politique de maintenance 1.3.5. Les type de maintenance 1.3.5.1. Maintenance préventive I.3.5.2 La maintenance corrective 1.3.5.3 La maintenance améliorative I.3.6 Opération de maintenance 1.3.6.1 Opération de maintenance préventive I.3.6.2 Opération de maintenance corrective 1.3.7 Niveau de maintenance 1.3.8 Les fonctions de maintenance 1.3.8.1 La fonction méthode I.3.8.2 La fonction ordonnancement 1.3.8.3 La fonction réalisation 1.3.9 La sureté de fonctionnement 1.3.9.1 La fiabilité 1.3.9.2 La maintenabilité 1.3.9.3 La disponibilité 1.3.10 Etude AMDEC I.3.10.1 Objectif de l’AMEC 1.3.10.2 Les concepts de l’AMDEC 1.3.10.3 Différents types d’AMDEC 1.3.11. Diagramme de Pareto 1.4 La détection 1.5 Diagnostic industriel I.5.1 Définition Diagnostic 1.5.2 L’objectif du diagnostic 1.5.3 Les étapes des diagnostiques I.5.4 Les méthodes de diagnostic 1.5.4.1 Mode de raisonnement I.5.4.2 Les différentes méthodes 1.6 Conclusion Chapitre II: Modélisation par apprentissage automatique II-1. Introduction II.2 Intelligence artificielle II.3 Apprentissage automatique II.3.1 Définition II.3.2 Type d’apprentissage automatique II.3.2.1 L’apprentissage supervisé II.3.2.2 L’apprentissage non-supervisé II.3.2.3 Apprentissage par renforcement II.4 L’apprentissage profond << Depp Learning II.5 les méthodes d'apprentissage supervisé II.5.1 Naïve Bayes II.5.2. Machines à Vecteurs Supports (SVM) II.5.2.1. Principe de SVM II.5.2.2. Notions de base II.5.2.3. Propriétés fondamentales II.5.2.4. Classificateur linéaire séparable II.5.2.5. Classificateur non linéaire séparable II.5.3 Les résaeux de neurones II.5.3.1. Les neurones artificiels II.5.3.2. réseaux de neurones biologiques II.5.3.3. Fonctionnement des neurones artificiels II.5.3.4. Modèle mathématique d'un neurone formel II.5.3.5. Types de modèles de neurones II.5.3.6. Le perceptron II.5.3.7. Architecture d'un réseau de neurones artificiel II.6 Conclusion Chapitre III: Etude de cas: Boite de vitesse III.1 Introduction III.2 La boite de vitesses III.3 Le fonctionnement de la boite de vitesse III.4 Plateforme <<< Kaggle III.5 KNIME Analytics Platform III.5.1 Les caractéristiques clés de KNIME III.5.2 Les mesure de performances utilisées III.6 Description du DataSet utilisé III.6.1 DataSet pour le premier cas III.6.1.1 Apprentissage par le Réseau Bayésien III.6.1.2 Apprentissage par Machines à Vecteurs Supports (SVM) III.6.1.3 Apprentissage par Réseau de Neurone III.6.2 DataSet pour le deuxième cas III.6.2.1 Apprentissage par réseau bayésien III.6.2.2 Apprentissage par SVM III.6.2.3 Apprentissage par réseau de neurone III.6.2.4 Comparaison entre les deux DataSets III.7 Conclusion Conclusion Générale Bibliographie

Télécharger:


 

Pour plus de sources et références universitaires (mémoires, thèses et articles ), consultez notre site principal.