| Titre : | Développement d’une approche smart pour le PHM appliquée à l’industrie 4.0 |
| Auteurs : | HADIL HAMIDI, Auteur ; Okba Kazar, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2021 |
| Format : | 1 vol. (61 p.) / ill. / 29 cm |
| Langues: | Français |
| Mots-clés: | Industrie 4.0 , iot,Prognostics and Health Management (PHM), Durée de vie résiduelle (RUL), CNN, Intelligence artificielle,Mesures de performance. |
| Résumé : | Dans le domaine du Prognostics and Health Management (PHM), le pronostic est un processus permettant de se renseigner sur l’état de santé d’un système dans une usine 4.0 qui est basé spécialement à iot et d’estimer son temps résiduel avant la défaillance (RUL). Une bonne décision de maintenance passe forcément par une meille -ure estimation de ce dernier. Récemment, l’émergence de l’intelligence artificiel dans le domaine industriel et en particulier l’apprentissage profond(deep learning) Computing a fortement contribué à l’amélioration du processus de pronostic.Dans ce travail, nous proposons une nouvelle approche de pronostic basé sur le modèle CNN. Trois méthodes de pronostic guidé par les données ont été implémentées et testées sur des données phm08 (NASA). Enfin une évaluation de notre solution et les résultat obtenue. |
| Sommaire : |
1 General Introduction 1
1.1 General context . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 l’industrie 4.0 4 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.2 Définition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.3 Histoire de l’industrialisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4 L’Industrie 4.0 optimise la production . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.5 Les enjeux auxquels l’industrie 4.0 confronte les entreprises . . . . . . . . . . . . . . 6 2.5.1 L’augmentation de la compétitivité globale : . . . . . . . . . . . . . . . . . . . 6 2.5.2 La nécessaire transformation digitale de l’industrie : . . . . . . . . . . . . . . 6 2.5.3 La formation et la gestion du capital humain : . . . . . . . . . . . . . . . . . . 7 2.5.4 Les nouveaux risques digitaux : la cybersécurité dans l’industrie 4.0 : . . . . 7 2.6 La technologie 4.0 au service de l’industrie connectée . . . . . . . . . . . . . . . . . 7 2.6.1 Internet des objets ou IoT (Internet of Things) . . . . . . . . . . . . . . . . . 8 2.6.2 Big data, intelligence artificielle (IA) et machine learning . . . . . . . . . . . 8 2.6.3 Réalité augmentée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.6.4 Jumeaux numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.6.5 Chaînes de blocs ou blockchain . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.7 Comment fonctionne une usine 4.0? . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.7.1 L’usine est virtualisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.7.2 Les systèmes sont interopérables . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.7.3 Les décisions sont décentralisées . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.7.4 L’analyse et la prise de décision . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.7.5 Elle est orientée service . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.7.6 Elle est modulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.8 Comment la mettre en oeuvre? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.9 Les approches de base de l’industrie 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.10 Des exemples d’usine appliquées l’industrie 4.0 . . . . . . . . . . . . . . . . . . . . . 11 2.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 3 Prognostics and HealthManagement (PHM) et L’apprentissage profond 14 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.2 Prognostics and HealthManagement (PHM) . . . . . . . . . . . . . . . . . . . . . . . 14 3.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.2.2 l’historique de phm: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.2.3 l’architecture de phm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.2.4 Liens entre les modules de PHM . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3.2.5 Le rôle du pronostic dans le processus de durée de vie . . . . . . . . . . . . . 19 3.2.6 Formulation du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 3.2.7 Les approches de pronostic : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.2.8 Synthèse sur les approches de pronostic . . . . . . . . . . . . . . . . . . . . . 23 3.3 L’apprentissage profond (Deep learning) . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.3.1 Définition de l’apprentissage profond (deep learning) . . . . . . . . . . . . . 24 3.3.2 Apprentissage automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.3.3 Réseaux de neurones (RN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.3.4 Les réseaux de neurones récurrents (RNN ou Recurrent Neural Networks) . 29 3.3.5 la mémoire à long terme (LSTM) . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.3.6 Les réseaux de neurones convolutionnels (CNN ou Convolutional Neural Networks) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.3.7 Domaines d’applications de Deep Learning . . . . . . . . . . . . . . . . . . . 32 3.3.8 l’apprentissage profond dans phm . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4 la conception 35 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.2 L’architecture globale de système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.3 l’architecture détaillées du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.3.1 Base de donnée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.3.2 les capteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.3.3 deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 5 Développement détaillée du modèle 39 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 5.2 Environnements et outils de développement . . . . . . . . . . . . . . . . . . . . . . . 39 5.2.1 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 5.2.2 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 5.2.3 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 5.2.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5.2.5 Numpy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5.2.6 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.3 Travail effectué . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.3.1 Construction de la base d’apprentissage . . . . . . . . . . . . . . . . . . . . . 42 5.4 Évaluation empirique et résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.4.1 Les performances du CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.5 Evaluation empirique er résultat du modèle LSTM . . . . . . . . . . . . . . . . . . . 56 5.5.1 les performances du LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 6 Conclusion and Perspectives 58 6.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 6.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 References 60 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/653 | Mémoire master | bibliothèque sciences exactes | Consultable |
