Browsing by Author "KARABADJI Nour El Islem (Encadrant)"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    AI-Driven Predictive Maintenance: Detecting Defective Bearings in Rotating Machines
    (Ecole Nationale Superieure de Technologie et d'Ingénierie-Annaba, 2024) BELAID Houssem Eddine; OSMANI Soheib Abdeslam; KARABADJI Nour El Islem (Encadrant)
    Ce mémoire aborde le défi critique de la détection des roulements défectueux dans les machines tournantes industrielles pour éviter les temps d’arrêt et les réparations coûteuses. Le processus de diagnostic commence par la collecte des signaux de vibration des roulements normaux et défectueux. Ces signaux sont analysés pour extraire des caractéristiques essentielles telles que le carré moyen de racine (RMS), le kurtosis, l’asymétrie et les caractéristiques du domaine de fréquence, qui forment collectivement un ensemble de données complet. Pour analyser cet ensemble de données, une variété d’algorithmes d’apprentissage automatique sont utilisés : des arbres de décision pour leur interprétabilité, des forêts aléatoires pour améliorer la précision et atténuer le sur-ajustement, des machines vectorielles de soutien (SVM) pour la robustesse dans des espaces dimensionnels et des réseaux de neurones pour leur capacité à capturer des motifs complexes dans les données. Ces algorithmes sont intégrés dans une application Python unifiée qui rationalise les phases de formation et de test, avec une interface intuitive pour la saisie de données et la visualisation des résultats de classification. Les résultats expérimentaux démontrent des avancées significatives facilitées par les techniques d’IA dans l’analyse de grands volumes de données. Plus précisément, les algorithmes identifient et classent efficacement les roulements défectueux avec une grande précision et des prévisions fiables. Cette capacité améliore non seulement la vitesse et la précision de la détection des défauts, mais fournit également une solution évolutive applicable à diverses applications industrielles. En conclusion, ce mémoire souligne le potentiel transformateur de l’apprentissage automatique et de l’intelligence artificielle dans la maintenance industrielle. L’application Python développée, utilisant plusieurs algorithmes d’apprentissage automatique, sert d’outil robuste pour la détection précoce des roulements défectueux, améliorant ainsi considérablement la fiabilité et l’efficacité globales dans les opérations industrielles.
  • Thumbnail Image
    Item
    Étude comparative des techniques de résolution d'ordonnancement Job-Shop
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA - (Ex ESTI), 2023) HEMISSI Abdelghafour; BENLEMBAREK Abdelbasset; KARABADJI Nour El Islem (Encadrant)
    Le problème d’ordonnancement Job-Shop (JSP) est un défi majeur dans le domaine de la gestion de la production. Il implique la planification efficace de l’ordre d’exécution des opérations sur différentes machines pour minimiser le temps total de production. Cependant, le JSP présente plusieurs contraintes complexes telles que les dépendances entre les tâches, les ressources limitées et les temps de configuration. Par conséquent, il est nécessaire d’explorer différentes méthodes de résolution pour trouver des solutions optimales ou proches de l’optimum. Ce projet de fin d’études se concentre sur l’utilisation des méthodes de résolution des problèmes d’ordonnancement de type Job-Shop et vise à démontrer leurs efficacités. Différentes approches sont étudiées, y compris les approches exactes telles que la programmation par contraintes, les méthodes heuristiques et les méta-heuristiques, telles que la recherche tabou, les algorithmes génétiques, les colonies de fourmis et l’optimisation par essaim de particules. Les résultats ont démontré que les performances des différentes méthodes de résolution dépendent de la taille du problème. Les approches exactes sont plus adaptées pour des problèmes de petite à moyenne taille, où elles peuvent fournir des solutions optimales, mais elles sont confrontées à des limitations en termes d’évolutivité. En revanche, les méthodes heuristiques et méta-heuristiques sont plus appropriées pour des problèmes de grande taille, car elles offrent des solutions rapides, même si elles peuvent être légèrement sous-optimales.