Résumé

Résumé
Le diagnostic et la prédiction des défauts sont des tâches essentielles dans les systèmes industriels afin de garantir un fonctionnement sûr et fiable. Dans la littérature, il existe plusieurs techniques peuvent et doivent être utilisées pour la prédiction et le diagnostic des défauts dans les différents systèmes industriels, par exemple l\'Arbre de défaillance, les réseaux de neurones artificiel, L\'apprentissage profond, le traitement de signal..., etc. Ces techniques présentent également des limites. L\'un des principaux défis est la disponibilité et la qualité des données, qui peuvent avoir un impact significatif sur la précision des techniques de diagnostic et de prédiction des défauts. En outre, la complexité et la taille des systèmes industriels peuvent poser des problèmes de calcul importants, nécessitant le développement d\'algorithmes et de techniques de calcul efficaces. Dans cette thèse, La méthode proposée c\'est l\'utilisation de réseaux Bayésiens avec la technique de fusion d\'informations multi-sources pour constituer une approche de diagnostic et de prédiction des défauts. La combinaison du réseau Bayésien et de la fusion d\'informations multi-sources permet de développer un système complet de diagnostic et de prédiction des défauts. Cette approche peut prendre en compte différents facteurs tels que les données des capteurs, les conditions opérationnelles et les données historiques pour générer des prédictions précises et fiables. En outre, cette approche peut être utilisée pour identifier les défauts potentiels avant qu\'elles ne se produisent, ce qui permet une maintenance proactive et une réduction des temps d\'arrêt et de facilité la prise de décision. Les résultats de l’étude de cas industriel montrent que l\'utilisation de réseaux Bayésiens et de techniques de fusion d\'informations multi-sources pour le diagnostic et la prédiction des défauts dans les systèmes industriels peut améliorer la fiabilité et l\'efficacité.
Mots clés : Diagnostic, Prédiction des défauts, Système industriels, Réseau Bayésien, Fusion de l’information multi-source

Information

Item Type:	Thesis
Divisions:	» Laboratoire de Gestion, Maintenance et Réhabilitation Des Equipements et des Infrastructures Urbaines » Faculté des Sciences et de la Technologie
ePrint ID:	4470
Date Deposited:	2023-10-12
Further Information:	Google Scholar
URI:	https://www.univ-soukahras.dz/fr/publication/article/4470

BibTex