Predictive Maintenance Using Machine Learning

Résumé: Ces dernières années, le Deep Learning a attiré une attention croissante, d’où son application dans la maintenance prédictive. Il s’agit d’un domaine de recherche en évolution qui a le potentiel d’influencer divers domaines d’application et, par conséquent, son utilisation pour les applications de gestion de la santé des systèmes et équipements complexes et couteux doit être mis à profit. Cette thèse présente une revue systématique de la gestion de la santé du système basée sur l’intelligence artificielle (IA) en mettant l’accent sur les tendances récentes de l’apprentissage profond (DL) dans le domaine: différents types de modèles d’apprentissage automatique (ML) qui peuvent être utilisés pour prédire la défaillance d’une machine .Au début, la revue des publications précédentes est effectué, puis différents modèles (LSTM, GRU et SRN) sont utilisés sur l’ensemble de données NASA Turbofan afin de déterminer le meilleur modèle, les versions CuDNN (CuDNNLSTM, CuDNNGRU) sont également appliquées et le temps d’exécution est comparé aux temps de base (LSTM, GRU). Le CuDNNGRU s’avère être la meilleure méthode en raison de son temps d’exécution (30,6 s) et de sa exactitude compétitive (0,9827) et de sa précision (0,9452).

Publié dans la revue: