Please use this identifier to cite or link to this item: http://dspace.centre-univ-mila.dz/jspui/handle/123456789/1403
Full metadata record
DC FieldValueLanguage
dc.contributor.authorfeyrouz, meziane,hadhoud nourelhayet-
dc.date.accessioned2021-12-21T09:09:34Z-
dc.date.available2021-12-21T09:09:34Z-
dc.date.issued2021-09-
dc.identifier.citationInformatiqueen_US
dc.identifier.urihttp://dspace.centre-univ-mila.dz/jspui/handle/123456789/1403-
dc.descriptionWith the development of intelligent industry and in order to detect abnormal conditions of equipment as early as possible, before the machine needs to be replaced or repaired, and to avoid them, the remaining useful life (RUL) is estimated. It is at the heart of the field of PHM (Prognosis and health management) and conditional maintenance (CBM). High accuracy of RUL prediction helps ensure the reliability and safety of a component or system. It not only reduces the consumption of labor and materials, but also reduces the need for future maintenance. Several approaches have been developed to estimate RUL. Datadriven approaches use sensor data and operational data to estimate RUL. Nowadays, in this class of problems, different types of neural networks are used. In this work, we proposed a hybrid model, combining the convolutional AutoEncoder deep network characterized by its feature extraction capacity, with the LSTM Bidirectional deep Gru network. The latter is a type of the RNN neural network, known for its ability to manage the sequence dependency. Hyperparameter tuning is done in order to obtain an efficient model. Finally, a comparison with similar works is made and shows promising results. To assess the performance of the proposed model, an aircraft turbojet degradation simulation dataset provided by NASACMAPSS was used.en_US
dc.description.abstractAvec le développement de l’industrie intelligente et afin de détecter les conditions anormales des équipements le plus tôt possible, avant que la machine ne doive être remplacée ou réparée, et de les éviter, la durée de vie utile restante (RUL) est estimée. Elle est au coeur du domaine de PHM (Pronostic and health management) et la maintenance conditionnelle (CBM). Une haute précision de la prédiction de RUL permet de bien garantir la fiabilité et la sécurité d’un composant ou d’un système. Elle réduit non seulement la consommation de main-d’oeuvre et de matériaux, mais réduit également le besoin de maintenance future. Plusieurs approches ont été développées pour estimer RUL. Les approches basées sur les données utilisent des données de capteurs et des données opérationnelles pour estimer RUL. De nos jours, dans cette classe de problèmes, différents types de réseaux de neurones sont utilisés. Dans ce travail, nous avons proposé un modèle hybride, ombinant le réseau deep AutoEncoder convolutionnel caractérisé par sa capacité d’extraction des caractéristiques, avec le réseau deep Gru Bidirectionnel LSTM. Ce dernier est un type du réseau de neurones RNN, connu par sa capacité de gérer la dépendance de séquence. Un tuning d’hyperparamêtres est fait afin d’obtenir un modèle performant. Enfin, une comparaison avec les travaux similaires est faite et montre des résultats prometteurs. Pour évaluer les performances du modèle proposé, un jeu de données de simulation de égradationen_US
dc.language.isofren_US
dc.publisheruniversity center of abdalhafid boussouf - MILAen_US
dc.subjectMaintenance conditionnelle (CBM); Durée de vie restante utile (RUL) ; Le réseau deep Gru Bidirectionnel Long-Short Term Memory ; Le réseau deep Auto-Encoder Convolutionnel ; l’ensemble de données C-MAPSS.en_US
dc.subjectCondition-based maintenance (CBM); Remaining Useful Life (RUL), Gru Bidirectional, Long-Short Term Memory neural network (LSTM), Convolutional auto-encoder neural network(CAE), C-MAPSS dataset .en_US
dc.titleUne nouvelle approche à base de deep learning pour estimer la durée de vie utile pour la maintenance conditionnelleen_US
dc.typeThesisen_US
Appears in Collections:Computer science

Files in This Item:
File Description SizeFormat 
Une nouvelle approche à base de deep learning pour011.pdf3,47 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.