{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:3215"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:3215","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Utilisation des dispositifs MEMS pour la maintenance intelligente des machines industrielles","abstract":"L'anticipation des défaillances et l’estimation de l’état de santé des composants sont deux missions essentielles de la maintenance prédictive. Ce mémoire fait l’objet d’une étude pour prédire un certain nombre de défauts en utilisant des signaux capturés sur des roulements par des capteurs accéléromètres MEMS. Ces composants des machines sont très utilisés dans le monde industriel, notamment dans les moteurs électriques. Avec la naissance de l'Internet industriel des objets d'Intelligence Artificielle, la collecte des signaux été grandement amélioré. L'utilisation des signaux enregistrés dans la prédiction des pannes et dans l’estimation de la durée de vie restante sont désormais un sujet de recherche brûlant dans le domaine de la maintenance industrielle. Ce projet se décompose en deux parties, une première partie de l’étude sera faite sur une base de données Open Source afin de bien tester les modèles pour la détection et la classification des anomalies, ainsi que pour prédire l’état de santé des roulements. Une deuxième partie est consacrée pour concevoir un banc de tests pour enregistrer des données de vibration de deux roulements par les deux MEMS accéléromètres Adxl335 et l’Adxl 1002Z afin d’évaluer ses performances dans contexte de maintenance prédictive. Nous sommes arrivés à prédire les défauts avant leurs apparitions en utilisant les signaux enregistrés par les deux accéléromètres avec un F-score maximal de 98.26% pour la classification des défauts par le modèle SVM, de plus une démarche méthodologique est adaptée à ce problème pour l’estimation de l’état de santé de ces composants.","abstract_html":"L&#x27;anticipation des défaillances et l’estimation de l’état de santé des composants sont deux missions essentielles de la maintenance prédictive. Ce mémoire fait l’objet d’une étude pour prédire un certain nombre de défauts en utilisant des signaux capturés sur des roulements par des capteurs accéléromètres MEMS. Ces composants des machines sont très utilisés dans le monde industriel, notamment dans les moteurs électriques. Avec la naissance de l&#x27;Internet industriel des objets d&#x27;Intelligence Artificielle, la collecte des signaux été grandement amélioré. L&#x27;utilisation des signaux enregistrés dans la prédiction des pannes et dans l’estimation de la durée de vie restante sont désormais un sujet de recherche brûlant dans le domaine de la maintenance industrielle. Ce projet se décompose en deux parties, une première partie de l’étude sera faite sur une base de données Open Source afin de bien tester les modèles pour la détection et la classification des anomalies, ainsi que pour prédire l’état de santé des roulements. Une deuxième partie est consacrée pour concevoir un banc de tests pour enregistrer des données de vibration de deux roulements par les deux MEMS accéléromètres Adxl335 et l’Adxl 1002Z afin d’évaluer ses performances dans contexte de maintenance prédictive. Nous sommes arrivés à prédire les défauts avant leurs apparitions en utilisant les signaux enregistrés par les deux accéléromètres avec un F-score maximal de 98.26% pour la classification des défauts par le modèle SVM, de plus une démarche méthodologique est adaptée à ce problème pour l’estimation de l’état de santé de ces composants.","abstract_has_math":false,"creators":["Jemli, Mohamed"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023-03-16","date_published":"2023-03-16","updated_at":"2026-11-18T22:09:45Z","subjects":["maintenance prédictive, MEMS accéléromètres, RUL, apprentissage machine, roulements, enregistrement des données"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3215"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE3215","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/3215/1/JEMLI_Mohamed.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A3215","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Jemli, Mohamed"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023-03-16"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["maintenance prédictive, MEMS accéléromètres, RUL, apprentissage machine, roulements, enregistrement des données"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3215","https://espace.etsmtl.ca/id/eprint/3215/1/JEMLI_Mohamed.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["L'anticipation des défaillances et l’estimation de l’état de santé des composants sont deux missions essentielles de la maintenance prédictive. Ce mémoire fait l’objet d’une étude pour prédire un certain nombre de défauts en utilisant des signaux capturés sur des roulements par des capteurs accéléromètres MEMS. Ces composants des machines sont très utilisés dans le monde industriel, notamment dans les moteurs électriques. Avec la naissance de l'Internet industriel des objets d'Intelligence Artificielle, la collecte des signaux été grandement amélioré. L'utilisation des signaux enregistrés dans la prédiction des pannes et dans l’estimation de la durée de vie restante sont désormais un sujet de recherche brûlant dans le domaine de la maintenance industrielle. Ce projet se décompose en deux parties, une première partie de l’étude sera faite sur une base de données Open Source afin de bien tester les modèles pour la détection et la classification des anomalies, ainsi que pour prédire l’état de santé des roulements. Une deuxième partie est consacrée pour concevoir un banc de tests pour enregistrer des données de vibration de deux roulements par les deux MEMS accéléromètres Adxl335 et l’Adxl 1002Z afin d’évaluer ses performances dans contexte de maintenance prédictive. Nous sommes arrivés à prédire les défauts avant leurs apparitions en utilisant les signaux enregistrés par les deux accéléromètres avec un F-score maximal de 98.26% pour la classification des défauts par le modèle SVM, de plus une démarche méthodologique est adaptée à ce problème pour l’estimation de l’état de santé de ces composants."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Utilisation des dispositifs MEMS pour la maintenance intelligente des machines industrielles"]}]}],"canonical_facts":{"dc:creator":["Jemli, Mohamed"],"dc:date":["2023-03-16"],"dc:description":["L'anticipation des défaillances et l’estimation de l’état de santé des composants sont deux missions essentielles de la maintenance prédictive. Ce mémoire fait l’objet d’une étude pour prédire un certain nombre de défauts en utilisant des signaux capturés sur des roulements par des capteurs accéléromètres MEMS. Ces composants des machines sont très utilisés dans le monde industriel, notamment dans les moteurs électriques. Avec la naissance de l'Internet industriel des objets d'Intelligence Artificielle, la collecte des signaux été grandement amélioré. L'utilisation des signaux enregistrés dans la prédiction des pannes et dans l’estimation de la durée de vie restante sont désormais un sujet de recherche brûlant dans le domaine de la maintenance industrielle. Ce projet se décompose en deux parties, une première partie de l’étude sera faite sur une base de données Open Source afin de bien tester les modèles pour la détection et la classification des anomalies, ainsi que pour prédire l’état de santé des roulements. Une deuxième partie est consacrée pour concevoir un banc de tests pour enregistrer des données de vibration de deux roulements par les deux MEMS accéléromètres Adxl335 et l’Adxl 1002Z afin d’évaluer ses performances dans contexte de maintenance prédictive. Nous sommes arrivés à prédire les défauts avant leurs apparitions en utilisant les signaux enregistrés par les deux accéléromètres avec un F-score maximal de 98.26% pour la classification des défauts par le modèle SVM, de plus une démarche méthodologique est adaptée à ce problème pour l’estimation de l’état de santé de ces composants."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE3215","https://espace.etsmtl.ca/id/eprint/3215/1/JEMLI_Mohamed.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["maintenance prédictive, MEMS accéléromètres, RUL, apprentissage machine, roulements, enregistrement des données"],"dc:title":["Utilisation des dispositifs MEMS pour la maintenance intelligente des machines industrielles"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:09:45Z"}