{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:3322"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:3322","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Stratégies intelligentes de maintenance en production manufacturière dans le contexte de l’économie circulaire","abstract":"L’économie circulaire est devenue de nos jours une approche innovatrice pour la gestion des ressources naturelles. Cette approche est de plus en plus intégrée en milieu industriel car elle permet de satisfaire les exigences environnementales. Dans ce contexte, une maintenance intelligente pourra améliorer la performance des équipements de production. Ainsi dans ce mémoire notre but sera de proposer une stratégie de maintenance intelligente de type prédictive afin de déterminer l’état des composants dans les prochaines 24h. Le modèle prédictif obtenu fournira des probabilités de défaillances de ces composants. Plusieurs contextes manufacturiers seront considérés où nous aurons des composants disposés en série, en parallèle ou en série et parallèle. Pour chaque disposition nous chercherons à optimiser la production, l’inventaire et le plan de maintenance préventive tout en prenant en compte le recyclage lors d’une maintenance préventive. Les bénéfices réalisés sur chaque dispositif seront comparés entre eux afin de déterminer l’impact de la maintenance prédictive dans une entreprise manufacturière. Nous avons donc mis en place deux modèles dont le premier est un modèle de prédiction de défaillance et le second est un modèle d’optimisation. En ce qui concerne le modèle de prédiction, il utilise un pipeline constitué de données prétraitées et un modèle de classifieur utilisant quatre algorithmes que sont la LR (Logistic Regression) ou régression logistique, la RF (Random Forest) ou forêt aléatoire, l’AdaBoost (Adaptive Boosting) et le KNN (K Nearest Neighbors) ou les k plus proches voisins. Une analyse de la performance est établie afin de déterminer le meilleur modèle capable de classifier la défaillance d’un type de composant. Les résultats de ce premier modèle ont fourni les probabilités de défaillance de chaque composant. Ces probabilités ont été exploiter dans la construction du modèle d’optimisation. Une MIQP (Mixed-Integer Quadratic Programming) ou programmation quadratique en nombres entiers mixtes a été développée dans le modèle d’optimisation. La construction de ces modèles a nécessité plusieurs techniques et outils dont la collecte de données télémétriques, l’apprentissage automatique supervisé et l’utilisation du solveur de LINGO 19.0. Dans ce mémoire nous avons présenté en premier lieu le contexte de notre étude dans le chapitre 1, suivi d’une revue de la littérature traitée dans le chapitre 2. Les leviers de mise en place de la maintenance prédictive ont été abordés dans le chapitre 3. En ce qui concerne le modèle prédictif, il a été traité dans le chapitre 4, ensuite plusieurs configurations industrielles ont été défini et enfin un modèle d’optimisation a été présenté dans le chapitre 5 exploitant les résultats du modèle prédictif associé à l’économie circulaire.","abstract_html":"L’économie circulaire est devenue de nos jours une approche innovatrice pour la gestion des ressources naturelles. Cette approche est de plus en plus intégrée en milieu industriel car elle permet de satisfaire les exigences environnementales. Dans ce contexte, une maintenance intelligente pourra améliorer la performance des équipements de production. Ainsi dans ce mémoire notre but sera de proposer une stratégie de maintenance intelligente de type prédictive afin de déterminer l’état des composants dans les prochaines 24h. Le modèle prédictif obtenu fournira des probabilités de défaillances de ces composants. Plusieurs contextes manufacturiers seront considérés où nous aurons des composants disposés en série, en parallèle ou en série et parallèle. Pour chaque disposition nous chercherons à optimiser la production, l’inventaire et le plan de maintenance préventive tout en prenant en compte le recyclage lors d’une maintenance préventive. Les bénéfices réalisés sur chaque dispositif seront comparés entre eux afin de déterminer l’impact de la maintenance prédictive dans une entreprise manufacturière. Nous avons donc mis en place deux modèles dont le premier est un modèle de prédiction de défaillance et le second est un modèle d’optimisation. En ce qui concerne le modèle de prédiction, il utilise un pipeline constitué de données prétraitées et un modèle de classifieur utilisant quatre algorithmes que sont la LR (Logistic Regression) ou régression logistique, la RF (Random Forest) ou forêt aléatoire, l’AdaBoost (Adaptive Boosting) et le KNN (K Nearest Neighbors) ou les k plus proches voisins. Une analyse de la performance est établie afin de déterminer le meilleur modèle capable de classifier la défaillance d’un type de composant. Les résultats de ce premier modèle ont fourni les probabilités de défaillance de chaque composant. Ces probabilités ont été exploiter dans la construction du modèle d’optimisation. Une MIQP (Mixed-Integer Quadratic Programming) ou programmation quadratique en nombres entiers mixtes a été développée dans le modèle d’optimisation. La construction de ces modèles a nécessité plusieurs techniques et outils dont la collecte de données télémétriques, l’apprentissage automatique supervisé et l’utilisation du solveur de LINGO 19.0. Dans ce mémoire nous avons présenté en premier lieu le contexte de notre étude dans le chapitre 1, suivi d’une revue de la littérature traitée dans le chapitre 2. Les leviers de mise en place de la maintenance prédictive ont été abordés dans le chapitre 3. En ce qui concerne le modèle prédictif, il a été traité dans le chapitre 4, ensuite plusieurs configurations industrielles ont été défini et enfin un modèle d’optimisation a été présenté dans le chapitre 5 exploitant les résultats du modèle prédictif associé à l’économie circulaire.","abstract_has_math":false,"creators":["Diao, El hadji Oumar"],"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":"2023-09-05","date_published":"2023-09-05","updated_at":"2026-11-18T22:09:57Z","subjects":["planification de maintenance, maintenance intelligente, maintenance prédictive, apprentissage automatique, MIQP, économie circulaire"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3322"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE3322","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/3322/1/DIAO_Elhadji%20Oumar.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%3A3322","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Diao, El hadji Oumar"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023-09-05"]},{"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":["planification de maintenance, maintenance intelligente, maintenance prédictive, apprentissage automatique, MIQP, économie circulaire"]}]},{"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-HERE3322","https://espace.etsmtl.ca/id/eprint/3322/1/DIAO_Elhadji%20Oumar.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["L’économie circulaire est devenue de nos jours une approche innovatrice pour la gestion des ressources naturelles. Cette approche est de plus en plus intégrée en milieu industriel car elle permet de satisfaire les exigences environnementales. Dans ce contexte, une maintenance intelligente pourra améliorer la performance des équipements de production. Ainsi dans ce mémoire notre but sera de proposer une stratégie de maintenance intelligente de type prédictive afin de déterminer l’état des composants dans les prochaines 24h. Le modèle prédictif obtenu fournira des probabilités de défaillances de ces composants. Plusieurs contextes manufacturiers seront considérés où nous aurons des composants disposés en série, en parallèle ou en série et parallèle. Pour chaque disposition nous chercherons à optimiser la production, l’inventaire et le plan de maintenance préventive tout en prenant en compte le recyclage lors d’une maintenance préventive. Les bénéfices réalisés sur chaque dispositif seront comparés entre eux afin de déterminer l’impact de la maintenance prédictive dans une entreprise manufacturière. Nous avons donc mis en place deux modèles dont le premier est un modèle de prédiction de défaillance et le second est un modèle d’optimisation. En ce qui concerne le modèle de prédiction, il utilise un pipeline constitué de données prétraitées et un modèle de classifieur utilisant quatre algorithmes que sont la LR (Logistic Regression) ou régression logistique, la RF (Random Forest) ou forêt aléatoire, l’AdaBoost (Adaptive Boosting) et le KNN (K Nearest Neighbors) ou les k plus proches voisins. Une analyse de la performance est établie afin de déterminer le meilleur modèle capable de classifier la défaillance d’un type de composant. Les résultats de ce premier modèle ont fourni les probabilités de défaillance de chaque composant. Ces probabilités ont été exploiter dans la construction du modèle d’optimisation. Une MIQP (Mixed-Integer Quadratic Programming) ou programmation quadratique en nombres entiers mixtes a été développée dans le modèle d’optimisation. La construction de ces modèles a nécessité plusieurs techniques et outils dont la collecte de données télémétriques, l’apprentissage automatique supervisé et l’utilisation du solveur de LINGO 19.0. Dans ce mémoire nous avons présenté en premier lieu le contexte de notre étude dans le chapitre 1, suivi d’une revue de la littérature traitée dans le chapitre 2. Les leviers de mise en place de la maintenance prédictive ont été abordés dans le chapitre 3. En ce qui concerne le modèle prédictif, il a été traité dans le chapitre 4, ensuite plusieurs configurations industrielles ont été défini et enfin un modèle d’optimisation a été présenté dans le chapitre 5 exploitant les résultats du modèle prédictif associé à l’économie circulaire."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Stratégies intelligentes de maintenance en production manufacturière dans le contexte de l’économie circulaire"]}]}],"canonical_facts":{"dc:creator":["Diao, El hadji Oumar"],"dc:date":["2023-09-05"],"dc:description":["L’économie circulaire est devenue de nos jours une approche innovatrice pour la gestion des ressources naturelles. Cette approche est de plus en plus intégrée en milieu industriel car elle permet de satisfaire les exigences environnementales. Dans ce contexte, une maintenance intelligente pourra améliorer la performance des équipements de production. Ainsi dans ce mémoire notre but sera de proposer une stratégie de maintenance intelligente de type prédictive afin de déterminer l’état des composants dans les prochaines 24h. Le modèle prédictif obtenu fournira des probabilités de défaillances de ces composants. Plusieurs contextes manufacturiers seront considérés où nous aurons des composants disposés en série, en parallèle ou en série et parallèle. Pour chaque disposition nous chercherons à optimiser la production, l’inventaire et le plan de maintenance préventive tout en prenant en compte le recyclage lors d’une maintenance préventive. Les bénéfices réalisés sur chaque dispositif seront comparés entre eux afin de déterminer l’impact de la maintenance prédictive dans une entreprise manufacturière. Nous avons donc mis en place deux modèles dont le premier est un modèle de prédiction de défaillance et le second est un modèle d’optimisation. En ce qui concerne le modèle de prédiction, il utilise un pipeline constitué de données prétraitées et un modèle de classifieur utilisant quatre algorithmes que sont la LR (Logistic Regression) ou régression logistique, la RF (Random Forest) ou forêt aléatoire, l’AdaBoost (Adaptive Boosting) et le KNN (K Nearest Neighbors) ou les k plus proches voisins. Une analyse de la performance est établie afin de déterminer le meilleur modèle capable de classifier la défaillance d’un type de composant. Les résultats de ce premier modèle ont fourni les probabilités de défaillance de chaque composant. Ces probabilités ont été exploiter dans la construction du modèle d’optimisation. Une MIQP (Mixed-Integer Quadratic Programming) ou programmation quadratique en nombres entiers mixtes a été développée dans le modèle d’optimisation. La construction de ces modèles a nécessité plusieurs techniques et outils dont la collecte de données télémétriques, l’apprentissage automatique supervisé et l’utilisation du solveur de LINGO 19.0. Dans ce mémoire nous avons présenté en premier lieu le contexte de notre étude dans le chapitre 1, suivi d’une revue de la littérature traitée dans le chapitre 2. Les leviers de mise en place de la maintenance prédictive ont été abordés dans le chapitre 3. En ce qui concerne le modèle prédictif, il a été traité dans le chapitre 4, ensuite plusieurs configurations industrielles ont été défini et enfin un modèle d’optimisation a été présenté dans le chapitre 5 exploitant les résultats du modèle prédictif associé à l’économie circulaire."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE3322","https://espace.etsmtl.ca/id/eprint/3322/1/DIAO_Elhadji%20Oumar.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["planification de maintenance, maintenance intelligente, maintenance prédictive, apprentissage automatique, MIQP, économie circulaire"],"dc:title":["Stratégies intelligentes de maintenance en production manufacturière dans le contexte de l’économie circulaire"],"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":"2026-11-18T22:09:57Z"}