Contribution à la détection des défauts pour la maintenance prévisionnelle d'un compresseur centrifuge en utilisant les techniques du Machine Learning

Abstract

À cause des conditions opérationnelles et environnementales, le processus de production dans les entreprises est très sensible à la détérioration et aux défaillances. Par conséquent, il est impératif de définir la bonne stratégie de maintenance pour minimiser les temps d’arrêt dus à des pannes inattendues et ainsi minimiser les coûts de maintenance très élevés. Plus récemment, la maintenance prévisionnelle s’appuie sur les développements dans les domaines de la science des données et de l’apprentissage automatique pour surmonter plusieurs limites de la maintenance traditionnelle. Le but de ce projet est d’exploiter une énorme quantité de données relatives au comportement d’un compresseur centrifuge simulé au sein du complexe GL3Z qui fait partie de l’entreprise SONATRACH afin d’entraîner des modèles capables de prédire l’état de fonctionnement futur de ce système. Ainsi, nous avons créé des modèles prédictifs pour estimer la durée de vie restante des composants de ce système, trouver quels défauts ou panne tomberont dans une période donnée, ainsi pour prédire la période pendant laquelle le système tombera en panne. Afin d’établir un plan de maintenance prévisionnelle pour l’année suivante.