Sélection d'un Algorithme de Deep Learning Approprié pour la Maintenance Prédictive

Abstract

Actuellement, la recherche accorde un intérêt croissant à l’utilisation du Deep Learning (DL), une branche du Machine Learning (ML) et de l’Intelligence Artificielle (IA), dans le domaine de l’Internet industriel des objets. La Maintenance Prédictive (PdM), qui consiste à prédire les pannes des équipements industriels avant qu’elles ne se produisent, est également un sujet très populaire, principalement en raison de son potentiel d’économies. Les techniques DL offrent des avantages significatifs dans les applications de PdM. Cependant, étant donné la variété d’algorithmes DL disponibles, chacun ayant ses propres caractéristiques distinctes, il n’est pas facile de choisir le meilleur algorithme DL pour la PdM.Ce travail a pour objectif d’améliorer les performances de la PdM en sélectionnant les algorithmes DL les plus appropriés. Pour ce faire, une étude comparative basée sur plusieurs critères a été réalisée, qui a abouti à la sélection de trois algorithmes. Ces algorithmes ont été implémentés avec des données réelles et simulées afin d’identifier celui qui convient le mieux à la PdM.