Documents disponibles écrits par cet auteur

Reconnaissance de défauts dans les machines tournantes par apprentissage machine / Youcef Atmani

Public ISBD Titre : Reconnaissance de défauts dans les machines tournantes par apprentissage machine : cas des roulements Type de document : texte imprimé Auteurs : Youcef Atmani, Auteur ; Saïd Rechak, Directeur de thèse Editeur : [S.l.] : [s.n.] Année de publication : 2020 Importance : 180 f., 1 fichier PDF (9.5 Mo) Présentation : ill. Format : 30 cm. Note générale : Mode d'accès : accès au texte intégral par intranet. Thèse de Doctorat : Génie Mécanique : Alger, École Nationale Polytechnique : 2020 Bibliogr. f. 165 - 177 .- Annexe f. 176 - 180 Langues : Français (fre) Mots-clés : Défauts  de  roulement  ;  Modèles  de  mélange  gaussiens  ;  Coefficients  cepstraux  de  fréquence  de  Mel  ;  Coefficients  de  prédiction  linéaire  ;  Extraction  d’attributs Index. décimale : D003120 Résumé : Le travail présenté étudie la reconnaissance des défauts de roulement basé sur une méthode d’apprentissage machine (Machine Learning), en l’occurrence les Modèles de Mélange Gaussien (GMM). Les descripteurs utilisés sont les coefficients de prédiction linéaire (LPC) d’une part, et les coefficients cepstraux des fréquences de Mel (MFCC), d’autre part. Tout au long de cette étude, un seul critère est défini pour l'évaluation des performances du processus de classification. Il s'agit du taux de classification moyen (ACR) obtenu à partir de la matrice de confusion. Dans chaque test effectué, les vecteurs d’attributs générés sont pris en compte pour distinguer quatre conditions de défaut à savoir, des roulements normaux, des roulements avec des défauts de course internes et externes et des défauts de bille. De nombreuses configurations ont été testées afin de déterminer les valeurs optimales des paramètres d'entrée (taille de trame d'analyse, ordre du modèle, etc.). L'application expérimentale est basée sur des signaux de vibration en provenance du centre de données de roulement de l’université américaine CWRU (Case Western Reserve University). Dans certaines conditions, les résultats obtenus dans cette étude affichent des performances de classification élevées, en bonne concordance avec ceux issus de la littérature. Reconnaissance de défauts dans les machines tournantes par apprentissage machine : cas des roulements [texte imprimé] / Youcef Atmani, Auteur ; Saïd Rechak, Directeur de thèse . - [S.l.] : [s.n.], 2020 . - 180 f., 1 fichier PDF (9.5 Mo) : ill. ; 30 cm. Mode d'accès : accès au texte intégral par intranet. Thèse de Doctorat : Génie Mécanique : Alger, École Nationale Polytechnique : 2020 Bibliogr. f. 165 - 177 .- Annexe f. 176 - 180 Langues : Français (fre) Mots-clés : Défauts  de  roulement  ;  Modèles  de  mélange  gaussiens  ;  Coefficients  cepstraux  de  fréquence  de  Mel  ;  Coefficients  de  prédiction  linéaire  ;  Extraction  d’attributs Index. décimale : D003120 Résumé : Le travail présenté étudie la reconnaissance des défauts de roulement basé sur une méthode d’apprentissage machine (Machine Learning), en l’occurrence les Modèles de Mélange Gaussien (GMM). Les descripteurs utilisés sont les coefficients de prédiction linéaire (LPC) d’une part, et les coefficients cepstraux des fréquences de Mel (MFCC), d’autre part. Tout au long de cette étude, un seul critère est défini pour l'évaluation des performances du processus de classification. Il s'agit du taux de classification moyen (ACR) obtenu à partir de la matrice de confusion. Dans chaque test effectué, les vecteurs d’attributs générés sont pris en compte pour distinguer quatre conditions de défaut à savoir, des roulements normaux, des roulements avec des défauts de course internes et externes et des défauts de bille. De nombreuses configurations ont été testées afin de déterminer les valeurs optimales des paramètres d'entrée (taille de trame d'analyse, ordre du modèle, etc.). L'application expérimentale est basée sur des signaux de vibration en provenance du centre de données de roulement de l’université américaine CWRU (Case Western Reserve University). Dans certaines conditions, les résultats obtenus dans cette étude affichent des performances de classification élevées, en bonne concordance avec ceux issus de la littérature.

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité	Spécialité	Etat_Exemplaire
T000320	D003120	Papier	Bibliothèque centrale	Thèse de Doctorat	Disponible	Genie_mecanique	Téléchargeable