Université IBN TOFAIL

Ecole National des Sciences Appliquées de Kénitra

Filière : Génie Informatique

Projet de Fin d’Année

Sous thème

Développement d’un modèle de

maintenance prédictive des machines
stacker
Stage réalisé au sein de : OCP Ben Guerir

Réalisé Par :
Rifay Wassim

Encadré par :
Mr FAHMI Abderrahim Responsable OCP Ben Guerir
Mr LAAYATI Oussama Responsable GTI-UM6P
Promotion 2023
 Remerciements

Avant tout développement sur cette expérience professionnelle, je tiens également à

remercier notre clément Dieu, le tout puissant et miséricordieux, qui nous a donné la puissance,
l’intelligence et la patience d’accomplir ce modeste travail.

Je tiens tout d'abord à exprimer ma gratitude envers l'Université Ibn Tofail et mon
école, l'ENSA de Kénitra, pour m'avoir offert l'opportunité de réaliser mon stage projet de fin
d'année au sein de leur institution. Cette expérience a été enrichissante et m'a permis d'appliquer
concrètement les connaissances acquises au cours de ma formation académique.

Mes remerciements vont également au Groupe OCP pour m’avoir offert l'opportunité
de réaliser mon stage de fin d'années au sein de leur entreprise. Cette expérience fut inoubliable
et extrêmement enrichissante, tant sur le plan professionnel que personnel.

Je souhaite remercier chaleureusement tous ceux qui ont contribué à la réussite de ce

projet. Mes remerciements vont à l'ensemble des collaborateurs du Groupe OCP de Benguerir,
en particulier à M. FAHMI Abderrahim, notre chef d’atelier électronique, pour son soutien,
sa disponibilité et son partage de connaissances. Leur accompagnement m'a été précieux et m'a
permis de développer mes compétences techniques.

Je tiens également à exprimer ma gratitude à tous les opérateurs et techniciens de

l'atelier électronique, notamment M. HASNAOUI, le responsable de l'atelier, ainsi qu'à toute
l'équipe de l'OCP de Benguerir, dont M. AARAM Noureddine et M. CHAKOUB Said, pour
les conseils et l'encadrement prodigués tout au long de mon stage.

Je tiens exprimer mes sincères remerciements à l'équipe pédagogique et administrative

de GTI UM6P pour leur engagement et leur dévouement envers ma réussite. Ainsi que je
présente mes remerciements à mon tuteur M. Oussama LAAYATI grâce à leur soutien, j’ai
pu bénéficier d'une formation de qualité, adaptée aux exigences du marché et aux besoins des
entreprises.

Enfin, je tiens à remercier toute personne qui a contribué à superviser mon travail pour
leur temps et leur énergie consacrée.

2
 Résumé

Ce rapport de recherche présent met en lumière le développement d'un modèle de

maintenance prédictive dédié aux machines stacker. Ce modèle repose sur l'analyse de données
essentielles, telles que les images thermiques infrarouges et les signaux de vibration émis par
les moteurs électriques asynchrones utilisés dans ces machines. Dans un contexte de
digitalisation croissante où l'Internet des objets (IoT), l'intelligence artificielle (IA) et le
jumeau numérique (DT) primordial. Ce projet a été réalisé en étroite collaboration avec
l'Université Mohammed VI Polytechnique (UM6P) et le Groupe OCP. Son objectif
principal était d'améliorer l'efficacité et la durabilité de l'industrie minière.
Pour atteindre cet objectif, nous nous sommes focalisés sur l'analyse approfondie des
images thermiques infrarouges et des signaux de vibration provenant des moteurs électriques
asynchrones utilisés dans les machines stacker. On a ainsi pu identifier des tendances et des
schémas de défaillance spécifiques, ce qui nous a permis de construire un modèle de
maintenance prédictive solide et performant. Ce modèle a ensuite été soumis à des tests et des
évaluations rigoureux afin d'assurer sa précision dans la prédiction des pannes et l'identification
proactive des problèmes potentiels.
La méthodologie adoptée comprenait la conception d'une solution basée des modèles
d'apprentissage automatique (ML) et d'apprentissage profond (DL), afin de développer un
modèle prédictif avancé pour la maintenance des machines. Les résultats obtenus ont démontré
l'efficacité du modèle dans l'anticipation des pannes potentielles, l'optimisation de la
planification des opérations de maintenance et la réduction des temps d'arrêt non planifiés des
stations minières.

Tout au long de ce projet, on a surmonté avec succès les défis liés à la collecte manuelle
des données, à l'hétérogénéité des données brutes et à l'absence d'une plateforme efficace de
gestion de chantier. Cette persévérance nous a permis d'optimiser la production de phosphate,
améliorant ainsi l'efficacité opérationnelle grâce à notre solution prédictive éclairée. En
parallèle, nous avons identifié des opportunités d'amélioration pour la collecte de données et
les processus de maintenance, nous permettant de prévenir activement les défaillances des
machines stacker. On est convaincus que cette approche proactive garantira la durabilité de
l'industrie minière, faisant de notre modèle de maintenance prédictive un pilier essentiel pour
favoriser l'efficacité opérationnelle et la gestion proactive des défaillances.

Mots clés:
Internet of Things, Intelligence Artificielle jumeau numérique, Aprrentissage automatique,
Apprentissage profond.

3
 Abstract

This research report highlights the development of a predictive maintenance model

dedicated to stacker machines. This model is based on the analysis of crucial data, such as
infrared thermal images and vibration signals emitted by asynchronous electric motors used in
these machines. In a context of growing digitalization, where the Internet of Things (IoT),
Artificial intelligence (AI), and digital twin (DT) play a pivotal role. This project was
undertaken in close collaboration with the Mohammed VI Polytechnic University (UM6P)
and OCP Group, Its main objective was to enhance the efficiency and sustainability of the
mining industry.

To achieve this goal, our focus was on in-depth analysis of infrared thermal images and
vibration signals from asynchronous electric motors used in stacker machines. This allowed us
to identify specific trends and failure patterns, enabling us to build a robust and high-
performing predictive maintenance model. The model underwent rigorous testing and
evaluations to ensure its accuracy in predicting faults and proactively identifying potential
issues.

The adopted methodology included designing a solution based on Machine Learning

(ML) and Deep Learning (DL) models to develop an advanced predictive model for machine
maintenance. The results demonstrated the effectiveness of the model in anticipating potential
breakdowns, optimizing maintenance operation planning, and reducing unplanned downtime
in mining stations.

Throughout this project, we successfully overcame challenges related to manual data

collection, raw data heterogeneity, and the absence of an efficient construction site
management platform. This perseverance allowed us to optimize phosphate production,
thereby enhancing operational efficiency through our enlightened predictive solution.
Additionally, we identified opportunities for data collection and maintenance process
improvement, enabling us to proactively prevent stacker machine failures. We firmly believe
that this proactive approach will ensure the sustainability of the mining industry, making our
predictive maintenance model an essential pillar for enhancing operational efficiency and
proactive fault management.

Keywords:

Internet of Things, Artificial Intelligence, Digital Twin, Machine Learning, Deep Learning.

4
 Liste des figures

Figure 1 : Chronologie de l'entreprise ................................................................................. 14

Figure 2: Fiche technique du Groupe OCP ......................................................................... 17
Figure 3: Organigramme du Groupe OCP ......................................................................... 18
Figure 4: Vue Satellite du Site Minier Benguerir ............................................................... 19
Figure 5: Vue global de La Mine de Benguerir ................................................................... 20
Figure 6: Organigramme du Site Gantour .......................................................................... 21
Figure 7: Organigramme du service électronique .............................................................. 23
Figure 8 : Les Différentes couches des phosphates ............................................................. 25
Figure 9: Description du processus globale de la mine de Benguerir ............................... 26
Figure 10: Equipements d'aménagement : Niveleuse, Balldozer, D11 et D9 ................... 26
Figure 11: Différentes machines utilisées pour la foration : PV1, SKF, DKS .................. 27
Figure 12: Opération de Sautage .......................................................................................... 28
Figure 13: Opération de Décapage ....................................................................................... 28
Figure 14: Opération de Défruitage effectué par des Bulldozers ...................................... 29
Figure 15: Les camions de 136 tonnes et les camions de 190 tonnes du transport .......... 29
Figure 16 : Transport de phosphate par camions ............................................................... 30
Figure 17: Opération d'Epierrage du phosphate ................................................................ 30
Figure 18: Installation fixe : Zone KRUPP ......................................................................... 31
Figure 19: Machine Stacker et Machine Roue-Pelle .......................................................... 31
Figure 20: Opération du Criblage ........................................................................................ 32
Figure 21: Opération du Chargement et Train du Transport ........................................... 33
Figure 22: Machine stacker au sein de la station d'Epierrage KRUPP ............................ 41
Figure 23: Types de Maintenance ........................................................................................ 43
Figure 24: Schéma de Maintenance Prédictive ................................................................... 44
Figure 25: Logo d'Industrie 4.0 ............................................................................................ 45
Figure 26: Types de Maintenance Prédictive ...................................................................... 46
Figure 27: Illustration d'une IRT et du Signal de Vibration d'un Moteur Electrique.... 49
Figure 28: IA, ML et DL ....................................................................................................... 50
Figure 29: Schéma d'Apprentissage Supervisé ................................................................... 51
Figure 30: Schéma d'Apprentissage non supervisé ............................................................ 52
Figure 31: Schéma d'Apprentissage par renforcement ...................................................... 53
Figure 32: Schéma d'Apprentissage semi-supervisé ........................................................... 53
Figure 33: Schéma d'Apprentissage par Transfert ............................................................ 54
Figure 34: Représentation graphique de la Régression linéaire ........................................ 55
Figure 35: Les composantes de SVM ................................................................................... 57
Figure 36: Les éléments d'Arbre De Décision ..................................................................... 58
Figure 37: Diagramme de Foret Aléatoire........................................................................... 59
Figure 38: Diagramme d'ERT .............................................................................................. 60
Figure 39: K-means Cluster .................................................................................................. 61
Figure 40: Schéma général d'une Réseau Feed-Forwarded .............................................. 62
Figure 41: Architecture de CNN .......................................................................................... 63
Figure 42: Architecture de Réseau Neurones à Résonance ............................................... 63
Figure 43: Illustration de la convergence de SGD .............................................................. 64
Figure 44: Illustration de la convergence d'Adam.............................................................. 65

5
Figure 45: Schéma du Capteur de Vibration ...................................................................... 76
Figure 46: Caméra Infrarouge Dali-Tech T4/T8 ................................................................ 77
Figure 47: Logo de Python .................................................................................................... 79
Figure 48: Logo de Numpy.................................................................................................... 80
Figure 49: Logo de Pandas .................................................................................................... 80
Figure 50: Logo de Scikit Learn ........................................................................................... 81
Figure 51: Logo de Framework Tensorflow ....................................................................... 81
Figure 52: Logo de Keras ...................................................................................................... 81
Figure 53: Logo de la Bibliothèque Matplotlib ................................................................... 82
Figure 54: Logo de seaborn ................................................................................................... 82
Figure 55: Logo de Streamlit ................................................................................................ 82
Figure 56: Logo de FastAPI .................................................................................................. 83
Figure 57: Description Général de neuf états considérées pour diagnostic du moteur à
induction ................................................................................................................................. 85
Figure 58: Architecture du modèle VGG16 ........................................................................ 94
Figure 59: Matrice de confusion du modèle CNN............................................................. 101
Figure 60: Matrice de confusion du modèle de vibration ................................................ 102
Figure 61: Interface de classification des Images Thermiques Infrarouge .................... 104
Figure 62: Interface de prédiction de vibration de défaillance........................................ 105

6
 Liste d’abréviation

Abréviation Signification
OCP Office Chérifien des Phosphates
UM6P Université Mohamed VI Polytechnique
GTI Green Tech Institut
DT Digital Twin
BPL Bonne phosphate of lime
IA Intelligence Artificielle
ML Machine Learning
DL Deep Learning
KNN K Nearest Neighbors
PCA Principal Component Analysis
CA Corresponde Analysis
MDP Markov Decision Process
SVM Support Vector Machine
RBF Radial Basis Function
RF Random Forest
ERT Extremely Randomized Trees
CNN Convolutional Neural Network
ART Adaptive Resonance Theory
SGD Stochastic Gradient Descent
ADAM Adaptive Moment Estimation
ADAGRAD Adaptive Gradient Algorithm
FT Fourier Transform
DFT Discrete Fourier Transform
FFT Fast Fourier Transform
STFT Short Time Fourier Transform
DSTFT Discrete Short Time Fourier Transform
CWT Continuous Wavelet Transform
DWT Discrete Wavelet Transform
CSV Comma Separated Values
BMP Bitmap File Format

7
RGB Red Green Blue
AED Analyse Exploratoire des Données
VGG16 Visual Geometry Group v16

8
 Table des Matières

Remerciements ......................................................................................................................... 2
Résumé ...................................................................................................................................... 3
Abstract ..................................................................................................................................... 4
Liste des figures ........................................................................................................................ 5
Liste d’abréviation ................................................................................................................... 7
Table des Matières ................................................................................................................... 9
Introduction générale ............................................................................................................ 12
Chapitre I : Organisme d’accueil et Mise en situation du projet ...................................... 13
Introduction .......................................................................................................................... 13
1. Présentation du Groupe OCP ....................................................................................... 13
1.1 A propos du Groupe OCP ...................................................................................... 13
1.2 Historique ............................................................................................................... 14
1.3 Missions et vision................................................................................................... 15
1.4 Produits .................................................................................................................. 16
1.5 Fiche technique ...................................................................................................... 17
1.6 Organigramme Groupe OCP SA............................................................................ 18
2. Présentation d’Organisme d’accueil ............................................................................ 19
2.1 Présentation du site minier Gantour – Benguerir ................................................... 19
2.2 Organigramme du site Gantour .............................................................................. 21
2.3 Présentation de service : Atelier Electronique ....................................................... 22
2.4 Université Mohamed VI Polytechnique (UM6P) et Green Tech Institute (GTI) .. 24
2.5 Process d’exploitation et de production du phosphate ........................................... 24
3. Mise en situation du projet ........................................................................................... 35
3.1 Contexte du projet .................................................................................................. 35
3.2 Problématique ........................................................................................................ 35
3.3 Objectifs de projet .................................................................................................. 36
3.4 Démarche ............................................................................................................... 36
3.5 Méthodologie de recherche .................................................................................... 38
4. Etude du système : Machine stacker ............................................................................ 41
Conclusion............................................................................................................................ 42
Chapitre II : Revue de littérature......................................................................................... 42

9
 Introduction .......................................................................................................................... 42
1. Maintenance prédictive : .............................................................................................. 43
1.1 Définition et son objectif principale ....................................................................... 43
1.2 Son Importance dans l’Industrie 4.0 .................................................................. 45
2. Méthodes de maintenance prédictive dans l’industrie 4.0 : ......................................... 46
2.1 Revue des approches classiques ............................................................................. 46
2.2 Intégration des modèles de Machine Learning ...................................................... 46
2.3 Rôle des modèles de Deep Learning dans l’amélioration de la maintenance
prédictive ...................................................................................................................... 47
2.4 Utilisation combinée de données d'images thermiques infrarouges et de signaux de
vibrations pour optimiser l'efficacité et l’efficience .................................................... 49
3. Approches de modélisation basées sur les données : ................................................... 50
3.1 Intelligence Artificielle et son lien avec ML et DL ............................................... 50
3.2 Modèles de Machine Learning : ............................................................................. 51
3.3 Modèles de Deep Learning : .................................................................................. 61
3.4 Techniques d'analyse d'un signal de vibration de moteur électrique : ................... 65
3.4.2 Transformation en ondelettes : ............................................................................ 68
4. Intégration des solutions Intelligentes pour la maintenance prédictive dans l’Industrie 4.0
: ............................................................................................................................................. 72
4.1 Utilisation des technologies de l’Industrie 4.0 pour l’automatisation de la
maintenance prédictive................................................................................................. 72
4.2 Analyse des avantages et des défis de l’implémentation de ces solutions dans le
contexte de la maintenance des machine stacker ......................................................... 74
Chapitre III : Outils matériels et logiciels ........................................................................... 75
Introduction .......................................................................................................................... 75
1. Outils matériels : .......................................................................................................... 75
1.1 Capteur de Vibration .......................................................................................... 75
1.2 Caméra Infrarouge ............................................................................................. 76
1.3 Configuration et Installation des capteurs.......................................................... 77
1.4 Acquisition et transmission des données................................................................ 78
2. Outils logiciels : ........................................................................................................... 79
2.1 Langages de Programmation.............................................................................. 79
2.2 Bibliothèques et frameworks : ............................................................................... 79
2.3 Outils de déploiement ............................................................................................ 82
Conclusion............................................................................................................................ 83
Chapitre IV : Réalisation du Projet ..................................................................................... 84

10
 Introduction .......................................................................................................................... 84
1. Collecte et Prétraitement des données : ....................................................................... 84
1.1 Collecte de données ........................................................................................... 84
1.2 Prétraitement de données ................................................................................... 86
2. Analyse Exploratoire des données : ............................................................................. 88
3. Modélisation et Évaluation : ........................................................................................ 93
3.1 Développement du Modèle .................................................................................... 93
3.2 Évaluation du Modèle ........................................................................................ 99
4. Déploiement du Modèle : ........................................................................................... 103
Conclusion.......................................................................................................................... 105
Conclusion Générale ............................................................................................................ 106
Bibliographies – webographie............................................................................................. 107

11
 Introduction générale

Le secteur de l'industrie minière joue un rôle crucial dans l'économie mondiale,

fournissant des ressources essentielles pour divers domaines. Cependant, pour garantir une
production efficace et durable, il est impératif de maintenir les machines utilisées dans les
opérations minières en bon état de fonctionnement. La maintenance prédictive est devenue une
approche incontournable pour prévenir les défaillances et maximiser la disponibilité des
équipements.

Dans ce contexte, notre projet de fin d'année se concentre sur le développement d'un
modèle de maintenance prédictive pour les machines stacker. L'objectif principal de ce modèle
est d'analyser l'historique des défauts des machines stacker afin d'identifier les tendances et les
schémas de défaillance. En se basant sur ces informations, nous cherchons à développer et à
tester un modèle prédictif performant, capable de prédire avec précision les défaillances futures
et d'identifier les problèmes potentiels. La mise en œuvre d'un modèle de maintenance
prédictive présente plusieurs avantages. En anticipant les défaillances, il est possible de
planifier les activités de maintenance de manière proactive, réduisant ainsi les temps d'arrêt
non planifiés et les coûts associés. De plus, en identifiant les opportunités d'amélioration de la
collecte de données et des processus de maintenance, le modèle contribuera à prévenir les
défaillances des machines stacker, améliorant ainsi la productivité et la sécurité des opérations
minières.

Ce rapport présente une étude complète réalisée sur une période de temps déterminée,
mettant en évidence chaque étape du projet. Le premier chapitre offre une introduction à
l'industrie minière et aux enjeux de la maintenance prédictive des machines stacker. Le
deuxième chapitre présente un état de l'art des modèles de prédiction avancés appliqués à la
maintenance prédictive, en mettant l'accent sur les techniques et les approches utilisées dans le
domaine. Le troisième chapitre décrit en détail la méthodologie utilisée pour développer le
modèle de maintenance prédictive des machines stacker, y compris l'analyse des données, les
techniques de modélisation sélectionnées et les tests de validation. Enfin, le quatrième chapitre
expose les résultats obtenus lors de la mise en œuvre du modèle, en évaluant ses performances
en termes de précision de la prédiction des défaillances et d'identification des problèmes
potentiels. Une conclusion générale résume les principales découvertes et propose des
recommandations pour l'amélioration continue de la collecte de données et des processus de
maintenance.

12
Chapitre I : Organisme d’accueil et Mise en situation du projet

Introduction
Avant d'entrer dans le vif du sujet, on va consacrer cette section à présenter l’organisme
d’accueil, le Groupe OCP, ainsi que le contexte dans lequel s’inscrit le projet. Cette étape est
cruciale pour comprendre le cadre du rapport.
Dans ce chapitre introductif, on dresse un aperçu général et global du Groupe OCP SA,
en retraçant son histoire, en présentant ses produits et en décrivant son activité industrielle. On
met également en évidence le site minier Gantour de Benguerir, où s’est déroulé mon stage, en
soulignant son rôle central dans le développement du projet. Finalement, on abordera le
contexte spécifique de notre projet en exposant la problématique qu’on a identifié et les
objectifs qu’on a fixés. Cette mise en situation nous permettra de mieux appréhender les enjeux
de notre rapport et d’établir les attentes qui y sont associées.

1. Présentation du Groupe OCP

1.1 A propos du Groupe OCP

Le Groupe Office Chérifien des Phosphates (OCP), est le premier exportateur mondial
de phosphate brut, d'acide phosphorique et d'engrais phosphatés. Il compte près de 20 000
collaborateurs implantés principalement au Maroc, sur quatre sites miniers et deux complexes
chimiques, ainsi que sur d'autres sites internationaux. Il détient également plusieurs filiales à
l'intérieur et à l'extérieur du pays.
Il est présent dans six zones géographiques du pays, avec quatre sites d'exploitation
minière : Oulad Abdoun dans la région de Khouribga, Gantour dans la région de Youssoufia
Benguerir, Boucraa dans la région de Boucraa Laayoune, et Meskala dans la région d'Essaouira
(gisement non encore exploité). De plus, il possède deux sites de transformation chimique :
Jorf Lasfar et Safi. Les ports d'embarquement utilisés sont Casablanca, Jorf Lasfar, Safi et
Laayoune.

Le groupe OCP joue un rôle essentiel dans le développement régional et national du

Maroc, contribuant à l'économie et à la prospérité du pays. En tant qu'acteur majeur de
l'industrie des phosphates, il est engagé dans l'extraction, le transport, le traitement et la vente
de ces précieuses ressources naturelles, favorisant ainsi le développement durable et la
croissance économique.

13
 1.2 Historique

L'histoire du groupe OCP remonte à sa création en 1920 en tant qu'Office Chérifien des
Phosphates. Au fil des années, il a connu une croissance significative et s'est développé pour
devenir un acteur majeur sur le marché mondial des phosphates et de leurs dérivés. En 2008,
l'Office Chérifien des Phosphates a été transformé en OCP Group S.A., marquant une étape
importante dans son évolution.

Depuis ses débuts, le groupe OCP a connu diverses étapes clés dans son histoire,
notamment l'ouverture de nouvelles mines, l'investissement dans la transformation chimique
des phosphates, l'acquisition de nouvelles filiales et la diversification de ses activités. Ces
développements ont contribué à renforcer sa position en tant que leader mondial du marché des
phosphates et de leurs dérivés.

Figure 1 : Chronologie de l'entreprise

Ces principales étapes de son histoire, illustrant sa croissance continue et sa volonté

d'innovation. Avec une production annuelle d'environ 26,6 millions de tonnes de phosphates,
le Maroc se classe au troisième rang mondial des producteurs, grâce à ses vastes réserves qui
représentent les trois quarts des réserves mondiales.

Le Groupe, par le biais de ses activités minières et de transformation, continue de jouer

un rôle essentiel dans l'économie marocaine, contribuant à la création d'emplois, à
l'investissement et à la promotion du développement durable. Sa présence mondiale en fait un

14
acteur clé sur le marché international des phosphates, soutenant ainsi la croissance économique
et le développement des secteurs agricole et industriel dans de nombreux pays.

1.3 Missions et vision

Le Groupe OCP SA a pour ambition de créer une croissance durable pour toutes les
populations en visant un avenir meilleur pour son activité, ses communautés et son
environnement. L'un des principaux défis auxquels il est confronté est la sécurité alimentaire.
Avec une population mondiale estimée à environ 10 milliards de personnes d'ici 2050, il est
primordial de fournir une alimentation suffisante tout en réduisant l'impact sur l'environnement.
C'est pourquoi le Groupe OCP SA reconnaît l'importance vitale du phosphore dans le
développement végétal et a pour mission de nourrir le sol pour nourrir la planète.

Dans le cadre de sa mission économique, le Groupe OCP SA joue un rôle essentiel en

tant que garant de 70% des réserves mondiales en phosphates. Son objectif est d'accompagner
les agriculteurs pour produire suffisamment et répondre aux besoins alimentaires des
prochaines décennies. Ainsi, il s'engage à fournir un nombre adéquat de produits à base de
phosphate pour répondre à la demande croissante en engrais et fertilisants à l'échelle mondiale.
Pour y parvenir, il se concentre sur une compréhension réelle des besoins des sols et des
cultures, tout en accompagnant les agriculteurs dans une utilisation raisonnée et durable des
ressources. Le Groupe OCP SA investit dans l'innovation, réalise une cartographie des sols à
travers le monde et développe des approches sur mesure pour ses produits afin de servir les
besoins spécifiques de chacun, tout en minimisant l'impact environnemental.

La vision du Groupe OCP SA repose sur l'interconnexion de tous les éléments et sur
l'équilibre entre les ressources naturelles, les cultures, les agriculteurs, les communautés et les
environnements naturels. Il vise une croissance durable pour tous, en offrant une alimentation
durable et en créant davantage d'opportunités grâce au renforcement des compétences et à
l'éducation. Le Groupe OCP SA est convaincu que cette interconnexion et cet équilibre
permettront un partage de valeur et une croissance durable pour tout le monde.

Le phosphate est une ressource précieuse pour le Groupe OCP SA, tant en tant que
minéral essentiel pour la croissance des plantes que comme catalyseur de changement positif
et de développement, au Maroc, en Afrique et dans le monde entier. Pour atteindre ses objectifs,
le Groupe OCP SA s'efforce de maintenir son statut de leader mondial en termes de qualité des
produits, de qualité du service client, de gestion professionnelle et de performances en matière
de sécurité.

En résumé, les missions du Groupe OCP SA se répartissent en trois domaines

fondamentaux :
15
 ➢ Mission économique :
- Assurer un approvisionnement durable et fiable en phosphate et ses
dérivés.
- Mettre en place des programmes d'investissements conformes aux
principes du développement durable pour développer les industries de
raffinage et les logistiques d'exportation.

➢ Mission sociale :
- Créer des emplois, dispenser des formations et veiller au bien-être des
salariés.
- Soutenir des actions humanitaires, sportives et culturelles.

➢ Mission environnementale :
- Minimiser l'impact négatif des procédés et produits sur le milieu naturel.
- Intégrer la dimension environnementale dans les choix d'investissement.

En concentrant ses efforts sur ces missions économiques, sociales et

environnementales, le Groupe OCP SA vise à créer une croissance durable pour toutes les
populations, en assurant la sécurité alimentaire, en offrant des opportunités économiques et en
préservant l'environnement.

1.4 Produits
Le Groupe OCP SA est un acteur international dans l'industrie minière marocaine qui
propose une gamme de produits essentiels dans l'industrie des phosphates et de leurs dérivés.
1. La roche phosphatée :
La roche phosphatée constitue la base de tous les produits à base de phosphates.
Principalement utilisée dans la fertilisation des sols, elle peut également être employée
dans les compléments alimentaires pour animaux ou dans d'autres applications
industrielles.

2. L'acide phosphorique :
L'acide phosphorique est obtenu par le traitement de la roche phosphatée avec de l'acide
sulfurique. Il est largement utilisé dans diverses industries telles que l'agroalimentaire,
la pharmaceutique, ou encore l'alimentation animale.

3. Les engrais :

16
 Les engrais sont produits à partir de la roche phosphatée et de l'acide phosphorique. Ils
sont classés en trois catégories : les engrais standards, les engrais enrichis et les engrais
hydrosolubles.

Le Groupe OCP opère selon un modèle intégré qui couvre l'ensemble de la chaîne de
valeur, depuis l'extraction des phosphates jusqu'à la production et la commercialisation de
divers produits tels que des engrais et de l'acide phosphorique. Le phosphate brut extrait des
sous-sols marocains est exporté vers les installations chimiques du Groupe à Safi ou Jorf Lasfar
pour être transformé en sous-produits commercialisables tels que l'acide phosphorique basique,
l'acide phosphorique purifié et les engrais solides. Le phosphore, élément essentiel à la vie, est
peu abondant dans l'écorce terrestre, avec une teneur de 1180 ppm. Il ne se trouve jamais à
l'état pur et entre dans la composition du noyau des cellules de tous les êtres vivants. Les
phosphates, d'origine biochimique, se trouvent dans les formations littorales où d'importants
dépôts d'organismes marins se sont accumulés en raison de changements brusques de salinité,
de rencontres entre courants chauds et froids, ainsi que de variations de température dues à des
émergences et des transgressions-régressions fréquentes.

1.5 Fiche technique

Figure 2: Fiche technique du Groupe OCP

• Raison social : Groupe Office Chérifien des Phosphates (OCP).

• Forme juridique : Etablissement semi-public.
• Date de création de l’OCP : Le 7 août 1920.
• Date de création du Groupe : 1975.

17
 • Location et siège : Angle route d’El Jadida et Bd de la Grande Ceinture
CASA.
• Conseil d’administration : Le premier ministre.
• Correspondant à l’étranger : Bureau OCP-Paris.
• Activités principales : Extraction, Traitement, valorisation et
commercialisation des Phosphates.
• Sites d’exploitations minières : Khouribga, Youssoufia/ Ben Guérir,
Boucraâ/ Laâyoune.
• Sites valorisation chimique : Safi et Jorf Lasfar.
• Port d’embarquement : Casablanca, Safi, Jorf Lasfar et Laâyoune.
• Effectif en personnel (2004) : 19.551 agents dont 850 ingénieurs et
assimilés.
• Chiffres d’Affaires (2022) : 18,281 milliards de dirhams (MMDH),
comparé aux 25,328 MMDH réalisés l'année précédente.

1.6 Organigramme Groupe OCP SA

Les différentes organisations du groupe d’OCP sont citées comme suit :

Figure 3: Organigramme du Groupe OCP

18
 L'organigramme du Groupe OCP illustre une structure bien définie, favorisant une
gestion intégrée et efficace de l'ensemble des opérations liées à la chaîne de valeur du
phosphate.

Au sommet de cette hiérarchie se trouve le Président Directeur Général (PDG), entouré de

son Cabinet. Le PDG joue un rôle clé dans la prise de décisions stratégiques pour le groupe.
Sous la direction du PDG, on trouve la Direction des Affaires Générales et Support à la
Gouvernance Groupe, qui veille à coordonner et soutenir les activités de l'ensemble des entités
du groupe. La Direction Performance et Contrôle de Gestion est responsable de la supervision
des performances opérationnelles et de la gestion des ressources. La Direction Exécutive
Juridique assure la conformité juridique des activités du Groupe OCP, veillant au respect des
réglementations en vigueur et à la gestion des questions légales. En outre, la Direction de
Transformation joue un rôle clé dans la mise en œuvre des projets de développement et
d'innovation, contribuant ainsi à l'évolution continue du groupe.

2. Présentation d’Organisme d’accueil

2.1 Présentation du site minier Gantour – Benguerir
Le site minier de Gantour à Benguerir, situé à 70 km au nord de Marrakech, est une
mine à ciel ouvert appartenant au Groupe OCP SA. Sa mission principale est l'extraction, le
traitement et la livraison des phosphates issus du gisement de Gantour. Ce gisement s'étend sur
une superficie de 2500 km², avec une étendue de 125 km d'est en ouest et de 20 km du nord au
sud. Il représente environ 35% des réserves nationales de phosphates, soit environ 31 milliards
de mètres cubes.

Figure 4: Vue Satellite du Site Minier Benguerir

Il faisant partie du bassin de Gantour, est le plus récent des quatre centres miniers de
phosphate au Maroc, ayant débuté sa production en 1979-80. Il fonctionne en collaboration
avec le centre d'exploitation et de traitement de Youssoufia. La mine à ciel ouvert de Benguerir

19
fonctionne 24h/24 en trois équipes. Au cours de la première phase d'exploitation (1979-1994),
environ 3,1 millions de tonnes de phosphate par an ont été extraites, tandis que dans la
deuxième phase (1994-2018), la production annuelle a atteint 4,5 millions de tonnes de
phosphate. Actuellement, le potentiel total de production du site est de 6,2 millions de tonnes
de minerai par an, comprenant 3,7 millions de tonnes (60%) de phosphate humide criblé et 2,5
millions de tonnes (40%) de phosphate sec et marchand.

La mine de Benguerir est implantée entre les massifs des Rhamna au nord et les Jbilet
au sud, avec les collines jurassiques de Mouissat à l'ouest et les rives de l'ouest de l'Oued
Tassaout à l'est. Elle est divisée en huit panneaux, chacun ayant des dimensions légèrement
différentes. Les panneaux sont utilisés pour l'exploitation du gisement, par exemple, le panneau
N°8 mesure près de 1,5 km de largeur et 5 km de longueur. Il joue un rôle crucial dans
l'approvisionnement en phosphates du Groupe OCP SA. Il opère selon un modèle intégré qui
englobe l'extraction des phosphates, leur traitement et leur livraison aux installations chimiques
de Safi ou à l'usine de traitement de Youssoufia. La production de Benguerir est expédiée vers
ces sites pour un traitement humide avant valorisation ou comme appoint au phosphate noir.

Ainsi, le site minier de Gantour à Benguerir est un lieu important où le Groupe OCP SA
extrait, traite et livre les phosphates nécessaires à ses activités et à l'industrie chimique. Il
contribue ainsi à la chaîne de valeur intégrée du groupe et à la production de phosphates
essentiels pour diverses applications industrielles.

Figure 5: Vue global de La Mine de Benguerir

20
 2.2 Organigramme du site Gantour
La Division Extraction Benguerir est l'une des trois divisions opérationnelles relevant
de la Direction des Exploitations Minières de Gantour au sein du Groupe OCP. Sa mission
principale est l'extraction et la livraison du phosphate aux principaux clients de l'industrie
chimique de Safi et de la division traitement de Youssoufia. Dans le cadre de cette mission,
elle vise à satisfaire les besoins et attentes de ses clients en termes de quantité, qualité et délai,
tout en respectant les normes de sécurité, d'environnement et de réglementation en vigueur.

Figure 6: Organigramme du Site Gantour

L'organigramme de la Division Extraction Benguerir comprend deux services

opérationnels : Exploitation et Maintenance, ainsi que quatre services fonctionnels : Planning,
Contrôle de Gestion, Électronique et Mécanique. Chaque service joue un rôle essentiel dans le
bon fonctionnement et la gestion efficace des activités minières.

o Le service Exploitation est chargé de l'extraction du phosphate. Il veille à

mettre en place les procédures et les moyens nécessaires pour garantir une
extraction optimale tout en assurant la sécurité des opérations.

o Le service Maintenance centralisée est responsable de la maintenance du

matériel utilisé par la division. Son rôle est crucial pour assurer la continuité des
opérations minières en limitant les pannes et en assurant le bon fonctionnement
du matériel.

o Le service Planning est chargé d'étudier et d'analyser les budgets

d'investissement et de fonctionnement, ainsi que d'évaluer la production et la

21
 vente du phosphate extrait et traité par la division. Il joue un rôle clé dans la
planification des activités minières et la gestion des ressources.

o Le service Contrôle de Gestion est responsable du suivi et de l'analyse des

performances de la division Extraction. Il évalue les résultats, identifie les écarts
et propose des mesures correctives pour améliorer l'efficacité et l'efficience des
opérations minières.

o Les services Électronique et Mécanique sont spécialisés dans les domaines de

l'électronique et de la mécanique. Ils fournissent un soutien technique et une
expertise pour assurer le bon fonctionnement des équipements et des machines
utilisés dans l'extraction du phosphate.

Cet organigramme met en évidence la structure organisationnelle de la Division

Extraction Benguerir, qui permet une coordination efficace des activités opérationnelles et
fonctionnelles. Chaque service joue un rôle clé dans la réalisation de la mission de la division
et dans la satisfaction des clients en termes de qualité, quantité et délai, tout en veillant au
respect des normes de sécurité, d'environnement et de réglementation.

2.3 Présentation de service : Atelier Electronique

Le service électronique est un département autonome au sein de l'administration,
composé de trois groupes de quatre personnes travaillant en rotation sur des quarts de travail
de 8 heures chacun (6h-15h / 15h-23h / 23h-06h). Sa principale préoccupation est de préserver
les droits et la sécurité de ses employés, en mettant en place des campagnes de sensibilisation
et de prise de conscience.
Elle est considérée comme un département autonome au sein de l'administration, dédié
aux activités électroniques. Il est composé de trois groupes de quatre personnes travaillant en
rotation, couvrant les créneaux horaires de manière continuent (6h-15h / 15h-23h / 23h-06).
L'atelier a pour objectifs principaux de préserver les droits des employés, de garantir leur
sécurité et de mener des campagnes de sensibilisation et de prise de conscience.
a. Organigramme de l'atelier électronique

22
 Figure 7: Organigramme du service électronique

b. Ses activités
Les activités de l'atelier électronique sont diversifiées et couvrent un large éventail de
tâches essentielles pour le bon fonctionnement du chantier. En ce qui concerne les camions,
l'atelier assure la maintenance corrective en cas de panne, le démarrage des camions ainsi que
la maintenance préventive pour anticiper les problèmes potentiels. La télécommunication radio
est également prise en charge pour assurer la communication fluide entre les équipes. De plus,
l'atelier gère la surveillance vidéo des machines pour garantir leur bon fonctionnement et réalise
la maintenance préventive et corrective des sondeuses pour leur efficacité.
Pour ce qui est des installations fixes, l'atelier électronique s'occupe de l'étalonnage et
de la réparation des bascules pour une mesure précise des matériaux. L'entretien des variateurs
de vitesse est également assuré pour optimiser leur performance. La maintenance préventive
est réalisée de manière proactive afin de prévenir tout dysfonctionnement. En cas de
défaillance, l'atelier se charge du remplacement des sondes de niveau, des cartes électroniques
défaillantes et des sondes de température pour un bon fonctionnement des équipements.
Elle est également responsable des tâches de télécommunication et de radio pour
faciliter la communication entre les différentes parties. Le contrôle de la vidéosurveillance est
effectué pour assurer la sécurité et surveiller les installations. En outre, la maintenance des
systèmes d'asservissement est effectuée pour un contrôle précis des processus et la maintenance
des chargeurs de batteries pour leur bon fonctionnement.
Grâce à ces activités variées et bien coordonnées, l'atelier électronique joue un rôle
essentiel dans le bon déroulement des opérations sur le chantier et garantit la performance et la
fiabilité des équipements et des installations fixes.
En résumé, l'atelier électronique est responsable de la maintenance et de la surveillance
électronique des camions, des machines et des installations fixes. Il assure à la fois des activités
de maintenance corrective et préventive, ainsi que des tâches de télécommunication, de

23
surveillance vidéo et de gestion des équipements électroniques nécessaires au bon
fonctionnement des opérations.

2.4 Université Mohamed VI Polytechnique (UM6P) et Green Tech Institute

(GTI)

L'Université Mohammed VI Polytechnique (UM6P) est une institution internationale

de renom, spécialisée dans les domaines de la science, de la technologie, des sciences sociales,
du commerce et de la gestion. Basée à Benguerir, au Maroc, avec des campus supplémentaires
à Rabat et à Laayoune, elle est un symbole du développement du savoir et des connaissances,
soutenue par la recherche, le développement durable et l'enseignement supérieur. Fondée par
la Fondation OCP, l'UM6P a été inaugurée par Sa Majesté le Roi Mohammed VI le 12 janvier
2017, étendant ainsi les valeurs fondamentales du groupe.

L'Institut Green Tech (GTI), récemment créé en partenariat avec le Green Energy Park
au sein de l'UM6P, a pour mission de former des professionnels hautement qualifiés capables
de relever les défis émergents du Maroc et de l'Afrique dans les domaines des énergies
renouvelables, des réseaux intelligents et des industries manufacturières. Les programmes du
GTI sont conçus pour mettre l'accent sur l'expérimentation et l'apprentissage pratique, afin de
répondre aux exigences du marché de l'emploi.

En tant qu'établissement d'enseignement, de recherche, d'innovation et

d'entrepreneuriat, l'UM6P aspire à devenir un acteur majeur de la connaissance reliant le
Maroc, l'Afrique et le reste du monde. Située dans la "Cité Verte Mohammed VI" à Benguerir,
cette université privilégie une approche pédagogique basée sur l'apprentissage par l'action et
établit des partenariats solides avec des universités de renommée mondiale, favorisant ainsi le
leadership et la recherche dans des domaines spécifiques.

En contribuant à la formation d'une nouvelle génération de chercheurs, d'entrepreneurs

et de leaders marocains et africains, l'UM6P s'engage à positionner le Maroc en tant que pays
à la pointe de la technologie et des sciences humaines.

2.5 Process d’exploitation et de production du phosphate

En chimie inorganique, un phosphate est un sel résultant de l'attaque d'une base par de
l'acide phosphorique H3PO4. En chimie organique, c'est un composé organophosphoré dérivé
de l'acide phosphorique, on parle parfois de phosphate organique. Le phosphore est un élément
peu abondant, dans l'écorce terrestre, sa teneur est de 1180ppm. Il n'est jamais à l'état pur. Il
s'agit d'un élément indispensable à la vie puisqu'il entre dans la composition du noyau des
cellules de tous les êtres vivants. Les phosphates sont d’origine biochimique, on les trouve dans
les formations littorales où ont été produits des hécatombes d’organismes marins par suite de
changement brusque de salinité, de la rencontre courant chaud et courant froid, par variation

24
de la température selon des émersions, transgression – régression fréquentes. Ainsi on trouve
de nombreux débris : dents de squales, reptiles, mollusque coprolithes, etc… Les roches
phosphatées sont constituées essentiellement de phosphate tricalcique Ca3 (PO4)2, se
présentent en granulation mêlée en général à du calcaire des argiles des sables glauconites et
des hydrocarbures, la teneur de phosphate naturel en BPL peut atteindre 70%, et varie de
couche en couche. Les phosphates sont utilisés dans de nombreuses industries, comme par
exemple : les engrais, l’agriculture, les peintures, les détergents, …

Figure 8 : Les Différentes couches des phosphates

Actuellement, toutes les mines du groupe OCP, sont exploitées en découverte telle que
la dernière mine souterraine, situé à Youssoufia, a été fermée le mois juin en 2005. Ce type
d’exploitation donne un avantage majeur de pouvoir exploiter simultanément plusieurs couches
minéralisées en mettant de côté les niveaux stériles intercalaires. L’exploitation à la mine de
Benguerir se fait à ciel ouvert. La méthode d’exploitation actuelle est une méthode sélective de
récupération des couches de phosphate : le recouvrement stérile, après avoir été foré et sauté,
est décapé au moyen de Draglines et de Bulldozers D11. Ensuite, on procède au Défruitage
qui consiste à gerber et charger le phosphate pour le transporter via des camions. Ces opérations
se répètent jusqu’à l’exploitation de tous les niveaux. Le processus global au sein de la mine
de Benguerir peut être divisé en deux parties :
• Première partie : l’extraction du phosphate incluant l’ensemble des stades
opératoires ;
• Deuxième partie : le traitement mécanique (épierrage et criblage) puis la
constitution des qualités marchandes à partir des couches sources extraites.
Toutes les opérations effectuées au cours de production se répètent jusqu’à l’exploitation
de tous les niveaux et après aménagement des terres remuer on procède à la plantation des
arbres. On présente dans la figure suivante, un aperçu global du processus d’extraction suivi
de la mine de Benguerir.

25
 Figure 9: Description du processus globale de la mine de Benguerir

Le processus de production du phosphate se base sur les deux principales étapes suivantes :

1. Etapes d’extraction :
a. Aménagement du terrain

Cette étape préparatoire consiste, en premier lieu à faire l’opération du surfaçage

qui a comme objectif de préparer le terrain en enlevant les éléments indésirables ou
les obstacles existant sur la terre et en créant les conditions de la surface du terrain
plus propices au déroulement des opérations minières et pour le déplacement des
équipements tels que des niveleuses, des bulldozers Caterpillar D11 et D9, qui sont
utilisés pour cette phase. Où cette étape inclut également la construction des pistes
qui sont de deux types :
• Pistes principales : ce sont des pistes de roulage (Stots 1, 2, 3, 4, 5).
• Pistes secondaires : ce sont des pistes ou des accès provisoires pour faciliter
l’entrée ou la sortie des machines.

Figure 10: Equipements d'aménagement : Niveleuse, Balldozer, D11 et D9

b. Foration

26
 Elle est un maillon dans la chaine d’extraction. Elle consiste à creuser ou à
confectionner des trous dans le sol, pour y loger l’explosif, jusqu'au niveau repère
situé au toit de la couche de phosphate à exploiter. Il s’agit assurer la pénétration
d’un outil dans le sol, appelé tricône, monté au bout d’une tige de 13m, et de le
relever une fois la profondeur désirée est atteinte. Par ailleurs, la maille de foration,
le diamètre des trous et le fonçage dépendent de la nature du terrain. Cette opération,
qui nécessite une grande précision et une bonne planification en fonction des
caractéristiques du terrain, est réalisée à l'aide de machines de foration telles que :
➢ 45R sondeuse électrique sur chenilles
➢ T4BH diesel sur pneus
➢ SKF Caterpillar diesel
➢ SK60 diesel sur chenilles.
➢ PV1 consommatrice d’électricité

Figure 11: Différentes machines utilisées pour la foration : PV1, SKF, DKS

c. Sautage

Cette étape consiste à fragmenter des morts-terrains (couches inutiles de

terrain), notamment les intercalaires durs pour qu’ils puissent être enlevés par les
engins de décapage, suivant une granulation déterminée à l'aide des charges
explosifs, tels que l'ammonyx (composé de 94% de NH4NO3 et 6% de fuel), ce qui
oblige à l’employeur à y attacher une grande attention. Les trous forés sont remplis
d'explosifs selon un schéma de tir approprié.

27
 Figure 12: Opération de Sautage

d. Décapage (Enlèvement du stérile)

Il s'agit d'enlever des terrains morts (couches non phosphatiques), qui recouvrent
le premier niveau phosphaté exploitable, pour accéder aux couches de phosphate.
Cette opération est réalisée à l'aide de différents types d’engins dont chacun est
utilisé selon le niveau et les caractéristiques de terrain à décaper :
➢ Machines draglines (2 draglines 7500M ayant une vitesse de
déplacement de 100m/h, 2 draglines P&H, 1 dragline 200B).
➢ Bulldozers Caterpillar D11 (5 D11T et 2 D11 Cat).

Figure 13: Opération de Décapage

e. Défruitage

C’est la phase de récupération de la couche phosphatée en passant par ramasser

le phosphate au milieu de la tranchée d’une façon diagonale, c’est le gerbage, pour
faciliter le chargement ce qui fait l’augmentation du rendement de la chargeuse et
réduire le taux de salissement, et une fois les tas de phosphates constitués sur le
chantier, le phosphate est chargé dans des camions pour être transporté vers la
destination souhaitée, en utilisant des machines suivantes :

28
 ➢ 2 Paydozer,
➢ 11 bulldozers Caterpillar D9 d’une capacité de 260 m3/h,
➢ 2 Chargeuses Caterpillar 9094 avec une capacité de godet de 17.3
m3

Figure 14: Opération de Défruitage effectué par des Bulldozers

f. Transport

Le phosphate extrait du chantier est transporté vers les installations fixes afin de
subir les traitements ultérieurs, en utilisant des différentes chacune choisi en
fonction de la distance à parcourir.

• Si la distance est petite, il s’effectue à travers des camions de grande

capacité, tels que :

➢ 3 Camions KOMATSU de capacité 190 tonnes,

➢ TEREX de capacité 136 tonnes,
➢ UNITRIG de capacité 136 tonnes,
➢ HAULPACK de capacité de 136 tonnes, sont pour le transport.

Figure 15: Les camions de 136 tonnes et les camions de 190 tonnes du transport

29
 • Si la distance est grande, d’autre part, il s’effectue par des camions de
capacité 37 tonnes.

Figure 16 : Transport de phosphate par camions

2. Etapes de traitement :
Après le transport des phosphates vers les stations mécaniques appelées installations
fixes, le produit obtenu doit être traité en passant l’épierrage, puis le stockage optionnellement
(selon le besoin), ensuite le criblage, enfin le chargement et le transport pour la vente, où la
station d’épierrage est située à 2 km de l’installation de criblage et liée avec elle avec un
convoyeur T1 d’un débit de 1200 tonnes de phosphate par heure.
a. Epierrage
Le phosphate est débarrassé des gris et grosses pierres (> 90 mm) en passant par
deux cribles de maille 90x90 mm alimentées par deux trémies. Ces gris pierres qui
sont rejetées sont évacuées vers mises à terril après avoir subi un re-criblage de
récupération et une fragmentation dans un concasseur.

Figure 17: Opération d'Epierrage du phosphate

Cette étape prépare le phosphate pour les traitements suivants.

30
 Figure 18: Installation fixe : Zone KRUPP

b. Stockage

Le phosphate épierré est stocké à l'aide de machines appelées Stacker. Une

fois stocké, le phosphate est repris par une machine appelée Roue-Pelle pour être
acheminé vers le convoyeur de criblage.
Souvent le stockage du phosphate, nécessite un mélange des couches avec
proportions définie selon le besoin du client.

Figure 19: Machine Stacker et Machine Roue-Pelle

c. Criblage

Le phosphate est soumis à un processus de criblage sur des cribles de mailles

de 10x10 mm. Le refus des cribles (classe > 10 mm) sera envoyé par des convoyeurs
à la mise à terril. Le produit criblé est ensuite acheminé par des convoyeurs vers un
deuxième parc de stockage afin d'être homogénéiser pour obtenir une qualité du
phosphate bien définie. Le phosphate issu de cette étape est donc stocké dans des
zones spécifiques chacune correspond à chaque niveau de qualité.

31
 Figure 20: Opération du Criblage

d. Chargement et Transport

Le phosphate criblé est chargé dans des wagons pour être transporté vers les
destinations finales, mais pour le phosphate stocké doit être, d’abord, chargé dans
les terrains à l’aide d’une roue-pelle qui permet la reprise du phosphate et
l’alimentation des convoyeurs T14a et T14, av avant d’être acheminer le phosphate
vers les trémies de chargement du train, par l’intermédiaire T15 et T17. Selon les
besoins, il peut être transporté vers Safi pour un traitement humide en vue de sa
valorisation ou vers Youssoufia pour être utilisé comme appoint au phosphate noir.

32
 Figure 21: Opération du Chargement et Train du Transport

Par la suite, après ces étapes de production, une grande partie du produit obtenu
est exportée vers l’extérieur vu la faiblesse des besoins du Maroc en phosphates, où
sa vente représente une importante source de revenus pour le pays de Maroc.
e. Traitement Avancé du Minerai de Phosphate

Après avoir accompli les étapes précédentes et obtenir le minerai de phosphate,

il doit être passé par un traitement avancé pour principal objectif de hausser son titre
en BPL jusqu’à atteindre des teneurs BPL d’une qualité marchande, généralement,
supérieure ou égale à 68%. On distingue deux types :
• Traitement par voie sèche
▪ Calcination
C’est un procédé d’enrichissement du minerai de phosphate par voie
sèche, ayant pour but principal d’assurer la décomposition des carbonates
contenus dans le minerai et l’élimination des matières organiques. La
calcination du minerai de phosphates est obtenue en portant le minerai
phosphate à une température suffisamment élevée (850 à 900 °C) dans un
réacteur à lit fluidisé. Elle se fait en trois phases :
➢ Phase de séchage,
➢ Phase de calcination,
➢ Phase de refroidissement

▪ Séchage
Le principe du procédé séchage du minerai de phosphate est basé sur la
réduction de sa teneur en eau. Elle est assurée par une masse gazeuse chaude
à 950 °C, produite, généralement, par la combustion du fuel, permettant la
vaporisation de l’eau provenant de l’humidité du phosphate en fournissant
l’air nécessaire à la combustion par des ventilateurs.
Pour les gaz résultants de la combustion sont refroidis à 850 °C par l’air
de dilution puis à 100 °C à la fin de l’opération. Ce procédé comprend,
généralement, les étapes suivantes :

33
 ➢ L’alimentation de l’unité en minerai de phosphate,
➢ L’opération de séchage,
➢ Le criblage à la maille de 6x6 mm du produit séché,
➢ Le dépoussiérage et mise à terril des produits stériles,
➢ Le stockage et chargement du produit sec et marchand.

• Traitement par voie humide

▪ Lavage
Le lavage du minerai de phosphate est un traitement physique par voie
humide qui consiste à éliminer :
➢ Les groupes particules (STERILES) par l’opération de
criblage
➢ Les fines particules inférieures à 40 microns (BOUES) par
l’opération de classification hydraulique.
Où on suit les différentes phases suivantes :
➢ Débourbage,
➢ Criblage,
➢ Classification par hydrocyclone,
➢ Décantation

▪ Flottation
La flottation est la technique de séparation utilisée pour enrichir les
minerais très pauvres, en suivant le principe de séparation solide/solide qui
est basé sur la différence des propriétés des interfaces solide-solution
aqueuses et l’air, et les propriétés d’HYDROPHOBIE et d’HYDROPHILE
des phases minérales et a lieu dans une cellule et/ou colonne de flottation.
Pour obtenir des interfaces hydrophobes qui flottent et des interfaces
hydrophiles qui restent déprimées, des réactifs chimiques (collecteurs et
déprimants de flottation) sont ajoutés à la pulpe.
La pulpe minérale est mise en agitation par un arbre qui va aussi servir à
injecter l’air à l’origine de la formation de bulles dans une cellule ou colonne
de flottation. Les mousses ainsi formées, qui sont chargées en particules
minérales, sont récupérées par débordement ou par un système d’écumoire.
Cette technique commence, tout d’abord, par préparer, mécaniquement, les
particules solides à séparer pour améliorer la libération des particules utiles
soit par broyage soit par attrition. Le maximum de fines stériles est séparé
puis éliminé par le technique d’HYDROCYCLONNAGE. Puis les particules
à séparer par flottation sont mises en suspension dans l’eau pour obtenir une
pulpe, qui par la suite traitée avec des additifs chimiques (ce qui constitue la
phase de conditionnement), dont le rôle est de rendre la surface, de certaines
particules solides, hydrophobe, de manière à ce qu’elle ait une plus grande

34
 affinité pour l’air que pour l’eau. Enfin, la pulpe conditionnée est transférée
dans la machine de flottation (cellules ou colonne) pour subir une flottation.

▪ Broyage des phosphates

Dans cette partie, le minerai passe par un concassage fin pour se réduire
en poudre, pour but d’augmentation de la surface d’attaque du minerai,
comme on le sait la réaction chimique est d’autant plus facile que la surface
offerte aux réactifs est plus grande, ce qui rendre elle une opération
indispensable, où il constitue :
➢ Une des étapes de traitement du minerai de phosphate, le broyage du
minerai de phosphate lavé est réalisé pour obtenir des tranches
granulométriques requises pour certaines opérations de traitement
telle que la flottation.
➢ Une des étapes du procédé de fabrication d’acide phosphorique, le
broyage du minerai de phosphate brut est utilisé pour augmenter la
surface lors de l’attaque du minerai par l’acide sulfurique.

3. Mise en situation du projet

Le Groupe Office Chérifien du Phosphate (OCP) s'est résolument engagé dans divers
programmes industriels visant à améliorer leur production, et parmi ces défis se trouve la
digitalisation de leurs opérations. Dans le cadre de ce projet, nous focalisons notre attention
sur la maintenance prédictive des machines stacker utilisées sur le site OCP Benguerir.

Ces machines stacker revêtent une importance cruciale dans le processus de stockage
du phosphate, mais leur maintenance préventive demeure un véritable enjeu. Pour accroître
leur disponibilité et leur fiabilité, il s’avère impératif de développer un modèle de
maintenance prédictive en exploitant les informations disponibles sur ces machines. De
cette manière, nous serons en mesure de détecter divers types d'anomalies, prévoir les
pannes potentielles, et améliorer l'efficacité des opérations de maintenance.

3.1 Contexte du projet

Au sein du Groupe OCP, la digitalisation des opérations est un axe majeur pour
optimiser la production et la performance industrielle. Dans ce contexte, la maintenance
prédictive des machines stacker représente un défi stratégique, car elle permettra d'anticiper les
défaillances et d'améliorer la planification des activités de maintenance.

3.2 Problématique

Au sein du processus de stockage du phosphate, les machines stacker occupent un rôle

crucial, mais leur maintenance préventive se révèle complexe en raison de la diversité des
facteurs à prendre en compte. Actuellement, cette maintenance nécessite des interventions

35
humaines demandant de nombreuses exigences, telles que des arrêts pour effectuer des
contrôles manuels. Ces interventions humaines augmentent les coûts de production et réduisent
finalement la rentabilité. Pour surmonter ce défi, il est primordial de développer un modèle
prédictif fiable qui exploite les données issues des images thermiques infrarouges et des
signaux de vibration des moteurs électriques asynchrones. L'objectif est de détecter
précocement les signes avant-coureurs de défaillances potentielles et de mettre en place des
actions préventives pour optimiser la disponibilité et la durabilité de ces machines.

3.3 Objectifs de projet

Le projet a pour objectif principal de concevoir un modèle de maintenance prédictive

avancé pour les machines stacker, en se basant sur une analyse approfondie des données
thermiques infrarouges et des signaux de vibration. Ce modèle vise à identifier divers types
d'anomalies et de défaillances, anticipant ainsi les pannes potentielles. En atteignant ces
objectifs, nous contribuerons à améliorer l'efficacité opérationnelle de l'industrie minière et à
réduire les temps d'arrêt imprévus. Les objectifs spécifiques du projet sont les suivants :

• Analyser les vibrations des moteurs électriques des machines stacker pour
identifier les formes et les types d'anomalies mécaniques.

• Développer et mettre à l'épreuve un modèle de maintenance prédictive en se

basant sur les images thermiques des moteurs à induction et leurs historiques
de vibration pour les machines stacker.

• Évaluer les performances du modèle en termes de précision dans la

prédiction des défaillances et dans l'identification des problèmes potentiels.

• Identifier les opportunités d'amélioration de la collecte de données et des

processus de maintenance, afin de prévenir activement les défaillances des
machines stacker.

3.4 Démarche

Pour mener à bien notre projet et atteindre nos objectifs ambitieux, nous avons élaboré
une démarche méthodologique rigoureuse, découpée en plusieurs étapes clés, chacune jouant
un rôle crucial dans le développement et le déploiement du modèle de maintenance prédictive
pour les machines stacker :

1. Collecte et analyse des données : Nous commencerons par rassembler les ensembles
de données provenant des images thermiques infrarouges et des signaux de vibration
des moteurs électriques des machines stacker. Cette étape est essentielle pour disposer
d'un jeu de données complet et représentatif des performances actuelles des machines.
36
2. Prétraitement des données : Une fois les données collectées, nous procéderons à un
processus de nettoyage, de transformation et de préparation des données. Cela implique
l'élimination des valeurs aberrantes, la normalisation des données, et la mise en forme
des informations pour les rendre cohérentes et adaptées au modèle de maintenance
prédictive.

3. Analyse exploratoire des données : Avant de procéder au développement du modèle

de maintenance prédictive, une analyse approfondie des données sera réalisée, où on
explore également la distribution des données, en examinant les statistiques
descriptives et en générant des visualisations pour mieux appréhender la structure des
données. Il joue un rôle essentiel dans la définition de la famille d’algorithme qui sera
utilisée (KNN, RF, SVM, ….), et de la sélection des variables pertinentes (features
selection), ce qui contribuera à la conception d’un modèle plus robuste et à la mise en
évidence des informations clés à exploiter pour anticiper les défaillances de ces
machines

4. Développement du modèle : En utilisant différentes techniques de modélisation, telles

que l'apprentissage profond (Deep Learning) et l'apprentissage automatique (Machine
Learning), nous créerons le modèle de maintenance prédictive avancé. Ce modèle sera
capable d'apprendre à partir des données fournies pour détecter les signaux avant-
coureurs de défaillances potentielles.

5. Évaluation du modèle : Le modèle sera soumis à des évaluations rigoureuses en

utilisant des mesures de performance appropriées pour déterminer sa performance, sa
précision et son efficacité dans la prédiction des défaillances, afin de garantir que le
modèle répond aux exigences de fiabilité.

6. Déploiement : Une fois le modèle de maintenance prédictive développé et évalué avec

succès, nous procéderons à son déploiement sur le terrain, dans l'environnement réel de
production des machines stacker. Cette phase de mise en œuvre pratique est cruciale
pour maximiser l'efficacité du modèle et assurer son bon fonctionnement dans des
conditions réelles. Des mécanismes de surveillance et de rétroaction seront également
mis en place pour ajuster et améliorer le modèle au fur et à mesure de son utilisation
opérationnelle. Le déploiement réussi du modèle permettra d'optimiser les
performances des machines stacker en minimisant les temps d'arrêt imprévus et en
améliorant l'efficacité globale des opérations minières.

Ce projet nécessitera des compétences en informatique ou en sciences des données,

ainsi qu'une connaissance approfondie en statistiques et en apprentissage automatique. La
programmation en langage Python sera utilisée pour développer le modèle de maintenance
prédictive. Une capacité de travail en équipe et de communication efficace sera également

37
 indispensable pour recueillir des commentaires et des retours afin d'améliorer
continuellement le modèle et assurer son succès dans l'environnement opérationnel.

3.5 Méthodologie de recherche

3.2.1 Objectifs de recherche

Dans le cadre de cette recherche, nous avons clairement défini nos objectifs pour
orienter notre démarche vers l'accomplissement des résultats attendus. Notre principal objectif
est de développer un modèle de maintenance prédictive performant pour les machines stacker,
en exploitant les informations disponibles sur ces machines. Plus précisément, nous nous
engageons à :

a. Concevoir deux modèles de classification : Le premier modèle sera basé sur les
images thermiques infrarouges, capable de détecter et de classifier différents types de
défauts de courts-circuits présents dans les moteurs électriques à induction des
machines stacker. Le second modèle sera basé sur l'analyse des signaux de vibration,
en utilisant des caractéristiques spécifiques pour détecter les différentes anomalies
mécaniques des moteurs et de leurs équipements.

b. Adapter le modèle VGG16 pré-entraîné : Nous allons adapter le modèle VGG16, qui
est pré-entraîné, pour qu'il puisse effectuer une classification précise des défauts de
courts-circuits spécifiques aux machines stacker, en exploitant les caractéristiques
extraites des images thermiques. Quant au modèle basé sur la vibration, nous
explorerons différentes variantes de techniques de Machine Learning et d'apprentissage
profond.

c. Effectuer un benchmark : Nous procéderons à un benchmark pour identifier les

meilleurs hyperparamètres et la meilleure famille de modèles pour chaque approche.

d. Évaluer les performances des modèles développés : Nous évaluerons les

performances des modèles en termes de précision de classification, de rappel et de F1-
score, afin de déterminer leur efficacité pour la maintenance prédictive des machines
stacker.

e. Intégrer un optimisateur basé sur un algorithme méta-heuristique : Afin d'assurer

la stabilité des performances des modèles face à de nouvelles données et pour garantir
leur pertinence dans le futur, nous utiliserons un optimisateur basé sur un algorithme

38
 méta-heuristique. Cet outil nous permettra de trouver la meilleure combinaison
d'hyperparamètres pour chaque modèle, représentant ainsi la solution globale la plus
optimale, en tenant compte des contraintes de calcul et du temps d'exécution maximal.

En suivant cette méthodologie de recherche rigoureuse, nous nous assurons de

développer un modèle de maintenance prédictive robuste et efficace, contribuant ainsi à
améliorer les performances opérationnelles des machines stacker tout en réduisant les temps
d'arrêt imprévus. Les compétences en sciences des données, en apprentissage automatique et
en optimisation, ainsi que la programmation en Python, seront essentielles pour la réussite de
cette recherche ambitieuse. De plus, une approche d'équipe collaborative et une communication
efficace seront nécessaires pour partager les connaissances, recueillir des retours et améliorer
continuellement nos modèles.

3.2.2 Questions de recherche

Afin de guider notre recherche de manière ciblée et approfondie, nous avons élaboré
les questions suivantes :

1. Quels sont les principaux types d'anomalies mécaniques et de défauts de courts-circuits

qui peuvent affecter les moteurs électriques à induction des machines stacker utilisées
dans le processus de stockage du phosphate ?

2. Comment pouvons-nous exploiter les données thermiques infrarouges et les signaux de

vibration pour détecter et classifier ces différents types d'anomalies et de défauts de
courts-circuits ?

3. Comment adapter le modèle VGG16 pré-entraîné pour qu'il puisse effectuer une
classification précise des défauts de courts-circuits spécifiques aux machines stacker,
en utilisant les caractéristiques extraites des images thermiques ?

4. Quelles sont les différentes variantes de techniques de Machine Learning et

d'apprentissage profond que nous pouvons explorer pour développer un modèle
performant basé sur l'analyse des signaux de vibration ?

5. Quel est l'impact des hyperparamètres sur les performances des modèles de
maintenance prédictive, et comment pouvons-nous identifier les meilleures
combinaisons d'hyperparamètres pour chaque modèle ?

39
 6. Quelle est la précision de classification, le rappel et le F1-score obtenus par nos modèles
pour la détection des anomalies mécaniques et des défauts de courts-circuits dans les
moteurs électriques des machines stacker ?

7. Comment assurer la stabilité des performances des modèles face à de nouvelles données
et comment garantir leur pertinence et leur fiabilité dans un environnement réel de
production ?

3.2.3 Méthodes de recherche

Pour répondre à nos objectifs et aux questions de recherche formulées, nous adopterons
une approche méthodologique en plusieurs étapes, en utilisant les méthodes suivantes :

1. Réunion avec les responsables : Nous organiserons des réunions avec les responsables
du Groupe Office Chérifien du Phosphate (OCP) et les spécialistes du site OCP
Benguerir pour recueillir des informations précieuses sur les machines stacker, leur
fonctionnement, les problèmes de maintenance rencontrés et les besoins spécifiques en
termes de prédictive. Ces entretiens nous permettront de mieux comprendre les défis
auxquels fait face l'entreprise et d'orienter notre démarche de recherche en conséquence.

2. Méthode documentaire : Nous effectuerons une recherche approfondie dans la

documentation existante concernant les machines stacker, les données thermiques
infrarouges et les signaux de vibration associés. Cette méthode documentaire nous
permettra d'acquérir une base solide de connaissances sur les machines, les problèmes
de maintenance courants et les méthodes prédictives déjà utilisées dans l'industrie
minière.

3. Revue de la littérature : Nous effectuerons une revue de la littérature scientifique et

technique sur la maintenance prédictive des machines industrielles, en mettant l'accent
sur les recherches et les études portant sur l'application de l'analyse des images
thermiques infrarouges et des signaux de vibration pour détecter les anomalies et les
défaillances. Cette revue de la littérature nous permettra de nous familiariser avec les
meilleures pratiques et les approches les plus avancées dans ce domaine.

4. Réalisation du solution : Cette étape englobera l'analyse des données, la modélisation,

le benchmark et la sélection du modèle, ainsi que le déploiement et la surveillance des
modèles développés. Nous procéderons à une analyse approfondie des données
thermiques infrarouges et des signaux de vibration pour identifier les principaux types
d'anomalies mécaniques et de défauts de courts-circuits susceptibles d'affecter les
machines stacker. En utilisant les connaissances acquises lors des réunions, de la

40
 documentation et de la revue de la littérature, nous concevrons deux modèles de
classification : l'un basé sur l'analyse des images thermiques infrarouges et l'autre sur
l'analyse des signaux de vibration. Ensuite, nous évaluerons les performances des
modèles en utilisant des mesures de performance appropriées telles que la précision de
classification, le rappel et le F1-score, afin de sélectionner la meilleure approche pour
la maintenance prédictive des machines stacker. Une fois les modèles développés et
sélectionnés, nous les déploierons dans l'environnement réel de production des
machines stacker. Une surveillance continue sera mise en place pour ajuster et
améliorer les modèles en fonction des résultats obtenus et des nouvelles données
collectées.

En combinant ces méthodes de recherche, on vise à fournir des solutions innovantes et

fiables pour la maintenance prédictive des machines stacker, contribuant ainsi à améliorer
l'efficacité opérationnelle de l'industrie minière tout en minimisant les temps d'arrêt imprévus.

4. Etude du système : Machine stacker

Dans le cadre du développement de notre modèle de maintenance prédictive des

machines stacker, nous entreprenons une analyse fonctionnelle approfondie de la machine
stacker afin de comprendre son fonctionnement et d'identifier les aspects pertinents pour notre
projet. La machine stacker est utilisée pour le stockage des phosphates dans les parcs de
stockage de l'installation d'épierrage, et nous nous concentrons spécifiquement sur les machines
stacker présentes dans les installations d'épierrage de la société anonyme OCP.

Figure 22: Machine stacker au sein de la station d'Epierrage KRUPP

La fonction principale de la machine stacker est de permettre le stockage et la répartition

des phosphates provenant du bâtiment de concassage en fonction de leurs différentes qualités
correspondant aux différentes couches. Cette répartition permet ensuite de mélanger ces
couches pour obtenir un produit final répondant aux besoins des clients.

41
 La machine stacker réalise plusieurs mouvements de base, notamment le levage, le
déplacement horizontal et le pivotement. Le levage peut être effectué soit à l'aide d'un
mécanisme de treuil avec un fil métallique, soit par l'intermédiaire de cylindres hydrauliques.
Le déplacement horizontal s'effectue le long d'une voie ferrée à l'aide de moteurs de traction
alimentés en courant continu. Enfin, le pivotement est réalisé grâce à un pignon pivotant qui
tourne autour d'une base pivotante, utilisant un engrenage solaire et planétaire.
Pour garantir le bon fonctionnement de ces opérations de stockage, une instrumentation
adéquate est nécessaire, comprenant l'utilisation de capteurs et de détecteurs appropriés. Dans
notre cas, nous nous intéressons particulièrement aux capteurs de vibrations, essentiels pour
surveiller l'état des moteurs électriques à induction asynchrones des machines stacker. Ces
capteurs convertissent les vibrations en signaux électriques et sont généralement basés sur des
principes tels que l'inertie, l'induction et la piézoélectricité. Les accéléromètres sont
couramment utilisés pour mesurer les vibrations, et leur choix dépendra des caractéristiques
requises, telles que la robustesse physique, la résistance à la corrosion et le rapport signal sur
bruit.
En résumé, notre étude de la machine stacker se concentre sur les aspects liés au signal
de vibrations et aux images thermiques infrarouges des moteurs électriques à induction
asynchrones. Nous analysons les mouvements et les organes principaux de la machine stacker,
tels que le levage, le déplacement horizontal et le pivotement. De plus, nous nous intéressons
à l'instrumentation nécessaire, notamment l'utilisation de capteurs de vibrations pour surveiller
l'état des moteurs. Cette compréhension approfondie de la machine stacker nous permettra de
développer un modèle de maintenance prédictive efficace en se basant sur ces données de
vibrations et d'images thermiques.

Conclusion
Ce chapitre constitue le point de départ de l'analyse et de l'étude du projet. Il présente
en détail l'organisme d'accueil, le Groupe OCP, ainsi que le contexte du projet axé sur la
maintenance prédictive des machines stacker sur le site OCP Benguerir. De plus, il expose
également la démarche méthodologique adoptée pour le développement des modèles. Le
chapitre suivant approfondira les concepts clés liés à l'étude, en mettant l'accent sur les
différentes méthodes utilisées pour développer un modèle prédictif pour la production de
Phosphates.

Chapitre II : Revue de littérature

Introduction
Avant d'explorer en détail les nuances de la maintenance prédictive dans l'Industrie 4.0,
il est crucial de jeter un coup d'œil sur les bases fondamentales qui guident cette démarche.

42
Dans cette introduction, nous allons dresser un panorama global des concepts clés liés à la
maintenance prédictive, jetant ainsi les fondations pour notre exploration approfondie à venir.
Ce chapitre inaugural nous plonge dans l'essence même de la maintenance prédictive,
en définissant ses objectifs essentiels et en illustrant comment elle trouve sa place dans le
contexte émergent de l'Industrie 4.0. En mettant en lumière son importance croissante, nous
établirons le cadre nécessaire pour plonger dans les méthodes innovantes qui propulsent cette
discipline vers de nouveaux sommets d'efficacité et de performance.
En somme, cette introduction met en relief les piliers qui soutiennent notre exploration
de la maintenance prédictive. Elle prépare le terrain pour les sections à venir, où nous
aborderons en détail les différentes approches, méthodes et applications qui façonnent cette
discipline essentielle dans le monde industriel en constante évolution.

1. Maintenance prédictive :

Figure 23: Types de Maintenance

Source : https://www.mdpi.com/2071-1050/12/19/8211
1.1 Définition et son objectif principale
La maintenance prédictive représente une approche proactive de gestion des actifs
industriels qui se focalise sur l’anticipation des défaillances et des pannes potentielles au sein
des machines et équipements. Plutôt que de réagir une fois qu’une panne survient, cette
méthode exploite l’agrégation de données. Concrètement, il s'agit d'aller au-devant d'une panne
ou d'un dysfonctionnement en utilisant un ensemble de données cumulées. Contrairement à la
maintenance corrective, qui intervient a posteriori, après l'apparition d'une panne, la
maintenance prédictive recourt à l’analyse de données et à la modélisation pour identifier les
indicateurs précurseurs de problèmes, permettant ainsi une intervention planifiée avant que la
défaillance ne survienne ou se manifeste.

43
 Figure 24: Schéma de Maintenance Prédictive

Source : https://safetyculture.com/fr/themes/maintenance-predictive/

L'objectif principal de la maintenance prédictive est d'identifier les anomalies, les

dégradations et les tendances de défaillance, donnant ainsi aux responsables de maintenance la
possibilité d'anticiper les opérations d’entretien et de planifier les interventions de façon
optimale. En essence, son dessein est de minimiser les arrêts imprévus, d'optimiser l'allocation
des ressources et d’étendre la durée de vie des équipements. Grâce à cette approche proactive,
les entreprises peuvent restreindre les coûts de maintenance, augmenter la fiabilité et la
disponibilité de leurs équipements, tout en évitant les perturbations coûteuses dans leurs
processus de production.

44
 1.2 Son Importance dans l’Industrie 4.0

Figure 25: Logo d'Industrie 4.0

Source : https://mydigitalweek.com/industrie-4-0-vers-maintenance-predictive/
L'industrie 4.0, également connue sous le nom de quatrième révolution industrielle, se
caractérise par l'exploitation des technologies numériques avancées pour optimiser et
automatiser les processus de production. Dans ce contexte, la maintenance prédictive joue un
rôle essentiel et critique en permettant une gestion intelligente des actifs et en favorisant les
principes de l'industrie 4.0.
La combinaison des techniques de maintenance prédictive avec les avancées de
l'industrie 4.0, autorise une surveillance en temps réel des équipements grâce à l'IoT (Internet
of Things) et de la collecte massive de données. L'analyse avancée et approfondie de ces
données, soutenue par l'intelligence artificielle (IA), permet une détection précoce des
anomalies et des signes annonciateurs de défaillances. Ainsi, les entreprises peuvent anticiper
les besoins de maintenance, organiser les interventions de manière proactive, et esquiver les
interruptions inopinées pouvant altérer leur productivité et leur rentabilité. Outre l’amélioration
de l'efficacité opérationnelle, la maintenance prédictive octroie des avantages supplémentaires,
tels que la réduction des coûts de maintenance, l'amélioration de la sécurité des travailleurs, la
prolongation de la durée de vie des équipements, et la gestion optimisée des stocks de pièces
de rechange. Cette optimisation de la maintenance, permet aux entreprises de prévoir plus
précisément leurs dépenses, d’éviter les débours excessifs et de s'engager dans une production
plus durable et efficiente
En somme, la maintenance prédictive constitue un pivot dans l'industrie 4.0, facilitant
la transition vers une approche de gestion proactive et intelligente des actifs. Grâce à cette
approche, les entreprises peuvent prendre des décisions éclairées, éviter les interruptions de
production imprévus, et rehausser leur efficacité opérationnelle dans son ensemble. La fusion
des technologies de l'industrie 4.0 avec la maintenance prédictive marque une étape crucial et
important vers l'avenir de l'industrie, en favorisant une gestion plus agile, durable et
performante des actifs.

45
 2. Méthodes de maintenance prédictive dans l’industrie 4.0 :
La maintenance prédictive dans l'ère de l'industrie 4.0 fait appel à un ensemble de
méthodes avancées et innovantes pour améliorer la gestion des actifs industriels. Cette section
présente une revue des différentes approches utilisées dans la maintenance prédictive, en
mettant l'accent sur l'intégration des modèles de Machine Learning et de Deep Learning, ainsi
que la combinaison des données d'images thermiques infrarouges et des signaux de vibrations
pour une maintenance plus efficace et efficiente.
2.1 Revue des approches classiques

Figure 26: Types de Maintenance Prédictive

Source : https://www.actuia.com/contribution/jeanregisv/pourquoi-la-maintenance-
predictive-va-revolutionner-lindustrie/

L’examen des approches classiques de maintenance prédictive englobe deux voies

principales : la maintenance curative et la maintenance préventive. Dans le cas de la
maintenance curative, qui est une approche réactive où les interventions ne surviennent
qu’après la détection d’une panne ou d’une anomalie, ce qui peut mener, par la suite, à des
temps d'arrêt significatifs, des coûts de réparation élevés et des perturbations dans la
production.
En opposition, la maintenance préventive opère selon un calendrier préétabli,
remplaçant régulièrement des pièces à intervalles prédéterminés, qu'elles présentent des
défaillances ou non. Bien que cette approche puisse réduire le risque de pannes inattendues,
elle peut aussi entraîner des coûts élevés de maintenance préventive pour des pièces qui
pourraient encore être fonctionnelles et opérationnels.
2.2 Intégration des modèles de Machine Learning
L'intégration des modèles de machine learning dans la maintenance prédictive est
devenue une stratégie largement adoptée pour analyser en temps réel les données générées par
les équipements industriels, ce qui représente un pivot majeur dans la gestion des actifs

46
industriels. Cette approche s’appuie sur les progrès technologiques et l’abondance de données
pour jouer un rôle centrale dans la détection précoce des défaillances et la prise de décisions
éclairées en matière de maintenance.
L'atout majeur des modèles de machine learning réside dans leur capacité à apprendre
de manière itérative à partir des données en flux continu générées par les équipements
industriels. Par opposition aux approches classiques basées sur des règles prédéfinies, ces
modèles sont capables d’identifier automatiquement des schémas et des tendances cachées dans
les données, même lorsqu'ils sont complexes et non linéaires. Cela signifie que les équipes de
maintenance peuvent désormais disposer d’outils qui se perfectionnent au fur et à mesure que
de nouvelles données sont accumulées, offrant ainsi une maintenance prédictive plus pointue
et adaptable.
Parmi Ces algorithmes fréquemment utilisés dans la maintenance prédictive, on peut
citer la régression, qui est employée pour prédire des valeurs continues telles que la durée de
vie restante d'un équipement, les machines à vecteurs de support (SVM) sont particulièrement
adaptées pour la classification binaire, permettant de séparer les données en deux catégories,
comme par exemple "défectueux" ou "fonctionnel", les arbres de décision (RF), quant à
eux, offrent une approche visuelle et interprétable pour la prise de décisions en fonction des
caractéristiques des équipements. Enfin, les méthodes d'apprentissage ensembliste, comme le
"boosting" et le "bagging", fusionnent plusieurs modèles pour améliorer les performances de
prédiction et minimiser les risques de surapprentissage (Overfitting).
Ces algorithmes transforment la maintenance prédictive en une démarche proactive
plutôt que réactive. Les défaillances potentielles et plus précisément ces signes préliminaires
sont repérés à un stade précoce, donnant aux équipes de maintenance l’opportunité de planifier
des interventions proactives pour éviter des temps d'arrêt coûteux. En anticipant les pannes, les
entreprises peuvent également optimiser l'utilisation des ressources et réduire les coûts globaux
de maintenance. Cependant, il est crucial de noter que le succès de l'intégration des modèles
de machine learning dans la maintenance prédictive requiert une collecte rigoureuse de
données, une gestion judicieuse des données et un processus de formation et de validation
minutieuses des modèles. De plus, l'interopérabilité avec les systèmes existants et la capacité
d'intégrer ces modèles en temps réel dans des environnements opérationnels sont des défis
supplémentaires. Ces enjeux doivent être surmontés pour assurer le succès de cette approche,
qui exploite efficacement les données pour anticiper les défaillances, améliorer la fiabilité et la
disponibilité des équipements, et contribuer à une production plus efficace et profitable dans le
cadre de l'industrie 4.0.

2.3 Rôle des modèles de Deep Learning dans l’amélioration de la maintenance

prédictive
Deep Learning, une sous-branche de l'apprentissage automatique, déploie des réseaux
de neurones artificiels pour extraire automatiquement des caractéristiques complexes à partir
de vastes ensembles de données. Cette approche se révèle particulièrement bénéfique dans le
cadre de la maintenance prédictive où les données peuvent être abondantes, diversifiées et
variées, englobant des aspects tels que les images thermiques infrarouges et les signaux de
vibrations. L'un des atouts majeurs de ces modèles réside dans leur capacité à appréhender des

47
données complexes et non linéaires, qui échappent souvent aux méthodes traditionnelles de
l'apprentissage automatique. Les réseaux de neurones profonds sont capables d’acquérir des
hiérarchiques de représentations des données, capturant ainsi les traits les plus saillants et
distinctifs pour détecter les prémices de pannes imminentes. Lorsqu'il s'agit de décortiquer les
images thermiques infrarouges, les réseaux neuronaux convolutifs (CNN) sont couramment
utilisés. Ces architectures de réseau sont spécifiquement conçues pour extraire de manière
automatisée des caractéristiques pertinentes des images, en identifiant des motifs et des
structures thermiques spécifiques associés aux altérations et anomalies des équipements. Grâce
à leur capacité à apprendre des filtres convolutifs, les CNN sont en mesure de repérer des
changements subtils dans les images thermiques, permettant ainsi une prédiction plus précise
des futurs problèmes.
Parallèlement, les réseaux neuronaux récurrents (RNN) sont largement utilisés pour
l'analyse des séries temporelles, comme les signaux de vibrations des équipements. Ces réseaux
sont configurés pour prendre en compte la dépendance temporelle des données, ce qui les rend
particulièrement adaptés pour détecter les tendances de défaillance au sein de signaux
vibratoires complexes. Grâce à leur aptitude à conserver des informations sur des états
antérieures, les RNN peuvent déceler des modèles changeants et des comportements atypiques,
facilitant ainsi une prévision précise des évolutions éventuelles des équipements.
Cependant, l’incorporation de cette approche à la maintenance prédictive n’est pas
exempte de défis, notamment en ce qui concerne la quantité de données requises pour entraîner
des modèles de neurones profonds, ainsi que la complexité des architectures de réseau à
optimiser. Cependant, avec les progrès des technologiques, l'accès à des ressources
informatiques plus puissantes, et le perfectionnement de techniques d'apprentissage profond
plus efficaces, ces obstacles sont progressivement surmontés, favorisant une adoption plus
étendue du Deep Learning dans l'industrie.
En résumer, l'intégration de modèles de Deep Learning dans la maintenance prédictive
représente une avancée substantielle dans la gestion proactive des actifs industriels. En tirant
pleinement parti des données thermiques infrarouges et des signaux de vibrations, les réseaux
neuronaux sont en mesure de détecter avec une grande précision les dégradations et les
tendances de défaillance des équipements. Cette approche offre aux responsables de
maintenance l’opportunité d'anticiper les problèmes potentiels, d'améliorer la disponibilité et
la fiabilité des équipements, et de contribuer à une production plus efficiente et durable dans le
contexte de l'industrie 4.0.

48
 2.4 Utilisation combinée de données d'images thermiques infrarouges et de
signaux de vibrations pour optimiser l'efficacité et l’efficience

Figure 27: Illustration d'une IRT et du Signal de Vibration d'un Moteur Electrique

L’association des données d'images thermiques infrarouges et de signaux de vibrations

se révèle être une approche extrêmement performante pour améliorer considérablement la
maintenance prédictive. En amalgamant les informations fournies par les capteurs d'imagerie
thermique avec celles des capteurs de vibrations, les entreprises peuvent réaliser une
surveillance en temps réel de l'état de leurs équipements, permettant ainsi une évaluation
exhaustive de leur santé opérationnelle.
Les images thermiques infrarouges sont particulièrement précieuses pour repérer les
variations de température sur les surfaces des équipements. Ces fluctuations thermiques
peuvent mettre en évidence des anomalies, comme des zones chaudes ou froides, signalant des
problèmes de friction, de surchauffe, de défaillance imminente ou de taux de court circuits. Ces
indications visuelles fournies par les images thermiques permettent aux équipes de
maintenance de cibler rapidement les zones à risque et d'anticiper les problèmes éventuels,
évitant ainsi des défaillances coûteuses et des temps d'arrêt imprévus.
D'un autre côté, les signaux de vibrations jouent un rôle crucial et essentiel dans la
détection des comportements mécaniques anormaux des machines. Les capteurs de vibrations
sont aptes à identifier les vibrations indésirables, les déséquilibres, ou les défauts mécaniques,
qui peuvent présager une défaillance imminente. L'analyse des signaux de vibrations apporte
des informations précieuses sur l'intégrité structurelle et le bon fonctionnement des
équipements, permettant de prendre des mesures correctives avant que les problèmes ne
s'aggravent et n'entraînent des pannes graves et majeures.
En fusionnant les informations issues de ces deux sources, les modèles de Machine
Learning et de Deep Learning peuvent offrir une vue d'ensemble et holistique de l'état des
équipements. Ces modèles sont capables d’apprendre à identifier et interpréter les schémas et
les comportements associés aux défaillances. Grâce à leur capacité à analyser de quantités
considérables de données complexes. Ces modèles peuvent identifier les dégradations subtiles
et les changements de comportement des équipements, permettant ainsi une prédiction plus
précise des défaillances potentielles.
En conséquence, l'utilisation conjointe des données d'images thermiques infrarouges et
des signaux de vibrations présente des avantages significatifs pour la maintenance prédictive.
Elle permet de prévoir les problèmes émergents, de planifier les interventions de maintenance
d’une manière proactive, et d'éviter les coûts élevés associés aux arrêts imprévus. En optimisant
la disponibilité et la fiabilité des équipements, cette approche contribue également à une

49
production plus efficace et durable, soutenant ainsi les objectifs de l'industrie 4.0 et renforçant
la compétitivité des entreprises sur le marché.

3. Approches de modélisation basées sur les données :

3.1 Intelligence Artificielle et son lien avec ML et DL

Figure 28: IA, ML et DL

L'intelligence artificielle (IA) est une discipline de l'informatique qui vise à créer des
systèmes capables de réaliser des tâches qui nécessitent normalement l'intelligence humaine.
Dans le domaine de l'IA, deux branches essentielles sont : Premièrement, le Machine Learning
est une approche où les modèles peuvent s'améliorer à partir de l'expérience, c'est-à-dire des
données qu'ils reçoivent. Deuxièment, le Deep Learning, quant à lui, est une sous-branche du
Machine Learning qui utilise des réseaux de neurones artificiels profonds pour extraire
automatiquement des caractéristiques pertinentes à partir des données. Cependant, il est
essentiel de comprendre que le Machine Learning et le Deep Learning ne représentent qu'une
petite partie de ce que l'on appelle l'intelligence artificielle. L'IA englobe un large éventail de
méthodes, d'approches et de techniques pour permettre aux machines de simuler des
comportements intelligents. En dehors du Machine Learning et du Deep Learning, d'autres
branches de l'IA comprennent : Raisonnement symbolique, Recherche opérationnelle,
Systèmes multi-agents, etc.
En résumé, l'intelligence artificielle est une discipline diversifiée et en constante
évolution, qui englobe un large éventail d'approches pour permettre aux machines de
reproduire des comportements intelligents. Le Machine Learning et le Deep Learning
représentent certainement des avancées significatives dans le domaine, mais ils ne constituent
qu'une partie de l'arsenal de techniques utilisées pour créer des systèmes d'IA performants et
polyvalents.

50
 3.2 Modèles de Machine Learning :
Le Machine Learning, également connu sous le nom d'apprentissage automatique, est
un domaine de l'intelligence artificielle qui se fonde sur des méthodes statistiques et
mathématiques pour permettre aux machines d'apprendre à partir de données et de généraliser
à de nouvelles situations sans être explicitement programmées pour chaque tâche. L'idée
centrale du Machine Learning est d'utiliser des modèles mathématiques pour capturer les
schémas et les relations présents dans les données, puis de les utiliser pour effectuer des
prédictions ou prendre des décisions sur de nouvelles données similaires.
3.2.1 Types d'algorithmes d'apprentissage
Il existe plusieurs types d'algorithmes d'apprentissage utilisés en Machine Learning,
chacun étant adapté à des types spécifiques de tâches et de données. Voici quelques-uns des
principaux types d'algorithmes :

3.2.1.1 Apprentissage supervisé :

Dans l'apprentissage supervisé, le modèle est entraîné à partir d'un ensemble de données
étiquetées, où chaque exemple est associé à une étiquette ou une catégorie connue. L'objectif
est de faire apprendre au modèle la relation entre les entrées (caractéristiques) et les sorties
(étiquettes) pour qu'il puisse généraliser à de nouvelles données. Les algorithmes couramment
utilisés pour l'apprentissage supervisé comprennent la régression linéaire, les machines à
vecteurs de support (SVM), les réseaux neuronaux, les arbres de décision et les méthodes
d'apprentissage ensembliste comme le boosting et le bagging.

Figure 29: Schéma d'Apprentissage Supervisé

3.2.1.2 Apprentissage non supervisé :

L'apprentissage non supervisé concerne les données non étiquetées, où le modèle doit
identifier des structures ou des patterns intrinsèques sans avoir de guidage sur les sorties
attendues. Les principales tâches de l'apprentissage non supervisé incluent le regroupement
(clustering) et la réduction de dimension (dimensionality reduction). Les algorithmes

51
couramment utilisés pour l'apprentissage non supervisé sont les k-plus proches voisins (KNN),
l'analyse en composantes principales (PCA), analyse des correspondances (CA), les méthodes
de regroupement telles que K-means et le regroupement hiérarchique.

Figure 30: Schéma d'Apprentissage non supervisé

3.2.1.3 Apprentissage par renforcement :

L'apprentissage par renforcement implique un agent qui interagit avec un

environnement pour atteindre un objectif spécifique. L'agent prend des actions et reçoit des
récompenses ou des pénalités en fonction de ses actions. L'objectif de l'agent est de maximiser
les récompenses cumulatives au fil du temps. Les algorithmes d'apprentissage par renforcement
utilisent souvent des processus de décision markoviens (MDP) pour modéliser la dynamique
de l'environnement et les politiques d'action.

52
 Figure 31: Schéma d'Apprentissage par renforcement

3.2.1.4 Apprentissage semi-supervisé :

L'apprentissage semi-supervisé combine des données étiquetées et non étiquetées pour

améliorer les performances du modèle. Cette approche est utile lorsque l'étiquetage des
données est coûteux ou difficile à obtenir en quantités importantes. Les algorithmes
d'apprentissage semi-supervisé utilisent des stratégies pour exploiter à la fois les informations
supervisées et non supervisées afin d'améliorer la généralisation du modèle.

Figure 32: Schéma d'Apprentissage semi-supervisé

3.2.1.4 Apprentissage par transfert :

53
 L'apprentissage par transfert consiste à utiliser un modèle préalablement entraîné sur
une tâche similaire pour aider à résoudre une nouvelle tâche. Le modèle pré-entraîné (appelé
modèle source) est adapté à la nouvelle tâche (appelée modèle cible) en utilisant des données
étiquetées spécifiques à cette tâche. Cette approche est utile lorsque les données d'entraînement
pour la nouvelle tâche sont limitées.

Figure 33: Schéma d'Apprentissage par Transfert

Ces différents types d'apprentissage offrent des outils puissants pour aborder diverses
problématiques dans le domaine du Machine Learning. Le choix de l'algorithme dépend du
type de tâche, de la nature des données et des contraintes spécifiques du problème à résoudre.
La combinaison et la sélection judicieuse de ces algorithmes permettent aux modèles
d'apprentissage automatique de traiter un large éventail de défis et de fournir des solutions
efficaces et performantes dans de nombreuses applications.

3.2.2 Les familles d'algorithmes

Les algorithmes de Machine Learning sont regroupés en différentes familles en fonction
de leur approche et de leur objectif. Voici quelques-uns des principaux types d'algorithmes :

3.2.2.1 Régression linéaire :

La régression linéaire est un modèle statistique utilisé pour modéliser la relation entre
une variable dépendante continue Y et une ou plusieurs variables indépendantes (ou
caractéristiques) X. Elle cherche à déterminer une fonction linéaire qui représente au mieux la
relation entre X et Y. Mathématiquement, la régression linéaire s'exprime comme suit :
Y = β0 + β1X1 + β2X2 + ... + βn*Xn + ε
Où :

54
• Y est la variable dépendante (la variable que nous cherchons à prédire).
• X1, X2, ..., Xn sont les variables indépendantes (les caractéristiques).
• β0, β1, β2, ..., βn sont les coefficients de régression, qui déterminent l'effet
de chaque caractéristique sur la variable dépendante.
• ε est le terme d'erreur, qui représente la différence entre la valeur réelle de
Y et la valeur prédite par le modèle.
L'objectif de la régression linéaire est de trouver les coefficients β0, β1, β2,
..., βn qui minimisent l'erreur globale du modèle, généralement mesurée par la
somme des carrés des résidus (erreur quadratique moyenne). Une fois que les
coefficients sont estimés, le modèle peut être utilisé pour prédire les valeurs de
Y pour de nouvelles observations en utilisant les valeurs des caractéristiques
correspondantes.
Exemple : Prédire le prix d'une maison en fonction de ses caractéristiques telles
que la surface habitable (X1), le nombre de chambres (X2), la localisation
géographique (X3), etc. Le modèle de régression linéaire cherchera à déterminer
comment chaque caractéristique affecte le prix de la maison et permettra ainsi
de faire des prédictions sur le prix pour de nouvelles maisons en utilisant leurs
caractéristiques.
Cette famille est largement utilisée dans divers domaines tels que
l'économie, la finance, la biologie, les sciences sociales, et bien d'autres, chaque
fois qu'il est nécessaire d'établir une relation continue entre des variables. Sa
simplicité et son interprétabilité en font un outil puissant pour l'analyse de
données et la prédiction de valeurs continues. Cependant, elle présente des
limitations, notamment dans les cas où la relation entre les variables n'est pas
linéaire, auquel cas d'autres modèles plus complexes comme les réseaux de
neurones peuvent être envisagés.

Figure 34: Représentation graphique de la Régression linéaire

55
 3.2.2.2 Machine à vecteurs de support (SVM) :
Les machines à vecteurs de support (SVM) sont des algorithmes d'apprentissage
supervisé utilisés pour la classification binaire ou multi-classe. Mathématiquement, les SVM
cherchent à trouver un hyperplan dans un espace de grande dimension qui permet de séparer
au mieux les données de différentes classes. Un hyperplan est un sous-espace de dimension (n-
1), où n est le nombre de caractéristiques du jeu de données.
Supposons que nous ayons un jeu de données avec m exemples et n caractéristiques,
noté comme suit : {(x1, y1), (x2, y2), ..., (xm, ym)}, où xi représente un vecteur de n
caractéristiques et yi est l'étiquette de classe correspondante (par exemple, -1 ou 1 pour une
classification binaire).
Un hyperplan est défini par l'équation suivante : w · x - b = 0
Où :
• w est le vecteur normal à l'hyperplan.
• · représente le produit scalaire entre w et x.
• b est le biais (ou offset) du modèle.

L'objectif des SVM est de trouver l'hyperplan qui maximise les marges entre les
échantillons de différentes classes. Les marges sont définies comme la distance entre
l'hyperplan et les échantillons les plus proches de chaque classe. Ces échantillons les plus
proches sont appelés vecteurs de support, d'où le nom "machines à vecteurs de support".
Lorsque les classes ne sont pas linéairement séparables, les SVM peuvent utiliser des
noyaux pour projeter les données dans un espace de plus grande dimension, où elles peuvent
devenir linéairement séparables. Les noyaux les plus couramment utilisés sont le noyau
linéaire, le noyau polynomial et le noyau gaussien (RBF).
Exemple : Dans le cas de la classification de courriels en "spam" ou "non-spam", les SVM
chercheraient à trouver un hyperplan qui sépare efficacement les courriels spam des courriels
non-spam en fonction de leurs caractéristiques (par exemple, mots-clés, fréquence d'apparition
de certains termes, etc.).
Les SVM sont largement utilisées dans divers domaines tels que la classification
d'images, la détection de fraude, l'analyse de texte, la bio-informatique, et bien d'autres. Leur
capacité à gérer à la fois des problèmes de classification binaire et multi-classe, ainsi que leur
robustesse face aux données bruitées, en font des algorithmes populaires pour les tâches de
classification.

56
 Figure 35: Les composantes de SVM

3.2.2.3 Arbre de décision :

Les arbres de décision sont des algorithmes d'apprentissage supervisé utilisés pour la
classification et la régression. Ils représentent les données sous forme d'une structure
arborescente, où chaque nœud interne représente une caractéristique du jeu de données, chaque
branche correspond à une valeur possible de cette caractéristique, et chaque feuille représente
une prédiction de classe ou une valeur continue.
Mathématiquement, la construction d'un arbre de décision peut être formulée de la
manière suivante : Soit D un ensemble de m exemples d'entraînement, et Xi la i-ème
caractéristique de chaque exemple, où i varie de 1 à n. Chaque exemple est représenté par un
vecteur Xi = (xi1, xi2, ..., xin) de n caractéristiques.
L'objectif est de diviser récursivement l'ensemble D en sous-ensembles plus petits de
telle sorte que les exemples au sein de chaque sous-ensemble soient le plus homogènes possible
en termes de classe ou de valeur de sortie. Cette homogénéité est mesurée à l'aide d'une fonction
d'impureté, telle que l'indice de Gini pour les problèmes de classification ou l'erreur quadratique
moyenne pour les problèmes de régression.
Pour construire l'arbre, on sélectionne la caractéristique et la valeur de seuil qui
permettent de diviser l'ensemble de données en sous-ensembles les plus homogènes possibles.
Ce processus est répété de manière récursive pour chaque sous-ensemble jusqu'à ce qu'une
condition d'arrêt soit atteinte, par exemple lorsque tous les exemples appartiennent à la même
classe ou lorsque le nombre maximum de niveaux de l'arbre est atteint.
Exemple : Dans le cas de la prédiction d'achats de clients en fonction de leurs
préférences et de leur historique d'achats, un arbre de décision pourrait être construit en utilisant
des caractéristiques telles que l'âge, le genre, les achats précédents, etc. L'arbre diviserait alors

57
l'ensemble de clients en groupes homogènes selon ces caractéristiques pour prédire s'ils
achèteront ou non un produit spécifique.
Les arbres de décision sont appréciés pour leur simplicité et leur interprétabilité. Ils
permettent de visualiser facilement les décisions prises par le modèle et sont souvent utilisés
dans des applications telles que la recommandation de produits, la classification de clients, la
prédiction de maladies, et bien d'autres. Cependant, ils peuvent devenir complexes et sur-
ajustés aux données d'entraînement lorsque l'arbre est trop profond ou lorsqu'il y a un grand
nombre de caractéristiques, ce qui peut conduire à une baisse des performances de
généralisation.

Figure 36: Les éléments d'Arbre De Décision

3.2.2.4 Forêt Aléatoire :

La famille Random Forest (Forêt Aléatoire) est une famille d’algorithmes

d'apprentissage ensemblistes qui repose sur le principe de construire un grand nombre d'arbres
de décision, appelés "arbres aléatoires", et de les combiner pour effectuer la classification ou
la régression. Chaque arbre de décision est construit à partir d'un échantillon de données tirées
aléatoirement du jeu de données d'entraînement, et les prédictions de chaque arbre sont ensuite
agrégées pour aboutir à une prédiction finale plus robuste et précise.
Mathématiquement, soit D un ensemble de m exemples d'entraînement, et Xi la i-ème
caractéristique de chaque exemple, où i varie de 1 à n. Chaque exemple est représenté par un
vecteur Xi = (xi1, xi2, ..., xin) de n caractéristiques. L'algorithme RF est construit de la manière
suivante :
1. Sélection aléatoire de k échantillons de D avec remplacement (bootstrap) pour former
k sous-ensembles de données d'entraînement. Chaque sous-ensemble contient m
exemples tirés aléatoirement de D, et certains exemples peuvent être répétés dans un
sous-ensemble.

2. Pour chaque sous-ensemble de données, un arbre de décision est construit en

sélectionnant de manière récursive la meilleure caractéristique et la valeur de seuil qui
permettent de diviser les exemples en sous-groupes homogènes selon une mesure
d'impureté (comme l'indice de Gini).
58
 3. Les k arbres de décision ainsi obtenus effectuent des prédictions sur de nouvelles
données d'entrée, et leur vote majoritaire ou leur moyenne est utilisé pour obtenir la
prédiction finale.
Exemple : Dans le cas de la prédiction d'achat d'un produit par un client en fonction de
caractéristiques telles que l'âge, le revenu, les habitudes d'achat, etc., un RF pourrait être
construit en créant plusieurs sous-ensembles de clients choisis aléatoirement avec
remplacement à partir des données d'entraînement. Chaque sous-ensemble serait utilisé pour
construire un arbre de décision qui prédit l'achat du produit. Ensuite, les prédictions de tous les
arbres seraient combinées par vote ou moyenne pour déterminer si le client achètera ou non le
produit.
Les avantages du RF résident dans sa capacité à réduire le surajustement (Overfitting)
en combinant les prédictions de multiples arbres, et à gérer efficacement les jeux de données
avec un grand nombre de caractéristiques. Il est souvent utilisé dans les problèmes de
classification et de régression, et est particulièrement apprécié pour sa facilité d'utilisation, sa
robustesse et ses performances élevées.

Figure 37: Diagramme de Foret Aléatoire

3.2.2.5 Extremely Randomized Trees :

Les Arbres Extrêmement Aléatoires (ERT) sont une variante de RF, mais avec un degré
d'aléatoire encore plus élevé. Contrairement à RF qui sélectionne la meilleure caractéristique
pour diviser les nœuds de l'arbre, les ERT choisissent des seuils de découpe de manière
totalement aléatoire. Cette approche vise à réduire le potentiel de biais introduit par la sélection
des seuils optimaux dans les arbres de décision classiques et rend le modèle encore plus robuste
face à des jeux de données bruités ou comportant des caractéristiques peu informatives.
Mathématiquement, soit T un arbre de décision issu de l’algorithme ERT. À chaque
nœud interne de T, une caractéristique Xi est choisie aléatoirement parmi l'ensemble des

59
caractéristiques disponibles, et un seuil de découpe s est également tiré au hasard parmi
l'ensemble des valeurs possibles de Xi. L'ensemble des exemples est ensuite divisé en deux
sous-ensembles selon que leurs valeurs pour Xi sont inférieures ou supérieures à s. Ce processus
est répété récursivement pour construire l'arbre jusqu'à ce qu'une condition d'arrêt soit atteinte,
comme un nombre maximal de niveaux ou un nombre minimal d'exemples par feuille.
Exemple : Pour prédire si un client quittera ou restera fidèle à une entreprise en fonction de
divers facteurs tels que la satisfaction du service client, la fréquence des achats, etc., un modèle
basé sur ERT pourrait être construit. L'algorithme sélectionnerait aléatoirement une
caractéristique telle que la satisfaction du service client et un seuil de découpe, par exemple 4
sur une échelle de 1 à 5. Les clients dont la satisfaction est inférieure à 4 seraient classés dans
un sous-ensemble et ceux dont la satisfaction est supérieure à 4 dans un autre sous-ensemble.
Ce processus serait répété de manière aléatoire à chaque nœud de l'arbre pour aboutir à des
feuilles contenant les prédictions finales.
Les avantages de ERT résident dans leur capacité à renforcer la robustesse du modèle
en évitant une dépendance excessive à l'égard des caractéristiques les plus informatives, et à
mieux gérer les données bruitées ou les caractéristiques peu discriminantes. Cependant, cette
approche peut être plus coûteuse en temps de calcul en raison de son degré élevé d'aléatoire.
Les ERT sont particulièrement utiles lorsque les données sont complexes ou que certaines
caractéristiques sont peu fiables, et ils sont souvent utilisés dans les problèmes de classification
et de régression où la qualité des prédictions est primordiale.

Figure 38: Diagramme d'ERT

3.2.2.6 Répartition en K-means :

Les algorithmes K-means sont des méthodes de regroupement de données qui visent à
partitionner un ensemble de points de données en K clusters distincts, où K est un nombre
prédéfini. Ces clusters sont déterminés en minimisant la variance intra-cluster, c'est-à-dire la
somme des carrés des distances entre chaque point de données et le centre de son cluster.
Chaque cluster est caractérisé par un centroïde, qui représente le centre géométrique du cluster.

60
 Mathématiquement, soit X = {x1, x2, ..., xn} l'ensemble des points de données à
regrouper en K clusters, et C = {c1, c2, ..., cK} l'ensemble des centroïdes des clusters. L'objectif
des algorithmes K-means est de trouver C de manière à minimiser la fonction d'inertie (souvent
notée J(C)), définie comme suit :

Où ‖. ‖ représente la distance euclidienne entre deux points. L'algorithme K-means procède en

deux étapes itératives :
1. Attribution des points aux clusters : Dans cette étape, chaque point de données est
assigné au cluster dont le centroïde est le plus proche en termes de distance euclidienne.
2. Mise à jour des centroïdes : Une fois que tous les points ont été attribués à un cluster,
les centroïdes de chaque cluster sont recalculés comme la moyenne des points du
cluster.
Ces deux étapes sont répétées de manière itérative jusqu'à ce que les centroïdes convergent
vers une configuration stable. L'algorithme K-means est sensible au choix initial des
centroïdes, et plusieurs exécutions peuvent donner des résultats différents. Afin de garantir une
meilleure solution, il est courant d'exécuter l'algorithme plusieurs fois avec différents choix
initiaux et de sélectionner la meilleure partition obtenue.
Exemple : Pour segmenter les clients d'un site E-commerce en groupes en fonction de leurs
comportements d'achat, l'algorithme K-means chercherait à regrouper les clients ayant des
comportements similaires en termes de produits achetés, de fréquence d'achat, de montant
dépensé, etc. Chaque cluster obtenu représenterait un groupe de clients partageant des
caractéristiques communes, permettant ainsi de mieux comprendre le comportement des clients
et d'adapter les stratégies marketing en conséquence.
Les algorithmes K-means sont largement utilisés dans l'analyse de données, la
segmentation de clients, la reconnaissance de formes, la compression d'images et bien d'autres
domaines où la partition de données en groupes homogènes est nécessaire.

Figure 39: K-means Cluster

3.3 Modèles de Deep Learning :

Dans cette section, nous allons nous concentrer sur les Réseaux de Neurones, également
connus sous le nom de réseaux de neurones artificiels, qui sont des modèles inspirés du
61
fonctionnement des neurones du cerveau humain. Ils sont utilisés pour résoudre des
problématiques d'apprentissage automatique (Machine Learning). Un neurone artificiel est
généralement représenté par une fonction d'activation, telle que la fonction sigmoïde, qui
permet de modéliser son comportement. Elles sont préférées aux techniques de régression dans
de nombreuses tâches de Machine Learning, car ils offrent des performances supérieures. Ils
sont particulièrement adaptés aux domaines où les relations entre les données d'entrée et de
sortie sont complexes et non linéaires. Quelques exemples d'applications incluent la
reconnaissance d'images, la classification de textes ou d'images, l'identification d'objets, la
prédiction de données et le filtrage de données.
3.3.1 Types d'architectures de réseaux neurones
Un réseau de neurones peut prendre différentes formes en fonction du type de données
qu'il traite, de sa complexité et de la méthode de traitement des données. Les architectures de
réseaux neuronaux peuvent être divisées en quatre grandes familles :
3.3.1.1 Réseaux de neurones Feed-Forwarded (à propagation avant) :
Ces réseaux traitent les données en les faisant circuler uniquement dans une direction,
de la couche d'entrée à la couche de sortie, sans boucle de rétroaction de l'information. Parmi
les réseaux Feed-Forwarded, on distingue notamment les réseaux monocouches, connus sous
le nom de perceptron simple, et les réseaux multicouches, appelés perceptrons multicouches.
Le perceptron simple ne possède que deux couches (entrée et sortie), tandis que le perceptron
multicouche dispose de couches cachées entre l'entrée et la sortie. Ces réseaux multicouches
sont mieux adaptés pour traiter des fonctions non-linéaires et sont largement utilisés dans
diverses applications de classification et de régression.

Figure 40: Schéma général d'une Réseau Feed-Forwarded

En outre, les réseaux de neurones convolutifs (CNN) sont une extension des perceptrons
multicouches, conçus spécifiquement pour l'analyse d'images et de données structurées. Les
CNN utilisent des filtres convolutifs pour détecter des motifs et des caractéristiques
significatifs dans les données d'entrée, en les appliquant de manière hiérarchique à différentes
échelles. Cette architecture permet aux CNN de capturer des informations locales et de les
combiner pour former des représentations plus abstraites. Grâce à leur capacité à apprendre
automatiquement les caractéristiques à partir des données, les CNN sont particulièrement

62
efficaces pour la reconnaissance d'objets dans les images et sont largement utilisés dans les
domaines de la vision par ordinateur, de la classification d'images et de la détection d'objets.

Figure 41: Architecture de CNN

3.3.1.2 Réseaux de neurones à résonance :

Les réseaux de neurones à résonance tirent leur nom de leur fonctionnement, où
l'activation de chaque neurone est renvoyée à tous les autres neurones, provoquant des
oscillations ou résonances au sein du système. Ces réseaux sont utilisés pour la reconnaissance
d'objets en associant des informations contextuelles avec la connaissance existante. Parmi les
modèles de réseaux de neurones à résonance, on peut citer la Mémoire Associative
Bidirectionnelle et le modèle ART.

Figure 42: Architecture de Réseau Neurones à Résonance

Ces différentes architectures de réseaux neuronaux offrent des approches variées pour
résoudre différentes tâches d'apprentissage automatique, et leur choix dépendra de la nature du
problème à résoudre et des caractéristiques des données d'entrée. Parmi ces architectures, les
réseaux neuronaux convolutifs (CNN) se distinguent par leur capacité à capturer des
caractéristiques locales et hiérarchiques dans les données visuelles, les rendant
particulièrement performants pour la reconnaissance d'images, la détection d'objets et d'autres
applications liées au traitement des données visuelles.

63
 3.3.2 Les algorithmes d'optimisation
Il existe plusieurs algorithmes d'optimisation couramment utilisés pour entraîner les
réseaux neuronaux. Ces algorithmes visent à ajuster les poids et les biais du réseau afin de
minimiser la fonction de perte et ainsi améliorer les performances du modèle. Voici quelques-
uns des principaux algorithmes d'optimisation :
3.3.2.1 Descente de gradient stochastique :
C'est l'algorithme d'optimisation de base pour les réseaux neuronaux. À chaque
itération, SGD met à jour les poids du réseau en utilisant le gradient calculé à partir d'un seul
échantillon d'entraînement à la fois. La mise à jour des poids pour chaque couche du réseau
peut être formulée mathématiquement comme suit :

Où :

• 𝑊𝑖 sont les poids du réseau à l'itération 𝑖 .

• 𝛼 est le taux d'apprentissage (Learning Rate), qui détermine la
taille des pas effectués lors de la mise à jour des poids.

• 𝛻𝐽(𝑊𝑖 , 𝑥𝑖 , 𝑦𝑖 ) est le gradient de la fonction de perte 𝐽 par

rapport aux poids 𝑊𝑖 pour l'échantillon (𝑥𝑖 , 𝑦𝑖 ) (entrée 𝑥𝑖 et
sortie 𝑦𝑖 de l'échantillon).

Le SGD est rapide et facile à implémenter, mais il peut avoir des oscillations et des
mises à jour bruitées en raison de l'utilisation d'un seul échantillon à la fois.

Figure 43: Illustration de la convergence de SGD

3.3.2.2 Adam (Adaptive Moment Estimation) :

64
 Adam combine les idées de moment (Momentum) et d'Adagrad. Il utilise des moments
pour estimer les premiers moments (moyenne) et les seconds moments (variance non centrée)
des gradients. Cela permet de corriger les biais de moment et d'adapter les taux d'apprentissage
pour chaque paramètre du réseau. La mise à jour des poids est donnée par :

Où 𝑀𝑖 et 𝐺𝑖 sont les moments des premiers et seconds moments à l'itération 𝑖 . Les

paramètres 𝛽1 et 𝛽2 contrôlent l'influence des moments passés, et ∈ est une constante d'éviter
la division par zéro.

Figure 44: Illustration de la convergence d'Adam

Ces algorithmes d'optimisation diffèrent dans la manière dont ils mettent à jour les poids
du réseau et adaptent les taux d'apprentissage pour converger vers le minimum de la fonction
de perte. Chaque algorithme a ses avantages et inconvénients, et leur performance peut varier
selon le problème spécifique et la taille du réseau neuronal. Les choix d'algorithmes
d'optimisation et de taux d'apprentissage sont donc souvent des paramètres cruciaux à optimiser
lors de la formation des réseaux neuronaux.
3.4 Techniques d'analyse d'un signal de vibration de moteur électrique :
Introduction
L'analyse des signaux de vibration des moteurs électriques joue un rôle crucial dans le
domaine de la maintenance prédictive. Les moteurs électriques sont largement utilisés dans

65
diverses industries, et leur bon fonctionnement est essentiel pour assurer une production
efficace et continue. Cependant, avec le temps, les moteurs peuvent subir des dégradations, des
défauts ou des anomalies qui peuvent éventuellement entraîner des pannes coûteuses. La
maintenance prédictive vise à anticiper ces problèmes potentiels en surveillant en continu les
signaux de vibration des moteurs afin de détecter les signes précurseurs d'anomalies. Pour ce
faire, diverses techniques d'analyse du signal sont utilisées pour extraire des informations
significatives et identifier les comportements anormaux.
3.4.1 Transformée de Fourier :
3.4.1.1 Définition mathématique :
La transformée de Fourier est une technique fondamentale utilisée en traitement du
signal pour analyser les caractéristiques fréquentielles d'un signal. Elle permet de représenter
un signal dans le domaine fréquentiel en le décomposant en ses différentes composantes
harmoniques. Mathématiquement, la transformée de Fourier d'un signal continu x(t) est définie
comme suit :

Où X(f) représente le spectre fréquentiel du signal x(t) et f est la fréquence en Hertz.

Cette formule montre comment chaque fréquence f contribue à la composition du signal
x(t). Le facteur 𝑒 −2𝜋𝑖𝑓𝑡 est une fonction complexe exponentielle qui oscille à la fréquence f et
permet d'extraire l'information fréquentielle du signal.
La Transformée de Fourier peut être vue comme une transformation linéaire qui prend
un signal temporel en entrée et produit un spectre fréquentiel en sortie. Le spectre fréquentiel
X(f) représente l'amplitude et la phase des différentes fréquences présentes dans le signal x(t).
Plus précisément, pour chaque fréquence f, le module de X(f) indique l'amplitude de cette
fréquence et son argument (ou phase) indique le décalage en phase par rapport à une sinusoïde
de référence.
3.4.1.2 Ses variantes :
La Transformée de Fourier a plusieurs variantes qui ont été développées pour répondre
à des besoins spécifiques en analyse de signaux. Voici quelques-unes des variantes les plus
courantes de la Transformée de Fourier :

1. Transformée de Fourier Discrète :

La DFT est une version discrète de la Transformée de Fourier, utilisée lorsque les signaux
d'entrée sont échantillonnés à des intervalles discrets dans le temps. Elle est
particulièrement utilisée dans le traitement numérique du signal et les applications
informatiques. La DFT prend en entrée un signal fini avec un nombre discret de points et
produit une représentation fréquentielle discrète du signal.
2. Transformée de Fourier Rapide :
La FFT est un algorithme efficace pour calculer la DFT. Elle permet de réduire le temps
de calcul de la DFT en exploitant des propriétés mathématiques telles que la symétrie et

66
 les algorithmes de factorisation. La FFT est largement utilisée car elle permet d'effectuer
des calculs rapides sur de grands ensembles de données, ce qui la rend adaptée à de
nombreuses applications en temps réel.

3. Transformée de Fourier à Court Terme :

La STFT est utilisée pour analyser les signaux qui varient en fréquence au fil du temps,
tels que les signaux audios et les signaux de vibration. Elle divise le signal en segments de
temps et applique la Transformée de Fourier à chacun de ces segments pour obtenir une
représentation temps-fréquence du signal. Cela permet de visualiser l'évolution de la
fréquence du signal dans le temps.

4. Transformée de Fourier à Fenêtres :

La Transformée de Fourier à Fenêtres est une généralisation de la STFT qui utilise
différentes fonctions de fenêtrage pour limiter les effets de bord dans la représentation
temps-fréquence. Les fenêtres sont appliquées sur chaque segment de temps avant le calcul
de la Transformée de Fourier, ce qui permet d'obtenir une meilleure résolution
fréquentielle.

5. Transformée de Fourier Discrète à Court Terme :

La DSTFT est une variante de la DFT qui prend en compte les caractéristiques à court
terme d'un signal. Elle est souvent utilisée pour analyser les signaux non stationnaires qui
varient rapidement en fréquence.

Ces variantes de la Transformée de Fourier offrent des outils puissants pour analyser et
représenter différents types de signaux dans le domaine fréquentiel. Elles sont utilisées dans
divers domaines tels que le traitement du signal, l'audio, l'imagerie, la compression de données,
les télécommunications et bien d'autres. Dans le contexte de l'analyse des signaux de vibration
pour les moteurs électriques, l'utilisation appropriée de ces variantes peut fournir des
informations précieuses sur l'état et le fonctionnement du moteur.
3.4.1.3 Son importance dans l'analyse des signales de vibration
La Transformée de Fourier joue un rôle essentiel dans l'analyse des signaux de
vibration, en particulier pour la détection et le diagnostic des anomalies dans les moteurs
électriques. Elle permet de représenter un signal temporel complexe dans le domaine
fréquentiel en décomposant le signal en ses composantes de fréquence. Cette représentation est
cruciale pour identifier les fréquences caractéristiques liées aux différentes sources de
vibrations et anomalies dans le moteur.
Dans le contexte de la maintenance prédictive des moteurs électriques, l'analyse des
signaux de vibration est un outil essentiel pour détecter les problèmes de manière précoce et

67
éviter des défaillances majeures qui pourraient entraîner des coûts élevés de réparation et d'arrêt
de production. Voici comment la FT est importante dans l'analyse des signaux de vibration :

1. Identification des fréquences caractéristiques :

La Transformée de Fourier permet d'identifier les fréquences caractéristiques associées aux
défauts ou anomalies spécifiques dans le moteur électrique. Par exemple, une fissure ou un
engrenage défectueux peut introduire des fréquences particulières dans le signal de
vibration, et la Transformée de Fourier permet de les mettre en évidence.

2. Visualisation des signaux :

La représentation fréquentielle du signal permet de visualiser les différentes composantes
de vibration présentes dans le moteur. Cela peut aider les ingénieurs à identifier les sources
de vibrations indésirables ou inattendues.

3. Analyse temps-fréquence :
En utilisant des variantes telles que la Transformée de Fourier à Court Terme (STFT) ou
la Transformée de Fourier à Fenêtres, il est possible d'obtenir une analyse temps-fréquence
du signal de vibration. Cela permet de détecter les variations de fréquence au fil du temps,
ce qui est utile pour les signaux non stationnaires ou pour des défauts en développement.

4. Détection précoce des défauts :

La Transformée de Fourier peut révéler des signatures spécifiques associées à des défauts
naissants dans le moteur électrique. L'identification précoce de ces anomalies peut
permettre une intervention préventive avant que le problème ne s'aggrave et n'entraîne une
défaillance majeure.

En somme, la Transformée de Fourier offre une représentation puissante et informative

des signaux de vibration des moteurs électriques. Elle permet d'extraire des caractéristiques
pertinentes pour le diagnostic précoce des anomalies, et contribue ainsi à l'efficacité et à la
fiabilité des stratégies de maintenance prédictive appliquées aux moteurs électriques. Grâce à
la rapidité et à l'efficacité des algorithmes de calcul tels que la FFT, ces analyses peuvent être
effectuées rapidement, permettant une prise de décision rapide en cas de détection de
problèmes potentiels dans les moteurs.

3.4.2 Transformation en ondelettes :

3.4.2.1 Définition mathématique :

68
 La transformée en ondelettes est une méthode d'analyse de signaux qui permet de
représenter et d'analyser un signal dans le domaine temps-fréquence ou temps-échelle. Elle
utilise des fonctions oscillantes, appelées ondelettes, pour décomposer un signal en différentes
composantes fréquentielles et temporelles, offrant ainsi une approche multi-échelle pour
l'analyse de signaux complexes.
En mathématiques, une ondelette Ψ est une fonction de carré sommable de l'espace de
Hilbert L²(ℝ), choisie comme outil d'analyse multi-échelle. Elle est généralement de moyenne
nulle et oscillante. Les ondelettes sont organisées en familles, constituées d'une ondelette
mèreΨ et de l'ensemble de ses images par les éléments d'un sous-groupe Λ du groupe des
transformations affines de ℝⁿ.
On peut définir une famille d'ondelettes à partir de l'ondelette mère Ψ avec les
paramètres (s, τ) ∈ ℝ⁺* × ℝ :

La transformée en ondelettes d'une fonction réelle x(t) est donnée par :

Où a ≠ 0 et 𝜓𝑎,𝑏 (𝑡) est obtenue par translation et dilatation de l'ondelette mère :

Dans cette formule, le paramètre a déterminé l'échelle de l'ondelette, tandis que b

détermine la position temporelle. Ainsi, la transformée en ondelettes permet d'analyser le signal
à différentes échelles temporelles et fréquentielles, ce qui la rend particulièrement adaptée à
l'analyse des signaux non stationnaires ou présentant des structures à échelle variable.
La transformée en ondelettes diffère de la transformée de Fourier par l'utilisation de
fonctions localisées à la fois dans le domaine temporel et dans le domaine fréquentiel. Alors
que la transformée de Fourier décompose le signal en sinus et cosinus, la transformée en
ondelettes utilise des fonctions oscillantes plus générales. Cette caractéristique lui permet de
mieux capturer les structures transitoires ou localisées dans le temps, ce qui en fait un outil
puissant pour l'analyse des signaux de vibration de moteurs électriques.
3.4.2.2 Ses variantes :
Les variantes de la transformée en ondelettes sont principalement dues aux différents
choix de bases d'ondelettes et aux paramètres utilisés dans les calculs. On distingue deux types
de transformées en ondelettes suivant que le sous-groupe Λ est discret ou continu.

69
 1. Transformée en ondelettes continue :
La transformée en ondelettes continue (CWT) permet d'analyser une fonction de carré
sommable en ondelettes en utilisant un ensemble continu d'échelles et de translations
d'ondelettes. L'idée est de calculer les produits scalaires de la fonction avec les ondelettes
de la famille pour obtenir les coefficients d'ondelettes. La transformée en ondelettes
continue d'une fonction f ∈ L²(ℝ) est définie comme suit :

Où 𝜓 ∗ 𝑠,𝜏 (𝑡) est une ondelette de la famille d'ondelettes, * désigne le complexe

conjugué, τ est le facteur de translation, et s est le facteur de dilatation.
Pour retrouver le signal f d'origine, on utilise la transformée en ondelette continue donnée par
:

Où C est une constante de normalisation obtenue à partir de la transformée de Fourier

de l'ondelette mère Ψ.

2. Transformée en ondelettes discrète :

La transformée en ondelettes discrète (DWT) est une implémentation utilisant un
ensemble discret d'échelles et de translations d'ondelettes. Cette technique est largement
utilisée dans la compression de données numériques avec ou sans perte. La décomposition
en ondelettes discrète est réalisée par approximations successives de l'information initiale
du plus grossier au plus fin en choisissant un niveau de détail. Elle consiste à échantillonner
la fonction f sur une échelle dyadique et τ. Les coefficients d'ondelettes sont calculés en
utilisant une base orthogonale d'ondelettes. Pour une ondelette donnée, les coefficients sont
calculés par des produits scalaires entre le signal f et les ondelettes de la base, à différentes
échelles et translations. La recomposition du signal s'obtient ensuite en combinant ces
coefficients d'ondelettes.
Il existe différentes bases d'ondelettes, telles que la famille de Daubechies, où le choix
de l'ondelette a un impact sur la résolution en temps et en fréquence du résultat. La
transformée en ondelettes discrète offre l'avantage d'une décomposition efficace et sans
redondance du signal en un ensemble d'ondelettes mutuellement orthogonales.

70
 La transformée en ondelettes continue et discrète a des applications pratiques dans
divers domaines tels que le traitement d'images, la détection de signaux dans des vibrations
mécaniques, le débruitage de signaux, la compression de données et bien d'autres. Les choix
de bases et de paramètres dépendent du problème spécifique à résoudre et de la précision
requise dans l'analyse des signaux.
3.4.2.3 son importance dans l'analyse des signales de vibration :

La transformée en ondelettes est d'une importance cruciale dans l'analyse des signaux
de vibration, notamment dans le domaine du diagnostic de boîtes de vitesses (Gearbox
Diagnosis). La transformation en ondelettes permet de décomposer le signal de vibration en
plusieurs composantes temporelles et fréquentielles, ce qui permet de détecter et d'identifier
différentes anomalies liées aux engrenages.
Lorsque des boîtes de vitesses subissent des dommages ou des défauts, ces problèmes
peuvent se manifester sous différentes formes, notamment des variations anormales de durée
dans le signal de vibration. Les défauts, tels que des fissures ou des éclatements sur une dent
d'engrenage, génèrent des perturbations de courte durée dans le signal de vibration. En utilisant
la transformée en ondelettes, ces perturbations apparaissent sous forme de pics anormaux dans
la distribution temps-fréquence ou temps-échelle, ce qui permet de les repérer et de les
identifier.
Plusieurs caractéristiques du signal de vibration peuvent être quantifiées à partir des
motifs observés dans la distribution temps-fréquence ou temps-échelle. Par exemple, un motif
de pic ou de bande élevée dans une gamme de fréquences autour de la fréquence de meshing
des engrenages et de ses harmoniques peut indiquer un défaut sur une dent d'engrenage.
Différents types de défauts peuvent être identifiés par des motifs spécifiques dans la
distribution.
Elle offre un avantage supplémentaire par rapport aux techniques traditionnelles
d'analyse de vibrations. Elle permet d'obtenir des informations plus détaillées sur les
caractéristiques temporelles et fréquentielles du signal de vibration. En ajustant les paramètres
de la transformée en ondelettes, tels que la taille de la fenêtre ou la fréquence d'oscillation, on
peut obtenir une résolution plus fine dans la distribution, permettant de mieux distinguer les
caractéristiques du signal.
La détection précoce de problèmes dans les engrenages est essentielle pour éviter des
défaillances majeures et coûteuses. La transformée en ondelettes s'avère donc être un outil
précieux dans l'analyse des signaux de vibration pour le diagnostic de boîtes de vitesses et
d'autres systèmes mécaniques, permettant ainsi d'effectuer des inspections préventives et de
garantir la fiabilité et la sécurité des équipements. L'utilisation de techniques de traitement
d'images associées à la transformée en ondelettes facilite également la segmentation et
l'identification des caractéristiques spécifiques dans la distribution temps-fréquence ou temps-
échelle, rendant l'analyse encore plus efficace et précise.

71
 4. Intégration des solutions Intelligentes pour la maintenance prédictive
dans l’Industrie 4.0 :
4.1 Utilisation des technologies de l’Industrie 4.0 pour l’automatisation de la
maintenance prédictive
L'intégration des technologies de l'industrie 4.0 dans le domaine de la maintenance
prédictive a révolutionné la manière dont les entreprises gèrent leurs opérations industrielles.
Grâce à la collecte massive de données provenant de capteurs, d'appareils connectés et de
machines stackers, les entreprises peuvent désormais mettre en œuvre des stratégies de
maintenance prédictive basées sur des informations en temps réel et des analyses avancées.
L'une des technologies clés de l'industrie 4.0 pour l'automatisation de la maintenance
prédictive est l'Internet des objets (IoT). En équipant les machines stackers de capteurs
intelligents, il est possible de surveiller en continu leur état de fonctionnement. Ces capteurs
sont capables de mesurer des paramètres tels que les vibrations, les températures, les niveaux
de lubrifiant, les courants électriques, et bien d'autres. Les données collectées sont ensuite
transmises à un système central où elles sont analysées pour détecter les signes précurseurs de
défaillance ou d'anomalies.
L'intelligence artificielle (IA) et l'apprentissage automatique (machine learning) sont
également des technologies essentielles pour l'automatisation de la maintenance prédictive.
Grâce à ces techniques avancées d'analyse de données, les algorithmes d'IA peuvent apprendre
des données historiques et des schémas d'anomalies passées pour prédire avec précision les
problèmes potentiels avant qu'ils ne se produisent. Cela permet aux équipes de maintenance de
planifier leurs interventions de manière proactive, d'éviter les arrêts imprévus, d'optimiser les
cycles de maintenance et de prolonger la durée de vie des équipements.
En adoptant la maintenance prédictive, les entreprises passent d'une logique de
maintenance réactive à une approche proactive. Au lieu de se contenter de réagir aux pannes
une fois qu'elles se sont produites, elles sont maintenant en mesure de prévoir et d'anticiper les
problèmes. Cette transformation permet de minimiser les interruptions de production,
d'optimiser la disponibilité des équipements et de réaliser des économies significatives sur les
coûts de maintenance.
4.1.1 Ses Avantages
Les avantages de l'utilisation des technologies de l'industrie 4.0 pour l'automatisation
de la maintenance prédictive sont nombreux :
1. Réduction des arrêts imprévus : Grâce à la détection précoce des signes de
défaillance, les entreprises peuvent intervenir avant que les problèmes ne deviennent
critiques, minimisant ainsi les temps d'arrêt non planifiés et assurant la continuité de la
production.

2. Optimisation des cycles de maintenance : La maintenance prédictive permet

d'effectuer les interventions de maintenance au moment le plus opportun, en fonction
de l'état réel des équipements, évitant ainsi les maintenances inutiles et coûteuses.

72
3. Amélioration de la fiabilité des équipements : En anticipant les problèmes potentiels,
les entreprises peuvent mettre en place des mesures correctives pour prévenir les
défaillances et prolonger la durée de vie des machines.

4. Réduction des coûts de maintenance : En évitant les réparations d'urgence et en

optimisant l'utilisation des ressources, les coûts de maintenance sont réduits, ce qui se
traduit par des économies importantes pour l'entreprise.

5. Amélioration de la sécurité : La maintenance prédictive contribue à identifier les

problèmes de sécurité potentiels avant qu'ils ne causent des incidents graves, préservant
ainsi la sécurité des travailleurs et des installations.

6. Prise de décision éclairée : Grâce à l'analyse des données en temps réel, les décisions
de maintenance sont basées sur des informations objectives et fiables, permettant une
gestion plus efficace des opérations industrielles.

4.1.2 Ses inconvénients

Cependant, l'implémentation des technologies de l'industrie 4.0 pour
l'automatisation de la maintenance prédictive n'est pas sans défis :
1. Coûts initiaux élevés : L'investissement dans les capteurs, les systèmes de
communication, les infrastructures IoT et les logiciels d'analyse peut représenter un défi
financier pour certaines entreprises.

2. Gestion des données : La collecte et l'analyse de grandes quantités de données

nécessitent des systèmes de gestion robustes et des capacités de stockage adéquates.

3. Complexité des analyses : L'interprétation des données et la mise en place

d'algorithmes d'IA efficaces exigent des compétences techniques avancées et une
expertise en data science.

4. Formation du personnel : Les équipes de maintenance doivent être formées aux

nouvelles technologies et aux méthodes d'analyse des données pour exploiter
pleinement les solutions industrie 4.0.
En conclusion, l'utilisation des technologies de l'industrie 4.0 pour l'automatisation
de la maintenance prédictive présente des avantages significatifs pour les entreprises,
notamment en termes d'efficacité, de fiabilité et de réduction des coûts. Malgré les défis,
les gains potentiels justifient l'investissement dans ces technologies avancées,
permettant aux entreprises d'adopter une approche proactive de la maintenance et de
tirer parti des avantages de l'industrie 4.0 pour améliorer leurs performances
73
 opérationnelles. La maintenance prédictive s'impose donc comme une stratégie
essentielle pour les entreprises cherchant à rester compétitives dans l'ère de l'industrie
4.0.

4.2 Analyse des avantages et des défis de l’implémentation de ces solutions dans le
contexte de la maintenance des machine stacker
L'adoption des solutions industrie 4.0 dans la maintenance des machines stackers
présente plusieurs avantages significatifs :
1. Fiabilité accrue : Grâce à la maintenance prédictive basée sur les solutions industrie
4.0, les entreprises peuvent anticiper les pannes potentielles en analysant en temps réel
les données spécifiques à chaque machine. Cette approche permet de détecter les
signaux avant-coureurs de défaillances, évitant ainsi les pannes majeures et réduisant
considérablement les temps d'arrêt non planifiés. Une meilleure fiabilité des machines
entraîne une augmentation de la disponibilité des équipements, améliorant ainsi la
productivité globale de l'entreprise.

2. Optimisation des coûts de maintenance : L'automatisation de la maintenance

prédictive permet une meilleure planification des interventions, évitant ainsi les
maintenances inutiles. En détectant les problèmes dès leur apparition, les entreprises
peuvent intervenir de manière préventive, réduisant ainsi les coûts associés aux
opérations de maintenance. Cette réduction des coûts de maintenance contribue à une
gestion budgétaire plus efficace et à une allocation optimale des ressources.

3. Prolongation de la durée de vie des équipements : Grâce à l'identification rapide des

problèmes potentiels, les solutions industrie 4.0 contribuent à prévenir l'usure
prématurée des machines stackers. En adoptant une approche proactive, les entreprises
peuvent prendre des mesures correctives avant que les problèmes ne s'aggravent,
prolongeant ainsi la durée de vie opérationnelle des équipements. Cela permet
d'optimiser l'investissement initial dans ces machines coûteuses.
Cependant, malgré les avantages, l'implémentation des solutions industrie 4.0 dans la
maintenance prédictive n'est pas sans défis :
1. Coûts initiaux élevés : L'intégration des capteurs, des systèmes de communication, des
infrastructures IoT et des logiciels d'analyse représente un investissement financier
conséquent pour les entreprises. Cette étape nécessite une planification rigoureuse pour
garantir la viabilité financière à long terme de ces technologies avancées.

2. Complexité des données : La collecte et l'analyse de grandes quantités de données

peuvent être complexes. Il est essentiel de mettre en place des systèmes de gestion et
de stockage de données robustes pour garantir une analyse efficace. De plus,
l'interprétation précise des données nécessite des compétences spécialisées et une
compréhension approfondie du fonctionnement des machines.

74
 3. Formation du personnel : Les équipes de maintenance doivent être formées aux
nouvelles technologies et aux méthodes d'analyse des données pour tirer pleinement
parti des solutions industrie 4.0. Cela nécessite un investissement en temps et en
ressources pour garantir que le personnel est capable de prendre des décisions éclairées
basées sur les données.
En conclusion, l'intégration des solutions industrie 4.0 dans la maintenance prédictive
des machines stacker offre des avantages significatifs en termes d'efficacité, de fiabilité et de
réduction des coûts. Malgré les défis initiaux, les entreprises peuvent réaliser des gains
importants en adoptant ces technologies avancées, positionnant ainsi leurs opérations
industrielles vers une maintenance proactive et optimisée.

Chapitre III : Outils matériels et logiciels

Introduction
Le présent chapitre offrira une exploration approfondie des ressources matérielles et
logicielles qui ont été employées tout au long de notre projet. On souligne leur rôle crucial dans
la réalisation de nos objectifs et leur impact positif sur le succès de notre solution.

1. Outils matériels :
Dans cette partie, nous explorerons les outils matériels qui ont été au cœur de notre
projet. Une attention particulière sera portée aux capteurs essentiels qui ont été utilisés, ainsi
qu'à l'utilisation de la caméra infrarouge qui a constitué un élément clé de notre démarche. Bien
que l'accès à des capteurs réels dans notre environnement n'ait pas été possible, On a eu
l'opportunité de collaborer avec GTI, ce qui nous a permis d'exploiter une source de données
simulées à partir des lectures de ces capteurs dans un contexte industriel. On tient toutefois à
souligner que notre projet a été conçu pour être opérationnel avec des données réelles dès
qu'elles seront disponibles, et cette perspective guide l'ensemble de nos développements.
1.1 Capteur de Vibration
Le capteur de vibration, un instrument précieux dans notre contexte, joue un rôle
fondamental dans la surveillance des machines et systèmes. Sa mission consiste à mesurer les
oscillations et les vibrations générées par ces entités, permettant ainsi la détection précoce de
tout dysfonctionnement potentiel. Les vibrations excessives, par exemple, peuvent être des
indicateurs essentiels de problèmes mécaniques qui nécessitent une attention immédiate.

75
 Figure 45: Schéma du Capteur de Vibration

Au sein de ce projet, l'usage du capteur de vibration s'est avéré crucial. On a exploité

les lectures enregistrées par ce capteur pour scruter les schémas de vibration émanant des
machines. Cette analyse pointue nous a permis de mettre en évidence des signes avant-coureurs
de défaillances et d'anomalies qui auraient pu être négligés autrement. En surveillant ces
variations de vibration, nous avons pu distinguer les comportements normaux des
comportements potentiellement problématiques, ce qui nous a donné une longueur d'avance
dans la gestion proactive de la maintenance des équipements.
Enfin, l'emploi de ce capteur de vibration au sein du projet reflète également la
philosophie de la société OCP en matière de maintenance industrielle. La société a reconnu
l'importance de ces capteurs dans l'amélioration de la performance opérationnelle et la
réduction des temps d'arrêt imprévus. Par conséquent, nous avons intégré ce capteur de
vibration pour maximiser la fiabilité de nos analyses et assurer une approche pro-active dans
la gestion des actifs.

1.2 Caméra Infrarouge

La caméra infrarouge, un outil d'une importance cruciale dans notre projet, a été utilisée
en conjonction avec nos capteurs mentionnés précédemment. Cette caméra particulière a la
capacité de capturer les rayonnements thermiques émis par les objets, ce qui nous permet de
sonder les variations de température et de détecter les zones présentant des températures
anormalement élevées ou basses. L'ensemble de ces données thermiques capturées par la
caméra infrarouge a été exploité dans la phase de classification de notre modèle CNN, lui
permettant d'apprendre à identifier différents motifs thermiques et anomalies.

76
 Figure 46: Caméra Infrarouge Dali-Tech T4/T8

Dans le laboratoire dédié aux machines électriques, il a été utilisé une caméra infrarouge
Dali-tech T4/T8 pour acquérir les images thermiques. Les conditions ambiantes étaient
maintenues à une température de 23°C. Il est primordial de noter que la détection et
l'identification des défauts dans les thermogrammes ne sont pas aisées lorsqu'on s'en remet
uniquement à l'observation visuelle, car les différences entre les images thermiques des
conditions saines et défectueuses ne sont pas toujours clairement distinctes. Cependant, notre
approche a consisté à utiliser un modèle de réseau neuronal spécifique, en l'occurrence le
modèle VGG16, pour travailler directement sur les images brutes capturées par la caméra
infrarouge.
L'intégration de la caméra infrarouge a apporté une dimension supplémentaire à notre
projet. Elle a enrichi notre jeu de données en lui fournissant des informations thermiques
précieuses. L'analyse de ces données a contribué à l'entraînement de notre modèle CNN, lui
permettant de reconnaître des schémas thermiques spécifiques, ce qui, en fin de compte, a
renforcé la précision et l'efficacité de notre approche globale de maintenance prédictive.
1.3 Configuration et Installation des capteurs
L'intégration réussie de la caméra infrarouge dans notre projet repose sur une approche
méthodique de configuration et d'installation des capteurs. Lors de cette phase cruciale, nous
avons tenu compte de divers aspects techniques pour garantir que les mesures obtenues soient
à la fois précises et fiables. Tout d'abord, la localisation stratégique des capteurs joue un rôle
déterminant. Une analyse approfondie des zones de la machine nécessitant une surveillance
précise a été réalisée pour déterminer les endroits optimaux pour l'installation des capteurs.
Cette démarche a permis de maximiser la pertinence des données collectées.
Pour assurer une adhérence solide et stable, des méthodes de fixation adaptées aux
caractéristiques de la machine et aux vibrations auxquelles elle est soumise ont été choisies.
Différentes techniques de montage, telles que les supports magnétiques, les colliers de serrage
ou les adhésifs spéciaux, ont été utilisées en fonction des besoins. Cette approche garantit que
les capteurs restent en place, même dans des conditions environnementales exigeantes, résistant
aux vibrations et aux chocs. Une attention particulière a également été portée à la réduction des
interférences externes susceptibles d'affecter les mesures des capteurs. Les câbles de connexion
ont été correctement isolés et protégés contre les perturbations électromagnétiques. Dans
certains cas, l'utilisation de blindages a été privilégiée pour minimiser les influences
indésirables provenant d'autres équipements électriques à proximité.
77
 Après l'installation des capteurs, des tests rigoureux de fonctionnement et de calibration
ont été effectués pour vérifier leur performance. Les valeurs de référence ont été utilisées pour
ajuster les paramètres des capteurs, garantissant ainsi une mesure cohérente et précise.
Dans le cadre de notre projet, les images thermiques ont été acquises à l'aide de la
caméra infrarouge Dali-tech T4/T8, dans un laboratoire de machines électriques maintenu à
une température ambiante de 23°C. Il est important de noter que, bien que les différences entre
les images thermiques des conditions saines et défectueuses ne soient pas clairement distinctes
à l'observation visuelle directe des thermogrammes, nous avons exploité ces données brutes
dans notre modèle de réseau neuronal, notamment le modèle VGG16. Cette approche a permis
de travailler directement sur les images capturées par la caméra infrarouge, offrant ainsi une
base solide pour la détection et l'identification des défauts, et contribuant à l'amélioration de
notre modèle global de maintenance prédictive.
1.4 Acquisition et transmission des données
L'acquisition et la transmission de données jouent un rôle fondamental dans le cadre de
notre projet de surveillance et de maintenance prédictive des machines. La mise en place
adéquate des capteurs est une étape cruciale, car c'est à partir de ces capteurs que nous obtenons
des mesures essentielles telles que les vibrations, les rotations, les tensions et les pressions. Ces
données sont collectées en continu à des intervalles réguliers et sont ensuite acheminées vers
un système de traitement et d'analyse dédié.
Pour l'acquisition des données, on a utilisé plusieurs approches en fonction des besoins
et des contraintes. Dans certains cas, les capteurs sont reliés directement à un système
d'acquisition de données via des câbles. Ce système se charge de convertir les signaux
analogiques provenant des capteurs en signaux numériques, ce qui permet d'enregistrer et de
stocker les données dans une base de données, ou de les transmettre en temps réel vers un
système d'analyse. Dans d'autres situations, des capteurs sans fil ont été employés. Ces capteurs
sont équipés de modules de communication intégrés tels que Wi-Fi, Bluetooth ou d'autres
protocoles de communication sans fil. Les données sont alors transmises de manière sans fil à
une passerelle ou à un point d'accès central, qui achemine ensuite les données vers le système
de traitement et d'analyse.
La transmission des données peut être effectuée soit via des réseaux câblés, soit via des
réseaux sans fil, en fonction des besoins spécifiques de l'application. Les réseaux câblés offrent
généralement une connexion plus stable et fiable, tandis que les réseaux sans fil offrent une
plus grande flexibilité et une facilité d'installation. Différentes technologies de transmission
sont utilisées, telles que l'Ethernet, le Wi-Fi, le Zigbee ou le LoRa, en fonction des exigences
et des contraintes environnementales. De plus, il est important de noter que les données peuvent
être prétraitées avant leur transmission. Ce prétraitement peut inclure des opérations telles que
l'échantillonnage, la filtration, l'amplification ou la normalisation des données. Ces étapes de
prétraitement sont essentielles pour garantir que les données transmises sont de qualité,
cohérentes et adaptées à l'analyse ultérieure.
Dans notre projet, les images thermiques ont été capturées à l'aide d'une caméra
infrarouge Dali-tech T4/T8 dans un laboratoire de machines électriques, à une température
ambiante de 23°C. Il est important de noter que la détection et l'identification des défauts sont
presque impossibles en se basant uniquement sur l'observation directe des thermogrammes, car

78
les différences entre les images thermiques des conditions saines et défectueuses ne sont pas
clairement distinctes. Cependant, en utilisant des modèles de réseaux neuronaux comme
VGG16, nous avons pu travailler directement sur les images brutes capturées par la caméra
infrarouge, ce qui a permis d'améliorer la détection et l'identification des défauts de manière
significative.

2. Outils logiciels :
Dans cette section, nous présentons les outils logiciels clés utilisés pour le
développement, l'analyse des données, la visualisation et la mise en œuvre des modèles
prédictifs de notre projet de surveillance et de maintenance des machines. On discute des
langages de programmation, des bibliothèques, des frameworks et autres éléments qui ont
grandement contribué à la réussite de notre mission. Ces outils nous ont permis de tirer le
meilleur parti des données, de créer des modèles performants et de prendre des décisions
éclairées basées sur les résultats obtenus.
2.1 Langages de Programmation
Python a joué un rôle central dans notre projet, le propulsant vers la réussite. Ce langage
polyvalent est largement utilisé dans le domaine de l'analyse de données, de l'apprentissage
automatique et de la science des données. Sa simplicité et sa lisibilité sont inestimables, tandis
que sa riche gamme de bibliothèques spécialisées en fait un choix idéal pour les tâches de
traitement des données et de modélisation prédictive. Pour la manipulation des données, le
calcul scientifique et la visualisation, nous avons utilisé des bibliothèques telles que NumPy,
Pandas et Matplotlib.
L'un des avantages majeurs de Python est sa flexibilité pour le développement
d'algorithmes d'apprentissage automatique en utilisant des frameworks tels que Scikit-learn et
TensorFlow. Ces outils ont grandement facilité l'implémentation de nos modèles prédictifs
avancés. L'aspect collaboratif de Python, soutenu par une communauté active et une
documentation abondante, nous a permis de rester à jour avec les meilleures pratiques et de
tirer parti des techniques les plus avancées, ce qui s'est avéré crucial pour le succès de notre
projet de maintenance prédictive.

Figure 47: Logo de Python

2.2 Bibliothèques et frameworks :

Dans cette section, On a mettre en avant les bibliothèques et frameworks cruciaux qui
ont été au cœur de notre projet de maintenance prédictive. Ces outils logiciels ont joué un rôle
déterminant dans la manipulation des données, la construction des modèles et la mise en œuvre
de l'apprentissage automatique.

79
 NumPy : elle constitue une pierre angulaire pour le calcul scientifique en Python. Cette
bibliothèque offre des structures de données de tableau multidimensionnel très performantes,
en plus de fonctions mathématiques et de manipulations de tableaux. On a utilisé NumPy pour
manipuler efficacement les données et prétraiter les caractéristiques.

Figure 48: Logo de Numpy

Pandas : elle demeure une bibliothèque très répandue pour la manipulation et l'analyse
de données en Python. Elle propose des structures de données puissantes, notamment les
DataFrames (tables), qui facilitent la gestion et la manipulation de jeux de données tabulaires.
On a exploité Pandas pour explorer les données, fusionner les tables, transformer les données
et préparer les caractéristiques.

Figure 49: Logo de Pandas

Scikit-learn : elle est une bibliothèque d'apprentissage automatique simple et efficace,

offrant une gamme étendue d'algorithmes et d'outils pour la classification, la régression, le
regroupement, la validation croisée et bien plus encore. On a fait usage de Scikit-learn pour la
construction et l'évaluation des modèles d'apprentissage automatique, ainsi que pour le
prétraitement des données et la sélection des caractéristiques.

80
 Figure 50: Logo de Scikit Learn

TensorFlow : elle est un framework d'apprentissage automatique open source

développé par Google. Il propose une architecture flexible pour la construction de modèles
d'apprentissage automatique, en particulier les réseaux neuronaux profonds. On a employé
TensorFlow pour construire et entraîner des modèles de réseaux neuronaux, en tirant parti de
sa puissance en termes de calcul distribué et d'optimisation des performances.

Figure 51: Logo de Framework Tensorflow

Keras : elle est une interface de haut niveau construite au-dessus de TensorFlow,
offrant une approche conviviale pour la construction de modèles d'apprentissage automatique,
notamment les réseaux neuronaux. On a choisi Keras pour sa simplicité et sa facilité
d'utilisation, permettant la création rapide de modèles complexes.

Figure 52: Logo de Keras

Matplotlib : elle est une bibliothèque de visualisation de données extrêmement

populaire en Python. Elle offre une grande flexibilité pour la création d'une variété de
graphiques, incluant des graphiques linéaires, des histogrammes, des boîtes à moustaches, des
diagrammes en barres, des nuages de points, etc. Matplotlib nous a permis de créer des
visualisations claires et informatives pour une meilleure compréhension de nos données et la
présentation de nos résultats.

81
 Figure 53: Logo de la Bibliothèque Matplotlib

Seaborn : Cette bibliothèque, basé sur Matplotlib, est une bibliothèque de visualisation
de données. Elle propose des fonctionnalités supplémentaires et une syntaxe simplifiée pour la
création de graphiques statistiques esthétiquement plaisants. Seaborn nous a permis de créer
aisément des visualisations avancées, comme des diagrammes de dispersion avec ajustements
de régression, des diagrammes de distribution, des cartes thermiques, des diagrammes en
violon, etc.

Figure 54: Logo de seaborn

2.3 Outils de déploiement

Pour la création et le déploiement de notre application web, on a opté pour Streamlit,
une bibliothèque Python spécialement conçue pour simplifier la conception d'interfaces
utilisateur interactives dans le domaine de la science des données. Elle a joué un rôle essentiel
dans la transformation de notre modèle de maintenance prédictive en une expérience utilisateur
conviviale et interactive. Cette plateforme nous a permis de concevoir une interface
visuellement attrayante et intuitive, offrant aux utilisateurs la possibilité d'interagir de manière
fluide avec les fonctionnalités du modèle. La mise en œuvre de Streamlit a été un choix
stratégique qui a contribué à rendre la maintenance prédictive plus accessible et
compréhensible pour tous les utilisateurs, en facilitant la visualisation des résultats et en
encourageant une utilisation efficace de notre solution.

Figure 55: Logo de Streamlit

On a choisi d'utiliser FastAPI pour la gestion de l'ensemble des fonctionnalités backend

de notre application. FastAPI, tout comme Flask, est un framework web, mais il présente
l'avantage d'être spécifiquement conçu pour offrir une performance élevée tout en restant
simple à utiliser. En utilisant FastAPI, nous avons pu développer une solide infrastructure

82
backend en Python, permettant de gérer les demandes des utilisateurs, de traiter les données
entrantes et de fournir les réponses appropriées. Cela inclut la gestion de l'authentification, des
contrôles d'accès, et la communication entre le frontend et le backend, tout en garantissant une
exécution rapide et efficace des tâches essentielles pour notre modèle de maintenance
prédictive. La robustesse et la flexibilité de FastAPI ont grandement contribué à la création
d'une application web performante et fiable, offrant une expérience utilisateur fluide et
sécurisé.

Figure 56: Logo de FastAPI

En tirant parti de ces outils de déploiement, nous avons réussi à offrir aux utilisateurs
un accès simple et fluide à notre modèle de maintenance prédictive. Cette approche nous a
permis de maintenir des niveaux élevés de performance, d'assurer la sécurité des données, et
de garantir une maintenance continue pour que l'application reste opérationnelle et répond aux
besoins en évolution de nos utilisateurs.

Conclusion
Le chapitre consacré aux outils matériels et logiciels dans notre projet de maintenance
prédictive souligne leur rôle vital dans l'accomplissement de nos objectifs. Les capteurs ont
constitué une composante essentielle, permettant la collecte de données cruciales pour notre
analyse, tandis que les outils logiciels ont été les moteurs de traitement, d'analyse et de
modélisation de ces données. Au cœur de cette démarche, le langage de programmation Python,
avec ses bibliothèques puissantes telles que NumPy, Pandas, Scikit-learn, TensorFlow et
Keras, nous a offert un ensemble diversifié de fonctionnalités pour le prétraitement des
données, la construction des modèles et la visualisation des résultats.
Les techniques d'apprentissage automatique, notamment les arbres de décision, RF,
ERT et CNN, ont été des outils clés pour prédire les valeurs des capteurs et classifier les
anomalies. En intégrant judicieusement ces outils, nous avons bâti un système robuste de
maintenance prédictive, doté de la capacité de réduire les coûts et d'augmenter l'efficacité
opérationnelle dans le contexte de la maintenance industrielle. L'harmonie de ces outils nous a
permis de transformer des données brutes en informations exploitables, nous offrant des
modèles fiables pour détecter les anomalies et anticiper les pannes potentielles. Cela jette les
bases d'une approche proactive de la maintenance, permettant d'éviter les temps d'arrêt non
planifiés et d'optimiser la disponibilité des machines.
En regardant vers l'avenir, ces outils ont un potentiel considérable pour s'étendre à
d'autres domaines industriels et pour être adaptés à des applications spécifiques. L'intégration
de capteurs plus avancés et d'outils logiciels encore plus sophistiqués ouvre la voie à une
optimisation continue des processus de maintenance et à une exploitation maximale des
ressources. Notre projet est une étape cruciale dans cette direction, démontrant le pouvoir des

83
technologies modernes pour transformer la maintenance industrielle en une entreprise
proactive, économiquement viable et résiliente.

Chapitre IV : Réalisation du Projet

Introduction
Le chapitre de réalisation du projet consacre à la mise en œuvre pratique et concrète de
notre solution et approche de maintenance prédictive, où les concepts théoriques prennent vie
dans un environnement concret. Après avoir posé les bases du projet et analysé les
connaissances existantes, on plonge dans les détails, où chaque étape et chaque décision
technique sont soigneusement élaborées pour donner vie à notre solution. Dans cette section,
on explore comment on a procédé pour collecter et préparer les données, ainsi que l'analyse
exploratoire pour révéler des schémas cachés possibles. La modélisation et l'évaluation de notre
modèle occuperont une place centrale, où on discute des choix d’algorithmes, des techniques
d’entrainements, et des métriques d’évaluation pour établir un modèle performant, robuste et
fiable, tout comme le déploiement où on intègre notre solution dans l'environnement réel des
machines stacker. Ce chapitre offre un aperçu détaillé de notre démarche, de nos décisions et
de nos actions pour rendre opérationnelle une solution de maintenance prédictive au sein de
l’entreprise. Notre objectif est, en suivant les différentes étapes de ce chapitre, d'améliorer
l'efficacité opérationnelle, à réduire les coûts et de renforcer la fiabilité des machines stacker,
contribuant ainsi à l'avancement des pratiques de maintenance dans le domaine industriel.

1. Collecte et Prétraitement des données :

1.1 Collecte de données
La phase de collecte des données a été un pilier fondamental dans la réalisation de notre
projet de maintenance prédictive, en fournissant les éléments essentiels pour développer,
entraîner et évaluer nos modèles de détection de défauts d’anomalies pour les moteurs
électriques, en combinant deux types d'ensembles de données : les images thermiques
infrarouges et les données de vibrations, qui sont tous les deux, aimablement fournis par
Monsieur Laayati Oussama, qui est un ingénieur de recherche et développement en
automatisation de l'énergie à l’UM6P, et également mon encadrant de stage et responsable de
GTI.
Les données d’images thermiques infrarouge sont capturées à l'aide de la caméra
infrarouge Dali-tech T4/T8, lors d’expériences menées sur des moteurs asynchrones triphasé
de 1,11 kW, 5 A, 220/230 V. Ces expériences ont permis d’établir les images des enroulements
du stator dans huit différents états de défaut de court-circuit, ainsi que l’état sain, comme Figure
55 : présente où la colonne "%-stator" représente le taux de court-circuit pour chaque phase,
tandis que la colonne "𝜶-phase" indique le nombre de phases contenant des défauts de court-
circuit. Tous les défauts générés dans ce jeu de données sont des défauts internes, sans relation
avec pièces externes ou des défaillances initiales des composants électriques.

84
Figure 57: Description Général de neuf états considérées pour diagnostic du moteur à induction

Après ces données sont transformées en des fichiers au format "BMP". Puis classées
et regroupées dans des répertoires en fonctions du pourcentage de la phase de court-circuit du
moteur. Il y a également des répertoires concernant les moteurs en état sain, refroidis et sans
charge. Et pour faciliter le travaille avec ces images, on a créé un script python
"convert_data_to_csv.py" qui nous permis de transformer tout l’ensemble des images en un
seul fichier CSV sous le nom "data.csv" qui a deux colonnes :

• Colonne 1 : short_circuit_faults représente le type de défaut de court-

circuit

• Colonne 2 : Pixels représente l'ensemble des valeurs des pixels sous forme
d'une chaîne de caractères.

Quant aux données de vibrations, elles sont déjà présentées sous forme de fichiers CSV,
et sont classées en trois catégories en fonction de types de caractéristiques extraites des signaux
de vibrations, qui sont :

• Catégorie 1 : Caractéristiques de fréquence, telles que le pic de fréquence,

l'écart de fréquence, la fréquence centrale, la valeur de skewness et kurtosis,
etc.

• Catégorie 2 : Caractéristiques du signal utilisant l'algorithme PCA

(Analyse en Composantes Principales) en prenant en compte huit
caractéristiques.

• Catégorie 3 : Caractéristiques du signal utilisant l'algorithme CA (Analyse

en Composantes Indépendantes) en prenant en compte cinq caractéristiques.

Chacun de ces fichiers CSV comprend également la variable cible "State" ou "Y", qui
est essentielle pour notre tâche de détection des états des moteurs électriques. Cette variable
cible possède trois valeurs distinctes (0, 1, 2), représentant respectivement les trois états du
moteur :
85
 1. État Sain (Normal) : Dans cet état, le moteur fonctionne de manière optimale sans
aucune anomalie détectée. La maintenance préventive est généralement planifiée à des
intervalles réguliers pour s'assurer que le moteur reste en bon état de fonctionnement.

2. État Anormal (Pré-défaillance) : Dans cet état, des signaux avant-coureurs de

problèmes potentiels peuvent être détectés. Des variations inhabituelles dans les
paramètres tels que les vibrations, les températures ou les courants peuvent indiquer
des anomalies naissantes. La maintenance prédictive est utilisée pour diagnostiquer et
résoudre ces problèmes avant qu'ils ne se transforment en défaillance majeure.

3. État de Défaillance (Dysfonctionnement) : Dans cet état, le moteur a subi une

défaillance, ce qui peut entraîner des arrêts de production non planifiés. Une
intervention de maintenance corrective est nécessaire pour réparer le moteur et le
remettre en état de fonctionnement. La maintenance corrective peut être coûteuse et
entraîner des temps d'arrêt importants, d'où l'importance de la maintenance préventive
et prédictive pour éviter ces situations.
Pour chaque catégorie, on a plusieurs fichiers CSV, chacun contenant un ensemble de
données pour l'entraînement et un autre pour les tests.
Afin de minimiser les erreurs potentielles inhérentes aux algorithmes de traitement, chaque
algorithme a été exécuté dix fois, générant ainsi une série de fichiers CSV pour chaque
catégorie. Sachant que les données sont divisées au préalable en deux ensembles un pour
l'entraînement et l’autre pour les tests, on a, par la suite, pour chaque catégorie 10 fichiers
d’entrainement et 10 fichiers de test. Cette approche renforce la robustesse de nos résultats et
nous permet de mieux appréhender les marges d'erreur éventuelles.

1.2 Prétraitement de données

La phase de prétraitement des données est une étape cruciale de notre projet, impliquant
la préparation des deux ensembles de données, à savoir les images thermiques infrarouges et
les données de vibrations.
• Ensemble d'images thermiques :
On commence par le chargement du Dataset en important le fichier "data.csv", et
Affichage de dimensions des données pour identifier le nombre de lignes d’ensemble avec
l’affichage des 10 premières lignes pour une première inspection

86
 Puis on a effectué différentes opérations sur la colonne 'Pixels', où chaque valeur de
pixels a été convertie en un tableau Numpy. Ensuite, les tableaux de pixels résultants ont été
remodelés pour avoir une taille de 240x320 pixels avec 3 canaux (RGB). Un encodeur de labels
s’appelle LabelEncoder a été utilisé pour transformer les labels de la colonne
'short_circuit_faults' en valeurs numériques pour être facile à les convertis en des vecteurs
one-hot avec un longueur de 11, représentant les différentes classes possibles (11 classes) où
la valeur 1 dans la case correspond à l'index du label existant dans cette ligne, et les valeurs 0
dans les autres cases, c’est-à-dire, chaque label est représenté par un vecteur binaire de taille
11, pour une classification à 11 classes, où le 1 est positionné dans l’indice correspond l’ordre
alphanumérique du noms de la classe.
Enfin, on a affiché les 10 premières lignes du Dataset après ce prétraitement pour
vérifier les résultats.

Par suite, on affiche les dimensions des séries correspond à chaque colonnes après le
prétraitement.

• Ensemble de données de vibrations :

En ce qui concerne l'ensemble de données de vibrations, on a la chance de bénéficier de
données déjà nettoyées à la source. Cela signifie que, avant que ces données ne nous
parviennent, un processus de préparation a été appliqué pour s'assurer qu'elles sont de haute
qualité et exemptes de problèmes qui pourraient biaiser nos analyses. Ce qui nous donne une
base solide sur laquelle construire nos modèles de détection de défauts. Donc on peut être plus

87
confiants dans la fiabilité de nos résultats et dans la capacité de notre modèle à identifier les
motifs de vibrations associés aux différents états des moteurs électriques. Cette qualité
préexistante des données de vibrations est un avantage majeur qui nous permet de nous
concentrer davantage sur la création et l'entraînement de modèles de maintenance prédictive
sans avoir à allouer de ressources importantes pour le nettoyage initial des données. Cela
accélère considérablement notre processus de développement et renforce la crédibilité de nos
résultats.

2. Analyse Exploratoire des données :

L'analyse exploratoire des données (AED) occupe une étape cruciale dans notre projet de
maintenance prédictive. Elle consiste en une série d'opérations et de méthodes visant à explorer
et à comprendre en profondeur la structure et les caractéristiques de nos ensembles de données,
tant pour les images thermiques infrarouges que pour les données de vibrations.

• Ensemble d'images thermiques :

Pour l'ensemble d'images thermiques, l'AED nous permet de remarquer qu’elles

présentent une variété de classes de défauts de courts-circuits dans les moteurs électriques,
ainsi qu'un état "sain" du moteur.

Ces classes sont étiquetées avec des codes spécifiques, respectivement 'A&B50',
'A&C&B10', 'A&C&B30', 'A&C10', 'A&C30', 'A10', 'A30', 'A50', 'Fan', 'Noload', et
'Rotor-0'. Une première étape consiste à évaluer la proportion de chaque type de défaut de
court-circuit dans l'ensemble de données. Cette évaluation nous permet de mieux comprendre
la répartition de ces classes, un aspect essentiel pour notre projet de maintenance prédictive.

Lorsqu'on examine la distribution des défauts de court-circuit, on peut constater que

certaines classes sont plus fréquentes que d'autres. Par exemple, les classes 'A&B50' et
'A&C&B30' représentent une proportion significative dans les données, tandis que d'autres
classes peuvent être moins représentées.
De plus, nous avons généré des visualisations pour illustrer graphiquement cette
répartition. Les graphiques nous permettent de mieux apprécier les différences de fréquence

88
entre les différentes classes de défauts de court-circuit. Ces visualisations sont utiles pour avoir
une vue d'ensemble et pour identifier les classes potentiellement sous-représentées.

Afin d'explorer plus en détail les caractéristiques visuelles des images, nous avons
également extrait des exemples de chaque classe de défaut de court-circuit. Pour chaque classe,
nous avons sélectionné plusieurs images pour une visualisation plus approfondie. Cette
exploration visuelle nous donne un aperçu des particularités thermiques de chaque type de
défaut, ainsi que de l'état "sain" du moteur. Nous pouvons ainsi observer les variations de
température et identifier les schémas thermiques spécifiques associés à chaque classe.

89
90
 L'ensemble de ces analyses exploratoires des images thermiques constitue un
fondement crucial pour le développement de nos modèles de détection de défauts de courts-
circuits, en nous permettant de mieux comprendre les variations thermiques entre les
différentes classes et l'état de bon fonctionnement des moteurs électriques.

• Ensemble de données de vibrations :

Bien que ces données aient été nettoyées à la source, l'analyse exploratoire des données
de vibrations est toujours essentielle. On a les exploré en utilisant une visualisation appelée
"kernel density plot" (kdeplot). On a pris en compte les caractéristiques extraites des signaux
de vibrations pour cette exploration. Ces caractéristiques incluent des caractéristiques de
fréquence, des propriétés de signal basées sur les composantes principales (PCA), et des
propriétés de signal basées sur les composantes indépendantes (CA).

Pour chaque caractéristique, on a généré des graphiques kdeplot qui montrent la

distribution des données pour chaque classe de défaut de court-circuit dans notre ensemble
d'apprentissage. Les graphiques sont superposés, avec une courbe de distribution pour chaque
classe. Chaque courbe est également légendée avec le numéro de jeu de données correspondant,
de 1 à 10.

Exemple pour la Catégorie 1 :

91
 L'objectif de cette exploration est de visualiser comment les caractéristiques de
vibrations varient entre les différentes classes de défauts de court-circuit. En observant les
courbes de distribution, nous pouvons identifier les tendances et les différences significatives
dans les caractéristiques de vibrations entre les classes. Cette analyse nous permet de

92
comprendre comment les vibrations sont affectées par différents types de défauts de court-
circuit, et si certaines caractéristiques sont particulièrement discriminantes pour la détection de
ces défauts.
Les légendes sur les graphiques nous aident à différencier les jeux de données, ce qui
peut être utile pour repérer les variations potentielles entre les différents ensembles de données
d'apprentissage.
En somme, cette exploration nous offre un aperçu approfondi des caractéristiques des
données de vibrations et de leur relation avec les différentes classes de défauts de court-circuit.
Ces informations sont cruciales pour le développement de modèles de détection basés sur les
signaux de vibrations.

3. Modélisation et Évaluation :
3.1 Développement du Modèle
Lors de cette phase, on a développé des modèles de détection de défauts de courts-
circuits pour les deux ensembles de données : les images thermiques infrarouges et les données
de vibrations.
Avant tout pour les deux datasets, on effectue une division des données en ensembles
d'entraînement et de validation, en maintenant une distribution équilibrée des classes dans
chaque ensemble avec un pourcentage de 20% pour l’ensemble de validation, un
random_state de 42 pour assurer la reproductibilité des résultats.
• Ensemble d'images thermiques :
On a utilisé un modèle de réseau de neurones convolutionnels (CNN) personnalisé basé
sur l’architecture VGG16, qui est particulièrement adapté pour la reconnaissance de motifs
complexes dans les images, ce qu’on appelle Transfert Learning. La mise en place de ce
modèle sur nos données d'entraînement a suivi les étapes qu’on a décrites précédemment.
Permettez-moi de vous expliquer plus en détail les étapes clés qu’on suivies pour cette phase
cruciale :

1. Création du Modèle VGG16 Personnalisé : Nous avons utilisé l'architecture VGG16

comme base pour notre modèle. Cette architecture est célèbre pour ses couches de
convolutions profondes et sa capacité à extraire des caractéristiques significatives des
images. On a importé VGG16 à partir de tf.keras.applications en spécifiant certaines
configurations essentielles, comme la forme des images d'entrée (240x320x3 pour les
images RGB), l'exclusion des couches entièrement connectées (en définissant
include_top=False), et l'initialisation des poids du modèle avec des poids pré-entraînés
sur ImageNet.

93
 Figure 58: Architecture du modèle VGG16

2. Configuration du Modèle VGG16 : On a figé les poids des couches du modèle

VGG16 pour conserver les connaissances acquises par le réseau lors de la pré-
entraînement sur des millions d'images. Ceci est crucial pour l'efficacité et la
performance de notre modèle. On a configuré les 15 premières couches comme non
entraînables tout en laissant les couches entièrement connectées. À partir de la sortie de
la dernière couche du modèle VGG16, on a construit une architecture personnalisée.
Cela a commencé par l'aplatissement des dimensions de sortie pour les utiliser dans les
couches entièrement connectées. Ensuite, on a ajouté des couches denses (entièrement
connectées) pour la classification des défauts de courts-circuits. Cela a inclus une

94
 couche dense avec 512 neurones, une couche de dropout pour éviter le surajustement,
une deuxième couche dense avec 256 neurones, et une couche de sortie avec 11
neurones (correspondant aux classes de défauts de courts-circuits) utilisant une fonction
d'activation softmax pour obtenir les probabilités de chaque classe.

3. Configuration de l'Entraînement : On a choisi l'optimiseur Adam avec un taux

d'apprentissage de 0,0001 pour l'entraînement de notre modèle. La fonction de perte
utilisée était la perte de catégorisation croisée (categorical_crossentropy). On a
également suivi les performances du modèle en utilisant la métrique de précision
(accuracy).

4. Entraînement du Modèle : Le modèle a été entraîné sur les données d'entraînement

qu’on a préalablement divisées. Chaque époque a consisté en un certain nombre
d'itérations. On a également évalué le modèle sur les données de validation après
chaque époque pour suivre sa performance.

95
 5. Courbes d'Apprentissage : Après l'entraînement, on a tracé la courbe d'apprentissage
qui montrent comment la perte et l'exactitude ont évolué au fil des époques. Cela nous
a permis de comprendre comment notre modèle s'est amélioré au fur et à mesure de
l'entraînement et s'il a montré des signes de surajustement ou de sous-ajustement.

En somme, cette étape de développement du modèle a été cruciale pour obtenir un

modèle capable de classifier efficacement les défauts de courts-circuits dans les images
thermiques. Les étapes rigoureuses de création, de configuration, d'entraînement et d'évaluation
du modèle nous ont permis de comprendre son comportement et sa performance, et nous ont
aidés à ajuster les paramètres pour obtenir les meilleurs résultats.

• Ensemble de données de vibrations :

Pour l'ensemble de données de vibrations, on a utilisé des méthodes d'apprentissage
supervisé pour la classification en se basant différentes catégories de caractéristiques extraites
des signaux de vibrations, tel que pour chaque catégorie, on a effectué une série d'étapes
essentielles pour construire un modèle de classification efficace. Permettez-moi de vous décrire
ces étapes en détail :

1. Sélection des Caractéristiques : on a commencé par sélectionner les caractéristiques

les plus informatives pour notre modèle. Pour ce faire, nous avons utilisé la méthode
d'information mutuelle (mutual_info_regression) pour évaluer la relation entre les
caractéristiques et la variable cible (State). Cette évaluation nous a permis de
déterminer les caractéristiques les plus pertinentes pour la classification.

96
2. Modélisation avec GridSearchCV : on a comparé plusieurs modèles de classification
(Benchmarking) en utilisant GridSearchCV, une technique qui effectue une recherche
exhaustive sur un espace de paramètres spécifié pour chaque modèle. On a utilisé des
métriques telles que l'accuracy, F1-score, précision et rappel pour évaluer les
performances des modèles. Le meilleur modèle et ses paramètres optimaux ont été
enregistrés pour chaque catégorie de données de vibrations.

97
3. Apprentissage et Évaluation : Le meilleur modèle obtenu à l'étape précédente a été
utilisé pour l'apprentissage sur les données d'entraînement et l'évaluation sur l'ensemble
de test. On a surveillé l'exactitude et d'autres métriques de performance pour évaluer
l'efficacité du modèle dans la classification des états.

98
 4. Courbes d'Apprentissage : Pour mieux comprendre la performance du modèle, on a
tracé les courbes d'apprentissage qui montrent comment l'exactitude du modèle évolue
en fonction du nombre d'exemples d'entraînement utilisés. Cela nous a permis
d'identifier si le modèle souffrait de surajustement ou de sous-ajustement.

En résumé, pour les deux ensembles de données, nous avons suivi une approche de
développement de modèles supervisés. Nous avons choisi des méthodes et des architectures de
modèle adaptées à chaque ensemble de données, et nous avons évalué ces modèles pour
déterminer leur capacité à détecter efficacement les défauts de courts-circuits dans les moteurs
électriques.

3.2 Évaluation du Modèle

Dans cette phase cruciale de notre étude, nous avons minutieusement évalué les
performances du modèle pour chacun des deux ensembles de données distincts. Pour
chaque ensemble, nous avons suivi une approche systématique pour évaluer la capacité
du modèle à classer avec précision les états correspondants.
• Ensemble d'images thermiques :

Pour L'évaluation de l'ensemble d'images thermiques a généré des résultats significatifs

et encourageants, comme en témoigne l'analyse détaillée ci-dessous :

▪ Résultats de l'évaluation sur le jeu de test :

1. Perte de test (Test Loss) : Le modèle a affiché une perte de test minimale de 0,10180,
ce qui témoigne de sa capacité à apprendre efficacement les caractéristiques distinctives
des données et à généraliser au-delà de l'ensemble d'entraînement.

99
 2. Exactitude de test (Test Accuracy) : L'exactitude du modèle sur l'ensemble de test a
été impressionnante, atteignant un taux remarquable de 98,65%. Cela signifie que le
modèle a correctement classé près de 99% des échantillons du jeu de test, démontrant
ainsi sa robustesse et sa capacité à différencier les différentes classes de défauts de
courts-circuits.

▪ Métriques par classe :

L'examen des métriques par classe, telles que la précision, le rappel, le score F1 et le
support (nombre d'échantillons), nous permet de mieux comprendre la performance du modèle
pour chaque catégorie de défaut de courts-circuits. Le tableau résumant ces métriques révèle
les points forts du modèle ainsi que les zones qui pourraient nécessiter une attention particulière
:
• Classes à performance exceptionnelle : Le modèle a obtenu des scores de
précision, de rappel et de score F1 proches de 1 pour plusieurs classes, telles
que A&B50, A&C&B10, A&C&B30, A&C10, A10, A50, Fan, Noload et
Rotor-0. Cela indique que le modèle est très compétent pour identifier avec
précision ces défauts, ce qui témoigne de sa capacité à reconnaître efficacement
divers types de défauts.

• Classe A&C30 : Bien que cette classe présente un rappel parfait (ce qui signifie
que le modèle identifie correctement tous les échantillons de cette classe), la
précision est légèrement inférieure à 1 (0,889). Cela suggère que le modèle peut
confondre certains échantillons de cette classe avec d'autres classes. Bien que le
score F1 soit légèrement affecté par cette confusion, il est important de noter

100
 que cette classe représente une petite fraction de l'ensemble de données, ce qui
peut contribuer à cette variation.

Figure 59: Matrice de confusion du modèle CNN

• Ensemble de données de vibrations :

Pour l'ensemble de données de vibrations, l’évaluation a été réalisée aussi à avec les
mêmes métriques du modèle précédent où :

▪ Exactitude (Accuracy) : Le modèle a obtenu une exactitude de 55,63%,

ce qui signifie qu'il a correctement classé environ 56% des échantillons
de l'ensemble de test. Cette mesure évalue la capacité globale du modèle
à prédire les classes correctes.

▪ Rapport de classification : Le rapport de classification fournit des

informations plus détaillées sur les performances du modèle pour chaque
classe. Les scores de précision, de rappel et de score F1, ainsi que le

101
 support (nombre d'échantillons) pour chaque classe, sont résumés dans
le tableau ci-dessous :

Ce rapport de classification permet de comprendre comment le modèle se comporte

pour chaque classe individuellement. On peut observer que le modèle a des scores de précision,
de rappel et de score F1 proches pour chaque classe. Cependant, il est important de noter que
ces scores varient d'une classe à l'autre, indiquant que le modèle peut présenter des
performances différentes en fonction des types de vibrations à classifier.

On a effectué également une évaluation par la matrice de confusion pour visualiser la

correspondance entre les étiquettes réelles et les étiquettes prédites par le modèle, ce qui permet
d'identifier les types de classifications correctes et incorrectes.

Figure 60: Matrice de confusion du modèle de vibration

Cette matrice de confusion montre le nombre d'échantillons correctement classés

(diagonale) ainsi que les confusions entre les classes. Par exemple, le modèle a correctement
classé 84 échantillons de la classe 0, mais en a classé à tort 34 comme étant de la classe 2 et

102
36 comme étant de la classe 1. Globalement, l'exactitude du modèle sur l'ensemble de test, bien
qu'au-delà du hasard, indique que des améliorations pourraient être envisagées, notamment
pour renforcer la précision et le score F1 pour chaque classe. Une analyse plus approfondie de
la matrice de confusion peut guider ces améliorations, notamment pour identifier les classes
qui présentent des confusions plus fréquentes.

4. Déploiement du Modèle :

Dans cette phase de déploiement, on met en avant l'utilisation de deux outils populaires
pour rendre notre application accessible aux utilisateurs : FastAPI et Streamlit. FastAPI est
un framework web performant et flexible, spécialement conçu pour la création et le
déploiement rapide d'applications web. Il offre des fonctionnalités puissantes pour gérer les
requêtes HTTP, les routes, et les vues, permettant ainsi de créer une interface robuste côté
backend pour notre application. Streamlit, quant à lui, est un outil qui simplifie grandement le
développement d'interfaces utilisateur interactives pour nos modèles et visualisations de
données. Grâce à Streamlit, on peut créer une interface utilisateur conviviale et intuitive,
favorisant les interactions avec notre modèle de maintenance prédictive.

Dans la suite, on présente deux interfaces majeures de notre application :

• Interface de Classification des Images Thermiques : Cette interface permet

aux utilisateurs de sélectionner une image thermique, et notre programme
affiche la classe à laquelle appartient cette image ainsi que le pourcentage de
confiance associé.

103
Figure 61: Interface de classification des Images Thermiques Infrarouge

• Interface de Prédiction Basée sur les Caractéristiques du Signal de

Vibration : Dans cette interface, nous effectuons des prédictions sur les valeurs
des capteurs de vibration, rotation, pression, et tension. Ces prédictions sont
ensuite utilisées pour déterminer la classe d'erreur correspondante en utilisant
un modèle de classification spécialement conçu pour exploiter les
caractéristiques du signal de vibration.

104
 Figure 62: Interface de prédiction de vibration de défaillance

Grâce à l'utilisation conjointe de FastAPI pour la gestion du backend et Streamlit pour

la création de l'interface utilisateur, on est en mesure de fournir une expérience utilisateur
hautement conviviale, tout en assurant la performance, la sécurité et la maintenance continue
de notre application de maintenance prédictive.

Conclusion
Au fil de ce chapitre, chaque étape du projet a été soigneusement mise en œuvre. La
collecte et la préparation des données ont servi de fondement solide pour la suite. L'analyse
exploratoire approfondie a permis de tirer des enseignements précieux et d'identifier des
tendances essentielles dans les données. En développant des modèles, non seulement en
apprentissage automatique, mais aussi en apprentissage en profondeur, on a exploité ces
connaissances pour créer des outils prédictifs d'une précision accrue. Enfin, avec le
déploiement de l'application web conviviale, on a rendu ces capacités accessibles et utilisables,
offrant ainsi une solution pratique pour la maintenance prédictive et la prédiction de la
production de phosphate. Chaque étape a joué un rôle crucial dans la réalisation globale du
projet.

105
 Conclusion Générale

Le projet de maintenance prédictive et de prédiction de la production du phosphate a

été mené à bien en appliquant une approche basée sur l'analyse de données et l'apprentissage
automatique. Tout au long des chapitres de ce rapport, nous avons exploré en détail l'entreprise,
le processus de fabrication des phosphates, effectué une revue approfondie de la littérature,
présenté les ressources matérielles et logicielles utilisées, et décrit minutieusement la mise en
œuvre du projet.

Grâce à une méthodologie rigoureuse de collecte et de préparation des données, nous

avons identifié les tendances et les relations clés entre les différentes variables liées aux
machines stacker utilisées dans le processus de stockage du phosphate. En utilisant des
techniques avancées d'apprentissage automatique, notamment les boosters pour l'analyse des
signaux de vibration et une adaptation du modèle VGG16 pré-entraîné pour l'analyse des
images thermiques infrarouges. On a développé des modèles performants capables de prédire
les défaillances, d'anticiper les pannes potentielles et d'améliorer la planification des activités
de maintenance. Ces modèles jouent un rôle crucial dans l'optimisation de la disponibilité et de
la fiabilité des machines stacker, contribuant ainsi à une efficacité opérationnelle accrue dans
l'industrie minière et à la réduction des temps d'arrêt imprévus, ce qui ouvre la voie à de futures
améliorations et applications dans ce domaine en constante évolution.
La concrétisation de notre solution au travers d'une application web conviviale offre
aux utilisateurs la possibilité d'interagir avec les modèles entraînés, permettant ainsi des
prédictions en temps réel. Cette capacité d'interprétation des données peut grandement aider
les utilisateurs à prendre des décisions informées, optimisant ainsi la gestion de la maintenance
et le processus de production.

Ce projet témoigne de l'importance grandissante de la maintenance prédictive et de

l'utilisation de l'apprentissage automatique dans l'industrie. Il ouvre également la voie à de
nouvelles opportunités d'améliorations continues, d'investigations plus approfondies, et
d'extensions de ces méthodes à d'autres secteurs industriels.

En résumé, ce projet a réussi à appliquer de manière fructueuse les concepts de

maintenance prédictive et de prédiction de la production du phosphate, en exploitant des
méthodes avancées d'apprentissage automatique. Les résultats obtenus sont susceptibles d'avoir
un impact significatif sur l'efficacité opérationnelle, la planification de la maintenance et
l'optimisation des processus dans l'industrie du phosphate, tout en posant les bases pour des
développements futurs et des avancées continues dans ce domaine.

106
Bibliographies – webographie

• [1] https://www.journaldunet.fr/web-tech/dictionnaire-de-l-iot/1489507-maintenance-
predictive-definition-et-interet-dans-l-industrie/
• [2] https://journals.sagepub.com/doi/pdf/10.1177/16878140211060956
• [3] https://github.com/w2001-RF/MotorFaultsStateClassification/
• [4] https://www.ocpgroup.ma/
• [5] https://arxiv.org/pdf/1409.1556v6.pdf
• [6] https://www.eecis.udel.edu/~amer/CISC651/IEEEwavelet.pdf
• [7] https://www.sciencedirect.com/science/article/abs/pii/S0378779603001548
• [8]http://sti-monge.fr/maintenancesystemes/wp-
content/uploads/2014/11/VIB_Booklet_F.pdf
• [9] https://biblio.univ-annaba.dz/ingeniorat/wp-content/uploads/2021/06/memoire-
boughareb-khaled-Maint.pdf
• [11] https://scikit-learn.org/stable/supervised_learning.html#supervised-learning
• [12] https://www.tensorflow.org/api_docs/python/tf/keras/applications/vgg16/VGG16
• [13] https://numpy.org/
• [14] https://pandas.pydata.org/
• [15] https://matplotlib.org/
• [16] https://seaborn.pydata.org/
• [17] https://keras.io/
• [18] https://www.kaggle.com/code/samsonbezu/fer-vgg16-v1-submission
• [19] https://mydigitalweek.com/industrie-4-0-vers-maintenance-predictive/
• [20] https://fastapi.tiangolo.com/
• [21] https://streamlit.io/

107