La maintenance prédictive (MP) permet d’anticiper la survenue des pannes sur les équipements industriels au moyen de techniques d’analyse de données et d’apprentissage automatique.
Dans ce contexte, les machines industrielles sont conçues pour fournir quotidiennement un ensemble de données aux formats variés. Dans un objectif de MP, ces travaux de recherche
consistent à analyser les données de fichiers logs émises par les machines. Aussi, cette thèse présente un modèle de classification supervisée, dédié à la prédiction d’erreurs critiques. Dans cette optique, un historique d’erreurs critiques et non critiques a été collecté durant un an sur une flotte de machines de l’industrie du textile. Pour faciliter l’étiquetage des jeux de données, nous avons élaboré une approche de structuration inspirée du Multiple Instance Learning dans laquelle les données sont organisées sous la forme de bags. Cette thèse explore plusieurs méthodes de classification telles que le Bayésien Naïf, les arbres de décisions, le SVM, et enfin un réseau de neurones artificiel, ce dernier nous ayant permis d’obtenir les prédictions les plus fiables. Ce modèle, qui tient compte du déséquilibre des classes dont les données sont entachées, permet de prédire la survenue d’une erreur de haute sévérité, avec une très bonne fiabilité (0.8 en termes de F1-score).
Enfin, nous avons exploité les dépendances temporelles auxquelles les erreurs sont associées à travers l’application de méthodes d’apprentissage basées sur un réseau de neurones récurrents.