Détection des anomalies et maintenance predictive avec l’intelligence artificielle dans l’internet des objets

Abstract

L’Internet des objets (IoT) représente l’une des évolutions technologiques les plus marquantes dans l’industrie moderne. Il a permis aux systèmes de surveiller leur propre fonctionnement grâce à des réseaux de capteurs intelligents. Ces capteurs collectent des données opérationnelles en temps réel, ce qui permet d’analyser le comportement des équipements dans des conditions réelles. Cette capacité est devenue essentielle pour développer des stratégies de maintenance prédictive, afin de réduire les pannes inattendues et améliorer la fiabilité des systèmes. Dans ce cadre, ce travail présente une étude appliquée sur la surveillance des moteurs d’avion, considérés comme des systèmes industriels sensibles et complexes. Une architecture basée sur l’IoT a été utilisée pour collecter les données du moteur, comprenant différentes mesures comme la pression, la température et la vitesse. Ces données sont utilisées comme entrées d’un modèle intelligent conçu pour analyser le comportement du moteur et détecter les anomalies pouvant indiquer un dysfonctionnement imminent. Le modèle proposé suit une structure en plusieurs étapes et utilise des techniques d’intelligence artificielle. Il comprend : une première phase de détection des anomalies avec un Autoencoder utilisant un mécanisme d’attention, suivie d’une phase de classification de l’état du moteur (sain ou non) à l’aide de l’algorithme Balanced Random Forest, puis une phase de prédiction de la durée de vie restante (RUL) avec un réseau LSTM doté d’attention. Le modèle a été évalué à l’aide de la base de données C-MAPSS, et les résultats ont montré une nette amélioration dans la détection précoce et l’aide à la prise de décision en maintenance prédictive. Cette étude met en valeur l’intérêt de combiner les technologies de l’IoT et de l’intelligence artificielle pour construire des systèmes industriels plus intelligents, capables de réagir aux situations critiques avant qu’elles ne deviennent de véritables pannes.