M2 SIIA

Artificial intelligence applied to the predictive

maintenance of intelligent solar inverters

Ibtissem

26 août 2019
UNIVERSITÉ DE BRETAGNE OCCIDENTALE

Faculté des Sciences et Techniques

Département INFORMATIQUE

Rapport de stage M2
Systèmes Informatiques Intelligents et
Autonomes :

Intelligence Artificielle appliquée à la

maintenance prédictive d’onduleurs

 Tuteur :
Romain Le FORSTIER
 Réaliser par :
 Enseignant référent :
Ibtissem TAZTAZ
Vincent RODIN

Rapport Confidentiel
2018-2019
 REMERCIEMENTS

Je tiens à adresser en premier lieu mes remerciements et ma profonde gratitude, respect et

admiration à mon tuteur Monsieur Romain LE FORSTIER et à Monsieur Cristophe Gouas-
guen de par leurs disponibilités, et leurs feedbacks précis.

Je tiens aussi à remercier Monsieur Vincent RODIN, pour d’abord la qualité de formation en
tant qu’enseignant du module Méthodes computationnelles. Ensuite, pour ses précieux conseils
et recadrages lors de mon stage en tant qu’enseignant référent.

Mes remerciements s’étendent aussi aux membres du jury, Monsieur Jérémy Rivière et Mon-
sieur Thierry Duval, qui m’ont fait l’honneur d’examiner et de juger mon travail.

Je tiens enfin à remercier toute personne ayant contribué de près ou de loin à l’aboutissement
de ce projet.

iii
 DÉDICACES

Ibtissem TAZTAZ

Ce présent mémoire est le fruit d’un dur labeur qui vient s’inscrire comme la fin d’un cycle
d’apprentissage : le Master.

Dans l’espérance de nouveaux projets et défis encore plus passionnants et constructifs, je

dédie ce travail :

A mes parents

Toujours présents, disponibles et attentifs, ce travail est le fruit de vos efforts et de vos
sacrifices. Merci de m’avoir accompagnée et aidée dans mes études. Que Dieu vous accorde
longue vie et santé.

iv
 TABLE DES MATIÈRES

Liste des tableaux vii

Table des figures viii

Introduction générale viii

1 Organisme d’accueil : IMEON ENERGY 1

1.1 IMEON ENERGY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 IMEON : Onduleur connecté intelligent . . . . . . . . . . . . . . . . . . 2
1.1.2 Mode de fonctionnement . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 La maintenance prédictive aux aurores de l’Intelligence Artificielle 5

2.1 Industrie 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Types de maintenance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1 Corrective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.2 Préventive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.3 Prédictive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Surveillance en continu des données . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Schémas des pannes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Systèmes de maintenance prédictive . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5.1 Technique de maintenance prédictive . . . . . . . . . . . . . . . . . . . . 11
[Link] Approches statistiques : . . . . . . . . . . . . . . . . . . . . . . 11
[Link] Approche basée Apprentissage Automatique : . . . . . . . . . . 12
2.6 Intelligence Artificielle appliquée à la maintenance prédictive : Etat de L’art . . 17

3 Conception 21
3.1 Vue d’ensemble de la conception . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Visualisation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Extraction des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Prétraitement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4.1 Nature des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
[Link] Données remontées par les onduleurs . . . . . . . . . . . . . . . 23
[Link] Données internes : Maintenance/ ERP . . . . . . . . . . . . . . 24
3.4.2 Techniques de prétraitement des données . . . . . . . . . . . . . . . . . 24
[Link] Normalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
[Link] Filtrage des données . . . . . . . . . . . . . . . . . . . . . . . . 24
[Link] Extraction d’information . . . . . . . . . . . . . . . . . . . . . . 25

v
 TABLE DES MATIÈRES

[Link] Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3.5 Apprentissage Automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.5.1 Apprentissage des données onduleurs . . . . . . . . . . . . . . . . . . . . 27
3.5.2 Apprentissage des données batteries . . . . . . . . . . . . . . . . . . . . . 28
3.5.3 Apprentissage des données PV . . . . . . . . . . . . . . . . . . . . . . . . 28

4 Implémentation et résultats 30
4.1 Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.1.1 Environnement de développement . . . . . . . . . . . . . . . . . . . . . 30
[Link] Psycopg – PostgreSQL database adapter for Python . . . . . . 31
[Link] Outil de Data visualisation . . . . . . . . . . . . . . . . . . . . 31
[Link] Scikit-learn, librairie d’apprentissage automatique . . . . . . . . 34
4.1.2 Choix d’implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.1.3 Architectures modèles prédictifs . . . . . . . . . . . . . . . . . . . . . . . 35
[Link] SVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
[Link] MLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
[Link] RandomForest Classifier . . . . . . . . . . . . . . . . . . . . . . 36
4.1.4 Mesures d’évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
[Link] Mesure de précision . . . . . . . . . . . . . . . . . . . . . . . . 36
[Link] Mesure d’erreur . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.1 Performances des algorithmes d’apprentissage . . . . . . . . . . . . . . . 37
[Link] Performances des prédictions des erreurs onduleurs . . . . . . . 37
[Link] Performances des prédictions des erreurs batteries . . . . . . . . 37
[Link] Performances des prédictions des erreurs PV . . . . . . . . . . . 38
4.2.2 Evaluation de notre travail par rapport aux travaux antérieurs . . . . . . 38
4.2.3 Module Prédictif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

Conclusion générale et perspectives 41

Bibliographie 48

vi
 LISTE DES TABLEAUX

4.1 Tableau comparatif des choix d’implémentation [LOUKIL, 2018] . . . . . . . . . 35

4.2 Tableau comparatif des résultats de l’apprentissage sur des données des erreurs
onduleurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3 Tableau comparatif des résultats de l’apprentissage sur des données des erreurs
batteries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4 Tableau comparatif des résultats de l’apprentissage sur des données des erreurs
PV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.5 Comparaison des précisions de nos modèles prédictifs avec les résultats des tra-
vaux antérieurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

vii
 TABLE DES FIGURES

1.1 Organigramme de l’entreprise IMEON ENERGY. . . . . . . . . . . . . . . . . . 1

1.2 Schémas d’installation solaire. [FORESTIER, 2016] . . . . . . . . . . . . . . . . 2
1.3 Les différents modes de fonctionnement de l’onduleur IMEON [[Link] [Link],
2019] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Exemple d’utilisation d’IMEON [[Link] [Link], 2019] . . . . . . . . . . 4

2.1 Composants clés d’industrie 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.2 Moment d’intervention des différents types de maintenance [[Link] mainte-
[Link], 2019] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Les six étapes-clés de l’analyse prédictive [ZedNet, 2015]. . . . . . . . . . . . . . 10
2.4 Architecture d’un système expert. . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 Corrélation des données. [Guillaume, 2010] . . . . . . . . . . . . . . . . . . . . . 12
2.6 Neurone artificial [Chrislb, 2016] . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.1 Schéma récapitulatif des étapes de conception l’outil de prédiction de panne . . 21

3.2 Application de data visualisation . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Base de données monitoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Champs vides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5 Boite à moustache . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.6 Les codes erreur onduleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.7 Timeline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.8 Les codes erreurs batteries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.9 Les codes erreur PV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

4.1 Tableau de bord de l’application de visualisation des données. . . . . . . . . . . 32

4.2 graphique et tableau résumant l’évolution des installation des onduleurs. . . . . 32
4.3 Partie statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.4 Tableau récapitulatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.5 Analyse des taux de connections des onduleurs . . . . . . . . . . . . . . . . . . . 33
4.6 Model viewer controller . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.7 Consommation de mémoire par les deux API d’apprentissage automatique. . . . 35
4.8 L’ensemble des modules / applications internes d’onduleur. . . . . . . . . . . . . 39
4.9 Le Module prédictif. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

viii
 INTRODUCTION GÉNÉRALE

L’ère industrielle est loin derrière : nous faisons face à une révolution du numérique ; nous
vivons une époque de digitalisation extrême. les TIC font désormais partie intégrante de notre
quotidien : pour toute action nous consultons internet, nos smartphones et objets connectés.
L’industrie n’est pas en reste de ce bouleversement ; le domaine industriel connaît une expan-
sion fulgurante, ne cessant d’évoluer et étant au cœur de toutes sortes d’innovation.

Les objets connectés (IoT) ont submergé le marché industriel sous un amant de données
phénoménal. Avec de plus en plus de machines connectées, un grand nombre de données utiles
sont générées. On parle du big Data.

Le Big Data nous pousse à proposer aux clients des solutions customisées en ciblant les be-
soin de chacun de façon à y répondre instantanément. L’un des plus grands besoins des clients,
dans le domaine industriel, est d’assurer la maintenance des machines, ainsi que de pouvoir
estimer la durée de vie d’un composant et/ou prédire des défaillances potentiels ; ceci passe
inévitablement par la maintenance prédictive.

La maintenance prédictive permet aux clients de mieux utiliser leurs machines en détectant
l’apparition d’anomalies sur ces machines avant qu’elles ne deviennent trop graves, et aux fabri-
cants d’anticiper les pannes et d’estimer les coûts de la maintenance par la suite. Beaucoup de
chercheurs se sont penchés sur le problème de la maintenance prédictive en proposant diverses
solutions avec des approches différentes. L’intelligence artificielle et notamment l’apprentissage
automatique ont révolutionné la prédiction en général et la maintenance en particulier. Cer-
tains algorithmes d’apprentissage permettent des prédictions de très grande précision et à long
terme grâce à leur capacité à inférer des modèles prédictifs qui se basent sur l’exploitation des
historiques des données collectées.

Dans ce contexte, notre travail consiste en l’exploitation du contenu des données indus-
trielles génerées par la gamme des onduleurs solaires connectés IMEON afin de mettre en place
un module prédictif qui permet détecter la date et la nature de la prochaine panne prévisible.

Contribution
Ce projet nous a permis d’explorer le domaine d’exploitation des données industrielles et les
techniques de la maintenance prédictive. Notre contribution expérimente les algorithmes d’ap-
prentissage automatique classés parmi plus performants dans le domaine de prédiction selon

ix
 Introduction générale

les travaux de recherche récents.

Par le biais de ce mémoire nous présenterons toutes les étapes de notre approche de réalisa-
tion d’un outil d’aide à la décision aux futurs utilisateurs des onduleurs solaires IMEON. Nous
aurons ainsi réalisé la première solution de maintenance prédictive de la gamme IMEON, avec
une technique de prédiction basée apprentissage automatique.

Organisation du rapport de stage

Nous avons organisé notre rapport de stage en quatre chapitres :

Dans le premier chapitre « Organisme d’accueil : IMEON ENERGY » nous présen-

terons l’entreprise accueillante IMEON ENERGY, ses secteurs d’activités. Nous présenterons
aussi ses technologies innovantes, ainsi que leurs produits, notamment la gamme d’onduleur
solaire IMEON et son mode de fonctionnement.

Dans le second chapitre «La maintennace prédictive aux aurores de l’Intelligence

Artificielle » nous aborderons les systèmes de maintenance prédictive. Nous présenterons
d’abord le contexte qui est Industrie 4.0 et les différents sources de données de ces systèmes,
ainsi que les techniques de surveillance des données pour leur exploitation. Nous présenterons
aussi les différentes techniques de prédiction. Enfin nous clôturerons ce chapitre avec un état
de l’art sur les travaux antérieurs les plus récents et pertinents qui ont abordé le problème de
la maintenance prédictive.

Le troisième chapitre « CONCEPTION » détaillera toute la phase conceptuelle de notre

travail : nous y présenterons la source exploitée pour la collecte de données, les étapes de col-
lecte et de prétraitement ainsi que notre approche d’apprentissage automatique. Enfin nous y
détaillerons la conception de notre outil de prédiction.

Le quatrième chapitre « IMPLÉMENTATION ET RÉSULTATS » nous y présente-

rons les aspects techniques de notre travail, ainsi que les résultats obtenus avec notre approche
d’apprentissage automatique. Nous y effectuerons également une étude comparative et critique
de nos résultats. Enfin, nous finirons avec une présentation de notre outil de prédiction de
pannes.

La conclusion générale portera sur l’ensemble de notre travail, ainsi que les perspectives
d’amélioration et d’extension de notre projet.

x
CHAPITRE 1
ORGANISME D’ACCUEIL : IMEON ENERGY

1.1 IMEON ENERGY

Imeon Energy est une entreprise fondée par Christophe Goasguen en 2013, elle est située
à Brest - France. Il s’agit d’une entreprise spécialisée dans la fabrication d’onduleurs « intelli-
gent » dédiés aux installations photovoltaïque en autoconsommation. L’onduleur IMEON est le
fruit de nombreuses années de recherche et développement, cette technologie est protégée par
un brevet international.

La start-up Bretonne est constituée de deux commerciaux, quatre ingénieurs, un directeur

des opérations, une responsable logistique et une responsable qualité :

Figure 1.1 – Organigramme de l’entreprise IMEON ENERGY.

Le bureau d’étude de Brest s’occupe de la conception des onduleurs IMEON et une partie
d’assemblage des pièces. La fabrication des pièces est réalisée en Chine.
 Organisme d’accueil : IMEON ENERGY

La société réalise 95% de son chiffre d’affaires à l’export, commercialisé via un réseau inter-
national de 30 distributeurs et disponible dans plus de 70 pays.

1.1.1 IMEON : Onduleur connecté intelligent

IMEON intègre au sein d’un processeur ARM CORTEX, une Intelligence Artificielle lui
permettant d’apprendre, de comprendre et d’anticiper, dans le but d’atteindre les objectifs de
l’utilisateur (Autonomie, économies, sécurisation, rendement. . . ).

Cette nouvelle génération d’onduleurs pour l’autoconsommation crée une rupture radicale
avec les technologies actuellement disponibles sur le marché avec 5ans d’avance [[Link]
[Link], 2019].

1.1.2 Mode de fonctionnement

IMEON gère plusieurs sources d’énergie (PV/Batteries/ Réseau) et oriente l’électricité dis-
ponible en fonction des conditions de production et des besoins en consommation. Chaque KWh
générée est consommé directement, stocké dans des batteries où vendu à un opérateur.

IMEON est conçu pour s’adapter sur tous les types d’installation solaires en autoconsomma-
tion : site isolé (off-Grid) raccordé en réseau On Grid, ou hybride (off-grid et on). Il remplace :
onduleurs, régulateur de charge, inverseur de sources, routeur, etc. IMEON simplifie la mise en
œuvre d’un système solaire photovoltaïque et réduit donc fortement le temps d’installation :

(a) Installation solaire traditionnelle (b) Installation solaire avec un IMEON

Figure 1.2 – Schémas d’installation solaire. [FORESTIER, 2016]

Imeon gère le stockage de manière intelligente pour limiter l’utilisation des batteries. Le sys-
tème charge uniquement l’excédent de production dans les batteries et les décharge seulement
pour assurer le complément nécessaire à l’énergie solaire.

2
 Organisme d’accueil : IMEON ENERGY

IMEON permet donc de réduire la capacité du stockage et de prolonger sa durée de vie en

évitant un maximum de solliciter les batteries (nombre de cycles réduit). Les systèmes Off-Grid
gèrent le stockage par seuils fixes alors qu’IMEON, via une compensation dynamique, ajuste les
seuils en permanence en fonction des courants de charge (production) et de décharge (consom-
mation) :

Figure 1.3 – Les différents modes de fonctionnement de l’onduleur IMEON [[Link]

[Link], 2019]

3
 Organisme d’accueil : IMEON ENERGY

IMEON réduit le coût de l’électricité produite par une installation solaire photovoltaïque
jusqu’à 30%.

Figure 1.4 – Exemple d’utilisation d’IMEON [[Link] [Link], 2019]

4
CHAPITRE 2
LA MAINTENANCE PRÉDICTIVE AUX AURORES DE
L’INTELLIGENCE ARTIFICIELLE

S ans prévision il n’est pas possible de planifier. Chacun

d’entre nous se fie aux prévisions météorologiques pour
s’habiller le matin. Si nous prenons le parapluie pour sortir,
c’est qu’il pleut ou que nous prévoyons qu’il va pleuvoir.
[Seiersen, 2006]

Les économistes et les mathématiciens se sont penchés sur la question de prédiction depuis
très longtemps. L’économiste Adam Smith vers la fin du 17ème siècle expliquait que le prévi-
sionniste ne donnait pas seulement le rythme du marché mais il cherche aussi à l’anticiper. Des
siècles après, ils se penchent toujours sur le problème de prédiction pour pouvoir anticiper des
crises économiques et expliciter des fluctuations non prévues des marchés.

Avec les avancées technologiques notamment l’apparition de l’intelligence artificielle, de

nouvelles méthodes de prévision ont vu le jour, à l’image de l’Apprentissage Automatique et
l’Apprentissage Profond. Nous nous concentrons dans cette partie sur le domaine de de la
maintenance, et plus précisément ce qui est appelé aujourd’hui les systèmes de maintenance
prédictive dans le domaine de l’industrie.

Dans ce chapitre, nous définirons brièvement la maintenance, ses différentes formes, la sur-
veillance des données et les systèmes de prédiction des pannes, mais tout d’abord nous explici-
terons la source de données de ces systèmes, ainsi que les différents traitements nécessaires afin
d’extraire et d’exploiter efficacement ces données dans le processus de prédiction.

Nous aborderons ensuite le deuxième plier de ce chapitre qui est l’intelligence artificielle.
Nous clôturons ce chapitre avec un état de l’art sur l’expansion de la maintenance prédictive
aux aurores de l’intelligence artificielle.

2.1 Industrie 4.0

La production industrielle continue de progresser depuis le tout début. Parfois, les chan-
gements étaient si puissants et si importants que nous devions les décrire sous le terme de "
Révolutions industrielles". Le terme Industrie 4.0 est utilisé pour reconnaître les trois autres
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

révolutions précédentes de l’industrie.

Aujourd’hui, nous assistons à la quatrième révolution industrielle, également connue sous le

nom Industrie 4.0. Il combine les atouts d’une fabrication industrielle optimisée avec les tech-
nologies Internet : Big Data (BD) Data Mining (DM), les systèmes cyber-physiques (CPS),
l’Internet des objets (IoT) et les services Internet (IoS), qui modifient considérablement le
processus de fabrication, la gestion de la maintenance et les stratégies de maintenance. Les
technologies de l’information et de la communication se développent ensemble et touchent tous
les domaines de la vie. Les appareils et les systèmes de notre environnement réel contrôlés par
un logiciel intégré sont désormais intégrés au réseau de communication mondial, où Internet
est le terme clé.

Le monde réel et le monde virtuel grandissent clairement ensemble. Industrie 4.0 est une
sorte de mot à la mode de nos jours, largement discuté entre praticiens et théoriciens, et facilite
la version de « Smart Factory » [Weyer et al., 2015]. Il a été introduit au salon de Hanovre en
2011 en Allemagne pour présenter une nouvelle tendance vers la mise en réseau des industries
traditionnelles. À partir de ce moment, il a été démontré que de nombreux projets et pro-
grammes similaires reflétaient le concept d’industrie 4.0, tels que « Intelligent Manufacturing
system » système de fabrication intelligente et "Smart Manufacturing" fabrication intelligente.

Sur la base de l’analyse de la littérature, la définition générale d’Industrie 4.0 peut être
résumée comme suit : Industrie 4.0 est un terme collectif désignant les technologies et concepts
d’organisation de la chaîne de production [Thuemmler and Bai, 2017]. Le principe de base de
l’Industrie 4.0 est l’application d’IoT et de la fabrication intelligente, qui permet aux compo-
sants et aux machines de production de collecter et de partager des données en temps réel, et
de tirer les meilleurs avantages de ces ressources coûteuses. Industrie 4.0 est la superposition
de plusieurs développements technologiques liés aux systèmes CPS, IOT, IoS et DM. CPS fait
référence à une nouvelle génération de systèmes dotés de capacités informatiques et physiques
intégrées pouvant interagir avec l’humain via de nombreuses nouvelles modalités. La clé est la
capacité d’interagir avec, et d’élargir les capacités du monde physique, par le biais du calcul,
de la communication et du contrôle [Baheti and Gill, 2011]. En outre, Industrie 4.0 facilite le
développement de systèmes de contrôle de production intelligents et flexibles, qui appliquent les
technologies de l’information et de la communication pour que les machines puissent commu-
niquer et interagir. Typiquement, Industrie 4.0 comprend principalement les composants clés
suivants :

• Systèmes cyber-physiques

• Internet des objets

• Big Data et Data Mining

• Internet des services

6
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

La figure 2.1 montre les rôles de ces composants clés :

Figure 2.1 – Composants clés d’industrie 4.0

Nous sommes aux aurores de l’industrie 4.0 où les industriels doivent s’adapter à toutes les
tendances naissantes pour éviter à leurs business une fin tragique. Dans ce contexte, la mainte-
nance constitue le moyen d’assurance le plus répandu entre les éventuels industriels et clients.
Cette dernière a connu un grand nombre d’évolutions au sein du projet 4.0 :

2.2 Types de maintenance

La maintenance est définie par la combinaison de toutes les actions techniques de dépannage,
réparation, vérification, contrôle, déclassement, réforme et gestion d’équipements afin d’assurer
une activité de production. Il existe essentiellement deux types de stratégies de maintenance :
la maintenance corrective et la maintenance préventive. Ils peuvent également être divisés en
sous-catégories [[Link] [Link], 2019] :

2.2.1 Corrective
l’intervention est effectué après la détection d’une panne entraînant des arrêts de production.
Il s’agit d’une réparation (maintenance curative) ou d’un dépannage (maintenance palliative) :

a Curative :
Elle consiste en la réparation complète de la machine suite à une identification du pro-
blème sans perturbation de la chaîne de production ou de l’utilisation du système ratta-
ché à cette [Link] effet, une maintenance corrective curative visera à remplacer un
/ plusieurs composant(s) défaillant par un / plusieurs composant(s) neuf afin de résoudre
définitivement le problème.

b Palliative :
La maintenance corrective palliative intervient lorsqu’un problème important ou blo-
quant, a été identifié. Ici, l’objectif est de réparer provisoirement le défaut afin de réta-

7
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

blir l’utilisation du matériel. Afin d’éviter tout risque futur d’une nouvelle panne, une
opération de maintenance curative est nécessaire. Cette dernière permettra de corri-
ger définitivement le problème par une réparation ou même un changement complet du
matérielle.

2.2.2 Préventive
la maintenance préventive est effectué dans l’intention de réduire la probabilité de défaillance
ou la dégradation du fonctionnement d’un bien (machine). Il peut s’agir d’inspection, de contrôle
ou de visites sur équipements :

a Maintenance programmée :
Maintenance préventive exécutée selon un calendrier préétabli ou selon un nombre défini
d’unités d’usage.

b Maintenance systématique : Maintenance préventive exécutée à des intervalles de temps

préétablis ou selon un nombre défini d’unités d’usage mais sans contrôle préalable de
l’état du bien.

2.2.3 Prédictive
La maintenance prédictive permet de détecter des anomalies sur des machines avant qu’elles
ne deviennent trop graves. La force de la maintenance prédictive est donc d’anticiper les pannes.
Ce qui évite tout arrêt de la chaîne de production ; qui peut engendrer des réparations coûteuses.

Fondée sur l’analyse de données collectées grâce à des capteurs intelligents positionnés sur
l’équipement, elle permet de pousser à bout la logique du « juste à temps » et ainsi d’optimiser
l’usage d’une machine avant de procéder à sa réparation ou à son remplacement, juste avant
qu’une panne ne se produise.

La maintenance prédictive permet de prévoir les incidents techniques plutôt que de les subir.
Grâce à cette stratégie, il est ainsi possible de programmer des interventions que lorsque des
signaux émis par une machine reflètent une panne probable à court terme. C’est donc l’état
réel de l’actif, et non un calendrier théorique, qui déclenche une intervention.

En comparant avec les stratégies de maintenance corrective et préventive, la maintenance

prédictive présente les avantages suivants :

1. L’équipement nécessitant une maintenance est arrêté avant une panne imminente.

2. Réduire le temps total consacré à la maintenance des équipements.

3. Réduire les coûts de maintenance en évitant les dégâts catastrophiques.

4. Allonger la durée de vie des équipements et des processus.

8
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

Figure 2.2 – Moment d’intervention des différents types de maintenance [[Link] mainte-
[Link], 2019]

En tant que politique de maintenance la plus répandue et la plus moderne, la maintenance

prédictive réduit les coûts de maintenance préventive en prévoyant au mieux le moment du
changement des pièces seulement quand cela est réellement nécessaire : ni trop tôt (maintenance
préventive), ni trop tard (maintenance corrective).
Pour cela il est nécessaire de mettre en place une surveillance intelligente périodique de plusieurs
paramètres sur les machines en fonctionnement.

2.3 Surveillance en continu des données

l’acquisition des données en contenu à partir de sources multiples est le fondement physique
de la maintenance prédictive. L’objectif principale de cette étape, consiste à sélectionner les
capteurs, les sources de données et la stratégie de collecte des données appropriés afin de reflé-
ter l’image réelle d’un actif (composant/ machine) [Baheti and Gill, 2011]. Ces données vont
nourrir des algorithmes prédictifs par la suite.

La méthodologie traditionnelle de surveillance des données repose sur le principe suivant :

lorsque l’équipement commence à tomber en panne, divers types de signes, tels que les fluc-
tuations de température, les vibrations ou le bruit, peuvent être détectés, mais ceci nécessite
une intervention sur place pour détecter les précurseurs de la défaillance [Li, 2018]. De nos
jours, à l’ère des progrès technologiques rapides, la variétés des capteurs disponible est suffi-
samment avancée pour jouer ce rôle sans une intervention humaine. En revanche, le coût des ces
équipements de surveillance des conditions est souvent élevé. Par conséquent, la maintenance
prédictive génère un coût d’investissement relativement élevé et de nombreuses entreprises ne
voient pas facilement d’économies futures.

9
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

2.4 Schémas des pannes

La modélisation d’un schéma de panne est une étape cruciale pour mettre en place une
stratégie de maintenance prédictive,là où chaque événement entrant est analysé afin de repérer
les marqueurs d’une défaillance. En se basant sur l’historique de fonctionnement des machines,il
est possible d’identifier les causes racines de la panne.

Un schéma de panne est souvent la combinaison de plusieurs facteurs difficiles à visualiser

et à repérer avec une inspection humaine seule. Mais parfois, un seul événement peut signaler
l’imminence d’une panne, ce qui nécessite aussi de mettre en place des modèles de détection
des anomalies, afin d’émettre une alerte dès qu’un tel événement survient [Li, 2018].

2.5 Systèmes de maintenance prédictive

L’analyse prédictive sert à effectuer des prédictions dans divers domaines : environnement,
justice, économie,etc. Il s’agit de deviner un fait, une donnée précise, à partir d’un historique.
Un système de prédiction s’appuie exclusivement sur cette analyse descriptive ; sa construction
est déterminée par les étapes suivantes [ZedNet, 2015] :

• Identification et extraction des données utiles en utilisant diverses sources.

• Prétraitement des données : normalisation, correction,etc.
• Construction d’un modèle prédictif à partir d’algorithmes statistiques et d’apprentissage
automatique.
• Evaluation de l’efficacité et de la précision du modèle prédictif.
• Utilisation du modèle pour les tâches de l’aide à la décision.
• Maintien de l’efficacité du modèle prédictif avec une évaluation continue.

Figure 2.3 – Les six étapes-clés de l’analyse prédictive [ZedNet, 2015].

Un système de maintenance prédictive retourne l’image la plus probable de ce que l’état

actuels/futurs sont/seront. Bien évidemment, les chiffres prévisionnels sont fortement dépen-
dants des techniques utilisées. Comme précisé, pour construire un modèle de prédiction deux
approches sont possibles, l’approche basée statistique et l’approche basée Apprentissage Au-
tomatique. Dans ce qui suit nous essayerons de présenter les différentes méthodes de chaque

10
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

approche.

2.5.1 Technique de maintenance prédictive

La maintenance prédictive est l’un des grands services modernes qu’offre divers secteurs de
l’industrie. Elle utilise différentes méthodes statistiques ou d’Apprentissage Automatique pour
déduire des informations présentes, une vision future.

[Link] Approches statistiques :

1. Système expert : Un système expert (SE) est un logiciel qui résout les problèmes d’un
utilisateur d’une manière proche de celle d’un expert [Laforet et al., 1990].

Figure 2.4 – Architecture d’un système expert.

Le processus de la prédiction des pannes à l’aide d’un système expert repose sur des
données statistiques dans le but de prédire une panne d’un actif (composant / machine).

Comme défini dans la figure 2.4 le fonctionnement d’un système expert se base sur des «
données » qu’on appelle base des faits et qui seront l’entrée d’un moteur d’inférence, qui
a pour rôle de sélectionner les règles applicables à l’aide d’une base de connaissances.
Le système expert retourne à l’utilisateur le résultat d’inférence (par exemple la panne
estimée).

2. Corrélation :
La corrélation linéaire est un outil mathématique d’aide à la prévision. On parle de
corrélation linéaire entre deux variables lorsqu’on constate un lien entre elles (si l’une
augmente l’autre aussi et inversement). Le coefficient de corrélation linéaire entre deux
attributs A et B se calcul de la manière suivante :

Tel que :

11
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

• n : le nombre de tuples.
• A et B : Moyenne de fréquence de l’attribut A et B, respectivement.
• δAetδB : déviation standard de A et B (la racine carré de la variance), respective-
ment :

Le coefficient de corrélation peut être :

- Positif : les deux variables A et B sont Positivement corrélées.
- Négatif : A et B sont négativement corrélées.
- Nul : A et B sont indépendantes.
A l’aide du coefficient de corrélation, un nuage de point peut être représenté :

(a) Données faiblement corrélées (b) Données fortement corrélation

Figure 2.5 – Corrélation des données. [Guillaume, 2010]

On constate que dans la 2.5a les points sont éparpillés : il n’y a aucune relation évidente
entre les deux attributs. Contrairement à la 2.5b qui représente un nuage de point dense
qui permet, en effet, de dresser une droite regroupant un maximum de points : dans ce
cas les prévisions seront plus fiables.

[Link] Approche basée Apprentissage Automatique :

Comme nous l’avons expliqué précédemment les systèmes de prédiction peuvent utiliser des
techniques d’Apprentissage Automatique.

Nous leur consacrerons donc cette section. Nous aborderons des généralités sur cette disci-
pline et exposerons quelques techniques liées à la prédiction citées dans ce rapport.

1. Apprentissage automatique :

12
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

" Apprendre aux machines à développer des processus

d’apprentissage afin qu’elles deviennent intelligentes ".
[Lecun, 2010]
L’Apprentissage Automatique est une discipline de l’Intelligence Artificielle. Il consiste
à utiliser des machines pour l’inférence d’un modèle de traitement de l’information selon
certains critères de performances à partir d’observations. Ce modèle de traitement est
impossible à déterminer à l’aide d’algorithmes classiques pour la simple raison que leurs
résultats sont généralement médiocres et coûteux en temps.

L’Apprentissage Automatique est applicable à tous les domaines, pour des tâches simples
ou complexes, afin d’améliorer les résultats grâce à l’expé[Link] peut citer le do-
maine industriel (routage de paquets, contrôle et maintenance de machines, etc.), les
jeux (Backgammon, Échecs, etc.) ou même le domaine d’imagerie médicale (reconnais-
sance d’objets) [Mitchell, 1997]. Le but même de l’Apprentissage Automatique est la
prédiction de nouvelles données à partir d’un historique appris.

Le but de l’Apprentissage Automatique (AA) est de produire des modèles d’Appren-

tissage traitant un ensemble de caractéristiques (attributs). Par exemple, les caracté-
ristiques d’un bilan médical ce sont généralement les valeurs qui ont été mesurées (âge,
pression artérielle, niveau de cholestérol, etc.). Les tâches de l’AA peuvent être des tâches
de classification, de Régression ou de détection d’anomalies.

2. Types d’Apprentissage Automatiques :

Les algorithmes du Machine Learning (ou Apprentissage Automatique) sont catégorisés
selon le mode d’apprentissage qu’ils emploient [Mitchell, 1997] :

• Supervisé : Quand le système apprend à classer les données selon un modèle ; on parle
alors d’Apprentissage Supervisé. Un algorithme d’Apprentissage Supervisé analyse
la base de données et apprend à classifier les données en se basant sur leurs caracté-
ristiques. Il consiste donc à prédire l’étiquette (classe) d’une nouvelle donnée.

• Non supervisé : Contrairement à l’apprentissage supervisé, le système ne dispose que

d’exemples (pas de classe/ étiquette).L’apprentissage non supervisé ou le clustering
consiste en la division de l’ensemble de données en des sous-ensembles (clusters) si-
milaires. La similarité est généralement calculée selon une fonction de distance entre
paires d’exemples.

• Semi-supervisé : Lorsque les données contiennent des données étiquetées et non éti-
queté[Link] combinaison des deux algorithmes (supervisé et non supervisé) est ef-
fectuée. Il est mis en œuvre dans le cas de manque de données ou d’étiquettes.

Durant la phase d’apprentissage, l’algorithme peut rencontrer certains problèmes :

a. Le sous-apprentissage : C’est le cas lorsque le modèle n’arrive pas à obtenir un

taux d’erreur suffisamment réduit à partir des données d’apprentissage. En d’autres
termes, l’algorithme n’arrive pas à induire un modèle qui satisfait les données d’ap-
prentissage.

b. Le sur-apprentissage : C’est la situation où la distance entre l’erreur d’apprentissage

13
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

et l’erreur de test est trop grande. Autrement dit, le programme retourne de bons
résultats sur les données d’apprentissage mais n’est malheureusement pas aussi per-
formant (voir pas du tout performant) sur les données qu’il n’a pas encore rencontrées
(ensemble de test). Les paramètres appris ne permettent pas une généralisation effi-
cace.

3. Algorithmes d’Apprentissage Automatique : Dans ce qui suit, nous nous intéres-

sons aux méthodes qui sont souvent utilisées en Apprentissage Automatique [Mitchell,
1997] :

a. Régression Linéaire
Le modèle de régression linéaire désigne un modèle qui cherche à établir une rela-
tion linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites
explicatives. Autrement dit, il consiste à rechercher la droite permettant d’expliquer
le comportement d’une variable statistique Y comme étant une fonction affine d’une
autre variable statistique X :

On considère le modèle pour l’individu i. Pour chaque individu, la variable expliquée

s’écrit comme une fonction linéaire des variables explicatives, tel que :

Où :
* Yi, Xi sont fixes et i représente l’erreur.

* β le vecteur des paramètres du modèle (β[0], . . . , β[k])

En Apprentissage Automatique, la méthode de régression linéaire est considérée

comme une méthode d’apprentissage supervisé utilisée pour prédire une variable
quantitative. Le modèle de régression linéaire est aussi bien utilisé pour chercher à
prédire un phénomène que pour chercher à l’expliquer. Après avoir estimé un modèle
de régression linéaire, on peut prédire quel serait le niveau de Y pour des valeurs
particulières de x.
Le modèle de régression linéaire est souvent estimé par la méthode des moindres
carrés, mais il existe aussi de nombreuses autres méthodes pour estimer ce modèle.

b. Les réseaux de neurones

Le réseau neuronal s’inspire du fonctionnement du système nerveux humain. C’est
une modélisation mathématique et algorithmique qui simule les unités de "calcul"
que nous avons par milliards. Le modèle se compose de trois couches principales :
couche de données d’entrée (exemple, les caractéristiques d’une voiture), couche (s)
cachée(s) (souvent appelée «boîte noire») et couche de sortie (exemple, prix estimé
de la voiture).
Le réseau neuronal est un réseau interconnecté de neurones artificiels avec une règle
pour ajuster la force ou le poids des connexions entre les unités en réponse à des

14
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

données fournies extérieurement (Stanley et al., 1998).

Un neurone (un perceptron) est une unité de calcul. Elle comporte :

* Un vecteur comme entrée (noté X)

* Un vecteur de poids (noté W) avec un biais W0
* Une valeur de sortie (noté Y)

Figure 2.6 – Neurone artificial [Chrislb, 2016]

Le principe de fonctionnement est assez simple, chaque neurone ayant comme entrée
un vecteur X le multiplie par un vecteur de poids W. Le résultat de cette opération
est, par la suite, injecté comme entrée dans une fonction d’activation F. On pourra
noter le résultat comme ci :

La fonction f(x) d’activation peut être une fonction :

* seuil avec un résultat binaire : exemple si f σ >0.5 alors output=1, sinon output=0,
* à Sigmoïde
* à tangent hyperbolique
Il existe divers types de réseaux de neurones : les réseaux de neurones multicouches
(MLP) utilisant la rétro propagation du gradient de l’erreur, mais aussi d’autres types
de réseaux encore plus efficaces tels que les réseaux de neurones récurrents LSTM
(Long Short-Term Memory) et les réseaux de neurones convolutifs.

c. Méthodes des K Plus Proches Voisins

La méthode des k plus proches voisins(KPPV) de l’anglais k-Nearest Neighbors (K-
NN), est une méthode d’apprentissage supervisé. Dans ce cadre, on dispose d’une
base de données d’apprentissage constituée de N couples « entrée-sortie ». Pour esti-
mer la sortie associée à une nouvelle entrée x, la méthode des k Plus Proches Voisins
consiste à prendre en compte (de façon identique) les k échantillons d’apprentissage
dont l’entrée est la plus proche de la nouvelle entrée x, selon une distance à définir.

15
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

Par exemple, dans un problème de classification, on retiendra la classe la plus re-

présentée parmi les k sorties associées aux k entrées les plus proches de la nouvelle
entrée x.

d. Classification Naive de Bayes

C’est un classifieur linéaire probabiliste basé sur le théorème de Bayes avec une in-
dépendance naïve, c.-à-d qu’il se base sur le fait qu’une caractéristique pour une
classe est indépendante des autres caractéristiques. Il s’agit d’un apprentissage su-
pervisé très simple à implémenter mais qui donne de très bons résultats de classifi-
cation [Chrislb, 2016].

e. Les arbres de décision

Un arbre de décision est la représentation graphique d’une procédure de classifica-
tion ou d’association. Cette association est définie en commençant à la racine de
l’arbre et en descendant dans l’arbre selon les réponses aux tests qui étiquettent les
nœuds internes. La classe associée est alors la classe par défaut associée à la feuille
qui correspond à la description. La procédure de classification obtenue a une traduc-
tion immédiate en termes de règles de décision. Les systèmes de règles obtenus sont
particuliers car l’ordre dans lequel on examine les attributs est fixé et les règles de
décision sont mutuellement exclusives. C’est un outil d’aide à la décision représentant
un ensemble de choix sous la forme graphique d’un arbre. Les différentes décisions
possibles sont situées aux extrémités des branches (les feuilles) et sont atteintes en
fonction de décisions prises à chaque étape.
Il existe plusieurs algorithmes qui implémentent les arbres de décision à l’image d’ID3
ou M5 ou J48.

f. Random Forest
Random Forest ou forêts d’arbres décisionnels aléatoires est une technique d’Ap-
prentissage Automatique. L’algorithme des forêts d’arbres décisionnels effectue un
apprentissage(régression ou classification) sur de multiples arbres de décision ; en-
traînés sur des sous-ensembles de données légèrement différents.
L’algorithme se repose sur l’apprentissage par arbre de décision, il se procède comme
suit :

1. Créer B nouveaux ensembles d’apprentissage par un double processus d’échan-

tillonnage :
a. sur les observations, en utilisant un tirage avec remise d’un nombre N d’ob-
servations identique à celui des données d’origine (technique connue sous le
nom de bootstrap),
b. sur les p prédicteurs, en n’en retenant qu’un échantillon de cardinal m < racine
(p)(la limite n’étant qu’indicative).
2. Sur chaque échantillon, on entraîne un arbre de décision selon une des techniques
connues, en limitant sa croissance par validation croisée.
3. On stocke les B prédictions de la variable d’intérêt pour chaque observation d’ori-
gine.
4. La prédiction de la forêt aléatoire est alors un simple vote majoritaire (Ensemble
learning).
Le principal revers de cette méthode est que l’on perd l’aspect visuel des arbres de
décision uniques. Elle effectue cependant des prédictions très précises par rapport
aux arbres décisionnels ou divers autres modèles de régression puisqu’elle capture les

16
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

variances de plusieurs variables en entrée en parallèle et les inclue dans la prédic-

tion [Chrislb, 2016].

g. Machines à Vecteurs de Support

Les SVM, de l’anglais Support Vectors Machines, représente un des séparateurs à
vaste marge, une technique d’apprentissage supervisé adaptée aux données à grande
dimensionnalité et pouvant être utilisée pour la classification, la distribution et la
régression.

Les SVM reposent sur deux concepts : la marge maximale et la fonction noyau per-
mettant ainsi de traiter les problèmes linéaires et non linéaires. La marge maximale
permet de trouver la frontière séparatrice optimale des données à partir d’un en-
semble d’apprentissage. Quant aux données non séparables linéairement, on utilise la
fonction noyau qui utilise l’hypothèse qu’une probable séparation linéaire existe dans
un plan dimensionnel plus grand et donc transforme les données en des données de
plus grande dimensionnalité (peut arriver jusqu’à une dimensionnalité infinie) [chang
Chih-Chung and Chih-Jen, 2013].

Il existe plusieurs variations d’optimisation pour les algorithmes SVM selon le pro-
blème, pour la classification, C-SVM et V-SVM sont les plus utilisés, on peut y
ajouter le one-class SVM. Pour la régression, nous retrouvons SVR (epsilon SVR) et
V-SVR (Simple VectorRegression). Ces divers algorithmes diffèrent principalement
de par leurs fonctions de calcul d’erreur.

Cette section nous a permis d’introduire l’Intelligence Artificielle et ses différentes méthodes
et algorithmes qui sont utilisés pour l’exploitation des données dans l’industrie et notamment
la maintenance prédictive. Dans ce qui suit, nous présenterons quelques travaux récents que
nous avons jugés pertinents par rapport à leurs approches et leurs résultats.

2.6 Intelligence Artificielle appliquée à la maintenance

prédictive : Etat de L’art
Beaucoup de travaux de recherche autours de la maintenance prédictive dans le domaine
de l’industrie ont été effectués durant cette dernière décennie. Nous essayerons de couvrir par
notre état de l’art les travaux les plus importants afin de surligner les différentes approches déjà
abordées, ainsi que les problèmes et les obstacles rencontrés, dans le but d’essayer d’améliorer
par notre contribution ce domaine de recherche.

Bien avant l’engouement autour de l’Intelligence Artificielle(IA), de l’Apprentissage Auto-

matiques (AA) et l’Apprentissage profond (AP), nombreux de travaux de maintenance prédic-
tive ont utilisé l’approche statistique avec des modèles qui reposent la plupart du temps sur des
hypothèses relativement restrictives quant à la description du système (par exemple sur les lois
de dégradation et la représentation du contexte) ou encore des systèmes basés règles (schéma
de panne), en se focalisant sur les connaissances des experts du domaine, afin de déterminer les
facteurs influant sur les dysfonctionnements et les pannes.

Le système expert convient aux problèmes généralement résolus par des spécialistes hu-
mains. Cependant, il est difficile d’obtenir des connaissances sur le domaine et de les convertir

17
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

en règles. Dès lors, un système expert n’a pas la capacité de gérer de nouvelles situations qui
ne peuvent pas être converties explicitement dans les bases de connaissances. En outre, lorsque
le nombre de règles augmente considérablement, la situation peut provoquer une "explosion
combinatoire", qui implique des problèmes de calcul.

Citant par exemple [Courtois and Delsarte, 2003] qui ont fait une analyse basée sur un
modèle constitué de scénarios réalistes, avec des statistiques faibles obtenus en général par des
simulations. C’est donc une approche qui vise à prédire le comportement réel d’une installa-
tion, erreurs humaines comprises. Cette analyse présente en contrepartie des limites vis-à-vis
des incertitudes qui sont toujours associées aux statistiques manipulées notamment.

Dans un contexte probabiliste, [Celeux et al., 2006] proposent l’utilisation des Modèles Gra-
phiques Probabilistes Markoviens MGPM qui sont des outils plus génériques, basés notamment
sur des modèles graphiques permettant la représentation des systèmes plus complexes à l’aide
des chaîne de Markov. Ce cadre de travail offre en effet un formalisme puissant et intuitif en
matière de modélisation ainsi qu’un ensemble d’outils d’analyse adaptés à l’évaluation de poli-
tiques de maintenance prédictive :

Soient X l’ensemble des états du système et A l’ensemble des actions de maintenance. L’en-
semble A est partitionné tel que : A = Ax Ax Où Ax et A
x représentent respectivement l’ensemble des actions laissant le système invariant et celui des
actions affectant le système.

Ce model se repose sur plusieurs formules mathématiques représentant le fonctionnement

dynamique d’un système multi-composant. Dans ce cas, le processus de dégradation de chaque
composant est lui-même modélisé par une chaîne de Markov.

Naturellement, lorsque le nombre de composants augmente, les calculs deviennent de plus

en plus complexes.

Plus récemment, [Ayadi, 2013] dans le cadre de sa thèse, intitulée « Optimisation des po-
litiques de maintenance préventive dans un cadre de modélisation par modèles graphiques
probabilistes. », propose un modèle probabiliste graphique appliqué à un problème réel de
maintenance de la voie ferroviaire. Cette approche se concentre sur l’analyse de dégradation de
la voie ferroviaire avec une temporisation des données à l’aide des chaînes de Markov. [Ayadi,
2013] a conclu que malgré la limitation imposée par les chaînes de Markov, qui exigent obli-
gatoirement une loi de temps de séjour de type exponentielle mais la solution s’adapte tout à
fait à la formalisation des relations de dépendance entre les différents composants d’un système
complexe évoluant au cours du temps.

En revanche, ces travaux nécessitent toujours une grande période d’analyse et d’interpré-
tation des résultats et ne fournissent aucune solution algorithmique générale aux problèmes
d’inférence soulevés, et de s’auto-adaptation avec de nouvelles situations.

L’IA et l’AA ont démontré un succès fulgurant concernant la prédiction en général et la

maintenance prédictive en particulier. Certains chercheurs ont comparé les méthodes statis-
tiques et les méthodes de l’AA : c’est le cas de [Paolanti and Romeo, 2018] qui ont étudié la
maintenance prédictive des moteurs électriques et autres équipements utilisés par l’industrie. Ils
ont comparé l’approche statistique avec corrélation et l’approche Apprentissage Automatique
avec réseau de neurones.

18
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

Le système a été testé sur un exemple réel du secteur, en développant la collecte de don-
nées et l’analyse de système de données, en appliquant l’approche Machine Learning et en la
comparant à l’analyse d’outil de simulation. Les données ont été collectées par divers capteurs,
automates machine et protocoles de communication et mises à la disposition de Data Analysis
Tool sur l’architecture Azure Cloud pour la phase de visualisation. Ils ont conclu que mal-
gré un taux de précision de 65% sur la prévision des pannes les modèles statistiques étaient
moins performants que les réseaux de neurones qui ont plafonné une précision de 95%. Ils ont
expliqué que cela était principalement dû au fait que les relations entre les données requises
des capteurs et les pannes sont non linéaires, ainsi que des erreurs contenues dans les données,
sachant que les réseaux de neurones sont plus robustes aux erreurs que les méthodes statistiques.

[RABENORO et al., 2015] dans le cadre de sa thèse de doctorat, a implémenté un «

Outils statistiques de traitement d’indicateurs pour le diagnostic et le pronostic des moteurs
d’avions ». La thèse propose une méthodologie permettant de combiner le savoir expert à des
méthodes d’apprentissage automatique tout en respectant les exigences liées à l’interprétabilité
des résultats et aux traitements des données : qu’il s’agisse des difficultés concernant le stockage
des données ou bien des difficultés liées à la définition des algorithmes de traitement eux-mêmes.

La question d’interprétabilité est très importante car les opérateurs ne veulent pas travailler
avec des outils de type boite noire ; ils doivent pouvoir interpréter facilement les informations
fournies par les algorithmes de surveillance, notamment parce qu’il leur appartient de valider
le résultat.

[RABENORO et al., 2015] s’est basé dans un premier temps sur l ’exploitation du savoir
expert à plusieurs niveaux : la détermination des variables d’intérêt, la suppression des effets
de contexte, l’identification des signatures ou des axes de projection des données, la prise de
décision. Ensuite, une phase apprentissage automatique a été mise en œuvre avec l’algorithme
Random Forest (les forêts d’arbres aléatoires) avec une précision de 97%. Les résultats fournis
par la méthodologie peuvent être très bons, mais malgré cela, les opérateurs métier ont besoin
de comprendre comment la décision a été prise, afin d’être en mesure de confirmer ou non une
décision difficile à prendre. C’est d’ailleurs pour cette raison que, le choix de la visualisation
ainsi que la sélection d’indicateurs, avec un classifieur bayésien naïf, sont des étapes nécessaires
pour que l’opérateur prenne confiance en la méthodologie et surtout remédier au problème
d’haute interprétabilité.

[WANG et al., 2017] dans cet article, les auteurs proposent la méthode de prédiction DES-
SVM une solution hybride basé sur SVM et DES (lissage exponentiel double). Les résultats
expérimentaux ont démontré que le DES-SVM avait une précision élevée (95%) dans la prévi-
sion des défaillances des équipements optiques. Par conséquent, il est possible de sauvegarder
et de basculer les services sur des liaisons sûres. Il peut ainsi protéger le réseau contre la perte
de données.

Pour des soucis vis-à-vis l’environnement de travail (CPU : ARM Cortex Texas instruments
32 bits avec 8 Go de stockage) nous avons étudié quelques articles qui tournent autour l’implé-
mentation des techniques d’apprentissage automatique (Machine learning) et d’apprentissage
profond ( Deep learning) dans un environnement peu performant / embarqué : [Vanhoucke
et al., 2011] ont conçu un papier qui sert comme tutorial pour les étudiants et les chercheurs,
montrant des techniques qui peuvent être utilisées pour optimiser le coût de calcul considérable
dans l’absence d’un GPU.

19
 La maintenance prédictive aux aurores de l’Intelligence Artificielle

Pour cela, ils ont pris la reconnaissance de la parole comme exemple de leurs études (avec
un benchmark de 440 inputs, Intel Xeon DP Quad Core E5640 et Ubuntu OS). Cet article
montre que des techniques simples peuvent améliorer considérablement les performances des
algorithmes d’apprentissage (HMM/réseaux de neurones). Les opérations SIMD à point fixe
récemment introduites sont particulièrement intéressantes dans les processeurs x86 qui font
pencher la balance des performances en faveur de l’arithmétique en virgule fixe.

Ils ont montré qu’en utilisant ces instructions plus rapides, il était possible de construire
un système de reconnaissance vocale en temps réel à l’aide d’un très grand réseau hybride sans
coût en précision.

Ces articles présentés ne sont certainement pas les seuls qui abordent la maintenance pré-
dictive. Néanmoins ils nous permettent de tirer quelques conclusions :

- L’approche classique est limitée aux accidents engendrés par des défaillances aléatoires.
Ceci suppose le bienfondé de la conception basée sur l’approche IA.
- L’analyse des actions humaines est très difficile et aucune approche pertinente n’a encore
été définie pour les erreurs de réalisation (commission error).
- La relation entre les attributs décrivant les caractéristiques des machines et les dysfonc-
tionnements probables ne sont pas linéaires. De ce fait, les algorithmes non-linéaires
donnent de meilleurs résultats que les algorithmes linéaires.
- Nous n’avons pas trouver de travaux liés à la maintenance prédictive des onduleurs.
- Les résultats sont fortement dépendants du niveau de connaissances et limités par ce
dernier. Ils changent donc lorsque les connaissances évoluent.
- Les algorithmes de prédiction qui ont donné les meilleurs taux de précision sont SVM,
réseau de neurones (MLR) et Random Forest.
- Les réseaux de neurones et SVM sont plus interprétables par rapport aux forêts d’arbres
aléatoires (Random Forest).
- Les modèles en vogue aujourd’hui sont les SVM et random forests. Ils s’accommodent
des variables discrètes ou continues et des valeurs manquantes. Ce n’est pas le cas des
réseaux de neurones qui sont un peu passés de mode même si ceux-ci reviennent sur le
devant de la scène avec les Deep Neural Network.
- La fourniture d’une stratégie de maintenance prédictive est entraîne de devenir indis-
pensable dans les usines futur

Conclusion
Ce chapitre nous aura donné l’occasion de faire une présentation des données industrielles :
sources des données, types des données et les différentes techniques de prétraitement et d’in-
terprétations des données. Nous avons ainsi, présenté des notions de base de la maintenance
prédictive et plus particulièrement l’analyse prédictive qui est utilisées pour ce faire. Nous
avons, par la même occasion, introduit les différents technique de maintenance prédictive à
savoir (l’approche statistique et l’approches basée machine Learning).

Enfin, nous avons illustré notre chapitre par des travaux antérieurs qui utilisent ces tech-
niques dans le domaine de la maintenance prédictive.

20
CHAPITRE 3
CONCEPTION

Dans ce chapitre nous aborderons la partie conceptuelle de notre travail : nous présenterons
la source exploitée pour la collecte des données, les étapes de collecte et de prétraitements
effectués, les méthodologies d’apprentissage et d’évaluation de la précision de notre solution,
ainsi que le processus de détection de panne.

3.1 Vue d’ensemble de la conception

Notre travail consiste en l’exploitation du contenu des données industrielles générées par la
gamme des onduleurs solaires connectés IMEON afin de mettre en place un module prédictif qui
permet détecter la date et la nature de la prochaine panne prévisible. Les étapes de conception
de notre outil sont résumées dans la figure 3.1.

Figure 3.1 – Schéma récapitulatif des étapes de conception l’outil de prédiction de panne

Ainsi, nous avons en premier recensé les bases de données de l’entreprise pour choisir les
données les plus pertinentes. Nous avons ensuite établi un schéma d’extraction des données
remontées par les onduleurs. Une fois les données acquises, nous sommes passées à la phase
de prétraitement, étape très importante dans le but d’améliorer au maximum la qualité des
données, pour une qualité d’apprentissage optimale. L’étape suivante est la phase d’appren-
tissage, nous avons choisi un apprentissage à deux phases, la première consiste en l’utilisation
des données structurées brutes uniquement ; la seconde est un raffinement avec l’exploitation
 Conception

d’autre source de données (tickets maintenance/ERP). Une fois le modèle prédictif inféré, la
dernière étape était de concevoir l’outil prédictif.

3.2 Visualisation des données

Nous avons choisi d’implémenter un outil qui nous permet de visualiser nos données. Il s’agit
d’une application Web pour la visualisation de données interactif de manière très intuitif. Dans
un premiers temps, il nous a permis de mettre en évidence plusieurs bruits et erreurs contenus
dans les données que nous avions extraites et extraire les facteurs clés provoquant certaines
pannes.

Figure 3.2 – Application de data visualisation

Dans un future proche, cette application servira comme outil de visualisations innovantes à
destination des métiers (opérateurs, gestionnaires de parc, spécialistes systèmes).

3.3 Extraction des données

Dans le cadre du processus de collecte des données, il est essentiel d’avoir une connectivité
de bout en bout entre le capteur et le serveur backend. Il s’agit là d’une étape très importante
dans un projet de maintenance prédictive ; puisque la fiabilité de cette connexion déterminera
le niveau de confiance à accorder aux systèmes de prédiction. La gamme d’onduleur IMEON
possède de nombreux types de capteurs. La totalité des données obtenues par ces capteurs sont
récupérées et stockées en local (onduleur) et centralisées par la suite dans un serveur distant
afin de permettre aux experts métiers leur analyse. Ceci a rendu possible la mise en place d’un
projet de maintenance prédictive.

Afin d’extraire ces données nous avons construit un aspirateur de données. La structure glo-
bale des données étant quasiment identiques, il s’agit de collecter les données structurées/semi-
structurées stockées dans les bases de données de l’entreprise, ERP et les tickets de maintenance.
Nous avons donc suivi le même cheminement pour construire l’aspirateur de données pour les
différentes catégories de pannes. Le pseudo code suivant explique le procédé :

22
 Conception

1. Création d’un nouveau projet aspirateur de données.

2. Définition des objets à extraire : les différentes informations relatives à l’onduleur.
3. Définir la source de données :
a. DB_HOST : l’adresse du serveur ou est hébergé la bases des données
b. DB_PORT : le port de réception et d’émission des données
c. DB_USER : le nom d’utilisateur
d. DB_NAME : Le nom de la base des données
e. DB_PWD : le mot de passe pour accéder à la base des données
4. Préciser le format et le chemin de stockage des données ;
5. Lancer le processus d’aspiration.

3.4 Prétraitement des données

La phase de prétraitement des données est souvent la plus laborieuse et qui demande le plus
de temps. Ceci dû en particulier à l’absence de structuration et à la grande quantité de bruit
existant dans les données brutes d’usage. Le prétraitement des données industrielles consiste à
nettoyer et structurer ces données afin de les préparer à une future analyse.

Avant la phase de prétraitement des données, il est important d’étudier la structure et la

nature des données afin de déterminer quels processus de prétraitement devons nous appliquer.

3.4.1 Nature des données

Lors de la phase d’aspiration, nous avons nettoyé les données afin d’obtenir des données
brutes (sans balisage). Les données obtenues se subdivisent en deux grande partie :

[Link] Données remontées par les onduleurs

Les données remontées par l’onduleur révèlent des informations sur son état global, ses
configurations, et l’historique des panne :

Figure 3.3 – Base de données monitoring

NB : La prise écran étant floue pour des soucis de RGPD (Règlement général sur la protec-
tion des données).

23
 Conception

[Link] Données internes : Maintenance/ ERP

Nous avons exploité d’autres sources de données autre que l’onduleur, qui sont la base des
données ERP et les ticket de maintenance :

i. Enterprise Ressource Planning (ERP) : Il s’agit d’un logiciel de gestion qui permet à
l’entreprise d’intégrer différentes fonctionnalités nécessaires pour le bon fonctionnement
de cette dernière, comme la gestion des stocks, de paie et de comptabilité.
à IMEON Energy, l’ERP regroupe toutes les informations :

• Qui touchent aux différentes transactions avec les fournisseurs/clients.

• Des informations sur l’avancement des différentes tâches et projets.
• Des informations logistiques et suivie qualité

ii. Maintenance : Une opération de maintenance à IMEON ENERGY,commence par l’ou-

verture d’un ticket de maintenance. Ces tickets regroupe toutes les informations qui
concerne le client et l’onduleur en question : la date,numéro de ticket, numéro de série
de l’onduleur et sonn type, cordonnées du client, description du problème, pièce(s) à
réparer ou changer si nécessaire, avis du technicien ... etc.

3.4.2 Techniques de prétraitement des données

Le prétraitement se fait à l’aide de méthodes spécifiques au traitement des amonts de don-
nées. Dans cette section nous présenterons les techniques utilisées pour le prétraitement des
données :

[Link] Normalisation
La normalisation consiste à projeter des données dans un intervalle bien précis. Dans le
cas des données onduleurs, nous avons choisi de convertir les attributs qui peuvent atteindre
des grandes valeurs comme par exemple : les tensions des panneaux solaires, les puissances des
composants onduleurs,etc afin d’éliminer les grandes écarts de ces valeurs.

[Link] Filtrage des données

• Segmentation des attributs :

Une seule base de données monitoring est utilisée pour stockées toutes les données peu
importe le type d’onduleur. En effet, des standard (règles) d’enregistrement des données
sont mises en place pour créer automatiser ce processus, on peut citer l’exemple de :
l’attribut « voltage des panneaux solaires » : englobe 2 valeurs séparées par virgule dans
le cas d’un IMEON 9.12, mais qu’une seule valeur pour la gamme IMEON 3.6. Nous
avons séparé les deux attributs pour pouvoir les exploiter chacun à part dans la phase
d’apprentissage. Ils existent d’autres attributs qui sont enregistré au format JSON, nous
avons procédé de la même manière pour segmenter ces données.
• Cohérence des données :

Le nettoyage des données vise à éliminer toutes les données considérées comme inutiles
de l’ensemble de données de départ. En effet, une quantité non négligeable des données

24
 Conception

sont générées par des onduleurs du test interne à l’entreprise, ce qui rajoute du bruit à
notre ensemble de données vu que la majorités des pannes sont provoquées dans le but
de faire des contrôle qualité, des tests ou même pour des raison de maintenance.
Nous avons donc éliminer toutes ces données incohérentes.

[Link] Extraction d’information

Étant donné qu’une partie des informations relative à l’onduleur et aux clients est saisie par
les clients eu même via une interface de monitoring propre à chaque onduleur, nous consacrons
cette section pour montrer les différents types d’anomalies existantes dans les données saisies.

La saisie d’un formulaire est probablement l’étape la plus délicate sur un site web. C’est à
ce stade que de nombreux clients hésitent, se trompent et parfois abandonnent. L’ergonomie
de l’interface joue un rôle clé dans l’accompagnement du client dans sa saisie et l’encourage à
poursuivre son chemin. Il est envisageable de proposer une validation automatique des formu-
laires.

Cette proposition sera importante dès que le concepteur définit comme « Obligatoire » le
remplissage d’un certain nombre de champs. La validation automatique des champs de saisie se
justifie également quand le contenu d’un champ doit respecter une mise en forme particulière :
type, valeurs, etc. Enfin, elle est nécessaire lorsque le site doit vérifier la disponibilité d’une in-
formation pertinente, par exemple le type de l’onduleur ou certaines configuration, pour valider
une entrée.

• Champs vide

Figure 3.4 – Champs vides

• Bruit
Lors de la phase de visualisation des données nous avons constaté que nos données
contiennent beaucoup de bruit. Une donnée aberrante (bruit) est une valeur ou une
observation qui est "distante" des autres observations effectuées sur le même phénomène.

25
 Conception

Dans ce qui suit, nous présenterons un exemple de certaines données aberrantes qui la
date de la première production de l’installation solaire. Cette date est renseignée par le
client :

Figure 3.5 – Boite à moustache

La boite à moustache de l’attribut « first_production » d’une installation solaire 3.5

montre que certaines valeurs sont inférieures à 2015, le début des installations des on-
duleurs connectés, ce qui représente certainement un bruit par rapport aux années des
première production qui sont logiquement comprises entre 2015 et 2019.

Pour remédier à ce problème, nous avons exploiter d’autre source de données pour extraire
de l’information ; comme les données disponible sur l’ERP pour extraire le type d’onduleur et
les données remontées par l’onduleur pour corriger la date de la première production.

[Link] Data mining

a. Réduction de la dimensionnalité
La sélection d’attributs consiste à choisir parmi un ensemble d’attribut, un sous-ensemble
d’attributs intéressants pour le problème étudié.

Dans ce contexte, l’objectif de la sélection est de trouver un sous-ensemble optimal d’at-

tributs qui a les propriétés suivantes : il doit être composé d’attributs pertinents et à
éviter les attributs redondants. De plus, cet ensemble doit permettre de satisfaire au
mieux la prédiction de panne, à savoir la précision de l’apprentissage, la rapidité ou bien
encore l’applicabilité de l’algorithme d’apprentissage. Autrement dit,la réduction de la
dimensionnalité permet de réduire le nombre d’attributs pour accélérer les calculs et
représenter les données sous un format optimal pour l’exploration.

Notre approche consiste à étudier la corrélation des attributs avec le code erreur afin de
mieux sélectionner le sous ensemble d’apprentissage.

26
 Conception

3.5 Apprentissage Automatique

Une fois que nous avons effectué la phase de prétraitement, l’apprentissage automatique sur
les données pouvait être lancé.

L’état de l’art nous a permis de dégager les trois algorithmes d’apprentissage automatique
qui enregistrent les taux de précision les plus élevés dans le domaine de l’analyse prédictive :
Random Forest, MLR et SVM. Dans notre approche d’analyse prédictive des erreurs, nous
comparerons l’efficacité de ces trois algorithmes avec troix différents catégories d’erreur : On-
duleurs, batteries et panneaux photo voltaïque.

Nous avons choisi de faire un apprentissage à deux phases dans une première étape nous
inférons un modèle d’apprentissage qui est basé sur l’exploitation des données qui reflètent des
informations générales sur l’onduleur. La seconde étape concerne l’exploitation des données
enregistré avant et au moment de l’erreur, nous rajoutons ainsi à nos données des informations
extraites de l’ERP et les ticket de maintenance dans le but d’améliorer la précision de notre
modèle inféré lors de la première étape.

Les attributs structurés sur lesquels va porter la première phase d’apprentissage sont : type
d’onduleur, version linux, version software, version firmware, type batterie, le mode utilisé, des
spécifications relatives à l’utilisation d’onduleur ( la tension maximale autorisé, l’autorisation
d’injection dans le réseau,...) et d’autres informations plus générales comme le pays d’installa-
tion, le mode de connectiveté...,etc. Avec le code erreur comme valeur de sortie à apprendre. La
deuxième phase concerne l’ajout de nouveaux attributs constitués après l’exploitation d’autre
source comme expliqué précédemment :

3.5.1 Apprentissage des données onduleurs

la figure 3.6 représente les codes qui correspondes aux erreurs onduleurs avec leurs descrep-
tion :

Figure 3.6 – Les codes erreur onduleur

Dans cette catégorie, nous avons établi une liste d’attributs à rajouter. Il s’agit de l’en-
semble des signes transmises par l’onduleur, avant et au moment de la panne : tension de sortie

27
 Conception

alternative, tension d’entrée des panneaux solairs, le mode d’injection au moment de la panne,
la disponibilité de batterie ou pas, ...etc.
Nous avons exploiter ainsi, une liste des codes d’avertissements (warnings) qui est génerée
par un module interne à l’onduleur "Timeline". Ce dernier a pour mission de contrôler la bonne
utilisation de l’onduleur, en respectant les spécifications et les consignes d’usage ; si une anomalie
est détecté, ce même module informe l’utilisateur en lui indiquant le code d’avertissement et
des recommandations pour corriger la situation.

Figure 3.7 – Timeline

3.5.2 Apprentissage des données batteries

la figure 3.8 représente les codes qui correspondes aux erreurs batterie avec leurs descrip-
tions :

Figure 3.8 – Les codes erreurs batteries

3.5.3 Apprentissage des données PV

la figure 3.9 représente les codes qui correspondes aux erreurs PV avec leurs descriptions :

28
 Conception

Figure 3.9 – Les codes erreur PV

Conclusion
Dans ce chapitre, nous avons exposé toute la phase de conception de notre travail. Nous
avons expliqué tous nos choix et détaillé toute la phase de prétraitement de données. Enfin,
nous avons présenté la conception générale de notre outil d’analyse prédictive.

Le prochain chapitre concernera la réalisation de notre travail, les détails de l’implémenta-

tion ainsi que les résultats.

29
CHAPITRE 4
IMPLÉMENTATION ET RÉSULTATS

Dans le chapitre précédent nous avons abordé toute la phase de conception de notre travail,
ainsi que la partie préparation des données.

Dans ce chapitre, nous détaillerons l’implémentation de notre solution : environnement de

travail, détails des données, librairies utilisées, etc. Nous discuterons aussi les résultats que
nous avons obtenus que nous comparerons aux résultats des travaux antérieurs. Pour finir nous
présenterons notre outil de prédiction des pannes.

4.1 Implémentation
Dans ce qui suit nous présenterons tous les outils que nous avons utilisés afin de mettre en
œuvre notre application de prédiction des pannes.

4.1.1 Environnement de développement

Tout notre travail a été développé grâce au langage de programmation Python dans sa ver-
sion 3.6.8. Pour l’écriture et le débogage de nos scripts nous avons utilisé l’environnement de
développement intégré Anaconda. Travailler sous Python était une évidence ;le langage a en ef-
fet fait ses preuves pour tout ce qui est pré traitement des données, apprentissage automatique
de par la simplicité de sa syntaxe et les différentes librairies qu’il permet d’intégrer.

Notre apprentissage a été exécuté sur un serveur interne possédant un processeur Intel(R)
Xeon(R) CPU 4 cores, 8 logical Processors de 8Go de RAM, sous Windows 7 dans une version
de 64 bits.

Pour la réalisation de chaque étape (extraction des données, visualisation, apprentissage,

réalisation d’interface, etc.) nous avons utilisé plusieurs bibliothèques intégrées à python. Nous
avons aussi utilisé des outils de Data visualisation.
 Implémentation et résultats

[Link] Psycopg – PostgreSQL database adapter for Python

Psycopg est l’adaptateur de base de données PostgreSQL le plus populaire pour le langage
de programmation Python. Ses principales caractéristiques sont l’implémentation complète de
la spécification Python DB API 2.0 et la sécurité des threads (plusieurs threads peuvent parta-
ger la même connexion). Il a été conçu pour les applications fortement multithreads qui créent
et détruisent de nombreux curseurs et génèrent un grand nombre d’insertions ou de mises à
jour simultanées [[Link], 2019].

Psycopg 2 est principalement implémenté en C en tant que wrapper libpq, ce qui permet
d’être à la fois efficace et sécurisé. Il comporte des curseurs côté client et côté serveur, une
communication et des notifications asynchrones et une prise en charge de COPY. De nombreux
types Python sont pris en charge immédiatement et adaptés aux types de données PostgreSQL
correspondants ; l’adaptation peut être étendue et personnalisée grâce à un système d’adapta-
tion d’objets flexibles.

Nous avons créé notre extracteur de données grâce à ce Framework. Son automatisation
permet de parcourir la base de données de production (monitoring) et d’en extraire le contenu
disponibles.

[Link] Outil de Data visualisation

Nous avons choisi d’implémenter un outil qui nous permet de visualiser nos données. Il s’agit
d’une application Web pour la visualisation de données interactif de manière très intuitif. Il
nous a permis de mettre en évidence plusieurs bruits et erreurs contenus dans les données que
nous avions extraites et extraire les facteurs clés provoquant certaines pannes.

pour se faire, nous avons utilisé la bibliothèque matplotlib afin d’explorer plus en détail
certains attributs des données extraites. Matplotlib est une bibliothèque Python qui permet
de créer des figures principalement statistiques en 2D. Pour manipuler les données nous avons
également utilisé la bibliothèque Pandas qui nous a permis de manipuler les données plus fa-
cilement, grâce à sa structure DataFrame très puissante et légère pour la représentation des
données.

Pour des graphiques innovantes et dynamiques, nous avons utilisé L’API ECharts. C’est un
outil de visualisation JavaScript Open source, qui peut s’exécuter facilement sur un ordinateur
et des appareils mobiles. Il est compatible avec la plupart des navigateurs Web modernes, tels
que IE8, Chrome, Firefox, Safari, etc. ECharts s’appuie sur ZRender, un moteur de rendu gra-
phique, pour créer des graphiques intuitifs, interactifs et hautement personnalisables [Echarts,
2019].

31
 Implémentation et résultats

a. Dashboard : Nous avons choisi d’implémenter quelques graphiques et tableaux concer-

nant l’évolution du stock et les intégrer dans l’interface principale de l’application, pour
donner des aider les experts métiers dans leurs analyses :

Figure 4.1 – Tableau de bord de l’application de visualisation des données.

Figure 4.2 – graphique et tableau résumant l’évolution des installation des onduleurs.

b. Statistiques :

Nous avons consacré un partie pour faire des statistiques dédié aux équipes de dévelop-
pements et de maintenances pour visualiser et analyser par la suite les résultats : s’il y
a par exemple une erreur plus fréquente avec un certain type d’onduleur ou certaines
version de software.

32
 Implémentation et résultats

Figure 4.3 – Partie statistique

Figure 4.4 – Tableau récapitulatif

c. Indicateurs de performance la figure 4.5 représente un indicateur de performance implé-

menter permettant le suivie des taux de connections des onduleurs :

Figure 4.5 – Analyse des taux de connections des onduleurs

• Modèle Vue Contrôleur

Nous avons utilisé l’architecture MVC pour notre applications. Le motif est composé de trois
types de modules ayant trois responsabilités différentes : les modèles, les vues et les contrôleurs :

33
 Implémentation et résultats

Figure 4.6 – Model viewer controller

Nous avons utilisé Jinja pour faciliter l’affichage des informations dans plusieurs pages, c’est
un moteur de templates écrit en Python. Il est inspiré du moteur Django tout en restant plus
simple dans son utilisation. Jinja charge ce patron et réalise la substitution des champs en
fonction du contexte d’exécution.

[Link] Scikit-learn, librairie d’apprentissage automatique

Scikit-learn est une librairie python open source et collaborative, permettant de construire
divers méthodes d’apprentissage automatique : classification, régression et clustring. Elle offre
un large choix d’algorithmes [Sckitlearn, 2019b]

Nous avons choisi Scikit-learn, tout d’abord pour la qualité de documentation disponible
sur internet, une communauté très active qui permet le maintien du projet et son développe-
ment. cette Api offre la facilité d’implémentation et de test des divers algorithmes. En effet
Scikit-learn permet avec quelques lignes de code d’utiliser les algorithmes d’apprentissage, ainsi
que de les paramétrer. Scikit-learn est la librairie à utiliser pour des projets sur courte période
et qui mettent l’accent sur les données et le choix des algorithmes.

La raison principale de notre choix de cette api, est la contrainte lié à l’environnement de
test embarqué (onduleur) et la capacité limité de stockage. En effet, nous avons comparer scikit
learn et tensorflow, qui est une bibliothèque open-source de deep learning créée par Google.
Comme le montre la figure 4.7, contrairement à tensorflow, sickit learn ne consomme pas
autant de mémoire.
Discussion : Tensorflow est principalement une bibliothèque dédiée aux deep learning. Elle
nécessite la transformation des données en tensor (sorte de tableau) qui servent comme entrées
des algorithmes d’apprentissage profond ; afin de pouvoir les utiliser avec des accélérateur gra-
phique.

34
 Implémentation et résultats

Figure 4.7 – Consommation de mémoire par les deux API d’apprentissage automatique.

4.1.2 Choix d’implémentation

Pour un projet de maintenance prédictive, il existe trois type d’implémentation :

Implémentation Explication Avantage Inconvénient

Cloud ou data Apprentissage du modèle et exé- Grandes capacités de Dépendance du

center cution dans le cloud ou dans les calcul, de stockage et réseau
serveurs du data center. de data.
Système hybride Apprentissage du modèle dans le Désengorgement des Capacités de cal-
cloud /data center et exécution réseaux. cul et de sto-
dans le système embarqué. ckage limitées en
local.
Local Système embarqué auto- Système 100% auto- Coûteux - Diffi-
apprenant qui effectue lui-même nome. cultés de mise à
l’apprentissage de son modèle jour.
avec ses propres données, puis
son exécution.

Tableau 4.1 – Tableau comparatif des choix d’implémentation [LOUKIL, 2018]

Après études et discussion avec les équipes métiers, nous avons opté pour une solution
hybride.

4.1.3 Architectures modèles prédictifs

Afin d’obtenir le meilleur système prédictif, nous avons exploré plusieurs combinaisons de
paramètres relatifs à chaque algorithme d’apprentissage. Ces paramètres expérimentaux re-
présentent l’architecture caractéristique de chaque modèle prédictif. Dans cette section nous
présenterons les paramètres sur lesquels notre apprentissage a été testé et qui correspondent à
l’implémentation propre à Scikit-learn de ces algorithmes.

[Link] SVM
Nous avons implémenté Support Vector Machine, avec la fonction RBF. Cette version de
l’algorithme nous donne la possibilité de paramétrer deux caractéristiques C et gamma 1 , qui
1. Pour pouvoir obtenir les valeurs idéales de C et de Gamma nous avons utilisé la méthode GridSearchCV.

35
 Implémentation et résultats

nous permettent de régler l’hyper plan de la ligne prédictive des données. La caractéristique C
joue sur la taille de l’hyper plan où se situent les droites de prédiction, pendant que gamma
joue sur la pente de ces droites et améliore la précision. Un trop grand gamma peut mener au
sur-apprentissage, pendant qu’un trop petit peut mener au sous-apprentissage et inversement
pour le C [Sckitlearn, 2019c].

[Link] MLP
Afin de construire le modèle de réseau de neurones le plus optimal, nous avons au début
calculé les coefficients de régression de chaque attribut par rapport au code erreur. Ensuite nous
avons essayé d’inférer plusieurs modèles avec diverses combinaisons de sous-ensembles d’attri-
buts selon leurs importances, en faisant varier le nombre de neurone et la fonction d’activation.
Nous avons fixer le nombre de couches cachées à 1 ; Vu le nombre insuffisant des données pour
passer au deep learning.

[Link] RandomForest Classifier

RandomForest classiffier est un algorithme d’apprentissage qui entraîne plusieurs sous-
ensembles d’arbres de décision. Les paramètres expérimentaux de cet algorithme sont : [Sckit-
learn, 2019a].

• Max-features : le nombre maximum d’attributs à tester dans un arbre.

• N-estimators : le nombre maximal d’arbres à construire avant de calculer la moyenne
des prédictions des arbres.
• Min-simple-leaf : le nombre minimal de feuilles dans chaque arbre.
• n-jobs : le nombre de processus à exécuter en parallèle.
• random-state : le nombre de validations à exécuter aléatoirement avant de calculer la
précision.

4.1.4 Mesures d’évaluation

Afin d’évaluer les modèles d’apprentissage inférés, nous avons choisi deux mesures : le calcul
de la précision, ainsi que le taux d’erreur.

[Link] Mesure de précision

Afin de pouvoir comparer la précision de notre prédiction aux résultats des travaux an-
térieurs, nous avons choisi de ne pas customiser la mesure de précision. En effet, nous avons
utilisé la méthode de Scikit-Learn « score » où chaque algorithme d’apprentissage implémente
sa propre méthode de calcul de précision. Néanmoins, le RandomForest classifier, le SVM et le
MLP ont la même mesure de précision [Sckitlearn, 0199] qui est une maximisation de R2 ,
telle que

R2 = (1 − U/V ) où,

U : ((y_true − y_pred)2 ).sum :

la somme des régressions de la valeur réelle moins la valeur prédite.

V : ((y_true − Y _true.mean())2 ).sum() :

la somme de la valeur réelle moins la moyenne des valeurs réelles au carré.

36
 Implémentation et résultats

[Link] Mesure d’erreur

Pour calculer l’erreur, nous avons implémenté notre propre méthode afin de prendre en
considération les code erreurs que nous essayons de prédire. Ainsi, le taux d’erreur est calculé
comme suit :

Erreur= (y_pred-y_test)-(y_pred-y_test)*10%/y_test Où,

Y_pred : les valeurs prédites par le modèle.
Y_test : les valeurs de sortie réelles.

4.2 Résultats
4.2.1 Performances des algorithmes d’apprentissage
Nous avons expliqué dans la partie implémentation, les mesures d’évaluation de nos modèles
inférés. Nous utiliserons ainsi deux mesures, la précision et le taux d’erreurs. Nous présenterons
les performances des trois catégories de pannes séparément, étant donné que ce sont trois
problèmes distincts. Afin de déterminer l’algorithme d’apprentissage le plus efficace pour le
problème de prédiction de panne de chaque catégorie, nous avons implémenter les 3 algorithmes
pour chaque catégorie.

[Link] Performances des prédictions des erreurs onduleurs

Nous présentons dans le tableau 4.2, les meilleurs résultats obtenus après la phase d’appren-
tissage et de validation par chaque algorithme de prédiction des pannes onduleurs.

Algorithme d’apprentissage Précision Taux d’erreur Mémoire utilisée

MLP 0.60 1.53 79.8
SVM 0.96 0.36 14.1
RandomForest Classifier 0.79 1.07 16.6

Tableau 4.2 – Tableau comparatif des résultats de l’apprentissage sur des données des erreurs
onduleurs

Analyse :
Dans le tableau 4.2 sont en effet représentés les précisions et taux d’erreurs moyens des
données de test des meilleurs modèles inférés. Il n’est pas à préciser que l’algorithme SVM est
celui qui enregistre la précision la plus haute et le taux d’erreur le plus bas, avec une moyenne
de précision de 96% et un taux d’erreur moyen d’environ 36%. Les deux algorithmes MLP
et RamndomForest ne dépassent pas les 79% de précision, avec une erreur moyen assez élevé
environ 1.53 enregistré par MLP.

[Link] Performances des prédictions des erreurs batteries

Nous présentons dans le tableau 4.3, les meilleurs résultats obtenus après la phase d’appren-
tissage et de validation par chaque algorithme de prédiction des pannes batteries.

37
 Implémentation et résultats

Algorithme d’apprentissage Précision Taux d’erreur Mémoire utilisée

MLP 0.88 0.51 8.9
SVM 0.90 0.41 2.0
RandomForest Classifier 0.92 0.39 13.9

Tableau 4.3 – Tableau comparatif des résultats de l’apprentissage sur des données des erreurs
batteries

Analyse :
Dans le tableau 4.3 sont en effet représentés les précisions et taux d’erreurs moyen sur
les données de test des meilleurs modèles inférés concernant les pannes batteries. Dans cette
catégorie l’algorithme RandomForest Classifier est celui qui enregistre la précision la plus haute
et le taux d’erreur le plus bas, avec une moyenne de précision de 92% et un taux d’erreur moyen
d’environ 39%. SVM vient en deuxième position avec un petit écart de 2%.

[Link] Performances des prédictions des erreurs PV

Nous présentons dans le tableau 4.4, les meilleurs résultats obtenus après la phase d’appren-
tissage et de validation par chaque algorithme de prédiction des pannes PV.

Algorithme d’apprentissage Précision Taux d’erreur Mémoire utilisée

MLP 0.88 0.31 2.6
SVM 0.90 0.28 4.2
RandomForest Classifier 0.86 0.31 0.3

Tableau 4.4 – Tableau comparatif des résultats de l’apprentissage sur des données des erreurs
PV

Analyse :
Selon le tableau 4.4, SVM a obtenue le meilleur taux de précision avec 90% et un taux
d’erreur bas avec 28%.

4.2.2 Evaluation de notre travail par rapport aux travaux antérieurs

Comme mentionné dans le chapitre 2, beaucoup de travaux de recherche se sont penchés
sur la maintenance prédictive grâce aux techniques d’apprentissage automatique. Dans cette
section nous comparerons nos résultats en général aux résultats déjà existants.

Analyse
Nous remarquons que notre modèle prédictif des pannes PV est un peu en dessous de la
moyenne de prédiction des autres modèles, alors que notre modèle prédictif des pannes ondu-
leurs dépasse quelques résultats (2/3).

Nous précisons que nous avons exploité un volume de données plus petit que tous les travaux
déjà existants. En effet, nous avons environs les 150 000 entrées pour la catégorie onduleurs, 24
000 pour les pannes batteries et uniquement 4600 pour les PV ; ce qui explique les résultats.

38
 Implémentation et résultats

Auteurs Meilleure précision (%)

[Paolanti and Romeo, 2018] 95
[RABENORO et al., 2015] 97
[WANG et al., 2017] 95
Notre modèle de prédiction des pannes Onduleurs 96
Notre modèle de prédiction des pannes Batterie 92
Notre modèle de prédiction des pannes PV 90

Tableau 4.5 – Comparaison des précisions de nos modèles prédictifs avec les résultats des travaux
antérieurs

A noter aussi que, pour notre approche, nous avons choisi d’essayer d’inférer un modèle
spécifique pour chaque catégorie ( pannes onduleurs, batterie ou pv).

4.2.3 Module Prédictif

au sein de l’onduleur,on trouve un module principal appelé "Le coremod" qui regroupe tous
les modules assurant le bon fonctionnement de l’onduleur. Grâce à ces modules qui sont conçus
avec les toutes dernières technologies, l’onduleur est de plus en plus autonome et [Link]
coremod gère la communication avec des composantes externe comme par exemple le module
BMS "Battery Manager System" qui s’occupe de la gestion des batteries.

Figure 4.8 – L’ensemble des modules / applications internes d’onduleur.

Chaque module possède sa propre base des données, permettant un stockage permanent des
paramètres et des données.

Nous avons implémenté une version Beta du module prédictif, qui se lance chaque semaine
avec une tâche Cron.

Cette version sera tester au fur est à mesure dans les onduleurs des test, avant d’établir une
version finale du module.

39
 Implémentation et résultats

Figure 4.9 – Le Module prédictif.

Conclusion
Dans ce chapitre nous avons présenté tous les détails relatifs à notre implémentation. Nous
avons présenté nos résultats, et avons fait une étude comparative de ces derniers entre eux
et avec les résultats des travaux antérieurs. Enfin, nous avons présenté en général nos modèls
prédictifs, ce qui nous permet ainsi de clôturer notre travail.

40
 CONCLUSION GÉNÉRALE ET PERSPECTIVES

De nombreuses entreprises maintiennent leurs équipements et leurs machines en mode cu-

ratif. On répare quand la panne survient. Ce qui génère des surcoûts, des retards de production
liés aux arrêts de chaîne et, par conséquent, une productivité en berne [Thuemmler and Bai,
2017]. La maintenance industrielle devient partie prenante de l’usine du futur et non plus une
simple fonction annexe. Une solution pour contourner cette problématique est d’adopter une
démarche de maintenance prédictive.

Dans ce contexte, IMEON Energy, le leader français de la fabrication des onduleurs intelli-
gents connectés, opte pour un projet de maintenance prédictive de la gamme onduleur IMEON.
Le fruit de notre travail se positionne dans cet écosystème en expansion. Nous nous sommes
penchées sur l’exploitation des données des industrielles dans le but de réaliser un outil de
prédiction des pannes basée sur des algorithme d’apprentissage automatique. Grâce à ces algo-
rithmes et dans le cadre de la maintenance prédictive, le coûts de maintenance et arrêts non
programmés perturbant la production devraient être significativement réduits.
Ce mémoire a été réalisé dans le but de présenter toutes les étapes effectuées pour la réa-
lisation de notre projet. Dans un premier temps, nous avons étudié l’environnement actuel et
les tendances du marché industrielle afin de comprendre les besoins actuels.

Ensuite, nous avons effectué un long travail de recherche sur le domaine de la maintenance
prédictive, répertoriant ainsi les différents travaux significatifs et performants. Nous avons pré-
senté également les techniques de prétraitement et d’exploration des données nécessaires.

La phase la plus fastidieuse et la plus longue de notre projet était le prétraitement des
données. En effet, une fois que nous avions collecté les données, nous devions les analyser, nor-
maliser, trier, etc, afin de créer un dataset exploitable qui nous permettrait d’inférer le système
de prédiction le plus précis qui soit. Nous avons ensuite présenté notre approche pour la pré-
diction des pannes, qui nous permet d’exploiter efficacement les données :

Dans un premier temps, nous avons choisi d’effectuer notre apprentissage automatique sur
les données avec trois algorithmes : SVM, MLR et RandomForest. Dans notre approche, nous
avons choisi d’inférer des modèles qui essaient de prédire le code erreur exact, et ainsi, nous
avons choisi d’implémenter une variante de ces algorithmes qui permet d’effectuer des classifi-
cation plutôt qu’une régression.

L’algorithme qui a donné le meilleur taux de précision et le taux d’erreur minimal est le
SVM : 96% de précision et 36% d’erreur pour les erreurs onduleurs.

41
 Conclusion générale et perspectives

L’écart des taux précision et d’erreur entre les prédictions des pannes onduleurs, batterie
et PV est lié à la qualité des données exploitées. En effet, bien que d’apparence le problème de
prédiction une panne onduleur ( surcharge, courant de fuite, ...) se veut plus complexe que la
prédiction des autres pannes, néanmoins lors de la phase d’exploration des données, nous avons
remarqué que les données des onduleurs étaient qualitativement bien plus diversifiées que les
autres données.

La dernière étape de notre projet était la réalisation de l’outil prédictif en local, notre outil
offre la possibilité de prédire les pannes avant une semaine..

Nos résultats de prédiction des pannes sont satisfaisants comparés aux résultats des travaux
qui se penchent sur le même sujet de maintenance prédictive.

Nous tenons à rajouter que les taux de précision de nos systèmes prédictifs sont plus que
satisfaisants étant donné que nous essayons de prédire une classe d’erreur réelle avant une se-
maine de son arrivé, ce qui peut laisser une marge d’erreur assez souple par rapport à d’autres
problèmes de prédiction.

Comme tout travail le nôtre peut connaître des améliorations et des extensions. La suite de
ce projet pourrait se faire dans différentes directions :

- L’extension des prédictions à d’autre catégorie des pannes.

- Mettre en place un système d’identification des causes des pannes.
- La création d’un outil de conseil pour mieux conseiller le client et l’aider à prendre des
décisions vis à vis la maintenance de l’onduleur, sans avoir recours aux service de main-
tenance.

42
 BIBLIOGRAPHIE

[ref, ] " ".

[Abdallah, 2015] Abdallah, S. (2015). "Using Text Mining To Analyze Real Estate Classifieds".
Library of Congress Cataloging-in-Publication Data , British University in Dubai, United
Arab Emirates and University of Edinburgh, United Kingdom.
[Absolunet’s, 2017] Absolunet’s (2017). "10 ecommerce trends for 2017" livre digital en ligne.
http ://[Link]/ en ligne ; accédé 28 Février 2017.
[Adams et al., 2017] Adams, L., Burkholder, E., and Hamilton, K. (2017). "Micro-Moments :
Your Guide to Winning the Shift to Mobile". Google.
[Alexa, 2017] Alexa (2017). "find, reach, and convert your audience with marketing that works".
http ://[Link]/ ; en ligne accédé 25 Mai 2017.
[analyticsvidhya, 2015] analyticsvidhya (2015). "data visualization resource".
https ://[Link]/blog/2015/05/data-visualization-resource/ ; accédé
02 Mars 2017.
[Annie Laforet, 2015] Annie Laforet, G. M. e. J.-M. P. (2015). "Statistique". Institut de Sta-
tistique - Université Libre de Bruxelles - Belgique.
[Aubay, 2016] Aubay (2016). "text mining". http ://[Link]/wp-
content/uploads/2016/04/[Link] ; accédé 02 Mars 2017.
[Ayadi, 2013] Ayadi, I. (2013). « Optimisation des politiques de maintenance préventive dans un
cadre de modélisation par modèles graphiques probabilistes. ». PhD thesis, l’Institut Français
des Sciences et Technologies des Transports, de l’Aménagement et des Réseaux. Paris, France.
[Baheti and Gill, 2011] Baheti, R. and Gill, H. (2011). Cyber-physical systems.
[BusinessInsider, 2016] BusinessInsider (2016). "e-commerce online payment tech-
nologies overview trends" publié en 26 décembre 2016 par andrew meola.
http ://[Link]/ecommerce-payment-technologies-overview-trends-2016-
10 ?IR=T en ligne ; accédé 28 Février 2017.
[Caciandone and Chiru, 2016] Caciandone and Chiru, C.-G. (2016). "using machine learning
to generate predictions based on the information extracted from automobile ads ". University
Politehnica Bucharest.
[Celeux et al., 2006] Celeux, G., Corset, F., Lannoy, A., and Ricard, B. (2006). " Designing
a bayesian network for preventive maintenance from expert opinions in a rapid and reliable
way. 849–856 ". Reliability Engineering System Safety.
[chang Chih-Chung and Chih-Jen, 2013] chang Chih-Chung and Chih-Jen, L. (2013).
"LIBSVM : A Library for Support Vector Machines". Department of Computer Science
National Taiwan University, Taipei, Taiwan Last updated : March 4, 2013.

43
 BIBLIOGRAPHIE

[Chrislb, 2016] Chrislb, D. (2016). "neurone artificiel" , accédé le 25 février 2017.

https ://[Link]/wiki/File%3AArtificialNeuronModelf [Link].
[Continuations, 2011] Continuations (2011). "a brief history of disruption classified ads" publié
en 29 juillet 2011 par albert wenger. http ://[Link]/post/8214667310/a-brief-
history-of-disruption-classified-ads en ligne ; accédé 28 Février 2017.
[Cotton, 2010] Cotton, N. J. (2010). "a neural network implementation on embedded systems”.
Auburn, Alabama.
[Courtois and Delsarte, 2003] Courtois, P. and Delsarte, P. (2003). "On the optimal scheduling
of periodic tests and maintenance for reliable redundant components.66–72. ". Reliability
Engineering System Safety 91.
[CultureMedia, 2012] CultureMedia (2012). "social commerce : Est-ce l’avenir du e-commerce ?"
publié en 8 novembre 2012. http ://[Link]/social-commerce-est-ce-
lavenir-du-e-commerce-2/ en ligne ; accédé 28 Février 2017.
[Delcacho, 2010] Delcacho, M. (2010). SVM , KPPV, génitique. PhD thesis, "University".
[DUNCOMBE, 2010] DUNCOMBE, C. (2010). fautes orthographe commerce internet. rapport
bbc news. http ://[Link]/lien/41129/fautes-orthographe-commerce-interneten ligne
accédé 28 Mai 2017.
[Echarts, 2019] Echarts (2019). https ://[Link]/en/[Link] en ligne ; accédé
29 Juillet 2019.
[EcommerceFoundation, 2016] EcommerceFoundation (2016). Ecommerce Benchmark Retail
Report 2016. Ecommerce Foundation Raadhuisstraat 22 1016 DE AMSTERDAM The Ne-
therlands.
[Econsultancy, 2013] Econsultancy (2013). "The Realities of Online Personalisation". Econsul-
tancy digital report.
[edutechwiki, 2016a] edutechwiki (2016a). "half the webs traffic comes from bots" accédé 05 fé-
vrier 2017. http ://[Link]/article/3070058/big-data/half-the-webs-traffic-
[Link].
[edutechwiki, 2016b] edutechwiki (2016b). "web scraping" en ligne ; accédé le 05 février 2017.
http ://[Link]/fr/Webs crapingD.C3.A9f initio/.
[Fiwiclassifieds, 2013] Fiwiclassifieds (2013). "the history of classified ads" publié en 10 aout
2013 par michelle. https ://[Link]/blog/the-history-of-classified-ads/ en
ligne ; accédé 28 Février 2017.
[FORESTIER, 2016] FORESTIER, R. L. (2016). Développement API communication inter-
objet (Smart-Grid/ M2M). PhD thesis, Université de Bretagne Occidentale.
[Frew and G., 2003] Frew and G., J. (2003). "estimating the value of apartment buildings.".
"Journal of Real EstateResearch ".
[future science, 2016] future science (2016). "informatique-comprendre-facebook" publié en
22 janvier 2016. http ://[Link]/tech/dossiers/informatique-comprendre-
facebook-1360/page/20/ en ligne ; accédé 20 Février 2017.
[Gaffiot, 1934] Gaffiot, F. (1934). Dictionnaire latin-français. Hachette.
[GoogleTrends, 2017] GoogleTrends (2017). "google trends for algeria".
https ://[Link]/trends/explore ?cat=18geo=DZ ; en ligne accédé 25 Mai 2017.
[Guillaume, 2010] Guillaume, S.-J. (2010). "méthodes de prévision et formules excel".
https ://[Link]/fr/methodes-previsions-et-formules-excel ; accédé 15 Mars 2017.
[Gérard, 1989] Gérard, S. (1989). "L’intelligence artificielle et le langage". Hermès, Paris.

44
 BIBLIOGRAPHIE

[HuffpostAlgeria, 2016] HuffpostAlgeria (2016). "l’algérie pas prête pour le pas-

sage au commerce en ligne, selon les nations unies" publié en 03 mai
2016. http ://[Link]/2016/05/03/algerie-e-commerce-pas-
prn9 [Link]; accédé28F évrier2017.
[[Link], 2016] [Link] (2016). "les 8 technologies et tendances qui transforment l’im-
mobilier" publié en 22 janvier 2016. https ://[Link]/les-8-technologies-et-tendances-qui-
transforment-limmobilier-2016/ en ligne ; accédé 28 Février 2017.
[KeyDifferences, 2015] KeyDifferences (2015). "difference between e-commerce and m-
commerce" publié le 16 octobre 2015 par surbhi s. http ://[Link]/difference-
[Link] en ligne ; accédé 28 Février 2017.
[KUKICH, 1992] KUKICH, K. (1992). "Techniques for automatically correcting words in text.
ACM Computing Surveys". Bellcore, 44.5 South Street, Morristown, NJ 07962-1910.
[Kumar et al., 2015] Kumar, A., Anil, B., Anand, C., Aniruddha, S., and Kumar, R. (2015).
"Machine Learning Approach to Predict Real Estate Prices". Discovery, 2015, 44(205), 173-
178.
[Laforet et al., 1990] Laforet, A., Mélard, G., and Pasteels, J.-M. (1990). "VERS UN SYS-
TÈME EXPERT DE PRÉVISION ET DE STATISTIQUE ÉCONOMIQUE". Institut de
Statistique - Université Libre de Bruxelles - Belgique.
[Lecun, 2010] Lecun, Y. (2010). "directeur du laboratoire d’ia de facebook,professeur d’infor-
matique à l’université de new york.". https ://[Link]/watch ?v=QxRdWIIyDG8 ;
accédé 18 Février 2017.
[LeMonde, 2016] LeMonde (2016). "une photo de mark zuckerberg ravive la peur
de la réalité virtuelle" publié en 22 février 2016 par leloup, d. et tual, m.
http ://[Link]/pixels/article/2016/02/22/une-photo-de-mark-zuckerberg-ravive-
la-peur-de-la-realite-virtuelle4 8696054 [Link]; accédé28F évrier2017.
[Levenshtein, 1965] Levenshtein, V. (1965). Distance d’édition minimale. PhD thesis, "Univer-
sité d’État de Moscou".
[Li, 2018] Li, Z. (April 2018). “Deep Learning Driven Approaches for Predictive Maintenance.
A Framework of Intelligent Fault Diagnosis and Prognosis in the Industry 4.0 Era”. PhD
thesis, Norwegian University of Science and Technology, Trondheim.
[LibertéAlgérie, 2016] LibertéAlgérie (2016). "e-commerce c’est quoi et ou en est l’algérie " pu-
blié en 16 décembre 2016 par mohamed aniss amrah. http ://[Link]/soleil-
hec-red-num-liberte/e-commerce-cest-quoi-et-ou-en-est-lalgerie-260520 en ligne ; accédé 28
Février 2017.
[LISTIANI, 2009] LISTIANI, M. (2009). Support Vector Regression Analysis for Price Predic-
tion in a Car Leasing Application. PhD thesis, "Hamburg University of Technology".
[Lorentz, 1998] Lorentz, F. (1998). Rapport sur le commerce électronique -Addendum. Ministère
de l’économie, des Finances et de l’industrie français.
[LOUKIL, 2018] LOUKIL, R. (2018). " le défi de l’intégration de l’ia dans les systèmes embar-
qués ”. L’usine Nouvelle.
[McKinseyCompany, 2016] McKinseyCompany (2016). "Automotive revolution" –perspective
towards 2030 How the convergence of disruptive technology-driven trends could transform the
auto industry. Advanced Industries.
[MillwardBrown, 2017] MillwardBrown (2017). "the definitive guide to how connectivity is re-
shaping consumers, connections, content and commerce" publié en 2017 par millward brown.
http ://[Link]/ ?utms ource = kmbutmm edium = webutmc ampaign =
Connected − Lif e − 2016enligne; accédé28F évrier2017.

45
 BIBLIOGRAPHIE

[Mitchell, 1997] Mitchell, T. (1997). "Machine learning". McGraw-Hill Higher Education.

[ObservAlgerie, 2017] ObservAlgerie (2017). "mobile-payement : Djezzy expose son expertise"
publié en 24 janvier 2017. http ://[Link]/actualite/economie/hitech/djezzy-
mobile-payement-2018/ ?utms ource = smutmm edium = twutmc ampaign =
01%2F 27%2F 174G%2C4G + campaign, accédé28F évrier2017.
[OECD, 2001] OECD (2001). Electronic Commerce. Organisation Economic Co-operation and
Development.
[OMC, 2013] OMC (2013). Le commerce électronique dans les pays en développement Possibi-
lités offertes aux petites et moyennes entreprises et difficultés rencontrées. Centre William
Rappard Rue de Lausanne 154 CH-1211 Genève 21 Suisse.
[Paolanti and Romeo, 2018] Paolanti, M. and Romeo, L. (2018). "machine learning approach
for predictive maintenance in industry 4.0”. Jelena Loncarski 14th IEEE/ASME International
Conference.
[Pierson, 2015] Pierson, L. (2015). "Data Science For Dummies". For Dummies.
[Poulard, 2008] Poulard, F. (2008). "tokenisation en mots avec nltk".
http ://[Link]/post/2008/03/05/Tokenisation-en-mots-avec- NLTK ; accédé
27 Février 2017.
[PwC and ULI, 2017] PwC and ULI (2017). "Emerging Trends in Real Estate New market
realities". PwC and the Urban Land Institute.
[RABENORO et al., 2015] RABENORO, T., Rossi, F., and Cottrell, M. (2015). « Outils sta-
tistiques de traitement d’indicateurs pour le diagnostic et le pronostic des moteurs d’avions
». PhD thesis, UNIVERSITÉ PARIS 1 - PANTHÉON SORBONNE. Paris, France.
[RéalitéVirtuelle, 2016] RéalitéVirtuelle (2016). "kaïnoo – visite immobilière en réalité virtuelle
à 360" publié en 22 octobre 2016 par tarik h. http ://[Link]/kainoo-
realite-virtuelle-2210 en ligne ; accédé 28 Février 2017.
[Salifou and Naroua, 2014] Salifou, L. and Naroua, H. (2014). Etude et conception d’un cor-
recteur orthographique pour la langue haoussa. PhD thesis, Département de Mathématiques
et Informatique, Faculté des Sciences et Techniques Université Abdou Moumouni, BP 10662
– Niamey, NIGER.
[Sameerchand, 2014] Sameerchand (2014). "predicting the price of used cars using machine
learning". International Journal of Information Computation Technology, pages 753–764.
[Saout and Vignolle, 2015] Saout, R. L. and Vignolle, B. (2015). "la méthode des prix hédo-
niques : Principes et illustration à partir du prix des terrains à bâtir ". " ".
[Saporta, 1990] Saporta, G. (1990). "Probabilités, analyse des données et statistique.". TECH-
NIP.
[Sckitlearn, 2019a] Sckitlearn (2019a). "random forest regressor". http ://scikit-
[Link]/stable/modules/generated/[Link] en
ligne ; accédé 05 juin 2019.
[Sckitlearn, 2019b] Sckitlearn (2019b). "scikit-learn : machine learning in python".
https ://[Link]/scikit-learn/scikit-learn en ligne ; accédé 05 juin 2019.
[Sckitlearn, 2019c] Sckitlearn (2019c). "support vector machines svr". http ://scikit-
[Link]/stable/modules/[Link] en ligne ; accédé 05 juin 2019.
[Sckitlearn, 0199] Sckitlearn (20199). " model evaluation :
quantifying the quality of predictions". http ://scikit-
[Link]/stable/modules/modele [Link]; accédé05juin2019.

46
 BIBLIOGRAPHIE

[Seiersen, 2006] Seiersen, N. (2006). "Systèmes d’information logistique". Revue technique de

l’ingénieur.
[SimilarWeb, 2017] SimilarWeb (2017). "market intelligence solutions to understand, monitor
and win your market". https ://[Link]/ ; en ligne accédé 25 Mai 2017.
[Statista, 2017] Statista (2017). "e-commerce worldwilde" publié par statista the statistics por-
tal. https ://[Link]/outlook/243/100/e-commerce/worldwidemarket-revenue en
ligne ; accédé 28 Février 2017.
[ThinkWithGoogle, 2015] ThinkWithGoogle (2015). "holiday shopping trends 2015 :
Three predictions for retailers" publié en 18 novembre 2015 par matt lawson.
https ://[Link]/q s/documents/958/holiday−shopping−trends−2015−
[Link] enligne; accédé28F évrier2017.
[ThinkWithGoogle, 2016] ThinkWithGoogle (2016). "marketing insights mo-
bile first media plans" publié en décembre 2016 par joy, j. et zmuda, n.
https ://[Link]/marketing-resources/data-measurement/marketing-
insights-mobile-first-media-plans-2017/ en ligne ; accédé 28 Février 2017.
[Thuemmler and Bai, 2017] Thuemmler, C. and Bai, C. (2017). "Health 4.0 : How Virtualiza-
tion and Big Data are Revolutionizing Healthcare". Springers.
[UE, 2013] UE (2013). "handbook on residential property prices indices (rppis)". Luxembourg :
Publications Office of the European Union, page 179.
[UN, 1998] UN (1998). "Loi type de la CNUDCI sur le commerce électronique Guide pour son
incorporation et 1996 tel qu’adopté en 1998". United Nations Publication.
[Vanhoucke et al., 2011] Vanhoucke, V., Senior, A., and Mao, M. Z. (2011). Improving the speed
of neural networks on CPUs. PhD thesis, Deep Learning and Unsupervised Feature Learning
Workshop. Google, Mountain View, CANADA.
[WANG et al., 2017] WANG, Z., ZHANG, M., WANG, D., SONG, C., LIU, M., LI, J., LOU,
L., and LIU, Z. (2017). "Failure prediction using machine learning and time series in optical
network". PhD thesis, State Key Laboratory of Information Photonics and Optical Com-
munications, Beijing University of Posts and Telecommunications, Beijing 100876, China.
China Mobile Communications Corporation, Beijing 100033, China 2017 Optical Society of
America.
[Wearesocial and Hootsuite, 2017] Wearesocial and Hootsuite (2017). "digital, so-
cial, mobile : Les chiffres 2017" publié le 25 janvier 2017 par nathan blaison.
https ://[Link]/fr/blog/2017/01/digital-social-mobile-les-chiffres-2017en ligne ;
accédé 28 Février 2017.
[Weyer et al., 2015] Weyer, S., Schmitt, M., Ohmer, M., and Gorecky, D. (2015). "towards
industry 4.0 - standardization as the crucial challenge for highly modular, multi-vendor pro-
duction systems”. IFAC-PapersOnLine.
[Wood, 2005] Wood, R. (2005). "a comparison of uk residential house price”. Indices in Real
Estate Indicators and Financial Stabilit Bank for International Settlements, Washington DC :
The International Monetary Fund, pages 212–227.
[WU et al., 2009] WU, D., J., HSU, C., C., CHEN, and C., H. (2009). An expert system
of price forecasting for used cars using adaptive neuro-fuzzyinference. Expert Systems with
Applications. PhD thesis, "University".
[[Link] [Link], 2019] [Link] [Link] (2019). http ://[Link]
en ligne ; consulté Mai 2019.
[[Link] [Link], 2019] [Link] [Link] (2019). https ://[Link]/nos-
domaines/maintenance-industrielle en ligne ; consulté Mai 2019.

47
 BIBLIOGRAPHIE

[[Link] [Link], 2019] [Link] [Link] (2019). http ://[Link]-

[Link]/maintenance-predictive/ en ligne ; consulté Juin 2019.
[[Link], 2019] [Link] (2019). http ://[Link]/psycopg/docs/ en ligne ;
accédé 29 juillet 2019.
[ZedNet, 2015] ZedNet (2015). " big data : quel intérêt pour l’analyse prédic-
tive ?". http ://[Link]/actualites/big-data-quel-interet-pour-l-analyse-predictive-
[Link] ; accédé 01 Mars 2017.
[Zhang and LeCun, 2016] Zhang, X. and LeCun, Y. (2016). "text understanding from scratch".
"Facebook Research ".
[ZILIO and LUGIEZ, 2002] ZILIO, S. D. and LUGIEZ, D. (2002). Fondements de l’Interroga-
tion des Données Semi Structurées. PhD thesis, Laboratoire d’Informatique Fondamentale
de Marseille.

48
BIBLIOGRAPHIE

49