Projet Power BI
Développement d’un tableau de bord interactif
pour l’analyse prédictive de maintenance des
machines industrielles
(Machine predictive_maintenance)
Réalisé par : Ranim El Ghali , Daoud Mansour , 1 MSQ
Année universitaire 2024-2025
1
Plan
1. Introduction
2. Problématique
3. Solution proposée
4. Méthodologie de travail
5. Collecte des données
6. Nettoyage des données
7. Transformation des données
8. Création d’un tableau de bord
9. Interprétation et prise de décision
10. Conclusion
2
1.Introduction
Grâce à l’IoT et aux capteurs, il est aujourd’hui possible de collecter en temps réel des données
opérationnelles issues des machines permet de prédire les défaillances avant qu'elles ne
surviennent.
➢ Ce projet vise à exploiter les données du Dataset Machine Predictive Maintenance et à
analyser les paramètres opérationnels des machines pour :
• détecter les défaillances
• proposer un tableau de bord interactif Power BI permettant d'anticiper les
problèmes
3
2.Problématique
➢"Comment analyser efficacement les données industrielles
disponibles afin de prédire les défaillances et ainsi optimiser les
opérations de maintenance ? "
4
3.Solution proposée
• Mettre en place un tableau de bord Power BI
interactif fondé sur des données réelles pour :
✓ détecter les facteurs de défaillance
✓ suivre l’état des machines et prévoir les
maintenances nécessaires
✓ aider à la prise de décision préventive
5
4. Methodologie de travail
Importation et
01 Exploration de Dataset
04 Construction de la vue
modèle
02 Nettoyage des données 05 Création de visualisations
interactives
( Tableaux de bord)
Transformation des
03 données
06 Analyse et
interprétation
6
5. Collecte de données
❖ Source : Machine predictive_maintenance
Nom de la colonne Description
UDI Identifiant unique de la ligne
Product ID Identifiant du produit
Type Type de machine : L, M, H
Air temperature [K] Température de l'air ambiant (en Kelvin)
Process temperature [K] Température du processus industriel (en Kelvin)
7
❖ Source : Machine predictive_maintenance
Rotational speed [rpm] Vitesse de rotation en tours/minute
Torque [Nm] Couple (force de rotation) en Newton-mètre
Tool wear [min] Usure de l'outil en minutes
Target Indique si la pièce est défectueuse (0 = Non, 1 = Oui)
Failure Type Type de défaillance : No Failure, Heat Dissipation Failure, etc.
8
✓ Accueil - Obtenir des données – fichier excel
Importer et
e x p l o re r l e f ic hi e r ✓ Sélectionner Machine predictive_maintenance
✓ Cliquer sur Transformer les données
❖ Visualisation globale des données
10
6. Nettoyage des données
✓Suppression des lignes vides
6. Nettoyage des données
✓Suppression des lignes dupliquées
jejjj
6. Nettoyage des données
✓Vérification et correction des types
Type de machine → Texte
Type de défaillance → Texte
Colonnes numériques → Decimal
Défaillance → Nombre entier
6. Nettoyage des données
Type de machine → Texte
✓Vérification et correction des types
Type de défaillance → Texte
Colonnes numériques → Decimal
Défaillance → Nombre entier
7. Transformation des données
✓ Renommer des colonnes pour plus de clarté
clic droit sur la colonne → Renommer
Ancien nom Nouveau nom
Air temperature [K] Température air (k)
Process temperature [K] Température process (k)
Rotational speed [rpm] Vitesse de rotation (rpm)
Torque [Nm] Couple (Nm)
Tool wear [min] Usure outil (min)
Target Défaillance (0: non, 1: oui)
Failure Type Type de défaillance
7. Transformation des données
✓ Colonnes renommées
7. Transformation des données
✓ Créer ces colonnes personnalisées
Nouvelle colonne - Utilité
Température processus - indicateur de surchauffe (détecter les
Écart de température
Température air anomalies thermiques)
17
7. Transformation des données
✓ Créer ces colonnes personnalisées
Nouvelle colonne - Utilité
Écart temperature
Indice de risque la priorisation des actions
* Couple Étiquette
18
7. Transformation des données
✓ Créer ces colonnes personnalisées
Nouvelle colonne - Utilité
Si Défaillance = 1: Simplifie l’analyse binaire de
Défaillant / Non défaillant "Défaillant"
Sinon : "Non défaillant" l’état des machines
19
7. Transformation des données
✓ Créer ces colonnes personnalisées
Nouvelle colonne - Utilité
< 50 min : Faible évaluer l’état d’usure de l’outil +
Classification de l’usure outil 50–150 min : Moyenne repérer les niveaux associés aux
Sup 150 min : Élevée
plus forts risques de panne
20
7. Transformation des données
✓ Créer ces colonnes personnalisées
21
8. Créer un modèle en étoile
➢ structuré de :
•Une table de faits principale
•Des tables sont crées de dimensions reliées et utiles : (types de machines , types de défaillance ) , pour la clarté du modèle de données
22
23
8. Créer un modèle en étoile
24
9. Elaboration des
tableaux de bord
❖ Tableau de bord 1 : Vue d'ensemble ❖ Tableau de bord 2 : Analyse des causes de
des machines defaillance
Suivre l’état global des machines Identifier les facteurs de risque, les types de
(fonctionnelles vs défaillantes), surveiller défaillance fréquents et leurs relations avec
les températures, l’usure des outils et les température, vitesse ou usure
types de machines
25
26
27
9. Interprétation et Prise de décision
Les résultats montrent clairement que :
➢ Les machines de type L sont , le plus défaillant , qui présentent un indice de risque plus élevé :
prioriser ce type
➢ L’usure moyenne est fortement corrélée à un indice de risque accru :
. augmenter la fréquence de contrôle des outils
➢ Les variations de température élevés sont associés à des défaillances (facteur critique pour les pannes) :
surveiller les systèmes thermiques
10. Conclusion
Ce projet a permis de démontrer l'intérêt stratégique de la maintenance prédictive dans le secteur
industriel, en s'appuyant sur une analyse approfondie des données issues du dataset
Machine Predictive Maintenance.
Grâce à l'intégration, la transformation et la visualisation interactive des données dans Power BI, deux
tableaux de bord complémentaires ont été élaborés
La nécessité de mettre en place des stratégies de maintenance préventive et prédictive ciblées :
▪ intégrer des modèles de machine learning directement dans Power BI pour anticiper les pannes à
venir
▪ connecter Power BI à une base de données en temps réel afin de permettre un suivi continu des
indicateurs de risque
29
Merci de votre
.
attention
Ra n i m E l G h a li
Da o u d M an so u r
