Chapitre 4 : Partie pratique — Cas d’étude des

compresseurs à vis à la Société des Ciments de

Tébessa (SCT)
1 Introduction
La Société des Ciments de Tébessa (SCT) est une entreprise publique industrielle algérienne, filiale du groupe
régional ERCE (Entreprise Régionale des Ciments et Dérivés de l’Est). Fondée en novembre 1994, elle est spécialisée
dans la production de ciment gris CPJ 45, avec une capacité annuelle de production de 525 000 tonnes.
Située à environ 26 kilomètres au sud de Tébessa, sur la route nationale RN°16, la cimenterie bénéficie d’une
position stratégique proche d’une ligne ferroviaire importante (ligne Djebel-onk – Tébessa – Annaba), facilitant
l’approvisionnement en matières premières et la distribution des produits finis.
La cimenterie d’El Malabiod est équipée d’un processus technologique à voie sèche, complété par un système
informatisé de gestion technique assurant une maîtrise rigoureuse des opérations industrielles.
Dans ce contexte, la fiabilité des équipements, en particulier des compresseurs à vis, est cruciale pour garantir
la continuité de la production et l’optimisation des coûts de maintenance. Ce chapitre s’appuie sur des données
opérationnelles collectées sur deux années complètes (2023-2024) à la SCT afin d’appliquer une méthode combi-
née d’analyse qualitative (méthode des 5M et diagramme de Pareto) et quantitative (modélisation prédictive par
intelligence artificielle) pour améliorer la gestion de la maintenance.

2 Description et préparation des données

2.1 Données collectées
Les données couvrent quotidiennement :

Variable Unité Description

Date Date Date d’enregistrement
Pression (bar) Bar Pression mesurée dans le compresseur
Température (°C) Degrés Celsius Température de fonctionnement
Heures de fonctionnement Heures Durée quotidienne d’utilisation du compresseur
Consommation électrique (kWh) Kilowattheure Énergie consommée par le compresseur
Anomalies / Observations Texte Description des anomalies détectées

Table 1 – Variables collectées lors du suivi des compresseurs

2.2 Pré-traitement
— Remplacement des valeurs manquantes dans la colonne des anomalies par la mention « Aucune », signifiant
absence d’anomalie détectée.
— Conversion des dates en format standardisé pour analyses temporelles.
— Création d’une variable binaire Anomalie_binaire indiquant la présence (1) ou l’absence (0) d’une anomalie,
ce qui facilitera les étapes de modélisation.
— Fusion des données issues des années 2023 et 2024 pour constituer une série temporelle complète.

2.3 Statistiques descriptives

Une première analyse statistique des variables numériques permet de comprendre la distribution et la variabilité
des mesures :
 Variable Moyenne Médiane Écart-type Minimum Maximum
Pression (bar) 7,5 7,6 1,2 4,5 10,3
Température (°C) 72,4 73,0 9,1 45,0 95,0
Heures de fonctionnement 8,5 8,0 4,2 1 18
Consommation électrique 520,6 480,0 200,7 100 1100

Table 2 – Statistiques descriptives des paramètres de fonctionnement

2.4 Visualisation de l’évolution de la pression

Pour mieux appréhender les variations de la pression au cours du temps, la figure suivante présente l’évolution
chronologique des mesures de pression.

Figure 1 – Évolution de la pression du compresseur entre 2023 et 2024

3 Analyse des causes selon la méthode des 5M

3.1 Présentation de la méthode 5M
La méthode des 5M est un cadre d’analyse qui permet d’identifier les causes fondamentales d’un problème
industriel en les classant en cinq catégories :

Lettre Catégorie Description

M1 Main-d’œuvre Erreurs humaines, formation, compétences insuffisantes
M2 Matériel Pannes, défaillances, usure des équipements
M3 Méthode Procédures, modes opératoires, organisation du travail
M4 Milieu Environnement de travail (température, humidité, poussières)
M5 Mesure Instruments, étalonnage, qualité des mesures

Table 3 – Définition des cinq catégories de la méthode 5M appliquées à l’analyse des anomalies

Cette catégorisation permet une structuration claire des causes et facilite la prise de décision pour la maintenance.

2
3.2 Classification des anomalies dans les données
Pour analyser les causes des anomalies enregistrées dans les compresseurs, une étape cruciale consiste à classifier
les descriptions textuelles issues de la colonne « Anomalies / Observations » selon les cinq catégories de la méthode
5M : Main-d’œuvre, Matériel, Méthode, Milieu, et Mesure.
Objectif
Transformer les descriptions qualitatives en une information exploitable quantitativement dans l’analyse et les
visualisations, tout en maintenant la logique industrielle sous-jacente à la méthode des 5M.
— Extraction des textes :
Tous les commentaires enregistrés dans la colonne Anomalies / Observations ont été extraits et convertis en minus-
cules pour uniformiser le traitement.
— Définition de mots-clés indicateurs :
Pour chaque catégorie des 5M, une liste de mots-clés spécifiques a été définie à partir de l’analyse du vocabulaire
présent dans les données et des référentiels industriels.

Catégorie Mots-clés indicateurs (exemples)

Matériel pression, fuite, joint, valve, compresseur, panne
Main-d’œuvre opérateur, erreur, manipulation, omission, négligence
Méthode procédure, réglage, méthode, consigne, consignes erronées
Milieu température, humidité, poussière, chaleur, environnement
Mesure capteur, mesure, calibration, instrument, dérive

Table 4 – Exemples de mots-clés utilisés pour la classification des anomalies selon les catégories 5M

— Développement d’une fonction de classification :

La fonction classifier_5M() parcourt chaque description et assigne une catégorie en fonction des mots-clés détectés.

3.3 Résultats de la classification

La répartition des anomalies selon les catégories 5M est présentée dans le tableau ci-dessous :

Catégorie Nombre d’anomalies Pourcentage (%)

Matériel 40 40
Milieu 20 20
Main-d’œuvre 15 15
Mesure 15 15
Méthode 10 10

Table 5 – Répartition des anomalies par catégories 5M

3.4 Diagramme de Pareto

Pour visualiser et prioriser les causes d’anomalies, un diagramme de Pareto a été tracé. Il met en évidence la
contribution relative de chaque catégorie et le pourcentage cumulé.

3
 Figure 2 – Diagramme de Pareto des anomalies par catégorie 5M

3.5 Interprétation
— Les catégories Matériel (40%) et Milieu (20%) cumulent environ 60% des causes d’anomalies, justifiant une
priorité dans la gestion des interventions de maintenance.
— Les autres catégories (Main-d’œuvre, Mesure, Méthode) représentent chacune entre 10 et 15%, indiquant des
axes complémentaires d’amélioration.
— Ce résultat permet une allocation efficace des ressources en ciblant les facteurs les plus impactants.

4 Objectif de la modélisation prédictive

L’objectif principal de cette modélisation est de développer un système d’aide à la décision capable de prédire la
survenue d’anomalies dans le fonctionnement des compresseurs à vis, à partir des données historiques collectées sur le
site de la Société des Ciments de Tébessa (SCT). Cette approche vise à anticiper les pannes, optimiser la planification
des interventions, réduire les coûts de maintenance corrective et améliorer la disponibilité des équipements critiques.
En combinant les paramètres opérationnels tels que la pression, la température, les heures de fonctionnement et
la consommation électrique, le modèle cherche à détecter les signaux faibles annonciateurs d’un dysfonctionnement.

4.1 Pourquoi l’intelligence artificielle dans ce contexte ?

Les méthodes classiques de diagnostic reposent souvent sur des inspections manuelles ou des seuils fixes.
Les algorithmes d’apprentissage automatique (machine learning) permettent de capter des motifs non linéaires,
multivariés et contextuels, que les approches traditionnelles ne peuvent pas identifier.
En se basant sur des historiques de fonctionnement étiquetés (avec ou sans anomalies), ces modèles peuvent
apprendre à distinguer les conditions normales des situations à risque.

4.2 Modélisation mathématique

Pour chaque observation i, caractérisée par un vecteur de variables explicatives :

xi = (xi1 , xi2 , . . . , xip )

où :
xi1 = Pression (bar),
xi2 = Température (°C),

4
 xi3 = Heures de fonctionnement,
xi4 = Consommation électrique (kWh).
La variable cible binaire est définie par :
ŷi = f(xi ) ≈ yi

L’apprentissage consiste à minimiser la fonction de perte, souvent l’entropie croisée (log-loss) :

PN
L = − N1 i=1 [yi log p̂i + (1 − yi ) log(1 − p̂i )]

oùpˆi = P (yi = 1 | xi )est la probabilité prédite de l’anomalie.

4.3 Résultats attendus de la modélisation

— Un modèle prédictif capable de classer un instant de fonctionnement comme normal ou anomal.
— Un système automatisable et intégrable dans la supervision des équipements pour déclencher des alertes.
— Une analyse des variables influentes permettant de comprendre les facteurs clés des anomalies.
Dans la suite, nous préparerons les données pour l’entraînement des modèles, sélectionnerons les algorithmes adaptés,
puis comparerons leurs performances pour identifier le modèle le plus performant dans le contexte industriel de la
SCT.

4.4 Préparation des données pour le machine learning

4.4.1 Séparation des données
Le jeu de données est divisé en deux parties :
— Un ensemble d’entraînement (train) contenant 80% des observations,
— Un ensemble de test (test) contenant les 20% restants,
— Cette séparation est faite de façon aléatoire mais stratifiée pour conserver la même proportion d’anomalies
dans les deux ensembles.

4.4.2 Standardisation des variables

Pour certains modèles (notamment SVM et réseaux neuronaux), la standardisation des variables est nécessaire
afin d’éviter que des variables à grande échelle dominent l’apprentissage.
La standardisation se fait par la transformation suivante, pour chaque variable x :
′ x−µ
x = σ

où :
— µ est la moyenne de la variable sur l’ensemble d’entraînement,
— σ est l’écart-type de la variable sur l’ensemble d’entraînement.

4.4.3 Codage de la variable cible

La variable cible y est déjà binaire (0 ou 1), aucune transformation supplémentaire n’est nécessaire.

4.4.4 Variables explicatives sélectionnées

Les variables retenues pour la modélisation sont :
— Pression (bar)
— Température (°C)
— Heures de fonctionnement
— Consommation électrique (kWh)

4.4.5 Forme finale des données

Chaque observation est représentée par un vecteur x ∈ R4 et une étiquette binaire y ∈ {0, 1}.

5
4.5 Entraînement des modèles et évaluation
4.5.1 Modèles sélectionnés
Quatre modèles classiques de classification supervisée ont été retenus pour cette étude :
— Random Forest (RF) : ensemble d’arbres décisionnels, robuste aux données bruitées.
— XGBoost : algorithme de boosting gradient, efficace pour les données tabulaires.
— Support Vector Machine (SVM) : classificateur linéaire ou non-linéaire avec marges maximales.
— Multi-Layer Perceptron (MLP) : réseau de neurones artificiels à couches multiples.

4.5.2 Métriques d’évaluation

Les modèles ont été évalués sur l’ensemble test à l’aide des métriques suivantes :
— Accuracy (Exactitude) : proportion des bonnes classifications.
— Précision : proportion des vrais positifs parmi les prédictions positives.
— Rappel (Recall) : proportion des vrais positifs détectés parmi les positifs réels.
— F1-score : moyenne harmonique entre précision et rappel.
— AUC-ROC : aire sous la courbe ROC, mesure la capacité de discrimination globale.

4.5.3 Résultats synthétiques

Modèle Accuracy Précision Rappel F1-score AUC

Random Forest 93% 90% 81% 90% 0.95
XGBoost 92% 89% 80% 84% 0.93
SVM 91% 88% 79% 83% 0.92
MLP 89% 85% 77% 81% 0.90

Table 6 – Performances comparées des modèles de classification

4.5.4 Analyse de l’importance des variables (exemple RF)

L’analyse d’importance des variables sur le modèle Random Forest révèle :

Variable Importance (%)

Pression (bar) 64.7
Consommation électrique 16.7
Heures de fonctionnement 11.4
Température (°C) 7.1

Table 7 –

4.5.5 Visualisations clés

— Courbes ROC comparant les performances des modèles.
— Courbes précision-rappel adaptées aux déséquilibres éventuels.
— Squatter plots des probabilités prédites selon l’indice d’échantillon.