Diagnostic de la défaillance d'un moteur par méthode du deep learning
| dc.contributor.author | Laidi Mira | |
| dc.contributor.author | Alili Asma | |
| dc.contributor.author | Saidi Rokaia | |
| dc.contributor.author | Hraiz Safia | |
| dc.contributor.author | ENCA/Mostafa tabbakh | |
| dc.date.accessioned | 2024-12-03T08:38:11Z | |
| dc.date.available | 2024-12-03T08:38:11Z | |
| dc.date.issued | 2024-12-03 | |
| dc.description.abstract | La machine asynchrone est largement utilisée dans l'industrie en raison de sa résistance, de son coût et de sa maintenance réduits. Cependant, elle peut être sujette à de nombreuses pannes électriques ou mécaniques pendant son fonctionnement, nécessitant une détection précoce. Cela a conduit à l'utilisation de plusieurs méthodes de diagnostic permettant d'identifier et de classifier les pannes, y compris l'utilisation de techniques d'intelligence artificielle et de réseaux de neurones artificiels. L'objectif de ce travail est de diagnostiquer les pannes de la machine asynchrone à cage d'écureuil (rupture des barres du rotor) en utilisant des techniques de réseaux de neurones artificiels. Nous avons développé un modèle de réseau neuronal pour détecter et classifier les pannes, puis avons réalisé des tests pour vérifier la validité de ce modèle de réseau neuronal. | |
| dc.identifier.issn | EL/2024 | |
| dc.identifier.uri | https://dspace.univ-msila.dz/handle/123456789/45069 | |
| dc.language.iso | fr | |
| dc.publisher | University of M'sila | |
| dc.relation.ispartofseries | 2024 | |
| dc.title | Diagnostic de la défaillance d'un moteur par méthode du deep learning | |
| dc.type | Thesis |