Approches innovantes pour la prédiction des défaillances mécaniques : modèles de maintenance 4.0 dans l'industrie minière

Elkhenin, Nour (2025). Approches innovantes pour la prédiction des défaillances mécaniques : modèles de maintenance 4.0 dans l'industrie minière. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Depositum. https://depositum.uqat.ca/id/eprint/1702

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

Les convoyeurs de transport de minerais et les camions miniers sont des équipements stratégiques dans l'industrie minière, assurant l’acheminement continu des matériaux extraits à travers les différentes étapes du processus de production. Toutefois, en raison des conditions d’exploitation extrêmes – températures élevées, humidité, terrains accidentés – ces équipements sont particulièrement exposés aux défaillances, pouvant entraîner des interruptions de production coûteuses, des pertes financières et des risques accrus pour la sécurité des travailleurs.

Cette étude propose une approche de maintenance prédictive alliant apprentissage automatique et digitalisation des données industrielles. Deux volets ont été développés : la prédiction des défaillances des convoyeurs et l’optimisation de la maintenance des camions miniers sur Power BI. Dans le premier volet, les
défaillances potentielles des convoyeurs ont été analysées à partir de rapports d’inspection, d’actions correctives et de mesures de capteurs (vibrations, température et vitesse de rotation). Les réseaux de neurones récurrents (RNN) avec couches LSTM ont été utilisés pour la prévision des séries temporelles, tandis que les modèles LOF et IF ont permis d’identifier les anomalies. Les performances des prédictions ont été évaluées via l’erreur quadratique moyenne (RMSE), confirmant l’efficacité des RNN pour anticiper les dysfonctionnements. Le second volet repose sur la digitalisation des données de maintenance des camions miniers grâce à Power BI. Un tableau de bord interactif a été conçu pour structurer et analyser les données
en temps réel, offrant une meilleure visibilité des tendances et optimisant les décisions de maintenance. L’intégration de modèles de prévision tels que HoltWinters a permis d’anticiper les pannes critiques et d’améliorer la gestion des équipements. De plus, l’analyse des tendances a facilité l’optimisation des stocks et des interventions, réduisant ainsi les coûts et minimisant les interruptions des opérations.

Les résultats obtenus démontrent que l’association des modèles prédictifs avancés et des outils de visualisation interactive améliore la prise de décision en maintenance, réduit les interruptions imprévues et contribue à une gestion plus efficace des actifs miniers. Cette approche marque une avancée vers la maintenance intelligente et automatisée dans un environnement industriel exigeant.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur ou directrice de recherche:	Mrad, Hatem
Mots-clés libres:	Défaillances mécaniques, Maintenance prédictive, Réseaux de Neurones Récurrents, Détection d’anomalies, Digitalisation, Power BI
Divisions:	Génie > Maîtrise en ingénierie
Date de dépôt:	08 août 2025 15:09
Dernière modification:	08 août 2025 15:09
URI:	https://depositum.uqat.ca/id/eprint/1702

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt