Maintenance prédictive basée sur les données : un cadre à double étude de cas pour l’exploitation minière souterraine et les systèmes de pompes industrielles

Mohammadi Aghbash, Aynaz (2025). Maintenance prédictive basée sur les données : un cadre à double étude de cas pour l’exploitation minière souterraine et les systèmes de pompes industrielles. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Depositum. https://depositum.uqat.ca/id/eprint/1897

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

RÉSUMÉ

Ce mémoire présente un cadre méthodologique fondé sur l’analyse des données pour la maintenance prédictive des systèmes industriels, à travers deux études de cas complémentaires combinant simulation et données industrielles réelles. L’objectif est de démontrer comment les techniques d’apprentissage automatique et d’analytique avancée peuvent améliorer la prise de décision en maintenance et la fiabilité des équipements dans des environnements mécaniques complexes.

La première étude de cas porte sur les opérations minières souterraines, un contexte marqué par une disponibilité limitée de données historiques. Afin de répondre à cette contrainte, un cadre basé sur la simulation est développé pour générer des données opérationnelles synthétiques représentatives des processus miniers. Ces données sont utilisées pour modéliser le comportement des systèmes, identifier des schémas de dégradation et évaluer des stratégies de maintenance prédictive dans des environnements à faible volume de données.

La seconde étude de cas concerne une application industrielle réelle dans le domaine de la fabrication et de la réparation de pompes. L’analyse s’appuie sur des données hétérogènes issues des systèmes ERP, des journaux de maintenance, du contrôle qualité et des transactions commerciales. Des méthodes d’apprentissage non supervisé, incluant K-Means, DBSCAN et les modèles de mélanges gaussiens, sont appliquées afin de réaliser le profilage des clients et d’identifier des segments pertinents pour la planification de la maintenance.

Les résultats conduisent à la proposition d’un cadre intégré reliant la performance des équipements aux profils comportementaux des clients, soutenant une transition vers une maintenance proactive guidée par les données.

ABSTRACT

This thesis presents a dual-case analytical framework for predictive maintenance in industrial systems, addressing two distinct data realities: synthetic simulation in underground mining and real-world enterprise data in pump manufacturing. The research applies the CRISP-DM methodology to ensure systematic development, from data preparation to modeling and evaluation.

In the first case study, a modular synthetic data environment was developed to simulate operational subsystems in underground mining, including equipment maintenance, environmental conditions, ground support, and incident communication. The simulation architecture enabled the design and testing of predictive logic, anomaly detection, and safety dashboards in a data-constrained environment, offering a foundation for the future deployment of intelligent automation systems. The second case study focuses on customer profiling and predictive maintenance using historical repair, sales, and cost data from an industrial pump manufacturer. After rigorous data preprocessing and feature engineering, unsupervised learning algorithms; K-Means, DBSCAN, and Gaussian Mixture Models, were used to segment clients based on behavioral indicators such as repair frequency, monetary impact, and usage patterns. The resulting classifications enabled strategic insights for maintenance planning, resource allocation, and data governance.

This work contributes to the field of intelligent maintenance systems by demonstrating that actionable insights can be derived even in the absence of real-time sensor data or in the presence of fragmented records. The proposed framework emphasizes data quality, interpretability, and scalability, supporting industrial applications where predictive maintenance must be both technically grounded and behaviorally informed.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur ou directrice de recherche:	Mrad, Hatem
Codirecteurs de mémoire/thèse:	Ahabchane, Chahid
Mots-clés libres:	Maintenance prédictive; Analyse de données industrielles; Apprentissage automatique; Profilage client; Clustering; Predictive maintenance; Data processing; Underground mining systems; Customer profiling; K-Means; DBSCAN; Gaussian Mixture Model (GMM); CRISP-DM; Intelligent maintenance systems.
Divisions:	Génie > Maîtrise en ingénierie
Date de dépôt:	08 oct. 2026 12:55
Dernière modification:	09 oct. 2026 12:00
URI:	https://depositum.uqat.ca/id/eprint/1897

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt