Please use this identifier to cite or link to this item: http://archives.univ-biskra.dz/handle/123456789/28535
Full metadata record
DC FieldValueLanguage
dc.contributor.authorDRICI Djalel-
dc.date.accessioned2024-03-20T11:03:24Z-
dc.date.available2024-03-20T11:03:24Z-
dc.date.issued2023-
dc.identifier.urihttp://archives.univ-biskra.dz/handle/123456789/28535-
dc.descriptionAutomatiqueen_US
dc.description.abstractNous avons présenté une nouvelle approche basée sur l'utilisation d'une méthode guidée par les données pour le pronostic des défauts. Cette méthode requiert des données décrivant le processus de dégradation. Lorsque les données sont insuffisantes, la prédiction des états devient difficile avec les modèles profonds de type mémoire à long terme (LSTM), qui nécessitent une quantité importante de données d'apprentissage. Pour résoudre ce problème de rareté des données dans la prédiction de la durée de vie restante (RUL), nous proposons d'adopter une stratégie d'augmentation des données. Les résultats obtenus sont démontrent que l'application d'une stratégie d'augmentation des données, peut améliorer les performances de prédiction de la RUL en utilisant les techniques LSTM. Nous avons validé cette approche en utilisant les données de la NASA Commercial Modular Aero-Propulsion System Simulation (C-MAPPS)en_US
dc.language.isofren_US
dc.publishermohamed khider university biskraen_US
dc.subjectRULen_US
dc.subjectPronostic de Défaut,en_US
dc.subjectDiagnostic de Défauten_US
dc.subjectApprentissage Profonden_US
dc.subjectPrédiction, LSTMen_US
dc.titleContribution au pronostic de défaut dans les systèmes complexes par les techniques intelligentesen_US
dc.typeThesisen_US
Appears in Collections:Département de Génie Electrique

Files in This Item:
File Description SizeFormat 
DRICI _JALEL.pdf10,15 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.