Please use this identifier to cite or link to this item:
http://dspace.centre-univ-mila.dz/jspui/handle/123456789/5022Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Raid Abde Sabour , BOULEKCHOUR , LAOUAR , KIAS Moataz Billah , Abderrahamane | - |
| dc.date.accessioned | 2026-10-18T09:58:28Z | - |
| dc.date.available | 2026-10-18T09:58:28Z | - |
| dc.date.issued | 2026-06 | - |
| dc.identifier.citation | Electromechanics | en_US |
| dc.identifier.uri | http://dspace.centre-univ-mila.dz/jspui/handle/123456789/5022 | - |
| dc.description | Notre projet a mis au point un système innovant de maintenance prédictive, caractérisé par son faible coût, qui vise à surveiller en continu et en temps réel les défaillances des machines électriques tournantes. Le système poursuit deux objectifs principaux : réduire les temps d'arrêt industriels imprévus et limiter les remplacements préventifs de pièces qui ne sont pas réellement nécessaires, ce qui permet d'économiser des ressources. Le prototype du système repose sur un module de traitement de type ESP32 fonctionnant comme un « noeud périphérique », c'est-à-dire qu'il traite les données localement sans avoir recours à des serveurs externes. Ce module collecte ses données à partir de trois capteurs principaux : l'accéléromètre MPU6050 pour la surveillance des vibrations ; un capteur de température DS18B20 pour surveiller la température ; un capteur de courant ACS712 pour surveiller le courant électrique.Au lieu d'envoyer les données brutes à un tiers pour analyse, celles-ci sont traitées directement au sein même du microcontrôleur, où le système calcule des indicateurs statistiques actualisés, tels que l'écart-type dans des fenêtres temporelles glissantes et la valeur efficace (RMS). Ces indicateurs sont ensuite utilisés comme entrées pour un moteur de règles logiques conçu, hiérarchisé et calibré à partir de données expérimentales réelles.Afin d'évaluer les performances du système, celui-ci a été testé dans plusieurs conditions de fonctionnement différentes, notamment : fonctionnement normal, surcharge, déséquilibre structurel et pannes de roulements. Les résultats ont démontré une grande capacité à détecter et à classer les défaillances avec précision.Sur la base de ces résultats, le projet conclut que les systèmes de diagnostic des défaillances peuvent être efficaces, faciles à mettre en oeuvre et onctionner de manière entièrement automatisée, ce qui les rend aptes à être déployés en toute confiance au sein des écosystèmes de l'« Industrie 4.0 ». | en_US |
| dc.description.abstract | This project presents an innovative, low-cost predictive maintenance system for the continuous, real-time monitoring of faults in rotating electrical machinery. The system addresses two principal objectives: minimising unplanned industrial downtime and eliminating unnecessary preventive part replacements, thereby conserving resources.The prototype is built around an ESP32 microcontroller operating as an edge node, processing data locally without reliance on external servers. Three sensors capture the operational parameters: an MPU6050 accelerometer to monitor vibration; a DS18B20 sensor to monitor temperature; and an ACS712 module to monitor electrical current.Rather than offloading raw data to an external party for analysis, the data is processed directly within the microcontroller, which calculates rolling statistical metrics such as moving-window standard deviations and root-mean-square (RMS) values. These metrics serve as inputs to a prioritised, rule-based engine calibrated using experimental data.System performance was evaluated across several operating conditions, including normal operation, overload, structural imbalance, and bearing faults. The results demonstrate high detection accuracy and reliable diagnostic classification, confirming that accessible, fully automated fault-diagnosis systems can be reliably deployed within Industry 4.0 frameworks | en_US |
| dc.language.iso | en | en_US |
| dc.publisher | university of mila | en_US |
| dc.title | Predictive Maintenance of Electrical Machines | en_US |
| dc.type | Thesis | en_US |
| Appears in Collections: | Science and technology | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Predictive Maintenance of Electrical Machines.pdf | 2,76 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.