Bouraoui Et Al 2017 Red

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/320703965
6 eme journee de la Maintenance Biomédicale (JMB 2017)
Conference Paper · October 2017
CITATIONS READS
0 159
2 authors, including:
Seyfallah Bouraoui
University of Science and Technology Houari Boumediene
20 PUBLICATIONS 26 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
le suivi de la salinité des sols agricoles View project
Checkpoint COVID-19 View project
All content following this page was uploaded by Seyfallah Bouraoui on 29 October 2017.
The user has requested enhancement of the downloaded file.

L’Apprentissage Automatique au Service de la
Maintenance Biomédicale Prédictive ‘What If’
Bouraoui Seyfallahab*, Ghioum Hocineb
a
Université des sciences et de la technologie Houari-Boumédiène,16000,Alger,Algerie.
b
L'Ecole supérieure des techniques aéronautique (ESTA) de Dar El-Beida (Alger).
* [email protected]
Abstract
This paper describes a predictive system based on combination of regular roles and CNN
neural network in order to predict in advance if a faille will accuracy in a healthy device
system. Learning machine system based on a historical data composed from healthy machine
signal failure and temperature with the resistivity factor of components. Complex systems,
involves a complex solution, which is a very complicated issue to answer. The present
solution uses the model from machine learning phase into the simulation phase in order to
anticipate behavior and if so, produce flags of abnormal accurate. The primitive tests show
confident results.
Keywords: Predict in Advance; Machine Learning; Data Mining; Predictive Behavior.
1. Introduction
Dans un système de santé moderne, la machine ne cesse de gagner du terrain en remplaçant
l’humain dans plusieurs de ses actes médicaux programmables. Il est donc important de s’assurer
que la réponse que nous livre cette machine ainsi que son état ne nous induit pas à l’erreur.
La détection précoce ainsi que l'isolement des anomalies des opérations machines notamment
en médecine peuvent aider à réduire les accidents, les temps d'arrêt et ainsi économiser les coûts
opérationnels. L'approche consiste à traiter des mesures en direct à partir d'une opération de système
pour signaler tout comportement inattendu qui indiquerait un défaut nouvellement développé.
Ce type de procédure classique nécessite des interventions humaines régulières ainsi qu’une
analyse de résidu-machine pour maintenir le fonctionnement du système.
La complexité d’un tel mécanisme est due à la fois à la complexité matérielle de la machine
(installation ainsi que les nombreux composants électroniques et leurs connexions), ainsi qu’à la
complexité de la topologie de connexion entre les différentes installations. Il est donc primordial de
prévoir la panne et la corriger avant sa propagation et de préférence avant même que cela se
produise [1].
Dans un système de santé, le patient est au centre d'intérêt. L’état de l'équipement médical
ainsi que son historique (de maintenance et de pannes) constituent un facteur déterminant allant de
1
6éme Journée de Maintenance Biomédicale (JMB2017), Hopital Central de l’Armée,
‘Dr Mohamed Seghir Nekkache Alger, 19 Oct. 2017
la gestion du fichier D.E.M jusqu’à la surveillance et le suivi et de l’état du sujet pour assurer une
bonne prise de décision par le médecin garent. Cela n'est pas sans rappeler la nécessité de maintenir
le bon fonctionnement des appareilles médicaux et le cas échinant, instaurer un mécanisme fiable
pour prévoir la panne matérielle et logiciel afin d’assurer le bon déroulement et le bon
fonctionnement du système de santé en général.
1.1 Résultats préliminaire :

L’objectif est qu’à partir d’une base de données regroupant l’historique des pannes de chaque
composant sur une durée de trois ans, de prévoir la prochaine panne et ainsi anticiper son
remplacement. En se basant sur le principe de la modalisation et la simulation des comportements
anormaux, et générer des drapeaux de signalisation au besoin. Trois paramètres ont servi pour cette
étude à savoir, la résistance, la température et la conductivité.
(a)
(b)
(c)
2
(d)
Figure 4. (a) et (b) illustres les inputs du système. (c) les résidus.(d) la comparaison entre les
temps de réponses.
Différence entre le model de l’apprentissage et l’actuel model
Figure . Montre la différence entre le model actuel et celui obtenu de l’apprentissage.
2. Conclusion :
Nous avons proposé un système de prédiction des pannes basé sur la combinaison des
connaissances (modèle d’apprentissage) et les règles d’inductions. Le modèle produit servira dans
la simulation (modèle prédictif) afin de prévoir la prochaine panne. Plusieurs modèles
d’apprentissage se sont générés en se basant ces règles et le principe de généralisation des CNN.
Nous choisissions le meilleur modèle qui réduit le mieux l’erreur d’apprentissage. Ce dernier est
utilisé dans le processus de simulation afin de prédire la prochaine faille système. Nous avons ainsi
pu détecter correctement la faille avec notre modèle et ainsi proposer une date de révision pour le
matériel.
REFERENCES
1.
David Willingham, Predictive Maintenance using simulation &Machine learning. Inc.© 2016
The MathWorks.
2.
Dan Ciresan, Üli Meier, Jonathan Masci, Luca M. Gambardella et Jurgen Schmidhuber, «
Flexible, High Performance Convolutional Neural Networks for Image Classi ﬁcation »,
Proceedings of the Twenty-Second international joint conference on Artificial Intelligence-
Volume Volume Two, vol. 2, 2011, p. 1237–1242.
3.
Boi Faltings et Michael Schumacher. L’intelligence artificielle par la pratique. ISBN 978-
3
88074-764-0 Presses polytechniques et universitaires romandes, 2009.

4.
T. AL ANI, Laboratoire A2SI-ESIEE-Paris.Introduction au diagnostic des défaillances.
A2SI-ESIEE. Paris01/10/2006.
.
View publication stats

Bouraoui Et Al 2017 Red

Transféré par

Droits d'auteur :

Formats disponibles

Bouraoui Et Al 2017 Red

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Bouraoui Et Al 2017 Red

Transféré par

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

6 eme journee de la Maintenance Biomédicale (JMB 2017)

Conference Paper · October 2017

le suivi de la salinité des sols agricoles View project

Checkpoint COVID-19 View project

The user has requested enhancement of the downloaded file.

Keywords: Predict in Advance; Machine Learning; Data Mining; Predictive Behavior.

1.1 Résultats préliminaire :

Différence entre le model de l’apprentissage et l’actuel model

Figure . Montre la différence entre le model actuel et celui obtenu de l’apprentissage.

88074-764-0 Presses polytechniques et universitaires romandes, 2009.

View publication stats

Vous aimerez peut-être aussi