Compétences nécessaires pour intégrer l’utilisation de l’apprentissage automatique en techniques de maintenance industrielle

Célestin, David (2026). Compétences nécessaires pour intégrer l’utilisation de l’apprentissage automatique en techniques de maintenance industrielle. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

L’utilisation des données et de l’intelligence artificielle occupe une place de plus en plus importante dans le secteur manufacturier au Québec. Pour répondre aux besoins de l’industrie, il est essentiel de mettre de l’avant une culture de collecte et d’analyse des données. Actuellement, la formation des technologues en maintenance industrielle ne comporte pas de compétences liées aux technologies numériques ou à l’analytique des données. Parmi les technologies ayant un impact sur le rôle du technologue, on note l’internet des objets, les données de masse et l’intelligence artificielle, car ces technologies sont au cœur des machines connectées. Dans cette étude, une pompe centrifuge est utilisée afin de déterminer comment mettre en place un premier projet d’analyse de données industrielles. L’objectif de ce projet est de déterminer comment intégrer les compétences en apprentissage automatique dans la formation en maintenance industrielle pour effectuer de la détection d'anomalies. Cette étude consiste à : (1) répertorier quels outils d’apprentissage automatique permettent de s’initier à la détection d’anomalies, (2) cartographier les compétences nécessaires pour exploiter ces outils, (3) proposer une démarche visant à intégrer les nouvelles compétences dans la formation des technologues et (4) établir une grille diagnostique afin d’adapter la formation selon les besoins. Cette étude est basée sur le développement d’un pipeline complet, à partir d’un système mécanique. L’objectif est de collecter des données de fonctionnement pour bâtir un jeu de données, alimenter un algorithme d’apprentissage automatique pour faire de la détection d’anomalies et faire des inférences sur le système, afin de déterminer son état de fonctionnement. Cette étude propose donc, une méthode simplifiée et peu coûteuse pour réaliser un premier projet d’apprentissage automatique en maintenance industrielle. Les résultats de ce travail visent à permettre aux étudiants de s’initier aux concepts liés à l’apprentissage automatique et d’intégrer l’utilisation des nouveaux outils dans leur pratique professionnelle. Ces nouvelles compétences ont le potentiel de moderniser le programme de TMI, de répondre aux besoins de l’industrie en ce qui a trait à l’utilisation des technologies numériques et de pallier partiellement le manque de main-d’œuvre en maintenance. L’étude consiste à collecter un jeu de données indiquant l’état de fonctionnement d’une pompe, pour faire la détection d’anomalies. La méthodologie proposée nécessite de maîtriser de nouvelles compétences pour que le technologue soit en mesure de collaborer avec des experts en analytique. Les recommandations sont regroupées dans un tableau comparatif indiquant les compétences à ajouter à la formation du technologue pour y arriver.

Titre traduit

Implementation of machine learning for anomaly detection in industrial maintenance technology

Résumé traduit

Data science and artificial intelligence is becoming increasingly important in Quebec manufacturing industry. In order to address this business requirement, it is necessary to adopt a culture of data science. At the moment, the industrial maintenance program does not include core competencies in the field of data science or digital transformation. Within technologies that can have a significant impact on the role of the industrial maintenance technician, we can note internet of things, big data, and artificial intelligence since they are at the heart of connected machines. In this study, a centrifugal pump is used to build a proof of concept to test an industrial data analysis approach. The main objective of this study is to introduce machine learning core competencies in the industrial maintenance program and apply anomaly detection algorithm to a maintenance problem. This study aims to : (1) list which machine learning tools can be used as an introduction to anomaly detection, (2) map the necessary core competencies needed to use theses tools, (3) develop an approach to introduce those new competencies in the industrial maintenance program, (4) develop a diagnostic chart to adapt the training program and add the required competencies to the curriculum. This study is based on the development of a complete pipeline applied to a mechanical system. The objective is to collect data from the pump to build a dataset, feed an anomaly detection algorithm with the data and run inferences on the system to determine its condition by using the data. This study proposes a simple and affordable methodology to test a proof of concept and experiment with anomaly detection for an industrial maintenance problem. The result of his work is intended to give the technicians the ability to use the concepts behind machine learning and use associated tools in their future careers. These new competencies could modernize the current industrial maintenance program and answer the business needs for integration of digital technologies and partially relief the need for maintenance technicians. In this study, a dataset that represent working conditions of a pump is collected to perform anomaly detection. The proposed methodology requires to master new machine learning core competencies for the technician to be able to cooperate with data science experts. Recommendations are grouped in a table indicating the core competencies to add to the industrial maintenance program.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en gestion de l'innovation". Comprend des références bibliographiques (pages 126-128).
Mots-clés libres:	détection d’anomalies, apprentissage automatique, maintenance industrielle, détection des défaillances, pompe, conditions de fonctionnement, signaux, séries temporelles, algorithme, industrie 4.0, internet des objets industriels, analyse de données
Directeur de mémoire/thèse:	Directeur(-trice) Rioux, Michel
Codirecteur:	Codirecteur(-trice) de mémoire/thèse Wong, Tony
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	04 mai 2026 19:15
Dernière modification:	04 mai 2026 19:15
URI:	https://espace.etsmtl.ca/id/eprint/3884

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt