Méthodes d'intelligence artificielle appliquées au diagnostic de défauts

Abstract

Ce mémoire aborde le diagnostic de défauts en utilisant des techniques d'intelligence artificielle, notamment qui sont en relation avec l'algorithme des k-plus proches voisins (kNN) et les méthodes de clustering C-means et Fuzzy C-means. L'objectif principal de cette étude est d'améliorer l'efficacité de l’approche diagnostic pour la prédiction des éventuels défauts dans les systèmes industriels en exploitant la puissance de l'intelligence artificielle. Tout d’abord, le diagnostic de défauts basé sur l'approche conventionnelle KNN est considéré comme un problème exclusivement de classification, ce qui limite sa capacité à détecter des types de défauts spécifiques. La méthode étudiée dans ce mémoire consiste à la ré-exploration de l'algorithme KNN dans le but d'effectuer un diagnostic prédictif des défauts. Ainsi, les problèmes liés à sa complexité de calcul et sa consommation de l'espace mémoire sont améliorés en le combinant avec les méthodes de clustering C-moyen et C-moyen flou