Retour aux projets
PredictMOP, maintenance prédictive

5
modèles comparés
ISO
sévérité vibratoire
| Problème | Les arrêts imprévus étaient détectés tard : vibrations et images thermiques étaient revues à la main, sans critère de sévérité commun. |
|---|---|
| Solution | Modèles de Machine Learning (Random Forest, Gradient Boosting, XGBoost, Ridge, ElasticNet) avec détection d'anomalies Isolation Forest, filtre de Kalman et nettoyage IQR validés par k-fold ; vision par ordinateur (ORB, homographie, RANSAC) lisant la température des thermographies ; sévérité vibratoire ISO et tableau de santé des actifs sur FastAPI et PostgreSQL. |
| Résultats | Alertes précoces sur l'état des équipements et une seule vue de sévérité et criticité pour décider où intervenir d'abord. |
| Technologies | Python, scikit-learn, XGBoost, OpenCV, FastAPI, PostgreSQL |
