Joseph Fernand OGODJA

Développement d’une plateforme pour la gestion des signaux liés aux défauts de roulements dans les essieux des trains à grande vitesse Contexte Avec l’augmentation des volumes de données issues des capteurs industriels, il est nécessaire de développer des outils intelligents capables d’acquérir, traiter et analyser ces données en temps réel. Ce projet vise à concevoir une plateforme intégrée pour collecter les signaux de vibration et acoustiques et les classifier automatiquement à l’aide de modèles de machine learning pour identifier les défauts des roulements. Ce sujet s'inscrit dans le cadre du projet MARAIL (Maintenance et Réparation Assistées par l'IA pour l'Industrie Ferroviaire Marocaine), une collaboration entre l'École Centrale Casablanca, à travers son Centre de Recherche Systèmes Complexes et Interactions, et l’entreprise SIANA. Ce projet vise à intégrer des solutions innovantes basées sur l'IA et les nouvelles technologies pour l'industrieferroviaire au Maroc. Objectifs 1. Concevoir une plateforme intelligente pour l’acquisition des signaux (vibrations et acoustiques) 2. Implémenter un pipeline complet de traitement des signaux : filtrage, extraction des caractéristiques, et normalisation 3. Développer des modèles de classification basés sur le machine learning (par exemple : SVM, Random Forest, ou réseaux de neurones) 4. Valider la plateforme sur des données expérimentales ou simulées pour classifier les défauts typiques des roulements. Méthodologie 1. Étude des techniques d’acquisition de signaux en temps réel et des protocoles associés 2. Implémentation de techniques d’extraction de caractéristiques adaptées aux signaux de vibration et acoustiques (e.g., analyse spectrale, décomposition en ondelettes) 3. Développement et entraînement des modèles de machine/deep/transfer learning pour classifier les défauts en différentes catégories (interne, externe, cage, bille) 4. Tests et optimisation de la plateforme pour garantir sa robustesse et sa précision

Développement d’une plateforme pour la gestion des signaux liés aux défauts de roulements dans les essieux des trains à grande vitesse Contexte Avec l’augmentation des volumes de données issues des capteurs industriels, il est nécessaire de développer des outils intelligents capables d’acquérir, traiter et analyser ces données en temps réel. Ce projet vise à concevoir une plateforme intégrée pour collecter les signaux de vibration et acoustiques et les classifier automatiquement à l’aide de modèles de machine learning pour identifier les défauts des roulements. Ce sujet s'inscrit dans le cadre du projet MARAIL (Maintenance et Réparation Assistées par l'IA pour l'Industrie Ferroviaire Marocaine), une collaboration entre l'École Centrale Casablanca, à travers son Centre de Recherche Systèmes Complexes et Interactions, et l’entreprise SIANA. Ce projet vise à intégrer des solutions innovantes basées sur l'IA et les nouvelles technologies pour l'industrieferroviaire au Maroc. Objectifs 1. Concevoir une plateforme intelligente pour l’acquisition des signaux (vibrations et acoustiques) 2. Implémenter un pipeline complet de traitement des signaux : filtrage, extraction des caractéristiques, et normalisation 3. Développer des modèles de classification basés sur le machine learning (par exemple : SVM, Random Forest, ou réseaux de neurones) 4. Valider la plateforme sur des données expérimentales ou simulées pour classifier les défauts typiques des roulements. Méthodologie 1. Étude des techniques d’acquisition de signaux en temps réel et des protocoles associés 2. Implémentation de techniques d’extraction de caractéristiques adaptées aux signaux de vibration et acoustiques (e.g., analyse spectrale, décomposition en ondelettes) 3. Développement et entraînement des modèles de machine/deep/transfer learning pour classifier les défauts en différentes catégories (interne, externe, cage, bille) 4. Tests et optimisation de la plateforme pour garantir sa robustesse et sa précision

𝐂𝐨𝐧𝐭𝐞𝐱𝐭𝐞: Sapress, une société de distribution de presse réorientée dans la messagerie a mis en place un système de rémunération basé sur la performance de ses collaborateurs. Le suivi de cette performance nécessite la collection de la data disponibles sur des systèmes différents. 𝐏𝐫𝐨𝐛𝐥𝐞́𝐦𝐚𝐭𝐢𝐪𝐮𝐞: - Difficulté de collecte des données liées à la performance des collaborateurs - Difficulté de suivi journalier des KPI. 𝐄𝐧𝐣𝐞𝐮𝐱: -La performance des collaborateurs -La réussite du système de rémunération variable. 𝐎𝐛𝐣𝐞𝐜𝐭𝐢𝐟: - Proposer une solution innovante à mettre à la disposition des responsables pour suivre la performance de leurs collaborateurs - La solution est à proposer pour les processus supports, métiers et de management. 𝐋𝐢𝐯𝐫𝐚𝐛𝐥𝐞: Outil de suivi de la performance.

Développement applicatif avec MongoDB, Express.JS, React.JS et Node.JS

Suggestions d'achats à partir de données endogènes et exogènes des clients