📦 Fiche Produit – Analyseur de Maintenance Prédictive

🔹 Fonctionnalités principales

• Simulation de données de vibrations : génère des signaux réalistes pour plusieurs machines (normales et défectueuses).
• Analyse fréquentielle par FFT : extrait automatiquement des caractéristiques clés (fréquences de pic, puissance par bande, centroïde spectral, rolloff spectral).
• Réduction de dimensionnalité (ACP/PCA) : simplifie les données en conservant 95 % de la variance.
• Clustering automatique (K-Means) : classe les machines en deux catégories (normales vs suspectes/défaillantes).
• Visualisation complète :
  • Signaux temporels (comparaison machine normale vs défaillante)
  • Spectres de fréquence
  • Carte de chaleur des caractéristiques
  • Variance expliquée par l’ACP
  • Projection 2D des données en espace réduit
  • Répartition des clusters (machines normales vs défectueuses)
• Rapport automatique : synthèse du nombre de machines normales, suspectes, taux d’anomalie détecté et variance conservée.

🔹 Cas d’usage

• Industrie manufacturière : détecter à l’avance les anomalies sur des moteurs, pompes ou turbines.
• Maintenance ferroviaire : analyser les vibrations des trains et anticiper les défauts mécaniques.
• Énergie & production : surveiller les générateurs, compresseurs ou machines de production continue.
• Recherche & formation : démonstration pédagogique d’un pipeline complet de maintenance prédictive avec simulation, analyse et visualisation.
• Prototypage R&D : tester de nouveaux algorithmes de diagnostic en s’appuyant sur des données simulées.

🔹 Besoins pour l’utilisation

• Environnement logiciel :
  • Python 3.8 ou plus
  • Bibliothèques : numpy, matplotlib, scipy, scikit-learn, pandas
• Compétences requises :
  • Connaissance de base en Python
  • Notions en traitement du signal et machine learning (FFT, PCA, clustering)
• Matériel nécessaire :
  • Ordinateur standard (pas besoin de GPU, script léger)
  • Possibilité d’intégrer à des capteurs réels si l’on veut remplacer la simulation par des données machines.
  • en licence MIT