La détection des défauts électriques dans le réseau du tramway de Mostaganem par les méthodes de l’intelligence artificielle

Abstract

Dans ce mémoire, nous explorons l'application de l'intelligence artificielle (IA)pour la détection précoce et la classification des défauts électriques dans les systèmes de tramway. L'objectif est d'améliorer la maintenance préventive et d'assurer la sécurité et la fiabilité des opérations. Nous avons développé un système basé sur des techniques d'apprentissage automatique et de traitement du signal pour analyser les données électriques provenant des équipements de tramway. Des algorithmes avancés tels que les réseaux de neurones profonds ont été utilisés pour détecter et classifier les anomalies électriques. Nos résultats montrent que l'approche basée sur l'IA peut identifier avec précision une gamme de défauts électriques, y compris les courts- circuits, les variations de tension et les anomalies de courant. Nous avons obtenu une précision de détection de 99.0 %, démontrant l'efficacité du système proposé. La discussion met en lumière l'importance de la détection précoce des défauts électriques pour prévenir les pannes et réduire les coûts de maintenance. Nous discutons également des défis rencontrés et des améliorations potentielles pour une mise en oeuvre plus large de cette technologie dans d'autres systèmes de transport. Les implications pratiques incluent la réduction des temps d’arrêt non planifiés, l'optimisation des calendriers de maintenance et l'amélioration globale de la fiabilité des services de tramway. Nous recommandons de continuera développer et à affiner les modèles d'IA pour une détection encore plus précise et rapide des défauts électriques. Des collaborations avec l'industrie et Les autorités de transport sont également recommandées pour une mise en oeuvre Réussie à grande échelle. En conclusion, ce mémoire montre que l'intelligence artificielle offre une solution prometteuse pour améliorer la gestion des défauts électriques dans les tramways. L’application de ces technologies peut conduire à une meilleure disponibilité des véhicules et à une sécurité accrue pour les passagers et les opérateurs. Mots clés : Les Défaut électrique, Tramway Mostaganem, l’intelligence artificielle, Poste Haute tension, Le linge arien de contact. SUMMARY In this dissertation, we explore the application of artificial intelligence for early detection and classification of electrical faults in tram systems. The objective is to improve preventive maintenance and ensure the safety and reliability of operations. We developed a system based on machine learning and signal processing techniques to analyze electrical data from tram equipment. Advanced algorithms such as deep neural networks have been used to detect and classify electrical anomalies. Our results show that the AI-based approach can accurately identify a range of electrical faults, including short circuits, voltage variations and current anomalies. We obtained a detection accuracy of 99.0%, demonstrating the effectiveness of the proposed system. The discussion highlights the importance of early detection of electrical faults to prevent breakdowns and reduce maintenance costs. We also discuss the challenges faced and potential improvements for broader implementation of this technology in other transportation systems. Practical implications include reducing unplanned downtime, optimizing maintenance schedules and overall improving the reliability of tram services. We recommend continuing to develop and refine AI models for even more accurate and rapid detection of electrical faults. Collaborations with industry and transport authorities are also recommended for successful large-scale implementation. In conclusion, this thesis shows that artificial intelligence offers a promising solution to improve the management of electrical faults in tramways. The application of these technologies can lead to improved vehicle availability and increased safety for passengers and operators.

Keywords : Electrical faults, Mostaganem tramway, artificial intelligence, high voltage substation, air contact linen.

ملخص نستكشف في هذا البحث تطبيق الذكاء الاصطناعي في الاكتشاف المبكر وتصنيف الأعطال الكهربائية في أنظمة التزام والهدف هو تحسين الصيانة الوقائية وضمان سلامة وموثوقية العمليات . قمنا بتطوير نظام يعتمد على تقنيات التعلم الآلي ومعالجة الإشارات لتحليل البيانات الكهربائية من معدات التزام. تم استخدام الخوارزميات المتقدمة مثل الشبكات العصبية العميقة لاكتشاف وتصنيف الشذوذات الكهربائية . تظهر نتائجنا أن النهج القائم على الذكاء الاصطناعي يمكن أن يحدد بدقة مجموعة من الأعطال الكهربائية، بما في ذلك الدوائر القصيرة، وتغيرات الجهد، والشذوذات الحالية. لقد حصلنا على دقة كشف قدرها 99.0 %، مما يدل على فعالية النظام المقترح . وتسلط المناقشة الضوء على أهمية الكشف المبكر عن الأعطال الكهربائية لمنع الأعطال وتقليل تكاليف الصيانة. نناقش أيضًا التحديات التي نواجهها والتحسينات المحتملة للتنفيذ الأوسع لهذه التكنولوجيا في أنظمة النقل الأخرى وتشمل الآثار العملية تقليل أوقات التوقف غير المخطط لها، وتحسين جداول الصيانة، وتحسين موثوقية خدمات التزام بشكل عام . نوصي بمواصلة تطوير نماذج الذكاء الاصطناعي وتحسينها لاكتشاف الأعطال الكهربائية بشكل أكثر دقة وسرعة. ويوصى أيضًا بالتعاون مع سلطات الصناعة والنقل من أجل التنفيذ الناجح على نطاق واسع . وفي الختام، تبين هذه الأطروحة أن الذكاء الاصطناعي يقدم حلاً واعداً لتحسين إدارة الأعطال الكهربائية في خطوط التزام. يمكن أن يؤدي تطبيق هذه التقنيات إلى تحسين توفر المركبات وزيادة السلامة للركاب والمشغلين .

الكلمات المفتاحية : الأعطال الكهربائية، ترام مستغانم، الذكاء الاصطناعي، محطة الجهد العالي، الكتان الملامس للهواء.