Valve Condition Prediction

🔧 Predictive Maintenance – Valve Condition Monitoring

📌 Contexte du projet

Ce projet s’inscrit dans un contexte industriel de maintenance prédictive.
L’objectif est de prédire la condition d’une valve hydraulique pour chaque cycle de production à partir de signaux capteurs (pression, débit, température, vibration, etc.).

Le jeu de données provient du UCI Machine Learning Repository :
👉 https://archive.ics.uci.edu/dataset/447/condition+monitoring+of+hydraulic+systems

---

🎯 Objectif

Construire un modèle de Machine Learning capable de prédire si la condition de la valve est :

• Optimale (100%)
• Non optimale

Pour chaque cycle de production :

• Les 2000 premiers cycles sont utilisés pour l’entraînement
• Les cycles restants sont utilisés comme jeu de test final

---

---

📊 Données utilisées

Capteurs exploités

• Pression : PS1 – PS6
• Débit : FS1, FS2
• Température : TS1 – TS4
• Vibration : VS1
• Puissance électrique : EPS1

⚠️ Les variables CP, CE, SE ont été exclues :

Elles décrivent directement l’état du système et introduisent une fuite d’information (data leakage).

Colonne Signification 0 état refroidisseur 1 état valve (%) ← CIBLE 2 fuite pompe 3 accumulateur 4 stabilité

---

⚙️ Méthodologie

1️⃣ Exploration des données

• Analyse des signaux bruts par cycle
• Visualisation des capteurs (pression, débit, température)
• Comparaison signal brut vs moyenne

2️⃣ Feature Engineering

Les signaux haute fréquence sont résumés par cycle à l’aide de statistiques robustes :

• Moyenne
• Écart-type
• Minimum
• Maximum

➡️ Justification :

• Les signaux sont quasi stationnaires par cycle
• Les variations intra-cycle sont faibles
• Réduction drastique de la dimension sans perte d’information critique

3️⃣ Nettoyage & Prétraitement

• Suppression des valeurs aberrantes extrêmes (méthode IQR)
• Analyse des zéros physiques (pression nulle possible)
• Standardisation des features
• PCA appliquée aux capteurs de pression

4️⃣ Modélisation

• Séparation temporelle des données (pas de shuffle)
• Modèles testés :
  • Logistic Regression
  • Random Forest
  • Gradient Boosting

5️⃣ Évaluation

• Accuracy
• Precision / Recall
• F1-score
• Matrice de confusion

---

📈 Résultats

Exemple de résultats obtenus sur le jeu de test :