AI Maintenance — Maintenance Prédictive Industrielle

Vidéo youtube : https://www.youtube.com/watch?v=PuMQiexXr4M&t=1106s

Présentation du projet

Application web de maintenance prédictive pour la surveillance vibratoire des machines tournantes. L'application combine un agent EDA intelligent (analyse exploratoire, prétraitement automatique, narration IA via Claude), un dashboard temps réel (9 piliers KPI, machines à risque, alertes), et 8 sous-pages d'analyse spécialisée (vibratoire ISO 10816/20816, pronostic DRBF, KPIs, parc machines, capteurs IoT, classification VIS).

Le système supporte deux modes : données temps réel depuis la base SQLite (seed automatique) ou analyse de datasets uploadés (CSV, XLSX, TXT, ARFF, ZIP — NASA C-MAPSS, Weka, tabulaires).

Normes implémentées : ISO 10816, ISO 20816, ISO 18436, ISO 13306, NF X 60-020, NF E 60-182.

Lancement rapide

Application web de maintenance prédictive pour la surveillance vibratoire des machines tournantes. L'application combine un agent EDA intelligent (analyse exploratoire, prétraitement automatique, score qualité 0-100, détection outliers IQR, scaler adaptatif, boxplots, narration IA via Claude avec références ISO), un dashboard temps réel (9 piliers KPI, machines à risque, alertes), et 8 sous-pages d'analyse spécialisée (vibratoire ISO 10816/20816 avec calculateur fréquences roulements, pronostic DRBF, KPIs, parc machines, capteurs IoT, classification VIS).

Le système supporte deux modes : données temps réel depuis la base SQLite (seed automatique) ou analyse de datasets uploadés (CSV, XLSX, TXT, ARFF, ZIP — NASA C-MAPSS, Weka, tabulaires).

L'agent EDA est transparent : chaque étape du pipeline est tracée et visible dans l'interface (cards de pipeline, log de transformation, table scaler par colonne, ordre final des colonnes).

Normes implémentées : ISO 10816, ISO 20816, ISO 18436, ISO 13306, ISO 55000, EN 15341, NF X 60-020, NF E 60-182.

Lancement rapide

# 1. Backend
cd backend_data
pip install -r requirements.txt
python -m uvicorn main:app --reload --port 8000

# 2. Frontend (autre terminal)
npm install
npm run dev

Accès : http://localhost:5173

Chatbot RAG local (Docs PDF)

# 0) Extraire les PDFs vers JSON (si pas déjà fait)
python -X utf8 extract_docs.py

# 1) Indexer les documents pour le RAG (à faire au moins une fois)
python index_docs.py

# 2) Lancer le backend API (inclut /api/chatbot/*)
cd backend_data
python -m uvicorn main:app --reload --port 8000

# 3) Lancer le frontend
npm run dev

Variables utiles dans .env :

ANTHROPIC_API_KEY=...
CHROMA_DB_PATH=./chroma_db
EMBEDDING_MODEL=paraphrase-multilingual-MiniLM-L12-v2

Architecture

src/                              # Frontend React + Vite + Recharts
├── App.jsx                       # Routes + DatasetProvider
├── contexts/
│   ├── DatasetContext.tsx         # Contexte global datasets + polling
│   └── ThemeContext.tsx           # Thème clair/sombre
├── hooks/
│   └── useDatasetForPage.ts      # Compatibilité dataset/page
├── components/
│   └── AppLayout/                # Sidebar + sélecteur dataset global
└── pages/
    ├── Dashboard/                # Tableau de bord (5 composants, 9 piliers KPI)
    ├── Donnees/                  # ★ Page principale — 13 composants
    │   └── components/
    │       ├── ChargementPage.tsx        # Upload drag-drop + liste datasets
    │       ├── VueGenerale.tsx           # 5 onglets EDA (Synthèse, Graphiques...)
    │       ├── AnalyseVibratoire.tsx     # ISO 10816/20816, spectre FFT, roulements
    │       ├── PronosticPage.tsx         # DRBF, courbe dégradation, baignoire
    │       ├── KPIsPage.tsx              # 6 KPI, Pareto, radar ateliers, ratios NF
    │       ├── DonneesParc.tsx           # Parc machines (filtres, expansion)
    │       ├── CapteurIoT.tsx            # Capteurs (batterie, types, statuts)
    │       ├── ClassificationVIS.tsx     # VIS (NORMAL/ATTENTION/CRITIQUE/URGENCE)
    │       └── IncompatibleDatasetMessage.tsx
    ├── Predictions/
    ├── Training/
    ├── Models/
    ├── Agents/
    ├── Outils/
    ├── Maintenance/
    └── Parametres/

backend_data/                    # Backend Python FastAPI
├── main.py                      # Point d'entrée, CORS, routes
├── api/
│   ├── donnees.py               # 24 routes (upload, EDA, plots, téléchargement)
│   ├── dashboard.py             # 6 routes (hero KPI, machines, alertes)
│   ├── admin.py                 # 9 routes (entreprise, machines, capteurs)
│   └── maintenance.py           # 6 routes (planning, BTs, stocks)
├── agents/
│   ├── eda_agent.py             # Agent EDA : outlier IQR, scaler adaptatif, score qualité, boxplots, PDF, ingestion dashboard
│   ├── file_parser.py           # Parser multi-format (CSV/XLSX/TXT/ARFF/ZIP)
│   └── dataset_signatures.py    # Signatures types datasets + seuils ISO
├── db/
│   ├── schema.sql               # 1100 lignes — 21 tables + données seed
│   ├── database.py              # Connexion SQLite + get_dataset_paths()
│   └── ai_maintenance.db        # Base de données (générée au 1er lancement)
├── services/                    # Logique métier par module
└── schemas/                     # Modèles Pydantic

generate_datasets/               # Scripts de génération de données test
└── output/                      # 9 datasets CSV prêts à uploader

Pages de l'application

Page	Route	Composants	Description
Dashboard	`/`	5 composants	KPIs temps réel, machines à risque, alertes, fleur 9 piliers
Données — Chargement	`/donnees`	ChargementPage	Upload CSV/XLSX/TXT/ARFF/ZIP, drag-drop, EDA complet : score qualité, outliers IQR, scaler adaptatif, pipeline cards, boxplots
Données — Vue Générale	`/donnees`	VueGenerale	5 onglets EDA : Synthèse, Graphiques, Prétraitement (pipeline structuré + log), Recommandations, Aperçu
Données — Analyse Vibratoire	`/donnees`	AnalyseVibratoire	ISO 10816/20816 (classes I–IV), spectre FFT simulé, Crest/Kurtosis, grille défauts, calculateur fréquences roulements (ISO 18436-3)
Données — Pronostic & DRBF	`/donnees`	PronosticPage	RUL, courbe dégradation, baignoire, distribution RUL
Données — KPIs & Performance	`/donnees`	KPIsPage	6 KPI, évolution temporelle, Pareto, radar ateliers, ratios NF
Données — Parc Machines	`/donnees`	DonneesParc	Tableau filtrable, expansion par machine (capteurs, défauts)
Données — Capteurs IoT	`/donnees`	CapteurIoT	Compteurs, types capteurs, batterie %, statuts
Données — Classification VIS	`/donnees`	ClassificationVIS	NORMAL/ATTENTION/CRITIQUE/URGENCE, histogramme
Predictions	`/predictions`	9 composants	Soumission fichier, modèle, résultats
Training	`/entrainement`	7 composants	Upload dataset, progression, sélection modèle
Models	`/models`	8 composants	Registre, performances, déploiement
Agents	`/agents`	4 composants	Supervision multi-agents
Outils	`/outils`	4 composants	Diagnostic, export, qualité données, logs
Maintenance	`/maintenance`	3 composants	Planning, BTs, stocks pièces
Paramètres	`/parametres`	2 composants	Entreprise, parc machines config

Agent EDA — Pipeline de prétraitement

L'agent exécute automatiquement à chaque upload :

Étape	Action
0	Détection unités dans les noms de colonnes (mm/s, °C, bar, A, %, €, rpm, Hz…)
1	Suppression doublons
2	Drop colonnes constantes/vides
3	Parsing datetime + feature engineering
4	Imputation intelligente (médiane numérique + flag binaire si >5% manquants, mode catégoriel)
5	Encodage automatique : one-hot ≤10 cat, label 10–25, frequency encoding >25
6	StandardScaler ou RobustScaler — adaptatif : RobustScaler `(x−médiane)/IQR` si >10% outliers IQR, StandardScaler `(x−μ)/σ` sinon
7	Conversion booléens → int, suppression colonnes texte résiduelles
📊	Score qualité 0–100 : pénalités valeurs manquantes (−30 max), doublons (−10), outliers IQR moyens (−30), colonnes très asymétriques (−10)
📈	Génération graphiques PNG (distributions, boxplots outliers IQR, corrélation, séries temporelles, vibratoires ISO)
📄	Rapport PDF : score qualité, colonnes enrichies (Q1/Q3/skewness/outliers), table scaler par colonne, pipeline complet
📝	Pipeline trace : `.json` (structuré) + `.txt` (lisible) + export JSON EDA téléchargeable
🤖	Narration IA (Claude) — prompting expert contextualisé par type de données, citations normes ISO, analyse outliers/skewness, recommandations features en 3 blocs
📥	Ingestion automatique dashboard (mesures V-RMS, KPIs journaliers, défauts → BD SQLite)

Prompting IA expert — Contexte par type de données

Le prompt envoyé à Claude est entièrement contextualisé selon le type de dataset détecté. Chaque type injecte des normes ISO spécifiques, un focus d'analyse et des recommandations de features adaptées :

Type détecté	Normes injectées	Focus d'analyse
vibration	ISO 10816-1/3, ISO 20816-1, ISO 18436-2, ISO 13373-1	Colonnes V-RMS, Crest Factor, Kurtosis, BPFO/BPFI/BSF — zones ISO dépassées
kpi	ISO 13306:2017, EN 15341:2019, NF X 60-020	Cohérence KPIs (MTBF, MTTR, disponibilité, OEE), périodes dégradation (<90%)
maintenance	ISO 13306:2017, NF E 60-182, ISO 55000	Défauts répétitifs, distribution interventions, machines chroniques
machine	ISO 55000:2014, ISO 14224:2016, ISO 13306:2017	Santé parc, vieillissement, classe criticité ABC
generic	ISO/IEC 25012, CRISP-DM	Qualité données, corrélations, sélection features

Le prompt injecte également :

Le score qualité (0–100) avec son label (Excellent / Bon / Acceptable / Insuffisant)
Le résumé du choix de scaler colonne par colonne (RobustScaler vs StandardScaler + taux d'outliers)
Les colonnes très asymétriques (|skewness| > 2) signalées pour log-transform
Une structure narrative obligatoire en 5 points + recommandations features en 3 blocs (critiques / dérivées / à exclure)

Backend — Routes API principales

Méthode	Route	Description
`POST`	`/api/donnees/upload`	Upload dataset + lancement EDA
`GET`	`/api/donnees/datasets`	Liste datasets
`GET`	`/api/donnees/datasets/{id}`	Détail dataset + résultats EDA
`GET`	`/api/donnees/datasets/{id}/download/processed`	CSV propre téléchargeable
`GET`	`/api/donnees/datasets/{id}/download/raw`	Fichier brut original
`GET`	`/api/donnees/datasets/{id}/download/report`	Rapport PDF
`GET`	`/api/donnees/datasets/{id}/download/preprocessing-trace`	Trace prétraitement (.txt)
`GET`	`/api/donnees/datasets/{id}/plots`	Liste graphiques PNG
`GET`	`/api/donnees/datasets/{id}/vibration-analysis`	Analyse vibratoire calculée
`GET`	`/api/donnees/datasets/{id}/kpi-analysis`	KPIs calculés
`GET`	`/api/donnees/datasets/{id}/pronostic-analysis`	Pronostic calculé
`GET`	`/api/donnees/pronostic/synthese`	Synthèse pronostic BD
`GET`	`/api/donnees/parc/synthese`	Parc machines BD
`GET`	`/api/donnees/parc/capteurs`	Capteurs IoT BD
`GET`	`/api/dashboard/hero`	KPIs dashboard
`GET`	`/api/dashboard/machines`	Machines à risque
`GET`	`/api/dashboard/categories`	9 piliers KPI

Datasets de test

Fichier	Lignes	Usage
`vibration_monitoring.csv`	2880	Analyse vibratoire (BPFO/BPFI/BSF, roulements)
`maintenance_complete.csv`	600	Dataset complet (vibration + KPI + pronostic + défauts)
`kpi_performance.csv`	200	KPIs & Performance (MTBF, MTTR, OEE, disponibilité)
`pronostic_drbf.csv`	270	Pronostic & DRBF (health_index, RUL)
`alerts_anomalies.csv`	106	Détection anomalies (pattern_detecte, statut)
`daily_kpis.csv`	2420	KPIs journaliers multi-ateliers
`iot_sensors.csv`	—	Capteurs IoT
`machine_health.csv`	—	Santé machines
`maintenance_records.csv`	—	Historique maintenance

Dashboard — Alimentation des données

Le dashboard s'alimente automatiquement :

Au 1er lancement : schema.sql crée les tables et injecte les données seed (12 machines, 18 capteurs, 7 défauts, 30j KPIs, alertes, BTs, pièces)
Script de seed enrichi : generate_datasets/5_dashboard_seed.py injecte 126 capteurs, 48 BTs, 120j KPIs supplémentaires
Ingestion automatique : chaque dataset uploadé avec colonnes vibration/KPI injecte automatiquement mesures + KPIs + défauts dans la BD

Technologies

Domaine	Technologie
Frontend	React 19, Vite 8, TypeScript/JSX, Recharts 3, Tailwind CSS 3, Lucide React
Backend	Python 3.12, FastAPI, SQLite, Pandas, Matplotlib, Seaborn, Scikit-learn, FPDF2
IA / LLM	Claude Sonnet (Anthropic) — prompting expert contextualisé par type (vibration/KPI/maintenance/machine), citations normes ISO, narration EDA + recommandations features en 3 blocs
Parsing	Chardet, openpyxl, liac-arff, zipfile36
Build	Vite, ESLint, PostCSS

Statut

Le projet est en phase de finalisation. Toutes les pages Données (8 sous-pages), le Dashboard (9 piliers), et l'agent EDA (14 étapes : pipeline adaptatif + score qualité + boxplots + prompting ISO expert) sont fonctionnels. Les pages Predictions, Training, Models, Agents, Outils, Maintenance et Paramètres sont en cours.

Contributeurs

HINIMDOU MORSIA GUITDAM — Élève ingénieur IA & Technologie des Données
NANKOULI MARC THIERRY — Élève ingénieur IA & Technologie des Données
DJERI-ALASSANI OUBENOUPOU — Élève ingénieur IA & Technologie des Données

Encadrant : Professeur Zaki

Name		Name	Last commit message	Last commit date
Latest commit History 57 Commits
__pycache__		__pycache__
backend		backend
chroma_db		chroma_db
data/uploads		data/uploads
docs		docs
documentation		documentation
generate_datasets		generate_datasets
public		public
src		src
trained_models		trained_models
.gitignore		.gitignore
CLAUDE.md		CLAUDE.md
DATASET_FEATURES_GUIDE.md		DATASET_FEATURES_GUIDE.md
README.md		README.md
eslint.config.js		eslint.config.js
extract_docs.py		extract_docs.py
generate_donnees_triade.py		generate_donnees_triade.py
generate_parc_vis_capteurs.py		generate_parc_vis_capteurs.py
generate_test_dataset.py		generate_test_dataset.py
index.html		index.html
index_docs.py		index_docs.py
maintenance_complete_test.csv		maintenance_complete_test.csv
package-lock.json		package-lock.json
package.json		package.json
postcss.config.js		postcss.config.js
presentation.md		presentation.md
tailwind.config.js		tailwind.config.js
vite.config.js		vite.config.js

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

AI Maintenance — Maintenance Prédictive Industrielle

Présentation du projet

Lancement rapide

Lancement rapide

Chatbot RAG local (Docs PDF)

Architecture

Pages de l'application

Agent EDA — Pipeline de prétraitement

Prompting IA expert — Contexte par type de données

Backend — Routes API principales

Datasets de test

Dashboard — Alimentation des données

Technologies

Statut

Contributeurs

About

Uh oh!

Releases

Packages

Uh oh!

Contributors

Uh oh!

Languages

Folders and files

Latest commit

History

Repository files navigation

AI Maintenance — Maintenance Prédictive Industrielle

Présentation du projet

Lancement rapide

Lancement rapide

Chatbot RAG local (Docs PDF)

Architecture

Pages de l'application

Agent EDA — Pipeline de prétraitement

Prompting IA expert — Contexte par type de données

Backend — Routes API principales

Datasets de test

Dashboard — Alimentation des données

Technologies

Statut

Contributeurs

About

Topics

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages