Applications de machine learning à la gestion des maintenances des générateurs chez Hélios Towers DRC

Sylvestre Ngoy Mulopwe; Joseph Kalumbu Kafwanda; Trésor Muhomba Olomani; Georges Kalenga Ilunga

doi:10.36948/ijfmr.2025.v07i05.55429

Applications de machine learning à la gestion des maintenances des générateurs chez Hélios Towers DRC

Author(s)	Sylvestre Ngoy Mulopwe, Joseph Kalumbu Kafwanda, Trésor Muhomba Olomani, Georges Kalenga Ilunga
Country	Congo (Democratic)
Abstract	Helios Towers (HT) possède et exploite des tours de télécommunications et des infrastructures passives dans plusieurs marchés africains à forte croissance, dont la RDC. Elle fournit de l’énergie électrique aux opérateurs de télécommunications en exploitant trois sources : un générateur électrique (groupe électrogène), des panneaux solaires et un réseau électrique national. Le générateur électrique reste une source principale pour la production d’énergie électrique et la maintenance est effectuée après une échéance de 250 heures, il s’agit d’une maintenance préventive. Or ladite maintenance fait face à certains impondérables environnementaux ou techniques. Les conditions environnementales de certains milieux d’exploitation affectent négativement les équipements ou les consommables utilisés sont parfois de mauvaise qualité, ou même la qualité de maintenance effectuée laisse à désirer. Ces défaillances compromettent à coup sûr la sureté du système et la sécurité du personnel. Par conséquent, nous assistons à des arrêts non planifiés des chaînes de production pour diverses causes parce que les interventions arrivent tardivement. Cela occasionne des pertes financières et des pertes de temps affectant directement la compétitivité des entreprises clientes. Dans notre travail, nous proposons une nouvelle approche de maintenance basée non seulement sur le nombre d’heures de fonctionnement du générateur électrique comme le seul facteur de gestion de maintenance, mais aussi sur le suivi de l’état de santé des composants critiques qui peut être réalisé à partir de l’analyse des valeurs prises par certaines de leurs grandeurs physiques ; il s’agit de la maintenance prédictive. Nous préconisons de concevoir et de réaliser une application basée sur l’internet des objets et l’apprentissage automatique. Les données collectées par des capteurs seront transmises vers un serveur et analysées par des algorithmes d’apprentissage automatique. L’application doit détecter une anomalie dans le fonctionnement du générateur, diagnostiquer l’origine de cette anomalie et prédire la durée de vie restante avant que le générateur ne s’arrête. Ainsi l’application planifie le moment opportun pour effectuer une maintenance avant l’arrêt du moteur.
Keywords	générateur électrique, maintenance prédictive, composant électrique, apprentissage automatique, anomalie, application.
Field	Informatique et intelligence artificielle / Simulation / Réalité Virtuelle
Published In	Volume 7, Issue 5, September-October 2025
Published On	2025-09-28
DOI	https://doi.org/10.36948/ijfmr.2025.v07i05.55429

View / Download PDF File

E-ISSN 2582-2160

doi

CrossRef DOI is assigned to each research paper published in our journal.

IJFMR DOI prefix is
10.36948/ijfmr

Downloads

Research Paper Format Copyright Permission Form and Undertaking Form Cover Page Vol 8 Isu 2 Cover Page Vol 8 Isu 1 Cover Page Vol 7 Isu 6

All research papers published on this website are licensed under Creative Commons Attribution-ShareAlike 4.0 International License, and all rights belong to their respective authors/researchers.

CC-BY-SA

About IJFMR Fees & Payment Current Issue Publication Archive	Submit Research Paper Track Submission Status Publication Guidelines Publication Ethics Peer Review & Plagiarism	Join as a Reviewer Editors & Reviewers Reviewer Referral Program Get Reviewer Membership Certi.	Website/Journal Policies Usage Policy Content Policies Privacy Policy

Contact Us		+91-9687-828-838	editor@ijfmr.com

International Journal For Multidisciplinary Research

A Widely Indexed Open Access Peer Reviewed Multidisciplinary Bi-monthly Scholarly International Journal

Applications de machine learning à la gestion des maintenances des générateurs chez Hélios Towers DRC

Share this