Scribd
Importer
1 vues3 pages

Exam AI Ratt 2025

Le document présente un examen sur l'introduction à l'intelligence artificielle, comprenant des exercices sur l'analyse vibratoire par k-means, le contrôle qualité de pièces usinées, la prédiction de la durée de vie de roulements, et l'optimisation de paramètres d'usinage. Chaque exercice aborde des concepts clés tels que l'apprentissage non supervisé, la classification, les réseaux de neurones, et la minimisation de la perte. Les questions visent à évaluer la compréhension des méthodes et des techniques d'IA appliquées à des problèmes industriels.

Transféré par

bouhanour0
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
1 vues3 pages

Exam AI Ratt 2025

Le document présente un examen sur l'introduction à l'intelligence artificielle, comprenant des exercices sur l'analyse vibratoire par k-means, le contrôle qualité de pièces usinées, la prédiction de la durée de vie de roulements, et l'optimisation de paramètres d'usinage. Chaque exercice aborde des concepts clés tels que l'apprentissage non supervisé, la classification, les réseaux de neurones, et la minimisation de la perte. Les questions visent à évaluer la compréhension des méthodes et des techniques d'IA appliquées à des problèmes industriels.

Transféré par

bouhanour0
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Examen Introduction à l’IA GEM1

Exercice 1 : Analyse vibratoire par k-means


Dans un contexte de surveillance d’équipements industriels, on mesure les vibrations de
quatre machines. Les caractéristiques extraites sont l’amplitude fondamentale (Hz) et le taux
d’harmoniques (%). Les données sont :

ϕDtrain = {ϕ(x1 ) = [5, 10], ϕ(x2 ) = [15, 30], ϕ(x3 ) = [20, 40], ϕ(x4 ) = [50, 90]}

On applique l’algorithme des k-means pour détecter des groupes de machines similaires.
1. Justifier pourquoi il s’agit d’un apprentissage non supervisé dans ce contexte industriel.
(0) (0)
2. Pour k=2 et initialisation : µ1 = ϕ(x1 ) = [5, 10] (machine neuve), µ2 = ϕ(x4 ) = [50, 90]
(machine usée), appliquer deux itérations de k-means.
(0) (0)
3. Répéter avec µ1 = ϕ(x1 ) = [5, 10], µ2 = ϕ(x3 ) = [20, 40].
4. Discuter l’impact des résultats sur la planification de maintenance.

Exercice 2 : Contrôle qualité de pièces usinées


On contrôle la qualité de pièces mécaniques en mesurant deux caractéristiques :
- ϕ1 : Déviation dimensionnelle (mm)
- ϕ2 : Rugosité superficielle (µm)

NB. quand la rugosité dépasse le double de la déviation dimensionnelle, la pièce est considérée
défectueuse.

ϕ2 (rugosité)

Conforme (y = +1)
H Défectueux (y = −1)
4

D
A
3

B
2 C

=0 F
−ϕ
2
1 2ϕ 1 G
E

ϕ1 (déviation)
1 2 3 4

Fig. 1 : Classification de pièces mécaniques

1. Expliquer pourquoi la droite de séparation 2ϕ1 − ϕ2 = 0 est adaptée à ce problème.

1/2
Examen Introduction à l’IA GEM1

2. Calculer w · ϕ(x) pour chaque point et déterminer la classe prédite par


fw (x) = sign(w · ϕ(x)).
3. Identifier le(s) point(s) mal classé(s) et calculer le TrainLoss0−1 .
4. Pourquoi la perte Hinge est-elle préférable à la perte 0-1 pour l’optimisation ?
5. Calculer la perte Hinge pour le point H avec w = [2, −1].

Exercice 3 : Prédiction de durée de vie de roulements


Pour estimer la durée de vie résiduelle de roulements mécaniques, on utilise un réseau de
neurones avec : - Entrées : x1 (charge appliquée, kN), x2 (vitesse de rotation, tr/min) - Sortie :
y (durée de vie estimée, heures)
1. Dessiner un réseau 3 couches (2-4-1) avec fonction d’activation σ.
2. Écrire l’expression mathématique de y.
3. Expliquer l’avantage de ce modèle par rapport à une régression linéaire.

Exercice 4 : Optimisation de paramètres d’usinage


Lors du fraisage, on cherche à minimiser l’énergie spécifique de coupe Ec (J/mm³) :

Ec = w · ϕ(vc ) + b avec ϕ(vc ) = [1, vc ]

et les mesures :
— vc1 = 100 m/min, Ec1 = 2.5 J/mm³
— vc2 = 150 m/min, Ec2 = 1.8 J/mm³
La fonction de perte est : Loss(vc , Ec , w) = 21 (w · ϕ(vc ) − Ec )2
1. Calculer ∇w Loss.
2. Pour w = [3.0, −0.01]⊤ , calculer ∇w TrainLoss.
3. Effectuer deux itérations de Gradient Descent (η = 0.1, w(0) = [3.0, −0.01]⊤ ).

2/2
ANNEXE
Rappel :

Rappel

1 si f w  x   y
Loss01  x, y, w   
0 sinon

Rappel

68

Vous aimerez peut-être aussi