Real-Time Anomaly Detection in Cement Kilns: A Deep Learning Framework for Industrial Process Monitoring
| dc.contributor.author | KISRA , Maroua | |
| dc.contributor.author | BELMIHOUB , Bouthaina | |
| dc.contributor.author | Nasri , Khaled | |
| dc.date.accessioned | 2026-09-29T14:08:16Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | This memorandum presents a predictive intelligence system for the rotary kiln at the SCAEK cement plant. The project addresses the limits of the existing reactive Siemens WinCC RT v7.2 supervision system by introducing real-time anomaly detection based on industrial time-series data and deep learning. The proposed solution uses a GRU AutoEncoder model to detect early signs of equipment degra-dation from sensor data such as temperatures, gas flows, kiln speed, and power consumption. A real-time architecture built with Apache Kafka, InfluxDB, Grafana, and Streamlit enables continuous monitoring, alert management, and operator feedback. The study also examines secure integration strategies within Siemens PCS 7 / WinCC environ-ments, emphasizing cybersecurity and operational continuity. Overall, the system aims to reduce unplanned downtime, improve reliability, optimize maintenance resources, and support the digital transformation of industrial maintenance | |
| dc.description.sponsorship | Ce mémoire présente un système d’intelligence prédictive appliqué au four rotatif de la cimenterie SCAEK. Le projet répond aux limites du système de supervision réactif Siemens WinCC RT v7.2 en introduisant une détection d’anomalies en temps réel basée sur des séries temporelles industrielles et le deep learning. La solution proposée repose sur un modèle GRU AutoEncoder capable de détecter précocement les signes de dégradation des équipements à partir de données capteurs telles que les températures, les débits de gaz, la vitesse du four et la puissance consommée. Une architecture temps réel utilisant Apache Kafka, InfluxDB, Grafana et Streamlit permet la surveillance continue, la gestion des alertes et le retour d’expérience des opérateurs. Le mémoire étudie également des stratégies d’intégration sécurisée dans des environnements Siemens PCS 7 / WinCC, avec une attention particulière portée à la cybersécurité et à la continu-ité opérationnelle. L’objectif global est de réduire les arrêts imprévus, d’améliorer la fiabilité des équipements, d’optimiser les ressources de maintenance et de soutenir la transformation numérique de la maintenance industrielle. | |
| dc.identifier.other | MAI/1084 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/3053 | |
| dc.language.iso | en | |
| dc.publisher | Setif 1 Unuversity Ferhat Abbas . Faculty of Sciences | |
| dc.subject | Predictive maintenance | |
| dc.subject | Anomaly detection | |
| dc.subject | GRU AutoEncoder | |
| dc.subject | Time series | |
| dc.subject | Deep learn-ing | |
| dc.subject | rotary kiln | |
| dc.subject | Apache Kafka | |
| dc.subject | InfluxDB | |
| dc.subject | Grafana | |
| dc.subject | SCADA | |
| dc.subject | Industry 4.0. | |
| dc.title | Real-Time Anomaly Detection in Cement Kilns: A Deep Learning Framework for Industrial Process Monitoring | |
| dc.type | Thesis |
Version History
You are currently viewing version 1 of the item.