Gauthier Ngandu Kalala
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Research Subjects
Gauthier Ngandu Kalala has a total of 9 co-authors. Here are the top co-authors by number of shared publications:
- Abir Boujelben
University of Reims Champagne Ardenne, ITheMM, 51100 Reims, France
3 shared publications - Xavier Chiementin
Université de Reims Champagne-Ardenne (ITheMM)
3 shared publications - Bovic Kilundu
HE2B-ISIB
2 shared publications - Lanto Rasolofondraibe
Center for Research in Information and Communication Science and Technology (CReSTIC, EA 3804), University of Reims Champagne Ardenne, Reims, France
2 shared publications - Bovic Kilundu
Mechanical Section, Higher Institute of Applied Technology (ISTA), Kinshasa 1021101, Congo
1 shared publication - Ephraïm Moshi Ngele
University of Reims Champagne Ardenne, ITheMM, 51100 Reims, France
1 shared publication
Latest Publications
- 7 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Contribution au diagnostic vibratoire des engrenages assisté par jumeau numérique : « Application à la surveillance des broyeurs à boulets »
L'industrie 4.0 offre des possibilités technologiques pouvant apporter des solutions appropriées aux problèmes d'optimisation de maintenance, parmi lesquelles l'intelligence artificielle est au premier rang. Cependant, l'usage des algorithmes d'intelligence artificielle dans le processus de diagnostic des machines tournantes a longtemps été limité aux équipements ayant une longue durée de vie à cause de l'indisponibilité et de l'insuffisance des données servant à l'apprentissage de modèles de classification. Grâce à d'importants progrès en matière de technologies du numérique et de méthodes de modélisation, l'utilisation d'un jumeau numérique pourrait être considérée comme une alternative aux données expérimentales. Pour répondre à la problématique de l'indisponibilité des données, cette thèse s'est fixée comme objectif de contribuer au processus de diagnostic des défauts d'engrenages en s'appuyant sur un jumeau numérique de machines tournantes dans un contexte industriel minier. Elle intervient plus précisément dans la phase d'entraînement des algorithmes d'apprentissage automatique, en proposant une approche d'entraînement par données hybrides. L'approche combine respectivement un jeu de données issu de l'historique de pannes du processus physique, enrichi par celui issu de la simulation d'un modèle numérique. Deux procédures d'enrichissement de données sont proposées. Une procédure basée sur les données homogènes, qui consiste à compléter le volume de données dans les classes disponibles et celle basée sur les données hétérogènes qui consiste à compléter les classes indisponibles. Le jumeau numérique utilisé dans ce travail, consiste en un modèle dynamique d'un réducteur à engrenages simple étage, tenant compte des efforts d'excitations de la structure dus à la dynamique de broyage. Ce modèle hybride est obtenu en couplant au modèle classique d'engrenages, un modèle éléments discrets d'un broyeur à boulets. Il a permis d'étudier l'influence du broyeur sur le comportement dynamique du réducteur, sous l'angle des paramètres intrinsèques au fonctionnement du système, à savoir, le taux de remplissage, la vitesse critique et la taille des boulets. La procédure de classification par enrichissement de données mise en place dans cette thèse a été testée sur plusieurs algorithmes d'apprentissage supervisé, qui ont permis l'obtention des résultats prometteurs pour la surveillance intelligente des processus miniers.
- 7 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Contribution au diagnostic vibratoire des engrenages assisté par jumeau numérique : « Application à la surveillance des broyeurs à boulets »
L'industrie 4.0 offre des possibilités technologiques pouvant apporter des solutions appropriées aux problèmes d'optimisation de maintenance, parmi lesquelles l'intelligence artificielle est au premier rang. Cependant, l'usage des algorithmes d'intelligence artificielle dans le processus de diagnostic des machines tournantes a longtemps été limité aux équipements ayant une longue durée de vie à cause de l'indisponibilité et de l'insuffisance des données servant à l'apprentissage de modèles de classification. Grâce à d'importants progrès en matière de technologies du numérique et de méthodes de modélisation, l'utilisation d'un jumeau numérique pourrait être considérée comme une alternative aux données expérimentales. Pour répondre à la problématique de l'indisponibilité des données, cette thèse s'est fixée comme objectif de contribuer au processus de diagnostic des défauts d'engrenages en s'appuyant sur un jumeau numérique de machines tournantes dans un contexte industriel minier. Elle intervient plus précisément dans la phase d'entraînement des algorithmes d'apprentissage automatique, en proposant une approche d'entraînement par données hybrides. L'approche combine respectivement un jeu de données issu de l'historique de pannes du processus physique, enrichi par celui issu de la simulation d'un modèle numérique. Deux procédures d'enrichissement de données sont proposées. Une procédure basée sur les données homogènes, qui consiste à compléter le volume de données dans les classes disponibles et celle basée sur les données hétérogènes qui consiste à compléter les classes indisponibles. Le jumeau numérique utilisé dans ce travail, consiste en un modèle dynamique d'un réducteur à engrenages simple étage, tenant compte des efforts d'excitations de la structure dus à la dynamique de broyage. Ce modèle hybride est obtenu en couplant au modèle classique d'engrenages, un modèle éléments discrets d'un broyeur à boulets. Il a permis d'étudier l'influence du broyeur sur le comportement dynamique du réducteur, sous l'angle des paramètres intrinsèques au fonctionnement du système, à savoir, le taux de remplissage, la vitesse critique et la taille des boulets. La procédure de classification par enrichissement de données mise en place dans cette thèse a été testée sur plusieurs algorithmes d'apprentissage supervisé, qui ont permis l'obtention des résultats prometteurs pour la surveillance intelligente des processus miniers.
- 20 March 2026
- Published by IOP Publishing in Measurement Science and Technology
- Vol. 37 (11) , 116107
Hybrid digital twin-based data enrichment strategy for reliable machine learning-based diagnosis of ball bearings under multi-regime operating conditions
Reliable fault diagnosis is essential for condition monitoring of rotating machinery, yet the scarcity of experimental data often limits the effectiveness of machine learning algorithms. A promising approach lies in constructing hybrid datasets that combine experimental and numerical data. However, if performed arbitrarily, such hybridization may degrade diagnostic reliability. This study proposes a systematic methodology for building hybrid databases for ball bearing fault diagnosis across multiple fault severities and varying operating conditions. The methodology is evaluated along three complementary axes: (i) single-condition performance, (ii) expandability to a wide range of speeds through the identification of a reliable variation range, and (iii) transferability of calibration parameters to neighboring regime operating conditions. Both homogeneous (quantitative enrichment) and heterogeneous (qualitative enrichment with unseen fault labels) hybridizations are investigated. Results demonstrate that even a small experimental fraction (≈10%) substantially enhances classification accuracy compared with purely numerical models, while stable performance (>90%) is achieved from about 30% of experimental data. In multi-speed scenarios, hybridization maintains generalization provided sufficient experimental anchoring, though the reliable range remains narrow and asymmetric. In heterogeneous configurations, high accuracy is preserved even with a single EC, as numerical enrichment effectively compensates for missing severities, provided the enrichment is balanced with the operating range.
- 20 March 2026
- Published by IOP Publishing in Measurement Science and Technology
- Vol. 37 (11) , 116107
Hybrid digital twin-based data enrichment strategy for reliable machine learning-based diagnosis of ball bearings under multi-regime operating conditions
Reliable fault diagnosis is essential for condition monitoring of rotating machinery, yet the scarcity of experimental data often limits the effectiveness of machine learning algorithms. A promising approach lies in constructing hybrid datasets that combine experimental and numerical data. However, if performed arbitrarily, such hybridization may degrade diagnostic reliability. This study proposes a systematic methodology for building hybrid databases for ball bearing fault diagnosis across multiple fault severities and varying operating conditions. The methodology is evaluated along three complementary axes: (i) single-condition performance, (ii) expandability to a wide range of speeds through the identification of a reliable variation range, and (iii) transferability of calibration parameters to neighboring regime operating conditions. Both homogeneous (quantitative enrichment) and heterogeneous (qualitative enrichment with unseen fault labels) hybridizations are investigated. Results demonstrate that even a small experimental fraction (≈10%) substantially enhances classification accuracy compared with purely numerical models, while stable performance (>90%) is achieved from about 30% of experimental data. In multi-speed scenarios, hybridization maintains generalization provided sufficient experimental anchoring, though the reliable range remains narrow and asymmetric. In heterogeneous configurations, high accuracy is preserved even with a single EC, as numerical enrichment effectively compensates for missing severities, provided the enrichment is balanced with the operating range.
- 10 December 2025
- Published by Springer Nature in Journal of Vibration Engineering & Technologies
- Vol. 14 (1) , 13
Towards Accurate Gear Fault Diagnosis: Hybrid Data Enrichment by Digital Twins for Machine Learning-Based Monitoring
- 10 December 2025
- Published by Springer Nature in Journal of Vibration Engineering & Technologies
- Vol. 14 (1) , 13
Towards Accurate Gear Fault Diagnosis: Hybrid Data Enrichment by Digital Twins for Machine Learning-Based Monitoring
- 26 August 2025
- Published by Elsevier in Mechanical Systems and Signal Processing
- Vol. 238
Model-based fault diagnosis and monitoring of induction machine bearing fault
- 26 August 2025
- Published by Elsevier in Mechanical Systems and Signal Processing
- Vol. 238
Model-based fault diagnosis and monitoring of induction machine bearing fault
- Open Access
Modeling Impulsive Ball Mill Forces Effects on the Dynamic Behavior of a Single-Stage Gearbox
Gearboxes are frequently used in the mining industry, especially for power transmission between the electric drive and the ball mill; besides the extreme complexity of a ball mill gear transmission system, the fault diagnosis by vibration analysis can be easily distorted by the presence of impulsive noises due to the ball pulses on the mill shell. Although several works in the literature are related to the influence of an impulsive noise on the accuracy of the diagnosis, no dynamic model exists yet in the literature that can explain the influence of these forces on the dynamic behavior of gearboxes. This paper presents a new approach to determine the influence of the grinding forces in crack defects diagnosis. This approach is based on a hybrid numerical model of a 24-degree-of-freedom gearbox, simulating one gear train and two drive shafts. The impact forces of the mill drum are modelled by a discrete element method (DEM). The ball-filling rate (), the mill speed (), and the ball size () are considered to study this phenomenon. The simulations results show by a time series representation, fast Fourier transform, and short-time Fourier transform (STFT), that the acceleration is significantly affected by the presence of the grinding forces, developing an impulsive noise due to the impact of the balls governed by the studied parameters.Open AccessModeling Impulsive Ball Mill Forces Effects on the Dynamic Behavior of a Single-Stage Gearbox
Gearboxes are frequently used in the mining industry, especially for power transmission between the electric drive and the ball mill; besides the extreme complexity of a ball mill gear transmission system, the fault diagnosis by vibration analysis can be easily distorted by the presence of impulsive noises due to the ball pulses on the mill shell. Although several works in the literature are related to the influence of an impulsive noise on the accuracy of the diagnosis, no dynamic model exists yet in the literature that can explain the influence of these forces on the dynamic behavior of gearboxes. This paper presents a new approach to determine the influence of the grinding forces in crack defects diagnosis. This approach is based on a hybrid numerical model of a 24-degree-of-freedom gearbox, simulating one gear train and two drive shafts. The impact forces of the mill drum are modelled by a discrete element method (DEM). The ball-filling rate (), the mill speed (), and the ball size () are considered to study this phenomenon. The simulations results show by a time series representation, fast Fourier transform, and short-time Fourier transform (STFT), that the acceleration is significantly affected by the presence of the grinding forces, developing an impulsive noise due to the impact of the balls governed by the studied parameters.