A partir de cette page vous pouvez :
author
| Retourner au premier écran avec les étagères virtuelles... |
Détail de l'auteur
Auteur Hocine Khati |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche Interroger des sources externesDiagnostic de défauts d’une batterie Lithium-ion d’un véhicule électrique par les réseaux de neurones profonds : Conception et Implémentation / Katia Cherifi (2024)
Titre : Diagnostic de défauts d’une batterie Lithium-ion d’un véhicule électrique par les réseaux de neurones profonds : Conception et Implémentation Type de document : theses et memoires Auteurs : Katia Cherifi, Auteur ; Kamel Agadir, Auteur ; Hocine Khati, Directeur de thèse Editeur : Tizi-Ouzou : UMMTO F.G.E.I Année de publication : 2024 Importance : 79 p. Présentation : ill. Format : Note générale : Bibliogr. Langues : Français Mots-clés : Batterie Lithium-ion Diagnostic de défaut Observateur de Luenberger Apprentissage profond Récurrence Plot Classification ZedBoard. Résumé : Ce mémoire propose une méthodologie innovante pour le diagnostic des défauts dans les batteries lithium-ion utilisées dans les véhicules électriques. L’approche repose sur une intégration cohérente entre modélisation physique, estimation d’état à l’aide d’un observateur, et classification par apprentissage profond. Un modèle électrique simplifié de type Thévenin est utilisé pour représenter le comportement dynamique de la batterie. Ce modèle permet la conception d’un observateur de Luenberger, chargé d’estimer en temps réel l’état de charge (SoC). En présence de défauts, les erreurs d’estimation générées sont exploitées comme indicateurs pour le diagnostic. Ces signaux d’erreur sont ensuite transformés en images bidimensionnelles à l’aide de la méthode des Recurrence Plots, facilitant l’extraction de caractéristiques visuelles pertinentes. Ces images sont analysées par un réseau de neurones convolutifs profond, basé sur une version développée à partir de l’architecture ResNet50, afin de permettre la classification automatique des défauts. Le modèle entraîné est ensuite déployé sur une plateforme embarquée ZedBoard Zynq-7000 en mode Processor-in-the-Loop (PIL), afin de valider expérimentalement les performances du système. Les résultats obtenus démontrent l’efficacité de cette approche hybride, combinant estimation d’état et intelligence artificielle, pour un diagnostic précis et fiable des batteries lithium-ion. Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=37909 Diagnostic de défauts d’une batterie Lithium-ion d’un véhicule électrique par les réseaux de neurones profonds : Conception et Implémentation [theses et memoires] / Katia Cherifi, Auteur ; Kamel Agadir, Auteur ; Hocine Khati, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : UMMTO F.G.E.I, 2024 . - 79 p. : ill. ; PDF.
Bibliogr.
Langues : Français
Mots-clés : Batterie Lithium-ion Diagnostic de défaut Observateur de Luenberger Apprentissage profond Récurrence Plot Classification ZedBoard. Résumé : Ce mémoire propose une méthodologie innovante pour le diagnostic des défauts dans les batteries lithium-ion utilisées dans les véhicules électriques. L’approche repose sur une intégration cohérente entre modélisation physique, estimation d’état à l’aide d’un observateur, et classification par apprentissage profond. Un modèle électrique simplifié de type Thévenin est utilisé pour représenter le comportement dynamique de la batterie. Ce modèle permet la conception d’un observateur de Luenberger, chargé d’estimer en temps réel l’état de charge (SoC). En présence de défauts, les erreurs d’estimation générées sont exploitées comme indicateurs pour le diagnostic. Ces signaux d’erreur sont ensuite transformés en images bidimensionnelles à l’aide de la méthode des Recurrence Plots, facilitant l’extraction de caractéristiques visuelles pertinentes. Ces images sont analysées par un réseau de neurones convolutifs profond, basé sur une version développée à partir de l’architecture ResNet50, afin de permettre la classification automatique des défauts. Le modèle entraîné est ensuite déployé sur une plateforme embarquée ZedBoard Zynq-7000 en mode Processor-in-the-Loop (PIL), afin de valider expérimentalement les performances du système. Les résultats obtenus démontrent l’efficacité de cette approche hybride, combinant estimation d’état et intelligence artificielle, pour un diagnostic précis et fiable des batteries lithium-ion. Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=37909 Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Titre : Diagnostic de défauts d’une batterie Lithium-ion d’un véhicule électrique par les réseaux de neurones profonds : Conception et Implémentation Type de document : theses et memoires Auteurs : Katia Cherifi, Auteur ; Kamel Agadir, Auteur ; Hocine Khati, Directeur de thèse Editeur : Tizi-Ouzou : UMMTO F.G.E.I Année de publication : 2024 Importance : 79 p. Présentation : ill. Format : Note générale : Bibliogr. Langues : Français Mots-clés : Batterie Lithium-ion Diagnostic de défaut Observateur de Luenberger Apprentissage profond Récurrence Plot Classification ZedBoard. Résumé : Ce mémoire propose une méthodologie innovante pour le diagnostic des défauts dans les batteries lithium-ion utilisées dans les véhicules électriques. L’approche repose sur une intégration cohérente entre modélisation physique, estimation d’état à l’aide d’un observateur, et classification par apprentissage profond. Un modèle électrique simplifié de type Thévenin est utilisé pour représenter le comportement dynamique de la batterie. Ce modèle permet la conception d’un observateur de Luenberger, chargé d’estimer en temps réel l’état de charge (SoC). En présence de défauts, les erreurs d’estimation générées sont exploitées comme indicateurs pour le diagnostic. Ces signaux d’erreur sont ensuite transformés en images bidimensionnelles à l’aide de la méthode des Recurrence Plots, facilitant l’extraction de caractéristiques visuelles pertinentes. Ces images sont analysées par un réseau de neurones convolutifs profond, basé sur une version développée à partir de l’architecture ResNet50, afin de permettre la classification automatique des défauts. Le modèle entraîné est ensuite déployé sur une plateforme embarquée ZedBoard Zynq-7000 en mode Processor-in-the-Loop (PIL), afin de valider expérimentalement les performances du système. Les résultats obtenus démontrent l’efficacité de cette approche hybride, combinant estimation d’état et intelligence artificielle, pour un diagnostic précis et fiable des batteries lithium-ion. Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=37910 Diagnostic de défauts d’une batterie Lithium-ion d’un véhicule électrique par les réseaux de neurones profonds : Conception et Implémentation [theses et memoires] / Katia Cherifi, Auteur ; Kamel Agadir, Auteur ; Hocine Khati, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : UMMTO F.G.E.I, 2024 . - 79 p. : ill. ; PDF.
Bibliogr.
Langues : Français
Mots-clés : Batterie Lithium-ion Diagnostic de défaut Observateur de Luenberger Apprentissage profond Récurrence Plot Classification ZedBoard. Résumé : Ce mémoire propose une méthodologie innovante pour le diagnostic des défauts dans les batteries lithium-ion utilisées dans les véhicules électriques. L’approche repose sur une intégration cohérente entre modélisation physique, estimation d’état à l’aide d’un observateur, et classification par apprentissage profond. Un modèle électrique simplifié de type Thévenin est utilisé pour représenter le comportement dynamique de la batterie. Ce modèle permet la conception d’un observateur de Luenberger, chargé d’estimer en temps réel l’état de charge (SoC). En présence de défauts, les erreurs d’estimation générées sont exploitées comme indicateurs pour le diagnostic. Ces signaux d’erreur sont ensuite transformés en images bidimensionnelles à l’aide de la méthode des Recurrence Plots, facilitant l’extraction de caractéristiques visuelles pertinentes. Ces images sont analysées par un réseau de neurones convolutifs profond, basé sur une version développée à partir de l’architecture ResNet50, afin de permettre la classification automatique des défauts. Le modèle entraîné est ensuite déployé sur une plateforme embarquée ZedBoard Zynq-7000 en mode Processor-in-the-Loop (PIL), afin de valider expérimentalement les performances du système. Les résultats obtenus démontrent l’efficacité de cette approche hybride, combinant estimation d’état et intelligence artificielle, pour un diagnostic précis et fiable des batteries lithium-ion. Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=37910 Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Titre : Diagnostic de défauts d’une batterie Lithium-ion d’un véhicule électrique par les réseaux de neurones profonds : Conception et Implémentation Type de document : theses et memoires Auteurs : Katia Cherifi, Auteur ; Kamel Agadir, Auteur ; Hocine Khati, Directeur de thèse Editeur : Tizi-Ouzou : UMMTO F.G.E.I Année de publication : 2024 Importance : 79 p. Présentation : ill. Format : Note générale : Bibliogr. Langues : Français Mots-clés : Batterie Lithium-ion Diagnostic de défaut Observateur de Luenberger Apprentissage profond Récurrence Plot Classification ZedBoard. Résumé : Ce mémoire propose une méthodologie innovante pour le diagnostic des défauts dans les batteries lithium-ion utilisées dans les véhicules électriques. L’approche repose sur une intégration cohérente entre modélisation physique, estimation d’état à l’aide d’un observateur, et classification par apprentissage profond. Un modèle électrique simplifié de type Thévenin est utilisé pour représenter le comportement dynamique de la batterie. Ce modèle permet la conception d’un observateur de Luenberger, chargé d’estimer en temps réel l’état de charge (SoC). En présence de défauts, les erreurs d’estimation générées sont exploitées comme indicateurs pour le diagnostic. Ces signaux d’erreur sont ensuite transformés en images bidimensionnelles à l’aide de la méthode des Recurrence Plots, facilitant l’extraction de caractéristiques visuelles pertinentes. Ces images sont analysées par un réseau de neurones convolutifs profond, basé sur une version développée à partir de l’architecture ResNet50, afin de permettre la classification automatique des défauts. Le modèle entraîné est ensuite déployé sur une plateforme embarquée ZedBoard Zynq-7000 en mode Processor-in-the-Loop (PIL), afin de valider expérimentalement les performances du système. Les résultats obtenus démontrent l’efficacité de cette approche hybride, combinant estimation d’état et intelligence artificielle, pour un diagnostic précis et fiable des batteries lithium-ion. Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=37911 Diagnostic de défauts d’une batterie Lithium-ion d’un véhicule électrique par les réseaux de neurones profonds : Conception et Implémentation [theses et memoires] / Katia Cherifi, Auteur ; Kamel Agadir, Auteur ; Hocine Khati, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : UMMTO F.G.E.I, 2024 . - 79 p. : ill. ; PDF.
Bibliogr.
Langues : Français
Mots-clés : Batterie Lithium-ion Diagnostic de défaut Observateur de Luenberger Apprentissage profond Récurrence Plot Classification ZedBoard. Résumé : Ce mémoire propose une méthodologie innovante pour le diagnostic des défauts dans les batteries lithium-ion utilisées dans les véhicules électriques. L’approche repose sur une intégration cohérente entre modélisation physique, estimation d’état à l’aide d’un observateur, et classification par apprentissage profond. Un modèle électrique simplifié de type Thévenin est utilisé pour représenter le comportement dynamique de la batterie. Ce modèle permet la conception d’un observateur de Luenberger, chargé d’estimer en temps réel l’état de charge (SoC). En présence de défauts, les erreurs d’estimation générées sont exploitées comme indicateurs pour le diagnostic. Ces signaux d’erreur sont ensuite transformés en images bidimensionnelles à l’aide de la méthode des Recurrence Plots, facilitant l’extraction de caractéristiques visuelles pertinentes. Ces images sont analysées par un réseau de neurones convolutifs profond, basé sur une version développée à partir de l’architecture ResNet50, afin de permettre la classification automatique des défauts. Le modèle entraîné est ensuite déployé sur une plateforme embarquée ZedBoard Zynq-7000 en mode Processor-in-the-Loop (PIL), afin de valider expérimentalement les performances du système. Les résultats obtenus démontrent l’efficacité de cette approche hybride, combinant estimation d’état et intelligence artificielle, pour un diagnostic précis et fiable des batteries lithium-ion. Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=37911 Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Titre : Diagnostic de défauts d’une batterie Lithium-ion d’un véhicule électrique par les réseaux de neurones profonds : Conception et Implémentation Type de document : theses et memoires Auteurs : Katia Cherifi, Auteur ; Kamel Agadir, Auteur ; Hocine Khati, Directeur de thèse Editeur : Tizi-Ouzou : UMMTO F.G.E.I Année de publication : 2024 Importance : 79 p. Présentation : ill. Format : Note générale : Bibliogr. Langues : Français Mots-clés : Batterie Lithium-ion Diagnostic de défaut Observateur de Luenberger Apprentissage profond Récurrence Plot Classification ZedBoard. Résumé : Ce mémoire propose une méthodologie innovante pour le diagnostic des défauts dans les batteries lithium-ion utilisées dans les véhicules électriques. L’approche repose sur une intégration cohérente entre modélisation physique, estimation d’état à l’aide d’un observateur, et classification par apprentissage profond. Un modèle électrique simplifié de type Thévenin est utilisé pour représenter le comportement dynamique de la batterie. Ce modèle permet la conception d’un observateur de Luenberger, chargé d’estimer en temps réel l’état de charge (SoC). En présence de défauts, les erreurs d’estimation générées sont exploitées comme indicateurs pour le diagnostic. Ces signaux d’erreur sont ensuite transformés en images bidimensionnelles à l’aide de la méthode des Recurrence Plots, facilitant l’extraction de caractéristiques visuelles pertinentes. Ces images sont analysées par un réseau de neurones convolutifs profond, basé sur une version développée à partir de l’architecture ResNet50, afin de permettre la classification automatique des défauts. Le modèle entraîné est ensuite déployé sur une plateforme embarquée ZedBoard Zynq-7000 en mode Processor-in-the-Loop (PIL), afin de valider expérimentalement les performances du système. Les résultats obtenus démontrent l’efficacité de cette approche hybride, combinant estimation d’état et intelligence artificielle, pour un diagnostic précis et fiable des batteries lithium-ion. Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=37912 Diagnostic de défauts d’une batterie Lithium-ion d’un véhicule électrique par les réseaux de neurones profonds : Conception et Implémentation [theses et memoires] / Katia Cherifi, Auteur ; Kamel Agadir, Auteur ; Hocine Khati, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : UMMTO F.G.E.I, 2024 . - 79 p. : ill. ; PDF.
Bibliogr.
Langues : Français
Mots-clés : Batterie Lithium-ion Diagnostic de défaut Observateur de Luenberger Apprentissage profond Récurrence Plot Classification ZedBoard. Résumé : Ce mémoire propose une méthodologie innovante pour le diagnostic des défauts dans les batteries lithium-ion utilisées dans les véhicules électriques. L’approche repose sur une intégration cohérente entre modélisation physique, estimation d’état à l’aide d’un observateur, et classification par apprentissage profond. Un modèle électrique simplifié de type Thévenin est utilisé pour représenter le comportement dynamique de la batterie. Ce modèle permet la conception d’un observateur de Luenberger, chargé d’estimer en temps réel l’état de charge (SoC). En présence de défauts, les erreurs d’estimation générées sont exploitées comme indicateurs pour le diagnostic. Ces signaux d’erreur sont ensuite transformés en images bidimensionnelles à l’aide de la méthode des Recurrence Plots, facilitant l’extraction de caractéristiques visuelles pertinentes. Ces images sont analysées par un réseau de neurones convolutifs profond, basé sur une version développée à partir de l’architecture ResNet50, afin de permettre la classification automatique des défauts. Le modèle entraîné est ensuite déployé sur une plateforme embarquée ZedBoard Zynq-7000 en mode Processor-in-the-Loop (PIL), afin de valider expérimentalement les performances du système. Les résultats obtenus démontrent l’efficacité de cette approche hybride, combinant estimation d’état et intelligence artificielle, pour un diagnostic précis et fiable des batteries lithium-ion. Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=37912 Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Titre : Commande d’une architecture de téléopération par la carte FPGA Type de document : theses et memoires Auteurs : Hocine Khati ; Rabah Mellah, Directeur de thèse Editeur : Tizi-Ouzou : U.M.M.T.O T.O Année de publication : 2019 Importance : 130 p. Présentation : ill. Format : 30 cm. Note générale : Bibliogr. Langues : Français Mots-clés : Téléopération FPGA HDL Coder ANFIS Commande neuro-floue Filtre de Kalman étendu Fixed-Point Tool. Résumé : Dans ce travail de thèse, nous avons élaboré un nouveau schéma de commande bilatérale basé sur FPGA pour un système de téléopération à un degré de liberté. Un contrôleur neuro-flou adaptatif est développé pour les systèmes maître et esclave afin de contrôler la position et le couple en fonction de chaque stratégie de commande adoptée (position-position ou quatre canaux). L'apprentissage du réseau neuro-flou est effectué en ligne, en ajustant les paramètres de la conséquence des règles floues à l'aide d'un algorithme d'apprentissage basé sur les méthodes de la descente du gradient et du filtre de Kalman étendu, et cela en tirant profit du parallélisme de calcul du FPGA et sa fréquence d'échantillonnage élevée. Les contrôleurs proposés sont développés sur l'environnement Simulink de MATLAB et implémentés en utilisant les outils " Fixed-Point Tool " et " HDL Coder ". Une telle méthodologie de conception nous a permis d'obtenir un algorithme précis avec un code VHDL optimal en terme de ressources matérielles consommées, tout en réduisant le temps de conception de l'algorithme. Les résultats expérimentaux obtenus ont démontré l'efficacité des contrôleurs proposés comparant aux contrôleurs classiques PID. En ligne : D:\CD THESES 2019\SUITE RETARD\KHATI HOCINE.PDF Format de la ressource électronique : Permalink : ./index.php?lvl=notice_display&id=35495 Commande d’une architecture de téléopération par la carte FPGA [theses et memoires] / Hocine Khati ; Rabah Mellah, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : U.M.M.T.O T.O, 2019 . - 130 p. : ill. ; 30 cm.
Bibliogr.
Langues : Français
Mots-clés : Téléopération FPGA HDL Coder ANFIS Commande neuro-floue Filtre de Kalman étendu Fixed-Point Tool. Résumé : Dans ce travail de thèse, nous avons élaboré un nouveau schéma de commande bilatérale basé sur FPGA pour un système de téléopération à un degré de liberté. Un contrôleur neuro-flou adaptatif est développé pour les systèmes maître et esclave afin de contrôler la position et le couple en fonction de chaque stratégie de commande adoptée (position-position ou quatre canaux). L'apprentissage du réseau neuro-flou est effectué en ligne, en ajustant les paramètres de la conséquence des règles floues à l'aide d'un algorithme d'apprentissage basé sur les méthodes de la descente du gradient et du filtre de Kalman étendu, et cela en tirant profit du parallélisme de calcul du FPGA et sa fréquence d'échantillonnage élevée. Les contrôleurs proposés sont développés sur l'environnement Simulink de MATLAB et implémentés en utilisant les outils " Fixed-Point Tool " et " HDL Coder ". Une telle méthodologie de conception nous a permis d'obtenir un algorithme précis avec un code VHDL optimal en terme de ressources matérielles consommées, tout en réduisant le temps de conception de l'algorithme. Les résultats expérimentaux obtenus ont démontré l'efficacité des contrôleurs proposés comparant aux contrôleurs classiques PID. En ligne : D:\CD THESES 2019\SUITE RETARD\KHATI HOCINE.PDF Format de la ressource électronique : Permalink : ./index.php?lvl=notice_display&id=35495 Réservation
Réserver ce document
Exemplaires
Code-barres Cote Support Localisation Section Disponibilité DOC.AUTO.03-19/1 DOC.AUTO.03-19 Thèses Magasin de Thèses et Mémoires / FGE Doctorat en Automatique Disponible Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Permalink
Permalink
Permalink
Permalink
