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 :	PDF
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