Since bearing deterioration patterns are difficult to collect from real, long lifetime scenarios, data-driven research has been directed towards recovering them by imposing accelerated life tests. Consequently, insufficiently recovered features due to rapid damage propagation seem more likely to lead to poorly generalized learning machines. Knowledge-driven learning comes as a solution by providing prior assumptions from transfer learning. Likewise, the absence of true labels was able to create inconsistency related problems between samples, and teacher-given label behaviors led to more ill-posed predictors. Therefore, in an attempt to overcome the incomplete, unlabeled data drawbacks, a new autoencoder has been designed as an additional source that could correlate inputs and labels by exploiting label information in a completely unsupervised learning scheme. Additionally, its stacked denoising version seems to more robustly be able to recover them for new unseen data. Due to the non-stationary and sequentially driven nature of samples, recovered representations have been fed into a transfer learning, convolutional, long–short-term memory neural network for further meaningful learning representations. The assessment procedures were benchmarked against recent methods under different training datasets. The obtained results led to more efficiency confirming the strength of the new learning path.

Condition Monitoring of photovoltaic systems plays an important role in maintenance interventions due to its ability to solve problems of loss of energy production revenue. Nowadays, machine learning-based failure diagnosis is becoming increasingly growing as an alternative to various difficult physical-based interpretations and the main pile foundation for condition monitoring. As a result, several methods with different learning paradigms (e.g. deep learning, transfer learning, reinforcement learning, ensemble learning, etc.) have been used to address different condition monitoring issues. Therefore, the aim of this paper is at least, to shed light on the most relevant work that has been done so far in the field of photovoltaic systems machine learning-based condition monitoring.

To ensure the continuity of electric power generation for photovoltaic systems, condition monitoring frameworks are subject to major enhancements. The continuous uniform delivery of electric power depends entirely on a well-designed condition maintenance program. A just-in-time task to deal with several naturally occurring faults can be correctly undertaken via the cooperation of effective detection, diagnosis, and prognostic analyses. Therefore, the present review first outlines different failure modes to which all photovoltaic systems are subjected, in addition to the essential integrated detection methods and technologies. Then, data-driven paradigms, and their contribution to solving this prediction problem, are also explored. Accordingly, this review primarily investigates the different learning architectures used (i.e., ordinary, hybrid, and ensemble) in relation to their learning frameworks (i.e., traditional and deep learning). It also discusses the extension of machine learning to knowledge-driven approaches, including generative models such as adversarial networks and transfer learning. Finally, this review provides insights into different works to highlight various operating conditions and different numbers and types of failures, and provides links to some publicly available datasets in the field. The clear organization of the abundant information on this subject may result in rigorous guidelines for the trends adopted in the future.

This paper proposes an optimum design of a diesel/PV/wind/battery hybrid renewable energy system (HRES) for rural electrification in a remote district in Tamanrasset, Algeria. In this study, a particle swarm optimization algorithm (PSO) has been proposed to solve a multi-objective optimization problem, which was created by carrying out simultaneously, the cost of energy (COE) minimization while maximizing the reliability of power supply described as the loss of power supply probability (LPSP) and a renewable fraction (RF). The simulation results show that the PV/WT/DG/BT is the best economic configuration with a reasonable annual cost of the optimal system (ACS) which is about 7798.71 $ and the COE equal to 0.79 $/kWh for an LPSP = 0.01%, where the ten households are 0.99 % satisfied by renewable energy sources.

In this paper, we present a system for handwriting digit recognition using different invariant features extraction and multiple classifiers. In the feature extraction we use four types: cavities, Zernike moments, Hu moments, Histogram of Gradient (HOG). Firstly, the features are used independently by five classifiers: K-nearest neighbor (KNN), Support Vector Machines (SVM) one versus one, SVM one versus all, Decision Tree, MLP. Then to achieve the best possible classification performance in terms of recognition rate, three methods of classifiers Combination rule employed: majority vote, Borda count and maximum rule. Experiments are performed on the well-known MNIST database of handwritten digits. The results demonstrated that the combination of KNN using HOG features with SVMOVA using Zernike moments by Borda count rule have considered to be good based on a geometric transformation invariance.

De nos jours, la plupart des moteurs d’analyse de solutions anti-malware sont heuristiques. Ils classent les objets, les flux de données ainsi que les zones mémoires comme bénins ou malveillants en fonction de leur comportement. La plupart des fabricants d’antivirus reconnaissent que l’approche heuristique permet d’atteindre jusqu’à 90% d’efficacité en termes de taux de détection, mais consomme davantage de ressources systèmes : de tels moteurs anti-malware, disponibles en open-source, sont extrêmement inefficaces en termes d’utilisation de ressources système car ils font souvent appel à des algorithmes d’apprentissage automatique. Pour réduire cette charge système, il est fortement recommandé d’utiliser la détection par signature statique, qui permet de filtrer à elle seule la majorité des échantillons de programmes malveillants connus, en conjonction avec les technologies de détection heuristiques et celles basées sur le cloud. Dans ce travail, nous présentons un scanner de signatures rapide pour la détection de programmes malveillants, basé sur une version améliorée de l’algorithme Aho-Corasick pour la recherche de cha{\^ınes de caractères (ou motifs), con\c cue pour pouvoir bénéficier des techniques de vectorisation qui ajoutent une forme de parallélisme de données au code de l’algorithme. La solution proposée est implémentée en utilisant le jeu d’instructions d’Intel® Advanced Vector Extensions (AVX2).

 As commonly known that living beings cannot survive without natural sources available on earth, technology is no exception; it cannot develop without the inspiring help given by the same nature. The field of biology has extensively participated in the computing field through the "code of life" DNA (Deoxyribo Nucleic Acid) since it was discovered by Adelman in the past century. This combination gave birth to DNA Computing, which is a very interesting new aspect of biochemistry. It works massively parallel with high energy efficiency, and requiring almost no space. The field of molecular computing is still new and as the field progresses from concepts to engineering, researchers will address these important issues.  By the use of encoding data into DNA strands, many NP-complete problems have been solved and many new efficient techniques have been proposed in cryptography field. The aim of this paper is to give an overview of bio-inspired system and to summarize the great role of DNA molecule in servicing of the technology field.

Les systèmes industriels deviennent plus complexes en raison, notamment, de leur taille croissante et de l’intégration des nouvelles technologies. En vieillissant, ces systèmes deviennent plus vulnérables aux défaillances et leurs activités de maintenance sont difficiles et coûteuses. Cette situation, combinée aux exigences de productivité, de croissance des bénéfices, de disponibilité opérationnelle et de sécurité, pousse les praticiens et les chercheurs à développer des outils et des méthodes innovants. Les activités de maintenance constituent l’un des leviers possibles. En entretenant le système, nous pouvons réduire les coûts globaux de son cycle de vie, augmenter sa disponibilité, améliorer la sécurité des opérateurs et réduire les incidents environnementaux. Les tâches de maintenance peuvent être soit curatives, soit préventives. Cependant, cela n’est pas encore suffisant parce que les pièces de rechange ne sont pas disponibles ou pas suffisantes au moment de la panne ou simplement parce que les ressources nécessaires (les responsables de la maintenance) sont occupées. Une "meilleure" solution pourrait alors être une maintenance prédictive, qui peut être effectuée dans le framework du pronostic. Dans ce cadre nous essayons de prévoir l’état de santé du système, puis on planifie les actions appropriées en fonction des résultats des prévisions. Ce travail s’inscrit dans au domaine du pronostic de la PHM et de la gestion de la santé. Les techniques de PHM visent à prédire la durée de vie restante de l’équipement. Cependant, elles ont eu tendance à être utilisées dans un contexte local avec une intégration limitée des solutions distribuées. Dans les systèmes complexes, le comportement émergent est plus compliqué que la somme des comportements de leurs parties constitutives. Ce comportement implique la propagation de défauts entre les parties et nécessite des informations sur la fa\c con dont les parties sont liées. Dans cette thèse, nous proposons une approche multi-agent pour la prédiction de la RUL au niveau du système. Ensuite, l’approche proposée est étendue à la PHM médicale avec une étude de cas

Cette thèse traite de l’utilisation d’un outil de Machine Learning appelé "Extreme Learning Machine" dans le domaine du pronostic et de l’évaluation de la santé (e.g. estimation de la durée de vie utile restante (RUL)). Cet algorithme implique des méthodes de programmation linéaires qui reposent principalement sur les moindres carrés dans les paradigmes non linéaires des réseaux de neurones artificiels pour produire des estimateurs de santé très rapides et précis. D’autres parts, cette étude vise à distribuer le système de prédiction sur le web à l’aide de services Web pour résoudre les problèmes de répartition géographique de surveillance décentralisée. Sur la base de ce nouvel outil, de nombreux algorithmes d’apprentissage ont été développés dans le cadre de ce travail et comparés à d’autres algorithmes présents dans la littérature en termes de temps et de précision. La plupart des algorithmes développés sont inspirés des théories récentes de Deep Learning et ce en raison de leur bonne réputation. Les données étudiées dans ce travail de recherche sont tirées du logiciel C-MAPSS simulateur de système de propulsion aérodynamique développé par la NASA. Les résultats obtenus ont prouvé l’efficacité des nouveaux algorithmes et les recommandent pour une utilisation future dans le domaine de l’évaluation de la santé.

Le contexte actuel de globalisation et de concurrence accrue a entrainé les firmes à reconsidérer leurs stratégies d’internationalisation et à réexaminer les opportunités offertes et les risques associés. Les alliances stratégiques apparaissent ainsi comme des vecteurs privilégiés notamment par les firmes multinationales pour leurs nouvelles implantations.La communication et le travail d’équipe sont parmi les compétences les plus récurrents associés à une connaissance des sciences de l’ingénieur. Cependant, leur application n’est pas simple, en raison de l’absence d’approche pédagogique contribuant à développer des connaissances fondées sur l’expérience.Dans ce travail nous avons défini qu’est-ce qu’une organisation apprenante, qu’est-ce qu’un tutoriel et pourquoi un tutoriel personnalisé dans un métier, ses différentes formes et les démarches pour l’élaboration d’un tutoriel.Après nous avons donné une présentation de l’entreprise qu’est Textile Batna. Nous avons con\c cu un tutoriel pour l’entreprise sous forme d’un site Web. Pour cela, le langage UML a été utilisé. Les fonctionnalités du tutoriel ont été présentées.

Le 4ème semestre d’un mastère de recherche est consacré à la réalisation d’un travail de recherche qui sera traduit par une conception et une rédaction d’un mémoire de fin d’études et finalement la préparation d’un exposé oral puis une soutenance.Le mémoire de fin d’études est une étape très importante dans la voie des études universitaires, car sans elle, l’étudiant ne peut pas acquérir la qualité de diplômé.Alors, dans ce petit livre vous pouvez trouver un petit guide sur: - La fa\c con d’organisation de votre mémoire. - La présentation de votre soutenance. - La rédaction d’un travail de recherche. - La préparation d’un poster.Le 4ème semestre d’un mastère de recherche est consacré à la réalisation d’un travail de recherche qui sera traduit par une conception et une rédaction d’un mémoire de fin d’études et finalement la préparation d’un exposé oral puis une soutenance.Le mémoire de fin d’études est une étape très importante dans la voie des études universitaires, car sans elle, l’étudiant ne peut pas acquérir la qualité de diplômé.Alors, dans ce petit livre vous pouvez trouver un petit guide sur: La fa\c con d’organisation de votre mémoire. La présentation de votre soutenance. La rédaction d’un travail de recherche. La préparation d’un poster.

This paper describes a new approach for hourly global solar radiation forecasting based on a hybrid artificial neural network technique combining a residual neural network (RESNET) for powerful feature extraction of the most relevant moments of the past, and a long short-term memory (LSTM) technique for efficient projection into the future. Based on 11 years of solar irradiance measurements at Tamanrasset, Algeria, four evaluation metrics are used to demonstrate the efficiency of the proposed method: coefficient of determination (R²), root-mean-square error (RMSE), mean absolute error (MAE), and mean absolute percentage error (MAPE). These metrics are also used to evaluate the performance of the model in comparison with two existing forecasting models used as benchmark: a particular technique of convolutional neural network (CNN) called 1-dimensional convolutional neural network (1D-CNN) and a conventional LSTM. The present results indicate that the proposed RESNET-LSTM model outperforms the other models in terms of all statistical indicators.

Solar radiation forecasting is an important technology that is necessary to increase the performance, management, and control of modern electrical grids. It allows energy regulators to estimate the near-future output power of solar power plants, and can help to reduce the effects of power fluctuations on the electricity grid, thus increasing the overall efficiency and power quality of those plants [1]. However, the variable nature of solar irradiance poses a challenge in the exploitation of solar energy. In this context, forecasting techniques are now essential to ensure sustainable, reliable, and cost-effective solar energy production [2]. This paper proposes a hybrid machine learning model to forecast Global Horizontal Irradiance (GHI) in the short term (1-hour ahead). The experimental assessment of the model is done on the basis of an experimental dataset of 11 years of hourly GHI measurements from the BSRN Tamanrasset station in Algeria. The general framework of the proposed model is explained in Figure 1, and its main steps are summarized as follows:

Deep learning techniques have recently brought many improvements in the field of neural network training, especially for prognosis and health management. The success of such an intelligent health assessment model depends not only on the availability of labeled historical data but also on the careful samples selection. However, in real operating systems such as induction machines, which generally have a long reliable life, storing the entire operation history, including deterioration (i.e., bearings), will be very expensive and difficult to feed accurately into the training model. Other alternatives sequentially store samples that hold degradation patterns similar to real ones in damage behavior by imposing an accelerated deterioration. Labels lack and differences in distributions caused by the imposed deterioration will ultimately discriminate the training model and limit its knowledge capacity. In an attempt to overcome these drawbacks, a novel sequence-by-sequence deep learning algorithm able to expand the generalization capacity by transferring obtained knowledge from life cycles of similar systems is proposed. The new algorithm aims to determine health status by involving long short-term memory neural network as a primary component of adaptive learning to extract both health stage and health index inferences. Experimental validation performed using the PRONOSTIA induction machine bearing degradation datasets clearly proves the capacity and higher performance of the proposed deep learning knowledge transfer-based prognosis approach.

One of the main data-driven challenges when assessing bearing health is that training and test samples must be drawn from the same probability distribution. Indeed, it is difficult and almost rare to witness such a phenomenon in practical applications due to the constantly changing working conditions of rotating machines. In addition, collecting sufficient deterioration samples from the bearing life cycle is not possible due to the huge memory requirements and processing costs. As a result, accelerated life tests are believed to be the primary alternatives to such a situation. However, and unfortunately, the recorded samples always are subject to lack of real patterns. Therefore, in this paper, a transfer learning approach is performed to solve such kind of problem where PRONOSTICO dataset is used to assess the current procedures.

Complex engineering manufacturing systems require efficient online fault diagnosis methodologies to improve safety and reduce maintenance costs. Traditionally, diagnosis and prognosis approaches are centralised, but these solutions are difficult to implement on distributed systems; whereas a distributed approach of multiple diagnosis and prognosis agents can offer a solution. Also, controlling process plant from a remote location has several benefits including the ability to track and to assist in solving a problem that might arise. This paper presents a distributed and over prognosis and diagnosis approach for physical systems basing on multi agent system and service-oriented architecture. Specifics prognostic and diagnostic procedures and key modules of the architecture for web service-based distributed fault prognostic and diagnosis framework are detailed and developed for the preheater cement cyclones in the workshop of SCIMAT clinker. The experimental case study, reported in the present paper, shows encouraging results and fosters industrial technology transfer.

Dans ce travail de thèse, nous avons proposé un système de supervision appliqué sur un robot manipulateur à deux degrés de liberté. La supervision est utilisée pour assurer la reconfiguration en temps réel du robot. Dans ce système nous avons utilisé une nouvelle méthode de détection de défaut (FD) de frottement visqueux du robot supervisé combinée avec un module de commande tolérante aux défauts (FTC).Le premier module, basé sur une méthode de traitement appliquée sur des résidus, va permettre la détection de défaut pour bien estimer les corrections nécessaires du deuxième module. Une évaluation de l’effet de défaut durant la supervision a été faite. Par ailleurs, le protocole TCP pour le transfert des données entre le robot superviseur et le robot supervisé a été utilisé. Les résultats de simulation montrent que la méthode proposée corrige l’effet de défaut en utilisant les données qui arrivent d’un robot superviseur à distance. Ensuite, nous avons proposé une implémentation matérielle sur cible FPGA de l’algorithme de supervision dont le but est de valider notre contribution et d’assurer un traitement en temps réel dans le cas où il y a des robots réels. Par ailleurs, une étude comparative entre les performances des deux implémentations a été effectuée