With the evolution of the internet of things (IoT), and due to its significant need in the industry, Industrial IoT (IIoT) becomes the suitable naming for this accompaniment. IIoT changed the view of the industry intelligently and over the internet. This overlapping of IoT and industry requires special treatment when systems deal with heterogeneous devices in a distributed environment and complex tasks. In this paper, we propose a middleware solution based on multi-agents system (MAS) to handle the distributed control of complex systems autonomously in an industrial environment. The proposed middleware enables machine-to-machine (M2M) communications among the system’s components. In this work, we also addressed the distributed diagnostic for real industrial system using MAS with a new suitable communication strategy to support the heterogeneity and interoperability issued in IIoT and assure real-time monitoring and control. Finally, we present a qualitative evaluation of our solution on real case study (cement factory).

Cette thèse propose de concevoir et réaliser un système de reconnaissance automatique de la parole destiné à commander à distance un système audiovisuel à savoir : un Téléviseur. Le système global "bout en bout" se scinde en deux blocs : le premier cherche à extraire les meilleures caractéristiques à partir du signal vocal d’entrée. A cet effet, plusieurs techniques d’extraction de caractéristiques vont être examinées et testées. Concernant le deuxième bloc, nous mettons en évidence une multitude de techniques relevant du domaine de l’apprentissage profond, dont l’impact est d’adapter et de d’affirmer les caractéristiques extraites pour donner en final la classe de l’énoncé. La validation des différentes méthodologies présentées dans cette thèse a été effectuée sur la base de deux jeux de données réelles, le premier est tenu compte pour une évaluation initiale, tandis que le second est con\c cu exclusivement pour le système ASR proposé dans cette thèse. Les résultats obtenus ont certifié l’efficience des approches proposées. Le défi pour les travaux futurs est d’évaluer ce type de système dans des conditions plus réalistes avec des signaux vocaux issus des milieux bruités.

Modern wind turbines operate in continuously transient conditions, with varying speed, torque, and power based on the stochastic nature of the wind resource. This variability affects not only the operational performance of the wind power system, but can also affect its integrity under service conditions. Condition monitoring continues to play an important role in achieving reliable and economic operation of wind turbines. This paper reviews the current advances in wind turbine condition monitoring, ranging from conventional condition monitoring and signal processing tools to machine-learning-based condition monitoring and usage of big data mining for predictive maintenance. A systematic review is presented of signal-based and data-driven modeling methodologies using intelligent and machine learning approaches, with the view to providing a critical evaluation of the recent developments in this area, and their applications in diagnosis, prognosis, health assessment, and predictive maintenance of wind turbines and farms.

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.