http://univ-bejaia.dz/dspace/123456789/355 2026-06-12T20:40:39Z http://univ-bejaia.dz/dspace/123456789/27364 Techniques de commandes avancées des robots manipulateurs mobiles Ikni, Samir; Achour, Abdelyazid ; promoteur Cette thèse traite des difficultés liées à la modélisation et à la commande des robots manipulateurs mobiles (BMMs). Les BMMs sont des exemples typiques de systèmes non linéaires avec des contraintes non holonomes et une dynamique fortement couplée. Deux approches de commande sont explorées : l’une basée sur la linéarisation par rétroaction, l’autre sur le concept de passivité. La première approche assure la stabilité du système en appliquant la technique de linéarisation par rétroaction. Elle permet de contrôler la plate-forme mobile de manière à positionner l’organe terminal du manipulateur à une position prédéfinie. Ce contrôle s’appuie sur les mesures des positions articulaires du manipulateur pour planifier le mouvement de la plate forme. La deuxième approche, fondée sur le concept de passivité, améliore les performances tout en accomplissant les mêmes objectifs que la première. Elle est conçue pour garantir la robustesse du système face à des perturbations externes. En exploitant les particularités de la modélisation des BMMs, une loi de commande globale est proposée, considérant le BMM comme un système unique. Cette méthode intègre une fonction de régression fortement non linéaire afin de gérer les incertitudes et les contraintes de modélisation. Elle garantit un suivi précis de la position, réduit les erreurs asymptotiques à zéro et assure un fonctionnement robuste en présence de perturbations. Le processus de contrôle repose sur des règles d’adaptation des paramètres incertains, permettant de compenser efficacement les effets des perturbations. La stabilité du système est démontrée à l’aide de la théorie de Lyapunov. Comparés aux algorithmes classiques de contrôle par rétroaction, les contrôleurs développés sont appliqués à un manipulateur mobile constitué d’un robot manipulateur à deux degrés de liberté monté sur une plate-forme mobile. This thesis addresses the challenges related to the modeling and control of mobile manipulator robots (MMRs). MMRs are typical examples of nonlinear systems with non-holonomic constraints and strongly coupled dynamics. Two control approaches are explored: one based on feedback linearization, and the other based on the concept of passivity. The first approach ensures system stability by applying the feedback linearization technique. It allows for the control of the mobile platform to position the manipulator's end effector at a predefined position. This control relies on joint position measurements of the manipulator to plan the movement of the platform. The second approach, based on the concept of passivity, improves performance while achieving the same objectives as the first. It is designed to ensure system robustness in the face of external disturbances. By exploiting the particularities of MMR modeling, a global control law is proposed, considering the MMR as a single system. This method incorporates a highly nonlinear regression function to manage uncertainties and modeling constraints. It guarantees accurate position tracking, reduces asymptotic errors to zero, and ensures robust operation in the presence of disturbances. The control process relies on adaptation rules for uncertain parameters, enabling effective compensation for the effects of disturbances. System stability is demonstrated using Lyapunov's theory. Compared to classical feedback control algorithms, the developed controllers are applied to a mobile manipulator consisting of a two-degree-of-freedom robotic arm mounted on a mobile platform. Option : Systèm 2025-01-01T00:00:00Z http://univ-bejaia.dz/dspace/123456789/27363 Contribution au diagnostic des systèmes électro-énergétiques Behloul, Fatiha; Tafinine, Farid ; promoteur ette thèse propose une approche innovante pour le diagnostic des défauts des machines asynchrones en exploitant les signaux acoustiques et en combinant deux techniques avancées de traitement d’image : la matrice de cooccurrence des niveaux de gris (GLCM) et les motifs binaires locaux (LBP). Cette combinaison a conduit au développement d’une nouvelle approche bidimensionnelle, baptisée GLBP (Gray-Level Binary Patterns), permettant une extraction optimisée des caractéristiques texturales. L'utilisation de la méthode GLCM a permis de réduire l’espace de caractéristiques en sélectionnant uniquement cinq caractéristiques discriminantes, minimisant ainsi la complexité computationnelle. Les performances de l’approche GLBP ont été évaluées à l’aide de trois classificateurs d’intelligence artificielle : MCSVM (Multi-Class Support Vector Machine), K-NN (K-Nearest Neighbour) et ANN (Artificial Neural Network). Les résultats montrent un taux de classification parfait de 100 % avec MCSVM et ANN, et de 97,3 % avec K-NN, démontrant ainsi la robustesse et la fiabilité de la méthodologie proposée. Cette étude apporte une contribution significative en combinant des signaux acoustiques et des méthodes d’analyse de texture pour améliorer la précision du diagnostic des défauts dans les machines asynchrones. This thesis presents an innovative approach for fault diagnosis in asynchronous machines by leveraging acoustic signals and combining two advanced image processing techniques: the Gray-Level Co-occurrence Matrix (GLCM) and Local Binary Patterns (LBP). This combination led to the development of a new two-dimensional approach called GLBP (Gray-Level Binary Patterns), optimizing the extraction of textural features. The use of the GLCM method helped reduce the feature space by selecting only five discriminative features, thereby minimizing computational complexity. The performance of the GLBP approach was evaluated using three artificial intelligence classifiers: MCSVM (Multi-Class Support Vector Machine), K-NN (K-Nearest Neighbour), and ANN (Artificial Neural Network). The results show 100% classification accuracy with MCSVM and ANN, and 97.3% with K-NN, demonstrating the robustness and reliability of the proposed methodology. This study makes a significant contribution by combining acoustic signals and texture analysis methods to enhance the accuracy of fault diagnosis in asynchronous machines. The obtained results open promising industrial applications in predictive maintenance and electrical equipment monitoring. Option : Système 2025-01-01T00:00:00Z http://univ-bejaia.dz/dspace/123456789/27362 Design of a battery charger circuit with intelligent maximum photovoltaic power tracking control Larbi, Lydia; Belkaid, Abdelhakim ; promoteur; Hadji, Slimane ; co-promoteur olar photovoltaic energy plays a vital role in addressing global energy challenges due to its adaptability, scalability, and ability to meet diverse industrial and consumer demands. Compared to other renewable sources, PV systems offer long-term electricity generation without mechanical components, making them a reliable and low-maintenance option. However, their power output is inherently variable, with nonlinear voltage characteristics, leading to challenges related to intermittency. To ensure efficient energy utilization, maximum power point tracking (MPPT) is essential for optimizing power conversion at any given moment. This study focuses on the simulation of a battery charging circuit incorporating MPPT to maximize power extraction from PV modules under varying solar irradiance and temperature conditions in an off-grid system. Various MPPT techniques have been developed, ranging from conventional to advanced approaches, depending on environmental factors and system requirements. This work specifically compares two widely used methods: Perturb and Observe (P&O) and Artificial Neural Networks (ANN). Chapters 1 through 3 elaborate on the system architecture of PV-battery configurations, component modeling, power converter design, and control strategies. The results demonstrate that the ANN-based approach provides faster and more stable maximum power point tracking, with reduced oscillations and superior adaptability to weather variations compared to the P&O method. L'énergie solaire photovoltaïque joue un rôle essentiel dans la réponse aux défis énergétiques mondiaux grâce à sa flexibilité, sa modularité et sa capacité à répondre à des besoins variés, tant industriels que domestiques. Comparée à d’autres sources renouvelables, la technologie photovoltaïque permet une production électrique durable sans pièces mobiles, ce qui en fait une solution fiable et peu exigeante en maintenance. Cependant, la production d’énergie est intermittente et présente des caractéristiques tension-courant non linéaires, ce qui rend nécessaire l’optimisation du point de puissance maximale (MPPT) pour maximiser le rendement énergétique. Cette étude se concentre sur la modélisation et la simulation d’un système de charge de batterie intégrant un algorithme MPPT, afin d’extraire le maximum de puissance des modules PV sous des conditions variables d’ensoleillement et de température dans un système hors réseau. Différentes techniques MPPT ont été développées, allant des méthodes conventionnelles aux approches intelligentes, en fonction des conditions environnementales et des exigences du système. Ce travail compare plus particulièrement deux stratégies largement utilisées : la méthode Perturbation et Observation (P&O) et celle basée sur les réseaux de neurones artificiels (ANN). Les chapitres 1 à 3 détaillent respectivement l’architecture des systèmes PV-batterie, la modélisation des composants, la conception des convertisseurs et les stratégies de contrôle. Les résultats montrent que l’approche ANN offre un suivi plus rapide et plus stable du point de puissance maximale, avec moins d’oscillations et une meilleure adaptation aux variations météorologiques que la méthode P&O. Option: Automatic control and Industrial Computing 2025-01-01T00:00:00Z http://univ-bejaia.dz/dspace/123456789/27354 Biological, signals processing using artificial intelligence Merbouti, Mohammed abdenacer; Cherifi, Dailila ; promotrice The acquisition procedures for reading biological signals determine the type of the signal obtained and with the advance of acquisition techniques, biological signals have an almost unlimited variety of types some of which are rarely addressed. This thesis establishes a foundational framework for categorizing biological signals by origin, dynamics, and physical form, with a focused review of ECG applications. It highlights the dominance of heuristic, machine learning, and neural network approaches in pathology detection and biometric authentication while identifying understudied areas such as ECG-based imaging and emotion recognition. Building on this, a robust seven-step peak analyzer-based machine learning method is proposed for detecting the ECG characteristic peaks (P, Q, R, S, and T peak) with the rarely studied Wolff-Parkinson-White (WPW) pattern via Delta wave localization, comparing the performance of neural networks, k-nearest neighbors (KNN), and Naïve Bayes algorithms on the MITDB Arrhythmia database. The approach achieves high precision (99.25% accuracy with neural networks) and addresses limitations of the method’s dependency on the R peak detection leading to the proposal of an improved novel reinforcement learning-driven peak analyzer paired with an LSTM classifier to automate a real-time independent delineation of the fiducial points (onset, peak, and end) of the ECG characteristic waves, reducing input samples by 95.93% while maintaining low time error, short running time (40.11 ms per beat), and strong classification performance (96.07% sensitivity for peaks) on the QTDB and a custom CWD dataset. Les procédures d’acquisition des signaux biologiques déterminent le type de signal obtenu. Avec l’avancée des techniques d’acquisition, les signaux biologiques présentent une variété quasi illimitée, dont certains types sont rarement étudiés. Cette thèse établit un cadre fondamental pour catégoriser les signaux biologiques par origine, dynamique et forme physique, avec un examen ciblé des applications de l’électrocardiogramme (ECG). Elle met en lumière la dominance des approches heuristiques, d’apprentissage automatique et des réseaux de neurones dans la détection de pathologies et l’authentification biométrique, tout en identifiant des domaines sous-étudiés tels que l’imagerie basée sur l’ECG et la reconnaissance des émotions. Sur cette base, une méthode robuste en sept étapes, basée sur un analyseur de pics et l’apprentissage automatique, est proposée pour détecter les pics caractéristiques de l’ECG (P, Q, R, S, T), notamment le motif de Wolff-Parkinson-White (WPW) via la localisation de l’onde Delta, en comparant les performances des réseaux de neurones, des k-plus proches voisins (KNN) et de l’algorithme Naïve Bayes sur la base de données MITDB d’arythmie. L’approche atteint une haute précision (99,25 % de précision avec les réseaux de neurones) et aborde les limites de la dépendance de la méthode à la détection du pic R, conduisant à la proposition d’un nouvel analyseur de pics amélioré, piloté par apprentissage par renforcement et couplé à un classifieur LSTM pour automatiser la délimitation en temps réel des points fiduciaires (début, pic, fin) des ondes caractéristiques de l’ECG, réduisant les échantillons d’entrée de 95,93 % tout en maintenant une faible erreur temporelle, un temps d’exécution court (40,11 ms par battement) et une performance de classification élevée (96,07 % de sensibilité pour les pics) sur la base QTDB et un jeu de données personnalisé CWD. Specialty: Telecommunications Systems 2025-01-01T00:00:00Z