Appréciations, signature et cachet de

l’encadrant
 DÉDICACES

Que ce travail témoigne de mes respects :

A mes chers parents Rafiaa et Hassine LAOUINI,

Pour tous leurs sacrifices ,leur amour , leur conseil et leurs prières leur
soutien moral et surtout leur patience tout au long de mes études que dieu
leur protège et leur procure bonne santé et longue vie.

Pour leurs tendres encouragements et leurs grands sacrifices, afin de créer le

climat affectueux et propice à la poursuite de mes études.

Aucune dédicace ne pourrait exprimer mon respect, ma considération et mes

profonds sentiments envers eux.

Que dieu les préserve, de veiller sur eux, en espérant qu’ils seront toujours
fiers de moi.

A mes chéres sœurs et mon frère,

ii
 iii

Wided , Wafa et Wassim pour leur appui et leur encouragement durant

toutes ces années.

A ma famille,

Ils vont trouver ici l’expression de mes sentiments de respect et de

reconnaissance pour le soutien qu’ils n’ont cessé de m’apporter.

A tous mes professeurs et mes encadrants,

Leur générosité et leur soutien m’obligent de leur témoigner de mon profond

respect et ma loyale considération.

A tous mes ami(e)s et à tous ceux qui m’aiment et tous ceux qui m’ont aidé
tout au long de mes études.

Ils vont trouver ici le témoignage d’une fidélité et d’une amitié infinie.

Mohamed Ali
 REMERCIEMENTS

Mes remerciements les plus chaleureux vont particulièrement aux personnes

qui ont contribué de près ou de loin à la réalisation de ce projet.
Je tiens à remercier vivement M. Amine KRISTOU, manager de l’équipe
ACTIA Télécom pour son accueil, grâce aussi à sa confiance j’ai pu m’accom-
plir totalement dans mes missions.
Mes profonds remerciements à M. Marwen BEN MBARKA, mon enca-
drant professionnel, pour ses encouragements et sa disponibilité, sa patience
tout au long de mon projet. Je vous remercie pour vos précieuses directives
et vos judicieux conseils.
Je tiens également à exprimer mes respects et mes salutations à mon super-
viseur à la Faculté des Sciences de Tunis, Mme. Ibtissem MALOUCHE
pour sa patience, son assistance et ses précieuses recommandations.

Au même titre, Je tiens à remercier les membres du jury Mr. Chokri

GAMMOUDI et Mr. Dhafer MEZGHANI qui m’ont honoré en accep-
tant d’évaluer mon travail et j’espère qu’ils y trouvent les qualités de clarté
et de motivation qu’ils attendent.

iv
 v

Je me fais aussi un devoir de remercier tous mes enseignants à Faculté des

Sciences de Tunis pour la formation de qualité qui m’ont prodigué tout au
long de mon cursus universitaire.

Ma gratitude s’adresse aussi à tous les membres de l’équipe «ACTIA Té-

lécom» pour m’avoir accepté parmi eux, pour leurs conseils inestimables et
leurs précieux supports.
 TABLE DES MATIÈRES

I CADRE GÉNÉRAL DU PROJET 1

I) Présentation de l’organisme d’accueil . . . . . . . . . . . . . . . . . . . . . 1
I.1) ACTIA GROUP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
I.2) ACTIA Engineering Services . . . . . . . . . . . . . . . . . . . . . . 2
I.3) Domaines d’activités . . . . . . . . . . . . . . . . . . . . . . . . . . 3
I.4) Secteurs d’activités . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
I.5) L’organisme de l’entreprise . . . . . . . . . . . . . . . . . . . . . . . 4
I.6) L’équipe « ACTIA TELECOM » . . . . . . . . . . . . . . . . . . . 4
I.7) Méthodologie adoptée . . . . . . . . . . . . . . . . . . . . . . . . . 5
I.8) Présentation du projet . . . . . . . . . . . . . . . . . . . . . . . . . 6
II) Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
III) Solution proposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

II États de l’art 8
I) Intelligence Artificiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.1) Exemples de l’IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.2) Basique de l’Intelligence Artificielle . . . . . . . . . . . . . . . . . . 10
I.3) Concept IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
I.4) MACHINE LEARNING . . . . . . . . . . . . . . . . . . . . . . . . 12
I.5) Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
II) Distribution de l’énergie électrique . . . . . . . . . . . . . . . . . . . . . . 18
II.1) Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

vi
TABLE DES MATIÈRES vii

II.2) Type de signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

II.3) Architecture générale du réseau électrique . . . . . . . . . . . . . . 20
II.4) Types de réseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
II.5) Les anomalies dans un réseau électrique . . . . . . . . . . . . . . . 22
II.6) COMPTAGE D’ÉNERGIE . . . . . . . . . . . . . . . . . . . . . . 25
III) TinyML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
III.1) Qu’est-ce que TinyML . . . . . . . . . . . . . . . . . . . . . . . . . 27
III.2) Avantages de TinyML . . . . . . . . . . . . . . . . . . . . . . . . . 27

III Analyse et Conception 28

I) Analyse du marché cible . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
I.1) Contrainte du marché cible . . . . . . . . . . . . . . . . . . . . . . . 28
II) Langage de modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
II.1) Définition de l’UML . . . . . . . . . . . . . . . . . . . . . . . . . . 29
II.2) Utilité d’UML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
III) Spécification des besoins . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
III.1) Identification des acteurs . . . . . . . . . . . . . . . . . . . . . . . . 29
III.2) Besoins fonctionnels et non fonctionnels . . . . . . . . . . . . . . . 30
IV) CONCEPTION GLOBALE . . . . . . . . . . . . . . . . . . . . . . . . . . 32
IV.1) Diagramme de cas d’utilisation global . . . . . . . . . . . . . . . . . 32
IV.2) Diagramme de séquence global . . . . . . . . . . . . . . . . . . . . . 35
IV.3) Critique de la solution existante . . . . . . . . . . . . . . . . . . . 36
V) Conception modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
V.1) Raison du choix de l’ANN . . . . . . . . . . . . . . . . . . . . . . . 39
V.2) Étude des données . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
V.3) Type d’activation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
V.4) Création du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

IV RÉALISATION 42
I) Environnement matériel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
I.1) Eval stpm34 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
I.2) STM32F746G-DISCO . . . . . . . . . . . . . . . . . . . . . . . . . 43
II) Environnement logiciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
II.1) STMcubIDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
II.2) Qt creator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
TABLE DES MATIÈRES viii

II.3) Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
II.4) Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
II.5) Spyder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
II.6) PSIM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
II.7) Altium . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
III) Extraction des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
III.1) Schéma fonctionnel . . . . . . . . . . . . . . . . . . . . . . . . . . 49
III.2) Préparation de l’environnement . . . . . . . . . . . . . . . . . . . . 50
III.3) Résultat de l’extraction de données . . . . . . . . . . . . . . . . . . 57
IV) Modèle de réseau de neurones . . . . . . . . . . . . . . . . . . . . . . . . . 60
IV.1) Schéma fonctionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
IV.2) Normalisation de données . . . . . . . . . . . . . . . . . . . . . . . 61
IV.3) Phase création de modèle . . . . . . . . . . . . . . . . . . . . . . . 65
IV.4) Phase apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . 65
IV.5) Phase validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
V) Phase implémentions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Conclusion et perspectives 73

Netographie 75
 TABLE DES FIGURES

I.1 Logo ACTIA Group . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

I.2 L’implantation du groupe ACTIA/ACTIELEC Technologies dans le monde 2
I.3 Siège social de la société ACTIA . . . . . . . . . . . . . . . . . . . . . . . . 2
I.4 Cycle en V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

II.1 API de décodage et de cartes. . . . . . . . . . . . . . . . . . . . . . . . . . 9

II.2 Smartphone Apps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
II.3 Smart Cars. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
II.4 réseaux de neurones d’un cerveau. . . . . . . . . . . . . . . . . . . . . . . . 10
II.5 IA, Machines Learning et Deep Learning . . . . . . . . . . . . . . . . . . . 11
II.6 Régression linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
II.7 Plus proche voisin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
II.8 Random forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
II.9 réseau de neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
II.10 Architecture d’une neurone. . . . . . . . . . . . . . . . . . . . . . . . . . . 18
II.11 Architecture générale du réseau électrique . . . . . . . . . . . . . . . . . . 19
II.12 Signal sinusoïdal simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
II.13 Systèmes triphasés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
II.14 Schéma générale du réseau électrique . . . . . . . . . . . . . . . . . . . . . 21
II.15 Vue générale d’une partie d’un réseau de lignes aériennes . . . . . . . . . . 22
II.16 Ligne de transmission souterraine . . . . . . . . . . . . . . . . . . . . . . . 22
II.17 Différents types des défauts . . . . . . . . . . . . . . . . . . . . . . . . . . 24
II.18 Soc stpm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

ix
Table des figures x

II.19 TinyML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

III.1 liste des acteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

III.2 Schéma fonctionnel de système . . . . . . . . . . . . . . . . . . . . . . . . . 31
III.3 Diagramme de cas d’utilisation global . . . . . . . . . . . . . . . . . . . . 34
III.4 Diagramme de séquence global . . . . . . . . . . . . . . . . . . . . . . . . . 35
III.5 Architecture systeme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
III.6 Communication pin description . . . . . . . . . . . . . . . . . . . . . . . . 37
III.7 Startup interface selection timing . . . . . . . . . . . . . . . . . . . . . . . 37
III.8 Power-on-reset sequence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
III.9 Trame de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
III.10Synchronisation de données . . . . . . . . . . . . . . . . . . . . . . . . . . 39
III.11Architecture de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
III.12Architecture de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
III.13Diagramme d’activité de création d’un modèle . . . . . . . . . . . . . . . . 41

IV.1 EVAL-STPM34 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
IV.2 STM32 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
IV.3 logo STM32CubeIDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
IV.4 STM32 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
IV.5 Logo Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
IV.6 logo Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
IV.7 Logo Spyder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
IV.8 logo psim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
IV.9 logo Altium . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
IV.10Schéma fonctionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
IV.11Circuit génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
IV.12Schéma électrique global de circuit . . . . . . . . . . . . . . . . . . . . . . 51
IV.13Résultat de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
IV.14Partie de fonctionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
IV.15Partie alimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
IV.16Conception 3D d’une carte PCB . . . . . . . . . . . . . . . . . . . . . . . . 53
IV.17Image réelle d’un générateur triphasé . . . . . . . . . . . . . . . . . . . . . 53
IV.18Capture du programme STM32 . . . . . . . . . . . . . . . . . . . . . . . . 54
IV.19Visualisation de structure de données . . . . . . . . . . . . . . . . . . . . . 55
Table des figures xi

IV.20Capture de récupération de données . . . . . . . . . . . . . . . . . . . . . . 56

IV.21Organisation de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.22Interface unité de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
IV.23État stable du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
IV.24Défaut 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
IV.25Défaut 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
IV.26Défaut 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
IV.27Data-set . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
IV.28Cros validation de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
IV.29Interface SPYDER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
IV.30Instruction de visualisation de données . . . . . . . . . . . . . . . . . . . . 61
IV.31Visualisation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
IV.32Décodage des données de sortie . . . . . . . . . . . . . . . . . . . . . . . . 63
IV.33Défauts décodés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
IV.34Instruction de répartition de données . . . . . . . . . . . . . . . . . . . . . 64
IV.35Données de test et données d’apprentissage . . . . . . . . . . . . . . . . . . 64
IV.36Création de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
IV.37Apprentissage et visualisation d’erreur . . . . . . . . . . . . . . . . . . . . 66
IV.38Données réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
IV.39Comparaison entre le défaut réel et le défaut prédit . . . . . . . . . . . . . 67
IV.40Perte de formation et de validation . . . . . . . . . . . . . . . . . . . . . . 68
IV.41Comparaison entre valeurs actuelles et valeurs de prédiction . . . . . . . . 68
IV.42Premier test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
IV.43Nombre de neurones modifié . . . . . . . . . . . . . . . . . . . . . . . . . . 69
IV.44Modèle exporté . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
IV.45Stm32cube IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
IV.46Usage du matériel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
IV.47Configuration de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
IV.48Arborescence des fichiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Table des figures xii

— Introduction Générale
L’usage généralisé de l’électronique a rendu plus sensible le sujet de la qualité de l’ali-
mentation et de son impact sur les équipements électriques critiques utilisés dans les en-
treprises.
Notre univers technologique est devenu fortement dépendant d’une disponibilité conti-
nue du courant électrique. Dans la plupart des pays, l’électricité est commercialement
disponible au travers de réseaux nationaux, qui relient de nombreuses centrales de produc-
tion aux consommateurs, ce monde de la technologie intelligente exige de l’électricité sans
coupures ni perturbations.
C’est pour cela que les défauts électriques d’un système électrique doivent être éliminés
rapidement. Dans les premiers jours des systèmes d’alimentation électrique, l’élimination
des défauts était administrée par le personnel de maintenance, qui a détecté visuellement
le défaut et a actionné manuellement un interrupteur pour effacer le défaut.
À mesure que les courants de défaut devenaient plus importants et que les exigences de
fonctionnement du système d’alimentation électrique devenaient plus strictes, la nécessité
d’un dégagement automatique des défauts est devenue une nécessité.
Pour cela, la société ACTIA TELECOM qui est un acteur principal dans le domaine
de l’énergie, se propose de réaliser une mise en place et implémentions d’une solution de
détection et classification des défauts d’un réseau électrique en se basant sur l’intelligence
artificielle.
C’est dans ce cadre que s’inscrit notre projet de fin d’études réalisé afin de développer
un système qui effectue la détection et la classification de certains défauts qui peuvent ap-
paraître sur un réseau électrique en temps réel, pour pouvoir réparer et remettre en service
le réseau dans les plus brefs délais, afin de fournir un service fiable aux consommateurs.
Cette étude a été faite pour appliquer les réseaux de neurones artificiels au profond
pour résoudre les problèmes de détection et de classification des défauts, Tout d’abord,
nous abordant les défauts et nous les classifions à l’aide d’un modèle intelligent basé sur les
réseaux de neurones avec des valeurs hyper-paramétrés différentes. Plus précisément, nous
étudions les effets de deux hyperparamètres, le nombre de couches cachées et le nombre
de neurones dans la dernière couche cachée, sur la performance des réseaux de neurones.
Nous évaluons également comment l’augmentation des données affecte les performances
du réseau. Enfin, nous examinons la capacité des réseaux de neurones profonds pour la
classification des défauts.
Notre travail sera présenté sous la forme de quatre chapitres. En premier lieu, nous
Table des figures xiii

s’intéressons à la présentation générale l’entreprise d’accueil ; le groupe « ACTIA ». Ensuite,

nous passons au deuxième chapitre « État de l’Art », nous expliquons les notions de base
des différentes technologies utilisées. Le troisième chapitre c’est l’analyse qui étudie le
marché cible et la conception globale où nous s’intéressons à la conception de l’intelligence
artificielle. Et, nous finirons par la présentation de la phase de réalisation de notre projet.
Une conclusion générale clôturera ce rapport dans la dernière partie, tout en y évoquant
les perspectives que ouvrera cette application surtout l’utilité et l’efficacité de ce projet.
CHAPITRE I
CADRE GÉNÉRAL DU PROJET

Introduction
Dans ce chapitre nous positionnons le projet dans son cadre général. Nous commençons
d’abord par présenter la société d’accueil. Par la suite nous enchaînerons par le cadre
général du projet et ses solutions.

I) Présentation de l’organisme d’accueil

I.1) ACTIA GROUP

ACTIA est un groupe mondial d’origine française spécialisé dans la conception, la
fabrication et l’exploitation d’une électronique au service de la gestion des systèmes dans les
domaines de l’automotive, l’aéronautique, ferroviaire, réseau de télécommunication ou de
l’énergie. Le développement d’une économie d’usage dans les différents domaines d’activité
du groupe oriente ACTIA vers des offres intégrant de plus en plus d’applications de services.

Figure I.1 – Logo ACTIA Group

ACTIA Group est maintenant l’un des leaders des développeurs des systèmes embarqués

1
I). Présentation de l’organisme d’accueil 2

dans le monde et elle compte vingt-quatre implantations dans seize pays différents. (Figure
I.2)

Figure I.2 – L’implantation du groupe ACTIA/ACTIELEC Technologies dans le monde

I.2) ACTIA Engineering Services

ACTIA (ACTIA Engineering Services) est une société de services et de conseil en ingé-
nierie franco-tunisienne implantée au Technopôle El Ghazela depuis juillet 2005, filiale du
groupe mondial ACTIA Technologies Group, leader mondial dans le diagnostic automobile
et la télécommunication. Depuis sa création, elle accompagne ses clients dans le dévelop-
pement et l’intégration des logiciels et progiciels liés, destinés aux marchés des véhicules
roulants, des télécommunications et des avions. La figure suivante présente le siège social
de la société :

Figure I.3 – Siège social de la société ACTIA

ACTIA ES a développé un réel savoir-faire pour :

- Le développement de logiciels embarqués ou desktop ;
I). Présentation de l’organisme d’accueil 3

- Les tests et la validation des systèmes complexes ;

- Les services concernant les équipements.
La société emploie aujourd’hui plus de 420 salariés, elle a mis en œuvre un système
qualité performant et en perpétuelle amélioration, mais aussi des méthodologies et des ex-
pertises prouvées de gestion de projets issues de bonnes pratiques et de meilleurs standards
de l’industrie logicielle.

I.3) Domaines d’activités

Avec une forte culture d’engagement, ACTIA assure à ses clients la réactivité et l’effica-
cité opérationnelle de modèles de collaboration adaptés, flexibles et évolutifs. Les activités
d’ACTIA sont divisées en plusieurs services :

- Les services de diagnostic : ACTIA et toutes les filiales du ACTIA Group pro-
posent à leurs clients des solutions de diagnostic fiables, évolutives et globales. Elles
utilisent des méthodes de diagnostic permettant d’organiser et d’exploiter toutes
les données relatives au cycle de vie d’un véhicule. Ceci, parce que tout système
informatique d’un véhicule se focalise sur le diagnostic électronique.

- Les services de validation : Pour aboutir à la satisfaction de ses clients et pour

assurer un certain niveau de qualité, ACTIA consacre un département lié à la va-
lidation et aux tests. Le but est la vérification de la conformité d’un produit, qui
peut être un logiciel, un équipement ou tout un système, par rapport aux besoins
et aux exigences des clients et par rapport aussi aux normes officielles.

- Les services manufacturing logiciels : Les services manufacturing logiciels sont

les services par rapport aux supports manufacturing, comme les cadres de brassage
et de vernissage, le posage et le câblage, aux testeurs fonctionnels, comme les testeurs
de calculateur en bout de lignes et les interfaces de test, à l’expertise électronique
comme le développement électronique et le routage.

- Les services de qualité : Ces services ont pour but de mettre en place des normes
de qualité et des exigences nécessaires pour l’obtention des certifications de qualité.

I.4) Secteurs d’activités

Le secteur d’activité principal de ACTIA est principalement basé sur l’automobile et
le transport. Mais au fil des années, elle s’est ouverte à d’autres secteurs :
I). Présentation de l’organisme d’accueil 4

- Automobile et transport : ACTIA se trouve dans le domaine automobile depuis

10 ans, ce qu’il lui permet d’intervenir aujourd’hui sur des projets à forte valeur
ajouté. Son appartenance à ACTIA Group lui a permis de travailler sur des projets
complets et diversifiés comme des logiciels embarqués, des logiciels applicatifs, sûreté
de fonctionnement, du développement mécatronique.

- IT : ACTIA considère la créativité comme étant un facteur majeur de survie surtout

avec le durcissement de la concurrence. C’est pour cela, elle propose des solutions
adaptées à l’évolution rapide au niveau des technologies et des solutions logicielles
avancées en cycle de vie complet.

- Industrie : ACTIA assure la conception et l’intégration des projets électroniques et

mécaniques. Avec les équipes de services manufacturing et de test fonctionnel, elle
travaille avec des partenaires en termes d’outillage de production et avec l’équipe
laboratoire, elle assure les essais de qualification pour des équipements industriels
variés.

- Multimédia et télécommunication : ACTIA intervient dans le développement

des applications en cycle de vie court, objets connectés et Smartphone. Elle fournit
des applications personnalisées aussi à ses partenaires.

I.5) L’organisme de l’entreprise

Dans la figure I.4, nous allons présenter l’organigramme des départements d’ACTIA.
En plus des départements ordinaires que toute entreprise doit avoir comme les ressources
humaines et le commercial, la société ACTIA a différents départements dans la recherche
et le développement, nous pouvons citer l’activité d’informatique, les activités électriques
et mécaniques. Chaque département est composé de plusieurs équipes. Durant mon stage,
j’étais accueillie par l’équipe « ACTIA TELECOM ».

I.6) L’équipe « ACTIA TELECOM »

Le projet a été effectué au sein de l’équipe « ACTIA TELECOM » qui est une division
de ACTIA ES spécialisée dans les projets appartenant au domaine de télécommunication.
Elle est reconnue sur les marchés des télécommunications professionnelles pour son
savoir-faire dans la conception et le développement de solutions innovantes, pour sa maitrise
des aspects systèmes, transmission et sécurité.
I). Présentation de l’organisme d’accueil 5

Ainsi, ACTIA TELECOM, a pu conçu des systèmes de télécommunication dans des

secteurs variés :

- Ferroviaire : création des systèmes de contrôle/commande, électronique de puis-

sance, informations voyageurs, transmission sans fil, divertissement passagers, sys-
tèmes d’annonces sécuritaires.

- Energie : Conception et réalisation des solutions innovantes dans le domaine de

l’énergie électrique : des systèmes de supervision, de télécommunication et de contrôle
commande dédiés pour la gestion des réseaux électriques : création, transport, dis-
tribution et utilisation.

I.7) Méthodologie adoptée

Les projets d’ACTIA Engineering Services sont gérés selon le modèle du cycle en V. Les
étapes qui sous-tendent ce modèle sont les suivantes : Analyse des besoins, Spécification
fonctionnelle, Conception architecturale, Conception détaillée, Codage, Test unitaire, Test
d’intégration, Test de validation et Validation fonctionnelle.
Chaque étape est exécutée dans les règles de l’art. Pour chaque étape de projet, AC-
TIA Engineering Services veille à identifier les exigences aussi bien explicites qu’implicites,
formaliser la validation de l’étape écoulée avant de passer à l’étape suivante et respecter
les impératifs de qualité et délai. Les équipes disposent des meilleurs outils garantissant la
réussite de chacun des processus nécessaires à la création d’un produit : Outil de gestion
de projets, analyse statique de codes, gestion de configuration, gestion d’anomalies, suivi
des exigences, et outil de conception.
Pour chacun des domaines d’expertise couverts par ACTIA Engineering Services, l’en-
treprise met à la disposition des clients un chef de projets expérimenté, reflétant pleinement
la culture de l’entreprise, en ayant toujours à l’esprit leur satisfaction.
La première étape du cycle en V est l’expression des besoins du client. En effet, ce
dernier exprime son besoin à travers un cahier des charges où il décrit les fonctionnalités
du produit final selon sa vision. L’étape suivante est la spécification : il s’agit d’une étape
cruciale de la réalisation du projet. Elle consiste à étudier le cahier des charges fourni par
le client et d’en extraire une liste d’exigences. Pendant la conception, il est à noter que des
tests sont conçus au fur et à mesure afin d’y faire recours à la fin de la phase de codage.
Quant à la conception, elle est constituée de deux parties : la conception de haut niveau
et la conception de bas niveau. La conception de haut niveau définit la structure générale
I). Présentation de l’organisme d’accueil 6

de l’application. Tandis que la conception de bas niveau détaille très précisément par quels
moyens les fonctionnalités vont être traitées.

Figure I.4 – Cycle en V

I.8) Présentation du projet

Ce projet se situe dans le cadre du projet de fin d’études en cycle ingénieur en génie
électronique spécialité systèmes embarqués.
À mesure que la demande d’électricité augmente, les systèmes électriques deviennent
plus complexes et plus difficiles à gérer. Une propriété essentielle de tout système complexe
est qu’il doit continuer à fonctionner de manière satisfaisante, même lorsqu’une partie du
système est soumise à des perturbations aléatoires.
Afin de maintenir la continuité de fourniture de ce service aux clients, il faut chercher
un moyen rapide qui assure la détection, l’identification de ces défauts avec une exactitude
raisonnable pour le réparer plus rapidement possible.
Dans ce contexte, et pour gérer la consommation électrique, contrôler en temps réel la
qualité de réseau, détecter l’apparition de défaut. ACTIA Engineering Services a décidé
d’entrer au marché par son propre produit qui représente un « Module de détection et de
localisation de défaut électrique ».
II). Problématique 7

II) Problématique
Les conséquences (dans la plupart des cas, les dommages ou les dangers potentiels pour
les humains et les biens) causées par les défauts électriques dans les systèmes d’alimentation
dépendent fortement de l’ampleur du courant de défaut, qui à son tour dépend du type de
défaut, de l’emplacement du défaut, de la mise à la terre du système, de l’impédance de
la source et de l’impédance du défaut. La durée du défaut est également d’une importance
considérable lors de l’estimation des conséquences d’un défaut. Une façon de caractériser les
types de défauts est de les décrire comme des défauts de la série shunt or. Les failles de shunt
sont des failles lorsqu’une ou plusieurs des phases sont court-circuitées (éventuellement à
la terre). Les défauts de dérivation sont en général plus graves que les défauts de série, qui
pourraient être décrits comme une interruption dans une ou plusieurs des phases.

III) Solution proposée

Dans ce projet, les réseaux de neurones profonds sont appliqués au problème de la
détection et de la classification des défauts pour illustrer leur capacité. Tout d’abord, les
problèmes de détection et de classification des défauts sont formulés comme des problèmes
de classification basés sur les réseaux neuronaux.
Ensuite, les réseaux de neurones sont entraînés à effectuer la détection des défauts, et
les effets de deux hyperparamètres (nombre de couches cachées et nombre de neurones dans
la dernière couche cachée) et l’augmentation des données sur les performances des réseaux
de neurones sont examinées. Le problème de la classification des défauts est également
abordé à l’aide de réseaux de neurones avec augmentation des données.
Enfin, les résultats obtenus à partir de réseaux de neurones profonds sont comparés
à d’autres méthodes basées sur les données pour illustrer les avantages des réseaux de
neurones profonds.

Conclusion

Dans ce chapitre, nous avons présenté la société d’accueil « d’ACTIA Engineering

Services », au sein de laquelle nous avons effectué notre stage de fin d’études. Ensuite,
nous avons introduit notre projet, notre problématique. Enfin nous avons proposé notre
solution. Dans le prochain chapitre, nous présenterons l’état de l’art du projet.
CHAPITRE II
ÉTATS DE L’ART

Intoduction Dans ce premier chapitre, nous nous intéresserons au cadre général de

notre projet. Il s’agit d’étudier les concepts de base de la différence des connaissances
associées a l’intelligence artificiel .

I) Intelligence Artificiel
C’est la capacité de révolutionner tous les aspects de l’intelligence quotidienne . on parle
d’une nouvelle évolution qui pourrait fondamentalement changer la vie sur notre planète il
est intégré dans tous les domaines , Santé, Transport, Commerce, Assistante Personnelle,
Industrie, Environnement, Finance, Défense etc...

I.1) Exemples de l’IA

Les exemples de l’IA dans notre vie quotidienne :
- Travel and Navigation Google, Apple et de nombreux autres fournisseurs de ser-
vices liés à la navigation utilisent l’intelligence artificielle pour interpréter les di-
zaines d’informations reçues et vous fournir des informations qui aident à la navi-
gation ainsi que des mises à jour en direct sur le trafic, vous aidant à vous déplacer
plus efficacement.

8
I). Intelligence Artificiel 9

Figure II.1 – API de décodage et de cartes.

- Smartphone Apps Assistants intelligents intégrés sur nos téléphones comme Siri,
Alexa et Google Assistant sont les exemples les plus évidents d’IA que la plupart
d’entre nous connaissent et utilisent..

Figure II.2 – Smartphone Apps

- Smart Cars Les voitures intelligentes sont un autre domaine dans lequel l’intel-
ligence artificielle augmente sa présence dans notre vie quotidienne. Ce ne sont
pas seulement des entreprises comme Tesla qui sont à la pointe de l’utilisation de
l’automatisation dans les véhicules, mais de nombreux constructeurs automobiles
envisagent également d’intégrer l’IA avec les automobiles pour fournir des services
transparents des différentes technologies que vous utilisez.

L’IA au service de la santé L’IA offre des possibilités sans précédent en santé, que
ce soit par l’analyse des données massives pour mieux comprendre, détecter et traiter
les maladies ou encore par la robotisation. Innovation de rupture, l’IA transformera
de manière rapide et profonde les soins, l’enseignement, la recherche et la gestion
des systèmes de santé.
I). Intelligence Artificiel 10

Figure II.3 – Smart Cars.

I.2) Basique de l’Intelligence Artificielle

L’intelligence artificielle est un modèle inspiré du cerveau humain, c’est un réseau
énorme d’environ 100 milliards de neurones interconnectés

Figure II.4 – réseaux de neurones d’un cerveau.

Les réseaux de neurones, communément appelés des réseaux de neurones artificiels sont des
imitations simples des fonctions d’un neurone dans le cerveau humain pour résoudre des
problématiques d’apprentissage de la machine (Machine Learning) Un réseau de neurones
artificiels (RNA) est modélisé sur les neurones d’un cerveau biologique. Les neurones artifi-
ciels sont appelés nœuds et sont regroupés en plusieurs couches, fonctionnant en parallèle.
Lorsqu’un neurone artificiel reçoit un signal numérique, il le traite et signale les autres neu-
rones qui lui sont connectés. Comme dans un cerveau humain, le renforcement neuronal
se traduit par une meilleure reconnaissance des formes, une expertise et un apprentissage
global.

I.3) Concept IA
La définition de l’intelligence artificielle dans les manuels scolaires est basée sur deux
dimensions : le processus de pensée et de raisonnement, et le comportement.
I). Intelligence Artificiel 11

D’autres disciplines de l’IA ont vu le jour ces dernières années. L’apprentissage

automatique, l’apprentissage profond sont plus souvent parlés dans les entreprises.

Mais en fait, ces trois termes (intelligence artificielle, machine d’apprentissage et

apprentissage profond) ne sont pas la même chose.

L’IA est le parent de tous les sous-ensembles d’apprentissage automatique en des-

sous. Dans le premier sous-ensemble se trouve l’apprentissage automatique (Machine
Learning) ; à l’intérieur de cela, il y a l’apprentissage profond (Deep LearninLe
concept d’apprentissage automatique a été introduit pour la première fois dans les
années 1950, à l’époque des pionniers de l’IA.
En 1950, Alan Turing a publié l’article "Computing Machinery and Intelligence"
qui suggérait un célèbre test d’évaluation de l’IA que nous connaissons aujourd’hui
sous le nom de Turing Test. En 1959, Arthur Lee Samuel a inventé le terme « ap-
prentissage automatique ».

L’apprentissage automatique (ML) peut être largement défini comme des méthodes
de calcul utilisant l’expérience pour améliorer les performances ou pour faire des
prédictions précises g), puis les réseaux neuronaux à l’intérieur de cela.

Figure II.5 – IA, Machines Learning et Deep Learning

I). Intelligence Artificiel 12

I.4) MACHINE LEARNING

I.4.a) Définition ML

Le concept de la Machine Learning a été introduit pour la première fois dans les années
1950, à l’époque des pionniers de l’IA. En 1950, Alan Turing a publié l’article "Compu-
ting Machinery and Intelligence" qui suggérait un célèbre test d’évaluation de l’IA que
nous connaissons aujourd’hui sous le nom de Turing Test. En 1959, Arthur Lee Samuel a
inventé le terme « apprentissage automatique ». L’apprentissage automatique (ML) peut
être largement défini comme des méthodes de calcul utilisant l’expérience pour améliorer
les performances ou pour faire des prédictions précises.

Nous définissons l’apprentissage automatique comme une série de manipulations mathé-

matiques effectuées sur des données importantes afin d’obtenir des informations précieuses.
C’est l’étude d’algorithmes qui apprennent à partir d’exemples et d’expériences au lieu de
règles codées en dur. Il existe généralement trois principaux types de problèmes d’appren-
tissage automatique : supervisé, non supervisé et par renforcement.
Apprentissage supervisé
Pour cet apprentissage, nous avons des données en entrée (Features) et le résultat attendu
(Label). Il nous permet de faire des prédictions basées sur un modèle qui est obtenu à
partir de données d’historique et de l’algorithme choisi.
!Supervised machine learning problem : ce sont des problèmes où nous voulons
faire des prédictions basées sur un ensemble d’exemples .
Apprentissage non-supervisé
L’apprentissage non supervisé est la tâche d’apprentissage automatique consistant à in-
férer une fonction décrivant la structure cachée à partir de données non étiquetées. La
différence entre l’apprentissage automatique supervisé et non supervisé réside dans le fait
que l’apprentissage supervisé utilise des données étiquetées, tandis que l’apprentissage non
supervisé utilise des données non étiquetées.
Autrement dit, il consiste à fournir au programme une grande quantité de données
dont seules les données d’entrée sont déterminées et au programme de créer ses propres
classifications de sortie. Elles sont généralement plus difficiles à comprendre et à évaluer.
! Unsupervised machine learning problem : ce sont des problèmes où nos données
n’ont pas un ensemble défini de catégories, mais à la place, nous recherchons des
I). Intelligence Artificiel 13

algorithmes d’apprentissage automatique pour nous aider à organiser les données .

Cela signifie que les problèmes d’apprentissage automatique supervisé ont un ensemble
de points de données historiques que nous voulons utiliser pour prédire l’avenir, les pro-
blèmes d’apprentissage automatique non supervisé ont un ensemble de données que nous
recherchons pour l’apprentissage automatique pour nous aider à organiser ou à comprendre.

Apprentissage par renforcement

! Le renforcement comprend une tâche ou un objectif spécifique que le système doit

accomplir. Tout au long du processus, il reçoit un feedback afin d’apprendre les
comportements souhaités. Par exemple, le système rencontre une erreur lors de
l’exécution de l’action ou une récompense pour avoir obtenu le résultat le plus
favorable. Ainsi, le programme est capable d’apprendre l’approche la plus efficace
via des signaux de renforcement.

S’il semble que l’exploration de données et la découverte de connaissances dans les

bases de données (KDD) répondent uniquement au problème principal de la science des
données, l’apprentissage automatique y ajoute l’efficacité commerciale. Les techniques de
ML peuvent être grossièrement divisées en quatre domaines distincts : la classification,
le clustering, l’apprentissage par association et la prédiction numérique. La classification
appliquée au texte fait l’objet d’une catégorisation de texte, qui consiste à trier automa-
tiquement un ensemble de documents en catégories (ou classes, ou sujets) à partir d’un
ensemble prédéfini. La classification simple des documents est utilisée dans l’indexation des
documents pour les systèmes de recherche d’informations, le filtrage de texte (y compris la
protection contre le courrier indésirable), la catégorisation des pages Web et de nombreuses
autres applications. La classification peut également être utilisée sur de plus petites parties
de texte (paragraphes, phrases, mots) en fonction de l’application concrète, comme la seg-
mentation de documents, le suivi des sujets ou la désambiguïsation du sens des mots. Dans
l’approche machine learning, des algorithmes de classification (classificateurs) sont préala-
blement entraînés sur des données étiquetées préalablement triées, avant d’être appliqués
au tri de textes invisibles.
I). Intelligence Artificiel 14

I.4.b) Algorithmes d’apprentissage

Linear Regression (Régression linéaire) Un modèle linéaire utilise une formule

simple pour trouver une ligne de « meilleur ajustement » à travers un ensemble
de points de données. Vous trouvez la variable que vous voulez prédire grâce à une
équation de variables que vous connaissez. Pour trouver la prédiction, nous sai-
sissons les variables que nous connaissons pour obtenir notre réponse. En d’autres
termes, pour savoir combien de temps il faudra pour que le gâteau cuise, nous saisis-
sons simplement les ingrédients. Il existe différentes formes d’algorithmes de modèle
linéaire.
La régression linéaire, également connue sous le nom de « régression des moindres
carrés », est la forme la plus standard de modèle linéaire. Pour les problèmes de
régression (la variable que nous essayons de prédire est numérique), la régression
linéaire est le modèle linéaire le plus simple.

Figure II.6 – Régression linéaire

k-Nearest Neighbour L’algorithme du k-plus proche voisin est une méthode de clas-
sification des objets basée sur les exemples d’apprentissage les plus proches dans
I). Intelligence Artificiel 15

l’espace de fonctionnalité. Il vérifie l’espace de fonctionnalité et peut donner en

toute confiance une prédiction basée sur le voisin le plus proche. Cela fonctionne
avec le fait qu’un objet proche aurait des valeurs de prédiction similaires, et une fois
que nous connaissons la valeur de prédiction d’un objet, il est facile de prédire pour
son voisin le plus proche. Chaque échantillon représente un point dans un espace
à n dimensions ; tous les échantillons d’apprentissage sont stockés dans un espace
de motif à n dimensions. Lorsque nous avons un échantillon inconnu, l’algorithme
recherche dans l’espace des motifs les k échantillons d’apprentissage les plus proches
de l’échantillon inconnu, les k échantillons d’apprentissage sont les k «plus proches
voisins» de l’échantillon inconnu, comme le montre la figure 2.

Figure II.7 – Plus proche voisin

Decision Trees "Decision Trees" fonctionne sous la forme d’une structure arbores-
cente à partir du sommet, appelée nœud racine jusqu’aux feuilles ; chacune des
branches représente le résultat du test et les nœuds feuilles représentent les classes.
Pour classer tout échantillon inconnu, nous testons l’attribut de l’échantillon par
rapport à l’arbre de décision. Un chemin est tracé depuis la racine, c’est-à-dire
le sommet de l’arbre jusqu’à un nœud feuille qui contient la prédiction de classe
pour cet échantillon. Les arbres de décision sont sujets à beaucoup de bruit, et une
technique standard pour gérer cela consiste à élaguer l’arbre. L’élagage consiste à
supprimer toute condition dans son antécédent qui n’améliore pas l’exactitude es-
timée de la règle. Ce processus vise à améliorer la précision de la classification des
données invisibles.

Random Forest est la moyenne de plusieurs arbres de décision, dont chacun est en-
traîné avec un échantillon aléatoire des données. Chaque arbre de la forêt est plus
I). Intelligence Artificiel 16

faible qu’un arbre de décision complet, mais en les mettant tous ensemble, nous
obtenons de meilleures performances globales grâce à la diversité.

Figure II.8 – Random forest

I.4.c) Réseaux de neurones

Un réseau de neurones est un ensemble d’unités d’entrée-sortie connectées où chaque

connexion a un poids qui lui est associé. Un réseau de neurones se compose de neurones for-
mels qui sont connectés de telle manière que chaque sortie de neurone sert en outre d’entrée
de généralement plus de neurones de la même manière que les terminaisons axonales d’un
neurone biologique sont connectées via des liaisons synaptiques avec les dendrites d’autres
neurones. Le nombre de neurones et la façon dont ils sont interconnectés déterminent l’ar-
chitecture (topologie) du réseau de neurones. En ce qui concerne leur fonction, les neurones
d’entrée, de travail (couche cachée, médiat) et de sortie peuvent être distingués dans le ré-
seau. Les neurones d’entrée et de sortie représentent respectivement les récepteurs et les
effecteurs, et les neurones de travail connectés créent les canaux correspondants entre eux
pour propager les signaux respectifs. Ces canaux sont appelés chemins dans le modèle ma-
thématique. La propagation du signal et le traitement de l’information le long d’un chemin
réseau sont réalisés en changeant les états des neurones sur ce chemin.
Les états de tous les neurones du réseau forment l’état du réseau neuronal et les poids
synaptiques associés à toutes les connexions représentent la configuration du réseau neu-
ronal.
I). Intelligence Artificiel 17

Figure II.9 – réseau de neurone

le réseau de neurones se développe progressivement dans le temps, les interconnexions

ainsi que les états des neurones sont modifiés et les poids sont adaptés. Dans le cadre de
la mise à jour de ces attributs de réseau dans le temps, il est utile de diviser la dyna-
mique globale du réseau de neurones en trois dynamiques et de considérer trois phases de
fonctionnement du réseau :
1. Architectural "changement de topologie"
spécifie la topologie du réseau et son éventuel changement. La mise à jour de l’ar-
chitecture s’applique généralement dans le cadre d’un mode adaptatif de manière
à ce que le réseau soit alimenté en neurones et connexions supplémentaires lorsque
cela est nécessaire. Cependant, dans la plupart des cas, la dynamique architecturale
suppose une topologie de réseau de neurones fixe, qui n’est plus modifiée.
2. Calcul "changement d’état"
spécifie l’état initial du réseau et une règle pour ses mises à jour dans le temps, à
condition que la topologie et la configuration du réseau soient fixes. Au début du
mode de calcul, les états des neurones d’entrée sont affectés à l’entrée du réseau
et les neurones restants se retrouvent dans l’état initial. Toutes les entrées et tous
les états potentiels du réseau forment respectivement l’espace d’entrée et d’état
du réseau neuronal. Après avoir initialisé l’état du réseau, un calcul approprié est
effectué
3. Adaptive "changement de configuration"
spécifie la configuration initiale du réseau et la manière dont les poids dans le ré-
seau sont adaptés dans le temps. Toutes les configurations de réseau potentielles
forment l’espace de poids du réseau de neurones. Au début du mode adaptatif, les
poids de toutes les connexions réseau sont affectés à la configuration initiale. Après
avoir initialisé la configuration du réseau, l’adaptation appropriée est effectuée. De
II). Distribution de l’énergie électrique 18

même, comme pour la dynamique de calcul, un modèle avec une évolution tempo-
relle continue des poids des réseaux de neurones lorsque la configuration est une
fonction continue du temps habituellement décrite par une équation différentielle
peut généralement être considéré. Cependant, dans la plupart des cas, un temps
d’adaptation discret est supposé.

Figure II.10 – Architecture d’une neurone.

I.5) Remarque
Les réseaux de neurones ont une large applicabilité aux problèmes commerciaux du
monde réel. En fait, ils ont déjà été appliqués avec succès dans de nombreuses industries.
Étant donné que les réseaux de neurones sont les meilleurs pour identifier des modèles
ou des tendances dans les données, ils sont bien adaptés aux besoins de prédiction ou de
prévision, notamment :
classification des défauts du système de distribution électrique

II) Distribution de l’énergie électrique

II.1) Introduction
Un réseau électrique est un ensemble d’outils destiné à produire, transporter et distri-
buer l’énergie électrique pour l’acheminer de la source (générateur) vers la charge (consom-
mateur). Cet ensemble comporte des générateurs, des transformateurs, des lignes, des ap-
pareils de mesures et de contrôles, des protections contre tous les types de défauts en
veillant sur la qualité de cette énergie, notamment la continuité de service et la qualité de
la tension.
II). Distribution de l’énergie électrique 19

Figure II.11 – Architecture générale du réseau électrique

II.2) Type de signal

— Système monophasé Un signal sinusoïdal est un signal (onde) dont l’amplitude,
observée à un endroit précis, est une fonction sinusoïdale du temps. Il est carac-
térisé par son amplitude maximale et sa fréquence. Il peut s’écrire sous la forme :

Figure II.12 – Signal sinusoïdal simple

U (t) = U max ∗ Sin(wt)

-> U(t) : Tension instantanée en Vol

-> Umax : Tension maximum ou amplitude en Volt
II). Distribution de l’énergie électrique 20

-> w : Pulsation en radian par seconde

-> f : fréquence en Hertz
-> ∂ : Phase en radian
-> T : période en seconde
— Systèmes triphasés L’énergie électrique est produite, transportée et consommée
sous forme de systèmes triphasés

Figure II.13 – Systèmes triphasés

II.3) Architecture générale du réseau électrique

Dans les réseaux électriques, on peut distinguer différents niveaux de tension appli-
qués correspondants à différentes fonctions. La fonction d’un réseau de transport d’énergie
consiste à assurer la circulation de l’énergie en la transitant par des lignes HT ou THT entre
les différentes sources de production et les postes de distribution. Tandis que la fonction
d’un réseau BT consiste à
— Les réseaux de transport à Très Haute Tension (THT)
Ils transportent l’énergie des gros centres de production vers les régions consom-
matrices (de 150 à 800 kV). Ces réseaux sont souvent interconnectés, réalisant la
mise en commun de l’ensemble des moyens de production à disposition de tous les
consommateurs.
— Les réseaux de distribution Moyenne Tension (MT)
Ces réseaux transportent l’énergie sans encore arriver aux consommateurs particu-
liers, mais permettent la connexion de clients industriels se caractérisant par un
besoin énergétique moyen.
— Les réseaux de distribution Basse Tension (BT))
II). Distribution de l’énergie électrique 21

Les réseaux d’alimentation de l’ensemble de la clientèle généralement sont des ré-

seaux de structure simple. On distingue deux sous-niveaux : les réseaux à moyenne
tension (MT : 1 à 35 kV) et les réseaux à basse tension (BT : 110 à 600 V).
distribuer cette énergie aux clients

Figure II.14 – Schéma générale du réseau électrique

II.4) Types de réseau

On peut distinguer deux types de réseaux principaux, selon la pose des conducteurs :

Réseaux aériens – ruraux : ls sont constitués par des lignes à trois fils – trois phases
– ou quatre fils – trois phases et neutre, selon que le neutre est distribué ou non, et
par des antennes triphasées ou monophasées à deux ou à un seul conducteur. Ils ne
sont envisageables que dans des zones géographiques de faible densité de charge :
petites villes ou villages
II). Distribution de l’énergie électrique 22

Figure II.15 – Vue générale d’une partie d’un réseau de lignes aériennes

Réseaux souterrains – urbains Ils sont constitués par des câbles généralement tri-
phasés à isolant synthétique ou papier. Ces réseaux sont convenables pour des zones
géographiques de forte densité de la charge, avec des contraintes d’environnement
et de sécurité élevées ; leur utilisation est motivée aussi par le faible prix de pose

Figure II.16 – Ligne de transmission souterraine

II.5) Les anomalies dans un réseau électrique

II.5.a) Définition d’un défaut

La défaillance de l’équipement ou des appareils électriques est défini comme une im-
perfection dans le circuit électrique en raison de laquelle le courant est dévié de la voie
prévue. En d’autres termes, le défaut est l’état anormal du système électrique qui endom-
mage l’équipement électrique et perturbe le flux normal du courant électrique.
Le défaut réduit la force d’isolation entre conducteurs de phase et à la terre ou à tout écran
II). Distribution de l’énergie électrique 23

mis à la terre entourant les conducteurs. Il réduit également l’impédance (propriété du cir-
cuit de s’opposer au flux de courant) entre les conducteurs et la terre, ce qui entraîne le
passage d’un fort courant de court-circuit dans le système et d’endommager l’équipement
du système d’alimentation.
Le défaut peut être causé par des facteurs externes (naturels) ou internes (par l’action
humaine ou par un mauvais équipement).

II.5.b) Origines d’un défaut de courts-circuits

Selon la nature du réseau électrique, on cite les origines des défauts de court-circuit
comme suit :

Pour les lignes aériennes sont en particulier les perturbations atmosphériques (foudre,
tempêtes, . . . etc.) qui peuvent enclencher un défaut de court-circuit. Aussi les dé-
fauts d’isolement et les agressions mécaniques peuvent conduire à un CC.
Pour les câbles souterrains sont les agressions extérieures, engins mécaniques de
terrassement par exemple, qui entraînent des défauts de CC.
Le matériel du réseau et des postes peut être aussi le siège d’un défaut de court-
circuit. Ce matériel comporte des isolants placés entre pièces sous tensions et masses.
Alors, les isolants subissent des dégradations conduisant à des défauts.

II.5.c) Types des défauts

Plusieurs types de court-circuit peuvent se produire dans un réseau électrique :

Court-circuit Est une élévation brutale de l’intensité dans un circuit due à une liai-
son accidentelle de deux points de potentiel déférents alimentés par la même source ou
des sources en parallèles. Les courts-circuits peuvent provoquer des dégâts économiques
importants s’ils ne sont pas éliminés rapidement par les systèmes de protection.[6] dété-
rioration des isolants. fusion des conducteurs. incendie et danger pour les personnes. les
efforts électrodynamiques, avec : déformation des jeux de barres. arrachement des câbles.
sur-échauffement par augmentation des pertes joules. les creux de tension pendant la durée
d’élimination du défaut, de quelques millisecondes à quelques centaines de millisecondes.
la mise hors service d’une plus ou moins grande partie du réseau.

1. Court-circuit monophasé :
Il correspond à un défaut entre une phase et la terre, c’est le plus fréquent.
II). Distribution de l’énergie électrique 24

2. Court-circuit triphasé :
Il correspond à la réunion des trois phases, c’est le courant de CC le plus élevé.
3. Courit-circuit biphasé isolé :
Il correspond à un défaut entre deux phases. Le courant résultant est plus faible que
dans le cas du défaut triphasé, sauf lorsqu’il se situe à proximité immédiate d’un
générateur.
4. Court-circuit biphasé terre :
I l correspond à un défaut entre deux phases et la terre.

Figure II.17 – Différents types des défauts

II.5.d) Nature d’un défaut

— Défaut fugitif
Ce défaut nécessite une coupure très brève du réseau d’alimentation de l’ordre de
quelques dixièmes de seconde.
— Défaut permanent
Ce défaut provoque un déclenchement définitif de l’élément de protection. Il nécessite
l’intervention du personnel d’exploitation.

II.5.e) CONCLUSION

Un système de protection consiste d’un ensemble de dispositifs destinés à la détection

des défauts et des situations anormales des réseaux afin de commander le déclenchement
II). Distribution de l’énergie électrique 25

d’un ou de plusieurs éléments de coupures . la détection des défauts se basant sur cer-
tain nombre des grandeurs électriques caractéristiques (courant, tension, fréquence) ou des
combinaisons de ces grandeurs (puissance, etc.). Ces grandeurs électriques sont fluctuantes
du fait notamment des variations de la charge ou de topologie

II.6) COMPTAGE D’ÉNERGIE

Les circuits intégrés de mesure d’énergie sont les défis de nouvelle génération et sont
parfaits pour mesurer l’énergie active (kWh), l’énergie apparente (kVA), l’énergie réactive
(kVAR), la valeur efficace et la qualité de l’énergie avec la plus grande précision. Les cir-
cuits intégrés de mesure d’énergie combinent des convertisseurs analogique-numérique avec
des processeurs de signaux numériques (DSP) à fonction fixe pour effectuer des mesures
critiques, tout en offrant une fonctionnalité et une facilité d’utilisation inégalées.

Figure II.18 – Soc stpm

Le STPM3x est une famille ASSP conçue pour la mesure de haute précision de la
puissance et des énergies dans les systèmes de lignes électriques à l’aide de la bobine de
Rogowski, du transformateur de courant ou des capteurs de courant shunt. Le STPM3x
fournit des formes d’onde de tension et de courant instantanées et calcule les valeurs RMS
de la tension et des courants, la puissance et les énergies actives, réactives et apparentes.
Le STPM3x est une famille de circuits intégrés à signaux mixtes comprenant une section
analogique et une section numérique. La section analogique comprend jusqu’à deux am-
plificateurs à faible décalage à faible bruit à gain programmable et jusqu’à quatre 2nd
commandez des ADC sigma-delta 24 bits, deux références de tension de bande interdite
avec compensation de température indépendante, un régulateur de tension à faible chute
et des tampons DC. La section numérique se compose d’un étage de filtrage numérique,
III). TinyML 26

d’un DSP câblé, d’un DFE à l’entrée et d’une interface de communication série (UART ou
SPI). Le STPM3x est entièrement configurable et permet un étalonnage rapide du système
numérique en un seul point sur toute la plage dynamique actuelle. [18]

III) TinyML
Nous vivons actuellement dans un monde entouré de modèles de Machine Learning. Au
cours de votre journée, vous utilisez ces modèles plus que vous ne le pensez. Les tâches
quotidiennes comme faire défiler les réseaux sociaux, prendre une photo, consulter la météo,
dépendent toutes de modèles d’apprentissage automatique. Vous pourriez même voir ce blog
parce qu’un modèle d’apprentissage automatique vous l’a suggéré.
Nous savons tous que la formation de ces modèles est coûteuse en temps de calcul. Mais la
plupart du temps, l’exécution d’inférences sur ces modèles est également coûteuse en termes
de calcul. À la vitesse à laquelle nous utilisons les services d’apprentissage automatique,
nous avons besoin de systèmes informatiques suffisamment rapides pour le gérer. Ainsi, la
plupart de ces modèles fonctionnent sur d’énormes centres de données avec des clusters de
CPU et de GPU (même des TPU dans certains cas).
Grand n’est pas toujours mieux
Exemple :Lorsque vous dites « Alexa » ou « Ok, Google », vous voulez que vos appareils
vous répondent instantanément. Attendez que l’appareil envoie votre voix aux serveurs où
elle est traitée et que les informations soient récupérées. Cela prend du temps et para-
lyse l’expérience utilisateur. Encore une fois, dans ce cas, vous souhaitez que le modèle
d’apprentissage automatique s’exécute localement.

Figure II.19 – TinyML

III). TinyML 27

III.1) Qu’est-ce que TinyML

TinyML est un domaine d’étude en apprentissage automatique et systèmes embar-
qués qui explore les types de modèles que vous pouvez exécuter sur de petits appareils à
faible consommation comme les microcontrôleurs. Il permet l’inférence de modèle à faible
latence, faible consommation d’énergie et faible bande passante sur les périphériques de
périphérie. Alors qu’un processeur grand public standard consomme entre 65 watts et 85
watts et que le processeur graphique grand public standard consomme entre 200 watts et
500 watts, un microcontrôleur typique consomme une puissance de l’ordre de milliwatts
ou de microwatts. C’est environ mille fois moins de consommation d’énergie. Cette faible
consommation d’énergie permet aux appareils TinyML de fonctionner débranchés sur piles
pendant des semaines, des mois et, dans certains cas, même des années, tout en exécutant
des applications ML en périphérie.

III.2) Avantages de TinyML

Faible latence : étant donné que le modèle s’exécute à la périphérie, les données n’ont
pas besoin d’être envoyées à un serveur pour exécuter l’inférence. Cela réduit la latence de
la sortie.
Faible consommation d’énergie : Comme nous l’avons vu précédemment, les micro-contrôleurs
consomment très peu d’énergie. Cela leur permet de fonctionner sans être chargé pendant
très longtemps.
Bande passante faible : comme les données ne doivent pas être envoyées au serveur en
permanence, moins de bande passante Internet est utilisée.
Confidentialité : étant donné que le modèle fonctionne à la périphérie, vos données ne sont
stockées sur aucun serveur.

Conclusion

Dans ce chapitre, nous avons mis notre projet dans son cadre général, nous avons ainsi
cité les différents concepts nécessaires pour mieux comprendre le fonctionnement de notre
système. Dans le prochain chapitre, nous avons l’analyse et conception.
CHAPITRE III
ANALYSE ET CONCEPTION

introduction

L’analyse et la spécification des besoins est la première étape du cycle de développement

de notre projet. Elle sert à extraire les fonctionnalités et les services d’un système avec ses
acteurs. Nous allons commencer ce chapitre par une brève analyse des besoins globaux,
puis, une analyse des différents scénarios et cas d’utilisation .

I) Analyse du marché cible

Suite à l’appel d’offre d’une société française, ACTIA s’est entrée en concurrence avec
d’autres enchères du domaine du transport et distribution d’énergie. Elle s’est donc focalisé
sur des analyses et des recherches. Autrement dit, ACTIA doit mettre en valeur son produit
techniquement et financièrement pour y gagner le marché cible.

I.1) Contrainte du marché cible

l’électricité circule sur des lignes de transmission à haute et très haute tension, et des
longues distances.
Le problème dans ça c’est que : La société détecte seulement les défauts sans faire leurs
classifications, cela a engendré plusieurs problèmes tel que la connaissance du cause de ce
défaut et le temps perdu.
Nous savons très bien que la perte du temps équivalente à la perte d’argent.

28
II). Langage de modélisation 29

II) Langage de modélisation

II.1) Définition de l’UML

UML, c’est l’acronyme anglais pour « UnifiedModelingLanguage ». On le traduit par «
Langage de modélisation unifié ». La notation UML est un langage visuel constitué d’un
ensemble de schémas, appelés diagrammes, qui donnent chacun une vision différente du
projet à traiter. UML nous fournit donc des diagrammes pour représenter le logiciel à dé-
velopper : son fonctionnement, sa mise en route, les actions susceptibles d’être effectuées
par le logiciel, etc. Réaliser ces diagrammes revient donc à modéliser les besoins du logiciel
à développer.

II.2) Utilité d’UML

UML est utilisé pour spécifier, visualiser, modifier et construire les documents néces-
saires au bon développement d’un logiciel ou un système. UML offre un standard de mo-
délisation, pour représenter l’architecture logicielle. Les différents éléments représentables
sont « Activité d’un objet/système, Acteurs, Processus, Schéma de base de données, Com-
posants logiciels et Réutilisation de composants ». Grâce aux outils de modélisation UML,
il est également possible de générer automatiquement une partie de code, par exemple en
langage Java, à partir des divers documents réalisés.

III) Spécification des besoins

III.1) Identification des acteurs

* Unité de contrôle : c’est l’unité qui sert à la supervision et le contrôle.

* Data scientist : c’est la personne qui sert à améliorer notre modèle.

* Développeur : c’est la personne qui est responsable à l’intégration d’un modèle

dans un système bien spécifique.
III). Spécification des besoins 30

Figure III.1 – liste des acteurs

III.2) Besoins fonctionnels et non fonctionnels

III.2.a) Besoins fonctionnels

Dans cette partie, nous identifierons les besoins des acteurs de l’application. Un besoin
fonctionnel (ou un cas d’utilisation en termes d’UML), exprime une action que le système
doit effectuer en réponse à une requête. La phase d’identification des acteurs nous a permis
d’identifier trois types d’acteurs qui sont unité de contrôle ,développeur ,data-scientiste .
Par conséquent, les fonctionnalités qui seront fournies par le système sont divisées en deux
catégories comme suit :

X Les besoins relatifs à l’unité de controle peuvent etre résumé comme suit :

• L’unité de controle a le pouvoir de récevoir des alerts des défauts

• L’unité de controle a le pouvoir de superviser des signaux transmis
• L’unité de controle a le pouvoir d’implementer de la base de données
• L’unité de controle est le responsable des communication externes (maintenance
du système d’éléctricité)

X Les besoins relatifs au data scientist :

• Il a le prévilege de classifier les nouvelles défaillances non rencontrés par le sys-

tème
• Il est le responsable de créer un model prédictif
III). Spécification des besoins 31

X Les besoins relatifs au developpeur

• Il est le responsable d’implementer les model créé par le data scientist

• Il est le responsable d’ameliorer et developper le fonctionnement du systeme

× fonction global :
• nous montre le fonctionnement global de notre système ainsi que les parties
dont nous avons réaliser récemment qui sont : la détectition des défauts , la
classification des défauts et le sauvegarde des signaux dans la base des données

Figure III.2 – Schéma fonctionnel de système

III.2.b) Besoins non fonctionnels

Ces besoins non fonctionnels qui représentent les contraintes et les exigences qu’ils
doivent être prises en considération. En effet, ces besoins portent une grande importance
pour 2 raisons :
IV). CONCEPTION GLOBALE 32

 La nature des données à traiter et transmettre entre les différentes parties du sys-
tème.
 L’intégration et compatibilité d’un modèle.

Ces besoins peuvent être résumés dans les points qui suivent :

• Fiabilité
• Réponse en temps réel
• Communication Full duplex
• Communication Real time
• Intégration

IV) CONCEPTION GLOBALE

IV.1) Diagramme de cas d’utilisation global

IV.1.a) Définition des cas d’utilisation

Ces cas permettent de décrire l’interaction entre l’acteur et le système. L’idée forte est
de dire que l’utilisateur d’un système logiciel a un objectif quand il utilise le système ! Le cas
d’utilisation est une description des interactions qui vont permettre à l’acteur d’atteindre
son objectif en utilisant le système. Les use cases (cas d’utilisation) sont représentés par
une ellipse sous-titrée par le nom du cas d’utilisation (éventuellement le nom est placé
dans l’ellipse). Un acteur et un cas d’utilisation sont mis en relation par une association
représentée par une ligne. Le plus souvent, le diagramme des cas est établi par la maîtrise
d’ouvrage (MOA) d’un projet lors de la rédaction du cahier des charges afin de transmettre
les besoins des utilisateurs et les fonctionnalités attendues associées à la maîtrise d’œuvre
(MOE).

IV.1.b) Les Cas d’utilisation de notre système

 Récupération de l’information

Notre système va nous permettre de récupérer et sauvegarder les signaux électriques

IV). CONCEPTION GLOBALE 33

(Tension,Courant,FFT etc..) et recevoir les alertes des défauts classifiés.

 Diriger le technicien de maintenance

Après avoir recevoir les alertes de défauts, l’unité de controle va pourvoir contacter
et diriger le technicien de maintenance pour fixer la panne.

 Classifier les nouveaux défauts

Si le système détecte des défauts non reconnus, l’unité de contrôle exige au data
scientiste de les classifier

 Création modèle

Après avoir classifié les modèles, le data scientiste va créer deux modèles , un simple
modèle contenant les défauts classifiés et un autre modèle prédictif pour prévenir
l’unité de contrôle des défauts éventuels

 Patcher le système

Le développeur doit convertir le modèle d’une façon pour qu’il soit adapté à notre
système.

 Améliorer le système
Les models patchés doivent etre intégrer dans notre systeme en prenant en considé-
ration la faible performance du micro-controlleur

IV.1.c) Définition de diagramme de cas d’utilisation

Les diagrammes de cas d’utilisation sont des diagrammes UML utilisés pour donner
une vision globale du comportement fonctionnel d’un système logiciel. Ils sont utiles pour
des présentations auprès de la direction ou des acteurs d’un projet, mais pour le dévelop-
pement, les cas d’utilisation sont plus appropriés. Un cas d’utilisation représente une unité
discrète d’interaction entre un utilisateur (humain ou machine) et un système. C’est une
unité significative de travail. Dans un diagramme de cas d’utilisation, les utilisateurs sont
appelés acteurs (actors), ils interagissent avec les cas d’utilisation (use cases).
IV). CONCEPTION GLOBALE 34

IV.1.d) Diagramme de cas d’utilisation

Figure III.3 – Diagramme de cas d’utilisation global

IV). CONCEPTION GLOBALE 35

IV.2) Diagramme de séquence global

Figure III.4 – Diagramme de séquence global

D’après le diagramme de séquence du figure III.4, le système va lire les datas à partir
de registre du capteur, les traiter pour les traduire en des grandeurs physique (tension et
courant) , les envoyer à l’unité de contrôle à travers le protocole IEC 61850. Cette derniere
va les sauvegarder dans une base de données. si un défaut est détecté, le système envoie
une alerte à l’unité de contrôle avec l’identification de défaut en question.
L’unité de contrôle se charge ainsi pour informer et diriger le maintenancier de l’emplace-
ment de défaut. En cas d’un défaut inconnu, l’unité de contrôle envoi la base de données
au data-scientiste pour améliorer le système affin de contenir les nouveaux défauts. Cette
IV). CONCEPTION GLOBALE 36

étape se déclenche à chaque fois qu’il se présente un défaut inconnu.

IV.3) Critique de la solution existante

Pour améliorer notre système nous avons rencontré des problèmes au niveau du temps
d’interruption ce qui a engendré un bug d’exécution du programme. Pour faire face à ce
problème nous avons eu recours à la création d’un nouveau driver plus performant côté
temps d’exécution.

IV.3.a) Couche de développement

Figure III.5 – Architecture systeme

IV.3.b) Conception du driver

Pour pouvoir communiquer avec le stpm34 , on doit l’activer (Enable) et le réinitialiser

(Reset) en utilisant les signaux générés respectivement par les pins EN,CS,SYN pour activer
le stpm34,on doit programmer la séquence ci-dessous :
 Description fonctionnelle du périphérique de communication

Le STPM3x peut être interfacé à une unité de contrôle via une communication
"SPI" ou "UART" mais Les périphériques de communication série partagent les
mêmes broches de sorte qu’ils ne peuvent pas être utilisés à la en même temps
IV). CONCEPTION GLOBALE 37

Figure III.6 – Communication pin description

Figure III.7 – Startup interface selection timing

 Power-on-reset (POR) and enable (EN)

Le STPM34 contient un circuit de mise sous tension (POWR) qui retarde le démar-
rage du domaine numérique d’environ 750s. Si l’alimentation VCC est inférieure à 2,5
V, le STPM34 passe à l’état inactif, toutes les fonctions sont bloquées en affirmant
IV). CONCEPTION GLOBALE 38

une condition de ré initialisation. Ceci est utile pour assurer le bon fonctionnement
de l’appareil lors de la mise sous tension et hors tension.

Figure III.8 – Power-on-reset sequence

 Communication protocol

Une seule session de communication se compose de 4 + 1 (CRC en option) octets

de données en duplex intégral séquence organisée comme suit :

Figure III.9 – Trame de données

V). Conception modèle 39

Figure III.10 – Synchronisation de données

V) Conception modèle

V.1) Raison du choix de l’ANN

La classification des défauts du réseau électrique est considéré comme l’un des problèmes
les plus importants de l’ingénierie des systèmes de processus, qui peut bénéficier de ma-
nière significative des techniques d’apprentissage. Dans ce chapitre, les réseaux de neurones
profonds sont appliqués au problème de la détection et de la classification des défauts. Pre-
mièrement, les problèmes de détection et de classification des défauts sont formulés comme
des problèmes de classification basés sur les réseaux neurones Ensuite, les réseaux de neu-
rones sont entraînés pour la détection et la classification des pannes.Plusieurs testes ont
été effectuer avec différentes valeurs des paramètres du réseau (nombre de couches cachées
et nombre de neurones dans la couche cachée) afin d’aboutir a un modèle optimisé et
performant. Enfin les résultats obtenus à partir des réseaux de neurones sont comparés à
d’autres méthodes basées sur les données.
Les algorithmes classiques ne peuvent pas distinguer les défauts entre deux phases ou court
circuit entre phase et terre ou coup de foudre.
V). Conception modèle 40

V.2) Étude des données

Figure III.11 – Architecture de modèle

Le nombre de couches choisi d’après l’analyse de nombre d’input et output.

Nous avons choisi une seule couche avec 20 neurones.

V.3) Type d’activation

Figure III.12 – Architecture de modèle

D’après notre data-set, nous avons choisi ReLU comme type d’activation de ma couche
cachée et sigmoid comme type d’activation de la couche de sortie pour obtenir un résultat
entre 1 et 0.
V). Conception modèle 41

V.4) Création du modèle

C’est la partie primordiale qui présente la création du modèle étudié, en commençant
par l’analyse des données d’entrée (Data-Set) pour arriver à la classification des différents
types des défauts détectés ; plus on utilise des couches cachées (Hidden Layers) plus les le
modèle devient complexe, cela peut engendre le débordement du modèle sur les données
d’entrainement ou la destruction du signal si le modèle est trop profond.
La performance du modèle est relative avec le nombre des couches en question ; plus le
nombre des couches est considérable plus on obtient une expression meilleure du modèle
mais ça génère sa complexité qui nécessite plus de ressource (RAM, PROCESSEUR, ROM).
En effet, l’utilisation des micro-contrôleurs amène à la limitation des ressources.
Par conséquent le meilleur résultat obtenu après plusieurs réalisations effectuées, c’est
d’avoir une seule couche avec 20 neurones.

Figure III.13 – Diagramme d’activité de création d’un modèle

Conclusion

Dans ce chapitre, nous nous sommes concentré sur l’analyse et conception de notre
projet, nous avons dégagé nos besoins et nos diagrammes nécessaires pour pouvoir diriger
vers la partie réalisation qui sera le chapitre suivant.
CHAPITRE IV

RÉALISATION

Introduction

Dans ce dernier chapitre, on va initier par l’environnement matériel et logiciel étudié

dans ce projet. Après, on va citer et définir le système qui est basé sur trois (03) étapes
primordiales : L’extraction des données, la création du modèle et son implémentation.

I) Environnement matériel

I.1) Eval stpm34

Carte d’évaluation de comptage d’énergie biphasé avec 2 transformateurs de courant
basée sur le STPM34

La carte d’évaluation STPM34 est un compteur biphasé de classe 0,2 avec 2 TC pour
les systèmes de lignes électriques avec Vnom= 140 à 300 V(RMS), Inom/ Imax= 5/100
A(RMS), flin= 50/60 Hz ± 10% et Tamb= -40 à +85 °C. La puissance active/réactive
mesurée peut être émise par deux LED programmables sur la carte. La carte peut être
interfacée avec un PC exécutant un logiciel d’évaluation via un port RS232 isolé ou via
l’outil d’interface isolé USB STEVAL-IPE023V1 pour la configuration et la lecture des
données. La carte dispose également de broches SPI/UART disponibles pour interfacer un
microcontrôleur pour le développement d’applications.

42
I). Environnement matériel 43

Figure IV.1 – EVAL-STPM34

I.2) STM32F746G-DISCO

Le kit de découverte 32F746GDISCOVERY est une plate-forme complète de démons-

tration et de développement pour le microcontrôleur STM32F746NG (code de commande
STM32F746NGH6) basé sur le cœur Arm® Cortex®-M7 de STMicroelectronics.
Le kit de découverte 32F746GDISCOVERY est utilisé comme conception de référence pour
le développement d’applications utilisateur avant le portage sur le produit final, simplifiant
ainsi le développement d’applications.
Le kit Discovery permet une grande diversité d’applications bénéficiant de fonctionnali-
tés audio, de prise en charge multi-capteurs, de graphiques, de sécurité, de vidéo et de
connectivité haut débit. La prise en charge de la connectivité ARDUINO offre des capaci-
tés d’extension illimitées avec un large choix de cartes d’extension spécialisées
La carte 32F746GDISCOVERY est fournie avec le package MCU STM32CubeF7, qui offre
une bibliothèque HAL logicielle STM32 complète ainsi que divers exemples de logiciels.
II). Environnement logiciel 44

Figure IV.2 – STM32

II) Environnement logiciel

II.1) STMcubIDE

STM32CubeIDE est un outil de développement multi-OS tout-en-un, qui fait partie de

l’écosystème logiciel STM32Cube. Il permet l’intégration des centaines de plugins existants
qui complètent les fonctionnalités de l’IDE Eclipse.

STM32CubeIDE intègre les fonctionnalités de configuration STM32 et de création de

projet de STM32CubeMX pour offrir une expérience d’outil tout-en-un et économiser du
temps d’installation et de développement. Après la sélection d’un MCU ou MPU STM32
vide, ou d’un microcontrôleur ou microprocesseur préconfiguré à partir de la sélection d’une
carte ou de la sélection d’un exemple, le projet est créé et le code d’initialisation généré.
II). Environnement logiciel 45

Figure IV.3 – logo STM32CubeIDE

II.2) Qt creator
Qt Creator est un environnement de développement intégré (IDE) multiplateforme
conçu pour une expérience de développeur maximale.
Il fonctionne sur les systèmes d’exploitation de bureau Windows, Linux et macOS et
permet aux développeurs de créer des applications sur des plates-formes de bureau, mobiles
et intégrées.

Figure IV.4 – STM32

II.3) Python
II.3.a) Algorithme de programmation

Un algorithme est une méthode pour résoudre des problèmes, autrement dit une ma-
nipulation mathématique dans un langage de programmation qui permet de convertir une
donnée entrante en une donnée sortante avec une valeur ajoutée et ce, selon un objectif
bien précis.
II). Environnement logiciel 46

II.3.b) Langage de programmation

Python est un langage interprété, open source, qui se veut simple à comprendre, modu-
lable et aux applications multiples. C’est aujourd’hui un des langages les plus utilisés et les
plus plébiscités par les développeurs. Il est utilisé dans le domaine du Machine Learning,
du Big Data et de la Data Science. Ce langage présente de nombreuses caractéristiques
intéressantes : il est multiplateforme, gratuit, un langage de haut niveau et finalement
orienté objet. Python peut être utilisé pour le :
- Développement d’applications Web et mobiles back-end (ou côté serveur),
- Développement d’applications et de logiciels de bureau,
- Traitement du Big Data et réalisation de calculs mathématiques,
- Écriture de scripts système (création d’instructions indiquant à un système informa-
tique de « faire» quelque chose).
* Python que j’ai utilisé est de version 3.7

Figure IV.5 – Logo Python

II.4) Anaconda

Anaconda est une distribution libre et open source des langages de programmation
Python et R appliquée au développement d’applications dédiées à la fouille de données et
à l’apprentissage automatique (traitement de données à grande échelle, analyse prédictive,
calcul scientifique), qui vise à simplifier la gestion des paquets et de déploiement.
II). Environnement logiciel 47

Figure IV.6 – logo Anaconda

II.5) Spyder
Spyder est un environnement de développement intégré (IDE) multiplateforme ‘a code
source libre pour la programmation scientifique en langage Python. Spyder s’intègre à un
certain nombre de paquets importants de la pile Python scientifique, notamment NumPy,
SciPy, Matplotlib, pandas, IPython, keras et Cython, ainsi qu’à d’autres logiciels à source
ouverte. Il est publié sous la licence du MIT. Pour lancer Spyder, on peut passer par un
terminal, en évaluant tout simplement Spyder (ou en lançant le logiciel depuis le menu
démarrer sous Windows).
On a installé cet IDE à partir de l’Anaconda qu’on a cité ci-avant.

Figure IV.7 – Logo Spyder

II.6) PSIM
PSIM est un progiciel de simulation de circuits électroniques, conçu spécifiquement
pour une utilisation dans l’électronique de puissance et les simulations d’entraînement de
moteur, mais peut être utilisé pour simuler n’importe quel circuit électronique. Développé
par Powersim, PSIM fournit une interface de capture schématique et un visualiseur de forme
d’onde Simview. Le PSIM dispose de plusieurs modules qui étendent ses fonctionnalités à
des domaines spécifiques de la simulation et de la conception de circuits, notamment : la
III). Extraction des données 48

théorie du contrôle, les moteurs électriques, le photovoltaïque et les éoliennes[6] Le PSIM

est utilisé par l’industrie pour la recherche et le développement de produits. et il est utilisé
par les établissements d’enseignement pour la recherche et l’enseignement.

Figure IV.8 – logo psim

II.7) Altium
Altium Designer permet aux ingénieurs de se connecter sans effort à toutes les facettes
du processus de conception électronique. Plus de 35 ans d’innovation et de développement
axés sur un environnement de conception véritablement unifié en font la solution de concep-
tion de circuits imprimés la plus largement utilisée.Le logiciel de conception de PCB leader
sur le marché, qui combine schémas, routages et tout ce dont vous avez besoin en un seul
environnement pour concevoir sans effort des cartes de circuits imprimés.

Figure IV.9 – logo Altium

III) Extraction des données

Dans ce stade, on a un signal qu’on va mettre dedans des défauts (cités dans le chapitre
État de l’art) et chaque défauts va être enregistrer dans un fichier et faire avec ce fichier
là une Data Set bien spécifique à notre modèle.
III). Extraction des données 49

III.1) Schéma fonctionnel

Figure IV.10 – Schéma fonctionnel

Nom Rôle Fonction

Simulation de trois signales
Génération d’un sinusoïdales avec fréquences
Générateur signal triphasé 50HZ et déphasage 120°
Compteurs
intelligents et Lecture de courant et de tension
STPM34 comptage d’énergie de chaque phases
Extraction des données à partir
de STPM34, traitement de ces
Micro-contrôleurs données et les envoyer à travers
basés sur l’Arm un protocole de communication
STM32F7 Cortex "IEC61850"
Recevoir les données du
Lancement du logiciel protocole IEC61850 et les
PC QT Creator sauvegarder dans un fichier CSV
Ficher Data-set Enregistrement des données
III). Extraction des données 50

III.2) Préparation de l’environnement

Pour aboutir au résultat final, nous avons besoin d’un matériel qu’il nous manque
(générateur) , la partie software manquante (driver STPM) ainsi que le QT créator qui
aura besoin d’une modification.

III.2.a) Générateur triphasé

 Schéma étudié

Figure IV.11 – Circuit génératrice

Comme le montre la figure ci-dessus, le circuit importe comme entré un signal sinu-
soïdale. Ce signal d’entrée est inversé et tamponné par l’amplificateur opérationnel
à gain unitaire A1. Ce signal inversé et tamponné acquis en sortie de A1 devient
maintenant le nouveau signal maître pour le traitement à venir. Et les autres am-
plificateurs fonctionnent comme étant déphaseurs.

 Partie simulation
III). Extraction des données 51

Figure IV.12 – Schéma électrique global de circuit

Affin de tester le fonctionnement de notre circuit, il faut le simuler dans le logiciel

Psim comme le montre la figure ci-dessus avant de nous concentrer dans la partie
réalisation.

X Résultat

Figure IV.13 – Résultat de simulation

La figure ci-dessus nous montre le résultat de la partie simulation, des signaux si-
nusoïdaux comme souhaité.

 Schématisation avec Altium

III). Extraction des données 52

Pour réaliser une carte électronique, nous avons besoin tout d’abord de passer par
un logiciel pour la construire "Altium".

Figure IV.14 – Partie de fonctionnement

Figure IV.15 – Partie alimentation

III). Extraction des données 53

Nous avons diviser la partie schématique de PCB en deux parties. La première par-
tie, figure ci-dessus , contient les composants du fonctionnement du générateur. Et
l’autre partie, figure IV.6 est celle la responsable de l’alimentation de la carte.

X Conception 3D de la carte
Comme le montre la figure ci-dessous, nous avons relié les composants entre eux.

Figure IV.16 – Conception 3D d’une carte PCB

Figure IV.17 – Image réelle d’un générateur triphasé

III). Extraction des données 54

III.2.b) DRIVER STPM34

 Mise en situation
Affin de faire un apprentissage d’un modèle, il faut tout d’abord envoyer les données
à l’unité de contrôle à l’aide du protocole IEC61850-9-2 "Sample value" qui exige
une contrainte de temps de 250µs issue d’un signal de 50Hz et SPP 80. Ce résultat
est trouvé à travers un simple calcul 1/50/80.
Le problème rencontré après avoir utiliser le même driver avec l’ajout d’une deuxième
chaîne de STPM1, est que le temps d’exécution dans la partie de l’interruption res-
ponsable de l’envoie de l’échantillon chaque 250µs dépasse le temps désiré.
Puisque nous travaillons dans un réseau triphasé, nous avons rencontré un autre
problème est celui de l’ajout d’une autre chaîne ce qui invoque l’ajout d’un nouveau
STPM ce qui engendre l’aggravation de notre problème initial celui du contrainte
de temps. En prenons en considération des problèmes reconnus, nous avons opté à
développer un nouveau driver pour répondre à nos besoins.

Figure IV.18 – Capture du programme STM32

Le driver développé prend en considération seulement les registres du courant et

tension instantanés et "RMS". Ce driver va aussi interner entre les deux STPM.
Toutes les fonctions nécessaires pour l’initialisation, la configuration et la lecture
des registres se localisent dan un seul fichier Actia.c avec leurs Header file Acitia.h .
III). Extraction des données 55

Figure IV.19 – Visualisation de structure de données

Les valeurs extraites par notre driver seront organisé dans une structure ordonnée.
Les données seront planifiées d’une façon à séparer les données de registre des don-
nées traitées.
Cependant, chaque structure est composé de RMS voltage-courant et instantanées
voltage-courant de chaque chaîne. Cette dernière est correspondante à sa STPM.
Exemple : STPM1.chanel1.voltage.

III.2.c) Unité de contrôle

Nous avons une partie de l’unité de contrôle était chargé seulement de la supervision.
Dans notre projet nous avons besoin de sauvegarder les données affin de créer la data-set
avec laquelle nous allons faire l’apprentissage de données. Pour réaliser cette tâche, nous
étions obligés de faire une modification dans le programme de l’unité de contrôle. Cette
modification n’est autre que le sauvegarde de données dans un fichier comme le montre la
figure ci-dessous.
III). Extraction des données 56

Figure IV.20 – Capture de récupération de données

Pour récapituler la partie précédente de driver, l’émission de données se fait à travers

le protocole IEC 61850 donc la figure au-dessus montre la réception des données à l’aide
de la fonction sample value subscriber.

Figure IV.21 – Organisation de données

Par suite, nous sommes obligés de sauvegarder les données sous une extension .csv pour
qu’elles soient compréhensibles par la bibliothèque "Pandas" que nous allons utilisé pour
faire l’apprentissage.
III). Extraction des données 57

 Résultat

Figure IV.22 – Interface unité de contrôle

La figure ci-dessus montre l’interface de l’unité de contrôle qui nous permet de visualiser
le signale et les alertes de défauts.
Elle nous permet maintenant de sauvegarder les données avec les actions de lancement et
d’arrêt d’enregistrement de data-set dans un fichier .csv .

III.3) Résultat de l’extraction de données

Finalement, après avoir déterminer tous les composants de notre système, nous avons
devant nous un système complet d’extraction de données. Nous allons maintenant sauve-
garder les données de chaque défaut .
Nos données sont divisées en deux grandeurs :

— La première colonne correspond au type de défaut similaire à celui que nous allons
voir dans les figures suivants, "Défaut 1(état stable), Défaut 2 (Phase 1 avec GND),
Défaut 3 (Phase 2 avec GND), Défaut 4 (Phase 1 et phase 2)".
III). Extraction des données 58

— La deuxième partie correspond successivement à la tension RMS de phase 1, phase

2, courant phase 1, courant phase 2.

Figure IV.23 – État stable du système

La figure ci-dessus nous montre l’état stable du système sans défauts.

Puisque nous allons utilisé le générateur triphasé que nous avons fabriqué, la tension obtenu
comprise entre 0 et 3V avec courant compris entre 0 et 15mA.
Nous allons maintenant faire un prélèvement d’échantillons "T=150µs" de l’état transitoire
et l’état permanente pour tout les défauts.

Figure IV.24 – Défaut 1

La figure ci-dessus nous montre le court-circuit entre la phase 1 et le GND.

III). Extraction des données 59

Figure IV.25 – Défaut 2

La figure ci-dessus nous montre le court-circuit entre la phase 2 et le GND.

Figure IV.26 – Défaut 3

La figure ci-dessus nous montre le court-circuit entre la phase 1 et la phase 2.

IV). Modèle de réseau de neurones 60

Figure IV.27 – Data-set

Après avoir extraire tous les défauts, nous allons les sauvegarder dans un fichier csv.

IV) Modèle de réseau de neurones

IV.1) Schéma fonctionnel

Nous avons une data-set réparties en deux parties, la premiere répartition est celle de
l’apprentissage et l’autre de test.
Concernant la répartition de l’apprentissage, nous allons extraire une petite partie pour
valider le modèle que nous avons créé au cour de l’apprentissage.
Enfin, on obtient un modèle qui sera implémenté dans le STM pour faire la classification.

Figure IV.28 – Cros validation de modèle

IV). Modèle de réseau de neurones 61

IV.2) Normalisation de données

La première étape pour faire l’apprentissage de modèle est d’extraire les données et les
normaliser pour obtenir le moindre taux d’erreurs possible.

Figure IV.29 – Interface SPYDER

Après avoir préparer l’environnement de travail, nous nous sommes concentrés sur l’im-
portation des bibliothèques, ensuite nous avons chargé notre data-set à travers le Pandas
et la stocké dans une variable comme le montre la figure ci-dessus.

Figure IV.30 – Instruction de visualisation de données

Cette partie nous permet de bien choisir l’algorithme correspondant, par la visualisation
de la Data-Set et son regroupement.
IV). Modèle de réseau de neurones 62

Figure IV.31 – Visualisation des données

IV). Modèle de réseau de neurones 63

Figure IV.32 – Décodage des données de sortie

Chaque défaut possède son numéro d’identifiant soit de 1 à 4 allant jusqu’à 6, qui sera
codé en binaire. La colonne de défaut de la figure précédente montre la nature de notre
défaut "1,2,3,4,5 et 6" que sera décodée dans la figure d’après.

Figure IV.33 – Défauts décodés

Parmi les démarches à suivre pour faire connaître notre output, nous avons codé chaque
défaut sous forme de quatre bits comme le montre la figure au-dessus. On peut constaté que
nous avons 1 binaire qui décale, chaque emplacement de 1 correspond au type de défaut.
IV). Modèle de réseau de neurones 64

Figure IV.34 – Instruction de répartition de données

Cette partie nous permet de diviser la Data-Set en 70% pour l’apprentissage et 30%
pour le test

Figure IV.35 – Données de test et données d’apprentissage

Nous allons ici visualiser les deux répartitions de données, celle de test et celle de
l’apprentissage. On peut diviser la figure ci-dessus en deux parties. Celle de haut correspond
au test divisé en deux, à gauche nous avons les données d’entrer de signale avec ses défauts
à droite et celle de bas correspond à la validation divisée aussi en deux comme la partie de
test.
IV). Modèle de réseau de neurones 65

IV.3) Phase création de modèle

Dans la partie de réalisation de création de modèle, nous avons réalisé plusieurs modèles
pour aboutir à un modèle stable.
Puisque nous avons des paramètres tels que le nombre de neurones, nombre de couches
cachées et poches, le choix d’activation etc.. qui jouent un rôle primordiale dans la précision
de notre modèle. Sans oublier que nous avons besoin d’un modèle plus optimisé pour
l’implémenter dans notre micro-contrôleur.
Il nous faut donc le moindre nombre de neurones et le moindre nombre de couches.

Figure IV.36 – Création de modèle

Après plusieurs itérations que nous y allons parlé ultérieurement, nous avons trouvé
les meilleurs résultats présentés dans la figure ci-dessus qui contiennent une seule couche
cachée de 20 neurones et une couche de sortie avec le choix de "Relu" comme un mode
d’activation.

IV.4) Phase apprentissage

C’est la dernière partie responsable du réglage des valeurs de poids et de bais.
Après l’apprentissage, le taux d’erreurs est le critère qui nous informe si le modèle est
validé.
IV). Modèle de réseau de neurones 66

Figure IV.37 – Apprentissage et visualisation d’erreur

La figure ci-dessus contient la partie du code responsable à l’apprentissage du modèle à

partir des données déjà traitées. Elle nous informe aussi, dans la partie droite, des détails
du procès encours. Elle contient aussi les instructions qui maintiennent l’affichage des taux
d’erreurs nécessaires.

Figure IV.38 – Données réelles

IV). Modèle de réseau de neurones 67

La figure ci-dessus contient la répartition de test dans laquelle existe les données d’en-
trées avec leurs défauts aléatoirement.
Nous nous focalisons sur ces données et nous prenons une ligne de données d’entrées comme
un échantillon, sa partie à droite correspondante n’est autre que son défaut.
X Résultat d’output de modèle

Figure IV.39 – Comparaison entre le défaut réel et le défaut prédit

Enfin, nous avons terminé la partie de création de modèle ainsi que la partie d’apprentis-
sage. Nous allons maintenant tester le fonctionnement de notre modèle. C’est pour cette
raison que nous avons appliqué les mêmes données d’entrées venants de la répartition de
test que nous connaissons leurs défauts.
Nous constatons ici que notre modèle nous a donné des résultats conformes à nos perspec-
tives comme le montre la figure ci-dessus.

IV.5) Phase validation

Pour aboutir à ce modèle, nous avons passé par plusieurs expériences avec le changement
de quelques paramètres que nous allons les montrer dans la partie qui suit.
IV). Modèle de réseau de neurones 68

Figure IV.40 – Perte de formation et de validation

La figure au-dessus nous montre que notre modèle fini et lors de son apprentissage
possède un taux d’erreur très faible.

Figure IV.41 – Comparaison entre valeurs actuelles et valeurs de prédiction

Grâce au figure ci-dessus, nous pouvons constater qu’il y a quelques échantillons perdus
présentés par des points libres et les autres sont concentrés avec les valeurs réelles.
IV). Modèle de réseau de neurones 69

Figure IV.42 – Premier test

Après avoir un modèle fini, le premier problème rencontré est le choix de nombre de
poches (nombre de boucle d’apprentissage). Comme le montre la figure ci-dessus, nous
avons prélevé seulement dix poches, nous avons constaté que le modèle n’est pas encore
précis puisqu’il nous a donné des mauvaise output.

Figure IV.43 – Nombre de neurones modifié

Comme le montre la figure ci-dessus, le nombre de neurones choisi est dix, ce qui a
engendré un taux d’erreur lors de l’apprentissage très élevé et le résultat trouvé n’est
pas satisfaisante puisque les points sont bouleversés partout. Le modèle donc n’est pas
fonctionnel.
V). Phase implémentions 70

V) Phase implémentions
Notre projet permet de classifier les défauts à partir d’une carte stm32. Alors nous
devons extraire un modèle et l’implémenter dans notre carte.

Figure IV.44 – Modèle exporté

La figure ci-dessus décrit la dernière étape de création de modèle qui est son extraction
sous une extension Tenserflou lite.

Figure IV.45 – Stm32cube IA

Affin d’implémenter notre modèle dans une carte stm32, nous avons besoin de passer
V). Phase implémentions 71

par le cube IA. La figure au-dessus montre les étapes que nous avons suivi dans le logiciel
Stm32cubeMX.
La première étape est de sélectionner la référence de micro-controlleur que nous avons
choisi. La deuxième étape est d’activer l’extension Cube IA. La troisième étape est de
choisir le modèle.

Figure IV.46 – Usage du matériel

La figure ci-dessus montre que le modèle a pris 320KiB de la RAM et 1MB flash. Ces
valeurs sont faisable au bon fonctionnement.

Figure IV.47 – Configuration de modèle

La figure ci-dessus montre la dernière étape de l’implémentation du modèle. En effet,

après l’enregistrement nous avons obtenu les fichier dans la figure suivante.
V). Phase implémentions 72

Figure IV.48 – Arborescence des fichiers

Conclusion

Dans ce chapitre, nous nous somme concentré sur la partie de réalisation, nous avons
ainsi implémenter notre modèle. Les résultats trouvés répondent parfaitement à nos be-
soins.
 CONCLUSION ET PERSPECTIVES

La détection et le diagnostic des défauts est un domaine de recherche actif au cours des
dernières décennies, qui est un élément essentiel des industries modernes pour assurer la
sécurité et la qualité des produits.

Pour réaliser ce projet, nous avons commencé par effectuer une étude approfondie des
différents concepts théoriques liés, respectivement, au projet classification des défauts basé
sur un modèle ANN. À partir de cette étude, nous avons pu conclure les fonctionnalités que
nous devons concevoir et implémenter dans notre système de détection pour satisfaire les
besoins des exploitants qui l’utilisant. Partant de la spécification et l’analyse des besoins à
satisfaire, nous avons pu définir par la suite l’architecture de notre solution, et détailler sa
conception. Après avoir terminer avec la phase de conception, nous avons passé à l’implé-
mentation de notre système et nous avons atteint et accompli les objectifs de notre projet
de fin d’étude.

Ce travail présente essentiellement un système qui effectue la détection et la localisa-

tion de certains défauts qui peuvent apparaître sur un réseau électrique en temps réel ,
puisque l’utilisation de gros systèmes industriels sont de plus en plus confronté à la sûreté
de fonctionnement de leur dispositif de production.

Les réseaux de neurones artificiels (RNA) ont fourni de bonnes performances pour
résoudre les problèmes de diagnostic de défauts et l’automatisation de la procédure de
surveillance des machines électriques.

73
Conclusion 74

Ce projet de fin d’étude nous a donné la capacité à émettre un ragard et à essayer d’aller
dans les détails pour passer à la partie de prédiction des défauts détectés et classifiés pour
assurer la continuité du fonctionnement afin de minimiser le risque de complexité.
 NETOGRAPHIE

[URL1] https ://machinelearningmastery.com/encoder-decoder-long-short-term-memory-

networks/

https ://aditi-mittal.medium.com/understanding-rnn-and-lstm-f7cdf6dfc14e

[URL3] https ://master-iesc-angers.com/artificial-intelligence-machine-learning-and-deep-

learning-same-context-different-concepts/

[URL4]https ://knowledge.essec.edu/fr/innovation/comment-lintelligence-artificielle-revolutionne-
la.html)

[URL5] https ://medium.com/analytics-vidhya/machine-translation-encoder-decoder-model-

7e4867377161

75