Zakaria BENCHEIKH

Analyse des pièces de rechange du ROBOT FANUC La communication entre Automates Siemens S7-1200 et Siemens S7-1500

Contribution au développement de la plateforme d’analyse vidéo DAKAI • Développement et Déploiement d’un système intelligent de gestion du trafic (YOLOv8, ResNet50, VGG, CNN, TrOCR) pour 180 ronds-points. • Conception d’un système de contrôle qualité automatisé pour le câblage automobile (DeepStream, vision par ordinateur, YOLOv8, CNN). • Développement d’un système de supervision intelligente pour les stations Afriquia (détection, classification, suivi, statistiques, NVIDIA RTX Servers). • Création d’un module d’extraction documentaire intelligente via OCR et LLM (RAG, recherche sémantique, NVIDIA Jetson Edge). • Commande d’un bras robotique Dobot CR7A par vision par ordinateur, permettant la détection, la localisation et la prise d’objets (pick-and-place) à l’aide de YOLOv8, calibration caméra-robot et communication temps réel via FastAPI. Gestion de projets et conduite du changement • Coordination avec les équipes et clients pour assurer la qualité des déploiements et travaux. • Intégration de la méthode Agile impliquant un suivi rigoureux des développements et un respect de l’enveloppe budgétaire.

Développement d’un modèle d’estimation de l’état de charge (SoC) des batteries de véhicules électriques à l’aide du deep learning Conception et mise en œuvre de modèles d’estimation du SoC basés sur les architectures LSTM et FCN, incluant la collecte et le prétraitement des données, la modélisation, l’évaluation des performances et l’optimisation des modèles. Le modèle final est destiné à être intégré dans un système de gestion de batterie (BMS) afin de permettre une estimation précise et robuste du SoC, d’améliorer les performances du véhicule et de prolonger la durée de vie de la batterie.

Analyse des données et développement de solutions intelligentes • Etudes des moteurs asynchrones et differents types d’anomalies. • Développement d’un modèle de Machine Learning basé sur une approche d’ensemble (Stacking), combinant Random Forest, SVM et Régression Logistique pour la prédiction des défauts de déséquilibrage. • Utilisation de Python (Scikit-learn, Pandas, Matplotlib) pour modélisation, l’évaluation des performances et la visualisation des résultats. Amélioration de la fiabilité • Amélioration de la durée de vie des équipements (+20 %) et réduction des coûts de maintenance.