Thèse Développement de Modèles de Pronostic Hybride Contextualisé pour les Systèmes Cyber-Physiques H/F - Doctorat.Gouv.Fr

Établissement : IMT MINES ALES École doctorale : I2S - Information, Structures, Systèmes Laboratoire de recherche : SyCoIA - Systèmes Complexes et Intelligence Artificielle Direction de la thèse : Phuc DO ORCID 0000000341135895 Début de la thèse : 2027-02-01 Date limite de candidature : 2026-11-21T23:59:59 Cette thèse, réalisée dans le cadre du projet ANR IAMinPRES, vise à développer de nouvelles méthodes de pronostic hybride contextualisé pour les systèmes cyber-physiques industriels. L'objectif principal est de prédire l'évolution de la dégradation et la durée de vie résiduelle (Remaining Useful Life, RUL) des équipements, en tenant compte explicitement des conditions dynamiques d'exploitation, des politiques de pilotage et des actions de maintenance. Les travaux s'appuieront sur l'hybridation des modèles physiques, des connaissances métier et des approches d'apprentissage automatique, afin de dépasser les limites des méthodes de pronostic conventionnelles, qui supposent souvent des conditions d'exploitation fixes ou insuffisamment représentées.
Les recherches s'articuleront autour de quatre axes principaux :
- Formalisation des connaissances et des contextes opérationnels, afin de caractériser les interactions entre mécanismes de dégradation, conditions d'exploitation, politiques de pilotage, interventions de maintenance et dépendances entre composants.
- Développement de modèles de pronostic hybride contextualisé, combinant modèles physiques, connaissances métier, données hétérogènes et intelligence artificielle, notamment à travers des approches d'apprentissage informées par la physique ou guidées par les connaissances.
- Prédiction de la dégradation et de la RUL sous conditions dynamiques, en intégrant différents scénarios futurs d'exploitation et de maintenance, ainsi que la quantification et la calibration des incertitudes pronostiques.
- Évaluation et validation des approches proposées, en étudiant leur précision, leur robustesse, leur capacité de généralisation et leur pertinence pour l'aide à la décision. Les méthodes seront validées sur une plateforme expérimentale de transmission mécanique, puis sur les cas d'usage industriels du projet IAMinPRES.
Les principaux résultats scientifiques attendus : 1-un cadre de modélisation de la dégradation tenant compte des connaissances et des contextes opérationnels; 2-de nouvelles méthodes de pronostic hybride intégrant modèles physiques, données et connaissances métier; 3-des approches de prédiction de la dégradation et de la RUL conditionnées par les scénarios futurs d'exploitation et de maintenance; 4-ainsi que des méthodes de quantification et de calibration des incertitudes pronostiques.
Ces travaux contribueront au développement de modèles de pronostic robustes, adaptatifs et sensibles au contexte, dont les résultats pourront être exploités pour l'optimisation des décisions de maintenance prescriptive dans le projet IAMinPRES.
Les avancées récentes en Prognostics and Health Management (PHM) et en intelligence artificielle permettent d'améliorer la surveillance de l'état de santé des équipements industriels et la prédiction de leur durée de vie résiduelle (RUL). Cependant, les méthodes de pronostic conventionnelles prennent encore insuffisamment en compte l'évolution dynamique des conditions d'exploitation, des politiques de pilotage et des actions de maintenance, qui influencent directement les mécanismes de dégradation. L'hybridation des modèles physiques, des connaissances métier et des approches d'apprentissage automatique constitue une voie prometteuse pour développer des modèles de pronostic plus robustes, adaptatifs et sensibles au contexte, tout en quantifiant les incertitudes associées aux prédictions. Cette problématique s'inscrit dans le projet ANR IAMinPRES, qui vise à intégrer le pronostic hybride, l'optimisation des décisions de maintenance prescriptive et les jumeaux numériques intelligents dans un cadre cohérent d'aide à la décision pour les systèmes industriels complexes.

Les candidats doivent être titulaires d'un diplôme de Master ou d'ingénieur en génie mécanique, génie industriel, mathématiques appliquées, automatique, informatique ou dans une discipline proche. Les candidats devront démontrer :
- De solides bases en modélisation mathématique, probabilités ou statistiques ;
- Une expérience en apprentissage automatique et en programmation scientifique, de préférence en Python ;
- Un intérêt pour les systèmes physiques, la fiabilité, la modélisation de la dégradation et le pronostic ;
- Une capacité à conduire des recherches de manière autonome, à travailler en équipe et à communiquer les résultats scientifiques en anglais.

Merci de transmettre un CV détaillé, une lettre de motivation, les relevés de notes et les classement des deux dernières années d'études et des lettres de recommandation. Regrouper tous les documents dans un seul fichier PDF nommé Nom_Prénom.pdf.

• Statistiques
• Python
• Programmation
• Anglais
• Intelligence artificielle
• Mathématiques