Une maintenance prévisionnelle efficace repose d’une part sur une modélisation précise de connaissances expertes préexistantes (AMDEC, Arbre de défaillance, etc.) et d’autre part sur des outils de supervision et de pronostic sensibles aux évolutions du procédé. La performance de ces outils repose sur l’analyse et l’estimation en temps réel de l’état du procédé, mais également sur la prévision de ses états futurs. Sur cette base, des indicateurs tels que les valeurs probabilistes issues du pronostic de défaillances peuvent être exploités pour la planification efficiente d’actions de maintenance. En partant des connaissances expertes préétablies, nous proposons une approche de supervision adaptative basée sur une technique de reconnaissance des formes, AUDyC (AUto-adaptive and Dynamical Clustering), qui est particulièrement adapté aux systèmes dynamiques évolutifs et complexes. Cette approche permet de suivre en temps réel l’état de fonctionnement du procédé, avec un minimum de connaissances a priori sur ses caractéristiques physiques, de détecter et de diagnostiquer tout changement de son comportement, même si le système évolue vers un état jusqu’alors inconnu et d’actualiser la base de connaissance par intégration de nouveautés. Une approche de pronostic de défaillance couplée au processus de supervision adaptative est alors proposée afin de fournir en temps réel, l’état futur d’un procédé tout en estimant la probabilité qu’une défaillance survienne à un instant futur ainsi que la fiabilité de ce pronostic. Cette architecture de supervision adaptative et de pronostic proposée est utilisée pour la maintenance prévisionnelle des composants d’un système réel de thermorégulation. / An effective predictive maintenance relies on the one hand, on an accurate modeling of available expert knowledge (Failure Mode, Effects and Criticality Analysis, Fault Tree, etc) and on the other hand, on monitoring tools that are sensitive to changes in the process under consideration. The performance of the monitoring tools consists not only in their ability to estimate and analyze the process state in real-time, but also in their capability to predict the future states. On this basis, indicators derived from the probabilistic prediction of failure occurrences can be exploited for the efficient planning of maintenance actions. Based on the predefined expert knowledge, we propose an approach of supervision based on a pattern recognition technique, the AUDyC algorithm (Auto-adaptive and Dynamical Clustering), which is particularly suitable for dynamic and complex systems monitoring. The proposed supervision approach allows us to (i) monitor the operational status of the system in real-time, with a minimum prior physical knowledge, (ii) detect and diagnose any change in the system behavior, even if the system evolves to a previously unknown state, (iii) update the basis of knowledge about the system by integrating new features into it. In order to provide in real-time an estimate of the future state of the system, a prognosis technique is coupled with the above mentioned supervision unit. This makes it possible to compute, with a certain reliability, the probability that a failure occurs at a given future time. Finally, the whole architecture for both supervision and prognosis is applied for the predictive maintenance of a real thermoregulation system.

Les pathologies du système musculosquelettique concernant les déformations / anomalies osseuses et musculaires (e.g. paralysie cérébrale) ont un fort impact sur la qualité de vie des personnes concernées. Les objectifs de la thèse sont d’approfondir les études précédentes en intégrant la modélisation de l’incertitude des données biomécaniques et biomédicales dans les modèles de diagnostic prédictif des pathologies du système musculosquelettique. L’intervalle a été choisi pour représenter l’incertitude des données biomécaniques. Ce formalisme est simple et peu coûteux sur le plan du calcul. Les données (physiologiques, morphologiques, mécaniques et analyse du mouvement) ont été recueillies à partir de la littérature en utilisant les moteurs de recherche des articles scientifiques fiables pour établir un espace d’incertitude. La nouvelle méthode de classement (nommée US-ECM) proposée est une méthode de classement semi-supervisé qui utilise la partition crédale pour représenter les connaissances partielles sur les clusters. L’utilisation de la fonction de croyance pour représenter ces éléments de connaissance permet de les combiner d’une manière souple et robuste. De plus, l’extension de cette méthode avec un espace d’incertitude multidimensionnelle a montré la meilleure performance par rapport à la version originale. L’analyse des avis d’expert permettra d’inclure ou d’exclure les sources de données selon leurs niveaux de fiabilité. Ensuite, le modèle de regroupement (US-ECM) développé sera appliqué sur une nouvelle base de données pour évaluer l’impact de la fiabilité des données sur la performance de diagnostic. / The aim of the project is to investigate the modeling of the reliability/incertitude/imprecision of biomedical and biomechanics data (medical images, kinematics/kinetics/EMG data, etc.) and its propagation in the predictive diagnosls models of the disorders of musculoskeletal systems. These diagnosis models will be based on multimodal and multidimensional patient data (3D medical imaging, mechanical data,dinical data,etc.). The literature-based data have been collected to estabish an uncertainty space, which represents fused data from multiple sources, of morphological, mechanical, and movement analysis properties of the musculoskeletal system from multiple sources (i.e. research papers from Science Direct and Pubmed). After that,a new clustering method (US-ECM) is proposed for integrating fused data from multiple sources ln form of a multidimensional uncertainty space (US). Reliability of biomechanical data was evaluated by a fusion approach expert opinion. Reliability criteria of a data source (ie scientific paper published) focus on the technique used the acquisition protocol and measurement and the number of data. A system of questionnaires was developed to co!lect expert opinion. Then, the theory of beliet functions has been applied to merge these opinion to establish a confidence level each data source.

La supervision automatique des processus industriels permet d'accroître la productivité et de diminuer le coût d'entretien. Le diagnostic est une composante principale d'un module de supervision. Il existe plusieurs approches pour réaliser le diagnostic. Les performances de chaque approche dépendent du problème posé. Nous cherchons une méthode de diagnostic capable de résoudre les problèmes suivants :<br />- dans une base de connaissance incomplète, tous les modes de fonctionnement ne sont pas représentés. En conséquence, un module de diagnostic doit être adaptatif afin d'inclure à sa base de connaissance les nouveaux modes dés qu'ils apparaissent,<br />- lorsque le système évolue vers un mode anormal ou non désiré, il est nécessaire d'anticiper cette évolution plutôt que d'attendre d'arriver à ce mode afin d'éviter ses conséquences surtout s'il est dangereux. Le module de diagnostic doit donc être prédictif,<br />- dans le cas d'un système évolutif, la base de connaissance doit être enrichie grâce à l'information apportée par les nouvelles observations. Cet enrichissement doit être réalisé en temps réel,<br />- les données sont à la fois incertaines et imprécises.<br />L'objectif principal de ma thèse consistait à mettre au point un module de diagnostic en temps réel adaptatif et prédictif pour des systèmes évolutifs, en utilisant les techniques de Reconnaissance des Formes, la théorie des ensembles flous et la théorie des possibilités. Ce module a été appliqué sur plusieurs applications industrielles.