La sécurité des installations industrielles implique une gestion intégrée de tous les facteurs pouvant causer des incidents. La gestion d’alarmes est une condition qui peut être formulée comme un problème de reconnaissance de motifs pour lequel les motifs temporels sont utilisés pour caractériser différentes situations typiques, en particulier liées au phases de démarrage et d'arrêt. Dans cette thèse, nous proposons une nouvelle approche de gestion des alarmes basée sur un processus de diagnostic. En considérant les alarmes et les actions des procédures d'exploitation standard comme des événements discrets, le diagnostic repose sur la reconnaissance de situation pour fournir aux opérateurs des informations pertinentes sur les défauts induisant les flux d'alarmes. La reconnaissance de situation est basée sur des chroniques qui sont apprises pour chaque situation. Nous proposons d'utiliser un modèle causal hybride du système et des simulations pour générer les séquences d'événements représentatives à partir desquelles les chroniques sont apprises automatiquement en utilisant l'algorithme « Heuristic Chronicle Discovery Algorithm Modified » (HCDAM). Une extension de cet algorithme est présentée dans cette thèse où les connaissances d'experts sont prises en compte comme des restrictions temporelles qui constituent une nouvelle entrée pour HCDAM. Deux cas d’étude illustratifs dans le domaine des procédés pétrochimiques sont présentés. / Industrial plant safety involves integrated management of all the factors that may cause incidents. Process alarm management is a requisite that can be formulated as a pattern recognition problem in which temporal patterns are used to characterize different typical situations, particularly at startup and shutdown stages. In this thesis, we propose a new approach of alarm management based on a diagnosis process. Assuming the alarms and the actions of the standard operating procedures as discrete events, diagnosis relies on situation recognition to provide the operators with relevant information about the faults inducing the alarm flows. Situation recognition is based on chronicles that are learned for every situation. We propose to use the hybrid causal model of the system and simulations to generate the representative event sequences from which the chronicles are learned using the Heuristic Chronicle Discovery Algorithm Modified (HCDAM). An extension of this algorithm is presented in this thesis where expert knowledge is included as temporal restrictions which are a new input to HCDAM. Two illustrative case studies in the field of petrochemical plants are presented.

L’industrie microélectronique est un domaine compétitif, confronté de manière permanente à plusieurs défis. Pour évaluer les étapes de fabrication, des tests de qualité sont appliqués. Ces tests étant discontinus, une défaillance des équipements peut causer une dégradation de la qualité du produit. Des alarmes peuvent être déclenchées pour indiquer des problèmes. D’autre part, on dispose d’une grande quantité de données des équipements obtenues à partir de capteurs. Une gestion des alarmes, une interpolation de mesures de qualité et une réduction de données équipements sont nécessaires. Il s’agit dans notre travail à développer des méthodes génériques d’analyse multi-variée permettant d’agréger toutes les informations disponibles sur les équipements pour prédire la qualité de produit en prenant en compte la qualité des différentes étapes de fabrication. En se basant sur le principe de reconnaissance de formes, nous avons proposé une approche pour prédire le nombre de produits restant à produire avant les pertes de performance liée aux spécifications clients en fonction des indices de santé des équipement. Notre approche permet aussi d'isoler les équipements responsables de dégradation. En plus, une méthodologie à base de régression régularisée est développée pour prédire la qualité du produit tout en prenant en compte les relations de corrélations et de dépendance existantes dans le processus. Un modèle pour la gestion des alarmes est construit où des indices de criticité et de similarité sont proposés. Les données alarmes sont ensuite utilisées pour prédire le rejet de produits. Une application sur des données industrielles provenant de STMicroelectronics est fournie. / The microelectronics industry is a highly competitive field, constantly confronted with several challenges. To evaluate the manufacturing steps, quality tests are applied during and at the end of production. As these tests are discontinuous, a defect or failure of the equipment can cause a deterioration in the product quality and a loss in the manufacturing Yield. Alarms are setting off to indicate problems, but periodic alarms can be triggered resulting in alarm flows. On the other hand, a large quantity of data of the equipment obtained from sensors is available. Alarm management, interpolation of quality measurements and reduction of correlated equipment data are required. We aim in our work to develop generic methods of multi-variate analysis allowing to aggregate all the available information (equipment health indicators, alarms) to predict the product quality taking into account the quality of the various manufacturing steps. Based on the pattern recognition principle, data of the degradation trajectory are compared with health indices for failing equipment. The objective is to predict the remaining number of products before loss of the performance related to customer specifications, and the isolation of equipment responsible for degradation. In addition, regression- ased methods are used to predict the product quality while taking into account the existing correlation and the dependency relationships in the process. A model for the alarm management is constructed where criticality and similarity indices are proposed. Then, alarm data are used to predict the product scrap. An application to industrial data from STMicroelectronics is provided.