Parmi les techniques utilisées en maintenance, l'analyse vibratoire reste l'outil le plus efficace pour surveiller l'état interne des machines tournantes en fonctionnement. En effet l'état de chaque composant constituant la machine peut être caractérisé par un ou plusieurs indicateurs de défaut issus de l'analyse vibratoire. Le suivi de ces indicateurs permet de détecter la présence d'un défaut et même de le localiser. Cependant, l'évolution de ces indicateurs peut être influencée par d'autres paramètres comme la variation de charge, la vitesse de rotation ou le remplacement d'un composant. Cela peut provoquer des fausses alarmes et remettre en question la fiabilité du diagnostic. Cette thèse a pour objectif de combiner l'analyse vibratoire avec la méthode de reconnaissance des formes afin d'une part d'améliorer la détection de défaut des composants en particulier le défaut de roulement et d'autre part de mieux suivre l'évolution de la dégradation pour caractériser le degré de sévérité du défaut. Pour cela nous avons développé des méthodes de classification dynamique pour prendre en compte l'évolution du système. Les observations à classifier sont constituées d'indicateurs de défauts et des combinaisons linéaires de ceux-ci. La démarche de la reconnaissance des formes dynamique consiste à extraire, à sélectionner et à classifier ces observations de façon continue. Trois méthodes de classification dynamiques ont été développées durant cette thèse : le « Dynamic DBSCAN » qui la première version dynamique de DBSCAN développée pour pouvoir suivre les évolutions des classes, « Evolving scalable DBSCAN » ESDBSCAN qui représente une version en ligne et évolutive de DBSCAN et finalement « Dynamic Fuzzy Scalabale DBSCAN » DFSDBSCAN qui est une version dynamique et floue de la méthode de classification ESDBSCAN adaptée pour un apprentissage en ligne. Ces méthodes distinguent les variations des observations liées au changement du mode de fonctionnement de la machine (variation de vitesse ou de charges) et les variations liées au défaut. Ainsi, Elles permettent de détecter, de façon précoce, l'apparition d'un défaut qui se traduit par la création d'une nouvelle classe dite classe dégradée et de suivre l'évolution de celle-ci. Cette méthodologie permettrait d'améliorer l'estimation de la durée de vie résiduelle du composant en analysant la distance séparant la classe "saine" et "dégradée". L'application sur des données réelles a permis d'identifier les différents états du roulement au cours temps (sain ou normal, défectueux) et l'évolution des observations liée à la variation de vitesse et au changement de charges avec un taux d'erreur faible et d'établir un diagnostic fiable. Afin de caractériser le degré de précocité du diagnostic des méthodes développées nous avons comparé ces résultats avec ceux établis par des méthodes classiques de détection. Cette comparaison nous a montré que les méthodes proposées permettent un diagnostic plus précoce et plus fiable.Mots clés : Diagnostic et suivi, roulements, méthodes de reconnaissance des formes, apprentissage en ligne, classification dynamique, analyse vibratoire, DFSDBSCAN, ESDBSCAN, DDBSCAN. / Various techniques can be used in rotating machines condition based maintenance. Among which vibration analysis remains the most popular and most effective tool for monitoring the internal state of an operating machine. Through vibration analysis, the state of each component constituting the machine can be characterized by one or more fault indicators. Monitoring these indicators can be used to detect the presence of a defect or even locate it. However, the evolution of these indicators can be influenced by other parameters than defect such as the variation of load, speed or replacement of a component. So counting solely on the evolution of these fault indicators to diagnose a machine can cause false alarms and question the reliability of the diagnosis.In this thesis, we combined vibration analysis tools with pattern recognition method to firstly improve fault detection reliability of components such as bearings, secondly to assess the severity of degradation by closely monitor the defect growth and finally to estimate their remaining useful life. For these reasons, we have designed a pattern recognition process capable of; identifying defect even in machines running under non stationary conditions, processing evolving data of an evolving system and can handle an online learning. This process will have to decide the internal state of the machine using only faults indicators or linear combinations of fault indicators.The process of pattern recognition of dynamic forms consists of extracting and selecting useful information, classify these observations continuously into their right classes then decide on an action according to the observations' class.Three dynamic classification methods have been developed during this thesis: Dynamic DBSCAN that was developed to capitalize on the time evolution of the data and their classes, Evolving Scalable DBSCAN (ESDBSCAN) that was created to overcome the shortcoming of DDBSCAN in online processing and finally Dynamic Fuzzy Scalable DBSCAN (DFSDBSCAN); a dynamic fuzzy and semi-supervised version of ESDBSCAN. These methods can detect the observations evolution and identify the nature of the change causing it; either if it's a change in operating mode of the machine (speed variation or load) or a change related to the defect.With these techniques we were are able to enhance the reliability of fault detection by identifying the origin of the fault indicators evolution. An evolution caused by an alteration of the operating mode and changes caused by defect result in two different types of classes evolution (the appearance of a new class we named it 'defected' in case of defect or a drift otherwise). Not only that but these techniques helped us enhance the precocity of the fault detection and estimate the remaining useful life of the monitored component as well by analyzing the distance separating the class 'healthy' and 'defected'.The application of the designed process on real data helped us prove the legitimacy of the proposed techniques in identifying the different states of bearings over time (healthy or normal, defective) and the origin of the observations' evolution with a low error rate, a reliable diagnosis and a low memory occupation.Keywords: Diagnosis and monitoring, bearings, pattern recognition, learning, dynamic classification, Vibration Analysis, DFSDBSCAN, ESDBSCAN, DDBSCAN

Les systèmes de nez et de langues électroniques à base de capteurs chimiques et électrochimiques constituent une solution avantageuse pour la caractérisation des odeurs et des saveurs émanant des produits agroalimentaires. La sélectivité croisée de la matrice des capteurs couplée aux méthodes de reconnaissance de formes est l'élément clé dans la conception et le développement de ces systèmes. Dans cette optique, nous avons démontré la capacité d'un dispositif expérimental de nez électronique à discriminer entre les différents types de drogues, à analyser la fraîcheur des fromages, à identifier entre les fromages adultérés et à différentier entre les eaux potables et usées. Nous avons également réussi à classifier correctement les eaux potables (minérales, de source, gazeuse et de robinet) et usées par utilisation d'une langue électronique potentiométrique. Cette étude a été validée par la Chromatographie en Phase Gazeuse couplée à la Spectrométrie de Masse (CPG-MS). En outre, nous avons développé une langue électronique voltammétrique à base d'une électrode de Diamant Dopé au Bore pour différencier les phases de traitement des eaux usées domestiques et hospitaliers et pour identifier les différents métaux lourds (Pb, Hg, Cu, Cd, Ni et le Zn) contenus dans l'eau du fleuve Rhône. La Voltammétrie à Redissolution Anodique à Impulsion Différentielle (DPASV) a été utilisée comme une méthode électrochimique pour caractériser les eaux étudiées. Enfin, les systèmes multicapteurs hybrides se sont avérés un bon outil analytique pour caractériser les produits de l'industrie agroalimentaire tels que les jus tunisiens et les huiles d'olives marocaines / Electronic noses and tongues systems based on chemical and electrochemical sensors are an advantageous solution for the characterisation of odours and tastes that are emanating from food products. The cross-selectivity of the sensor array coupled with patter recognition methods is the key element in the design and development of these systems. In this context, we have demonstrated the ability of an electronic nose device to discriminate between different types of drugs, to analyse cheeses freshness, to identify adulterated cheeses and to differentiate between potable and wastewaters. We have also succeeded to correctly classify drinking waters (mineral, natural, sparkling and tap) and wastewaters by using a potentiometric electronic tongue. This study was validated by Gas Chromatography coupled with Mass Spectrometry (GC-MS). Furthermore, we have developed a voltammetric electronic tongue based on a Diamond Doped Boron electrode to differentiate treatment stages of domestic and hospital wastewaters and to identify different heavy metals (Pb, Hg, Cu, Cd, Ni and Zn) contained in Rhône river. The Differential Pulse Anodic Stripping Voltammetry (DPASV) was used as an electrochemical method to characterise the studied waters. Finally, the hybrid multisensor systems have proven to be good analytical tools to characterise the products of food industry such as Tunisian juices and Moroccan olive oils

Les capteurs et les biocapteurs sont des moyens d’analyse en plein essor à la fois rapides, sensibles, sélectifs et peu coûteux, applicables à des domaines très variés (agroalimentaire, environnement, biomédical…). Dans ce travail de recherche, nous nous sommes intéressés au développement de trois dispositifs à savoir un nez et une langue électroniques à base de systèmes multicapteurs pour l’analyse des odeurs et des saveurs ainsi que les biocapteurs. Les deux premiers dispositifs ont permis dans un premier temps de caractériser et de détecter les fraudes dans les produits de l’industrie agroalimentaire. Ainsi, nous sommes parvenus à détecter les pratiques frauduleuses dans l’huile d’argan par le nez et par la langue électroniques. Nous avons, par ailleurs, réussi à caractériser des miels de différentes origines géographiques et botaniques et à détecter l’adultération du miel pur par l’utilisation d’une langue électronique voltammétrique. Enfin, nous avons démontré l’efficacité des systèmes de nez et de langue électroniques à discriminer cinq marques de lait pasteurisé marocain. Des limitations du système de nez et de langue électroniques ont été révélées quant à la discrimination du lait pasteurisé (Jawda) en fonction des jours de stockage. Par contre, la fusion des données des deux systèmes moyennant un niveau d'abstraction intermédiaire a permis d’améliorer cette discrimination. Dans une deuxième étape, nous avons développé deux biocapteurs, le premier est basé sur l’utilisation de Polymère à Empreinte Moléculaire (MIP) dédié à la détection de la tétracycline dans le miel. Alors que le second est un immunocapteur conçu pour la détection de l’ochratoxine A. Le MIP, utilisé dans le premier cas, a été synthétisé à la surface d’électrodes en or par électropolymérisation des nanoparticules d'or fonctionnalisées par le p-aminothiophénol en présence de la tétracycline comme molécule empreinte. Dans le deuxième cas, un nouveau biocapteur capacitif basé sur l’utilisation d’un substrat de Nitrure de Silicium (Si3N4) combiné avec une nouvelle structure de nanoparticules magnétiques (MNPs) pour la détection de l’ochratoxine A a été conçu. En effet, Les MNPs possédant une terminaison carboxylique ont été liés de manière covalente à la monocouche auto-assemblée du silane-amine (3-aminopropyl triéthoxysilane APTES). Enfin, les anticorps anti-ochratoxine A ont été immobilisés sur les MNPs par liaison amide. Les performances des deux biocapteurs (limite de détection, sélectivité, reproductibilité) ont ensuite été évaluées / Sensors and Biosensors are rapid, sensitive, selective and low-cost analytical devices of growing interest for a wide range of application fields (e.g. food, environment, health …). This research focused on the development of three devices namely an electronic nose and tongue and electrochemical biosensors with applications in food analysis. The first two devices allowed the characterization and detection of frauds in the food field. Thus, we have been able to detect fraudulent practices in argan oil by using an electronic nose and tongue systems. In addition, the electronic tongue has successfully classified honeys of different geographical and botanical origins and detects the adulteration of pure honey. Finally, we have demonstrated the ability of the electronic nose and tongue systems to classify five brands of Moroccan pasteurized milk and to discriminate against them based on their storage days. In the second stage, we have developed two biosensors. The first one is based on a molecularly imprinted polymer (MIP) for the detection of tetracycline in honey. The second one is based on an immunosensor devoted for the detection of ochratoxin A. For the first biosensor, imprinted gold nanoparticles composites are assembled on Au surfaces by the electropolymerization of p-amino-thiophenol functionalized gold nanoparticles in the presence of the imprint molecule. In the second case, we have developed a novel capacitance electrochemical biosensor based on silicon nitride substrate (Si3N4) combined with a new structure of mangnetic nanoparticles (MNPs). Indeed, The MNPs with terminated carboxylic acid were covalently bonded to Si3N4 through a Self-Assembled Monolayers (SAMs) of the silane-amine (3-Aminopropyl) triethoxysilane (APTES). Finally anti-ochratoxin A antibodies were immobilized on MNPs by amide bonding. The performances of the two biosensors (limit of detection, selectivity, reproducibility) were then evaluated and the results are generally satisfactory