Aujourd'hui, le contrôle des procédés de fabrication est une tâche essentielle pour assurer une production de haute qualité. A la fin du processus de fabrication du semi-conducteur, un test électrique, appelé test paramétrique (PT), est effectuée. PT vise à détecter les plaques dont le comportement électrique est anormal, en se basant sur un ensemble de paramètres électriques statiques mesurées sur plusieurs sites de chaque plaque. Le but de ce travail est de mettre en place un système de détection dynamique au niveau de PT, pour détecter les plaques anormales à partir d'un historique récent de mesures électriques. Pour cela, nous développons un système de détection en temps réel basé sur une technique de réapprentissage optimisée, où les données d'apprentissage et le modèle de détection sont mis à jour à travers une fenêtre temporelle glissante. Le modèle de détection est basé sur les machines à vecteurs supports à une classe (1-SVM), une variante de l'algorithme d'apprentissage statistique SVM largement utilisé pour la classification binaire. 1-SVM a été introduit dans le cadre des problèmes de classification à une classe pour la détection des anomalies. Pour améliorer la performance prédictive de l'algorithme de classification 1-SVM, deux méthodes de sélection de variables ont été développées. La première méthode de type filtrage est basé sur un score calculé avec le filtre MADe,une approche robuste pour la détection univariée des valeurs aberrantes. La deuxième méthode de type wrapper est une adaptation à l'algorithme 1-SVM de la méthode d'élimination récursive des variables avec SVM (SVM-RFE). Pour les plaques anormales détectées, nous proposons une méthode permettant de déterminer leurs signatures multidimensionnelles afin d'identifier les paramètres électriques responsables de l'anomalie. Finalement, nous évaluons notre système proposé sur des jeux de données réels de STMicroelecronics, et nous le comparons au système de détection basé sur le test de T2 de Hotelling, un des systèmes de détection les plus connus dans la littérature. Les résultats obtenus montrent que notre système est performant et peut fournir un moyen efficient pour la détection en temps réel. / Nowadays, control of manufacturing process is an essential task to ensure production of high quality. At the end of the semiconductor manufacturing process, an electric test, called Parametric Test (PT), is performed. The PT aims at detecting wafers whose electrical behavior is abnormal, based on a set of static electrical parameters measured on multiple sites of each wafer. The purpose of this thesis is to develop a dynamic detection system at PT level to detect abnormal wafers from a recent history of electrical measurements. For this, we develop a real time detection system based on an optimized learning technique, where training data and detection model are updated through a moving temporal window. The detection scheme is based on one class Support Vector Machines (1-SVM), a variant of the statistical learning algorithm SVM widely used for binary classification. 1-SVM was introduced in the context of one class classification problems for anomaly detection. In order to improve the predictive performance of the 1-SVM classification algorithm, two variable selection methods are developed. The first one is a filter method based on a calculated score with MADe filter, a robust approach for univariate outlier detection. The second one is of wrapper type that adapts the SVM Recursive Feature Elimination method (SVM-RFE) to the 1-SVM algorithm. For detected abnormal wafers, we propose a method to determine their multidimensional signatures to identify the electrical parameters responsible for the anomaly. Finally, we evaluate our proposed system on real datasets of STMicroelecronics and compare it to the detection system based on Hotelling's T2 test, one of the most known detection systems in the literature. The results show that our system yields very good performance and can provide an efficient way for real-time detection.

Cette thèse CIFRE est réalisée dans le cadre d’un partenariat entre le laboratoire IMS de l’Université Bordeaux I et Airbus Operations S.A.S à Toulouse. Le thème abordé concerne la détection robuste et précoce de deux types particuliers de pannes dans le système de commandes de vol, à savoir l’embarquement et le grippage des gouvernes de profondeur. Afin de contribuer à l’optimisation du design structural des futurs avions, l’objectif est de proposer des méthodes capables d’améliorer les performances en détection des techniques actuellement en place, tout en garantissant un haut niveau de robustesse. Trois stratégies de surveillance à base de modèle sont présentées. La première solution est basée sur un filtre de Kalman dédié, associé à une procédure d’optimisation de ses paramètres. La seconde technique est basée sur un test de décision appliqué dans l’espace paramétrique, à une direction sensible identifiée. Finalement, une troisième approche consiste à utiliser un différentiateur à modes glissants pour estimer les dérivées du signal d’entrée et de sortie de la boucle d’asservissement. Les méthodes développées ont été implémentées dans le calculateur de commandes de vol et validées sur les bancs de tests Airbus et même en vol. Les résultats expérimentaux ont clairement mis en évidence l’apport des techniques présentées dans cette thèse par rapport à l’état de l’art industriel. / The research work done in this PhD has been carried out under an industrial convention (CIFRE) between the IMS laboratory (Bordeaux University, France) and Airbus Operations S.A.S. (Toulouse, France). The thesis deals with two important Electrical Flight Control System failure cases: runaway (a.k.a. hard over) and jamming (or lock-in-place failure) of aircraft control surfaces. Early and robust detection of such failures is an important issue for achieving sustainability goals and for early system reconfiguration. The thesis focuses on the elevator runaway and jamming. Three model-based monitoring strategies are presented. The first approach is based on a dedicated Kalman filtering with optimised tuning parameters. The second method is based on a decision test applied to an identified sensitive direction in the parametric space. Finally, the third solution is based on a sliding mode differentiator. The techniques have been implemented in the flight control computer and validated on Airbus test facilities and during real flight tests. The experimental results confirmed that good level of performance and robustness can be obtained.

Η παρούσα διατριβή εκπονήθηκε με σκοπό να γενικεύσει το πρόβλημα του ελέγχου υποθέσεων που εμπεριέχουν στοχαστική διάταξη στα πλαίσια της Μη Παραμετρικής Στατιστικής. Για τον σκοπό αυτό μελετήθηκε η σχετική βιβλιογραφία, εξετάσθηκε η ορολογία, οι ήδη υπάρχοντες ορισμοί και οι σχετικές προταθείσες μέθοδοι και ακολούθως έγινε προσπάθεια γενίκευσης του προαναφερθέντος προβλήματος. Η έρευνα αυτή απέδωσε δύο ομάδες αποτελεσμάτων. Στην πρώτη, ορίσθηκε μια νέα ολική διάταξη (XFO) σε κάθε σύνολο ασαφών αριθμών που έχουν διαφορετικές κορυφές οι οποίες σχηματίζουν συμπαγές υποσύνολο του ℝ. Η ασαφής αυτή διάταξη αποδίδει την σύγκριση των ασαφών αριθμών με ένα ασαφές μέτρο αναγκαιότητας και με το δυϊκό του μέτρο δυνατότητας. Η σύγκριση αυτής της μεθόδου με την πλέον αναγνωρισμένη αντίστοιχη μέθοδο διάταξης ασαφών αριθμών απέδειξε ότι η εισαχθείσα μέθοδος XFO είναι πιο κοντά στην αρχική μας εκτίμηση για την διάταξη και ανταποκρίνεται πιο αισιόδοξα. Στην δεύτερη ομάδα αποτελεσμάτων εισάγεται η έννοια της στοχαστικής διάταξης ασαφών τυχαίων μεταβλητών, με σύντηξη των ακολούθων εννοιών: α) της στοχαστικής διάταξης, β) της ανωτέρω ασαφούς διάταξης και γ) της εισαγόμενης έννοιας της ασαφούς συνάρτησης κατανομής. Ο ορισμός της στοχαστικής διάταξης δίδεται σε αρμονία με την μέθοδο XFO, αφού και οι δύο έχουν τις ρίζες τους στην ίδια διάταξη κλειστών διαστημάτων που εισάγεται αρχικά στην εργασία, μπορεί δε να θεωρηθεί η ασαφής στοχαστική διάταξη ως επέκταση της XFO. Η δεύτερη αυτή ομάδα περιλαμβάνει ένα εισαγόμενο για πρώτη φορά τρόπο ορισμού Ασαφών Υποθέσεων που περιέχουν στοχαστική διάταξη ασαφών τυχαίων μεταβλητών. Αυτό έχει αποτέλεσμα να βαθμολογείται θετικά μόνο η μία εκ των δύο ασαφών υποθέσεων, ασαφούς μηδενικής και ασαφούς εναλλακτικής, διευκολύνοντας έτσι την λήψη αποφάσεων. Προτείνεται διαδικασία ασαφούς ελέγχου που πιστοποιεί οποιαδήποτε ενυπάρχουσα στοχαστική διάταξη δύο ασαφών τυχαίων δειγμάτων, συμβατή με τον ορισμό, η οποία αντιστοιχεί θετικές τιμές αλήθειας μόνον στην αποδεκτή υπόθεση και μηδέν στην απορριπτόμενη. Τα αποτελέσματα του ελέγχου εκφράζονται με την βοήθεια δύο μέτρων αναγκαιότητας. Η μείζων συνεισφορά της προτεινόμενης ασαφούς διαδικασίας ελέγχου ασαφών υποθέσεων, που αναφέρονται σε στοχαστική διάταξη ασαφών τυχαίων μεταβλητών, είναι ότι παρέχει εργαλείο μετασχηματισμού του προβλήματος σε ένα περιορισμένο αριθμό ελέγχων κλασσικών υποθέσεων της μη Παραμετρικής Στατιστικής. Με τον τρόπο αυτό μπορούμε να συμβάλουμε στην επίλυση τέτοιων προβλημάτων ασαφών ελέγχων τόσο θεωρητικών ζητημάτων στοχαστικής διάταξης ασαφών τυχαίων μεταβλητών όσο και ενός αριθμού πρακτικών προβλημάτων, όπως της ασαφούς αξιολόγησης εξεταζομένων. / This dissertation has been carried out in order to extend the problem of testing hypotheses on stochastic orderings, with methods based on ranks. This study provides two sets of related results. In the first set of results we introduce a novel linear order, the “extended fuzzy order” (XFO), on every subset of F(ℝ), the members of which must have their modal values all different and form a compact subset of ℝ. A distinct new feature is that our linear determined procedure employs the corresponding order of a class interval associated with a confidence measure which assigns a necessity measure value on every comparison . This new XFO method measures the ordering of any two fuzzy numbers with a possibility and a necessity measure, a feature that makes the method relevant for processing of fuzzy statistical data. These fuzzy measures are compared with the widely accepted PD and NSD indices of D. Dubois and H. Prade. The comparison proves that our possibility and necessity measures are more optimistic and comply better with our intuition. In the second set of results it is investigated the fuzzy extension of hypotheses testing using non parametric methods based on ranks. To achieve this, the notion of fuzzy distribution function is introduced in a practical manner, which is proved to be equivalent to the known notion of Kruse and Mayer. The stochastic ordering of two fuzzy random samples is defined in a fusion of the notion of stochastic ordering, fuzzy distribution function and XFO method. A novel definition of fuzzy hypotheses related to a potential fuzzy stochastic order between two fuzzy random samples is given in a new manner so that the null and its alternative hypotheses do not overlap. Consequently, the method assigns positive possibility grades either to the null fuzzy hypothesis or to the its fuzzy alternative. This simplifies the fuzzy decision making, and moreover there is no need to defuzzify the results if a clear cut decision is required. A fuzzy statistical inference procedure of fuzzy hypotheses is proposed and it is carried out at a fuzzy significance level. The definition of a fuzzy critical value is required, which is carried out in a practical manner. The proposed method certifies any underlying stochastic fuzzy order between two fuzzy random samples giving grades of confidence to that. Two necessity measures are assigned to the rejection of the fuzzy null hypothesis in favor of its alternative. The first measures the necessity of the existence of any fuzzy stochastic ordering between the fuzzy random samples under examination. The second necessity measure expresses the confidence of the fuzzy null hypothesis rejection uniformly for all relevant α-cut levels. The main contribution of this thesis, as far as the second set of results is concerned, is that a problem of testing fuzzy hypotheses on stochastic orderings of fuzzy random variables at a fuzzy significance level, is transferred to a limited number of tests of classic hypotheses. These tests are carried out at a fuzzy significance level, and are processed with the application of the linear fuzzy ordering procedure XFO.