Une maintenance efficace d’un dispositif industriel ne peut être basée que sur la fiabilité et l’exactitude de données physiques captées sur ledit dispositif, à des fins de surveillance. Dans certains cas, le monitoring de tels systèmes industriels ou de zones à surveiller ne peut pas être assuré à l’aide de capteurs individuels ou filaires, du fait par exemple de problèmes d’accès ou de milieux hostiles. Les Réseaux de Capteurs Sans Fil (RCSF) sont alors une alternative. En raison de la nature des communications dans ces réseaux, et des caractéristiques des appareils composants ces derniers, un RCSF est à fort risque de pannes au niveau des capteurs, et dans ce cas la perte de diverses données est probable - ce qui peut s’avérer problématique pour le monitoring du dispositif. Pour étudier la pertinence des RCSF pour le processus dit de PHM (Prognostic and Health Management, utilisé pour déterminer le plan de maintenance d’un dispositif à surveiller), et l’impact des diverses stratégies déployées dans ces premiers sur ces derniers, nous avons proposé un premier algorithme de diagnostic efficace et l’avons utilisé dans un RCSF simulé pour en mesurer la performance (ce simulateur étant un programme que nous avons développé). / Effective maintenance of an industrial device can only be based on the reliability and accuracy of physical data captured on said device for monitoring purposes. In some cases, monitoring of such industrial systems or areas to be monitored can not be ensured by individual or wire sensors, for example due to access problems or hostile environments. Wireless Sensor Networks (RCSF) are an alternative. Due to the nature of the communications in these networks, and the characteristics of the devices making up the latter, an RCSF is at high risk of failures at the sensors, and in this case the loss of various data is likely - problematic for the monitoring of the device. To study the relevance of the RCSF to the so-called Prognostic and Health Management (PHM) process used to determine the maintenance plan for a device to be monitored, and the impact of the various strategies deployed in the latter on the latter, proposed a first efficient diagnostic algorithm and used it in a simulated RCSF to measure its performance (this simulator being a program that we developed).

Pour maintenir leur compétitivité, les industries du semi-conducteur doivent être en mesure de produire des circuits intégrés en technologies avancées, avec des temps de cycle de plus en plus courts et à des coûts raisonnables. Un des axes d’amélioration réside dans le traitement des défaillances des équipements de production tenus responsables de plus de 50%des rejets produits. Cette thèse se fixe comme objectif de contribuer au développement d’une boucle réactive partant d’une dérive produit à la mise en place d’une solution appropriée tout en assurant un meilleur compromis entre disponibilité des équipements, coûts d’exploitation, qualité et compétitivité du produit. Joignant l’expertise humaine et les événements réels, nous nous sommes proposé ici de développer une méthodologie générique permettant de construire un modèle d’estimation du comportement des équipements de production (Equipment Health Factor EHF) à partir d’un raisonnement mathématique centré sur un formalisme probabiliste. L’approche a été amenée à sa validation expérimentale sur des outils, à base de réseaux Bayésiens, que nous avons développés. Les résultats obtenus amènent des éléments de décision permettant à l’industriel d’intervenir au plus tôt pour envisager par exemple de maintenir l’équipement avant qu’il n’ait dérivé. Cette thèse a été préparée dans le cadre du projet européen IMPROVE en collaboration avec STMicroelectronics, Lfoundry et Probayes / Today, the semiconductor industry must be able to produce Integrated Circuit (IC) withreduced cycle time, improved yield and enhanced equipment effectiveness. Besides thesechallenges IC manufacturers are required to address the products scrap and equipment driftsin a complex and uncertain environment which otherwise shall severely hamper the maximumproduction capacity planned. The objective of this thesis is to propose a generic methodologyto develop a model to predict the Equipment Health Factor (EHF) which will define decisionsupport strategies on maintenance tasks to increase the semiconductor industry performance.So, we are interested here to the problem of equipment failures and drift. We propose apredictive approach based on Bayesian technique allowing intervene early to maintain, forexample, the equipment before its drift. The study presented in this thesis is supported by theIMPROVE European project