La commande floue est une alternative aux approches proposées par l'automatique classique pour le contrôle des systèmes complexes. Les objectifs de performance du système bouclé et les actions correspondantes sont synthétisés sous la forme de règles d'expertise, qui sont énoncées dans un langage simple. Cette technique permet donc de s'affranchir de l'utilisation de modèles mathématiques parfois difficiles à obtenir. Cette thèse s'inscrit dans la mouvance des travaux actuels avec pour résultats la synthèse de stratégies multivariables et l'application de la commande floue à des systèmes automobiles. Dans une première partie, les principes de la logique floue et de la commande floue sont rappelés. Les origines des non-linéarités de la commande sont explicitées, et l'auteur propose deux simplifications du mécanisme de traitement des règles permettant de réduire les temps de calcul. Dans une deuxième partie, la conception des lois de commande déduites de l'expertise est illustrée sur des exemples. L'acquisition de la connaissance, l'écriture des règles de commande et le réglage du contrôleur sont détaillés. Cette démarche est ensuite mise en œuvre sur deux problèmes de contrôle d'un moteur à injection directe. Les solutions proposées contribuent à l'amélioration du rendement tout en diminuant la pollution et la consommation. Enfin, cette méthode experte est employée pour résoudre un problème multivariable. Les limitations de l'approche précédente conduisent l'auteur, dans une dernière phase, à proposer une nouvelle méthode de conception des contrôleurs flous. Un modèle flou du système est identifié à partir d'un ensemble de mesures. Puis, les règles de commande sont déduites des règles du modèle par une pseudo-inversion. Pour favoriser les échanges d'information entre les experts du domaine et les automaticiens, les règles restent simples et explicites. Cette méthode est ensuite évaluée sur des systèmes monovariables et multivariables.

Les systèmes réels sont généralement de nature non-linéaire, et leurs modélisations etsurveillance restent une tâche difficile à accomplir. Néanmoins, avec les progrès technologiqueson dispose maintenant d'un atout de taille sur ces systèmes qui est les données.Ce travail présente une technique de diagnostic de défaut et de modélisation basée en grandepartie sur la méthode d'apprentissage automatique " Les Machines à Vecteurs de Support,SVM " qui est basée sur les données. La méthodologie proposée est appliquée à différentessystèmes multivariables et non linéaires, à savoir : un procédé de traitement des eaux usées, unsystème éolien et un réacteur chimique parfaitement agité.L'objectif de cette thèse de doctorat est d'examiner la possibilité d'extraire le maximumd'information à partir de données afin de surveiller efficacement le comportement de systèmesréels et de détecter rapidement tout défaut qui peut compromettre leur bon fonctionnement. Lamême méthode est utilisée pour la modélisation des différents systèmes. Plusieurs défis ont étérelevés tels que la complexité du comportement des systèmes, le grand nombre de mesuresvariant à différentes échelles de temps, la présence de bruit et les perturbations. Une méthodegénérique de diagnostic de défauts est proposée par la génération des caractéristiques de chaquedéfaut suivie d'une étape d'évaluation de ces caractéristiques avec une amélioration du transfertde connaissances en modélisation.Dans cette thèse ont a démontré l'utilité de l'outil Machines à Vecteurs de Support, enclassification par la construction de modèles de décision SVM dédiés à l'évaluation descaractéristiques de défaut, et aussi en tant qu'estimateur non linéaire/ou pour la modélisation parl'utilisation des machines à vecteurs de support dédiés pour la régression (SVR).La combinaison de SVM et d'une méthode basée sur le modèle "observateur" a été aussi étudiéeet a été nécessaire dans certains cas pour garantir un bon diagnostic de défauts.

Les systèmes réels sont généralement de nature non-linéaire, et leurs modélisations etsurveillance restent une tâche difficile à accomplir. Néanmoins, avec les progrès technologiqueson dispose maintenant d'un atout de taille sur ces systèmes qui est les données.Ce travail présente une technique de diagnostic de défaut et de modélisation basée en grandepartie sur la méthode d'apprentissage automatique « Les Machines à Vecteurs de Support,SVM » qui est basée sur les données. La méthodologie proposée est appliquée à différentessystèmes multivariables et non linéaires, à savoir : un procédé de traitement des eaux usées, unsystème éolien et un réacteur chimique parfaitement agité.L'objectif de cette thèse de doctorat est d'examiner la possibilité d'extraire le maximumd'information à partir de données afin de surveiller efficacement le comportement de systèmesréels et de détecter rapidement tout défaut qui peut compromettre leur bon fonctionnement. Lamême méthode est utilisée pour la modélisation des différents systèmes. Plusieurs défis ont étérelevés tels que la complexité du comportement des systèmes, le grand nombre de mesuresvariant à différentes échelles de temps, la présence de bruit et les perturbations. Une méthodegénérique de diagnostic de défauts est proposée par la génération des caractéristiques de chaquedéfaut suivie d’une étape d'évaluation de ces caractéristiques avec une amélioration du transfertde connaissances en modélisation.Dans cette thèse ont a démontré l'utilité de l'outil Machines à Vecteurs de Support, enclassification par la construction de modèles de décision SVM dédiés à l'évaluation descaractéristiques de défaut, et aussi en tant qu'estimateur non linéaire/ou pour la modélisation parl'utilisation des machines à vecteurs de support dédiés pour la régression (SVR).La combinaison de SVM et d’une méthode basée sur le modèle "observateur" a été aussi étudiéeet a été nécessaire dans certains cas pour garantir un bon diagnostic de défauts. / Real systems are usually nonlinear and their modeling and monitoring remains adifficult task. However, with advances in technology and the availability of big amounts of data,we have a facility to operate these systems.This work presents a methodology for fault diagnosis and modeling which is in large part basedon the method of Support Vector Machines (SVM) which data-based. The proposedmethodology is applied to various nonlinear multivariable systems including: wastewatertreatment processes, wind turbines and stirred tank reactors.The objective of this PhD is to examine the possibility of extracting the maximum of informationfrom data to effectively monitor the behavior of real systems and rapidly detect any faults whichmay impair their proper functioning. The same method is used for modeling the differentsystems. Several challenges were identified and surmounted such as the complexity of thesystem behavior, large amount of data varying at different time scales, the presence of noise anddisturbances. A generic method of fault diagnosis is proposed for the generation of the faultcharacteristics followed by an evaluation of these characteristics as well as an improved transferof knowledge in modeling.In this thesis the usefulness of the tool Support Vector Machines in Classification has beendemonstrated by the construction of decision models dedicated to evaluating the characteristicsof faults, and also its usefulness for modeling/ or as estimator for the nonlinear systems usingsupport vector machines dedicated for regression (SVR).The combination of SVM and a method based on models “observer” was also considered andwas found to be interesting in some cases to ensure proper fault diagnosis.