Thèse Développement de Méthodes d'Aide à la Décision Prescriptive et d'Optimisation Sous Incertitude pour la Maintenance et le Pilotage H/F Doctorat.Gouv.Fr

Établissement : IMT MINES ALES École doctorale : I2S - Information, Structures, Systèmes Laboratoire de recherche : SyCoIA - Systèmes Complexes et Intelligence Artificielle Direction de la thèse : Phuc DO ORCID 0000000341135895 Début de la thèse : 2027-02-01 Date limite de candidature : 2026-11-05T23:59:59 Cette thèse, réalisée dans le cadre du projet ANR PRME IAMinPRES, vise à développer de nouvelles méthodes d'optimisation et d'aide à la décision pour la maintenance prescriptive et le pilotage des systèmes industriels complexes. L'objectif principal de cette thèse est de L'objectif de cette thèse est ainsi de développer des méthodes d'aide à la décision prescriptive permettant d'optimiser conjointement les stratégies de maintenance et les décisions de pilotage dans des environnements dynamiques et incertains, en exploitant des connaissances hétérogènes et les informations issues du pronostic.
Les travaux de recherche s'articuleront autour de quatre axes principaux :
1. Formalisation des connaissances et modélisation de la décision prescriptive, afin de représenter les connaissances du système, les mécanismes de dégradation, les contraintes opérationnelles et les actions de maintenance et de pilotage dans un cadre de décision sous incertitude.
2. Intégration du pronostic et de ses incertitudes dans la décision, en étudiant leurs impacts sur les stratégies de maintenance et les interactions entre dégradation, maintenance et exploitation. Une attention particulière sera portée aux différents niveaux de couplage pronostic-décision, notamment les approches Predict-then-Optimize et Predict-and-Optimize.
3. Développement de méthodes hybrides d'aide à la décision et d'optimisation sous incertitude, combinant recherche opérationnelle, optimisation stochastique et robuste, apprentissage par renforcement et connaissances métier, afin de construire des stratégies de maintenance et de pilotage robustes, adaptatives et explicables.
4. Évaluation et validation des approches proposées, d'abord sur une plateforme expérimentale, puis sur les cas d'usage industriels du projet IAMinPRES, afin d'évaluer leurs performances, leur robustesse et leur capacité d'adaptation.
Les principaux résultats scientifiques attendus comprennent : 1-un cadre de modélisation de la décision prescriptive intégrant les connaissances et les contraintes industrielles; 2-de nouvelles méthodes d'intégration du pronostic et de ses incertitudes dans la décision ; des stratégies d'optimisation robustes et adaptatives; 3-de nouvelles approches de couplage pronostic-décision, accompagnées d'une caractérisation des conditions dans lesquelles elles améliorent la qualité des décisions ; 4-des méthodes hybrides combinant recherche opérationnelle, intelligence artificielle et connaissances métier. La validation expérimentale et industrielle permettra d'évaluer les contributions proposées et leur potentiel d'intégration dans le jumeau numérique intelligent développé dans IAMinPRES.
La maintenance prédictive vise principalement à anticiper l'évolution de l'état de santé d'un système,
tandis que la maintenance prescriptive cherche à déterminer les actions de maintenance et de
pilotage les plus adaptées en fonction de son état actuel et futur. Ce passage de la prédiction à la
prescription soulève plusieurs verrous, notamment la prise en compte des incertitudes du pronostic,
l'intégration des connaissances et contraintes du système, ainsi que le couplage entre dégradation,
maintenance et conditions d'exploitation.
Le coeur scientifique de cette thèse porte sur le couplage entre pronostic et décision pour la
maintenance et le pilotage sous incertitude. Un enjeu particulier concerne le niveau de couplage
entre pronostic et décision. En effet, l'amélioration des performances prédictives ne garantit pas
nécessairement une amélioration de la qualité des décisions finales. Il est donc nécessaire d'étudier
comment les informations issues du pronostic et leurs incertitudes peuvent être intégrées au processus décisionnel afin de produire des stratégies robustes, explicables et adaptatives dans des contextes opérationnels dynamiques.