Thèse Observateurs Non-Linéaires Haute Fréquence et Stratégies Hybrides pour la Maintenance Prédictive de Véhicules Autonomes. H/F - 42

Établissement : Université Jean Monnet Saint-Etienne
École doctorale : SIS - Sciences Ingénierie Santé
Laboratoire de recherche : LASPI - Laboratoire d'Analyse des Signaux et des Processus Industriels
Direction de la thèse : Lydie NOUVELIERE ORCID 0000000300277192
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-03T23:59:59

Les véhicules autonomes terrestres et aériens reposent sur des systèmes mécaniques tournants critiques dont la fiabilité conditionne directement la sécurité, la disponibilité et les coûts d'exploitation. Garantir leur sûreté tout en optimisant leur maintenance constitue un enjeu industriel majeur, au croisement de la dynamique des systèmes, de l'automatique et du traitement du signal.

Les approches actuelles présentent des limites complémentaires : les méthodes data-driven offrent d'excellentes performances dans des régimes faibles ou cyclo-stationnaires, mais peinent à traiter des dynamiques rapides et fortement variables ; à l'inverse, les observateurs d'état issus de l'automatique garantissent robustesse et convergence, mais restent contraints en bande fréquentielle. Le verrou scientifique réside ainsi dans la conception d'une architecture hybride capable de couvrir l'ensemble des régimes dynamiques et des plages fréquentielles, de manière robuste, interprétable et exploitable d'un point de vue industriel.

La thèse proposera un cadre unifié combinant modélisation dynamique multi-degrés de liberté, observateurs non-linéaires haute bande passante et traitement du signal avancé. Des scénarios variés de défauts (localisés, couplés, évolutifs) seront étudiés afin de développer des méthodes de diagnostic robustes en régime non-stationnaire. Une attention particulière sera portée à la transition du diagnostic vers la prédiction avec la prise en compte des incertitudes.

Au-delà des contributions théoriques, le projet vise un impact direct sur la maintenance prédictive, la sûreté de fonctionnement et l'intégration embarquée dans des systèmes mécatroniques critiques.

Les véhicules autonomes, qu'ils soient terrestres ou aériens, reposent sur des systèmes mécaniques tournants critiques dont la fiabilité conditionne directement la sécurité et la continuité de fonctionnement. Garantir leur sûreté et optimiser leur maintenance constitue un enjeu industriel majeur, mais également un défi scientifique structurant.

En effet, les approches data-driven démontrent d'excellentes performances dans des régimes faibles ou cyclo-stationnaires, tout en montrant leurs limites face à des dynamiques rapides et fortement variables. À l'inverse, les observateurs d'état issus de l'automatique offrent des garanties théoriques de robustesse et de convergence, mais restent contraints en bande fréquentielle.

Le verrou scientifique réside donc dans la conception d'une architecture hybride capable de combiner ces deux paradigmes afin de couvrir l'ensemble des régimes dynamiques et des plages fréquentielles, de manière robuste, interprétable et exploitable industriellement.

Les objectifs de la thèse sont multiples :

1) Les observateurs non-linéaires offrent des garanties théoriques solides (convergence, robustesse), mais restent limités en bande passante face aux dynamiques haute fréquence rencontrées dans les systèmes tournants réels.
La thèse vise à caractériser formellement ces limites fréquentielles et à proposer des architectures d'estimation capables d'opérer sur des plages dynamiques élargies.

2) Les approches purement data-driven manquent d'interprétabilité physique, tandis que les approches purement model-driven peinent à capturer certaines signatures complexes.
Un verrou majeur réside dans l'absence de cadre unifié combinant rigueur physique et richesse fréquentielle. Le/La doctorant(e) pourra proposer une architecture hybride robuste, adaptative et physiquement interprétable.

3) La majorité des méthodes actuelles sont optimisées pour des régimes quasi stationnaires ou faiblement variables. Or, les systèmes autonomes et mécaniques critiques opèrent sous variations rapides de charge et de vitesse. Le projet développera des stratégies d'observation et de traitement adaptées aux régimes fortement dynamiques.

4) La détection de défauts est maîtrisée dans de nombreux cas, mais l'estimation fiable pour un bon diagnostic en environnement multi-paramétrique demeure un défi. La thèse visera à formaliser une approche intégrant incertitudes et couplages de défauts.

La thèse pourra se dérouler temporellement selon 5 étapes majeures et inter-dépendantes :
1.Etat de l'art sur la thématique de nature multi-disciplinaire de la thèse.
2.Étude et caractérisation des limites des observateurs linéaires / non-linéaires et des techniques data-driven basées traitement du signal.
3.Développement d'une architecture hybride modèle/données pour une couverture ultra-large en fréquence.
4.Simulation multi-DoF, définition de scénarios de défauts couplés avec validation des performances.
5.Exploitation pour une maintenance prédictive et l'estimation de l'état de santé du véhicule.