Thèse Optimisation des Stratégies et de la Planification des Actions de Maintenance à Partir de Modèles Dynamiques de Fiabilité H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : EEATS - Electronique, Electrotechnique, Automatique, Traitement du Signal Laboratoire de recherche : Laboratoire des Sciences pour la Conception, l'Optimisation et la Production de Grenoble Direction de la thèse : Eric GASCARD ORCID 0000000343320752 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-31T23:59:59 Les systèmes industriels modernes exigent des stratégies de maintenance capables d'équilibrer disponibilité, coûts et risques. Les modèles dynamiques de fiabilité tels que les arbres de défaillances dynamiques (DFT) permettent de représenter et d'analyser de manière structurée la façon dont les défaillances des composants, leurs interactions et les aspects temporels peuvent conduire à une défaillance du système global. Ils jouent ainsi un rôle essentiel dans l'analyse de la fiabilité, le diagnostic des systèmes complexes et l'identification des composants critiques.

Cependant, déterminer quelle action de maintenance appliquer (préventive, corrective, conditionnelle, opportuniste) et à quel moment intervenir (ni trop tôt, ni trop tard) demeure un problème ouvert, combinant incertitude, dynamique temporelle et critères multiples.

Cette thèse vise à développer une méthodologie d'optimisation intégrant :
- des modèles dynamiques de fiabilité tels que les DFT,
- des techniques de simulation,
- des approches d'optimisation combinatoire, stochastique et multiobjectif,
afin de déterminer la stratégie de maintenance optimale et le moment d'intervention minimisant les coûts tout en maximisant la disponibilité.

Les verrous scientifiques associés à cette problématique d'optimisation des stratégies et de la planification des actions de maintenance sont multiples :
- Comment représenter les interactions entre défaillances, réparations et actions de maintenance dans un modèle dynamique de fiabilité tels que les DFT exploitable pour l'optimisation ?
- Comment formuler mathématiquement le problème d'optimisation du choix et du moment des actions de maintenance ?
- Quels algorithmes d'optimisation sont les plus adaptés et efficaces ?
- Comment intégrer l'incertitude (durées, défaillances, coûts) dans la décision ?
- Comment concilier plusieurs objectifs contradictoires (coût, disponibilité, risque) ?

Les travaux de recherche incluront la formulation mathématique du problème, le développement d'algorithmes d'optimisation adaptés, et la réalisation d'un outil logiciel d'aide à la décision. Au-delà des verrous scientifiques identifiés, la problématique de la maintenance optimale s'inscrit dans un contexte industriel marqué par une forte hétérogénéité des systèmes, des données et des niveaux de décision. En effet, les travaux de la littérature montrent que la prise de décision en maintenance ne peut être abordée de manière isolée, mais nécessite une intégration cohérente de plusieurs dimensions telles que la gestion de maintenance, la planification, la sélection de politiques et l'analyse de performance [2017 Ruschel & al.]. Cette multiplicité des niveaux décisionnels soulève la question de la cohérence globale des stratégies adoptées : une décision localement optimale (au niveau d'un composant ou d'un sous-système) peut s'avérer sous-optimale à l'échelle du système complet ou du processus de production.

Par ailleurs, la complexité croissante des systèmes industriels, souvent multi-composants et interconnectés, rend insuffisantes les approches analytiques classiques fondées sur des hypothèses simplificatrices. Comme le souligne la littérature, les systèmes réels présentent des structures hybrides (série, parallèle, redondance, états multiples) et des modes de défaillance multiples, rendant leur modélisation particulièrement délicate [2025 Singla & al.]. Cette complexité structurelle implique de développer des modèles capables de capturer finement les phénomènes de dépendance entre composants, les effets de propagation des défaillances ainsi que les mécanismes de dégradation progressive, tout en restant exploitables dans un cadre d'optimisation. Le formalisme des arbres de défaillances dynamiques [1992 Dugan & al.] permettra de répondre à cette problématique.

Un autre enjeu majeur réside dans la gestion de l'incertitude, omniprésente dans les systèmes de maintenance. Les paramètres de fiabilité (taux de défaillance, lois de durée de vie, temps de réparation), les coûts associés et les conditions d'exploitation sont souvent mal connus, variables ou issus de données incomplètes. L'intégration de cette incertitude dans les modèles de décision constitue un défi scientifique central, car elle conditionne la robustesse et la pertinence des stratégies proposées. Des approches combinant simulation, modélisation probabiliste et optimisation sont alors nécessaires pour représenter ces variabilités et évaluer les performances des politiques de maintenance dans des contextes réalistes [2006 Fleurquin & al.].

En outre, la prise en compte simultanée de plusieurs objectifs contradictoires constitue une difficulté fondamentale. Les décisions de maintenance doivent arbitrer entre des critères souvent antagonistes tels que la minimisation des coûts, la maximisation de la disponibilité, la réduction des risques et le respect des contraintes opérationnelles. Cette nature intrinsèquement multi-objectif du problème conduit à rechercher non pas une solution unique, mais un ensemble de compromis optimaux (front de Pareto), ce qui complexifie fortement la résolution et nécessite le recours à des méthodes d'optimisation avancées, notamment méta-heuristiques et approches évolutionnaires.

Enfin, un dernier verrou important concerne le passage du modèle à la décision opérationnelle. Il ne s'agit pas seulement de développer des modèles théoriques performants, mais également de les rendre exploitables dans des outils d'aide à la décision utilisables par les industriels. Cela implique de traiter des problématiques d'intégration des données (issues de capteurs, GMAO, historiques), de temps de calcul, d'ergonomie et d'interprétabilité des résultats. L'enjeu est donc double : proposer des modèles suffisamment riches pour capturer la complexité du réel, tout en garantissant leur applicabilité dans des environnements industriels contraints.

Cette thèse s'inscrit dans une continuité structurée de travaux existants, tout en apportant une contribution intégrative originale en se situant à l'intersection de plusieurs champs disciplinaire qui sont souvent traités séparément :
- modèles dynamiques de fiabilité,
- décision en maintenance,
- optimisation sous incertitude,
- optimisation multi-objectifs.
Développer une méthodologie d'aide à la décision pour l'optimisation des stratégies de maintenance des systèmes industriels complexes, en s'appuyant sur des modèles dynamiques de fiabilité. La thèse vise à formuler le problème d'optimisation (choix et planification des actions de maintenance), à proposer des méthodes de résolution adaptées (simulation et optimisation multi-objectif sous incertitude), et à concevoir un outil logiciel permettant d'évaluer et de comparer différentes politiques de maintenance en termes de coût, disponibilité et risque. La démarche reposera sur la modélisation des systèmes industriels à l'aide de modèles dynamiques de fiabilité (notamment les arbres de défaillances dynamiques), couplée à des techniques de simulation pour évaluer les performances des politiques de maintenance. Le problème sera formulé dans un cadre d'optimisation sous incertitude et multi-objectif, puis résolu à l'aide de méthodes adaptées (algorithmes exacts, heuristiques et méta-heuristiques). Enfin, un outil logiciel d'aide à la décision sera développé pour implémenter et valider les approches proposées sur des cas d'étude industriels.

- Etudiant en Master 2 (ou équivalent) dont la formation comporte une part significative d'algorithmique et programmation et recherche opérationnelle / optimisation.
- Maitrise de la programmation orientée objet
- Maîtrise des techniques de recherche opérationnelle (modélisation mathématique, formulation des programmes linéaires en nombres entiers et maitrise des algorithmes d'optimisation exactes et des métaheuristiques).
- Connaissances en sûreté de fonctionnement (fiabilité, diagnostic, pronostic, maintenance).
- Stage de Master 2 (ou équivalent) en laboratoire sur un projet de recherche.
- Excellentes compétences rédactionnelles et de communication en anglais.