Sujet de Thèse

La transformation numérique de l'industrie s'inscrit aujourd'hui au coeur des paradigmes de l'Industrie 4.0 et des systèmes cyber-physiques, où les plateformes industrielles (bâtiments intelligents, lignes robotisées, systèmes de production flexibles, etc.) deviennent massivement instrumentées, interconnectées et pilotées par la donnée. Ces environnements se caractérisent par un fort dynamisme structurel et fonctionnel : reconfiguration des chaînes de production, variabilité des charges, mobilité des robots, interactions homme-machine, fluctuations énergétiques. Dans un tel contexte, la capacité à monitorer en continu l'état du système avec un haut niveau de précision constitue une condition essentielle pour assurer performance, sûreté de fonctionnement, maintenance prédictive et optimisation énergétique. De plus, la capacité à prédire à l'avance le comportement des différents équipements (pannes, goulots d'étranglement, etc.) est absolument cruciale.

Les jumeaux numériques (JN) émergent comme un outil puissant pouvant répondre à ces enjeux. En établissant une représentation virtuelle évolutive d'un système physique, synchronisée en (quasi) temps réel par des flux de données issus du système réel, le JN permet non seulement de superviser l'état courant du système, mais aussi d'anticiper son évolution, de simuler des scénarios de décision et d'optimiser son pilotage. Toutefois, l'efficacité des JN repose sur un postulat fondamental : la disponibilité de données fiables, pertinentes et suffisamment riches pour garantir la fidélité du modèle numérique. Or, dans les plateformes industrielles dynamiques, cette hypothèse n'est pas toujours respectée.

La phase de collecte des données constitue en effet un défi scientifique et technologique majeur. Les capteurs déployés sont souvent distribués, hétérogènes, contraints en énergie et connectés via des réseaux sans-fil susceptibles d'introduire pertes de paquets, latences variables et interférences. Par ailleurs, la multiplication des points de mesure génère un volume massif de données, dont la transmission, le stockage et le traitement engendrent un coût computationnel et énergétique significatif, ainsi qu'une empreinte environnementale non négligeable. Dans ce cadre, une approche fondée sur l'acquisition exhaustive de toutes les données disponibles apparaît ni soutenable ni nécessaire.

La problématique centrale de cette thèse est donc celle de la frugalité informationnelle dans l'alimentation des jumeaux numériques de systèmes industriels dynamiques. La frugalité est ici entendue comme la capacité à minimiser les ressources mobilisées (bande passante, énergie, puissance de calcul, stockage, etc.) tout en préservant un niveau de précision et de fiabilité compatible avec les exigences du système physique. Il s'agit de passer d'une logique de volume à une logique de pertinence et de qualité de l'information.

Dans cette perspective, plusieurs questions scientifiques seront traitées dans cette thèse :

Pour atteindre l'objectif, cette thèse devra répondre aux questions de recherche suivantes : 1. Sélection et compression des données : Quelles sont les données réellement nécessaires pour assurer une représentation fidèle du système au sein du JN ? Comment identifier les données les plus informatives vis-à-vis d'un objectif donné (diagnostic, prédiction, optimisation) et le traitement des données au JN ? Cette problématique peut être résolue par la sélection de capteurs ou la sélection de sous-ensembles de données de façon statique ou dynamique. Les stratégies envisagées peuvent inclure également des mécanismes de compression et d'échantillonnage intelligent ou encore des approches de type edge computing et d'apprentissage distribuée permettant un pré-traitement local au niveau du capteur ou de la passerelle.

2. Transmission sans-fil robuste : Comment adapter les mécanismes de communication aux contraintes du milieu industriel (bruit, mobilité, densité de capteurs) ? Le choix ou la co-conception des protocoles de transmission (gestion d'accès au médium, stratégies de

retransmission, planification adaptative) doit concilier fiabilité, latence maîtrisée et consommation énergétique réduite. Une approche conjointe entre couche applicative (besoins du JN) et couche réseau, ainsi que des approches de communications "goal-oriented" pourraient permettre d'optimiser la chaîne de communication.

3. Quantification et propagation de l'incertitude : Toute mesure issue d'un capteur est affectée par des incertitudes liées au bruit, à la dérive ou aux conditions environnementales. Comment peut-on modéliser cette incertitude dès la source ? Comment la propager au sein du JN afin d'obtenir non seulement une estimation de l'état du système, mais également un indicateur de confiance associé ? Cette incertitude peut venir de la recolte des données et également du traitement des données par les capteurs et dans la processus de communication. L'intégration explicite de l'incertitude dans le processus de collecte et de modélisation qui prend en compte la tâche du JN constitue un levier essentiel pour améliorer la robustesse décisionnelle.

Au-delà de ces axes, l'objectif de cette thèse est d'élaborer un cadre méthodologique global intégrant sélection, transmission, compression et modélisation de l'incertitude dans une approche cohérente et multi-niveaux. L'objectif est de proposer des mécanismes algorithmiques et architecturaux permettant d'optimiser conjointement la qualité informationnelle du JN et la sobriété des ressources mobilisées.