Sujet de Thèse

Les installations du secteur Oil & Gas reposent sur des systèmes industriels complexes dont la disponibilité et la fiabilité constituent des enjeux majeurs. Les défaillances peuvent entraîner des arrêts de production, des coûts élevés et avoir des conséquences en matière de sécurité et d’environnement. Dans ce contexte, l’évolution vers des stratégies de maintenance davantage anticipatives constitue un enjeu important pour améliorer les performances et maîtriser les risques associés à l’exploitation de ces installations. Les approches de Prognostics and Health Management (PHM) et de maintenance prévisionnelle exploitent les informations disponibles sur les équipements et leurs conditions de fonctionnement afin de détecter et diagnostiquer les dégradations, d’évaluer leur état de santé et d’anticiper leur évolution. Le développement de l’instrumentation et des infrastructures numériques fournit des volumes croissants de données opérationnelles. Parallèlement, les avancées en intelligence artificielle (IA), notamment en apprentissage automatique et profond, offrent de nouvelles possibilités pour extraire de ces données des informations utiles au diagnostic et au pronostic. Cependant, leur utilisation dans un environnement industriel réel reste confrontée à plusieurs difficultés. Les données de défaillance sont souvent rares et les informations disponibles peuvent être hétérogènes, bruitées ou incomplètes. Les conditions opérationnelles sont également variables. De plus, les modèles d’IA les plus performants peuvent être difficilement interprétables, limitant leur acceptabilité pour des applications critiques. La littérature souligne ainsi l’intérêt d’approches combinant modèles fondés sur les données et connaissances physiques, ainsi que le besoin de modèles plus robustes et explicables. Ces problématiques sont particulièrement importantes dans l’Oil & Gas, où les interactions entre équipements, environnement et conditions d’exploitation rendent difficile une approche purement fondée sur les données. L’objectif de cette thèse sera d’étudier et de développer de nouvelles approches de PHM pour la maintenance prévisionnelle des systèmes industriels du secteur Oil & Gas. Les travaux chercheront à exploiter conjointement les données disponibles, les connaissances sur les systèmes et, lorsque pertinent, les modèles physiques afin d’évaluer l’état de santé des équipements et son évolution. Selon les cas d’étude et les données disponibles, les recherches pourront concerner la surveillance, la détection et le diagnostic des défaillances, la caractérisation des mécanismes de dégradation ou le pronostic et l’estimation de la durée de vie résiduelle (Remaining Useful Life – RUL). Une attention particulière sera portée aux méthodes d’intelligence artificielle et à leur robustesse vis-à-vis des conditions réelles d’exploitation. Les approches hybrides combinant connaissances physiques et modèles fondés sur les données pourront être étudiées. L’explicabilité des modèles (Explainable Artificial Intelligence – XAI) constituera également une piste de recherche afin de permettre aux experts métier de mieux comprendre les résultats et les informations ayant conduit à une estimation ou à un pronostic. L’explicabilité, la disponibilité limitée de données représentatives et l’adaptation aux conditions opérationnelles variables constituent en effet des verrous importants. Les développements pourront également s’inscrire dans des architectures numériques plus globales, notamment à travers le jumeau numérique, associant données opérationnelles, modèles physiques et modèles d’apprentissage. Dans l’Oil & Gas, ces architectures offrent des perspectives pour intégrer surveillance, prédiction et aide à la décision, mais leur déploiement industriel soulève encore des questions de validation et d’intégration. La question de recherche générale peut ainsi être formulée de la manière suivante : Comment développer des approches de Prognostics and Health Management capables d’exploiter conjointement les données et les connaissances disponibles sur les systèmes Oil & Gas afin de fournir des informations robustes, explicables et pertinentes pour la maintenance prévisionnelle ? Les travaux seront organisés sur trois années. La première année sera consacrée à une étude bibliographique du PHM et de la maintenance prévisionnelle, en particulier dans l’Oil & Gas, intégrant les méthodes d’IA, les approches hybrides et l’explicabilité. Elle permettra d’identifier les principaux verrous scientifiques et industriels, de caractériser les données et cas d’étude disponibles et de préciser la problématique scientifique. La littérature montre notamment un écart important entre les développements méthodologiques et leur validation en conditions industrielles réelles. La deuxième année sera consacrée à la proposition d’un framework de PHM adapté au secteur Oil & Gas, structurant les étapes allant du traitement des données à l’évaluation de l’état de santé et au pronostic. Les travaux étudieront l’intégration de méthodes d’IA, de connaissances métier et/ou de modèles physiques, ainsi que la prise en compte de l’incertitude et de l’explicabilité. Le framework fera l’objet de premières validations sur des cas d’étude représentatifs. Enfin, la troisième année sera consacrée au développement, à l’implémentation et à la validation des outils issus du framework. Les méthodes seront évaluées sur des données représentatives et comparées aux approches existantes. Une attention particulière sera portée à leur robustesse, leur capacité de généralisation, leur explicabilité et leur pertinence pour la maintenance. Cette phase permettra de consolider et valoriser les contributions scientifiques et de rédiger le manuscrit de thèse.