Les batteries lithium-ion sont utilisées dans de nombreuses applications en raison de leur haute densité énergétique et de leur longue durée de vie par rapport à d'autres technologies de batteries. Malgré leurs avantages, une utilisation inappropriée peut mettre en danger leur sécurité, leur durabilité ainsi que leurs performances. C'est pour cette raison qu'un système de gestion de batterie (BMS) est indispensable pour surveiller les variables de la batterie. Malheureusement, certaines variables, telles que l'état de charge (SOC), ne peuvent pas être mesurées et donc doivent être estimer. Une approche pertinente dans ce contexte consiste à concevoir un observateur basé sur un modèle mathématique des dynamiques internes de la batterie. Étant donné que ces dynamiques sont non linéaires, les filtres de Kalman non linéaires sont souvent employés. Cependant, ces filtres ne garantissent généralement pas une convergence globale robuste, ce qui remet en question la fiabilité de ses estimations. Par ailleurs, pour être précis, les modèles de batterie et les observateurs associés doivent être de dimension suffisamment élevée, ce qui peut rendre leur implémentation dans un BMS difficile en raison des ressources de calcul limitées, en particulier lorsqu'il s'agit de modèles électrochimiques ou de batteries composées d'un grand nombre de cellules comme dans les véhicules électriques. L'objectif de cette thèse est de relever ces défis en proposant de nouveaux schémas d'estimation de faible dimension avec des garanties de convergence globale robuste pour les batteries lithium-ion. Dans la première partie de cette thèse, nous nous concentrons sur l'estimation de l'état d'une batterie mono-cellule. Nous considérons d'abord les modèles électrochimiques, décrits par des équations aux dérivées partielles (EDP). Pour faciliter la conception d'observateurs, ces EDP sont généralement discrétisées spatialement en équations différentielles ordinaires, ce qui donne un modèle de dimension finie. Toutefois, pour conserver la fidélité au modèle EDP d'origine, un modèle électrochimique de grande dimension est souvent nécessaire, menant à un observateur à état complet également de grande dimension. Pour pallier cette limitation, nous proposons une technique de correction des concentrations de lithium générées par une classe de modèles électrochimiques de dimension finie, de manière à ce qu'elles correspondent asymptotiquement à celles données par les EDP originales à courant constant. Ces corrections permettent de définir un nouveau modèle d'état pour lequel nous concevons des observateurs assurant la convergence globale robuste de l'état estimé vers l'état réel. Dans la deuxième partie de la thèse, nous abordons l'estimation de l'état pour des batteries multi-cellules. Nous proposons un schéma hybride permettant d'estimer les SOC minimum et maximum dans des batteries composées de cellules connectées en série, chacune étant modélisée par un circuit électrique équivalent. Le schéma repose sur un mécanisme qui identifie en ligne deux cellules candidates pour avoir les SOC minimum et maximum. La dimension de l'estimateur hybride est indépendante du nombre de cellules, ce qui le rend particulièrement attractif pour les packs de batteries de grande taille. De plus, l'estimateur offre des garanties de convergence globale robuste. Pour tenir compte des modèles électrochimiques, nous proposons un algorithme d'estimation de l'état alternatif pour les packs de batteries composés de cellules connectées en série. Chaque cellule peut alors être modélisée par un modèle appartenant à une classe spécifiée englobant les modèles de circuit équivalents et électrochimiques. Comparé à la mise en oeuvre d'un observateur à état complet pour l'ensemble du pack, ce schéma réduit significativement l'effort de calcul. En outre, il garantit la convergence globale robuste de l'état estimé vers l'état réel.

Dans le contexte du développement des technologies d'énergie renouvelable, le générateur électro-hydrogène GEH2 développé par EODev s'impose comme l'une des solutions zéro émission les plus compactes et efficaces en termes de puissance délivrée. Afin de garantir des performances optimales et de maximiser la production d'énergie, des stratégies de maintenance préventive systématique ont traditionnellement été mises en oeuvre. Cependant, cette planification classique de la maintenance présente plusieurs inconvénients majeurs, tels que des interventions inutiles, des risques de défaillance non anticipée, une dégradation des performances et des coûts opérationnels élevés. Pour dépasser ces limites, EODev ambitionne de passer à une stratégie de maintenance prédictive (PdM) plus agile et conditionnelle, fondée exclusivement sur l'état de santé réel du système et de ses composants. Toutefois, la mise en oeuvre de la PdM sur le système GEH2 soulève plusieurs défis, notamment des interdépendances complexes entre les composants, des conditions de fonctionnement très dynamiques, une disponibilité limitée des données, ainsi que la nature non linéaire des processus de dégradation. Pour répondre à ces problématiques, cette thèse développe des cadres de pronostic robustes et fondés sur les données, en s'appuyant sur des modèles avancés d'apprentissage automatique, des architectures neuronales profondes et des techniques génératives d'augmentation de données. Ces approches visent à modéliser avec précision le comportement du système, à prédire l'évolution de ses performances et à estimer la durée de vie restante (RUL) des composants critiques dans des conditions réelles d'utilisation. Les méthodologies proposées sont validées à l'aide de données opérationnelles issues de la flotte industrielle de générateurs GEH2 d'EODev, et démontrent des performances supérieures en termes de précision, d'interprétabilité et d'adaptabilité par rapport aux approches conventionnelles. Dans l'ensemble, cette thèse fait progresser l'état de l'art dans le domaine du Prognostics and Health Management (PHM), tout en dotant EODev et d'autres acteurs industriels de solutions innovantes et basées sur les données pour opérer une transition efficace vers des stratégies de maintenance prédictive, intelligentes et économiquement viables.