Thèse Gouvernance des Données Frugale et Optimisée par l'IA pour des Jumeaux Numériques Fiables H/F

Établissement : Université de Lorraine École doctorale : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES Laboratoire de recherche : CRAN - Centre de Recherche en Automatique de Nancy Direction de la thèse : Moufida MAIMOUR ORCID 0000000200576128 Début de la thèse : 2026-11-01 Date limite de candidature : 2026-09-30T23:59:59 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, production flexible, etc.) deviennent massivement instrumentées, interconnectées et pilotées par la donnée, dans des environnements fortement dynamiques : reconfiguration des chaînes de production, variabilité des charges, mobilité des robots, interactions homme-machine, fluctuations énergétiques. Monitorer en continu l'état du système avec précision et prédire le comportement des équipements (pannes, goulots d'étranglement, etc.) est essentiel pour assurer performance, sûreté de fonctionnement, maintenance prédictive et optimisation énergétique.

Les jumeaux numériques (JN) répondent à ces enjeux : représentation virtuelle évolutive d'un système physique, synchronisée en (quasi) temps réel par ses flux de données, le JN permet de superviser l'état courant, d'anticiper son évolution, de simuler des scénarios de décision et d'optimiser son pilotage [1]. Son efficacité suppose toutefois des données fiables, pertinentes et riches, hypothèse pas toujours vérifiée en milieu industriel dynamique.

La collecte des données est un défi scientifique et technologique majeur : capteurs souvent distribués, hétérogènes, contraints en énergie, connectés par des réseaux sans-fil sujets aux pertes de paquets, latences variables et interférences. Leur multiplication génère en outre un volume massif de données dont la transmission, le stockage et le traitement ont un coût computationnel, énergétique et environnemental significatif. Une acquisition exhaustive n'est donc ni soutenable ni nécessaire.
La problématique centrale de cette thèse est la frugalité informationnelle dans l'alimentation des JN de systèmes industriels dynamiques : minimiser les ressources mobilisées (bande passante, énergie, calcul, stockage, etc.) tout en préservant précision et fiabilité compatibles avec le système physique, en passant d'une logique de volume à une logique de pertinence et de qualité de l'information.

Pour atteindre cet objectif, cette thèse devra répondre aux trois 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, vis-à-vis d'un objectif donné (diagnostic, prédiction, optimisation) ? Les pistes incluent la sélection statique ou dynamique de capteurs ou de sous-ensembles de données, la compression, l'échantillonnage intelligent, l'edge computing et l'apprentissage distribué pour un pré-traitement local (capteur ou passerelle) [2].

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 (accès au médium, retransmission, planification adaptative) doit concilier fiabilité, latence maîtrisée et faible consommation énergétique, via une approche conjointe couche applicative/réseau et des communications « goal-oriented » [3].

3. Quantification et propagation de l'incertitude : toute mesure est affectée par le bruit, la dérive ou l'environnement, et l'incertitude vient aussi du traitement par les capteurs ou de la communication. Comment la modéliser dès la source, puis la propager dans le JN pour obtenir, avec l'état estimé, un indicateur de confiance [4] ? Cette intégration, selon la tâche du JN, est un levier essentiel de robustesse décisionnelle.

Au-delà de ces axes, cette thèse vise un cadre méthodologique global et multi-niveaux intégrant sélection, transmission, compression et modélisation de l'incertitude, avec des mécanismes optimisant conjointement la qualité informationnelle du JN et la sobriété des ressources mobilisées.
Au coeur de l'Industrie 4.0, les jumeaux numériques (JN) permettent de superviser et d'optimiser des systèmes cyber-physiques complexes. Toutefois, leur efficacité repose classiquement sur une collecte massive de données, un paradigme aujourd'hui limité par les contraintes matérielles des capteurs (énergie, bande passante), l'instabilité des réseaux industriels sans-fil et le coût environnemental du calcul.
Le verrou scientifique consiste à rompre avec cette logique volumétrique pour adopter une frugalité informationnelle orientée tâche. Il s'agit de déterminer les données strictement nécessaires à la décision via un traitement local (edge/IA), de co-concevoir des protocoles de transmission robustes et de propager formellement les incertitudes de mesure dans le JN pour garantir sa fiabilité opérationnelle.