Observateurs non-linéaires haute fréquence et stratégies hybrides pour la maintenance prédictive de véhicules autonomes. // High-Frequency Nonlinear Observers and Hybrid Strategies for Predictive Maintenance of Autonomous Vehicles.

Les véhicules autonomes terrestres et aériens reposent sur des systèmes mécaniques tournants critiques dont la fiabilité conditionne directement la sécurité, la disponibilité et les coûts d'exploitation. Garantir leur sûreté tout en optimisant leur maintenance constitue un enjeu industriel majeur, au croisement de la dynamique des systèmes, de l'automatique et du traitement du signal.

Les approches actuelles présentent des limites complémentaires : les méthodes data-driven offrent d'excellentes performances dans des régimes faibles ou cyclo-stationnaires, mais peinent à traiter des dynamiques rapides et fortement variables ; à l'inverse, les observateurs d'état issus de l'automatique garantissent robustesse et convergence, mais restent contraints en bande fréquentielle. Le verrou scientifique réside ainsi dans la conception d'une architecture hybride capable de couvrir l'ensemble des régimes dynamiques et des plages fréquentielles, de manière robuste, interprétable et exploitable d'un point de vue industriel.

La thèse proposera un cadre unifié combinant modélisation dynamique multi-degrés de liberté, observateurs non-linéaires haute bande passante et traitement du signal avancé. Des scénarios variés de défauts (localisés, couplés, évolutifs) seront étudiés afin de développer des méthodes de diagnostic robustes en régime non-stationnaire. Une attention particulière sera portée à la transition du diagnostic vers la prédiction avec la prise en compte des incertitudes.

Au-delà des contributions théoriques, le projet vise un impact direct sur la maintenance prédictive, la sûreté de fonctionnement et l'intégration embarquée dans des systèmes mécatroniques critiques.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Autonomous ground and aerial vehicles rely on critical rotating mechanical systems whose reliability directly impacts safety, availability, and operational costs. Ensuring their safe operation while optimizing maintenance strategies represents a major industrial challenge at the intersection of system dynamics, control theory, and advanced signal processing.

Current approaches exhibit complementary limitations: data-driven methods provide excellent performance under low or cyclo-stationary regimes but struggle with highly dynamic and rapidly varying conditions; conversely, model-based state observers ensure robustness and convergence guarantees, yet remain limited in bandwidth. The key scientific challenge lies in designing a hybrid architecture capable of covering the full range of dynamic regimes and frequency contents in a robust, interpretable, and industrially deployable manner.

The PhD project will develop a unified framework combining multi-degree-of-freedom dynamic modeling, high-bandwidth nonlinear observers, and advanced signal processing techniques. Various fault scenarios (localized, coupled, progressive) will be investigated to build robust diagnostic methods under non-stationary operating conditions. Particular emphasis will be placed on moving from fault detection to prognosis taking inot account uncertainty quantification.

Beyond theoretical contributions, the project aims at direct impact on predictive maintenance, system safety, and embedded implementation in critical mechatronic systems.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026
WEB : https://laspi.univ-st-etienne.fr/fr/index.html

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université Jean Monnet Saint-Etienne

488 SIS - Sciences Ingénierie Santé

Formation d'ingénieur / Master 2 - mathématiques appliquées, automatique, traitement du signal, mécatronique ou physique appliquée. Intérêt pour le diagnostic, l'estimation, la modélisation dynamique et l'IA appliquée à l'industrie. Curiosité scientifique, rigueur, goût pour les challenges multi-disciplinaires, motivation pour aborder des sujets de recherche avancés, Anglais.
Engineering degree / Master's degree (MSc) in Applied Mathematics, Control Systems, Signal Processing, Mechatronics, or Applied Physics. Strong interest in diagnostics, state estimation, dynamic modeling, and AI applied to industrial systems. Demonstrated scientific curiosity, rigor, and enthusiasm for multidisciplinary challenges, with strong motivation to engage in advanced research topics. Skills in English required.