Optimisation des stratégies et de la planification des actions de maintenance à partir de modèles dynamiques de fiabilité // Optimization of Maintenance Strategies and Maintenance Scheduling Based on Dynamic Reliability Models

Les systèmes industriels modernes exigent des stratégies de maintenance capables d'équilibrer disponibilité, coûts et risques. Les modèles dynamiques de fiabilité tels que les arbres de défaillances dynamiques (DFT) permettent de représenter et d'analyser de manière structurée la façon dont les défaillances des composants, leurs interactions et les aspects temporels peuvent conduire à une défaillance du système global. Ils jouent ainsi un rôle essentiel dans l'analyse de la fiabilité, le diagnostic des systèmes complexes et l'identification des composants critiques.

Cependant, déterminer quelle action de maintenance appliquer (préventive, corrective, conditionnelle, opportuniste) et à quel moment intervenir (ni trop tôt, ni trop tard) demeure un problème ouvert, combinant incertitude, dynamique temporelle et critères multiples.

Cette thèse vise à développer une méthodologie d'optimisation intégrant :
- des modèles dynamiques de fiabilité tels que les DFT,
- des techniques de simulation,
- des approches d'optimisation combinatoire, stochastique et multi‑objectif,
afin de déterminer la stratégie de maintenance optimale et le moment d'intervention minimisant les coûts tout en maximisant la disponibilité.

Les verrous scientifiques associés à cette problématique d'optimisation des stratégies et de la planification des actions de maintenance sont multiples :
- Comment représenter les interactions entre défaillances, réparations et actions de maintenance dans un modèle dynamique de fiabilité tels que les DFT exploitable pour l'optimisation ?
- Comment formuler mathématiquement le problème d'optimisation du choix et du moment des actions de maintenance ?
- Quels algorithmes d'optimisation sont les plus adaptés et efficaces ?
- Comment intégrer l'incertitude (durées, défaillances, coûts) dans la décision ?
- Comment concilier plusieurs objectifs contradictoires (coût, disponibilité, risque) ?

Les travaux de recherche incluront la formulation mathématique du problème, le développement d'algorithmes d'optimisation adaptés, et la réalisation d'un outil logiciel d'aide à la décision.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Modern industrial systems require maintenance strategies capable of balancing availability, cost, and risk. Dynamic reliability models, such as Dynamic Fault Trees (DFTs), provide a structured framework for representing and analyzing how component failures, their interactions, and temporal dependencies can lead to a system‑level failure. These models play a key role in reliability assessment, diagnosis of complex systems, and identification of critical components.

However, determining which maintenance action to apply (preventive, corrective, condition‑based, or opportunistic) and identifying the optimal intervention time (neither too early nor too late) remains an open challenge, combining uncertainty, temporal dynamics, and multiple conflicting criteria.

This PhD aims to develop an optimization methodology integrating:
- dynamic reliability models such as DFTs,
- simulation techniques,
- combinatorial, stochastic, and multi‑objective optimization approaches,
with the objective of identifying the optimal maintenance strategy and the optimal intervention time that minimize costs while maximizing system availability.

Several scientific challenges arise from this problem of optimizing maintenance strategies and maintenance scheduling:
- How can interactions between failures, repairs, and maintenance actions be represented within a dynamic reliability model such as a DFT in a way that is suitable for optimization?
- How can the optimization problem governing the choice and timing of maintenance actions be mathematically formulated?
- Which optimization algorithms are most appropriate and efficient ?
- How can uncertainty (in durations, failures, costs) be incorporated into the decision‑making process?
- How can multiple conflicting objectives (cost, availability, risk) be reconciled?

The research work will include the mathematical formulation of the problem, the development of suitable optimization algorithms, and the implementation of a decision‑support software tool.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

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

Concours pour un contrat doctoral

Université Grenoble Alpes

220 EEATS - Electronique, Electrotechnique, Automatique, Traitement du Signal

- Etudiant en Master 2 (ou équivalent) dont la formation comporte une part significative d'algorithmique et programmation et recherche opérationnelle / optimisation. - Maitrise de la programmation orientée objet - Maîtrise des techniques de recherche opérationnelle (modélisation mathématique, formulation des programmes linéaires en nombres entiers et maitrise des algorithmes d'optimisation exactes et des métaheuristiques). - Connaissances en sûreté de fonctionnement (fiabilité, diagnostic, pronostic, maintenance). - Stage de Master 2 (ou équivalent) en laboratoire sur un projet de recherche. - Excellentes compétences rédactionnelles et de communication en anglais.
- Master's degree (or equivalent) including substantial coursework in algorithms, programming, and operations research/optimization. - Solid object-oriented programming skills. - Strong background in operational research techniques (mathematical modeling, formulation of ILPs and mastery of exact optimization algorithms and metaheuristics). - Knowledge of dependability (reliability, diagnostics, prognosis, and maintenance). - Master's internship (or equivalent) in a research laboratory. - Good scientific writing and communication skills in English.