Thèse Modèle de Pronostic en Temps Réel Basé sur l'IA pour la Prédiction de la Durée de Vie Utile Restante des Modules de Puissance H/F - 75

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes
École doctorale : Electrical, Optical, Bio-physics and Engineering
Laboratoire de recherche : Systèmes et Applications des Technologies de l'Information et de l'Energie
Direction de la thèse : Mounira BOUARROUDJ ORCID 0000000164037425
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-30T23:59:59

La fiabilité des modules d'électronique de puissance demeure un enjeu crucial pour garantir un fonctionnement sûr et prévisible dans des environnements exigeants tels que les transports et la conversion d'énergie. Malgré des progrès significatifs en matière de surveillance de l'état et de tests de durée de vie accélérés, l'intégration de modèles pronostiques en ligne permettant une estimation en temps réel de la durée de vie restante (RUL) reste un défi. Ce projet répond au besoin d'approches de modélisation hybrides et basées sur les données, combinant des connaissances physiques et des algorithmes d'intelligence artificielle (IA) pour une estimation précise, interprétable et robuste de l'état de santé en conditions réelles d'utilisation.

Les travaux menés précédemment au laboratoire SATIE proposent une nouvelle approche pour estimer la durée de vie restante d'un module de puissance en surveillant la dégradation des fils de connexion à chaque cycle de charge. Cette approche permet des prédictions sous charges variables. Elle combine données expérimentales, simulations par éléments finis et modèles probabilistes. Nous introduisons notamment un modèle de substitution qui reproduit les simulations numériques avec une grande fidélité tout en étant 10 fois plus rapide. À partir de ces résultats, l'objectif principal est de développer et de valider un modèle de pronostic en ligne capable d'estimer la durée de vie restante des modules de puissance sous différentes contraintes thermiques et électriques.

1- Développement d'un modèle hybride combinant indicateurs de dégradation et algorithmes d'intelligence artificielle.
2- Intégration du modèle dans un système de surveillance en ligne.
3- Validation expérimentale sur une plateforme de test dédiée avec des profils de mission réalistes.