Note ABES Outils d'analyse et de comparaison de modèles pour la détection de défaillances Tools for model analysis and comparison for industrial failure Industrie 5.0 Maintenance prévisionnelle PHM Visualisations Évaluation Industry 5.0 Predictive maintenance PHM Visualizations Évaluation 006.3 Visualisation Logiciels -- Maintenance Apprentissage automatique Industrie 4.0 Systèmes d'aide à la décision Cette thèse s’inscrit dans l’Industrie 4.0 et traite de la maintenance prévisionnelle, où anticiper les pannes est essentiel pour la sécurité et la rentabilité. Si de nombreux modèles d'intelligence artificielle prédisent aujourd'hui l'usure des machines, leur évaluation repose souvent sur des indicateurs globaux simplistes qui masquent des comportements critiques. Ce travail démontre que deux modèles aux performances moyennes identiques peuvent réagir très différemment selon le contexte opérationnel, comme les variations de charge. L'objectif est de proposer des méthodes d'analyse plus fines pour choisir le modèle le plus fiable selon les contraintes du terrain. Pour cela, la thèse introduit deux outils de visualisation originaux nommés le 2D Error Space et le Domain Evolution Plot. Ces méthodes permettent de comparer les erreurs point par point et d'analyser la précision selon les conditions de fonctionnement. Validés sur des données industrielles, ces outils offrent une aide à la décision concrète pour garantir une maintenance précise et une production continue. This thesis falls within the framework of Industry 4.0 and predictive maintenance, where anticipating failures is crucial for safety and profitability. While many artificial intelligence models now predict machine wear, their evaluation often relies on simplistic global metrics that hide critical behavioral differences. This work demonstrates that two models with similar average performance can react very differently depending on the operational context, such as load variations. The objective is to provide finer analytical methods to help engineers choose the most reliable model based on real-world constraints. To meet this need, the thesis introduces two new visualization and comparison tools called the 2D Error Space and the Domain Evolution Plot. The first compares errors point by point to identify which algorithm performs better in specific cases, while the second analyzes how accuracy evolves according to operating conditions. Validated on industrial datasets, these tools provide a detailed view of model robustness and offer genuine decision support for better production continuity. Electronic Thesis or Dissertation Text fr PDF 26668874 https://publication-theses.unistra.fr/public/theses_doctorat/2026/Mountasir_Nassime_2026_ED269.pdf https://theses.fr/2026STRAD005/abes https://theses.hal.science/tel-05679536 https://theses.hal.science/tel-05679536 Mountasir Nassime 1999-06-14 FR 29767420X 060492869BH 21704460 4200018 https://theses.fr/2026STRAD005 2026STRAD005 https://doi.org/10.70675/9d5fd377z1616z401fzac7azfefa4cfa90db 2026-04-21 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Lachiche Nicolas MADS_DIRECTEUR_DE_THESE_1 2700 145162761 Lafabregue Baptiste MADS_DIRECTEUR_DE_THESE_2 258224908 Lebbah Mustapha MADS_PRESIDENT_DU_JURY 144970759 Guyet Thomas MADS_MEMBRE_DU_JURY_1 171949307 Albert Bruno MADS_MEMBRE_DU_JURY_2 29771757X Lebbah Mustapha MADS_RAPPORTEUR_1 144970759 Mothe Josiane MADS_RAPPORTEUR_2 087097222 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Lachiche Nicolas Lafabregue Baptiste Lebbah Mustapha Guyet Thomas Albert Bruno Lebbah Mustapha Mothe Josiane École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 26668874