Stratégies de maintenance prévisionnelle adaptatives pour les bâtiments intelligents

Cette thèse propose des stratégies de maintenance prévisionnelle adaptative pour les bâtiments intelligents, qui sont des systèmes de systèmes aux interactions complexes, intra- et inter-systèmes. Dans des environnements dynamiques et pauvres en données de défaillance, l'objectif est de concevoir des politiques de maintenance capables de satisfaire des contraintes de QoS à moindre coût. Une méthodologie est développée autour d'un arbre de défaillance enrichi (FT-CE), permettant de représenter explicitement les dépendances et boucles entre systèmes. Le cycle de vie des composants est modélisé par des lois de Weibull, dont les paramètres sont ajustés dynamiquement selon le vieillissement et les actions de maintenance. Une contribution majeure réside dans la correspondance établie entre l'apprentissage par renforcement multi-agent et l'architecture FT-CE, permettant une prise de décision distribuée dans des environnements non stationnaires où les agents coopèrent pour maintenir la QoS à moindre coût. En parallèle, une approche d'optimisation stochastique par recuit simulé, avec différents types de voisinages, est développée. Ces travaux ont conduit au développement de l'algorithme hybride ACSA, qui combine apprentissage par renforcement et optimisation globale pour renforcer la robustesse des décisions. Enfin, l'évaluation sur le bâtiment intelligent CESI-Nanterre 3 montre qu'il est possible de réduire les coûts tout en respectant une contrainte de QoS, même avec peu de données de défaillance.