L’objectif de ce travail de thèse et de développer des nouvelles approches permettant aux petites et moyennes entreprises d’améliorer les performances de leur processus de fabrication. Nous avons développé trois approches aspirées du Lean Six Sigma (LSS) pour l’amélioration de la production dans un contexte conventionnel et classique d'une part et d'autre part dans un contexte de production durable. Dans la première approche nous avons proposé une approche Lean Six Sigma conventionnelle pour évaluer et suivre la compétitivité d’une PME en fonction des résultats obtenus par la méthode VSM. Dans la deuxième approche, nous avons proposé une nouvelle extension de l’approche LSS vers le contexte de la production durable en incorporant des algorithmes multicritères quantitatives. Cette approche nous a permis de surmonter quelques barrières au niveau du processus de l’application du LSS. Dans La troisième approche nous avons présenté une amélioration de l’approche LSS qui vise à montrer l’effet positif des algorithmes multicritères qualitatives flous pour surmonter certaines barrières du Lean Six Sigma liées aux phases d’analyse et d’amélioration de l’état actuel des processus de fabrication. Les approches proposées sont appliquées dans deux entreprise algériennes pour améliorer et contrôler la durabilité de leurs processus de fabrication.

Les systèmes industriels deviennent plus complexes en raison, notamment, de leur taille croissante et de l’intégration des nouvelles technologies. En vieillissant, ces systèmes deviennent plus vulnérables aux défaillances et leurs activités de maintenance sont difficiles et coûteuses. Cette situation, combinée aux exigences de productivité, de croissance des bénéfices, de disponibilité opérationnelle et de sécurité, pousse les praticiens et les chercheurs à développer des outils et des méthodes innovants. Les activités de maintenance constituent l’un des leviers possibles. En entretenant le système, nous pouvons réduire les coûts globaux de son cycle de vie, augmenter sa disponibilité, améliorer la sécurité des opérateurs et réduire les incidents environnementaux. Les tâches de maintenance peuvent être soit curatives, soit préventives. Cependant, cela n’est pas encore suffisant parce que les pièces de rechange ne sont pas disponibles ou pas suffisantes au moment de la panne ou simplement parce que les ressources nécessaires (les responsables de la maintenance) sont occupées. Une "meilleure" solution pourrait alors être une maintenance prédictive, qui peut être effectuée dans le framework du pronostic. Dans ce cadre nous essayons de prévoir l’état de santé du système, puis on planifie les actions appropriées en fonction des résultats des prévisions. Ce travail s’inscrit dans au domaine du pronostic de la PHM et de la gestion de la santé. Les techniques de PHM visent à prédire la durée de vie restante de l’équipement. Cependant, elles ont eu tendance à être utilisées dans un contexte local avec une intégration limitée des solutions distribuées. Dans les systèmes complexes, le comportement émergent est plus compliqué que la somme des comportements de leurs parties constitutives. Ce comportement implique la propagation de défauts entre les parties et nécessite des informations sur la façon dont les parties sont liées. Dans cette thèse, nous proposons une approche multi-agent pour la prédiction de la RUL au niveau du système. Ensuite, l’approche proposée est étendue à la PHM médicale avec une étude de cas

Cette thèse traite de l'utilisation d'un outil de Machine Learning appelé "Extreme Learning Machine" dans le domaine du pronostic et de l'évaluation de la santé (e.g. estimation de la durée de vie utile restante (RUL)). Cet algorithme implique des méthodes de programmation linéaires qui reposent principalement sur les moindres carrés dans les paradigmes non linéaires des réseaux de neurones artificiels pour produire des estimateurs de santé très rapides et précis. D'autres parts, cette étude vise à distribuer le système de prédiction sur le web à l'aide de services Web pour résoudre les problèmes de répartition géographique de surveillance décentralisée. Sur la base de ce nouvel outil, de nombreux algorithmes d'apprentissage ont été développés dans le cadre de ce travail et comparés à d'autres algorithmes présents dans la littérature en termes de temps et de précision. La plupart des algorithmes développés sont inspirés des théories récentes de Deep Learning et ce en raison de leur bonne réputation. Les données étudiées dans ce travail de recherche sont tirées du logiciel C-MAPSS simulateur de système de propulsion aérodynamique développé par la NASA. Les résultats obtenus ont prouvé l'efficacité des nouveaux algorithmes et les recommandent pour une utilisation future dans le domaine de l'évaluation de la santé.