Soutenance de thèse de Mehdi GHRABLI

Composition du jury :

Mme Emmanuelle ABISSET-CHAVANNE ,Professeure des universités de l'ENSAM, Rapporteure

M. Huai WANG, Professeur des universités de l' Université d’Aalborg, Rapporteur

M. Bruno ALLARD, Professeur des universités de l' INSA Lyon, Examinateur

Mme Sylvie LE HÉGARAT-MASCLE, Professeure des universités de l' Université Paris-Saclay, Invitée 

M. Emmanuel BATISTA, Senior Expert d'Alstom, Invité

 

 

Mots clés : Estimation de la durée de vie, Modules de puissance, Maintenance prédictive, Apprentissage automatique, Processus stochastiques, Physique de la défaillance.

Résumé :

Les modules électroniques de puissance sont des composants clés pour la conversion et le contrôle de l'énergie dans les véhicules électriques et les réseaux renouvelables. Garantir leur fiabilité est crucial, mais prédire leur fin de vie reste complexe : les mécanismes de dégradation observés lors de tests accélérés en laboratoire diffèrent souvent de ceux rencontrés en conditions réelles d'utilisation. Pour répondre à cette problématique, ces travaux de thèse proposent une approche qui concilie l'intelligence artificielle et les lois physiques. Là où les modèles classiques nécessitent une quantité massive de données, nos méthodes intègrent la compréhension mécanique du composant pour modéliser son vieillissement de manière plus efficace. En associant ainsi les lois physiques à la puissance prédictive de l'IA, ces travaux permettent d'optimiser la maintenance et de mieux exploiter la durée de vie réelle des modules de puissance.

 

Keywords : Data-Efficient Reliability Assessment Using Machine Learning: Application to Lifetime Estimation of Power Electronic Modules

Abstract :

Power electronic modules are key components for the conversion and control of energy in electric vehicles and renewable energy grids. Ensuring their reliability is crucial, but predicting their lifespan remains complex, as the degradation mechanisms observed during accelerated laboratory tests often differ from those encountered under real-world operating conditions. To address this problem, this thesis proposes an approach that combines machine learning and physical knowledge. Where traditional models require massive amounts of data, our methods integrate the mechanical understanding of the component to model its degradation more effectively. By combining physical rigor with the predictive power of machine learning, this work aims to optimize maintenance and to better exploit the useful life of power modules.