Modélisation prédictive sous contraintes informationnelles pour la décision en industrie : hybridation Lean Six Sigma–intelligence artificielle

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur Younes OUAOMAR soutiendra une thèse de Doctorat intitulée : «Modélisation prédictive sous contraintes informationnelles pour la décision en industrie : hybridation Lean Six Sigma–intelligence artificielle ».

La soutenance publique aura lieu le Mardi 23 Juin 2026 à 10h00 à l’Amphi de Conférences, à la Faculté des Sciences et Techniques de Béni Mellal, devant le jury composé de :

• Monsieur BOUILKHILANE Belaid : Professeur, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Béni Mellal, Président/ Rapporteur ;

• Monsieur SAKA Adbelmjid : Professeur, Ecole Nationale des Sciences Appliquées, Université Sidi Mohamed Ben Abdellah, Fès, Rapporteur ;

• Monsieur ZEKRAOUI Mustapha : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;

• Monsieur KHAOUCH Zakaria : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Examinateur ;

• Monsieur NAJIH Youssef : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Examinateur ;

• Monsieur KADDIRI Mourad : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Directeur de thèse.

Résumé:

Ce rapport s’inscrit dans la dynamique de l’Industrie 4.0 et de la vision du Smart Manufacturing, en analysant le potentiel de l’intelligence artificielle pour soutenir la transformation des pratiques industrielles marocaines, dans un contexte marqué par une maturité numérique hétérogène et des contraintes fortes sur la donnée industrielle. Structuré en cinq chapitres, il présente les fondements des approches prédictives, puis trois applications industrielles : modélisation énergétique, optimisation qualité et maintenance prédictive.

En énergie, les résultats montrent l’intérêt des réseaux de neurones pour modéliser des relations non linéaires et améliorer la fiabilité des prévisions, y compris sur des sites disposant de niveaux d’instrumentation et de structuration de données contrastés. En qualité, le cadre CDED-NNO propose une approche hybride combinant apprentissage automatique, optimisation et logique économique afin de concilier robustesse des modèles et maîtrise des coûts d’expérimentation. En maintenance, la comparaison entre une approche statistique de type AFT et une modélisation dynamique par réseaux de neurones met en évidence leur complémentarité pour rendre l’estimation de durée de vie plus exploitable, tout en tenant compte des incertitudes de mesure et de la dégradation progressive.

Globalement, ce travail confirme que l’IA, appuyée par des analyses statistiques descriptives et une démarche de pilotage industriel, constitue un levier concret pour répondre à des défis fréquents dans l’industrie marocaine : disponibilité et qualité des données, contraintes de ressources, besoin de flexibilité et amélioration continue. Il ouvre ainsi des perspectives opérationnelles pour construire des systèmes de production plus intelligents, plus durables et plus compétitifs au Maroc.

Mots clés : Smart Manufacturing, modélisation prédictive, statistiques descriptives, intelligence artificielle, performance énergétique, optimisation qualité, maintenance prédictive, données industrielles.