Apprentissage partiellement supervisé dans les modèles de Markov cachés autoregressifs pour le monitoring et le pronostic de systèmes et structures mécaniques

Une modification des mécanismes d'inférence et d'apprentissage dans les modèles de Markov cachés autorégressifs est proposée pour prendre en compte des connaissances a priori. Ces modèles sont particulièrement intéressants pour représenter statistiquement des séries temporelles. Le fait de pouvoir ajouter des connaissances a priori permet de l'utiliser dans de nombreuses applications. Deux applications sont présentées : une première sur le pronostic avec l'estimation du temps restant avant défaillance de turboréacteurs ; et une seconde sur l'analyse d'ondes élastiques transitoires hautes fréquences rencontrées dans les structures mécaniques.