Apprentissage machine et contrôle stochastique pour un pilotage automatique optimisé des systèmes industriels

Cette thèse porte sur l'optimisation énergétique de l'aération des stations d'épuration (AASP) sous contraintes de rejet et d'incertitudes fortes. Nous y développons une chaîne méthodologique unifiée couplant l'identification de modèles stochastiques à espace d'états (via l'algorithme SAEM et des filtres particulaires) à une stratégie de commande optimale. L'étude démontre la supériorité d'un modèle non-paramétrique par régression linéaire locale (LLR) pour capturer les dynamiques internes du réacteur. Intégré à un contrôleur par Programmation Dynamique Stochastique (PDS), ce modèle permet, en simulation réaliste, une réduction significative des coûts d'exploitation et garantit une robustesse remarquable face à une charge polluante variable et inconnue.

Mot clés : Assimilation de données, Contrôle optimal stochastique, Station d’épuration