M2 Advanced Manufacturing and Smart System

Connaissance du monde de la recherche (CM : 2h)
Identifier et décrire la structuration du monde de la recherche, ses acteurs, ses institutions et ses indicateurs.
Appliquer les bonnes pratiques de la recherche scientifique, notamment en matière d'intégrité et d'éthique.

Recherche et analyse documentaire (CM : 5h, TP : 4h)
Conduire une recherche bibliographique efficace en utilisant les bases de données scientifiques et les outils de veille documentaire appropriés.
Analyser de manière critique des articles scientifiques en identifiant leur problématique, leur méthodologie, leurs résultats et leurs contributions.
Évaluer la qualité et la pertinence d'une publication scientifique en appliquant des critères méthodologiques rigoureux.
Réaliser une synthèse bibliographique cohérente et structurée sur un sujet de recherche nouveau ou émergent.  

Rédaction scientifique (CM : 3h)
Rédiger un article ou communication scientifique en respectant les normes académiques (structure IMRaD, citation, références bibliographiques).
Structurer un argumentaire scientifique en articulant de manière logique problématique, revue de littérature, méthodologie, résultats et discussion.
Maîtriser les techniques fondamentales de l'écriture scientifique.  

Communication scientifique (CM : 2h, TP : 4h)
Présenter et défendre oralement un travail de synthèse bibliographique.

Cette UE a pour objectif d’informer les étudiants sur le monde de la recherche et sa structuration, et de les former aux « bonnes pratiques » de la recherche, de la recherche bibliographique et de l’écriture scientifique. Sont successivement abordés :

• Le monde de la recherche académique et industrielle, les bonnes pratiques de la recherche, l'éthique de la recherche et l'intégrité scientifique ;
• Les démarches, moyens et outils de recherche et d’analyse bibliographique ;
• La rédaction d’un article scientifique ;
• La critique d’un article scientifique ;
• La présentation d’une communication en conférence.

Ce module est principalement composé de cours magistraux. Les travaux pratiques visent à mettre les étudiants en situation en leur faisant présenter un travail personnel portant sur la critique d’un article scientifique et sur la structuration d’une présentation orale de type conférence.

• Conduire une analyse bibliographique sur un sujet nouveau,
• Structurer un article scientifique ou une présentation orale.

• OCDE (2016). Manuel de Frascati 2015: Lignes directrices pour le recueil et la communication des données sur la recherche et le développement expérimental, Mesurer les activités scientifiques, technologiques et d’innovation, oecd publishing, Paris. http://dx.doi.org/10.1787/9789264257252-fr
• Comité d’éthique du CNRS (2014). Promouvoir une recherche intègre et responsable,  https://www.cnrs.fr/sites/default/files/ressource-file/Pratiquer-une-recherche-integre-et-responsable-2017.pdf
• Hames, I. (Ed.). (2008). Peer review and manuscript management in scientific journals: guidelines for good practice. John Wiley & Sons.
• Day, R. A., Gastel, B. (2020). How to write and publish a scientific paper. Cambridge University Press.
• Derntl, M. (2014). Basics of research paper writing and publishing. International Journal of Technology Enhanced Learning, 6(2), 105-123.

• Niveau mathématique Licence 3 scientifique

Les techniques d'optimisation et de machine learning présentées dans ce module sont regroupées dans les 3 grandes parties suivantes :

Optimisation linéaire (CM : 4h, BE : 4h)

Optimisation non linéaire et complexité algorithmique (CM : 4h, BE : 4h)

Algorithme de clustering, Autoencoder, LSTM, CNN et PNN (Physical Neural Network). (CM : 4h BE : 10h)
Théories mathématiques.
Mise en œuvre des algorithmes de clustering et autoencoder.
Mise en œuvre des algorithmes de LSTM, CNN et PNN.

L'objectif de cette UE est de donner des compétences sur la connaissance et l'utilisation des techniques d'optimisation et de machine learning existant dans la littérature et en Ingénierie.

Les théories et concepts seront vus en cours, puis appliqués au travers des séances de bureaux d'études (BE). Les sujets et les cas d'application traités en BE seront différents suivant le cursus choisi par l'étudiant.

• Identification et formalisation d'un problème
• Choix des algorithmes d'optimisation et de machine learning appropriés pour résoudre un problème donné

• Machine Learning avec scikit-learn, Aurélien Géron, O'reilly, 2023
• Neural Network Projects with Python: The ultimate guide to using Python to explore the true power of neural networks through 6 projects, James Loy, 2016
• Combinatorial Optimization: Algorithms and Complexity, Papadimitriou & Steiglitz, 1982
• Numerical Optimization, J. Nocedal & S. Wright, Springer, 2006

• Niveau B2 en anglais

Anglais scientifique (TD : 20h)
Consolider les acquis lexicaux et grammaticaux avec une attention particulière pour l'anglais de la recherche.
Initier les étudiants à la rédaction scientifique et notamment des review papers.
Ecriture et analyse d'abstracts

Cette UE a pour but de familiariser les étudiants avec l'anglais scientifique (rédaction d'articles de recherche).

Les différentes séances de cette UE sont synchronisées avec les UE "méthodologie de la recherche" et "Preuve de Concept" afin d'appliquer les notions sur des exemples (articles scientifiques) en lien avec les thématiques du parcours et des cursus.

• Wallwork, A. (2013) English for Writing Research Papers, Springer. 
• Mccarthy, M., & Felicity O'dell. (2008). Academic vocabulary in use. Vocabulary reference and practice: self-study and classroom use. Cambridge University Press.
• Blattes, S., Jans, V., & Upjohn, J. (2013). Minimum Competence in Scientific English. EDP Sciences.

• Maitrise d'un langage de programmation Python ou Matlab

Accompagnement des étudiants dans la réalisation d’une preuve de concept issue d’un article de recherche, en leur fournissant les outils, méthodes et étapes nécessaires pour mener à bien leur projet.

Présentation du module (CM : 2h)
Introduction à la démarche de preuve de concept.
Présentation des attentes du projet.
Sélection et répartition des sujets.

Prise en main d’outils (CM : 4h, TD : 4h)
Utilisation de Jupyter Notebook, Git et mise en place de l’environnement de travail.
Outils de visualisation et de représentation des données.

Exemples de preuves de concept (TP : 8h)
Études de cas appliquées à des travaux de recherche issus de chaque cursus (IN2P ou CSC).

Projet personnel (TP : 12h)
Travail personnel sur le projet.
Trois séances de revue de projet (jalons intermédiaires).

Cette UE propose un projet encadré visant à reproduire les résultats d’un article de recherche récent en lien avec les travaux des enseignants-chercheurs du parcours. Les étudiants y apprennent les bases du génie logiciel pour concevoir un module informatique, exploiter et interfacer des outils numériques, et valider leurs travaux par la simulation et l’expérimentation. Ce projet constitue également un exercice de sens critique, à travers l’analyse, l’interprétation et la comparaison des résultats obtenus avec ceux de la publication originale.

L'UE est évaluée principalement sur un projet s'effectuant tout au long du semestre n°1. Les modalités d'évaluation du projet sont les mêmes pour toutes les étudiantes et tous les étudiants, mais les projets sont différents, individuels et directement en relation avec les thématiques de recherche des Enseignants-Chercheurs du parcours AMSS.

• Être capable de reproduire, analyser et évaluer de manière critique un développement scientifique.
• Savoir configurer et maîtriser un environnement informatique complet dédié au développement logiciel.

• Basics of Production Systems
• Basics of Engineering Design
• Knowledge of System Engineering

Cyber-Physical Production Systems (CPPS) and Industrie 4.0 (I4.0) (CM : 6h)
Introduction to CPPS: definitions; models; architectures; standards; applications
Digital transformation of manufacturing: I4.0 concepts; reference architectures; standards
I4.0 enabling technologies: IIOT and cloud manufacturing; big data, analytics and AI; simulation; AR/VR/XR and industrial metaverse; interoperability and integration; cybersecurity
From I4.0 to Industrie 5.0: Reliability, Robustness, and Resilience in manufacturing; manufacturing for sustainability; human-centric manufacturing
Biological transformation of manufacturing: bioinspired manufacturing; biointegrated manufacturing; biointelligent manufacturing

Digital Twin  (DT) Engineering (CM : 8h)
Introduction to DT: definitions and building blocks
DT conceptual models; value chain; characteristics; reference architectures;  maturity models
DT data and models: Model Based System Engineering; Model Driven Engineering; Data and AI for DT; DT modeling and simulation (M&S)
DT Verification, Validation and Uncertainty Quantification (VVUQ)
DT standards and softwares
DT applications in manufacturing

DT Labs and Project (TD : 4h, TP : 12h)
Hands-on laboratory project work involving Digital Twin technologies and Cyber-Physical Production Systems in realistic manufacturing scenarios.

The aim of the course is to provide students with an in-depth understanding of Cyber-Physical Production Systems and Digital Twin engineering within the framework of Industry 4.0 and emerging Industry 5.0 paradigms. Students will gain comprehensive knowledge of digital transformation principles, enabling technologies, as well as sustainability and human-centric approaches. The course emphasizes practical competencies in Digital Twin engineering, encompassing model-based design, data-driven methodologies, verification and validation techniques, and real-world manufacturing applications through laboratory work and project-based learning.

The course unit is assessed mainly on a project carried out in groups of two over the first semester. The assessment methods for the project are the same for all students, but the projects themselves are different.

• Explain and analyze Cyber-Physical Production Systems (CPPS) and Industry 4.0/5.0 concepts, architectures, and digital transformation frameworks.
• Define, model, and simulate Digital Twins using MBSE, MDE, and AI-driven methods.
• Apply Digital Twin standards, reference architectures, and software tools in manufacturing contexts.
• Develop practical Digital Twin projects addressing real-world manufacturing challenges.

• Xu, X., Lu, Y., Vogel-Heuser, B., Wang, L. (2021). Industry 4.0 and Industry 5.0—Inception, conception and perception. Journal of manufacturing systems, 61, 530-535. 
• Monostori, L., Kádár, B., Bauernhansl, T., Kondoh, S., et al. (2016). Cyber-physical systems in manufacturing. Cirp Annals, 65(2), 621-641.
• Tao, F., Zhang, M., Nee, A. Y. C. (2019). Digital Twin Driven Smart Manufacturing. Academic Press. 
  Qi, Q., Tao, F., Hu, T., Anwer, N., et al. (2021). Enabling technologies and tools for digital twin. Journal of Manufacturing Systems, 58, 3-21.
• Anwer, N., Stark, R., Tao, F., Erkoyuncu, J. A. (2025). Developing and leveraging digital twins in engineering design. CIRP Annals, 74(2), 843-868.

Le stage de recherche a pour objectif d’initier l’étudiant à la recherche par la pratique, en lui permettant de développer un projet de recherche personnel au sein d’une équipe expérimentée. Il peut se dérouler dans l’un des laboratoires associés à la formation, dans un autre laboratoire de recherche en France ou à l’étranger, ou encore au sein d’un service R&D d’une entreprise.

Durée minimale du stage de 21 semaines

• Matériaux : notion de plasticité
• Mécanique des milieux continus

Procédé d'usinage, étude de la coupe (CM : 8h, TP : 14h, BE : 4h)
Étude de la Formation du copeau ; Géométrie outil ; Loi d’usure ; Efforts de coupe. (Merchant), mise en évidence du COM, Méthode par discrétisation d’arête.
Vibration en usinage : lobes de stabilité.
Modélisation numérique de la coupe 
Travaux pratiques sur la modélisation des actions mécaniques. 

Procédé de fabrication additive (CM : 4h)
Fabrication additive, principaux procédés
Études des contraintes résiduelles

Cette UE permet aux étudiants de mener l’analyse d’un problème de fabrication additive et soustractive et de mettre en place les outils analytiques de modélisation des phénomènes macroscopiques liés à la fabrication.

Ce module s'appuie sur un enseignement théorique fortement illustré par des activités pratiques centrées sur l'analyse de phénomène physique.

• Modéliser les efforts mécaniques de coupe.
• Relier l’intégrité de la surface usinée aux paramètres de coupe.
• Étudier la dynamique d'une machine d’usinage.
• Comparer les procédés d’usinage avec d’autres procédés de fabrication.

• Y. Altintas Dynamics of cutting Cambridge University Press.
• J.P. Cordebois Fabrication par usinage 2008

• Notions élémentaires d'algèbre linéaire, de mécanique du solide, de contrôle des systèmes linéaires

Partie géométrie et cinématique (CM : 6h, TD : 4h, TP : 2h, BE : 4h)
Description géométrique des systèmes polyarticulés et modélisation des limites et performances cinématiques : opérateur de transformations homogènes, paramétrage de Denavit et Hartenberg modifié, paramétrages des orientations des bases, modèles cinématiques directs et inverses

Partie dynamique (CM : 4h, TD : 6h)
Modélisation dynamique des systèmes à plusieurs corps : théorèmes généraux, principe des puissances virtuelles, formalisme de Lagrange, formalisme de Newton-Euler et méthode de double récurrence

Partie Contrôle (CM : 2h, TD : 2h)
Techniques de contrôle, réglage : architectures industrielles et avancées, comparaison des solutions PID - forme prédictive (RST), intégration de la dynamique dans le contrôle, contrôle par découplage non linéaire dans l'espace articulaire et dans l'espace opérationnel.

L'objectif de cette UE est de donner aux étudiants les compétences nécessaires pour comprendre comment modéliser, évaluer et contrôler les performances des systèmes robotiques (robots industriels ou centres d'usinage multiaxes) et ainsi maîtriser les procédés qu'il met en oeuvre. Ces compétences opérationnelles sont acquises grâce à l'étude scientifique du comportement géométrique et dynamique des systèmes polyarticulés.

• Fundamentals of Robotic Mechanical Systems: Theory, Methods, and Algorithms. Third Edition; Jorge Angeles; Springer; ISBN: 0-387-29412-0
• Robot Manipulator Control: Theory and Practice. Second Edition, Revised and Expanded; Frank L.Lewis, Darren M.Dawson, Chaouki T.Abdallah; Marcel Dekker, INC.; ISBN: 0-8247-4072-6
• Modélisation Identification Et Commande Des Robots. 2ème édition revue et augmentée; Wisama Khalil, Etienne Dombre; Hermes Science Publications; ISBN : 2-7462-0003-1

Les étudiants apprennent à relier modèles physiques, données expérimentales et chaîne numérique de fabrication pour améliorer la performance et la qualité des procédés

Chaîne numérique et données de procédé (CM : 4h, TD : 2h, BE : 4h)
De la génération de trajectoires à l’exécution machine : paramètres, formats et contraintes.
Architecture de la chaîne d’acquisition et types de capteurs utilisés (caméra, pyromètre, mesures électriques).
Lecture et traitement de trajectoires et de signaux issus du monitoring.

Modélisation physique et empirique (CM : 4h, TD : 2h, BE : 6h)
Introduction aux modèles analytiques de champ thermique et de morphologie de cordon.
Calibration des modèles par données expérimentales (ex. méthode flash, identification de paramètres).
Construction de modèles empiriques et hybrides (model-driven + data-driven).

Analyse et pilotage des procédés (CM : 2h, TD : 2h, BE : 6h)
Exploitation de données expérimentales (mise en couche, vidéos thermiques, signaux capteurs).
Corrélation entre paramètres procédés et phénomènes physiques.
Proposition de stratégies d’amélioration et de pilotage basées sur modèles et données.

Cette UE a pour objectif de sensibiliser les étudiants aux approches « data-driven » et « model-driven » dans le cadre de l’optimisation du pilotage des procédés de fabrication. Les exemples et applications seront principalement axés sur les procédés de fabrication additive PBF-LB et WLAM. Pour cela, il sera nécessaire de bien comprendre les différentes chaînes numériques, depuis la génération des trajectoires jusqu’au pilotage des machines, ainsi que les rétroactions possibles dans ces chaînes.

Les cours magistraux sont suivis de BE appliqué et alimentés principalement par des données expérimentales, et des modèles physiques développés au LURPA (Laboratoire Universitaire de Recherche en Production Automatisée).

• Analyser la chaîne numérique complète d’un procédé de fabrication.
• Construire et utiliser un modèle physique ou empirique d'un procédé.
• Exploiter des données de monitoring.
• Collaborer dans une approche modèle/données/système.

• Notions de base en géométrie différentielle et modélisation polynomiale des courbes et des surfaces ;
• Connaissances en usinage et en procédés de fabrication additive.

Principes de base des trajectoires d'outils en usinage et fabrication additive (CM : 2h, BE : 2h)
Stratégies et algorithmes 2D standard pour le calcul des trajectoires d'outils.
Interpolation linéaire et polynomiale, arrondi des angles.

Génération de trajectoires d'outils en fraisage 3 axes de surfaces gauches (CM : 3h, BE : 4h)
Algorithmes pour le calcul des trajectoires d'outils, problèmes de hauteur de festons et de déviation cordale.
Stratégies d'usinage optimales pour minimiser le temps de production.

Génération de trajectoires d'outils en usinage 5 axes et fabrication additive de surfaces gauches (CM : 6h, TD : 2h,  BE : 4h)
Algorithmes pour le calcul des trajectoires d'outils.
Fraisage en bout et fraisage sur le flanc.
Dépôt de matière sous énergie concentrée.
Méthodes locales et globales d'évitement des collisions.
Principes de base de la transformation cinématique inverse pour les machines à 5 axes.
Gestion des singularités.

Mise en pratique (CM : 1h, BE : 6h)
Développement d'un générateur de trajectoire d'outil pour l'usinage à 3 ou 5 axes et la fabrication additive de surfaces gauches (travail personnel utilisant Catia V5 et Python).

Cette UE vise à aborder les techniques et les algorithmes de calcul de trajectoire d'outil utilisés dans les logiciels de fabrication assistée par ordinateur et à donner les bases pour en développer de nouveaux.

• Calculer les postures de l’outil le long d’une surface de forme libre ;
• Modéliser les déviations géométriques des surfaces de forme libre liées à la stratégie de balayage ;
• Connaître et appliquer les techniques d’évitement de collision ;
• Maîtriser les principes de géométrie computationnelle pour la fabrication (intersections, détection de collisions, interpolation polynomiale, etc.).

• B.K.Choi, R.B.Jerard, Sculptured surface machining theory and applications, 1998, Kluwer academic.
• D. Faux, M. J. Pratt, Computational Geometry for Design and Manufacture, 1980, Ellis Horwood.

• Transformations 3D, algèbre linéaire et géométrie affine.
• Bases en métrologie, conception assistée par ordinateur (CAO), critères d’optimisation (méthode des moindres carrés) et évaluation des incertitudes de mesure.

Les procédés de numérisation géométrique reposent de plus en plus sur des systèmes de scannage optique, qui permettent d’obtenir une représentation de la géométrie des pièces sous forme de données discrètes (nuages de points, maillages, images, etc.) en un temps relativement court.

Principes, moyens et méthodes de la numérisation 3D (CM : 4H, TD : 2h, TP : 4h)
Systèmes de mesure multi-capteurs et chaîne de numérisation 3D.
Technologies de capteurs : laser-plan, projection de franges, stéréovision, tomographie, etc.
Modélisation et méthodes d’étalonnage des caméras.
Incertitudes de mesure et évaluation des données numérisées.
Étalonnage et traçabilité métrologique.
Numérisation 3D à l’aide de systèmes à laser-plan et à projection de franges.

Stratégie de numérisation 3D et contrôle qualité (CM : 4H, TD : 2h)
Évaluation des systèmes de numérisation 3D.
Sélection d’un système de numérisation 3D adapté.
Planification de trajectoire et stratégie de numérisation 3D.

Traitement des données pour l’extraction de la géométrie (CM : 4H, TD : 2h, BE : 8h)
Modèles topologiques basés sur des données discrètes : voxels, octrees, maillages, etc.
Filtrage, recalage (rigide et non rigide), fusion, segmentation et extraction de caractéristiques.
Évaluation de la qualité des données numérisées 3D.
Traitement des données pour l’extraction de la géométrie sur un logiciel de CAO.
Implémentation de codes et d’algorithmes pour le recalage, la fusion, la segmentation et l’extraction de caractéristiques.

L’objectif de ce cours est d’introduire les principes, outils et méthodes associés à la numérisation 3D de formes géométriques par des moyens optiques.  Toutes les étapes (de l’évaluation initiale au choix du capteur et à la planification des trajectoires, en lien avec les exigences de qualité) seront abordées, y compris la qualification et le traitement des données (recalage, filtrage, fusion, etc.). Une attention particulière sera portée au traitement géométrique et à la mise en œuvre pratique de la numérisation 3D.

• Mettre en place un processus global de mesure 3D, multi-capteur, multi-échelle. 
• Effectuer des opérations de traitements des données denses obtenues et les analyser en rapport avec l’application finale envisagée.

• D. Whitehouse, livre: "Surfaces and their measurement", Elsevier, 2004.
• S.E Sadaoui, thèse de doctorat, " Inspection dimensionnelle – Une approche multi-capteurs pour la vérification des spécifications géométriques ", LURPA ENS Paris-Saclay, 2019

Connaissance du monde de la recherche (CM : 2h)
Identifier et décrire la structuration du monde de la recherche, ses acteurs, ses institutions et ses indicateurs.
Appliquer les bonnes pratiques de la recherche scientifique, notamment en matière d'intégrité et d'éthique.

Recherche et analyse documentaire (CM : 5h, TP : 4h)
Conduire une recherche bibliographique efficace en utilisant les bases de données scientifiques et les outils de veille documentaire appropriés.
Analyser de manière critique des articles scientifiques en identifiant leur problématique, leur méthodologie, leurs résultats et leurs contributions.
Évaluer la qualité et la pertinence d'une publication scientifique en appliquant des critères méthodologiques rigoureux.
Réaliser une synthèse bibliographique cohérente et structurée sur un sujet de recherche nouveau ou émergent.  

Rédaction scientifique (CM : 3h)
Rédiger un article ou communication scientifique en respectant les normes académiques (structure IMRaD, citation, références bibliographiques).
Structurer un argumentaire scientifique en articulant de manière logique problématique, revue de littérature, méthodologie, résultats et discussion.
Maîtriser les techniques fondamentales de l'écriture scientifique.  

Communication scientifique (CM : 2h, TP : 4h)
Présenter et défendre oralement un travail de synthèse bibliographique.

Cette UE a pour objectif d’informer les étudiants sur le monde de la recherche et sa structuration, et de les former aux « bonnes pratiques » de la recherche, de la recherche bibliographique et de l’écriture scientifique. Sont successivement abordés :

• Le monde de la recherche académique et industrielle, les bonnes pratiques de la recherche, l'éthique de la recherche et l'intégrité scientifique ;
• Les démarches, moyens et outils de recherche et d’analyse bibliographique ;
• La rédaction d’un article scientifique ;
• La critique d’un article scientifique ;
• La présentation d’une communication en conférence.

Ce module est principalement composé de cours magistraux. Les travaux pratiques visent à mettre les étudiants en situation en leur faisant présenter un travail personnel portant sur la critique d’un article scientifique et sur la structuration d’une présentation orale de type conférence.

• Conduire une analyse bibliographique sur un sujet nouveau,
• Structurer un article scientifique ou une présentation orale.

• OCDE (2016). Manuel de Frascati 2015: Lignes directrices pour le recueil et la communication des données sur la recherche et le développement expérimental, Mesurer les activités scientifiques, technologiques et d’innovation, oecd publishing, Paris. http://dx.doi.org/10.1787/9789264257252-fr
• Comité d’éthique du CNRS (2014). Promouvoir une recherche intègre et responsable,  https://www.cnrs.fr/sites/default/files/ressource-file/Pratiquer-une-recherche-integre-et-responsable-2017.pdf
• Hames, I. (Ed.). (2008). Peer review and manuscript management in scientific journals: guidelines for good practice. John Wiley & Sons.
• Day, R. A., Gastel, B. (2020). How to write and publish a scientific paper. Cambridge University Press.
• Derntl, M. (2014). Basics of research paper writing and publishing. International Journal of Technology Enhanced Learning, 6(2), 105-123.

• Niveau mathématique Licence 3 scientifique

Les techniques d'optimisation et de machine learning présentées dans ce module sont regroupées dans les 3 grandes parties suivantes :

Optimisation linéaire (CM : 4h, BE : 4h)

Optimisation non linéaire et complexité algorithmique (CM : 4h, BE : 4h)

Algorithme de clustering, Autoencoder, LSTM, CNN et PNN (Physical Neural Network). (CM : 4h BE : 10h)
Théories mathématiques.
Mise en œuvre des algorithmes de clustering et autoencoder.
Mise en œuvre des algorithmes de LSTM, CNN et PNN.

L'objectif de cette UE est de donner des compétences sur la connaissance et l'utilisation des techniques d'optimisation et de machine learning existant dans la littérature et en Ingénierie.

Les théories et concepts seront vus en cours, puis appliqués au travers des séances de bureaux d'études (BE). Les sujets et les cas d'application traités en BE seront différents suivant le cursus choisi par l'étudiant.

• Identification et formalisation d'un problème
• Choix des algorithmes d'optimisation et de machine learning appropriés pour résoudre un problème donné

• Machine Learning avec scikit-learn, Aurélien Géron, O'reilly, 2023
• Neural Network Projects with Python: The ultimate guide to using Python to explore the true power of neural networks through 6 projects, James Loy, 2016
• Combinatorial Optimization: Algorithms and Complexity, Papadimitriou & Steiglitz, 1982
• Numerical Optimization, J. Nocedal & S. Wright, Springer, 2006

• Niveau B2 en anglais

Anglais scientifique (TD : 20h)
Consolider les acquis lexicaux et grammaticaux avec une attention particulière pour l'anglais de la recherche.
Initier les étudiants à la rédaction scientifique et notamment des review papers.
Ecriture et analyse d'abstracts

Cette UE a pour but de familiariser les étudiants avec l'anglais scientifique (rédaction d'articles de recherche).

Les différentes séances de cette UE sont synchronisées avec les UE "méthodologie de la recherche" et "Preuve de Concept" afin d'appliquer les notions sur des exemples (articles scientifiques) en lien avec les thématiques du parcours et des cursus.

• Wallwork, A. (2013) English for Writing Research Papers, Springer. 
• Mccarthy, M., & Felicity O'dell. (2008). Academic vocabulary in use. Vocabulary reference and practice: self-study and classroom use. Cambridge University Press.
• Blattes, S., Jans, V., & Upjohn, J. (2013). Minimum Competence in Scientific English. EDP Sciences.

• Maitrise d'un langage de programmation Python ou Matlab

Accompagnement des étudiants dans la réalisation d’une preuve de concept issue d’un article de recherche, en leur fournissant les outils, méthodes et étapes nécessaires pour mener à bien leur projet.

Présentation du module (CM : 2h)
Introduction à la démarche de preuve de concept.
Présentation des attentes du projet.
Sélection et répartition des sujets.

Prise en main d’outils (CM : 4h, TD : 4h)
Utilisation de Jupyter Notebook, Git et mise en place de l’environnement de travail.
Outils de visualisation et de représentation des données.

Exemples de preuves de concept (TP : 8h)
Études de cas appliquées à des travaux de recherche issus de chaque cursus (IN2P ou CSC).

Projet personnel (TP : 12h)
Travail personnel sur le projet.
Trois séances de revue de projet (jalons intermédiaires).

Cette UE propose un projet encadré visant à reproduire les résultats d’un article de recherche récent en lien avec les travaux des enseignants-chercheurs du parcours. Les étudiants y apprennent les bases du génie logiciel pour concevoir un module informatique, exploiter et interfacer des outils numériques, et valider leurs travaux par la simulation et l’expérimentation. Ce projet constitue également un exercice de sens critique, à travers l’analyse, l’interprétation et la comparaison des résultats obtenus avec ceux de la publication originale.

L'UE est évaluée principalement sur un projet s'effectuant tout au long du semestre n°1. Les modalités d'évaluation du projet sont les mêmes pour toutes les étudiantes et tous les étudiants, mais les projets sont différents, individuels et directement en relation avec les thématiques de recherche des Enseignants-Chercheurs du parcours AMSS.

• Être capable de reproduire, analyser et évaluer de manière critique un développement scientifique.
• Savoir configurer et maîtriser un environnement informatique complet dédié au développement logiciel.

• Basics of Production Systems
• Basics of Engineering Design
• Knowledge of System Engineering

Cyber-Physical Production Systems (CPPS) and Industrie 4.0 (I4.0) (CM : 6h)
Introduction to CPPS: definitions; models; architectures; standards; applications
Digital transformation of manufacturing: I4.0 concepts; reference architectures; standards
I4.0 enabling technologies: IIOT and cloud manufacturing; big data, analytics and AI; simulation; AR/VR/XR and industrial metaverse; interoperability and integration; cybersecurity
From I4.0 to Industrie 5.0: Reliability, Robustness, and Resilience in manufacturing; manufacturing for sustainability; human-centric manufacturing
Biological transformation of manufacturing: bioinspired manufacturing; biointegrated manufacturing; biointelligent manufacturing

Digital Twin  (DT) Engineering (CM : 8h)
Introduction to DT: definitions and building blocks
DT conceptual models; value chain; characteristics; reference architectures;  maturity models
DT data and models: Model Based System Engineering; Model Driven Engineering; Data and AI for DT; DT modeling and simulation (M&S)
DT Verification, Validation and Uncertainty Quantification (VVUQ)
DT standards and softwares
DT applications in manufacturing

DT Labs and Project (TD : 4h, TP : 12h)
Hands-on laboratory project work involving Digital Twin technologies and Cyber-Physical Production Systems in realistic manufacturing scenarios.

The aim of the course is to provide students with an in-depth understanding of Cyber-Physical Production Systems and Digital Twin engineering within the framework of Industry 4.0 and emerging Industry 5.0 paradigms. Students will gain comprehensive knowledge of digital transformation principles, enabling technologies, as well as sustainability and human-centric approaches. The course emphasizes practical competencies in Digital Twin engineering, encompassing model-based design, data-driven methodologies, verification and validation techniques, and real-world manufacturing applications through laboratory work and project-based learning.

The course unit is assessed mainly on a project carried out in groups of two over the first semester. The assessment methods for the project are the same for all students, but the projects themselves are different.

• Explain and analyze Cyber-Physical Production Systems (CPPS) and Industry 4.0/5.0 concepts, architectures, and digital transformation frameworks.
• Define, model, and simulate Digital Twins using MBSE, MDE, and AI-driven methods.
• Apply Digital Twin standards, reference architectures, and software tools in manufacturing contexts.
• Develop practical Digital Twin projects addressing real-world manufacturing challenges.

• Xu, X., Lu, Y., Vogel-Heuser, B., Wang, L. (2021). Industry 4.0 and Industry 5.0—Inception, conception and perception. Journal of manufacturing systems, 61, 530-535. 
• Monostori, L., Kádár, B., Bauernhansl, T., Kondoh, S., et al. (2016). Cyber-physical systems in manufacturing. Cirp Annals, 65(2), 621-641.
• Tao, F., Zhang, M., Nee, A. Y. C. (2019). Digital Twin Driven Smart Manufacturing. Academic Press. 
  Qi, Q., Tao, F., Hu, T., Anwer, N., et al. (2021). Enabling technologies and tools for digital twin. Journal of Manufacturing Systems, 58, 3-21.
• Anwer, N., Stark, R., Tao, F., Erkoyuncu, J. A. (2025). Developing and leveraging digital twins in engineering design. CIRP Annals, 74(2), 843-868.

Le stage de recherche a pour objectif d’initier l’étudiant à la recherche par la pratique, en lui permettant de développer un projet de recherche personnel au sein d’une équipe expérimentée. Il peut se dérouler dans l’un des laboratoires associés à la formation, dans un autre laboratoire de recherche en France ou à l’étranger, ou encore au sein d’un service R&D d’une entreprise.

Durée minimale du stage de 21 semaines

Elementary knowledge of calculus, matrix theory, probability and statistics

• Lecture 1: What is reliability? How to quantify reliability of a practical system? Through this lecture, the students will understand fundamental concepts in reliability theory, and be able to use numerical metrics to quantify the reliability of a practical engineering system.
• Lecture 2: Why my component fails? - Stress-strength interfere model
  General theories and methods (stress-strength interfere method) for modelling component failure behaviors. Real-world examples will be given to help the students understand the topics.
• Lecture 3: Course projects (I)
• Lecture 4: Why my systems fail? – Reliability block diagram, binary decision diagram, fault tree and event tree, Markov models
  Reliability block diagram, binary decision diagram, Markov models will be introduced and demonstrated through
• Lecture 5: How to improve the reliability of a system? 
• Lecture 6: Course projects (II).

In this course, we focus on the basic theories and applicational tools in reliability modelling and analysis. The objectives of this course are: 

• to understand basic concepts in reliability modelling and analysis; 
• to understand the principles of some fundamental models and reliability modelling and analysis; 
• to know how to use computer tools and software (e.g., Matlab) to help implement the theoretical methods in practice; 
• to experience how to apply the theoretical methods to solve a real-world problem (through a course project).

• Zio E. An introduction to the basics of reliability and risk analysis. World scientific; 2007. Rausand M, Arnljot HÃ. System reliability theory: models, statistical methods, and applications. John Wiley & Sons; 2004.

• Niveau mathématique de Licence 3 scientifique.
• Théorie des ensembles.

Par opposition aux systèmes dynamiques dont l'évolution est continue dans le temps et peut être décrite par des équations différentielles, les Systèmes à Événements Discrets (SED) sont des systèmes dynamiques dont l'évolution est provoquée par l’occurrence d’événements. Des théories et des modèles spécifiques à cette classe de systèmes dynamiques sont nécessaires pour les modéliser, analyser leurs performances et les commander. 

Ce module se concentre sur les points suivants :

Introduction aux notions fondamentales des SED (CM : 4h, BE 4h)
les concepts d’événements, d’espace d’états et d’évolution discrète, 
Théorie des langages et Automates Finis,

Principaux formalismes dédiés à l’étude des SED (CM : 8h, BE : 12h)
Réseaux de Petri (ordinaires, généralisés, temporisés, colorés),
Automates et réseau de Petri hybrides

L'objectif de cette UE est de former les étudiants à comprendre, manipuler et concevoir des Systèmes à Événements Discrets (SED). Un focus sur les réseaux de Petri est également effectué dans ce module.

Les cours magistraux sont directement suivis de bureaux d'étude où les étudiants mettent en application les notions du cours en effectuant des études de cas à l’aide de plateformes logicielles spécialisées.

• Maîtriser la syntaxe et la sémantique des modèles étudiés,
• Modéliser des systèmes physiques à l’aide de ces modèles.

• Autebert Jean-Michel, Théorie des langages et des automates, Masson, 1994, 179 p.
• David René, Alla Hassane, Du grafcet aux réseaux de Petri, Hermès, 1997, 500 p.
• Cassandras Christos, Lafortune Stéphane, Introduction to discrete event systems, Springer, 2008, 769 p.

• Connaissances de base sur la modélisation des Systèmes à Événements Discrets (UE « Modélisation Événementielle»)

Étude des différentes techniques permettant d’éliminer des fautes lors des phases de conception et de validation :

Concepts et techniques de model-checking pour l'élimination de fautes (CM : 8h, BE : 8h)
Dans les modèles du système de commande :
par simulation de modèles déterministes ou stochastiques (méthode de Monte-Carlo)
par exploration exhaustive de l’espace d’états grâce au Model-Checking).

Concepts et techniques pour la génération de tests pour la validation et la certification (CM : 4h, BE : 8h)
Dans le programme de contrôle implémenté dans l’unité de commande par des tests de conformité

L’objectif de cette UE est d’étudier différentes techniques permettant d’éliminer des fautes lors des phases de conception et de validation : dans les modèles du système de commande ainsi que dans le programme de contrôle implémenté dans l’unité de commande.

Les séances de bureaux d'études sont consacrées au traitement d’études de cas à l’aide de plateformes logicielles ou expérimentales adaptées.

• Mettre en œuvre des outils de simulation, de vérification et validation sur des modèles
• Mettre en œuvre des outils de test sur des composants de contrôle/commande

• The temporal logic of reactive and concurrent systems, A. Pnuelli and Z. Manna, Communication network, Springer, 1992
• Linear Temporal Logic Symbolic Model Checking, Kristin Y. Rozier, Computer Science Review, Elsevier, 2010
• Systems and Software Verification, Model-Checking Techniques and Tools, B. Berard, M. Bidoit, A. Finkel, F. Laroussinie, A. Petit, L. Petrucci, P. Schnoebelen, Springer 2001
• La simulation de Monte Carlo, B. Tuffin, Hermes, 2010

• Connaissances de base sur la modélisation des Systèmes à Événements Discrets (UE « Modélisation Évènementielle »)

L'UE est composée de deux parties : une sur les théories/concepts sur les techniques de certification des spécifications, la deuxième sur les techniques d'analyse et de modélisation des besoins en spécifications.

Théories et concepts sur les techniques de synthèses et de diagnostic (CM : 6h, BE : 6h)

Management de l'innovation et projets (CM : 6h, BE : 12h)

L'objectif de cette UE est de donner des compétences sur les techniques de synthèses permettant d'assurer la non-présence de fautes dans la commande et la modélisation des systèmes.

• Acquisition des bases théoriques et méthodologiques pour la synthèse, le diagnostic et la reconfiguration des SED.
• Analyse du problème et usage critique des outils d' analyse des informations
• Maitrise des processus d'innovation (SMI) et capacité de restitution

• C. Cassandras, S. Lafortune, Introduction to discrete event systems, Springer, 2008, 769 p.
• Overview of fault diagnosis methods for Discrete Event Systems, J. Zaytoon, S. Lafortune, Annual Reviews in Control, Volume 37, Issue 2, December 2013, Pages 308–320
• Yannou, B., & Cluzel, F. (2024). Radical Innovation Design: A systematic and usage-driven innovation methodology to ensure usefulness for users and profitability for companies. Paris: EDP Sciences, ISBN 978-2-7598-3066-4, https://doi.org/10.1051/978-2-7598-3066-4
• Chouchene R. Developing and testing a pain model for problems depiction, Master dissertation in design engineering, Université-Paris-Saclay, (2017)
• Lecomte, R., & Yannou, B. (2024). RID journal paper - RID study Falls of the elderly (Version V1). Zenodo., https://doi.org/10.5281/zenodo.10613856

• Notions de langage orienté objet.
• Notions d’analyse des systèmes et d’analyse de sûreté de fonctionnement.

Ingénierie Système
Ce cours présente un langage et une méthodologie de modélisation des systèmes complexes. Pour cela, une présentation du MBSE (Model-Based Systems Engineering) et des possibilités d’intégration avec le MBSA (Model-Based Safety Assessment) sera faite pour traiter le cas des systèmes critiques.

Il se décompose en 4 parties principales :

1. Langage orienté objet (SysML) et méta-modélisation ;
2. Mécanismes d’extension (profile). Exemples de la sûreté de fonctionnement et de la mécatronique ;
3. Méthodologie d’ingénierie système cohérente allant de l’émergence des exigences jusqu’aux modélisations fonctionnelles, logiques et physiques.
4. Possibilités d’exploitation du modèle SysML dans un processus intégré afin de générer des FMEA et FTA et de permettre le Model Checking au plus tôt dans le cycle de conception.

Le cours s’appuie sur un scénario de système critique aéronautique. Il est suivi d’une activité de modélisation d’un système critique aéronautique avec l’outil Artisan Studio (ATEGO).

• Maîtriser la démarche de modélisation système ;
• Prendre en compte au plus tôt les exigences de sûreté de fonctionnement en se basant sur le modèle système.

• Safety Analysis Integration in a Systems Engineering Approach for Mechatronic system Design, Faïda MHENNI, phD thesis, Ecole Centrale Paris, 12/2014.
• A SysML-based methodology for mechatronic systems architectural design, Faida Mhenni, Jean-Yves Choley, Olivia Penas, Regis Plateaux, and Moncef Hammadi, Advanced Engineering Informatics, 28(3):218-231, 2014.
• Automatic SysML-based safety analysis, Philipp Helle, In Proc. of the 5th Int. Workshop on Model Based Architecting and Construction of Embedded Systems, 2012.