M1 Ingénierie des systèmes complexes - Voie industrie

Niveau B1 du CECRL

à Révisions et exercices de grammaire et lexique en contexte ; 
àApprofondissement de la langue et de la culture `a travers des thèmes relevant de grands enjeux sociétaux (Robots, Artificial intelligence, Aerospace, Waste, Pollution, Science and medicine, AR/VR/Metaverse,…) ;
à Communication ´ecrite et orale en vue de démarches de recherche d’emploi.
à Préparation aux examens de niveau international (TOEIC)

10 TD de 2 heures / 3 évaluations

Bibiographe disponible sur eCampus + brochure faite par l'enseignant, distribuée en début de semestre, à apporter à chaque cours

Aucun

Les enjeux de la santé et sécurité au travail
Risques et maladies professionnels
Définition de l'ergonomie des postes de travail à des fins de conception et aménagement de postes de travail et de procédures
Coneption d’IHM aux caractéristiques de l’utilisateur dans un contexte industriel avec des systèmes critiques mettant en jeu des règles de sécurité.

Permettre aux étudiants de comprendre, d’analyser et d’intervenir sur les déterminants humains, organisationnels et techniques de la sécurité et de la performance au travail.
L’enseignement vise à intégrer les différentes approches de l’ergonomie — cognitive, physique et organisationnelle — dans l’analyse et la conception des situations de travail, y compris les interfaces homme-machine.

- Connaître les principes fondamentaux de la SST : prévention primaire, évaluation des risques, réglementation et acteurs institutionnels.
- Comprendre les liens entre organisation du travail, charge de travail, et santé
- Identifier les phénomènes de charge mentale, d’automatisation, d’attention et d’erreurs humaines.
- Comprendre les principes biomécaniques du travail humain (postures, efforts, manutention) et Identifier les facteurs de risque liés aux TMS (troubles musculosquelettiques).
- Connaître et savoir appliquer le modèle explicatif des accidents : arbre des causes
- Identifier les risques conduisant à des incidents, des accidents, des troubles...
- Comprendre les principes de conception centrée utilisateur et de compatibilité cognitive
- Identifier les erreurs de conception pouvant induire des risques d’erreur humaine

Les activités pédagogiques s’organisent autour :
- de cours magistraux pour l’acquisition des fondements théoriques et des connaissances,
- de travaux dirigés dédiés à l'identification des risques et leur traitement (arbre des causes, liaison danger-risque, plan d'action)
- de travaux pratiques consacrés à la réorganisation centrée sur l'ergonomie cognitive et organsationnelle d'une ligne de production, au maquettage d'un poste de travail, à la conception d'une IHM

2 TP sous forme de jeux sérieux et 1 mini-projet

• Analyser une situation de travail sous l’angle de la santé et de la sécurité en identifiant les dangers conduisant à des risques
  - Construire et interpréter un arbre des causes et proposer des actions correctives et préventives pertinentes
  - Réaliser une analyse cognitive d’une activité pour identifier les sources d’erreur et de surcharge mentale dans une tâche afin de proposer des recommandations pour améliorer la fiabilité humaine
  - Observer et analyser une activité physique de travail pour évaluer les contraintes posturales et articulaires afin de concevoir ou recommander des aménagements de poste réduisant la pénibilité.
  - Évaluer une interface selon des critères ergonomiques pour proposer des améliorations d’interfaces pour faciliter la compréhension, la décision et l’action.

https://www.inrs.fr

Aucun

Il s’agit pour les étudiants
-de comprendre et reformuler une demande pour en dégager les besoins réels et les enjeux associés.
-de savoir gérer un projet : planification, gestion des risques, communication
-d’être en capacité de confronter ses idées avec l'existant et se positionner par rapport à ce dernier en proposant des solutions innovantes.
-d’acquérir de l'autonomie dans la conduite d'un projet.
-d’aboutir à des réalisations concrètes dans les temps et délais impartis.
-d’appliquer et/ou approfondir les acquis scientifiques et techniques ;
-de développer l'autonomie dans l'apprentissage de nouvelles connaissances ;
-de justifier les choix et les résultats technologiques selon des critères qualitatifs et quantitatifs

Au premier semestre, le projet comporte une recherche et une synthèse bibliographique, l'analyse fonctionnelle du projet et l'établissement de son cahier des charges. Les étudiants doivent aussi mettre en place la planification technique de leur projet (découpage en tâches et sous-tâches, planning, politique de coconception collaborative).

L'objectif de ces projets d'étude, recherche et développement est de former à leur futur métier de cadre nos diplômés par une mise en situation dans laquelle ils sont amenés à concevoir et réaliser des services, des solutions ou des produits innovants à destination de clients ou d'organisations (entreprises et/ou laboratoires de recherche).

L'évaluation des projets portera sur les éléments suivants :
– la rigueur dans la démarche de gestion de projet ;
– la validité et la qualité des résultats obtenus, tant sur les démonstrateurs que les livrables ;
– le travail fourni pour y parvenir et le recul pris par les étudiants par rapport à ce dernier.

Selon les sujets de Projets : Bibliographie fourni par le client mais aussi étoffée et complétée par les étudiants.

• Connaissance du Grafcet et du langage Ladder.
• Expérience pratique sur maquette pédagogique (automate programmable industriel – API).
• Notions de base sur les entrées/sorties numériques et analogiques.
• Compréhension du fonctionnement général d’une cellule ou ligne automatisée.

1- Architecure d'un système automatisé
2- Conception d'un système de supervision d'un système automatisé
3- Modes de marche et gestion des états selon le modèle GEMMA
4- Automatisation d'une cellule robotisée

Cette unité vise à développer la capacité à :
1. Programmer et configurer des automatismes industriels à partir d’un cahier des charges fonctionnel.
2. Maîtriser la gestion des entrées/sorties et la logique de commande en langage Ladder.
3. Mettre en œuvre un programme d’automatisme sur cellule robotisée ou système de production automatisé.
4. Comprendre et appliquer les principes de mode de marche, arrêt, défaut, reprise, selon les règles du GEMMA.
5. Valider et diagnostiquer le fonctionnement d’une application automatisée

Les activités pédagogiques s’organisent autour :
- de cours magistraux pour l’acquisition des fondements scientifiques et des connaissances,
- de travaux dirigés et pratiques sur plateformes logicielles et matérielles académiques et industrielles pour la mise en oeuvre des savoir-faire techniques.

• Intégrer un automate dans l’architecture de contrôle et de sécurité d’une cellule robotisée
• Programmer un automate pour le pilotage d’une cellule robotisée en fonction de retours capteurs
• Configurer les entrées/sorties programmées et vérifier leur cohérence avec le câblage et les composants physiques.
• Connaitre le modèle GEMMA
• Implémenter les modes de marche, arrêt et défaillances d’une installation automatisée selon le modèle GEMMA.
• Diagnostiquer, tester, valider et documenter le fonctionnement d’un système automatisé industriel.

• Notions de Programmation structurée et orientée objet (Python ou C++) : 
• Variables, boucles, conditions, fonctions, classes, exceptions. 
• Notions de Bases de données : 
• Manipulation de données tabulaires (CSV, SQL simple, ou Pandas). 
• Notions de réseau : 
• Compréhension basique des communications client/serveur et protocoles type HTTP/TCP. 
• Maitrise d’outils bureautiques / data : 
• Manipulation de données sous Excel ou équivalent.

CM1 — Introduction : IHM et Industrie du Futur (2h)

• Rôle de l’IHM dans les systèmes cyber-physiques 
• Typologie : IHM opérateur, supervision, BI décisionnelle 
• Modèle “capteurs → edge → cloud → décision” 
• Distinction : temps réel vs analytique 
• Panorama des outils modernes : SCADA, Grafana, Power BI, Qt/QML, Web dashboards 

CM2 — Architectures et Protocoles IIoT (2h)

• Architecture Edge–Cloud 
• Protocoles industriels : MQTT, OPC UA, REST/WebSocket 
• Gestion des données temps réel et séries temporelles (InfluxDB, TimescaleDB) 
• Fiabilité, redondance, sécurité et synchronisation 
• Études de cas : robot connecté, maintenance prédictive, cellule flexible 

CM3 — Conception d’interfaces industrielles (2h)

• Principes UX appliqués à l’industrie (ergonomie cognitive, feedback, hiérarchie visuelle) 
• Conventions d’affichage dans les environnements industriels (ISA101, IEC 62682) 
• Gestion des alarmes, notifications, états systèmes 
• Sécurité, traçabilité et supervision multi-niveaux 

CM4 — Gouvernance et valorisation des données (2h)

• Du “data flow” au “data value” : pipeline complet 
• Structuration des modèles (KPI, indicateurs métiers, métadonnées) 
• Introduction à la Business Intelligence : Power BI, Qlik, Grafana 
• Exemples de tableaux de bord réels (maintenance, production, énergie) 

TD machine (5 × 2 h) 

TD1 — Découverte Power BI (2h)

• Importation de données (CSV, SQL, API) 
• Nettoyage et modélisation de données (Power Query) 

TD2 — Visualisations avancées par Power BI (2h)

• Construction de visualisations dynamiques 
• Création de KPIs et filtres interactifs 
• Publication et partage (Desktop / Service) 

TD3 — Chaîne de données IIoT (2h)

• Simulation de capteurs / machines (topics JSON) 
• Stockage dans InfluxDB ou PostgreSQL 
• Connexion Power BI sur les données simulées 

TD4 — Découverte de PyQt (2h)

• Structure d’une interface Qt : Widgets, Layouts, Signaux/Slots 
• Création d’une fenêtre opérateur simple (valeurs simulées, jauges, boutons) 

TD5 - Visualisations avancées par PyQT (2h)

• Connexion à une source externe (fichier, flux MQTT) 
• Introduction aux threads et timers pour rafraîchissement temps réel 

TP (3 × 4 h) 

TP1 — Mini-projet Power BI (4h)

• Cas d’étude : “Suivi de production et maintenance préventive” 
• Création d’un modèle de données consolidé 
• Visualisation d’indicateurs : OEE, MTBF, temps d’arrêt, qualité 
• Rapport analytique avec filtres dynamiques et export 

TP2 — Mini-projet PyQt temps réel (4h)

• Interface de supervision d’une cellule robotisée simulée (ou flux MQTT) 
• Affichage temps réel de variables (vitesse, température, état) 
• Gestion d’alarmes et logs 
• Commande de start/stop simulée 
• Journalisation locale (SQLite) 

TP3 — Intégration edge–cloud (4h)

• Couplage HMI PyQt ↔ flux MQTT ↔ Power BI 
• Data pipeline complet : production locale + visualisation analytique 
• Validation des performances (rafraîchissement, robustesse, cohérence) 
• Présentation orale / démonstration finale

Cette unité d’enseignement vise à doter les étudiants des connaissances théoriques et compétences pratiques nécessaires à la conception, la réalisation et l’intégration d’interfaces homme-machine (IHM) adaptées aux systèmes connectés de l’industrie du futur. 

L’accent est mis sur la dimension technique, architecturale et data-centric des interfaces : du poste opérateur local jusqu’aux tableaux de bord analytiques connectés au cloud. 
L’objectif est de permettre aux étudiants de concevoir des solutions d’IHM à la fois ergonomiques, robustes, communicantes et interopérables, intégrées dans des systèmes cyber-physiques (machines, robots, simulateurs, jumeaux numériques, plateformes IIoT, etc.). 

À la fin du module, l’étudiant devra être capable de : 

1. Analyser un besoin fonctionnel et le traduire en spécifications techniques d’IHM. 
2. Choisir et justifier une architecture logicielle adaptée à une problématique d’interaction ou de supervision industrielle. 
3. Concevoir et implémenter une IHM temps réel robuste avec PyQt/QML. 
4. Construire et exploiter un tableau de bord analytique avec Power BI. 
5. Connecter et synchroniser des sources de données (capteurs, simulateurs, API, bases). 
6. Garantir la fiabilité, la cohérence et la traçabilité des données affichées. 
7. Travailler en autonomie ou en groupe pour réaliser un projet complet d’IHM connectée. 
8. Présenter et argumenter une solution intégrant les aspects techniques, UX et décisionnels.

C1. Concevoir et structurer une interface homme-machine adaptée à un usage industriel, en respectant les principes d’ergonomie et de fiabilité. 

C2. Mettre en œuvre un tableau de bord analytique avec Power BI pour exploiter et valoriser des données de production ou de maintenance. 

C3. Développer une interface opérateur temps réel avec PyQt/QML, connectée à des flux de données (MQTT, ROS2, OPC UA). 

C4. Intégrer des solutions d’IHM dans une architecture edge-cloud complète, en assurant la cohérence, la sécurité et la traçabilité des informations. 

C5. Travailler en équipe pour concevoir, documenter et présenter une solution interactive combinant approche technique et compréhension métier.

• Benyon, D. (2019). Designing Interactive Systems — Pearson. 
• Norman, D. (2013). The Design of Everyday Things — MIT Press. 
• O’Donovan, P. et al. (2022). Industrial Internet of Things and Data Analytics — Springer. 
• Griffiths, M. (2023). Learning PyQt6 — Packt. 
• Microsoft Docs – Power BI for Manufacturing. 
• Inductive Automation. Ignition SCADA and MQTT Sparkplug Guide.

Culture générale en aéronautique

Systèmes de bord : 
   - Génération et distribution des énergies hydro, pneu, élec
   - Circuits et servitudes hydro, pneu, élec
Avionique :
   - Instruments de bord (pilotage, navigation, sécurités...)
   - Arinc et AFDX
Propulsion : 
   - Moteurs alternatifs (Poussée, constitution, calcul des points de fonctionnement)
   - Turboréacteur (Poussée, constitution, calcul des points de fonctionnement)

Former les étudiants à comprendre et analyser les principaux systèmes embarqués d'un aéronef moderne, qu'ils soient liés à la production et à la distribution d'énergie, aux fonctions avioniques ou à la propulsion.
Connaissances visées en Systèmes de bord : 
   - Identifier les différentes sources et formes d’énergie à bord d’un aéronef (hydraulique, pneumatique, électrique)
   - Comprendre les principes de génération, de conversion et de distribution de ces énergies
   - Connaître les architectures types des circuits et servitudes associées
Connaissances visées en Avionique :
   - Comprendre les principes de fonctionnement des instruments de bord de pilotage, de navigation et de sécurité
   - Identifier les principaux bus et normes de communication avioniques (notamment ARINC et AFDX)
Connaissances visées en Propulsion : 
   - Comprendre le principe de fonctionnement des moteurs alternatifs et des turboréacteurs
   - Identifier les sous-systèmes constitutifs (compresseur, chambre de combustion, turbine, etc.)
   - Connaître les notions de poussée, de rendement et de fonctionnement en régime stabilisé ou variable

Les activités pédagogiques s'articument autour :
   - de cours magistraux pour l'acquisition des connaissances théoriques fondamentales
   - de travaux dirigés durant lesquels les étudiants apprendront à lire et interpréter de la documentation technique (ATA par exemple), à effectuer différents calculs (altitude à partir de données barométriques, poussée en fonction de l'architecture du moteur...)
   - des travaux pratique d'application des concepts vus en CM et TD

Expliquer le fonctionnement des réseaux énergétiques embarqués.
Analyser et modéliser les fonctions principales d’un système de bord donné.
Décrire l’architecture d’un système avionique de base.
Utiliser les lois de mesure et de calcul pour déterminer les grandeurs de vol.
Comparer différentes technologies ou architectures de communication embarquées.
Modéliser le fonctionnement thermodynamique d’un moteur aéronautique.

Évaluer les performances et les contraintes associées à chaque type de propulsion.

Le manuel du pilote privé (Cépadues).

Il est souhaitable que les étudiants aient des compétences en base de données  relationnelles.

1. 1. Données métier et systèmes complexes

Typologie et cycle de vie des données industrielles (production, maintenance, qualité, logistique).

1. 2. Structuration sémantique et graphe de connaissances

Modélisation avancée avec graphes de connaissances (Protégé, Neo4j).

1. 3. Intégration et flux de données

Chaîne ETL complète : extraction, transformation, chargement (Talend, KNIME).

1. 4. Structuration décisionnelle

Modèle multidimensionnel : faits, dimensions, hiérarchies, création d’un data mart.

1. 5. Valorisation et visualisation

Principes de visualisation et storytelling industriel, outils BI (Power BI, Metabase, Grafana).

1. 6. Mise en œuvre complète à travers un mini-projet : 
2. Ontologie → ETL → entrepôt → visualisation.

Former les étudiants à la conception, l’intégration et la valorisation de données métier dans un contexte de systèmes complexes. L’UE s’inscrit dans une approche data-driven engineering où les données deviennent un levier d’analyse et de décision.

• Identifier et structurer les données issues de processus métier complexes.
• Modéliser les connaissances métier via des ontologies ou graphes sémantiques.
• Mettre en œuvre une chaîne ETL complète (Extraction, Transformation, Chargement).
• Construire un modèle décisionnel (entrepôt ou data mart).
• Valoriser les données par visualisation et analyse BI.

• Bellatreche, L. (2019). Entreposage et intégration de données : concepts, architectures et outils. Dunod.
• Ravat, F., & Teste, O. (2020). Systèmes d'information décisionnels : Concepts, outils et applications. Dunod.

• Culture générale scientifique et technologique.
  - Gestion de projet.
  - Aptitudes pour l'analyse et la modélisation.
  - Capacités d’analyse et de synthèse.
  - Capacité rédactionnelles.

Le plan du cours suit les étapes de l'analyse de la valeur.
- Analyse de la valeur, étapes 1 et 2 : orientation de l'étude, recherche d'information, outils d'aide à la rédaction d’un cahier des charges préliminaire incluant le concept d'économie circulaire).
- Management de l’innovation.
- Evaluation de la maturité technologique et méthodologie de montée en niveau de TRL.
- Analyse de la valeur, étape 3 : méthode APTE (hiérarchisation et la priorisation des fonctions de service), analyse des coûts.
- Analyse de la valeur, étapes 4 et 5 : présentation des problématiques de l'innovation (définition, limitations psychologiques, culturelles dans l'entreprise, freins sociaux-économiques ...) ; présentation des différents outils d'aide à la créativité ; approfondissement de la méthode TRIZ.
- Diagramme FAST.

Le module apporte les compétences nécessaires à la génération et à la gestion de projets innovants portant sur des systèmes complexes. Il présente les processus et des méthodes utilisées dans les projets de R&D en vue d’en garantir l’aboutissement conformément aux besoins des clients et aux objectifs de l’entreprise. Il insiste sur certains aspects de l’analyse de la valeur, et sur les méthodes permettant de favoriser l’innovation et de quantifier la maturité des briques technologiques associées au produit ou au service à créer.

Les cours magistraux présentent l'ensemble des outils (objectifs, contextes d'utilisation, description de l'outil, méthodes à travers des exemples). Ils incluent des questionnements réguliers des étudiants en séance.
Les TD et TP sont dédiés à la prise en main des outils puis à leur mise en oeuvre dans un mini-projet tutoré se concrétisant par la réalisation d'un dossier d'études.

TD et TP consacrés à un miniprojet tutoré.

A la fin de l’UE, l’étudiant doit :
- être capable de contribuer à chacune des étapes de l’analyse de la valeur sur un projet (maîtrise).
- être capable d’évaluer le niveau de maturité d’une technologie. (notions)
- être capable de proposer un plan d’action pour la montée en maturité d’une technologie. (maîtrise)
- être sensibilisé aux interactions socio-économiques (notions).
- être capable de contribuer à des groupes de créativité (maîtrise).

• Robert Tassinari, « Analyse fonctionnelle », AFNOR, 2012.
  - Robert Tassinari, « Analyse de la valeur - Performance et management par la valeur », AFNOR, 2011.
  - Technology Readiness Level, site de la NASA.
  - Claudine Gay, Bérangère Szostak, Laure Ambroise, Emmanuelle DUBOCAGE, Marie EYQUEM-RENAULT et al, "Management de l'innovation - 2e édition", Dunod, 2022.

Aucun

Les points suivants seront abordés au travers de la méthodologie utilisant SysML v2 :

- définition du projet : enjeux, besoin, modes d'utilisation, problématique, parties prenantes.

- analyse fonctionnelle: délimitation du périmètre du système, définition des fonctions du système, interfaces et exigences associées.

- définition de l'architecture du système : concepts, conception fonctionnelle, conception organique, décomposition du système en sous-systèmes élémentaires.​

- modélisation du système : techniques de modélisation sémantique, fonctionnelle, dynamique, temporelle, organique.​

- méthodes de validation et de vérification propres à SYSML et application de ces dernières.

L'ingénierie système est une démarche méthodologique générale multidisciplinaire qui englobe l'ensemble des activités visant à concevoir, faire évoluer et vérifier un système apportant une solution aux besoins du client tout en étant acceptable par tous. Ce cours aborde les bases de l'Ingénierie Système et vise à développer une «Approche Système».

L'enseignement se partage entre acquisition de méthodes et application de celles-ci sur un objet technologique complexe. Les élèves exploreront ainsi le cycle complet de la conception d'un produit, depuis l'expression de besoin jusqu'à sa vérification et mettront en œuvre quelques outils d'ingénierie système.

La mise en application des notions abordées en cours est déclinée au travers de plusieurs études de cas en travaux dirigés. Les travaux pratiques sont structurés sous la forme de mini-projets afin de prendre le temps de réaliser une étude complète en profondeur.

Decouvrir et comprendre l'ingenierie systeme – AFIS Association Francaise d'Ingenierie Systeme Sous la direction de Serge Fiorese et Jean-Pierre Meinadier – Depadues Editions, 2012

Connaissances de base en organisation industrielle, gestion de production et productique

1. Introduction et vision systémique
- Définition de la performance industrielle : productivité, efficacité, efficience
- Les dimensions de la performance : économique, opérationnelle, sociale, environnementale
- Approche système industriel : processus, flux, acteurs, ressources, contraintes
- Lien avec les démarches de management intégré (qualité, lean, RSE, maintenance…)
2. Méthodes et outils d’amélioration continue
- Lean Manufacturing : principes et outils (5S, VSM, Kaizen, SMED, Kanban, Juste-à-temps…)
- Théorie des contraintes : identification et levée des goulots d’étranglement
- Introduction à la Maintenance productive totale (TPM)

Permettre aux étudiants de comprendre, mesurer et améliorer la performance globale d’un système industriel, en intégrant les dimensions qualité, coûts, délais et flexibilité.
- Définir les notions clés de performance industrielle et ses différentes dimensions
- Situer la performance industrielle dans le cadre du management intégré (Qualité, Lean, Maintenance, RSE, etc.)
- Utiliser les outils Lean pour analyser et améliorer les processus (5S, VSM, SMED, Kanban, Kaizen…)
- Identifier les goulots d’étranglement d’un système et proposer des leviers d’action selon la Théorie des Contraintes
- Mettre en œuvre une démarche de qualité produit à partir de la capabilité machine

Les activités pédagogiques s’organisent autour :
- de cours magistraux pour l’acquisition des fondements théoriques et des connaissances,
- de travaux dirigés dédiés à l'étude de cas
- de travaux pratique consacrés à la mise en pratique des outils du Lean

Adopter une vision systémique et globale de la performance industrielle pour comprendre les indicateurs et identifier les leviers de performances globale
Mobiliser des méthodes d’analyse et de diagnostic de processus industriels en maitrisant des outils du lean et de la théorie des contraintes
Travailler en mode projet collaboratif pour améliorer un processus

Organisation et gestion de la production - Georges Javel - Ed Dunod
Gestion de production - Alain Courtois, Maurice Pillet, Chantal Martin-Bonnefous - Ed Eyrolles

Connaissances de base en organisation industrielle et gestion de production.

1. Introduction à la production industrielle
Typologie des systèmes de production : continu, discret, flexible
Fonctionnement d’une ligne de production : postes, flux, séquences, opérations critiques
Concepts de charge, capacité, goulot, cadence, Temps de cycle, polyvalence,...

2. Indicateurs de performance industrielle

3. Modélisation des systèmes industriels
Niveaux de modélisation : micro (poste/robot) et macro (ligne/unité)
Représentation des flux de matières, d’informations et de travail

4. Équilibrage de ligne et optimisation
Principes de l’équilibrage de ligne : répartition des tâches et des charges
Méthodes d’analyse et d’optimisation pour réduire les temps morts et goulots
Calculs d’indice de déséquilibre et ajustement des affectations de poste

5. Simulation de flux pour le dimensionnement
Principes de la simulation événementielle et continue
Création de modèles simplifiés pour analyser la capacité, les temps de cycle, l’impact des goulots et des contraintes de ressources, l’effet des aléas et variabilité sur les performances
Interprétation des résultats et aide à la décision

6. Études de cas / mini-projet
Modélisation d’une ligne de production existante ou fictive
Simulation des flux, analyse des indicateurs de performance et déséquilibres
Proposition d’améliorations et recommandations pour le dimensionnement et l’équilibrage

Cette unité d'enseignement vise à développer la capacité à  :
- Comprendre les principes généraux du dimensionnement des unités de production.
- Modéliser les systèmes industriels à différents niveaux : micro (poste/ligne) et macro (unité/fabrication).
- Analyser et interpréter les principaux indicateurs de performance industrielle
- Appliquer les bases de la simulation de flux pour le dimensionnement, l'optimisation et l’équilibrage de ligne.
- Développer une culture générale sur le fonctionnement des lignes industrielles et les interactions entre processus, équipements et ressources humaines.

Les activités pédagogiques s’organisent autour :
- de cours magistraux pour l’acquisition des fondements théoriques et des connaissances,
- de travaux dirigés et pratiques sur plateformes logicielles académiques et industrielles pour la mise en oeuvre des savoir-faire techniques.
- la réalisation d'un mini-projet de simulation et d'amélioration d'une ligne de production industrielle.

- Comprendre et analyser le fonctionnement d’une unité ou d’une ligne de production.
- Calculer et interpréter les indicateurs de performance (TRS, taux de qualité, disponibilité, taux de performance).
- Modéliser des systèmes industriels à différents niveaux de granularité (micro/macro).
- Appliquer les techniques de simulation de flux pour le dimensionnement et l’équilibrage des lignes.
- Développer une culture générale sur la performance et la rationalisation des systèmes industriels.

• Modélisation et simulation des flux logistiques, Tome 1 et 2, Jean-Michel Réveillac
  - Management industriele et logistiques : concevoir et piloter la supply chain, G. Baglin et al.
  - Techniques de productivité, C. Hohman

Notions de programmation objet et système

1.1 Mots clés 
Traitement d’images, géométrie dans l’espace, vision 3D, réalité augmentée 
1.2 Description de l'enseignement 
•Objectifs : 

Ce cours présente les différents procédés et algorithmes de perception et reconstruction 3D de l’environnement, afin de permettre la mise en œuvre de techniques de réalité augmentée. 

Contenu : 

•Bases de la géométrie analytique 
•Géométrie projective 
•Formation de l’image 
•Modélisation de caméra 
•Calibration de caméra 
•Modélisation de télémètre 
•Calibration de caméra 
•Reconstruction 3D 
•Concept de la table augmentée 
•Travaux pratiques en Maple et OpenCV.

1.Radu Horaud Vision par ordinateur (1995) Hermès 2. Computer Vision: Algorithms and Applications Richard Szeliski (2011) Springer 3.OpenCV 4 Computer Vision Application Programming Cookbook: Build complex David Millán Escrivá?, Robert Laganiere (2019) Packt Publishing Ltd, - 494 pages?.

• Bases en mathématiques appliquées (probabilités, statistiques, modèles de fiabilité).

1. Introduction générale à la maintenance

• Définitions et typologie (norme NF X60-000)
• Maintenance et systèmes complexes
• Coût global (LCC), disponibilité, sûreté de fonctionnement

2. Maintenance préventive

• Maintenance systématique : cycles, périodicité, limites
• Maintenance conditionnelle : capteurs, seuils, surveillance
• Modèles de fiabilité : MTBF, MTTR, λ(t), R(t)
• Lois de défaillance : exponentielle, Weibull, Poisson
• Optimisation des intervalles d’intervention

3. Diagnostic dans les systèmes complexes

• Analyse vibratoire : temporal, FFT, spectres
• Analyse thermique : imagerie infrarouge
• Analyse d’huile, ultrasons, courant moteur
• Méthodes avancées : PCA, ondelettes

4. Maintenance prédictive (Predictive Maintenance)

• Architecture PdM : IoT, edge computing, cloud, supervision
• Traitement de données industrielles (prétraitements)
• Diagnostic automatique (ML)
• Pronostic & estimation du RUL :
  • modèles physiques
  • modèles statistiques
  • machine learning (régressions, Random Forest)
  • deep learning (LSTM, auto-encodeurs)

5. Approche système & ingénierie

• Maintenance et systèmes cyber-physiques (CPS)
• Maintenance centrée sur la fiabilité (RCM)
• AMDEC / FMECA
• Jumeaux numériques (digital twins) pour la maintenance prédictive

6. Études de cas et mini-projets

• Robots mobiles et systèmes autonomes
• Chaînes de production
• Éoliennes, turbines, pompes
• Réseaux industriels (capteurs, équipements IoT)

À la fin du module, l’étudiant sera capable de :

✔ Compréhension et modélisation

• Distinguer maintenance corrective, préventive, conditionnelle et prédictive.
• Modéliser la fiabilité d’un système via MTBF, MTTR, courbes de défaillance, lois statistiques.
• Identifier les modes de défaillance d’un système complexe (AMDEC / FMEA).

✔ Analyse technique

• Interpréter des signaux de maintenance : vibrations, températures, courants.
• Utiliser les techniques de diagnostic (FFT, ondelettes, PCA, analyse d’huile, thermographie).
• Construire un modèle de pronostic (RUL) à partir de données réelles.

✔ Développement numérique

• Mettre en œuvre une chaîne de maintenance prédictive avec Python : acquisition, prétraitement, diagnostic, pronostic.
• Utiliser des bibliothèques spécialisées (NumPy, pandas, SciPy, scikit-learn, PyTorch/TensorFlow selon niveaux).

✔ Décision & stratégie

• Établir un plan de maintenance préventive optimisé.
• Comparer stratégies préventives et prédictives selon les coûts, risques et contraintes opérationnelles.
• Intégrer les résultats dans une démarche RCM (Reliability-Centered Maintenance).

Organisation générale de l’UE et modalités pédagogiques

Volume horaire total : 30 h

Type

Volume

Finalité

Cours Magistraux (CM)

8 h

Apports théoriques, modèles, fondements

Travaux Dirigés (TD)

10 h

Exercices d’application, interprétation de données, étude de cas

Travaux Pratiques (TP)

12 h

Implémentations Python, diagnostic/pronostic, mini-projets PdM

• Expliquer les principes de la maintenance (corrective, préventive, prédictive) et les notions de fiabilité (MTBF, MTTR, R(t)).
• Analyser les signaux issus de capteurs (vibrations, thermographie, courant) pour identifier des défauts.
• Appliquer des techniques de diagnostic (FFT, ondelettes, PCA, analyse d’huile).
• Construire des modèles de pronostic (RUL) à l’aide de méthodes statistiques, ML ou deep learning.
• Évaluer des stratégies de maintenance selon les coûts, risques et performances.
• Concevoir une chaîne complète de maintenance prédictive (acquisition → traitement → diagnostic → pronostic → décision).
• Mettre en œuvre une démarche RCM/AMDEC pour analyser les modes de défaillance d’un système complexe.

1. Jardine, A.K.S., et Tsang, A.H.C. (2013). Maintenance, Replacement and Reliability: Theory and Applications (2ᵉ éd.). CRC Press. 
2. Mobley, R. K. (2013). An Introduction to Predictive Maintenance (2ᵉ éd.). Elsevier. 
3. Ben-Daya, M., Duffuaa, S.O., & Raouf, A. (éds.). (2009). Handbook of Maintenance Management and Engineering. Springer. 
4. Moubray, J. (1997). Reliability-Centered Maintenance. Industrial Press.
5. Peng, Y., Dong, M., & Zuo, M.J. (2010). Current status of machine prognostics in condition-based maintenance: a review. International Journal of Advanced Manufacturing Technology, 50(1), 297–313. 
6. Wang, W., Scarf, P.A., et Smith, M.A.J. (2000). On the application of a model of condition-based maintenance. Journal of the Operational Research Society, 51(11), 1218-1227. 
7.  Monchy et Kojchen (2025). Maintenance : outils, méthodes et organisations efficientes — Dunod

• Bases en mécanique du solide : paramétrage et cinématique.
• Maîtrise des notions de repères, vecteurs et transformations dans l’espace 3D.
• Notions en mathématiques appliquées : trigonométrie, géométrie analytique, algèbre matricielle.

1. Introduction à la modélisation des manipulateurs.
2. Repères et transformations spatiales.
3. Cinématique directe et inverse.
4. Étude de cas.

Cette unité vise à permettre de :
1. Modéliser la géométrie et la structure d’un bras manipulateur en utilisant des outils de transformation spatiale.
2. Établir les équations de cinématique directe et inverse pour différents types d’architectures robotiques.
3. Analyser les singularités, les limitations cinématiques et la dextérité d’un robot.
4. Mettre en œuvre ces modèles dans un environnement de simulation numérique.
5. Valider expérimentalement les modèles sur des maquettes ou simulateurs de robots industriels.

Les activités pédagogiques s’organisent autour :
- de cours magistraux pour l’acquisition des fondements théoriques et des connaissances,
- de travaux dirigés et pratiques sur plateformes logicielles académiques et industrielles pour la mise en oeuvre des savoir-faire techniques.

• Utiliser les transformations homogènes pour décrire la position et l’orientation des solides dans l’espace.
• Etablir les modèles géométriques direct et inverse d’un bras manipulateur. 
• Etablir les modèles cinématiques direct et inverse d’un bras manipulateur 
• Construire et interpréter la matrice Jacobienne, identifier les zones de singularité et évaluer la dextérité du robot.
• Simuler les modèles géométrique et cinématique.
• Articuler les modèles théoriques avec les contraintes pratiques d’un système robotisé réel.

• W. Khalil, «Modélisation, identification et commande des robots », Ed. Hermès – Lavoisier, 1999.
• J. J. Craig, « Introduction to robotics: mechanics and control», Prentice Hall, 2004. Siciliano Bruno, Khatib Oussama, « Handbook of robotics », Springer, 2008.

- notions générales sur le fonctionnement des réseaux informatiques (modèle OSI, ...) :

- connaissance des technologies web et langages utilisés (HTML, CSS, Javascript) ;

- maîtriser les concepts de base de données relationnelles (dispensé au semestre précédent

Les chapitres de cours dispensés sont les suivants :

1/ Rappels sur les réseaux informatiques :​

- définitions, généralités, modèle OSI, TCP/IP​

2/ Couches applicatives des réseaux :​

- architecture client-serveur ;​

- exemples d'applications usuelles ;

- programmation d'applications réseau.

3/ Architectures courante pour le web :​

- architecture REST : une façon d'organiser ses services web ;​

- architecture 3-tiers et compléments d'administration sur les bases de données.​

4/ Notions de cybersécurité.

Les séances pratiques en salle machine exploiterons l'écosystème NodeJS.

Ce module vise à donner aux étudiants les compétences afin de programmer, de mettre en production et d'exploiter des services métiers déployés au travers d'un réseau.

Ce module est équilibré entre théorie et pratique. 50% du temps est passé en

salle machine. Une partie des travaux dirigés seront dispensés sous la forme de

tutoriels pour se familiariser avec les technologies employées.

Les travaux pratiques feront l'objet d'une évaluation.

- Les web services – Jonathan Fontanel, Philippe Lacomme, Libo Ren – Ellipses, Collection Technosup, 2013

- Apprendre à créer des applications web avec JavaScript – Node.js, MongoDB et le cloud à portée de main – Romain Willmann – Ellipses, Collection Références Science, 2017

• C1 — Maîtriser les fondamentaux du pipeline 3D temps réel (niveau découverte). 
• C2 — Modéliser en low‑poly, importer et préparer des assets, terrain minimal et audio de base. 
• C3 — Mettre en œuvre des interactions et des contraintes physiques simples. 
• C4 — Réaliser un premier profilage et appliquer des corrections standard. 
• C5 — Structurer un projet de simulateur 3d et présenter une démonstration.

• CM1 — Fondamentaux du pipeline 3D 
• Graphe de scène ; caméras et frustum ; PBR « essentiel » ; éclairage et post‑process. 
• Points de vigilance : unités, tangentes/bitangentes, mipmaps. 
• CM2 — Interactions et physique de base 
• Character controller ; rigid bodies, colliders et triggers ; principes d’input mapping. 
• UI 3D minimale (guidage, retours). 
• CM3 — Terrains et audio 
• Terrains : heightmap/splatmap minimal, foliage instancié ; collisions et navmesh sur pentes. 
• Audio : ambiance et SFX localisés ; bases de spatialisation. 
• CM4 — Performance et packaging 
• Frametime, draw calls, culling, LOD ; introduction au frame debugger. 
• Packaging desktop ; structuration du dépôt ; checklist qualité. 
• TD machine (5 × 2h) 
• TD1 : Blender I — blockout low‑poly : échelles/units, topologie propre, modifiers (mirror/array), origins/pivots ; export FBX/glTF. 
• TD2 : Blender II — UV & baking : unwrap, texel density, baking (normal/AO), préparation PBR (albédo/roughness/metallic). 
• TD3 : Import pipeline & PBR + terrain minimal (splatmap), collisions, LOD. 
• TD4 : Interactions (raycasts, grab) + UI 3D. 
• TD5 : Physique (RB/joints) + audio (events localisés) + profiling (LOD/culling). 
• TP (3 × 4h) — Vertical slice 
• TP1 : Démarrage du projet ; scène de base (assets, terrain, navigation) → Jalon 1. 
• TP2 : Interactions + audio + scénario court → Jalon 2. 
• TP3 : Optimisation légère + packaging + soutenance brève → Démo finale.

1. Décrire les éléments essentiels du pipeline 3D temps réel (scène, caméras, PBR, éclairage, post‑process). 
2. Assembler une scène navigable et importer des assets conformes (échelles, collisions, LOD) selon les bonnes pratiques. 
3. Mettre en œuvre des interactions élémentaires (navigation, sélection, manipulation). 
4. Intégrer un terrain minimal (heightmap/splatmap) et une ambiance sonore localisée adaptée au contexte. 
5. Structurer un projet clair et reproductible (templates, prefabs, README). 
6. Mesurer la performance (frametime, draw calls) et appliquer trois corrections types (culling, LOD, batching). 
7. Livrer un démonstrateur court stable et documenté.

• Environnement recommandé 
• Unity 6 LTS 
• Blender 4.x

• C1 — Maîtriser les fondamentaux du pipeline 3D temps réel (niveau découverte). 
• C2 — Modéliser en low‑poly, importer et préparer des assets, terrain minimal et audio de base. 
• C3 — Mettre en œuvre des interactions et des contraintes physiques simples. 
• C4 — Réaliser un premier profilage et appliquer des corrections standard. 
• C5 — Structurer un projet de simulateur 3d et présenter une démonstration.

Connaissances en modélisation et commande de systèmes volants et de robots.

Programme :
-Description eulérienne et lagrangienne d’un engin volant
-Transformations de repères
-Modélisation dynamique d’engins volants
-Stabilisation d’engins volants
-Étude de stabilité et stabilisation
-Commande par retour d’état et de sortie
-Poursuite de trajectoire et pilote automatique.

Ce module  a pour but de donner aux étudiants des éléments de modélisation et commande des aéronefs et des robots industriels.

Les activités pédagogiques s’organisent autour :
- de cours magistraux pour l’acquisition des fondements théoriques et des connaissances,
- de travaux dirigés et pratiques sur plateformes logicielles pour la mise en oeuvre des savoir-faire techniques.
- la réalisation d'un mini-projet de modélisation et commande d'un avion.

Compétences à acquérir

À l’issue de ce module, l’étudiant sera en mesure de :

Modéliser la dynamique d’un engin volant ou d'un robot à partir des descriptions eulérienne et lagrangienne, en intégrant les équations du mouvement et les forces aérodynamiques associées.

Mettre en œuvre les transformations de repères nécessaires à la représentation du mouvement dans différents référentiels (corps, terrestre, inertiel).

Élaborer un modèle dynamique complet d’aéronef ou de robot, en identifiant les paramètres influençant la stabilité et la manœuvrabilité.

Analyser la stabilité statique et dynamique d’un engin volant ou d'un robot et déterminer les conditions de stabilité en fonction des paramètres du système.

Concevoir et implémenter des lois de commande pour la stabilisation d’aéronefs ou de véhicules spatiaux, en utilisant des approches de commande par retour d’état ou de sortie.

Développer des algorithmes de poursuite de trajectoire et comprendre les principes de fonctionnement d’un pilote automatique.

Évaluer la performance et la robustesse des systèmes de commande à l’aide d’outils de simulation et d’analyse dynamique.

Dynamics of multibody systems ». A.A. Shabana. Cambridge eds. Essentials of robust control. Kemin Zhou, John C. Doyle. Pearson Education. 1997 Design of embedded robust control systems using matlab/Simulink. Petko H. Petkov, Tsonyo N. Slavov. IET. 2018.

Recherche bibliograhique semestre1

Après la partie recherche bibliographique du premier semestre, le projet bascule bascule dans une phase de réalisation où les étudiants mettent en pratique leurs connaissances pour concevoir et réaliser un produit fini.
Cette deuxième phase se termine aussi par la rédaction d'un rapport de synthèse et d'une soutenance orale. Le client réceptionne de son côté les livrables exigés du groupe projet.

L'objectif de ces projets d'étude, recherche et développement est de former à leur futur métier de cadre nos diplômés par une mise en situation dans laquelle ils sont amenés à concevoir et réaliser des services, des solutions ou des produits innovants à destination de clients ou d'organisations (entreprises et/ou laboratoires de recherche).

Niveau B1/B2 du CECRL (être capable de s’exprimer à l’oral et à l’écrit dans tous types de situation), comprendre tous types de documents sur une thématique donnée.

Anglais :
Deux thématiques par semestre : travail sur les 5 activités langagières et rappel de grammaire faits en contexte.
Semestre 1 : --> Virtual reality / Augmented reality
Aeronautics

FLE:
Ce cours a pour objectif de consolider et développer les compétences linguistiques en langue française afin de faciliter l’intégration dans la vie du campus, de maîtriser le français comme langue d’enseignement supérieur et d’acquérir des connaissances culturelles françaises contemporaine. Il favorise l’autonomie et la responsabilité dans le processus d’apprentissage pour que chacun développe les moyens de continuer cet apprentissage.

40 heures de TD. 15 TD de deux heures chaque semaine. Cours portant sur le travail des 5 compétences langagières. Présentation orale de chaque étudiant/ discussion ouverte sur les différentes thématiques / compréhension de texte et d’audio/vidéo / rédaction d’essais. Devoirs donnés chaque semaine.

5 TD de deux heures en laboratoire de langue (24 postes maxi) : entrainement à la compréhension orale en autonomie / expression écrite.

Pas d’examen final. Le contrôle continu compte pour 100% de la note. Evaluations du contrôle continu portant sur les 5 compétences. Seulement deux absences non justifiées autorisées. En cas d’absences régulières non justifiées, l’étudiant passe automatiquement en session de deuxième chance.

Pour la partie Anglais : La grammaire anglaise de l'étudiant, Serge Berland-Delépine, Jean-Louis Duchet, Ophrys. Nombreux sites en ligne (news, exercices), liste évolutive fournie aux étudiants) chaque début de semestre. Deux brochures de documents supports et grammaire faites par l’enseignant, données à la première séance, à apporter à chaque cours.

statistiques et probabilités niveau L3

1. Introduction à l’aide à la décision Nature des décisions : certitude, risque, incertitude  Rôle des modèles : simplifier, prédire, guider  Cadres d’application : ingénierie, santé, gestion, industrie  2. Échantillonnage et estimation Plans d’échantillonnage  Estimateurs ponctuels et par intervalle  Propriétés : biais, variance, cohérence  Erreurs d’échantillonnage et qualité des données   3. Décision statistique classique Hypothèses, risques, perte  Risque de première espèce et de seconde espèce  Fonctions de perte et optimalité (risque moyen, minimax, Bayes)   Règles de décision statistiques   Comparaison de procédures de décision   4. Fonctions d’utilité et préférences Construction et interprétation des fonctions d’utilité  Aversion au risque  Décision optimale selon l’espérance d’utilité  Exemples appliqués (médecine, industrie, gestion de projet)  5. Tests statistiques Tests paramétriques :  Test Z, test t de Student, tests sur proportions  Tests d’égalité de deux moyennes, deux variances  Tests non paramétriques :  Wilcoxon, Mann-Whitney, test du signe, Kolmogorov-Smirnov  Choix du test, puissance, taille d’échantillon  Interprétation statistique rigoureuse  6. Applications et mises en situation Scénarios décisionnels en santé et industrie  Analyse critique de procédures décisionnelles  Mise en pratique sur jeux de données réels

fournir aux étudiants les fondamentaux conceptuels et méthodologiques permettant de construire, analyser et comparer des décisions en contexte d’incertitude, à partir d'outils statistiques classiques.

Cours magistral (CM) : présentation des concepts, modèles et méthodes fondamentales.  Travaux dirigés (TD) : exercices d’application, mise en œuvre des procédures d’estimation, de test et de décision.  Travaux pratiques (TP) : utilisation d’outils informatiques (R, Python ou équivalent) pour appliquer les notions sur jeux de données réels.Études de cas : analyse complète de situations décisionnelles, incluant la modélisation, l’interprétation et la formulation de recommandations.

Analyser une situation décisionnelle réelle en identifiant les variables pertinentes, les incertitudes et les contraintes.   Choisir la méthode statistique appropriée à partir d’une problématique, d’hypothèses et d’un niveau d’exigence scientifique.  Interpréter rigoureusement les résultats et formuler une recommandation argumentée.   Développer une démarche critique sur les limites des modèles et les conditions de validité des tests.

• Culture générale scientifique et technologique.
  - Gestion de projet.
  - Aptitudes pour l'analyse et la modélisation.
  - Capacités d’analyse et de synthèse.
  - Capacités rédactionnelles.

Le cours présente l'ensemble de la méthodologie applicable à la gestion des risques d'entreprise en se focalisant sur les risques projets et les risques industriels : 
- enjeux et normes de l’évaluation des risques,
- méthodes et outils d’évaluation des risques, 
- Analyse Préliminaire des Risques système et AMDEC,
- élaboration d'indicacteurs de suivi, gestion des REX,
- initiation à la gestion de crise.

Le module aborde les compétences nécessaires pour appréhender la problématique de l’évaluation et de la maîtrise des risques dans sa globalité. Il apporte la maîtrise des principaux outils de détection, d’analyse et de quantification des risques ainsi que les méthodes de réduction de ces risques.

Les cours magistraux présentent l'ensemble des outils (objectifs, contextes d'utilisation, description de l'outil, méthodes à travers des exemples). Ils incluent des questionnements réguliers des étudiants en séance.
Les TD et TP sont dédiés à la prise en main des outils puis à leur mise en oeuvre dans un mini-projet tutoré se concrétisant par la réalisation d'un dossier d'études.

TD et TP consacrés à un miniprojet tutoré.

A la fin de l’UE, l’étudiant doit être capable de :
- savoir détecter les faiblesses d’un système ou d’une organisation et de décider de leur traitement optimal (maîtrise),
- maîtriser des outils d’analyse et d’évaluation des risques (maîtrise).

• Sébastien Delmotte, Michel Dadoun, Nadia Aguini, Alain Desroches, "Analyse globale des risques : principes et pratiques", Lavoisier, 2016.
  -  Sophie Gaultier-Gaillard, Jean-Paul Louisot, "Diagnostic des risques - Identifier, analyser et cartographier les vulnérabilités", AFNOR, 2014.
  - Caroline AUBRY, Nicolas DUFOUR, "Risk Management, Organisation et positionnement de la Fonction Risk Manager - Méthodes de gestion des risques", GERESO, 2022.

• UE : Introduction à la robotique industrielle (L3).
• Notions d’automatismes industriels.
• Bases de programmation algorithmique.
• Compréhension du fonctionnement général d’une cellule automatisée.

1. Principes fondamentaux de la robotique industrielle
2. Programmation des robots
3. Intégration dans un environnement automatisé
4. Environnement péri-robotique

Cette unité vise à développer la capacité à :
1. Identifier et caractériser les principaux composants d’un robot industriel.
2. Analyser les critères de choix et les caractéristiques d’un robot selon l’application.
3. Programmer et mettre en œuvre un robot industriel.
4. Comprendre les interactions entre le robot, son environnement industriel et les automatismes.

Les activités pédagogiques s’organisent autour :
- de cours magistraux pour l’acquisition des fondements théoriques et des connaissances,
- de travaux dirigés et pratiques sur plateformes logicielles académiques et industrielles pour la mise en oeuvre des savoir-faire techniques.

"Charles Bop, « traité de la robotique – Volume 1. Les architecture : conception, modélisation, équations, optimisation », Edition Ellipse. 2010. Siciliano Bruno, Khatib Oussama, « Handbook of robotics », Springer, 2008.".

Connaissances en dimensionnement de structures d'avion et aérodynamique des avions et des lanceurs.

Ce module  a pour but de donner aux étudiants des éléments concernant le principe de vols des avions pour étendre l'étude au dimensionnement des éléments d'un avion ainsi que des connaissances de base dans l'aérodynamique des avions et des lanceurs

Les activités pédagogiques s’organisent autour :
- de cours magistraux pour l’acquisition des fondements théoriques et des connaissances,
- de travaux dirigés et pratiques sur plateformes logicielles pour la mise en oeuvre des savoir-faire techniques.
- la réalisation d'un mini-projet de dimensionnement d'un avion léger à hélices.

Compétences à acquérir

À l’issue de ce module, l’étudiant sera capable de :

Comprendre et appliquer les principes fondamentaux de l’aérodynamique, notamment l’équation de Bernoulli, les régimes d’écoulement (laminaire et turbulent) et le calcul des coefficients et forces aérodynamiques.

Analyser le fonctionnement des hélices et leur influence sur les performances aérodynamiques d’un aéronef.

Identifier et décrire la structure d’un avion, ses principaux éléments et les charges qui leur sont appliquées en conditions de vol.

Concevoir les principaux éléments d’un avion léger dans le cadre d’un projet de synthèse intégrant contraintes aérodynamiques, mécaniques et structurelles.

Maîtriser les notions essentielles de propulsion et comprendre leur intégration dans la conception d’un aéronef.

Appréhender les spécificités de l’aérodynamique des lanceurs spatiaux, en lien avec les régimes transsonique et hypersonique et les contraintes de stabilité et de performance.

" Notions d’aérodynamique " Eds de l’école Polytechnique. “Aircraft Design: A Conceptual Approach” D.P. RAYMER. Eds AIAA.

• Bases de modélisation mathématique
• Mathématiques appliquées (algèbre linéaire, optimisation)
• Algorithmique et programmation

Connaissance de Python

1. Introduction à la Recherche Opérationnelle

• Cycle de décision
• Typologie des problèmes (déterministes, combinatoires)
• RO et systèmes complexes

2. Programmation linéaire

• Modélisation (variables, contraintes, objectif)
• Méthode du simplexe
• Dualité et interprétation économique

3. Programmation en nombres entiers

• Modèles PLNE
• Méthodes exactes : Branch and Bound
• Applications logistiques, affectations, production

4. Programmation dynamique

• Principe de Bellman
• Planification multi-étapes
• Exemples : chemin optimal, sac à dos, allocation séquentielle

5. Graphes et réseaux

• Plus courts chemins (Dijkstra, Bellman-Ford)
• Flots maximum (Ford–Fulkerson, Edmonds–Karp)
• Problème d’affectation
• Applications aux systèmes numériques et immersifs

6. Théorie des jeux

• Jeux statiques et dynamiques
• Jeux à information parfaite / imparfaite
• Équilibres de Nash
• Applications : agents intelligents, stratégies compétitives

7. Métaheuristiques (Introduction)

• Recuit simulé
• Algorithmes génétiques
• Colonies de fourmis
• Intérêt face aux problèmes NP-difficiles

8. Études de cas et mini-projets

• Optimisation de réseaux logistiques
• Planification sous contrainte
• Allocation de ressources dans les systèmes complexes
• Simulation numérique (Python + bibliothèques)

À l’issue du module, les étudiants seront capables de :

• Comprendre les fondements de la Recherche Opérationnelle (RO).
• Identifier, structurer et formaliser un problème d’optimisation.
• Mettre en œuvre :
  • la programmation linéaire,
  • la programmation en nombres entiers,
  • la programmation dynamique.
• Résoudre des problèmes de graphes et réseaux : plus courts chemins, flots, affectations.
• Appliquer des concepts de théorie des jeux à la décision stratégique.
• Manipuler des outils numériques : Python, OR-Tools, NetworkX.
• Interpréter des résultats, analyser leur robustesse et produire des recommandations opérationnelles.
• Mobiliser ces méthodes dans les systèmes complexes, numériques et immersifs.

Cours magistraux (8h)

• Principes fondamentaux de la RO
• Classification des problèmes d’optimisation
• Théorie des graphes
• Théorie des jeux

Travaux dirigés (10h)

• Modélisation mathématique
• Résolution manuelle d’exemples
• Analyse de problèmes classiques

Travaux pratiques (12h)

• Initiation et utilisation de OR-Tools, NetworkX et Python
• Résolution de cas concrets
• Mini-projets en groupe (logistique, réseaux, allocation de ressources…)

• Mini-projets en TP (groupes de 2–4).
• Utilisation intensive de Python pour la modélisation et la résolution.
• Exercices pratiques alignés avec des cas réels d’ingénierie des systèmes complexes.

Les étudiants seront capables de :

• Modéliser un problème de décision complexe
• Choisir une méthode d’optimisation appropriée
• Mettre en œuvre des modèles linéaires, entiers et dynamiques
• Résoudre des problèmes de graphes et de réseaux
• Utiliser OR-Tools, NetworkX, NumPy pour des applications réelles
• Appliquer les concepts de théorie des jeux
• Interpréter les résultats, mener une analyse critique et formuler des recommandations

1. Hillier, F. S., et Lieberman, G. J. (2015). Introduction to Operations Research (10ᵉ éd.). McGraw-Hill Education.. 
2. Faure, R., Lemaire, B., et  Picouleau, C. (2014). Précis de recherche opérationnelle : méthodes et exercices d’application. Dunod. 
3. Nemhauser, G. L., et Wolsey, L. A. (1999). Integer and Combinatorial Optimization. Wiley. 
4. Gondran, M., et Minoux, M. (1993). Graphes et algorithmes. Eyrolles / Technique & Documentation (plusieurs rééditions). 
5. Osborne, M. J., et Rubinstein, A. (1994). A Course in Game Theory. MIT Press. 
6. Talbi, E.-G. (2009). Metaheuristics: From Design to Implementation. Wiley. 
7. Korte, B., et  Vygen, J. (2012). Combinatorial Optimization: Theory and Algorithms (4ᵉ éd.). Springer.