Résultats de recherche

Nos conférenciers principaux pour 2026 sont la professeure Roosmarijn Vandenbroucke (Université de Gand) et la professeure Nelly Litvak (Université technologique d'Eindhoven). Plus d'infos sur le site "Women in science"

Flamure Ibrahimi est doctorante en gestion des services et du marketing au Centre de recherche NaDI-CeRCLe de l'Université de Namur (Belgique) à la Faculté EMCP, sous la supervision du Prof. Dr Wafa Hammedi (Université de Namur) et du Prof. Dr Linda Alkire (Texas State University). Elle vient de recevoir la prestigieuse bourse ServCollab Scholarship 2026, une distinction internationale qui récompense et soutient les doctorants dont les travaux s’inscrivent dans le champ de la Transformative Service Research (TSR), des projets doctoraux à haut impact pour la société et l’humanité.

Infos complémentaires Milan Van Steenvoort - milan.vansteenvoort@unamur.beNathan J'Espère - nathan.jespere@unamur.beGuilhem Cassan - guilhem.cassan@unamur.be Accéder au programme et à la liste des intervenants

Venez découvrir les différentes opportunités de mobilité « cours » offertes par la Faculté Economie Management Communication sciencesPo (EMCP). 

Dans le cadre du cours interdisciplinaire « IA : enjeux et opportunités », les étudiantes et étudiants de l’UNamur ont présenté une série de posters consacrés aux usages de l’intelligence artificielle dans leurs domaines d’étude. Ce temps fort a mis en lumière la diversité des applications de l’IA, mais aussi la volonté de l’Université de Namur de former des étudiants capables d’en faire un usage critique, juste et raisonné.

L’informatique occupe une place considérable dans notre quotidien. Vivre sans ordinateur ou téléphone portable nous parait inimaginable. Mais l’informatique est au service de nombreux autres domaines tels que la médecine, la gestion, l’environnement, l’agriculture, l’espace, la biologie… et son implication dans des secteurs nouveaux augmente sans cesse. Préparez-vous à façonner l’avenir de notre société dans une discipline jeune, dynamique et en pleine expansion  

Le Blended Intensive Programme (BIP) ou programme intensif hybride est une nouveauté pédagogique dans le cadre du programme Erasmus+. Il s’agit d’une mobilité courte et hybride définie comme « une présence physique de courte durée à l’étranger comprise entre 5 jours min et 30 jours max, complétés par un volume quelconque d'apprentissage virtuel avant ou après la mobilité physique ». 

Le F.R.S.-FNRS a publié ce 23 juin 2026, la liste des lauréats aux différents mandats doctorants et postdoctorants et projets Télévie (recherche axée sur le cancer). Parmi ceux-ci, de nombreux chercheurs de l'UNamur ont obtenu un financement.

Les programmes à horaire décalé en économie et gestion vous permettent de suivre les cours en soirée ainsi que le samedi.  Ils ciblent les personnes déjà insérées dans la vie active souhaitant reprendre des études pour obtenir un diplôme universitaire et donner ainsi de nouvelles perspectives à leur carrière professionnelle.  En outre, un master de spécialisation centré sur le management et l’économie durable offre la possibilité de se former à ces questions cruciales dans notre société en transition. 

Rejoignez une communauté d’innovateurs, explorez les technologies de pointe et préparez-vous à façonner le monde numérique de demain ! Prêt à coder votre succès ? Bienvenue à la Faculté d’informatique de l’UNamur, pionnière de l’enseignement universitaire de l’informatique en Europe. 

Inflation, intelligence artificielle, tarifs GSM, taxes environnementales, pauvreté, inégalités, ajustement budgétaire, économie des pays émergents…Ces thématiques font partie des informations quotidiennement transmises par les médias. Vous avez une idée de leur signification, mais vous aimeriez en savoir plus. Vous voulez comprendre cette dimension fondamentale du fonctionnement de nos entreprises et de notre société, et plus encore agir, conseiller, voire décider pour contribuer à la construction d’une société plus prospère. 

Abstract La maintenance prédictive (PdM) est de plus en plus utilisée pour améliorer la fiabilité des systèmes, réduire les temps d’arrêt et optimiser les coûts opérationnels dans des environnements industriels complexes grâce à la détection d’anomalies. À mesure que les systèmes industriels deviennent plus complexes, avec des composants inter- agissant entre eux et surveillés par des réseaux de capteurs en constante expansion, la détection d’anomalies fait face à de nouveaux défis méthodologiques. En particulier, un manque apparaît dans la littérature qui considère la détection d’anomalies avec des méthodes traditionnelles de Machine Learning (ML) utilisant une approche Single Label Classification (SLC), inadaptée lorsque plusieurs défaillances peuvent survenir simultanément.Les approches traditionnelles de détection d’anomalies basées sur des méthodes de ML utilisant une formulation SLC supposent que chaque observation appartient à une seule catégorie d’anomalie. Cette hypothèse ne tient pas lorsque plusieurs défaillances surviennent simultanément sur le même équipement, ce qui entraîne une perte d’information. Ceci commence par une illustration de cette limite à travers un exemple concret montrant que l’utilisation d’une approche SLC au lieu d’une formulation multi-label dégrade la classification des anomalies simultanées. Pour répondre à ce problème, la détection d’anomalies est reformulée comme un problème de Multi Label Classification (MLC), permettant de détecter plusieurs défaillances au sein d’un même pas de temps. Suite à cette reformulation, la problématique du choix des classificateurs multi- label adaptés au contexte de la Predictive Maintenance (PdM) doit être étudiée. La conclusion générale de la littérature est que la performance des classificateurs dépend fortement du contexte et qu’il existe un grand nombre de méthodes de détection sans qu’aucune ne soit universellement dominante. Bien que des études comparatives approfondies existent dans le domaine du MLC, les jeux de données issus de systèmes complexes sont absents de ces comparaisons, alors même qu’ils présentent des caractéristiques spécifiques telles que des structures en séries temporelles multivariées, un fort déséquilibre des labels et des interactions complexes entre composants.Pour combler ce manque, un protocole d’évaluation structuré et reproductible est proposé afin d’évaluer huit méthodes de ML à l’état de l’art dans un cadre MLC sur trois jeux de données industriels publics. Les résultats confirment que la performance des classificateurs dépend fortement des caractéristiques du jeu de données et qu’aucune méthode ne domine systématiquement tous les scénarios. Toutefois, réaliser ce type de comparaison pour chaque nouveau contexte industriel est coûteux en termes de temps, de ressources computationnelles et de besoins en données, ce qui limite sa faisabilité pour un déploiement industriel réel. La thèse aborde également cette problématique par la réduction de dimension et les méthodes de sélection de variables. Les systèmes de PdM génèrent de grands ensembles de données multivariées dont seule une partie des variables est réellement pertinente pour la détection d’anomalies. Une stratégie évolutionnaire auto-adaptative est proposée pour effectuer une sélection de variables de type wrapper et obtenir un sous-ensemble ne contenant que les variables les plus informatives. Les résultats expérimentaux montrent que la réduction de l’espace des variables améliore l’efficacité computationnelle et, dans la plupart des cas, la performance de prédiction des anomalies. La comparaison de la méthode proposée avec des approches métaheuristiques issues de l’état de l’art sur trois jeux de données PdM et cinq méthodes de détection d’anomalies confirme sa compétitivité en termes de performance prédictive et de taille optimale du sous-ensemble de caractéristiques sélectionné. Enfin, la réduction de l’espace des caractéristiques optimise non seulement les ressources nécessaires à la détection, mais réduit également le nombre de signaux que les techniciens doivent analyser lors des investigations de recherche de cause racine. Cette simplification vise à renforcer la confiance dans le système. Enfin, la thèse traite des aspects pratiques du déploiement des méthodes de détection dans les systèmes complexes. Parmi ceux-ci, on observe un manque de confiance et de transparence chez les techniciens de maintenance et les décideurs. Une analyse de l’interprétabilité et la robustesse des méthodes de détection d’anomalies est fournie afin de contribuer directement à leur déploiement en conditions réelles. Tout d’abord, la stratégie de sélection de variables proposée est évaluée sur un jeu de données PdM public à l’aide d’explications basées sur SHAP afin de vérifier la cohérence entre les variables sélectionnées et celles identifiées comme les plus importantes par des outils dédiés à l’interprétabilité. Les résultats montrent que les variables sélectionnées sont cohérentes avec les plus importantes selon ces outils. De plus, l’analyse visuelle des variables les plus influentes met en évidence que les anomalies sont associées à un sous-ensemble limité et bien défini de signaux venant des capteurs, ce qui contribue à améliorer la transparence et à renforcer la confiance dans les systèmes de détection automatique. En parallèle, il est nécessaire de mener une étude de la robustesse des classificateurs multi-label dans des scénarios contrôlés de dégradation de capteurs, incluant différentes familles de dégradations et plusieurs niveaux de sévérité. Les résultats montrent que la performance des classificateurs peut fortement se dégrader, en particulier en présence de dérives progressives. Pour atténuer cet effet, l’introduction de dégradations de capteurs durant l’entraînement apparaît comme une stratégie pertinente. Finalement, cette thèse propose un cadre structuré pour la détection d’anomalies multi-label dans les systèmes complexes, couvrant les méthodes de classification, l’optimisation de l’espace des variables, l’interprétabilité et la robustesse. Pour chacun de ces aspects, la thèse adopte un point de vue industriel et prend en compte les différences entre les conditions expérimentales contrôlées en laboratoire et les contraintes supplémentaires des environnements complexes réels. Le jury Prof. Katrien Beuls - Université de Namur, BelgiqueProf. Elio Tuci - Université de Namur, BelgiqueProf. Patrick Heymans - Université de Namur, BelgiqueProf. Jenni Raitoharju - Université de Jyväskylä, FinlandeMr. Fabio Pinna - Telespazio, BelgiqueMr. Vito Trianni - ISTC-CNR, Italie Je m'inscris