Les acteurs industriels sont confrontés à un besoin accru de réduire le risque d'incidents imprévus et d'optimiser leur maintenance. Ces besoins appellent à une réponse double à la fois sur les détections court-terme et la surveillance de vieillissement long terme. Chez Schneider Electric nous répondons à ces deux problématiques en combinant l'apprentissage artificiel et les modèles physiques et statistiques, afin de fournir des services avancés pour les équipements de distribution électrique. L'apprentissage artificiel est utilisé pour modéliser les paramètres clés des équipements électriques en fonctionnement normal, afin de prédire le comportement normal attendu en toute circonstance. Un système de surveillance peut se servir de cette référence pour détecter des déviations statistiquement significatives, révélant un défaut potentiel. En ce qui concerne les modèles de vieillissement, ils sont basés sur des modèles physiques et statistiques, dans la continuité de l'état de l'art du Prognostic Health Management. Il s'agit ici de décomposer les équipements électriques en sous-systèmes, et d'identifier pour chacun d'eux l'ensemble des modes de dégradation concurrents et leurs facteurs d'influence (environnement et usage). En combinant cela avec les cinétiques appropriées nous pouvons estimer la fin de vie. Ces deux approches, court-terme et long-terme, sont combinées sur le terrain pour fournir des services de maintenance prédictive. Ils s'inscrivent dans une initiative plus large visant à partager des algorithmes avec l'écosystème de partenaires de Schneider Electric.