Les avancées technologiques ont permis l’arrivée dans de nombreuses entreprises de nouvelles méthodes de collecte et de stockage d’un grand nombre de données, notamment au travers du cloud computing. Ce grand volume de données est appelé Big Data. La collecte de ces données est considérée par certains comme un nouvel "or noir". Ce volume de données est également lié à l’essor de la quatrième révolution industrielle : Industrie 4.0., qui s’appuie sur les données et la digitalisation des entreprises pour réorganiser les processus de production.Les données collectées en industrie peuvent transporter des informations diverses comme des informations de matières de fabrication, des états de processus de fabrication, des informations de maintenance ou des résultats de tests d’équipements d’inspection. Une façon d’apporter de la valeur aux données consiste à déterminer l’état de santé des systèmes liés à ces dernières grâce à des méthodes d’intelligence artificielle, de machine learning ou de data mining. Cette thèse se concentre sur la maintenance conditionnelle (CBM), conditionnée par l’état de santé du matériel. La tâche de diagnostic en ligne, qui consiste à détecter les fautes et fournir leurs causes, s’intègre dans ce processus et permet d’améliorer significativement l’efficacité de la ligne de production en augmentant la qualité des produits et en réduisant les temps d’arrêt des équipements de production.L’automobile est un des domaines où ces méthodes de diagnostic peuvent apporter une grande valeur due à la complexité croissante des véhicules et donc des chaines de production à mettre en place pour les fabriquer. C’est dans ce contexte que s’est effectuée cette thèse en collaboration entre Vitesco Technologies, un fournisseur mondial de groupes motopropulseurs de véhicules et le LAAS (Laboratoire d'Analyse et d'Architecture des Systèmes), un laboratoire du CNRS (Centre National de la Recherche Scientifique).Cette thèse propose dans un premier temps une méthode de gestion de santé basée uniquement sur les données dans un cadre univarié, adapté aux contraintes industrielles imposées par l’équipement de test spécifique de la ligne de production SMT (Surface Mount Technology). Elle répond aux contraintes du cas d’étude : un très grand nombre de données, non étiquetées, et sur lesquelles il n’est pas possible d’extraire des séries temporelles cohérentes. La méthode est basée sur une étape de clustering utilisant les mélanges de gaussiennes (GMM) et la capabilité comme indicateur de santé. Les résultats montrent que la méthode permet de mieux détecter les cas critiques et ainsi d’améliorer les décisions de maintenance, notamment pour des fautes liées à l’équipement et aux lots de produits.Une étape de détection d’anomalie additionnelle en amont de la méthode, utilisant la théorie des valeurs extrêmes (EVT), et une étape d’isolation réalisée en fin de process permettent d’améliorer les performances de la méthode et de confirmer son applicabilité sur un cas réel.Une méthode de décomposition basée sur le clustering spectral est ensuite proposée pour gérer les données dans un cadre multivarié. L’idée est de regrouper en blocs des données similaires, puis d’appliquer par bloc une méthode de détection de fautes. Cette partie est appliquée au processus de contrôle de production chimique issue du Tennessee Eastman et au processus de test de la ligne SMT. L’application montre une amélioration des performances de détection de faute en combinant l’utilisation des blocs avec la méthode de détection d’anomalies Local Outlier Factor (LOF).