DISCO contribue depuis de nombreuses années aux développements de méthodes de diagnostic et de pronostic qui sont basées modèles (existence d'un modèle formel de comportements) ainsi qu'aux développements de méthodes basées données (apprentissage machine de modèles s'appuyant sur des données: mesures, logs,....). L'hybridation des méthodes a pour objectif de profiter à la fois des avantages des méthodes orientées modèles (interprétabilité du diagnostic) et des méthodes orientées données (absence de connaissance d'un expert). Les contributions sur cette nouvelle thématique sont les suivantes.

• Enrichissement de modèles comportementaux pour le diagnostic et le pronostic sous incertitudes [hal-03282343],[hal-04578700] exploitant le formalisme des réseaux de Petri hétérogènes (HtPN, systèmes hybrides). Inférence de nouveaux modes de fonctionnement exploitant les nouvelles données capteurs et des techniques d'apprentissage automatique.

• Synthèse d'arbres de décision par apprentissage supervisé combinée avec une base de méta-connaissances de diagnostic, à savoir la connaissance des propriétés des indicateurs de diagnostic ou résidus. Découverte de règles de décision sous forme d'expressions formelles explicites associées à des indicateurs de diagnostic sur les branchements. Algorithme DT4X [hal-04556203].

• Inférence de règles formelles interprétables de modèles issus de techniques d'apprentissage automatique pour une meilleure adoption des modèles par des opérateurs de maintenance (confiance) [hal-04862630].