Cet article présente une méthodologie de diagnostic des pannes permettant de détecter avec précision les anomalies et d'identifier les causes profondes afin de garantir la fiabilité et l'efficacité opérationnelle des systèmes cyberphysiques (SCP). Pour surmonter les difficultés des méthodes de modélisation manuelle conventionnelles, nous proposons une nouvelle méthodologie de diagnostic des pannes basée sur l'apprentissage non supervisé, intégrant la détection collective des anomalies de séries temporelles multivariées, l'exploration de processus et la simulation probabiliste. Dans un premier temps, nous détectons les anomalies collectives à partir de données de capteurs de bas niveau grâce à l'analyse de séries temporelles multivariées, les transformons en journaux d'événements structurés et extrayons des modèles de processus interprétables grâce à l'exploration de processus. Nous intégrons des distributions temporelles aux réseaux de Petri extraits pour soutenir les simulations probabilistes des comportements des pannes, améliorant ainsi l'analyse des causes profondes et la compréhension comportementale. Nous validons la méthodologie à l'aide du jeu de données du bras robotisé (RoAD) et démontrons expérimentalement son efficacité pour la modélisation, la simulation et la classification des comportements des pannes des SCP. Cela nous permet de générer un dictionnaire de pannes complet qui prend en charge la maintenance prédictive et le développement de jumeaux numériques pour les environnements industriels.
