Les véhicules aériens sans pilote (UAVs) connaissent un développement rapide dans de nombreux secteurs tels que l'inspection d'infrastructures, l'agriculture de précision, la logistique, la sécurité civile ou encore la défense. Cette démocratisation s'accompagne d'exigences croissantes en matière de sûreté, de disponibilité et de fiabilité, conformément aux réglementations européennes (SORA). Dans ce contexte, la maintenance constitue un enjeu majeur, les composants critiques des UAVs - notamment les systèmes de propulsion - étant soumis à des phénomènes de vieillissement et de dégradation susceptibles d'entraîner des défaillances coûteuses, voire des pertes de mission. Les approches actuelles de maintenance reposent principalement sur des inspections périodiques ou sur l'analyse a posteriori des données de vol. Elles ne permettent pas d'anticiper efficacement l'apparition des défaillances ni d'optimiser les opérations de maintenance. L'objectif de cette thèse est de développer une nouvelle approche de maintenance prédictive reposant sur l'intégration d'un jumeau numérique alimenté en temps réel par les données issues des capteurs embarqués et du contrôleur de vol, associé à des méthodes avancées d'intelligence artificielle et de Deep Learning. Cette approche permettra de surveiller en continu l'état de santé des systèmes de propulsion, de détecter précocement les anomalies, d'estimer la durée de vie résiduelle (Remaining Useful Life - RUL) des composants critiques et d'optimiser les décisions de maintenance. Les développements seront validés expérimentalement à partir de bancs d'essais instrumentés et de campagnes expérimentales sur UAVs réels, afin de démontrer la robustesse, la précision et le potentiel de transfert industriel des méthodes proposées. Le doctorant ou la doctorante sera intégré(e) au laboratoire ESTACA'Lab et aura pour missions de : - Réaliser un état de l'art sur les jumeaux numériques, la maintenance prédictive et l'intelligence artificielle appliqués aux UAVs. - Développer un jumeau numérique temps réel de la chaîne de propulsion des drones. - Concevoir des modèles de Deep Learning pour la détection d'anomalies, le diagnostic et la prédiction de la durée de vie résiduelle des composants. - Développer des méthodes de fusion de données multi-capteurs (IMU, ESC, moteurs, batterie, contrôleur de vol, etc.). - Concevoir une architecture de surveillance embarquée pour l'estimation en ligne de l'état de santé du système. - Réaliser les campagnes expérimentales sur bancs d'essais et sur drones instrumentés. - Évaluer les performances des méthodes proposées selon des critères de robustesse, de précision, de temps de calcul et de généricité. - Valoriser les travaux de recherche par des publications dans des revues internationales de premier plan et des conférences scientifiques, ainsi que par le développement de démonstrateurs technologiques en partenariat avec les industriels.