L'objet de cette thèse est l'élaboration des procédures de diagnostic de pannes dans les grands systèmes répartis. En particulier, nous nous intéressons à des problèmes actuels de la {\bf gestion de pannes} et de la {\bf corrélation d'alarmes} posés dans les réseaux de télécommunications. L'idée principale de l'approche que nous développons consiste à incorporer les aspects conjoints de {\bf temps} et de {\bf causalité} dans un cadre qui préserve intrinsèquement la nature répartie du problème. En particulier, un tel formalisme ne doit pas reposer sur une notion d'horloge globale, car elle est souvent impossible de réaliser dans les grands systèmes répartis. À cette fin, nous proposons l'utilisation des réseaux de Petri (RdP) avec leur sémantique de ``concurrence vraie'' qui donne une notion de {\bf temps partiellement ordonné}. Étant données les observations d'alarmes, le problème de diagnostic consiste à rechercher la propagation sous-jacente de pannes en dépliant le RdP. En associant des probabilités conditionnelles à la production d'alarmes par des transitions, nous nous plaçons dans un cadre général de HMM (Hidden Markov Models). Nous évitons pourtant la dynamique markovienne de ces modèles en proposant un {\bf cadre de probabilisation} original: RdP Partiellement Stochastique qui n'impose pas une interaction stochastique entre les événements concurrents et correspond parfaitement à la sémantique d'ordre partiel du RdP. La raison d'être principale de ce formalisme est le besoin d'établir une équivalence entre la concurrence et l'indépendance stochastique afin de respecter la nature répartie du système. En outre, dans l'algorithme de diagnostic cela évite l'exploration explicite de l'espace d'état car seuls les contextes locaux deviennent décisifs pour une propagation d'événements et pour l'estimation de sa vraisemblance. Nous avons développé des procédures de {\bf diagnostic réparti} sur les capteurs locaux. Les observations d'alarmes sont d'abord traitées localement en utilisant des techniques de programmation dynamique, puis des ``alarmes intelligentes'' résumant ces pré-diagnostics sont communiquées à un superviseur central qui fusionne ces informations en proposant des solutions à niveau global.

The main objective of this research is an elaboration of fault diagnosis procedures for large distributed discrete event systems. In particular, this study is motivated by the actual problems of {\bf fault management} and {\bf alarm correlation} arising in modern telecommunication networks. The main idea of the proposed approach is to incorporate the closely related aspects of {\bf time} and {\bf causality } into a framework that inherently preserves the essential {\bf distributed nature} of the problem. In particular, such a framework should not rely on a notion of global clock, since usually it can not be implemented in large spatially distributed systems. This is achieved by the use of Petri nets (PN) and their "true concurrency" semantics that brings in the perception of {\bf partially ordered time}. Given the alarm observations, the diagnosis problem consists in finding the underlying fault propagation as an appropriate unfolding of the PN. By associating conditional probabilities to the alarm observations, one can obtain a classical HMM (Hidden Markov Model) formulation. However, we avoid the Markovian dynamics, and propose instead an original {\bf randomization framework} (Partially Stochastic PN) that does not impose a stochastic coupling of concurrent events and perfectly matches the partial order semantics of the PN. This is achieved by establishing an equivalence between concurrency and stochastic independence of events. Besides, in the diagnosis procedure this framework avoids an explicit exploration of the large state-space as only local contexts become decisive for any event propagation and its likelihood estimation. We propose a {\bf diagnosis procedure} distributed on local sensors. The alarm information is first processed locally using dynamic programming approaches to estimate the local faulty state propagation. Then, if needed, an "intelligent alarm" resuming this pre-diagnosis is transmitted to a central supervisor. The task of the latter is to correlate upcoming intelligent alarms and to give solutions to the situations that could not be resolved locally.