Les travaux présentés dans cette thèse portent sur la détection et le diagnostic explicatifs des défauts des systèmes industriels. L'objectif principal de cette thèse est de contribuer au développement d’une méthode d’optimisation stochastique et de l’appliquer à un processus industriel chimique pour valider sa performance. Pour résoudre ce problème de diagnostic des défauts des systèmes industriels, une méthode méta-heuristique a été proposée. Cette méthode est un nouvel algorithme IDEOA (Improved Discrete Equilibrium Optimizer Algorithm), qui vise à résoudre différents problèmes d'optimisation discrets et à générer un modèle de détection de défauts basé sur des règles, facilement explicable par la lecture de ses règles de classification. La contribution algorithmique de ce travail est d’adopter la stratégie d'apprentissage par opposition OBL (Opposite Based Learning) dans l’IDEOA afin d'éviter de se retrouver bloqué dans des optima locaux et afin d’améliorer l’exploration du domaine de recherche de l’algorithme proposé. Une autre contribution clé de cette étude est l'application novatrice de cette méthodologie au processus Tennessee Eastman. Le résultat de cette étude est un modèle de diagnostic de défauts composé de 16 règles, dont six concernent les conditions de fonctionnement normales et les autres révèlent l'occurrence de défauts (F4). Une valeur d’Accuracy a été calculée pour évaluer l'efficacité de notre approche en comparant ce résultat avec ceux des autres algorithmes fournis dans la littérature. Les résultats indiquent que l'approche proposée surpasse les autres méthodes en termes d’Accuracy et d’interprétabilitécette étude est un modèle de diagnostic de défauts composé de 16 règles, dont six concernent les conditions de fonctionnement normales et les autres révèlent l'occurrence de défauts (F4). Une valeur d’Accuracy a été calculée pour évaluer l'efficacité de notre approche en comparant ce résultat avec ceux des autres algorithmes fournis dans la littérature. Les résultats indiquent que l'approche proposée surpasse les autres méthodes en termes d’Accuracy et d’interprétabilité.