Cette thèse explore le Jumeau Numérique (JN) dans le contexte des systèmes de production manufacturiers. Elle élargit la définition du JN en intégrant des aspects de soutenabilité, mettant en avant l'efficacité et la durabilité dans le cycle de vie des JNs. L'étude se concentre ensuite sur les systèmes à événements discrets, révélant leur complexité événementielle. Elle développe des mécanismes de synchronisation pour améliorer la modélisation et des méthodes robustes pour renforcer la détection d'anomalies. Ces approches utilisent l'apprentissage automatique et les retours des opérateurs pour surveiller les performances et identifier les dérives. Une étude de cas sur une ligne d'assemblage confirme l'efficacité de ces approches. La thèse aborde également les systèmes à variables continues, en se penchant sur la consommation d'énergie d'un équipement industriel. Elle propose des méthodologies de génération de modèles basés sur les données dont une méthode est basée sur les densités de probabilités et une autre basée sur des intervalles pour quantifier les incertitudes. Enfin, cette recherche ouvre une perspective passionnante après la détection d'anomalies, notamment en matière de reconfiguration, de diagnostics et d’intégration de l’humain. Ces possibilités permettent de gérer les aléas de manière proactive, contribuant ainsi à l'amélioration globale des systèmes de production