Sujet du stage : Prévision de la fin de vie d’un système industriel par des approches hybridant modèles de fiabilité et apprentissage machine

Au sein de l’Institut de Recherche Technologique SystemX, situé au cœur du campus scientifique d’excellence mondiale de Paris-Saclay, vous prendrez une part active au développement d’un centre de recherche technologique de niveau international dans le domaine de l’ingénierie numérique des systèmes. Adossé aux meilleurs organismes de recherche français du domaine et constitué par des équipes mixtes d’industriels et d’académiques, ce centre a pour mission de générer de nouvelles connaissances et solutions technologiques en s’appuyant sur les percées de l’ingénierie numérique et de diffuser ses compétences dans tous les secteurs économiques.

Vous serez encadré par un ou plusieurs ingénieurs-chercheurs de SystemX et vous travaillerez au sein du projet de recherche MPO Maintenance Prévisionnelle et Optimisation de SystemX https://www.irt-systemx.fr/projets/mpo/

Le poste est basé à l’IRT SystemX – Gif sur Yvette

Présentation du sujet du stage

Contexte

La maintenance des systèmes industriels de production est un enjeu actuel majeur. Dans ce cadre, la gestion de leurs maintenances est un facteur important de compétitivité. Une bonne stratégie de maintenance permet en effet une disponibilité élevée du système, tout en minimisant les coûts liés aux interventions. Différents types de maintenance peuvent être utilisées : les maintenances correctives qui réparent le système après les occurrences de défaillances, et les maintenances préventives qui interviennent sur le système avant les occurrences des défaillances. Au sein des stratégies préventives, la maintenance prévisionnelle attire de plus en plus l’attention. Elle consiste à effectuer des opérations de maintenance à partir d’une analyse de l’évolution de l’état du système permettant de produire un pronostic sur l’occurrence de futures défaillances. Dans le cas des politiques prévisionnelles, la connaissance du processus de dégradation du système repose sur diverses sources d’informations (instrumentation du système, contrôles périodiques, modèle physique de la dégradation théorique du système, etc). Dans ce cadre, l’un des objectifs du projet MPO est de développer des méthodes innovantes pour évaluer le temps restant à vivre (RUL pour Remaining Useful Life) d’un système industriel. Le calcul de cet indicateur permet une prise de décision dynamique induisant le déclenchement d’une action de maintenance en prévision de la panne.

L’évaluation de la RUL nécessite d’avoir à disposition un ensemble de données historiques pour apprendre les modèles de dégradation : description des systèmes et de leurs composants, historique des pannes, historique des maintenances, historique des sollicitations et mesures issues de capteurs. Dans le cadre du projet MPO, une libraire Python (PHM) est en cours de développement et permet d’évaluer la RUL à partir de différents modèles de fiabilité (modèles statistiques, lois de survie ou modèles d’apprentissage machine).

Objectifs du stage

  • Intégrer de nouveaux modèles de fiabilité (Cox, AFT, Deepsurv [1], Random Survival Forest [2], Deephit [3] …) dans la libraire en implémentant des connecteurs avec les libraires Lifelines et PyCox ;
  • Adapter ces algorithmes pour actualiser la RUL en temps réel ce qui permettra la mise en place d’une stratégie de maintenance prévisionnelle ;
  • Implémenter des indicateurs (MAE, RMSE, …) pour évaluer la performance de ces algorithmes ;
  • Effectuer une étude comparative de ces modèles de fiabilité sur des données (historique des pannes, historique de manœuvres, capteur de température d’un système industriel simulé [4]) mises à disposition dans le projet MPO.
  • Intégrer ces modèles dans la libraire PHM développée dans le projet ;

Références bibliographiques

[1] Jared L. Katzman, Uri Shaham, Alexander Cloninger, Jonathan Bates, Tingting Jiang, and Yuval Kluger (2018): DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network – https://arxiv.org/abs/1606.00931

[2] Hemant Ishwaran, Udaya B. Kogalur, Eugene H. Blackstone and Michael S. Lauer (2008): Random Survival Forests – https://arxiv.org/pdf/0811.1645.pdf

[3] Changhee Lee, William R. Zame, Jinsung Yoon, Mihaela van der Schaar (April 2018): DeepHit: A Deep Learning Approach to Survival Analysis with Competing Risks

[4] Batteux, M., Foulliaron, J., Lair, W., & Souami, Y. (2020). Génération de données pour le diagnostic et le pronostic : un exemple applicatif. In Congrès Lambda Mu 22.

Profil et compétences

De formation BAC +5/école d’ingénieur dans le domaine de la fiabilité avec des connaissances en apprentissage machine (machine learning)

Compétences :

  • Programmation Python
  • Modèle de fiabilité
  • Machine learning

Aptitudes personnelles :

  • Adaptabilité
  • Réactivité
  • Bon relationnel

Informations clés

Durée du stage : 6 mois
Date de démarrage envisagée : janvier/février 2022
Localisation du poste : Cluster Paris Saclay (91)
Référence de l’offre à mentionner dans l’objet de votre e-mail de candidature : DSR 2022-02-MPO


Postuler à cette offre d’emploi

Merci d’indiquer la référence du stage dans l’objet de votre mail de candidature


Mots-clés :


Partager cette offre d’emploi :

Inscrivez-vous à la newsletter de l'IRT SystemX

et recevez chaque mois les dernières actualités de l'institut :