Sujet de Thèse
Titre :
Identification et pronostics de l'état de santé des systèmes non linéaires par apprentissage profond. Application à la maintenance
prédictive des avions d'affaires
Dates :
2020/10/01 - 2023/09/30
Encadrant(s) :
Autre(s) encadrant(s) :
Farid CERBAH (farid.cerbah@dassault-aviation.com)
Description :
L'objectif du doctorat est de concevoir de nouvelles méthodes qui se situent à la croisée de l'approche d'identification de modèles
dynamiques non linéaires basés sur des données et de l'apprentissage profond pour une maintenance prédictive robuste des avions
d'affaires. La recherche aura des composantes à la fois théoriques et appliquées.
La modélisation et la maintenance prédictive de systèmes complexes exploitant les données sont en train de connaître une révolution,
sous l'impulsion de la disponibilité des données de grande taille, des algorithmes avancés d'apprentissage statistiques et d'optimisation
et de la puissance de calcul en informatique. De plus en plus, les stratégies de maintenance prédictive à base de modèles sont aidées
par des techniques exploitant les données qui caractérisent la dynamique entrée-sortie d'un système d'intérêt à partir de mesures
uniquement, sans s'appuyer sur la modélisation issue des lois de la Physique. Cette approche d'identification des système a une longue
et riche histoire dans le domaine de l'automatique. Cependant, avec des techniques de plus en plus puissantes, telles que celles
provenant de la communauté de l'apprentissage machine, l'identification des systèmes non linéaires connait un regain d'intérêt.
Parmi les différents modèles et les techniques associées, les méthodes d'apprentissage profond seront examinées et étudiées.
L'apprentissage profond est en effet apparu dans le domaine de l'intelligence artificielle comme une méthode efficace de classification
et de prédiction des données/événements pour les systèmes dynamiques non linéaires dans des conditions de fonctionnement
variables. La thèse explorera donc les liens entre l'approche classique d'identification des systèmes [1, 2] et les méthodes
d'apprentissage profond [3] pour de tels systèmes.
La maintenance prédictive est étroitement basée sur les pronostics de défaillance [4] et la prédiction de la durée de vie restante (RUL)
des composants critiques [5]. La prédiction de la durée de vie utile restante devient un problème difficile en l'absence de connaissances
exactes sur la détérioration. La disponibilité d'une base de données sur la dégradation doit être exploitée pour des prévisions efficaces
de la durée de vie résiduelle.
Récemment, plusieurs travaux ont mis en évidence l'utilité des réseaux neurones récurrents (RNN) et des réseaux de neurones à
mémoire à court terme (LSTM) pour l'identification de systèmes dynamiques et la prévision d'événements futuristes tels que les
défauts, les défaillances et la durée de vie restante des systèmes industriels [6, 7]. Ces travaux récents seront utilisés pour étudier,
explorer et servir de base au développement de nouvelles solutions basées sur la LSTM profonde pour l'identification/prédiction en
utilisant les données observées.
Entre autres aspects, la recherche se concentrera sur l'amélioration de la capacité de généralisation de la méthode en ce sens que la
méthodologie/les algorithmes développés devraient démontrer une excellente capacité de généralisation face aux propriétés ou aux
anomalies des actifs inconnus/invisibles.
Les algorithmes développés devraient être vérifiables et devront proposer des moyens efficaces de quantifier la précision des résultats
obtenus. Des procédures appropriées devront être mises au point pour analyser la précision des prévisions des nouveaux algorithmes.
Un autre domaine d'intérêt majeur sera l'apprentissage non supervisé ; les algorithmes développés devront être capables d'apprendre
des représentations pertinentes d'anomalies/symptômes de santé de manière autosurveillée ou non supervisée conduisant à de
meilleures généralisations et précisions.
L'objectif du doctorat est donc de proposer des solutions aux différents défis de recherche formulés ci-dessus. Les solutions proposées
seront mises en oeuvre et testées en exploitant les données d'exploitation de routine provenant de plusieurs avions d'affaires
Références
[1] Ljung, L. (1999). System identification. Theory for the user. Prentice Hall.
[2] Garnier, H. & Wang, L. (Eds.) (2008). Identification of continuous-time models from sampled data. Springer-Verlag.
[3] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
[4] Jha, M. S., Dauphin-Tanguy G., & Ould-Bouamama B. (2016), Particle filter based hybrid pro- gnostics for health monitoring of
uncertain systems in bond graph framework. Mechanical Systems and Signal Processing 75, 301-329.
[5] Jha, M. S., Bressel, M., Ould-Bouamama, B., & Dauphin-Tanguy, G. (2016). Particle filter based hybrid prognostics of proton exchange
membrane fuel cell in bond graph framework. Computers & Chemical Engineering, 95, 216-230.
[6] Deutsch, J., & He, D. (2017). Using deep learning-based approach to predict remaining useful life of rotating components. IEEE
Transactions on Systems, Man, and Cybernetics : Systems, 48(1), 11-20. [7] Li, X., Ding, Q., & Sun, J. Q. (2018). Remaining useful life
estimation in prognostics using deep convolution neural networks. Reliability Engineering & System Safety, 172, 1-11.
dynamiques non linéaires basés sur des données et de l'apprentissage profond pour une maintenance prédictive robuste des avions
d'affaires. La recherche aura des composantes à la fois théoriques et appliquées.
La modélisation et la maintenance prédictive de systèmes complexes exploitant les données sont en train de connaître une révolution,
sous l'impulsion de la disponibilité des données de grande taille, des algorithmes avancés d'apprentissage statistiques et d'optimisation
et de la puissance de calcul en informatique. De plus en plus, les stratégies de maintenance prédictive à base de modèles sont aidées
par des techniques exploitant les données qui caractérisent la dynamique entrée-sortie d'un système d'intérêt à partir de mesures
uniquement, sans s'appuyer sur la modélisation issue des lois de la Physique. Cette approche d'identification des système a une longue
et riche histoire dans le domaine de l'automatique. Cependant, avec des techniques de plus en plus puissantes, telles que celles
provenant de la communauté de l'apprentissage machine, l'identification des systèmes non linéaires connait un regain d'intérêt.
Parmi les différents modèles et les techniques associées, les méthodes d'apprentissage profond seront examinées et étudiées.
L'apprentissage profond est en effet apparu dans le domaine de l'intelligence artificielle comme une méthode efficace de classification
et de prédiction des données/événements pour les systèmes dynamiques non linéaires dans des conditions de fonctionnement
variables. La thèse explorera donc les liens entre l'approche classique d'identification des systèmes [1, 2] et les méthodes
d'apprentissage profond [3] pour de tels systèmes.
La maintenance prédictive est étroitement basée sur les pronostics de défaillance [4] et la prédiction de la durée de vie restante (RUL)
des composants critiques [5]. La prédiction de la durée de vie utile restante devient un problème difficile en l'absence de connaissances
exactes sur la détérioration. La disponibilité d'une base de données sur la dégradation doit être exploitée pour des prévisions efficaces
de la durée de vie résiduelle.
Récemment, plusieurs travaux ont mis en évidence l'utilité des réseaux neurones récurrents (RNN) et des réseaux de neurones à
mémoire à court terme (LSTM) pour l'identification de systèmes dynamiques et la prévision d'événements futuristes tels que les
défauts, les défaillances et la durée de vie restante des systèmes industriels [6, 7]. Ces travaux récents seront utilisés pour étudier,
explorer et servir de base au développement de nouvelles solutions basées sur la LSTM profonde pour l'identification/prédiction en
utilisant les données observées.
Entre autres aspects, la recherche se concentrera sur l'amélioration de la capacité de généralisation de la méthode en ce sens que la
méthodologie/les algorithmes développés devraient démontrer une excellente capacité de généralisation face aux propriétés ou aux
anomalies des actifs inconnus/invisibles.
Les algorithmes développés devraient être vérifiables et devront proposer des moyens efficaces de quantifier la précision des résultats
obtenus. Des procédures appropriées devront être mises au point pour analyser la précision des prévisions des nouveaux algorithmes.
Un autre domaine d'intérêt majeur sera l'apprentissage non supervisé ; les algorithmes développés devront être capables d'apprendre
des représentations pertinentes d'anomalies/symptômes de santé de manière autosurveillée ou non supervisée conduisant à de
meilleures généralisations et précisions.
L'objectif du doctorat est donc de proposer des solutions aux différents défis de recherche formulés ci-dessus. Les solutions proposées
seront mises en oeuvre et testées en exploitant les données d'exploitation de routine provenant de plusieurs avions d'affaires
Références
[1] Ljung, L. (1999). System identification. Theory for the user. Prentice Hall.
[2] Garnier, H. & Wang, L. (Eds.) (2008). Identification of continuous-time models from sampled data. Springer-Verlag.
[3] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
[4] Jha, M. S., Dauphin-Tanguy G., & Ould-Bouamama B. (2016), Particle filter based hybrid pro- gnostics for health monitoring of
uncertain systems in bond graph framework. Mechanical Systems and Signal Processing 75, 301-329.
[5] Jha, M. S., Bressel, M., Ould-Bouamama, B., & Dauphin-Tanguy, G. (2016). Particle filter based hybrid prognostics of proton exchange
membrane fuel cell in bond graph framework. Computers & Chemical Engineering, 95, 216-230.
[6] Deutsch, J., & He, D. (2017). Using deep learning-based approach to predict remaining useful life of rotating components. IEEE
Transactions on Systems, Man, and Cybernetics : Systems, 48(1), 11-20. [7] Li, X., Ding, Q., & Sun, J. Q. (2018). Remaining useful life
estimation in prognostics using deep convolution neural networks. Reliability Engineering & System Safety, 172, 1-11.
Mots clés :
Apprentissage profond identification des systèmes, maintenance prédictive, avions d'affaire
Conditions :
Compétences et profil
Les candidats potentiels doivent avoir une solide formation en mathématiques, systèmes, contrôle et informatique ; un solide diplôme
de maîtrise et d'école d'ingénieurs et une expérience en Matlab ou en Python. Le candidat doit avoir la citoyenneté française et avoir
d'excellentes compétences en communication orale et écrite en anglais.
Salaire
Durée : 36 mois - date de début du contrat : 1er octobre 2020
Vous recevrez environ 2500 euros de salaire brut par mois (environ 2000 euros de salaire mensuel après impôts).
Pendant votre doctorat, vous aurez l'occasion d'assister et de participer à la réunion annuelle du réseau européen de recherche en
identification des systèmes (ERNSI) et aux conférences sur le pronostic et la gestion de la santé (PHM). Cela vous donnera l'occasion de
développer certaines collaborations avec des équipes de recherche de premier plan en Europe.
Vous travaillerez principalement à Nancy et vous pourrez visiter le centre de recherche de Dassault Aviation pour de courtes visites (1
jour/mois).
Si vous êtes intéressé, veuillez contacter
- Prof. Hugues Garnier à hugues.garnier@univ-lorraine.fr
- Dr Mayank Jha à mayank-shekhar.jha@univ-lorraine.fr
- Dr Farid Cerbah à farid.cerbah@dassault-aviation.com
Votre demande doit comprendre :
1. Votre curriculum vitae
2. Une lettre de motivation
3. Programmes de cours de premier cycle et de MS et résultats certifiés
4. Une ou deux personnes de référence (y compris le nom, l'adresse électronique et le numéro de téléphone) à contacter pour la
demande de recommandation
Les candidats potentiels doivent avoir une solide formation en mathématiques, systèmes, contrôle et informatique ; un solide diplôme
de maîtrise et d'école d'ingénieurs et une expérience en Matlab ou en Python. Le candidat doit avoir la citoyenneté française et avoir
d'excellentes compétences en communication orale et écrite en anglais.
Salaire
Durée : 36 mois - date de début du contrat : 1er octobre 2020
Vous recevrez environ 2500 euros de salaire brut par mois (environ 2000 euros de salaire mensuel après impôts).
Pendant votre doctorat, vous aurez l'occasion d'assister et de participer à la réunion annuelle du réseau européen de recherche en
identification des systèmes (ERNSI) et aux conférences sur le pronostic et la gestion de la santé (PHM). Cela vous donnera l'occasion de
développer certaines collaborations avec des équipes de recherche de premier plan en Europe.
Vous travaillerez principalement à Nancy et vous pourrez visiter le centre de recherche de Dassault Aviation pour de courtes visites (1
jour/mois).
Si vous êtes intéressé, veuillez contacter
- Prof. Hugues Garnier à hugues.garnier@univ-lorraine.fr
- Dr Mayank Jha à mayank-shekhar.jha@univ-lorraine.fr
- Dr Farid Cerbah à farid.cerbah@dassault-aviation.com
Votre demande doit comprendre :
1. Votre curriculum vitae
2. Une lettre de motivation
3. Programmes de cours de premier cycle et de MS et résultats certifiés
4. Une ou deux personnes de référence (y compris le nom, l'adresse électronique et le numéro de téléphone) à contacter pour la
demande de recommandation
Département(s) :
| Contrôle Identification Diagnostic |
Financement :
Contrat de collaboration Dassault Aviation/CRAN
