Menu principal

Surveillance de l’état de santé d’un système à base de méthodes hétérogènes

Ce stage s’intéresse aux systèmes complexes (des actionneurs aéronautiques par exemple) qui
subissent des sollicitations importantes et dont nombre d'équipements tombent en panne au cours
de leur existence. Il est donc crucial de développer des méthodes pour suivre leur état de santé.
Dans la littérature, on peut distinguer deux grandes familles de méthodes de diagnostic de défauts :
d'une part les méthodes à base de modèles (automates, représentation d'état, graphes, ...), d'autre
part les méthodes à base de données utilisant des techniques d'apprentissage et de classification.
Les méthodes à base de modèles reposent sur une représentation mathématique issue d'une
connaissance physique du système généralement figée lors de la phase de conception. Les méthodes
à base de données, quant à elles, utilisent les données disponibles sur le système pour classifier des
comportements ayant des propriétés communes. On parle de méthodes d'apprentissage ou deep
learning.
Ce stage vise à tirer parti de ces deux types de méthodes en utilisant une connaissance experte sur le
fonctionnement du système et les informations issues des capteurs et actionneurs du système. Le
couplage (ou l’hybridation) de ces deux méthodes de diagnostic pourra permettre de découvrir un
comportement non prévu dans le modèle, d'améliorer la pertinence de la classification par une
connaissance de l'historique, etc. Les solutions envisagées peuvent provenir du monde de la théorie
des jeux (consensus...) ou bien de la fusion de données.
A terme, on souhaiterait pouvoir utiliser différentes méthodes à base de modèles et/ou de données
pour tirer le meilleur de chaque méthode.
L’objectif est ici de développer un algorithme de diagnostic intégrant des méthodes à base de
modèles et de données et d'établir en fonction de plusieurs critères (tels que la précision ou la
rapidité) un résultat pertinent.
Le travail se déroulera en 3 parties :
1. Etude des concepts de base (diagnostic à base de modèles, diagnostic à base de données,
fusion de données, consensus) ;
2. Développement d’un algorithme de diagnostic intégrant des méthodes de traitement
hétérogènes;
3. Implémentation de l'algorithme et test sur un cas d'étude.


Établissement
LAAS - LABORATOIRE D'ANALYSE ET D'ARCHITECTURE DES SYSTEMES
31077 TOULOUSE  
Niveau
Bac +5
Indemnité
oui
Informations de contact

Nedjemi RACHEDI (Project Leader IHMS, Altran Sud‐Ouest) nedjemi.rachedi@altran.com
Elodie CHANTHERY (LAAS‐CNRS, DISCO) elodie.chanthery@laas.fr
Pauline RIBOT (LAAS‐CNRS, DISCO) pauline.ribot@laas.fr