Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

21 février 2017

Apprentissage statistique pour le suivi et la détection de défauts mécaniques (Stage M2)


Catégorie : Stagiaire


Encadrant :
Paul Honeine (Professeur, Université de Rouen Normandie et LITIS Lab (NormaSTIC FR CNRS 3638) )

Lieu du stage :
LITIS Lab, Equipe Apprentissage
UFR Sciences et Techniques, Saint Etienne du Rouvray (Rouen Normandie)

Industriel :
CETIM (Centre Technique des Industries Mécaniques)

Mots-clés :
apprentissage statistique/automatique, détection de changement, méthodes à noyaux, deep learning, reconnaissance des formes, traitement du signal

 

Description générale du sujet

La surveillance des machines électriques dans les systèmes industriels repose sur l’analyse de signaux issus de différents capteurs (capteur de vitesse, pinces ampérométriques et sondes différentielles pour les mesures des courants et des tensions d’alimentation du moteur, accéléromètres, thermocouples, etc.). La plupart des méthodes de diagnostique des machines cherchent à détecter les défauts par une comparaison entre les spectres des signaux de la machine à surveiller et ceux dans une bibliothèque de signatures/signaux. Différents indicateurs de défaillance peuvent ainsi être extraits, soit dans le domaine temporel ou dans le domaine fréquentiel autour de la fonction caractéristique du défaut prévu dans le spectre du signal utilisé.

L’objectif du stage est de mettre en place des méthodes avancées pour l’analyse des signaux issues des machines et la détection de défauts. Le système industriel étudié est un banc d’endurance d’un treuil de levage instrumenté par les différents capteurs susmentionnés, mis en place par une action collective « Manutention et Levage » menée par le CETIM. L’étudiant(e) retenu(e) bénéficiera de l’expertise des industriels du CETIM et de l’équipe Apprentissage du LITIS Lab.

L’objectif du travail de ce stage de Master est double :

Les différentes méthodes étudiées seront validées sur les données issues du treuil.

L’ensemble de ces résultats servira de base à une thèse de doctorat prévue dès octobre 2017, centrée sur l’apprentissage de représentation et l’apprentissage à architecture profonde (deep learning).

Stage rémunéré : 6 mois à partir du mois de mars

Profil attendu

Candidat(e) en Master 2 (Recherche) ou en école d'ingénieurs à dominante informatique-mathématique et/ou traitement du signal.

Contact

Merci de fournir un CV et les relevés de notes des dernières années d’étude.
Paul Honeine <paul.honeine@univ-rouen.fr>

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.