Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

23 mars 2017

Démarche de Surveillance En-ligne à Base d’Apprentissage Dynamique pour l’Aide à la Maintenance Proactive des Fermes Eoliennes Offshores


Catégorie : Doctorant


La thèse s’effectuera au sein du département Informatique & Automatique de l’IMT Lille Douai à Douai sous la direction de Moamar Sayed-Mouchaweh. Elle débutera en octobre 2017 pour une durée de 3 ans.

 

Contexte et objectifs

Ce sujet de thèse s’inscrit dans une collaboration entre l’Institut Mines Télécom (IMT) Lille Douai et le Commissariat à l'Energie Atomique (CEA) de Saclay. Le premier laboratoire maitrise et développe les techniques de diagnostic et de pronostic de défauts des systèmes dynamiques complexes (type éolienne) tandis que le second développe son propre logiciel ExpressIFTM pour la capitalisation de l’expertise humaine par système d’inférence floue (utilisation de règles de type « Si-Alors » pour structurer les raisonnements. Cette capitalisation peut être une expression directe du savoir ou issue d’algorithmes d’apprentissage capables d’extraire des jeux de données le savoir de l’expert. Ces règles permettent de justifier les décisions proposées aux opérateurs humains de supervision et ce, dans un langage naturel qui leur est compréhensible.

L’objectif de cette thèse est de proposer une démarche de surveillance en ligne qui couple les techniques de diagnostic (composants en défaut, criticité de défauts, amplitude de défauts, etc.) et de pronostic (indicateurs de santé, temps résiduelle de vie des composants etc.) à l’outil ExpressIFTM afin de permettre de doter cette démarche par une capacité explicative de la situation de défaut (l’emplacement de défauts, les causes, la dynamique de développement, les recommandations, etc.). Cette capacité explicative permettrait d’améliorer la perception et la compréhension de la situation par les opérateurs humains de supervision et par conséquent les aider dans leur prise de décision pour planifier les opérations de maintenance conditionnelles les plus efficaces et les mieux adaptées. Pour cela, il faudra adapter les sorties des modules de diagnostic et de pronostic afin qu’elles soient exploitables dans ExpressIFTMpour produire un ensemble de règles en langage naturel compréhensible pour l’utilisateur humain. La finalité étant une compréhension en langage naturel des défauts, leurs causes et leur dynamique de développement pour une mise en place d’actions de maintenance par la suite.

Défis et verrous scientifiques

L’objectif principal de cette thèse est le développement d’une démarche de modélisation générique qui capture toute l’information (historique, analytique, retour d’expérience, savoir-faire, etc.) disponible sur le fonctionnement des éoliennes et nécessaire aux fonctions de diagnostic et de pronostic ; puis, de caractériser les liens entre le diagnostic et le pronostic afin d’apporter une aide à la maintenance (maintenance hors exploitation, préventive, arrêt en sécurité, ...). Cette démarche doitlever des défis liés à la taille du système (ferme éolienne de grande taille), au volume important de données, à leur vitesse et à leur intégrité.

Afin de réaliser ces objectifs, les verrous scientifiques suivants doivent être levés :

Cadre expérimental et validation

Les performances de la démarche qui sera développée à la fin de la thèse seront évaluées en utilisant à la fois des données simulant le fonctionnement d’une et plusieurs éoliennes et une base de données réelles issues de plusieurs parcs éoliens. D’autres cadres de données pourront être explorés pour valider la généricité de la démarche développée dans cette thèse et prouver que tout système complexe dynamique ayant une multitude de capteurs peut voir sa maintenance améliorée (longévité des sous-systèmes) et son temps d’utilisation augmenté par une capti un partage d’informations plus performant entre l’opérateur humain et le système.

Lieu de la thèse

La thèse s’effectuera au sein du département Informatique & Automatique de l’IMT Lille Douai à Douai sous la direction de Moamar Sayed-Mouchaweh. Elle débutera en octobre 2017 pour une durée de 3 ans.

Profil de candidature

Titulaire d’un Master 2 dans le domaine de l’Informatique (méthodes de classification, apprentissage automatique, traitement de données) et/ou de l’Automatique (diagnostic de défauts, pronostic de défauts), une connaissance en ingénierie mathématiques serait un plus. Le candidat devra avoir de solides connaissances en programmation orientée objet (le C# étant le langage de programmation retenu pour ExpressIFTM).

Contacts

Un CV détaillé avec une copie des notes, sujet de stage de Master et adresses des encadrants à envoyer aux deux contacts suivants :

Dans cette rubrique

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