Annonce

Les commentaires sont clos.

Stage M2 : Détection de défauts sur des machines électriques en utilisant des algorithmes de machine learning

14 December 2022


Catégorie : Stagiaire


Mise en oeuvre d'algorithmes d'apprentissage automatique pour construire un système de diagnostic de machine électrique.

 

Titre : Détection de défauts sur des machines électriques en utilisant des algorithmes de machine learning

Contexte :

Après plusieurs collaborations sur le thème de la détection de défauts statoriques sur des machines électriques, le Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A – UR 3926, https://www.lgi2a.univ-artois.fr/) et le Laboratoire Systèmes Electrotechniques et Environnement (LSEE – UR 4025, https://www.lsee.univ-artois.fr/) souhaitent travailler sur la détection de défaut rotor en analysant des données temporelles à l'aide de techniques d'apprentissage automatique.

Descriptif du sujet de stage :

La détection précoce de défauts dans les machines électriques joue un rôle crucial pour une maintenance efficace et une efficacité énergétique optimale. Le diagnostic par analyse du champ magnétique extérieur est une technique présentant de nombreux avantages comme, entre autres, celle d’être complètement non invasive.

Les machines de production d’électricité hydraulique en France sont souvent anciennes et ne sont pas nécessairement équipées de capteurs dédiés à leur surveillance. Il est dès lors pertinent d'utiliser de simples capteurs de champ magnétique pour détecter des défauts internes sur ce type de machines.

Des campagnes de mesures réalisées par des membres du LSEE, sur différents sites du parc hydraulique d’EDF, ont permis de récupérer une base de données temporelles aussi bien sur des machines saines que sur des machines présentant des défauts.

Dans ce cadre, il s'agira alors de mener, dans un premier temps, une étude bibliographique concernant l'analyse de données temporelles et les approches d'apprentissage automatique pour la détection de défaut sur des machines électriques. Suite à cette étude, une approche de détection sera proposée. L'objectif étant, à partir d'algorithmes d'apprentissage automatique fondés sur un historique de données temporelles, de construire un système de diagnostic de machine électrique, qui permettra pour une nouvelle séquence temporelle de définir si elle provient d'une machine en défaut ou non. Une partie des données, utilisées au cours de ce stage, ont été collectées sur différents sites d'EDF.

Ces travaux préliminaires sont destinés à servir de référence sur des projets plus ambitieux et exploratoires concernant l’estimation de la durée de fonctionnement d’une machine électrique.

Contact : envoyer un CV et une lettre de motivation à :

eric.lefevre@univ-artois.fr,

david.mercier@univ-artois.fr,

gildas.morvan@univ-artois.fr

frederic.pichon@univ-artois.fr

Profil du candidat :

Niveau Master 2 ou équivalent. Le candidat sera motivé par l’intelligence artificielle et par les problématiques d’ingénierie ou de recherche appliquées dans le secteur de l'énergie.

Lieu :

LGI2A, Faculté des Sciences Appliquées, Technoparc Futura, 62400 Béthune.

Date et rémunération :

Début février à fin juillet (6 mois), environ 550€ par mois.