Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Transport optimal neural pour la détection d'anomalies : application au monitoring industriel H/F


Détail de l'offre

Informations générales

Entité de rattachement

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.

Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

• La conscience des responsabilités
• La coopération
• La curiosité
  

Référence

2023-29500  

Description de l'unité

Le Laboratoire Instrumentation Intelligente, Distribuée et Embarquée (LIIDE) a pour mission de développer une plateforme mixte, matérielle et logicielle, pour concevoir les fonctionnalités de l'instrumentation du futur. Le laboratoire développe conjointement 1) le volet matériel, visant des cartes électroniques polyvalentes et modulaires, accompagnées des logiciels nécessaires à leur fonctionnement, pour couvrir une large gamme de technologie de capteurs ; et 2) des fonctionnalités innovantes d'intelligence artificielle pour la mesure répartie et l'apprentissage frugal et distribué.
Le laboratoire est ancré dans un environnement riche centré autour de l'instrumentation numérique pour le contrôle, le monitoring et le diagnostic. Le département auquel il appartient s'appuie sur une large gamme de capteurs (fibres optiques, capteurs piézo-électriques, sondes Courants de Foucault, rayons X) ainsi que sur des plateformes d'expérimentation de pointe. Les applications sont principalement focalisées sur le contrôle non-destructif (Non-Destructive Evaluation - NDE) ou la surveillance de l'état de santé de structures (Structural Health Monitoring - SHM).

Description du poste

Domaine

Mathématiques, information  scientifique, logiciel

Contrat

Stage

Intitulé de l'offre

Transport optimal neural pour la détection d'anomalies : application au monitoring industriel H/F

Sujet de stage

Dans le cadre du contrôle des processus, un système autonome de supervision ou de contrôle est un logiciel qui détermine si un processus fonctionne dans des conditions normales sur la base des relevés des capteurs. La surveillance des processus est donc essentielle pour la résilience aux pannes.

On trouve dans la littérature deux familles de méthodes de détection des défaillances. Premièrement, on peut définir des limites pour les variables mesurées au-delà desquelles une alarme est déclenchée. Deuxièmement, on peut construire un modèle mathématique pour l'état normal du système, ce qui permet de détecter les états anormaux.

La première approche, peut suffire dans certaines situations, mais elle conduit souvent à une détection tardive et à un mauvais diagnostic. Dans ce stage, nous voulons construire un modèle statistique pour l'état normal des systèmes complexes par le biais du transport optimal.

Durée du contrat (en mois)

6

Description de l'offre

2.1 Contexte
Ce stage se situe à l'intersection de certains thèmes de grande importance pour le laboratoire LIIDE. Par exemple, dans le cadre d'une thèse de doctorat en cours, 3 publications ont été publications sur la manière de diagnostiquer différents types de fautes [3, 4, 5]. Ici, nous prenons du recul par rapport ici, nous prenons du recul par rapport au pipeline de surveillance, et cherchons à caractériser l'état de santé d'un système. Nous souhaitons intégrer différents travaux récents dans le domaine du transport optimal, en particulier dans le domaine du transport optimal neuronal [6] pour la détection des défauts [7].

 

2.2 Questions de recherche
Le stagiaire sera libre d'explorer les questions suivantes, tout en étant guidé par l'équipe de supervision.
l'équipe de supervision,
1. Comment tirer parti des réseaux neuronaux et de la théorie du transport optimal pour concevoir un score de santé pour les relevés de capteurs dans un système ?
de l'état de santé des relevés de capteurs dans un système,
2. Comment concevoir des systèmes de détection qui soient robustes aux conditions de travail de diverses
machines,
3. Comment intégrer les connaissances provenant de différentes machines, dans des conditions de travail différentes, dans un cadre fédéré.

 

[3] Eduardo Fernandes Montesuma, Michela Mulas, Francesco Corona, and FredMaurice Ngole Mboula. Cross-domain fault diagnosis through optimal transport for a cstr process. IFAC-PapersOnLine, 55(7):946–951, 2022.
[4] Eduardo Fernandes Montesuma, Fred Ngol`e Mboula, and Antoine Souloumiac. Multisource domain adaptation meets dataset distillation through dataset dictionary learning. arXiv preprint arXiv:2309.07666, 2023.
[5] Eduardo Fernandes Montesuma, Michela Mulas, Fred Ngol`e Mboula, Francesco Corona, and Antoine Souloumiac. Multi-source domain adaptation for cross-domain fault diagnosis of chemical processes. arXiv e-prints, pages arXiv–2308, 2023.
[6] Alexander Korotin, Daniil Selikhanovych, and Evgeny Burnaev. Neural optimal transport. arXiv preprint arXiv:2201.12220, 2022.
[7] Dubravko Miljkovi´c. Fault detection methods: A literature survey. In 2011 Proceedings of the 34th international convention MIPRO, pages 750–755. IEEE, 2011.

Moyens / Méthodes / Logiciels

Ressources de calcul / Python

Profil du candidat

Nous recherchons un étudiant en M1/M2 ou école d'ingénieur en traitement du signal, mathématiques appliquées, sciences des données ou dans des domaines connexes. Le stagiaire doit avoir une forte affinité avec les les mathématiques de l'apprentissage, telles que les probabilités, l'algèbre linéaire et l'analyse.

La programmation Python est requise. 

La connaissance de frameworks tels que scikit-learn et Pytorch est un plus.

En ce qui concerne les compétences non techniques, une bonne organisation, un sens de la rigueur, de l'autonomie et de la curiosité sont des qualités appréciées.

 

Rejoignez-nous #CEA-List !

Localisation du poste

Site

Saclay

Localisation du poste

France, Ile-de-France, Essonne (91)

Ville

Gif-sur-Yvette

Demandeur

Disponibilité du poste

04/03/2024