Situé sur le plateau de Saclay en région parisienne, au sein du CEA-LIST le Département d’Imagerie pour la Simulation et le Contrôle (DISC) développe des méthodes et des outils de simulation et d’instrumentation en contrôle non destructif (CND) et en contrôle de santé des structures (SHM) visant à détecter des défauts dans les domaines pour lesquels la sécurité d’opération est primordiale (aéronautique, nucléaire, pétrole, ferroviaire…).

Dans le cadre du SHM, les capteurs sont embarqués sur la structure pour suivre en continu son état de santé. Pour cela le CEA a développé un système d’acquisition communicant s’appuyant sur l’écosystème PEGASE développé par l’Université Gustave Eiffel [1]. Ce système est composé de cartes électroniques de conditionnement assurant le pilotage et le monitoring des capteurs. Un FPGA et un cœur ARM permettent l’acquisition, le traitement embarqué et la communication sans fil du système. Dans le même temps, le département mène de nombreuses recherches sur le machine learning et plus particulièrement sur les réseaux de neurones pour réaliser la détection et la caractérisation des défauts. Des premiers résultats concluant ont étés obtenus sur des réseaux offline (entrainement et prédiction sur un pc) [2], cependant en SHM une prédiction embarquée en temps court présente un fort intérêt.

Ce stage a pour but de réaliser l’intégration d’un réseau de neurones sur cette cible embarquée afin d’une part, d’augmenter les capacités de traitement du nœud de capteurs développé dans le cadre des projets SHM et d’autres part, d’augmenter d’un point de vue industriel l’intérêt des recherches sur les réseaux de neurones. Ses objectifs sont multiples. Tout d’abord une étude des différentes solutions doit être réalisé pour déterminer le type d’intégration (FPGA ou cœur ARM) en fonction de différents critères comme la facilité d’intégration et l’optimisation des prédictions. Ensuite un premier exemple permettant de traiter des signaux 1D sera intégré afin de réaliser un démonstrateur sur une application proche d’une application industrielle. Enfin une extension à des cas plus complexes permettant par exemple le traitement d’images est envisagé.

Pour mener à bien ce travail, l’étudiant devra posséder des solides connaissances en logique programmable FGPA, systèmes embarqués et programmation C/C++. Des connaissances en deep learning et réseaux de neurones seront un plus. Le stagiaire percevra une gratification mensuelle brute et bénéficiera des facilités de transport du CEA.

[1] Le Cam V. & Bouche A. & Pallier D., (2017) “Wireless Sensors Synchronization: An Accurate and Deterministic GPS-based Algorithm“, IWSHM 2017 - 11th international workshop on structural health
monitoring 2017, doi: 10.12783/shm2017/14006.
[2]  Kulakovskyi A. & Miorelli R. & Mesnil O. & Chapuis B. & D’Almeida O., (2019) “Convolutional neural network for automated diagnostic from guided wave imaging in a structural health monitoring context”, Review of P

Pour mener à bien ce travail, l'étudiant devra posséder des solides connaissances en logique programmable FGPA, systèmes embarqués et programmation C/C++. Des connaissances en deep learning et réseaux de neurones seront un plus. Le stagiaire percevra une gratification mensuelle brute et bénéficiera des facilités de transport du CEA.