Stage : Détection de rupture dans les signaux accélérométriques pour la surveillance F/H

Safran est un groupe international de haute technologie, équipementier de premier rang dans les domaines de l'Aéronautique, de l'Espace, de la Défense et de la Sécurité. Au sein de Safran Tech (le centre de R&T du groupe), l'Unité de Recherche Maths & Algorithms for Temporal Data (MATD) développe de nouveaux outils pour répondre aux grands enjeux en aéronautique et produire les technologies en rupture sur un horizon de 5 ans ; en particulier, le health monitoring est une branche prometteuse d'évolution pour le secteur aérien, en effet il permet d'améliorer significativement la sécurité et la fiabilité des opérations avec en plus un impact majeur sur le mode de revenu plus efficace et vertueux pour la pérennité du matériel en vol en proposant un remplacement des pièces au juste besoin.

Pour créer des indicateurs de suivi de l'état de santé à partir de mesures accélérométriques, les chercheurs s'appuient sur des modèles physiques et des statistiques pour proposer une nouvelle représentation du signal, et cherchent à déterminer si une défaillance observée sur une pièce est détectable selon cette représentation. Cependant, cette opération présente deux difficultés pour la transformer en indicateur embarqué en opérations. Premièrement, si un seuil absolu est fixé à partir d'un seul essai pour détecter le phénomène, cela peut générer de nombreux cas de faux positifs lorsque les conditions d'utilisation du produit évoluent dans le temps. Deuxièmement, si l'on adopte une approche variationnelle, la présence de bruit peut perturber et nécessiter un étalonnage important pour suivre l'évolution temporelle des signaux.

Des travaux récents ont permis de proposer une définition mathématique de la rupture, qui reste consistance vis-à-vis des transformations homothétiques et robuste par rapport à l'ajout de bruit. L'objectif du stage est d'explorer ce type d'approche pour les signaux vibratoires en utilisant des traitements classiques de signaux dans un premier temps, et d'en proposer une extension en la déclinant sur le contenu fréquentiel du signal à travers des modèles statistiques, ce qui correspond à une détection de rupture basée sur des mesures.

Formation : 5e année d'école en master de recherche.
Langue : anglais
Spécialité : Machine Learning, traitement du signal