Phd thèse: surveillance autonome et robuste des roulements par analyse vibratoire

Description de l'emploi:

Airbus Helicopters recherche un étudiant pour une thèse de doctorat pour la surveillance Hélicoptère.

Vous rejoindrez le le département "Data & Health and Usage Monitoring System" au sein du bureau d’étude d’Airbus Helicopters, situé à Marignane où vous serez en charge d'investiguer de nouvelles technologies permettant d'améliorer la surveillance des ensembles mécaniques des hélicoptères.

Contexte

Etant destinés à transmettre des efforts importants par le biais d’éléments roulants sur des surfaces de contact réduites, les paliers à roulements figurent parmi les composants les plus fragiles de la boite de transmission de puissance (BTP) d’un hélicoptère; ils nécessitent par conséquent une surveillance constante, qui fait partie intégrante du HUMS (Health and Usage System) des hélicoptères. Par ailleurs, les solutions actuellement développées pour la réduire la consommation d’énergie dans l’aéronautique visent une augmentation du rendement des machines et donc des efforts transmis, accroissant en contrepartie les risques de défaillance. La surveillance des paliers à roulements a fait l’objet de nombreux travaux recherche au cours des dernières années, poussés par les progrès réalisés en instrumentation, en puissance de calcul et en analyse de données. Il subsiste cependant plusieurs verrous technologiques qui empêche le transfert des solutions développées en laboratoire vers le milieu industriel.

Verrou 1: les méthodes développées dans les laboratoires de recherche sont extrêmement performantes, mais au prix d’une grande complexité; elles impliquent typiquement le réglage délicat de plusieurs paramètres et donc l’intervention d’un expert en amont de la chaine de traitement.

Verrou 2: le principe des méthodes de surveillance est d’être le plus sensibles possible à l’apparition de signes de dégradation, de manière à anticiper l’occurrence de défaillances; par conséquent, elles sont aussi peu robustes par rapport à des utilisations en environnement non-contrôlés, caractérisés par des régimes de fonctionnement fortement non-stationnaires comme c’est le cas pour les hélicoptères. Ce manque de robustesse invalide les prises de décision fondées sur les probabilités de dépassement de seuils, qui deviennent anormalement élevées en présence de perturbations externes.

Verrou 3: les algorithmes de traitement du signal et d’analyse des données sont développés dans un cadre théorique général, de manière à couvrir le champ d’application le plus large possible et à pouvoir être déployés sur différents types de machine. Il en résulte cependant une sous-optimalité si les spécificités propres à une machine ne sont pas prises en compte.

La combinaison de ces difficultés explique que des méthodes apriori à la pointe de l’état de l’art peuvent sembler difficiles à mettre à œuvre en dehors du laboratoire de recherche, délicates d’utilisation, voire inefficaces lors de tentatives d’implémentation visant des TRL élevés (6).

La finalité de cette thèse est de débloquer ces verrous de manière de manière à garantir leur plein potentiel aux solutions développées par la communauté scientifique. Nous distinguons pour cela trois objectifs scientifiques:

* Objectif 1: Apprentissage automatique des hyperparamètres à partir des données

Le réglage des hyperparamètres (résolution fréquentielle, durée d’intégration, etc.) d’un algorithme est une tâche critique lorsqu’il est déployé sur site, car fortement dépendant de la nature des données destinées à être traitées. L’idée est de réaliser un autoréglage des hyperparamètres selon les principes de l’apprentissage statistique, en reproduisant le processus d’apprentissage d’un expert. De premiers résultats très prometteurs ont déjà été obtenus dans ce sens pour le réglage automatique des hyperparamètres de méthodes d’analyse temps-fréquence et cyclostationnaires, piloté par la nature des signaux mesurés et des critères d’optimalité visés pour leur interprétation. L’objectif de la thèse sera de généraliser cette approche aux autres outils de diagnostic et à l’ensemble des hyperparamètres critiques qu’ils impliquent. Il est ainsi attendu de proposer des solutions «plug-in and play», dont l’intégration in situ ne nécessite que peu, voire pas, d’intervention de la part d’un expert.

* Objectif 2: Auto-adaptation aux conditions opérationnelles

L’optimalité des algorithmes de traitement du signal nécessite souvent la connaissance de valeurs, ci-dessous appelées paramètres contextuels -- qui traduisent le niveau et la structure des perturbations externes auxquelles ils doivent résister. Un exemple typique dans le HUMS est le réglage des seuils de détection sur la base de la connaissance des statistiques du bruit; un autre exemple est l’apprentissage des caractéristiques d’un état nominal de référence dans la mise en place de méthode de détection de «nouveautés». Dans le cas d’environnements variables, il est proposé d’utiliser des mesures de variables opérationnelles (vitesse linéaire de l’appareil, vitesses angulaires des lignes d’arbres, consignes de puissance, couples et charges, températures, etc.) et de les lier aux paramètres contextuels par le biais de surfaces de réponse (par exemple de type régression par noyaux ou processus Gaussiens). Il est ainsi attendu que les algorithmes s’auto-adaptent aux conditions opérationnelles et puissent être utilisés dans des configurations de fonctionnement de l’hélicoptères les plus diversifiées possibles.

* Objectif 3: Décision en contexte incertain

En relâchant des degrés de liberté dans les méthodes de manière à ce qu’elles s’ajustent mieux aux données, les actions décrites ci-dessus introduisent des incertitudes inhérentes à l’apprentissage des hyperparamètres et à la prédiction des paramètres contextuels. Ces incertitudes doivent être prises en compte dans l’étape finale de décision menant au diagnostic pour ne pas fausser les probabilités de détection ou de classification. Il est proposé de quantifier leur effet sur la prise de décision dans un cadre probabiliste hiérarchique bayésien, propice à la propagation d’incertitudes de différentes natures (statistiques, erreurs de modèles, erreurs d’estimation, erreurs de prédiction) au travers de la chaîne de traitement.

En conclusion, l’ensemble de ces objectifs a pour finalité d’aboutir à une méthodologie ayant pour ambition de rendre les méthodes existantes plus robustes et auto-adaptables à leur environnement opérationnel, et donc de faciliter leur intégration dans le HUMS.

Nous recherchons un candidat motivé et désireux de s'investir à nos cotés pendant trois ans. Esprit d'équipe, rigueur, passion, autonomie et sens critique sont les bienvenus!

Cet emploi exige une connaissance des risques de conformité potentiels et un engagement à agir avec intégrité, comme base de la réussite, de la réputation et de la croissance durable de la société.

Unité légale:

Airbus Helicopters SAS

Type de contrat:

Doctorat, Contrat CIFRE

-------

Classe Emploi (France): Classe F11

Niveau d'expérience:

Etudiant

Famille d'emplois:

Mission & Contrôle de Véhicule

En soumettant votre CV ou votre candidature, vous autorisez Airbus à utiliser et stocker des informations vous concernant à des fins de suivi de votre candidature ou de futurs emplois. Ces informations ne seront utilisées que par Airbus.
Airbus s'engage à assurer la diversité de sa main-d'œuvre et à créer un environnement de travail inclusif. Nous accueillons toutes les candidatures, quels que soient le milieu social et culturel, l'âge, le genre, l'invalidité, l'orientation sexuelle ou les croyances religieuses des postulants.

Airbus est depuis toujours attaché à l'égalité des chances pour tous. En tant que tel, nous ne demanderons jamais aucun type d’avance de frais dans le cadre d'un processus de recrutement. Toute usurpation d'identité d'Airbus à cette fin doit être signalée àemsom@airbus.com .

Chez Airbus, nous vous aidons à travailler, à vous connecter et à collaborer plus facilement et de manière plus flexible. Dans la mesure du possible, nous favorisons les modalités de travail flexibles pour stimuler la pensée innovante.