Stage application de l'intelligence artificielle à l'analyse acoustique et vibratoire h/f

Afin d'accroitre sa connaissance produit, notamment sur sa gamme de ventilateurs électriques, Safran Ventilation Systems collecte depuis 2019 des données temporelles acoustiques et vibratoires sur son site de production et également en service (en vol). Ces données sont capitalisées et exploitées par un outil de traitement interne (DIAGNOISE) capable de discerner les contributions aéroacoustiques, électriques, mécaniques et électromagnétiques des ventilateurs : à ce jour des milliers d'enregistrements sont post-traités et disponibles dans une base de données SQL (nommée OLYMPE). L'objet du stage est de mettre en applications des algorithmes d'IA pour exploiter ces données de manière efficace afin de déceler ou anticiper des défauts (de type conception/fabrication/utilisation) par : 1. Machine Learning pour catégoriser et prédire des défauts à partir des post-traitements DIAGNOISE - Type d'algorithmes : o Random Forest, o SVM (Support Vector Machine), o Réseaux de neurones simples (MLP), o Gradient Boosting (type XGBoost, LightGBM, etc.), o 2. Deep Learning pour apprendre directement à partir des signaux bruts ou spectrogrammes - Type d'algorithmes : o Pour signaux 1D : Réseaux de neurones convolutionnels 1D (CNN 1D) o Pour spectrogrammes/images 2D: CNN 2D Ainsi vous devrez : 1. Extraire les données essentielles en base, les explorer, les nettoyer si besoin 2. Tester les différents algorithmes cités 3. Confronter les approches 4. Aider à l'établissement d'une stratégie et d'une feuille de route Directement intégré au sein du Pôle Calcul de la Direction Technique de SVS, vous serez supervisé-e par des ingénieurs acoustiques confirmés-es. Vous travaillerez également en collaboration avec le service « Cellule OUTILS » de la direction informatique et lui apporterez un support technique. En termes de puissance de calcul, SAFRAN VS dispose d'accès à un calculateur HPC qui pourra être utiliser si besoin (notamment sur la partie Deep Learning).