• stage
  • Rennes

Stage : Machine Learning pour la maintenance prédictive

Descriptif de poste

La maintenance prédictive (ou prévisionnelle) consiste à anticiper la gestion des problèmes d’une infrastructure, grâce à une analyse répétée de caractéristiques connues ou l’évaluation de paramètres spécifiques. Effectuer la maintenance au bon moment, idéalement juste avant que les pannes ne se produisent, évite ces dernières ainsi que leurs conséquences. La mise en œuvre de la maintenance repose sur la manifestation de signes, visibles ou non, de dégradation annonçant la défaillance ; des sondes mesurent justement des grandeurs physiques (mécanique, électrique, chimique) ou comportementales caractéristiques de dégradations (variation de température, vibration, pression, dimension, position, bruit, etc). L’enjeu est donc, sur l’ensemble du parc d’équipements géré, d’automatiser la reconnaissance de ces signes précurseurs, puis de les classifier selon la catégorie d’intervention à planifier.

A partir d’un cas concret, un équipement d’une infrastructure réseau, pour lequel nous disposons d’un historique de données et une expérience métier, ce stage propose de mettre au point une méthodologie complète spécifiant le processus de maintenance. Celle-ci repose sur deux volets : la modélisation des régimes de fonctionnement/dysfonctionnement de l’équipement à partir de l’historique, l’anticipation des pannes à partir des données courantes. Chacune de ces activités fait appel aux méthodes générales de l’analyse de données (machine learning) pour les séries temporelles mélangeant des données quantitatives (mesures physiques) et catégorielles (log, alertes), ceci en interaction avec des connaissances métiers.

Plan du stage (indicatif) :

  1. 1. Familiarisation avec les données et les environnements de calcul, sélection du cadre applicatif
  2. 2. Modélisation du système : identification des régimes de l’équipement (clustering), modélisation des lois régissant ses paramètres descriptifs (régression, estimation)
  3. 3. Prédiction des pannes : à partir de l’analyse précédente et pour des données courantes automatisation de la classification dynamique des régimes de fonctionnement et anticipation de leur évolution. Détermination des performances (probabilité de détection/fausse alarme, taux d’erreur)
  4. 4. Maquette : conception d’un logiciel intégrant l’ensemble du processus
  5. 5. Etude des généralisations possibles à l’ensemble des processus de TDF.

Profil recherché

Etudiant(e) en dernière année d'école ingénieur ou en Master Informatique, vous faites preuve d’un intérêt pour les mathématiques appliquées (analyse, probabilités, traitement de signal statistique),  vous êtes sensibilisé à l’apprentissage statistique et attiré par la recherche.

Vous développerez des aptitudes à la conception et l’implémentation d’algorithmes d’apprentissage automatique. Les développements informatiques s’effectueront en langage Python.

Intérêt pour le stagiaire

Vous bénéficierez d’un encadrement pluridisciplinaire solide dont l’objectif est de contribuer à des innovations majeures en traitement de données. Le stage pourra mener à une thèse.

Modalités

  • Localisation : Cesson Sévigné
  • Date de démarrage : 1er trimestre 2023
  • Durée : 5-6 mois