Titre : Approche hybride physique-IA pour la modélisation et le pronostic de l’état de santé d’un LPRE réutilisable
Contexte
La thèse de Federica GALLI, soutenue le 09/10/2024 en collaboration avec les laboratoires IRSEEM, CRAN et le CNES, a produit des résultats significatifs en développant une approche de pronostic appliquée au roulement d’une turbopompe de moteur-fusée, dont la défaillance est jugée critique. Les contraintes liées à la disponibilité limitée de données expérimentales ont orienté les recherches vers la génération de données synthétiques, afin d’enrichir les bases de données disponibles, jugées insuffisantes pour élaborer un pronostic fiable. Pour ce faire, un modèle 5DoF a été élaboré tenant compte de quelques modes de dégradation du roulement et particulièrement les défauts de bagues interne et externe. Ces données synthétiques, associées aux bases de données existantes, ont alimenté les algorithmes de pronostic développés, basés à la fois sur une approche polynomiale et sur la méthode des modèles de Markov cachés (HMM). Les modèles et algorithmes élaborés constituent une base essentielle pour la nouvelle étude proposée dans cette thèse.
Objectifs
Les travaux de recherche proposés dans cette thèse visent à surmonter certains verrous scientifiques identifiés, en partie comme des perspectives issues des travaux menés dans la thèse de Federica GALLI. Les objectifs de cette thèse peuvent être structurés comme suit :
• Génération de données synthétiques pertinentes :
o Extension du modèle 5DoF existant pour inclure d’autres profils de dégradation à identifier.
o Adaptation du modèle à différents points de fonctionnement, en prenant en compte les variations de vitesse de rotation et de charge.
o Validation du modèle 5DoF par comparaison avec des données expérimentales issues de bases de données existantes (signaux vibratoires, vitesses, frottements).
• Développement d’une approche de pronostic robuste :
o Évaluation de l’approche HMM et de ses variantes à l’aide des nouvelles bases de données, tant réelles que synthétiques.
o Exploration de nouvelles approches basées sur l’intelligence artificielle, telles que l’ANFIS (Adaptive Neuro-Fuzzy Inference System).
o Analyse et amélioration de la robustesse des différentes méthodes proposées.
• Validation des approches sur des données expérimentales
o Données provenant de turbomachines spatiales, etc.
Description des méthodes potentiellement envisagées :
1. Modélisation multi-composants pour une approche système : L’objectif principal est de développer des modèles permettant de passer d’une analyse centrée sur des composants individuels à une vision globale du système. Il s’agit d’explorer comment, à partir d’une vue fonctionnelle ou d’une analyse des dysfonctionnements au niveau du système, il est possible d’évaluer le niveau global de dégradation ainsi que celui de ses principales fonctions, tout en tenant compte des dégradations observées sur les composants. Cette approche intègre les analyses de diagnostic et de pronostic des composants afin d’estimer la santé globale du système.
2. Extension des outils de modélisation et d’évaluation de la dégradation en fonction des conditions d’utilisation : Deux approches peuvent être envisagées pour intégrer les paramètres liés aux conditions opérationnelles (vitesse, phase de mission, etc.) :
• Approche par filtrage des données : Développer des techniques de filtrage ou de recalibrage des données afin de neutraliser l’effet de certains paramètres spécifiques liés aux conditions d’utilisation. Par exemple, ajuster l’évaluation des vibrations en fonction de la vitesse de rotation des composants mobiles.
• Approche pronostique intégrant les paramètres exogènes : Intégrer dans les modèles de prédiction de la durée de vie restante (RUL) les paramètres liés aux conditions d’utilisation. Cela suppose d’adapter les modèles (par exemple à l’aide de modèles IOHMM [11, 12] ou autres variantes) en fonction des conditions spécifiques de fonctionnement.
3. Développement d’outils de modélisation basés sur des variables continues : Explorer des outils fondés sur l’intelligence artificielle, tels que les réseaux de neurones, pour modéliser la dégradation. Une problématique majeure concernera la gestion des données disponibles, notamment en ce qui concerne la quantité et la qualité des informations sur les dysfonctionnements et les dégradations dans les bases de données utilisées pour l’apprentissage.
4. Gestion des incertitudes dans l’estimation de la durée de vie restante (RUL) : Il s’agira de développer des méthodes permettant de quantifier les incertitudes associées aux estimations de la RUL. Ces incertitudes peuvent être liées à la qualité des données, aux incertitudes sur les paramètres utilisés dans les modèles d’estimation, ou au manque d’informations pour certaines décisions. L’objectif sera également de prendre en compte l’évolution temporelle de la dégradation sur différents horizons temporels.
=================
For more Information about the topics and the co-financial partner (found by the lab !); contact Directeur de thèse - ghaleb.hoblos@esigelec.fr
Then, prepare a resume, a recent transcript and a reference letter from your M2 supervisor/ engineering school director and you will be ready to apply online before March 14th, 2025 Midnight Paris time !
HMS « Health Management Systems »; PHM « Prognostics and Health Management »; Specific knowledge about rocket engines IA; Space knowledge
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.