Stage - Apprentissage neuronal séquentiel pour l'estimation d'indicateurs de santé moteur F-H
Apprentissage neuronal séquentiel (RNN, LSTM, Transformers) pour l'estimation d'indicateurs de santé moteur à partir de séries temporelles multivariées.
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, notamment des méthodes de suivi efficaces de la santé des équipements afin d'optimiser la maintenance et garantir la sécurité.Une approche de maintenance prédictive des moteurs aéronautiques consiste à suivre des indicateurs internes de performance (par exemple, rendements de sous-systèmes critiques [1]). Ces indicateurs, essentiels pour caractériser l'état de santé du moteur, sont difficiles à mesurer directement en vol. En revanche, les données issues des nombreux capteurs embarqués sont disponibles, et permettent de reconstruire ces indicateurs par résolution d'un problème inverse.
Traditionnellement, cette reconstruction est réalisée au moyen de filtres bayésiens (comme le filtre de Kalman et ses variantes), qui reposent sur des modèles physiques simplifiés pour prédire l'évolution des indicateurs avant de les corriger à l'aide des observations.
Les réseaux neuronaux séquentiels modernes offrent une alternative ou un complément prometteur : les RNN, LSTM, GRU et plus récemment les architectures de type Transformers adaptées aux séries temporelles (par ex. Informer [2], Autoformer [3], Temporal Fusion Transformer [4]) permettent de capturer des dynamiques non linéaires et de longue portée.
Le stage explorera deux voies d'utilisation possibles de ces architectures :
1. Intégration hybride : remplacer la fonction de prédiction du filtre de Kalman par un modèle neuronal (RNN/Transformer), tout en conservant le schéma bayésien de correction par observation.
2. Approche directe : entraîner un modèle neuronal séquentiel à inverser directement le problème (capteurs → indicateurs), sans passer par un filtre de Kalman.
Un défi majeur pour ces approches est la génération de données d'entraînement. Les données réelles de dégradation sont rares et coûteuses, et la simulation de trajectoires temporelles multivariées cohérentes en haute dimension reste complexe. Une partie du stage sera donc consacrée à concevoir des stratégies de génération de trajectoires représentatives, permettant d'entraîner efficacement les modèles tout en respectant les contraintes physiques.
Apprentissage neuronal séquentiel (RNN, LSTM, Transformers) pour l'estimation d'indicateurs de santé moteur à partir de séries temporelles multivariées.
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, notamment des méthodes de suivi efficaces de la santé des équipements afin d'optimiser la maintenance et garantir la sécurité.Une approche de maintenance prédictive des moteurs aéronautiques consiste à suivre des indicateurs internes de performance (par exemple, rendements de sous-systèmes critiques [1]). Ces indicateurs, essentiels pour caractériser l'état de santé du moteur, sont difficiles à mesurer directement en vol. En revanche, les données issues des nombreux capteurs embarqués sont disponibles, et permettent de reconstruire ces indicateurs par résolution d'un problème inverse.
Traditionnellement, cette reconstruction est réalisée au moyen de filtres bayésiens (comme le filtre de Kalman et ses variantes), qui reposent sur des modèles physiques simplifiés pour prédire l'évolution des indicateurs avant de les corriger à l'aide des observations.
Les réseaux neuronaux séquentiels modernes offrent une alternative ou un complément prometteur : les RNN, LSTM, GRU et plus récemment les architectures de type Transformers adaptées aux séries temporelles (par ex. Informer [2], Autoformer [3], Temporal Fusion Transformer [4]) permettent de capturer des dynamiques non linéaires et de longue portée.
Le stage explorera deux voies d'utilisation possibles de ces architectures :
1. Intégration hybride : remplacer la fonction de prédiction du filtre de Kalman par un modèle neuronal (RNN/Transformer), tout en conservant le schéma bayésien de correction par observation.
2. Approche directe : entraîner un modèle neuronal séquentiel à inverser directement le problème (capteurs → indicateurs), sans passer par un filtre de Kalman.
Un défi majeur pour ces approches est la génération de données d'entraînement. Les données réelles de dégradation sont rares et coûteuses, et la simulation de trajectoires temporelles multivariées cohérentes en haute dimension reste complexe. Une partie du stage sera donc consacrée à concevoir des stratégies de génération de trajectoires représentatives, permettant d'entraîner efficacement les modèles tout en respectant les contraintes physiques.
Job Requirements
Programmation : Python, Pytorch
Disciplines: Séries temporelles multivariées, réseaux neuronaux séquentiels, Transformers, filtrage bayésien, génération de données, maintenance prédictive / health monitoring
Langues : Anglais pour lecture scientifique + communication
Job Requirements
Programmation : Python, Pytorch
Disciplines: Séries temporelles multivariées, réseaux neuronaux séquentiels, Transformers, filtrage bayésien, génération de données, maintenance prédictive / health monitoring
Langues : Anglais pour lecture scientifique + communication
But what else? (advantages, specific features, etc.)
Unité d'Accueil : Unité MATD, Safran Tech, Rue des jeunes Bois, 78117 Châteaufort.
Début souhaité : adaptable au profil
But what else? (advantages, specific features, etc.)
Unité d'Accueil : Unité MATD, Safran Tech, Rue des jeunes Bois, 78117 Châteaufort.
Début souhaité : adaptable au profil
Company Information
Safran is an international high-technology group, operating in the aviation (propulsion, equipment and interiors), defense and space markets. Its core purpose is to contribute to a safer, more sustainable world, where air transport is more environmentally friendly, comfortable and accessible. Safran has a global presence, with 100,000 employees and sales of 27.3 billion euros in 2024, and holds, alone or in partnership, world or regional leadership positions in its core markets.
Safran is in the 2nd place in the aerospace and defense industry in TIME magazine's "World's best companies 2024" ranking. Because we are convinced that each talent counts, we value and encourage applications from people with disabilities for our job opportunities.Company Information
Safran is an international high-technology group, operating in the aviation (propulsion, equipment and interiors), defense and space markets. Its core purpose is to contribute to a safer, more sustainable world, where air transport is more environmentally friendly, comfortable and accessible. Safran has a global presence, with 100,000 employees and sales of 27.3 billion euros in 2024, and holds, alone or in partnership, world or regional leadership positions in its core markets.
Safran is in the 2nd place in the aerospace and defense industry in TIME magazine's "World's best companies 2024" ranking. Because we are convinced that each talent counts, we value and encourage applications from people with disabilities for our job opportunities.