Transport optimal neural pour la détection d'anomalies : application au monitoring industriel H/F

Candidater

2.1 Contexte Ce stage se situe à l'intersection de certains thèmes de grande importance pour le laboratoire LIIDE. Par exemple, dans le cadre d'une thèse de doctorat en cours, 3 publications ont été publications sur la manière de diagnostiquer différents types de fautes [3, 4, 5]. Ici, nous prenons du recul par rapport ici, nous prenons du recul par rapport au pipeline de surveillance, et cherchons à caractériser l'état de santé d'un système. Nous souhaitons intégrer différents travaux récents dans le domaine du transport optimal, en particulier dans le domaine du transport optimal neuronal [6] pour la détection des défauts [7]. 2.2 Questions de recherche Le stagiaire sera libre d'explorer les questions suivantes, tout en étant guidé par l'équipe de supervision. l'équipe de supervision, 1. Comment tirer parti des réseaux neuronaux et de la théorie du transport optimal pour concevoir un score de santé pour les relevés de capteurs dans un système ? de l'état de santé des relevés de capteurs dans un système, 2. Comment concevoir des systèmes de détection qui soient robustes aux conditions de travail de diverses machines, 3. Comment intégrer les connaissances provenant de différentes machines, dans des conditions de travail différentes, dans un cadre fédéré. [3] Eduardo Fernandes Montesuma, Michela Mulas, Francesco Corona, and FredMaurice Ngole Mboula. Cross-domain fault diagnosis through optimal transport for a cstr process. IFAC-PapersOnLine, 55(7):946–951, 2022. [4] Eduardo Fernandes Montesuma, Fred Ngol`e Mboula, and Antoine Souloumiac. Multisource domain adaptation meets dataset distillation through dataset dictionary learning. arXiv preprint arXiv:2309.07666, 2023. [5] Eduardo Fernandes Montesuma, Michela Mulas, Fred Ngol`e Mboula, Francesco Corona, and Antoine Souloumiac. Multi-source domain adaptation for cross-domain fault diagnosis of chemical processes. arXiv e-prints, pages arXiv–2308, 2023. [6] Alexander Korotin, Daniil Selikhanovych, and Evgeny Burnaev. Neural optimal transport. arXiv preprint arXiv:2201.12220, 2022. [7] Dubravko Miljkovi´c. Fault detection methods: A literature survey. In 2011 Proceedings of the 34th international convention MIPRO, pages 750–755. IEEE, 2011.

Le Laboratoire Instrumentation Intelligente, Distribuée et Embarquée (LIIDE) a pour mission de développer une plateforme mixte, matérielle et logicielle, pour concevoir les fonctionnalités de l'instrumentation du futur. Le laboratoire développe conjointement 1) le volet matériel, visant des cartes électroniques polyvalentes et modulaires, accompagnées des logiciels nécessaires à leur fonctionnement, pour couvrir une large gamme de technologie de capteurs ; et 2) des fonctionnalités innovantes d'intelligence artificielle pour la mesure répartie et l'apprentissage frugal et distribué. Le laboratoire est ancré dans un environnement riche centré autour de l'instrumentation numérique pour le contrôle, le monitoring et le diagnostic. Le département auquel il appartient s'appuie sur une large gamme de capteurs (fibres optiques, capteurs piézo-électriques, sondes Courants de Foucault, rayons X) ainsi que sur des plateformes d'expérimentation de pointe. Les applications sont principalement focalisées sur le contrôle non-destructif (Non-Destructive Evaluation - NDE) ou la surveillance de l'état de santé de structures (Structural Health Monitoring - SHM).

Nous recherchons un étudiant en M1/M2 ou école d'ingénieur en traitement du signal, mathématiques appliquées, sciences des données ou dans des domaines connexes. Le stagiaire doit avoir une forte affinité avec les les mathématiques de l'apprentissage, telles que les probabilités, l'algèbre linéaire et l'analyse. La programmation Python est requise. La connaissance de frameworks tels que scikit-learn et Pytorch est un plus. En ce qui concerne les compétences non techniques, une bonne organisation, un sens de la rigueur, de l'autonomie et de la curiosité sont des qualités appréciées. Rejoignez-nous #CEA-List !

fr_FRFR

Contact us

We will reply as soon as possible...