Laboratoire de Génie Informatique et d’Automatique de l’Artois

Poste ouvert (Doctorant)

Diagnostic des défauts de moteur/convertisseur dans une chaîne de traction électrique à l’aide d’algorithmes d’apprentissage automatique et de fusion d’informations

CDD (3 ans) Début : 01/10/2023

L’objectif principal de cette thèse consiste à développer des approches d’apprentissage automatique pour détecter des défauts dans l’association moteur/convertisseur d’une chaîne de traction électrique.

Important

  • Limite de candidature : 2 juin 2023
  • Prise de fonction début septembre ou octobre 2023

Résumé

L’objectif principal de cette thèse consiste à développer des approches d’apprentissage automatique pour détecter des défauts dans l’association moteur/convertisseur d’une chaîne de traction électrique. Les données, des séries temporelles de mesures issues de nombreux capteurs (courant, tension, vibration, champ magnétique, vitesse, température, …), seront utilisées conjointement dans l’outil de diagnostic.

Il existe de nombreuses méthodes dans la littérature pour réaliser ce diagnostic avec des données d’apprentissage [1,2]. Parmi les plus performantes il est possible de citer les matrices de convolution aléatoires (e.g. méthode Rocket [3]) ou les réseaux de neurones profonds convolutifs [4]. Ces méthodes seront testées et développées pour cette application. Les données multi-capteurs pourront être exploitées de plusieurs manières : soit toutes mises en entrée d’un classifieur (voire de plusieurs classifieurs dont les résultats pourront être fusionnés), soit chaque capteur, fournissant un type de donnée, est associé à un classifieur, puis tous les classifieurs sont fusionnés.

Pour réaliser ces fusions/combinaisons, plusieurs méthodes [5] ont été développées au sein du LGI2A avec comme cadre formel la théorie de Dempster-Shafer des fonctions de croyance [6], qui étend la théorie des probabilités en représentant les degrés de croyance par des mesures non additives. Cette théorie offre un cadre riche et flexible pour modéliser l’imprécision et l’incertitude. En particulier, des travaux récents [7,8,9] ont montré l’intérêt d’enrichir un réseau de neurones profonds avec une couche supplémentaire de Dempster-Shafer basée sur la distance pour prédire les fonctions de croyance. Ces fonctions de croyance peuvent être d’un grand intérêt pour représenter au mieux la présence d’un défaut.

L’outil développé devra pouvoir être embarqué sur la chaîne de traction pour en détecter les défauts en temps réel. On pourra penser à l’utilisation de puces d’accélération d’IA type NPU (Neural Processing Unit).

Références

[1] H.I. Fawaz, G. Forestier, J. Weber, L. Idoumghar and P.-A. Muller. Deep learning for time series classification : a review, Data Mining and Knowledge Discovery, 33:917-963, 2019. https://doi.org/10.1007/s10618-019-00619-1
[2] J. Faouzi. Time Series Classification : A review of Algorithms and Implementations, Machine Learning (Emerging Trends and Applications), Ketan Kotecha (Ed.), Proud Pen, In press 2023, ISBN 978-1-8381524-1-3.
[3] A. Dempster, F. Petitjean and G.I. Webb. ROCKET : exceptionally fast and accurate time series classification using random convolutional kernels, Data Mining and Knowledge Discovery volume 34, pages 1454–1495, 2020.
[4] Z. Wang, W. Yan and Tim Oates, Time Series Classification from Scratch with Deep Neural Networks : A Strong Baseline, CoRR, abs/1611.06455, 2016.
[5] F. Pichon, D. Mercier, E. Lefèvre, and F. Delmotte. Proposition and learning of some belief function contextual correction mechanisms. International Journal Approximate Reasoning, 72:4–42, 2016.
[6] G. Shafer. A mathematical theory of evidence, volume 42. Princeton university press, 1976.
[7] L. Huang, S. Ruan, P. Decazes, and T. Denoeux. Lymphoma segmentation from 3D PET-CT images using a deep evidential network. International Journal of Approximate Reasoning, Volume 149, pages 39-60, 2022.
[8] Z. Tong, P. Xu, and T. Denoeux. An evidential classifier based on dempster-shafer theory and deep learning. Neurocomputing, 450:275–293, 2021.
[9] Z. Tong, P. Xu, and T. Denœux. Fusion of evidential cnn classifiers for image classification. In International Conference on Belief Functions, pages 168–176. Springer, 2021.

Profil du candidat

  • Titulaire d’un M2 ou équivalent en informatique, intelligence artificielle, science des données, science de l’ingénieur ou domaine voisin avec :
  • De solides connaissances en apprentissage automatique et en apprentissage profond.
  • Expérience avec des langages de programmation tels que Python, TensorFlow, Keras, Pytorch.
  • Excellentes compétences en communication écrite et orale en anglais et français.
  • Solides compétences en matière de résolution de problèmes et d’analyse.

Eléments à fournir pour la candidature

En un seul pdf envoyé à tous les contacts :

  • CV et lettre de motivation pour le sujet
  • Notes et classements M2 / M1 / Licence (3e année) (ou école d’ingénieurs)
  • 1 à 2 lettres de recommandations
Contact : David MERCIER
+333 21.63.23.00
Contact : Gildas MORVAN
+333 21.63.71.65