Transcript Laboratoire Ampère Diagnostic et pronostic des systèmes entraînés

Ecole Centrale de Lyon - INSA de Lyon – Université Claude Bernard Lyon 1
Laboratoire Ampère
Unité Mixte de Recherche du CNRS - UMR 5005
Génie Electrique, Electromagnétisme, Automatique, Microbiologie environnementale
et Applications
Diagnostic et pronostic des systèmes entraînés
Laboratoire :
Ampère, UMR CNRS 5005
Domaine scientifique principal :
Energie, Intelligence artificielle
Domaine scientifique secondaire :
Systèmes électromagnétiques, entraînements
Mots clés (5 max) : Diagnostic et sûreté de fonctionnement, pronostic, classification, aide à la
décision
Directeurs de thèse et comité d’encadrement
Directeur de thèse
RAZIK Hubert – [email protected]
Comité d’encadrement
BOUTLEUX Emmanuel - [email protected]
Départements concernés
- MIS (Méthodes pour l’Ingénierie des Systèmes)
Groupes concernés
- FDS (Fiabilité, Diagnostic et supervision)
Collaboration(s)/partenariat(s) extérieurs
- Labo commun SAFRAN/AMPERE IPES (Intégration de Puissance en Environnement
Sévère)
Contexte Scientifique (5 lignes max)
La surveillance des systèmes entraînés dans les milieux critiques ou sensibles est l’un des principaux
défis de notre ère. L’utilisation optimale des convertisseurs statiques d’énergies (électrique vers
mécanique) s’applique tant dans les véhicules électriques, hybrides que dans l’avionique. Aussi, nous
devons poursuivre nos efforts pour tenter d’assurer une continuité de service, détecter un défaut et
l’identifier afin d’émettre un pronostic fiable (estimation de la durée de vie restante).
Objectif de la thèse, verrous scientifiques et contribution originale attendue (1 page max)
La continuité de service est une contrainte forte dans de nombreux procédés. Elle nous amène à
établir un diagnostic précoce afin d’informer un opérateur d’un défaut naissant ou voire mieux encore,
dès sa naissance. Bien entendu, la discrimination des défauts multiples est un problème conséquent
car les défauts peuvent être de natures différentes. Il nous faut les différencier par l’exploitation de
signatures ou de marqueurs associés à des techniques d’intelligence artificielle comme par exemple
la reconnaissance de forme.
L’objectif principal de cette thèse est de proposer une stratégie de supervision et de classification
applicable à des systèmes entraînés en espérant prédire l’état de santé (la durée de vie restante)
jusqu’au point de rupture de l’élément surveillé. Cette approche pourrait être couplée avec des lois de
vieillissement ou d’extrapolation sans omettre les soucis dus aux incertitudes.
Les compétences actuelles d’Ampère sont dans l’élaboration de signatures caractéristiques de
défauts dans les systèmes entraînés, ainsi que dans l’application de techniques de classification.
L’idée serait ici d’utiliser d’autres techniques de fouille de donnée en masse (type moteur de
recherche sur internet) et de les adapter pour aboutir au diagnostic et pronostic de systèmes
entraînés. Ces techniques ne sont pas à ce jour abordées dans le domaine du diagnostic/pronostic.
L’algorithme heuristique d’optimisation basé sur le requin est l’une de ces techniques que l’on
souhaite appliquer à des méthodes de supervision et pronostic.
Ecole Centrale de Lyon - INSA de Lyon – Université Claude Bernard Lyon 1
Laboratoire Ampère
Unité Mixte de Recherche du CNRS - UMR 5005
Génie Electrique, Electromagnétisme, Automatique, Microbiologie environnementale
et Applications
Programme de recherche et démarche scientifique proposée (1/2 page max)
Une bonne base de départ est l’appropriation des travaux de thèse de M. Soualhi (thèse Ampère).
Ensuite il est nécessaire de réaliser une bibliographie spécifique aux méthodes heuristiques
d’optimisation et aux techniques de fouille de données en masse.
Une fois cet état de l’art achevé, le doctorant devra concevoir des algorithmes heuristiques
applicables à des problèmes de diagnostic et les valider sur les bases de données existantes et
maîtrisées par Ampère.
Dans un deuxième temps il s’agira de confronter cette approche à des applications aéronautiques
liées au laboratoire commun IPES (telle que la surveillance des roulements utilisés dans les
commandes électriques de vol).
Les méthodologies employées sont en général appliquées sur des données recueillies sur un
procédé en régime stationnaire. Il faudra également étudier le cas où les systèmes fonctionnent en
régime lentement variable ou variable afin de mettre en exergue la problématique qui leur est propre.
Profil du candidat recherché (prérequis) : Le ou la candidate sera issu d’un Master Pro ou
Recherche, ou d’une école d’ingénieurs avec une spécialisation en génie électrique. Une
connaissance des méthodes de diagnostic et de classification sera un atout. Le candidat potentiel
pour cette thèse effectue (à partir du 15 mars) pour une période de 6 mois un stage au sein du
laboratoire commun IPES.
Compétences développées au cours de la thèse et perspective professionnelle (5 lignes max)
Durant la thèse, le ou la candidate développera des compétences multiples dans le domaine des
algorithmes heuristiques, de la fouille de données, de la supervision, du diagnostic et du pronostic.
Cette personne aura des connaissances des processus de défaillances dans les systèmes entraînés.
L’ensemble de ces points permettra à cette personne d’envisager une poursuite après sa thèse dans
le domaine de la recherche appliquée que cela soit en France ou à l’international.
Bibliographie sur le sujet de thèse
1. A. Soualhi, H. Razik, G. Clerc: “Prognosis of Bearing Failures using Hidden Markov
Models and the Adaptive Neuro-Fuzzy Inference System”. IEEE Transactions on IES,
2013, pp. 10. Doi: 10.1109/TIE.2013.2274415
2. A. Soualhi, G. Clerc, H. Razik: “Detection and Diagnosis of Faults in Induction Motor
using an Improved Ant Clustering Technique”. IEEE Transactions on IES, 2013, pp. 10.
3. da Silva, Edison R. C., RAZIK, Hubert, BACCARINI Lane M. Rabelo, Maurício B.
de R. Corrêa, JACOBINA, C. B. . Application of some artificial intelligence techniques
in induction motor fault diagnosis. Eletrônica de Potência (Impresso), v. 16, p. 241-248,
2011.
4. Hsing-Chih Tsai, Yong-Huang Lin: “Modification of the fish swarm algorithm with
particle swarm optimization formulation and communication behavior”. Elsevier in
Applied Soft Computing, Vol. 11, Issue 8, December 2011, Pages 5367–5374
5. X. Chen, D. Sun, J. Wang, J. Liang: Time series forecasting based on novel support
vector machine using artificial fish swarm algorithm, in: Proceedings – 4th International
Conference on Natural Computation, ICNC 2008, vol. 2, 2008, pp. 206–211.
6. Wei Shen, Xiaopen Guo, Chao Wu, Desheng Wu: “Forecasting stock indices using
radial basis function neural networks optimized by artificial fish swarm algorithm”.
Elsevier in Knowledge-Based Systems, 2011, pp.378–385
7. Genrang Zheng, ZhengChun Lin: “A Winner Determination Algorithm for
Combinatorial Auctions Based on Hybrid Artificial Fish Swarm Algorithm”. Elsevier in
Physics Procedia,2012, pp. 1666 – 1670
8. Michael Hersovici, Michal Jacovi, Yoelle S. Maarek, Dan Pelleg, Menanchem
Shtalhaim, Sigalit Ur, “The shark-search algorithm. An application: tailored Web site
mapping”, Elsevier in Comput. Netw. ISDN Syst, pp. 317-326, 1998.