Détection robuste des dérives de fonctionnement d’unités pilotes par IA

IFPEN a l’ambition de devenir un acteur incontournable de la triple transition énergétique, écologique et numérique en proposant des solutions technologiques différenciantes en réponse aux défis sociétaux et industriels de l’énergie et du climat. La mise en place de nouvelles démarches méthodologiques couplant « data science et expérimentation » font partie des solutions en étude permettant une meilleure maitrise des outils expérimentaux. Les algorithmes d’apprentissage basés sur les séries temporelles, qui constituent la majeure partie des données générées, sont notamment en plein essor dans la littérature, qu’elles soient supervisées ou non supervisées (ARIMA, LSTM…).
La problématique de pronostic et management de la santé (communément appelé PHM : Prognostics and Health Management) est d’un intérêt certain. Il s’agit d’une discipline qui s’intéresse aux mécanismes de dégradation des systèmes en vue de l’estimation de leur état de santé, de l’anticipation de leur défaillance et de l’optimisation de leur maintenance. Par exemple, sur une unité pilote il est très difficile d’obtenir des données lors de problèmes de fonctionnement, problèmes dont l’occurrence est croissante avec la grande variabilité des produits à traiter et des conditions opératoires à explorer. Cette thèse vise à surmonter ces défis en explorant des méthodologies basées sur les données. Le choix de cette approche se justifie par la vaste diversité des données disponibles à l’IFPEN. De nouveaux essais expérimentaux pourront également être menés en complément.

Mots clefs: Data science, machine learning, prognostics and health management PHM, deep learning, Process Systems Engineering

• Directeur de thèse    Dr Alexandre VOISIN, CRAN, ORCID : 0000-0002-4637-6826
• Ecole doctorale    ED77 : Automatique et traitement du signal, Université de Lorraine
• Encadrant IFPEN    Dr Victor COSTA, ORCID :  0000-0002-9723-8538
• Localisation du doctorant    IFPEN, Solaize, France  
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2024 (4 novembre)
• Employeur    IFPEN
• Qualifications    Master en mathématiques appliquées, informatique, science des données ou génie des procédés / automatique avec une forte appétence pour la science des données.
• Connaissances linguistiques    Anglais niveau B2 (CECR)    
• Autres qualifications    Programmation en Python

Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous