Contribution à une maintenance prédictive des unités pilotes par une détection robuste des dérives de fonctionnement à partir d'approches issues de l'intelligence artificielle

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Contribution à une maintenance prédictive des unités pilotes par une détection robuste des dérives de fonctionnement à partir d’approches issues de l’intelligence artificielle

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 étudiées permettant d’aller plus vite et réduire les coûts de R&I. Cela passe notamment par la mise en œuvre de méthodes de supervision permettant de s’assurer du bon fonctionnement des installations pilotes et de méthodes de traitement de données pour mieux exploiter et interpréter résultats.

La problématique de pronostic et management de la santé d’un équipement (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 facile d’obtenir des données dans le cadre d’un bon fonctionnement. Cependant il est très difficile d’obtenir des données lors de problèmes de fonctionnement avec la grande variabilité des produits à traiter et des conditions opératoires à explorer.

L’objectif de ce stage est une étude sur le développement de technologies permettant la détection d’anomalies sur des unités pilotes via l’utilisation de méthodes d’apprentissage numériques sur des séries temporelles. Une telle réalisation constituera une avancée significative dans la conduite des procédés en minimisant les pannes et les arrêts des unités.

Objectifs du stage

• Etat de l’art sur les méthodes d’apprentissage profond pour le pronostic et management de la santé.
• Sélection de méthodes adaptées à la problématique de détection d’anomalies sur les unités pilotes IFPEN, en pesant les avantages et inconvénients de chaque approche.
• Implémentation et comparaison des approches les plus prometteuses sur des cas simples.
• Capitaliser les réalisations via la rédaction d’un rapport, de documentation relative au code développé, ainsi que la présentation orale des résultats.

Ce sujet a pour ambition de déboucher sur une thèse permettant d’approfondir cette étude.

Profil recherché

Étudiant de dernière année d’école d’ingénieur, M2, ou équivalant, avec de solides connaissances en apprentissage (machine learning) et science des données, ainsi qu’un fort intérêt vers le génie des procédés.

Toutefois, les candidatures en génie chimique, avec une forte appétence pour les mathématiques appliquées et l’informatique, seront considérées avec intérêt.

Langue Française ou Anglaise, curiosité, enthousiasme, autonomie.