Estimation de l'état thermique d'une machine synchrone à aimants permanents par des méthodes d'apprentissage automatique

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. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; 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 et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Estimation de l’état thermique d’une machine synchrone à aimants permanents par des méthodes d’apprentissage automatique

La machine synchrone à aimants permanents (PMSM) est largement utilisée dans les applications industrielles, automobiles et aéronautiques en raison de ses performances élevées, de sa densité de puissance et de son rendement. Toutefois, ses performances et sa fiabilité sont fortement dépendantes de son état thermique.

La surchauffe des composants internes - en particulier les enroulements statoriques, les rotors et les aimants - peut entraîner une dégradation accélérée des matériaux, une perte d’aimantation irréversible ou encore des déclenchements intempestifs.

Ainsi, une estimation précise de l’état thermique est essentielle non seulement pour garantir la sûreté de fonctionnement, mais également pour : optimiser le contrôle en tenant compte des limites thermiques dynamiques pour le flux-weakening et la gestion du couple ; assurer la surveillance en temps réel dans des environnements exigeants où l’intégration de capteurs physiques est difficile voire impossible; et prévenir les défaillances, dans le cadre d’une maintenance conditionnelle ou d’une stratégie de prolongement de durée de vie.

Traditionnellement, l’estimation de l’état thermique repose sur des modèles thermiques analytiques complexes, dont la précision dépend fortement des nombreux paramètres physiques et des conditions d’exploitation. Ces méthodes sont souvent difficiles à implémenter en temps réel et peu flexibles lorsqu’il s’agit de les adapter à différents types de machines ou à des environnements variés.

L’apprentissage automatique (Machine Learning) offre une alternative prometteuse qui permet, à partir de données importantes, d’apprendre les relations complexes entre les grandeurs mesurables disponibles (courants, tensions, vitesse, température ambiante, etc.) et l’état thermique interne de la machine.

Ces approches ne nécessitent pas de modèles physiques complexes, ce qui facilite leur déploiement rapide, leur adaptation à différents types de machines et leur intégration dans des applications temps réel.

Objectifs

L’objectif principal du stage est de développer et évaluer une méthode d’apprentissage automatique pour estimer l’état thermique d’une PMSM, en se basant sur des données électriques mesurables (courants, tensions, vitesses, etc.) et des données de fonctionnement (conditions ambiantes, régimes de charge).

Le stagiaire aura pour mission de :

• Réaliser une revue de littérature sur les approches classiques et modernes (méthodes hybrides, réseaux de neurones, modèles séquentiels, etc.) appliquées à l’estimation thermique des machines électriques ;
• Préparer et prétraiter un jeu de données (expérimental ou simulé) contenant les entrées électriques/mécaniques et les mesures de température de référence ;
• Développer, entraîner plusieurs modèles d’apprentissage automatique pour l’estimation thermique (régression, forêts aléatoires, réseaux de neurones profonds, LSTM, etc.) et comparer en termes de précision, robustesse et capacité de généralisation ;
• Proposer une méthode intégrable en ligne pour un système embarqué temps réel (en option selon avancement).

Profil recherché

Étudiant(e) en dernière année de Master ou d’école d’ingénieur, spécialisé(e) dans l’un des domaines suivants : Génie électrique, automatique, intelligence artificielle ou traitement de données.

Compétences et connaissances techniques :

• Apprentissage automatique (réseaux de neurones, LSTM, etc.).
• Traitement de données et modélisation/simulation (MATLAB, Python).

Quelques connaissances en machines électriques et thermique appliquée.