Maintenance proactive des systèmes répartis basée sur le Machine Learning

1. Contexte du stage

Dans le cadre de la planification de la maintenance, la démarche couramment utilisées par le passé étaient basées sur les analyses de survie en étudiant statistiquement les « temps avant défaillance » des machines et en prenant parfois également en compte quelques données statiques descriptives des machines. Cette approche conduisait à identifier les équipements à risque afin d’effectuer des opérations de maintenance préventive.

Or aujourd’hui avec le déploiement des capteurs, il est possible d’avoir une image dynamique beaucoup plus précise de l’état de chaque machine à tout instant. Ces informations traitées avec les techniques d'apprentissage automatique permettront d’améliorer la maintenance de manière significative, ainsi le couplage de la maintenance prédictive et le Machine Learning, permettrait d’anticiper efficacement et de corriger plus rapidement les dysfonctionnements et les pannes.

Son déploiement nécessite une réflexion afin de déterminer la nature des données devant être suivies, les schémas de panne envisageables, et en fin les actions correctives à mener pour chaque anomalie détectée.

2. Objectif du stage

Le but de ce stage est de proposer un outil d’aide à la décision pour la maintenance basé sur l’apprentissage. Les approches à considérer et à combiner sont :

• La classification statistique : permettant de prédire, à l’aide des données collectées, s'il y a une possibilité de défaillance de l’équipement dans un proche avenir. Cette approche apporte uniquement une réponse booléenne, (le système fonctionne normalement, ou il est susceptible d'être en panne) mais, par contre fournit des informations avec une grande précision à partir de peu de données.

• La régression : qui consiste à prédire le temps restant avant la panne (estimation de la durée de vie résiduelle). Cette approche a besoin de plus de données, mais fournit plus d'informations sur les dates d’occurrence des pannes.

3. Candidature et profil

Le candidat devra être en master 2 ou en 3ème année d’école d’ingénieur et possédant de bonnes connaissances en programmation mathématique et informatique et, si possibles, posséder une culture sur les algorithmes d’apprentissage statistiques.

Durée du stage : de 6 mois

Lieu : IUT de Nantes

Les candidatures, accompagnées d'un CV, sont à adressées par courrier électronique à : abdelmoula.mohafid@univ-nantes.fr