Parcourir les annonces Parcourir les étudiants Publier une annonce Ajouter un CV

STAGE – DILEGEO – Concevoir des méthodes de machine learning pour analyser et prédire les pannes de systèmes complexes de transport

Rémunération
N/C
Lieu

Saint-Raphaël (à 300m de la gare TGV), et au sein du laboratoire LJAD de Nice

Date de début
N/C
Date de fin
31 août 2020

Au croisement de deux univers : la maintenance industrielle des transports publics urbains et régionaux (bus, tramway, métro, train, bateau), et l’analyse des données techniques et financières, se trouve deligeo. Labellisée Jeune Entreprise Innovante, deligeo propose son expertise en termes de data analyse et modélisation afin d’aider ses clients (Collectivités, Constructeurs, Opérateurs) dans leurs prises de décisions concernant les coûts de maintenance et la gestion de patrimoine physique. Pour cela, deligeo a développé sa propre plateforme de modélisation et de simulation, au sein de laquelle les systèmes de transport sont représentés sous la forme d’une arborescence d’équipements avec pour chacun, la simulation d’événements cycliques (maintenance préventives) ou non (défaillances) puis le calcul de leurs impacts en maintenance (coûts). La simulation des défaillances aléatoires (éventuellement accélérées par le vieillissement) est basée pour le moment sur des estimations principalement déterministes. deligeo et le Laboratoire Jean Alexandre Dieudonné mènent en collaboration un programme de recherche pour améliorer la partie du modèle qui simule l’apparition des défaillances et pour prendre mieux en compte l’aléa et les interactions entre pannes et maintenance préventive.

Sujet

Avec le développement des generations de véhicules de transport en commun connectes, nous sommes en mesure de connaitre de manière precise l’état de chaque véhicule d’une flotte grace à des centaines de capteurs placés sur les différentes composantes de chaque véhicule. Nous recueillons donc en temps reel des milliers de mesure sur l’état des vehicules. Traiter ces données nécessite le développement de méthodes computationnellement efficaces pour fournir une aide à la decision rapide et fiable.

Le travail à mener est à la fois académique (développement des concepts mathématiques établis au sein du Laboratoire de statistiques) et pratique (aboutir à des améliorations du logiciel utilisables pour des cas pratiques). Ce stage pourra aborder les points suivants:

  • Developper des modeles de prediction de pannes.
  • Mettre au point des méthodes de clustering (y compris sequentiels) pour construire differents scenarii de pannes caractéristiques.
  • Evaluation des coûts de maintenance.

Les méthodes seront testées notamment sur les sites pilotes du projet européen horizon 2020-Eurostars « TalkHow ». Ce projet consiste à relier les données temps réel d’outils IoT de maintenance prédictive avec la plateforme de modélisation à long terme.

Organisation

Localisation: Le stage est basé partiellement à Saint-Raphaël (à 300m de la gare TGV), et au sein du laboratoire LJAD de Nice

Dates : mars à août 2020

Contact : karim.lounici@polytechnique.edu

 


Editer