Thèse de DAMPEYROU Charles sur theses.fr

Résumé :

L’objectif de cette thèse est de développer une solution numérique basée sur des algorithmes d’apprentissages pour la détection non supervisée d’anomalies dans les séries temporelles multivariées. Cette solution sera développée dans le contexte des systèmes de capteurs équipant des structures aéronautiques. Le comportement des capteurs étant directement lié par certaines physiques appliquées au système avion, l’originalité de l’approche proposée portera principalement sur la prise en compte de ces contraintes physiques dans la définition et/ou l’entraînement d’architecture de type VAE. Cette approche sera confrontée à l’état de l’art sur les méthodes de séparation de source et plus particulièrement sur les techniques de détection des anomalies dans les systèmes mécaniques. Cette démarche scientifique devrait ainsi permettre l’identification d’anomalies violant la physique sous-jacente au problème considéré (défaillance capteur par exemple) ou d’anomalies correspondant à un comportement mécanique extrême (chargement extrême, défaillance structurelle). Finalement, l’approche proposée pourra être mobilisée afin de consolider automatiquement des données utilisées pour l’entraînement de modèles de prédiction (ces modèles pouvant être des modèles de prédiction du comportement structurel d’un avion à partir d’instruments de vols tels que
développés lors du Challenge AI for Industry 2020 ou tout autre modèle utilisant des séries temporelles multi-variées comme entrées) ou encore afin de servir d’outil d’aide à la décision en détectant l’émergence de défaillances dans un contexte de maintenance prédictive.

Encadrement : 

Sous la direction de Prof Jean-Luc DION (ISAE-Supméca) et 
MCF Marin GHIENNE (ISAE-Supméca)