Français
Se connecter
S'inscrire
Détails de l'offre
Accueil Emploi Études Langues Pour Recruteurs
Emploi > Stages > Industrie > France > Détails de l'offre 

CDD CIFRE - Maintenance Prévisionnelle de Machine à Commande Numérique - Industr

Stage, Industrie, Français, Anglais
31
Visites
0
Candidats
Enregistrez-vous

Description du poste:

Description du poste

Le sujet: Synthèse d'un outil intelligent et interprétable pour le suivi de santé de systèmes industriels: application à la maintenance de machines à commande numérique
Présentation du sujet: Une machine à commande numérique est un système complexe et hétérogène résultant de l'intégration d'un ensemble de composants mécaniques (broches, forêts, etc), de moteurs, de pompes afin d'assurer une unique fonction globale: l'usinage spécifique d'un produit avec une précision et une puissance adaptée. Comme tout système complexe, une telle machine peut être sujette à des défaillances telles que des pannes franches, ou encore à des dégradations de performance (usure, vieillissement de composants) conduisant à la production de pièces ne respectant plus les spécifications (augmentation du taux de rebus).
Pouvoir garantir qu'une telle machine-outil est toujours opérationnelle nécessite la mise en œuvre d'un système d'aide à la décision pour la maintenance corrective et prévisionnelle dont l'objectif est de diagnostiquer les défauts courants (pour la maintenance corrective) mais également de pronostiquer les défauts futurs en estimant la durée de vie résiduelle de chaque composant de la machine (maintenance prévisionnelle).
L'objectif de cette thèse est de développer une méthode de raisonnement automatique (IA) qui synthétise des diagnostics et des pronostics pour la maintenance d'une telle machine-outil.
En s'appuyant sur un cadre formel définissant les liens entre diagnostic et pronostic dans des systèmes hétérogènes, le premier objectif de cette thèse est de développer une méthode de type boîte grise qui résulte de la combinaison de techniques de raisonnement à base de modèles (méthodes boîte blanche) et de techniques d'apprentissage automatique adaptée (méthodes boîte noire).
Le deuxième objectif est de garantir que la méthode proposée dispose d'un niveau d'interprétabilité suffisant pour que les opérateurs de maintenance puissent l'exploiter en toute confiance.
Résultats attendus et méthodologie: Cette étude repose sur l'application du cadre formel spécifiant les liens structurels et fonctionnels entre diagnostic et pronostic dans des systèmes hétérogènes . Ce cadre nécessite la définition de modèles de comportements et de vieillissement des composants du système pouvant être obtenus soit par expertise (modèle physique) soit par apprentissage automatique (modèles issus de données brutes: capteurs, historique,…) .
Dans un premier temps, l'objectif sera de déployer ce modèle structurel sur la machine-outil étudiée afin d'en identifier les différents composants, leur nature et ainsi identifier pour chaque composant la meilleure technique d'acquisition de modèles (expertise ou apprentissage automatique).
Une seconde étape consistera alors à acquérir ces modèles et les méthodes de calcul pour les exploiter puis à déterminer leur interprétabilité (critères de convergence, identification à la limite).
Concernant les méthodes d'apprentissage automatique (Machine Learning), et en particulier l'apprentissage non supervisé, elles permettent de mettre en évidence des corrélations et des clusters dans la masse de données brutes dont dispose l'entreprise (données machine, produit, incidents et anomalies reportées par les opérateurs de ligne, etc.). Ce type d'approche pourra être appliquée afin d'identifier les paramètres pertinents, leurs corrélations et, si possible, déterminer des causes-racines (explication de la corrélation) tout en s'appuyant sur le modèle structurel qui aura été déployé.
Cette phase sera notamment guidée par des critères de pertinence industrielle et de faisabilité technique. Dans un dernier temps, on étudiera comment exploiter les modèles ainsi obtenus dans un outil de suivi intégré au sein d'un dispositif de maintenance prédictive, le but étant de maximiser les taux d'utilisation machine (TRS), de minimiser le taux de rebut et d'optimiser d'autres critères de maintenance.

Qualifications

Expérience/Niveau souhaité: BAC + 5 en informatique et mathématiques appliqués. Une expérience de recherche (stage de Master), ainsi que des bases scientifiques solides en informatique (analyse de données, algorithmique, programmation) sont requises.
Compétences techniques : Programmation Python, et machine learning. Des connaissances en Génie Industriel (gestion de la production et des flux, Lean) seraient un plus
Compétences relationnelles : Dynamisme, curiosité intellectuelle, travail en équipe, rigueur, sérieux et goût pour l'innovation seront des atouts indispensables pour le succès de cet ambitieux projet de recherche appliquée
Langues: Anglais niveau B2/C1

Informations complémentaires

Cette offre d'emploi est relative à l'entité légale Robert (COMPANY NAME) (France) SAS.
Merci de joindre votre CV, une lettre de motivation ainsi que les notes obtenus en master.

Vidéos à regarder

Origine: Site web de l'entreprise
Publié: 24 Juin 2020
Type de poste: Stage
Langues: Français, Anglais
Enregistrez-vous
41.647 emplois et stages
dans 123 pays
S'inscrire   ou Se connecter
Ce site utilise des cookies pour fournir ses services, personnaliser le contenu et les annonces et mesurer notre audience.  Plus d'infos.
Paramétrer J'accepte