Contexte :
Dans le cadre de son programme de recherche appliquée, ACOEM développe des solutions innovantes de surveillance et de diagnostic automatique de machines industrielles, en s'appuyant notamment sur l’analyse des signaux issus de capteurs de vibrations. L'objectif est de détecter de manière précoce les défauts mécaniques et d'optimiser la maintenance prédictive.

Afin d'améliorer la robustesse et la précision des algorithmes d’intelligence artificielle (IA) utilisés pour la reconnaissance de signatures vibratoires, l’équipe Innovation d’ACOEM souhaite renforcer ses travaux en collaborant avec un(e) doctorant(e) dans le cadre d’une Thèse CIFRE.

Sujet de thèse :
Développement de méthodes hybrides combinant modèles physiques en mécanique vibratoire et techniques d’apprentissage automatique (machine learning / deep learning) pour l’identification et le diagnostic de défauts mécaniques en environnement industriel.

Objectifs :

- Modéliser le comportement vibratoire de composants mécaniques courants (roulements, engrenages, moteurs, etc.) en présence de défauts.

- Concevoir des algorithmes d’IA capables d’exploiter des données multi-capteurs (vibrations, acoustique, etc.) pour détecter et classifier les anomalies.

- Intégrer les connaissances physiques dans les modèles statistiques ou neuronaux (approche "physics-informed AI").

- Évaluer les performances des algorithmes développés sur des bancs d’essai et en conditions réelles.

Profil recherché :

- Diplôme d’ingénieur ou Master 2 en mécanique, mathématiques appliquées, traitement du signal ou domaine connexe.

- Solides connaissances en mécanique vibratoire, analyse modale, modélisation physique.

- Compétences en apprentissage automatique, statistiques, programmation scientifique (Python, MATLAB, etc.).

- Une première expérience avec des frameworks d’IA (TensorFlow, PyTorch, Scikit-learn…) est un atout.

- Goût pour la recherche appliquée, autonomie, rigueur et esprit d’équipe.