Contexte

La filiale ACOEM RP (Groupe ACOEM) développe des solutions de surveillance vibratoire et de diagnostic automatique pour les machines tournantes. Chaque machine est équipée de plusieurs capteurs placés sur différents points de mesure (moteur, pompe, roulements, etc.) permettant de suivre la santé de ses composants.

Actuellement, le système établit pour chaque composant un diagnostic de santé, identifiant la présence éventuelle d’un défaut et estimant son niveau de criticité. L’équipe Innovation souhaite améliorer la précision, la robustesse et la capacité de généralisation de ce système en explorant de nouvelles approches de traitement, de modélisation et d’apprentissage.

Objectif du stage

Explorer et expérimenter différentes stratégies de traitement et d'apprentissage afin d’améliorer les performances du diagnostic automatique des composants des machines. 

Les axes d’amélioration incluent notamment :

• Le passage du diagnostic mono point au multi point (fusion des informations de plusieurs capteurs);
• la comparaison de différents modèles (‘multi-output multi-class’ vs plusieurs ‘single-output multi-class’);
• le feature engineering et la sélection d’indicateurs vibratoires pertinents;
• la prise en compte des métadonnées (type de composant, vitesse, etc.);
• l’amélioration des stratégies d’apprentissage (création de folds, gestion des déséquilibres entre classes, gestion des données manquantes, etc.)

Missions du stage

Le stagiaire participera à l’amélioration du système de diagnostic vibratoire développé par ACOEM. Selon son profil et l’avancement du projet, il pourra intervenir sur un ou plusieurs des axes suivants :

• Analyse exploratoire des données (EDA) : compréhension et valorisation des données existantes, étude des relations entre les points de mesure, composants et types de défauts;
• préparation et traitement des signaux : nettoyage, prétraitement et extraction de caractéristiques pertinentes pour le diagnostic;
• développement et évaluation de modèles : expérimentation de différentes approches de modélisation (machine learning, deep learning, fusion multipoint, etc.);
• amélioration du pipeline d’apprentissage : réflexion sur la gestion des données manquantes, la pondération des échantillons ou la sélection des indicateurs les plus représentatifs;
• mise en valeur des résultats : visualisation, interprétation et comparaison des performances obtenues;
• la priorisation des actions du stage sera adaptée en fonction des compétences et des intérêts du stagiaire, ainsi que des avancées obtenues depuis la date de rédaction du sujet compte tenu du fait qu’il s’agit d’un programme continu de recherche appliquée de l’équipe Innovation.

Profil recherché

• Issu(e) d'une formation scientifique Bac+5;
• bonne maîtrise de Python (NumPy, Pandas, Matplotlib);
• connaissances de base en machine learning (Scikit-learn, XGBoost);
• connaissance d’un framework de deep learning (PyTorch, TensorFlow);
• notions en traitement du signal;
• esprit analytique, curiosité et rigueur scientifique;
• autonomie, capacité d’apprentissage et goût pour l’expérimentation.

Durée et lieu

• Durée : 6 mois (date de début de stage flexible)
• Lieu : Limonest - ACOEM
• Encadrement : Équipe R&D – Innovation