Stage - Apprentissage Neuronal Séquentiel pour l'Estimation d'Indicateurs de Santé Moteur H/F - Safran

Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 100 000 collaborateurs pour un chiffre d'affaires de 27,3 milliards d'euros en 2024, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés.

Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2024 » du magazine TIME.

Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploiApprentissage neuronal séquentiel (RNN, LSTM, Transformers) pour l'estimation d'indicateurs de santé moteur à partir de séries temporelles multivariées.

Safran est un groupe international de haute technologie, équipementier de premier rang dans les domaines de l'Aéronautique, de l'Espace, de la Défense et de la Sécurité. Au sein de Safran Tech (le centre de R&T du groupe), l'Unité de Recherche Maths & Algorithms for Temporal Data (MATD) développe de nouveaux outils pour répondre aux grands enjeux en aéronautique, notamment des méthodes de suivi efficaces de la santé des équipements afin d'optimiser la maintenance et garantir la sécurité.
Une approche de maintenance prédictive des moteurs aéronautiques consiste à suivre des indicateurs internes de performance (par exemple, rendements de sous-systèmes critiques [1]). Ces indicateurs, essentiels pour caractériser l'état de santé du moteur, sont difficiles à mesurer directement en vol. En revanche, les données issues des nombreux capteurs embarqués sont disponibles, et permettent de reconstruire ces indicateurs par résolution d'un problème inverse.
Traditionnellement, cette reconstruction est réalisée au moyen de filtres bayésiens (comme le filtre de Kalman et ses variantes), qui reposent sur des modèles physiques simplifiés pour prédire l'évolution des indicateurs avant de les corriger à l'aide des observations.
Les réseaux neuronaux séquentiels modernes offrent une alternative ou un complément prometteur : les RNN, LSTM, GRU et plus récemment les architectures de type Transformers adaptées aux séries temporelles (par ex. Informer [2], Autoformer [3], Temporal Fusion Transformer [4]) permettent de capturer des dynamiques non linéaires et de longue portée.
Le stage explorera deux voies d'utilisation possibles de ces architectures :
1. Intégration hybride : remplacer la fonction de prédiction du filtre de Kalman par un modèle neuronal (RNN/Transformer), tout en conservant le schéma bayésien de correction par observation.
2. Approche directe : entraîner un modèle neuronal séquentiel à inverser directement le problème (capteurs indicateurs), sans passer par un filtre de Kalman.
Un défi majeur pour ces approches est la génération de données d'entraînement. Les données réelles de dégradation sont rares et coûteuses, et la simulation de trajectoires temporelles multivariées cohérentes en haute dimension reste complexe. Une partie du stage sera donc consacrée à concevoir des stratégies de génération de trajectoires représentatives, permettant d'entraîner efficacement les modèles tout en respectant les contraintes physiques.

Programmation : Python, Pytorch
Disciplines: Séries temporelles multivariées, réseaux neuronaux séquentiels, Transformers, filtrage bayésien, génération de données, maintenance prédictive / health monitoring
Langues : Anglais pour lecture scientifique + communication