Optimisation de Maintenance par Analyse des Modèles d'IA Déployés sur Site et Traitement de Données H/F - EDF

Le stagiaire est accueilli au sein d'un groupe du département PRISME d'EDF R&D à Chatou (78). Une des missions de ce groupe est de développer des méthodes et outils pour la surveillance des parcs de production d'EDF, allant de la détection de défaillances, à leur pronostic, en passant par le diagnostic. Le stagiaire sera également accueilli ponctuellement au sein de l'équipe en charge de la gestion et du déploiement des modèles de surveillance des matériels et systèmes à l'échelle nationale.

La maintenance du parc nucléaire joue un rôle déterminant à la fois dans la disponibilité des tranches et dans le coût final de production de l'électricité. Pour optimiser simultanément la sûreté des installations et les coûts d'exploitation, des stratégies de maintenance préventive ont progressivement été mises en place. Cellesci s'appuient d'abord sur des modèles de surveillance fondés sur la physique, puis, plus récemment, sur des approches statistiques et des modèles d'intelligence artificielle.

En tant qu'exploitant responsable, EDF réévalue en continu la pertinence et l'efficacité de ses stratégies de maintenance. Après plusieurs années d'exploitation de modèles de surveillance basés sur l'IA, EDF UNIE souhaite désormais mener une analyse rétroactive des alarmes émises par ces modèles, en les comparant aux actions de maintenance préventives ou correctives effectivement réalisées sur les matériels et systèmes des tranches. L'objectif est double :

1. déterminer si la fréquence de maintenance de certains équipements pourrait être optimisée

2. évaluer la pertinence et la performance des modèles de surveillance associés.

Le stage proposé consistera à définir une méthodologie de traitement et de croisement des données de surveillance et de maintenance, puis à appliquer cette méthodologie à un matériel spécifiquement choisi. Les méthodes d'analyses proposées par le stagiaire pourront faire appel à des algorithmes d'IA si nécessaire.

Le stagiaire devra réaliser les tâches suivantes :
· Réaliser une étude bibliographique sur les méthodes d'évaluation des modèles de surveillance, ainsi que sur les approches utilisées pour qualifier leur performance et leur utilité opérationnelle.
· Dresser un état des lieux des méthodes de surveillance actuellement déployées sur le matériel ou le système retenu pour l'étude.
· Proposer et développer une méthodologie permettant d'évaluer la pertinence réelle d'un modèle de surveillance, en établissant des liens concrets et exploitables entre les alarmes émises et les actions de maintenance corrective effectivement réalisées. L'analyse des données de maintenance pourra faire appel à de l'IA toute utile (LLM par exemple).
· Concevoir et mettre en oeuvre une chaîne d'analyse (pipeline) permettant d'évaluer le niveau d'optimisation des fréquences de maintenance préventive, et d'identifier les équipements pour lesquels un ajustement de la fréquence pourrait être envisagé.

· Analyser, discuter et synthétiser les résultats

Etudiants d'écoles d'ingénieurs 3ème année, Master spécialisé en datascience.

Spécialités : Data Science, développement informatique (Python indispensable).

Qualités requises : Autonomie, force de proposition, inventivité, esprit d'analyse/synthèse, curiosité, rigueur, maitrise de l'anglais.

Environnement informatique :
- Logiciels bureautiques de base (Word, Excel).

- Python indispensable