Diagnostic Intelligent Par réseaux de Neurones Inspirés de la physique et Gestion des incertitudes : application au diagnostic des réseaux filaires

Le laboratoire est une unité mixte CNRS, CentraleSupelec, Université Paris-Saclay et Sorbonne Université. Créé en 2015, il est le fruit de la fusion du LGEP (Laboratoire de Génie Electrique de Paris, unité mixte d’origine) avec une partie de l’équipe d’accueil d’ex-Supélec et l’équipe d’accueil L2E (Laboratoire d’Electronique et d’Electromagnétisme) de Sorbonne Université. Il est installé sur le campus de CentraleSupélec de l’Université Paris-Saclay à Gif-sur-Yvette et sur le campus Pierre et Marie Curie de Sorbonne Université à Paris.

Avec 250 collaborateurs, dont 130 permanents (chercheurs, enseignants-chercheurs, ingénieurs et techniciens) et environ 80 doctorants, il constitue l’un des laboratoires les plus importants en Ile de France dans le domaine de l’«Electrical Engineering ». Il relève exclusivement des sections 08 du CNRS et 63 du CNU.

Les travaux de recherche réalisés au sein de l’unité combinent une triple approche : théorie-modélisation numérique - caractérisation et validation expérimentale. Ils sont répartis sur 3 pôles qui permettent de mener des activités sur un continuum qui s’étend des matériaux aux systèmes électroniques ou de conversion d’énergie. Deux centres d’expertise transversaux viennent en appui. Le premier qui capitalise les travaux liés à une compétence historique du laboratoire sur la modélisation numérique des systèmes électromagnétiques avec une orientation vers les problèmes multiphysiques, couplés. Le second qui regroupe les nombreuses plateformes expérimentales du laboratoire avec pour objectif premier la mutualisation des compétences en matière d’instrumentation ainsi que le partage des savoir-faire et des moyen.

Contexte

Pour relever le challenge de la réduction de 50% des émissions de CO2 dans la prochaine décennie, les constructeurs automobiles investissent massivement dans le développement d’une large gamme de véhicules électrifiés. Du fait des tensions élevées mises en jeu dans ces chaînes de traction électrifiées (300 à 800V), de nouveaux risques émergent : en particulier le risque d’électrocution, de feu électrique, voire d’explosion.

La maîtrise de ces risques impose une surveillance étroite du niveau d’isolement des potentiels (HV+ et HV-) par des systèmes de diagnostic embarqués. Cependant, les systèmes de diagnostic actuels peinent à identifier l’origine exacte de la perte d’isolement, rendant la réparation complexe et fastidieuse. Ainsi, des solutions plus avancées de diagnostic intelligent sont nécessaires pour identifier avec précision ces défaillances.

Description

Les réseaux de neurones informés par la physique (Physics-Informed Neural Networks ou PINNs) constituent une classe de réseaux neuronaux incorporant des lois physiques décrites par des équations différentielles dans leurs fonctions de perte, guidant ainsi le processus d'apprentissage vers des solutions en meilleure adéquation avec la physique. À la différence des méthodes exclusivement fondées sur les données, les PINNs intègrent des connaissances physiques préalables, permettant ainsi des prédictions plus précises au-delà des données d'entraînement et une meilleure gestion des données d'entraînement limitées ou bruitées.

Les méthodes de diagnostic des réseaux filaires dans les domaines de l'automobile et de l'aéronautique ont principalement été développées pour les câbles de communication. Toutefois, avec l'augmentation de l'électrification et l'intégration de systèmes haute tension, ces câbles représentent désormais des défis significatifs en matière de fiabilité, de sécurité et de performance, nécessitant des approches diagnostiques adaptées pour évaluer leur intégrité et leur fonctionnement dans des environnements critiques

L'objectif de ce projet de stage est de développer des solutions de diagnostic intelligentes pour les réseaux filaires dans les secteurs de l'automobile et de l'aéronautique, en se concentrant particulièrement sur les systèmes de câbles haute tension. Étant donné que ces deux secteurs exigent des systèmes hautement fiables et sûrs, il est nécessaire de disposer de techniques de diagnostic avancées pour évaluer l'intégrité et les performances des réseaux filaires. Le projet propose d'utiliser des réseaux de neurones informés par la physique (PINNs), avec gestion des incertitudes, afin de localiser rapidement et précisément les défaillances d'isolement dans les réseaux filaires en utilisant à la fois un modèle direct et un modèle inverse. La première étape consiste à utiliser les PINNs pour résoudre les équations régissant la méthode de la réflectométrie dans le domaine temporel (TDR). Cela repose sur l'entraînement du modèle direct à partir de données expérimentales, tout en intégrant les équations différentielles partielles dans la fonction de perte durant l'apprentissage. La deuxième phase vise à développer une nouvelle approche pour la résolution du modèle inverse, afin d'identifier les paramètres des défauts, tels que la position et l'impédance des défauts à partir de la TDR. Cette approche combine l'apprentissage automatique et la physique pour améliorer la précision de la détection des défauts.

Déroulement du stage

1. Réalisation d'une revue de littérature et analyse de l'état de l'art, comprenant les études concurrentes, les communications, et les articles de revue.
2. Utilisation des PINNs pour modéliser la réponse du réseau filaire (TDR) et quantification les incertitudes provenant des variations des mesures et d'autres facteurs influençant la propagation des signaux dans les réseaux filaires.
3. Mise en œuvre des PINNs et/ou d'autres modèles d'intelligence artificielle afin de résoudre le problème inverse dans le but de diagnostiquer le réseau filaire.

Ingénieur / Master 2 en Data Science ou Machine Learning avec des connaisances en traitement du signal et modélisation électromagnétique