Sujet de stage
Titre :
Algorithmes Avancés Basés sur les Transformers pour la Classification des Séries Temporelles dans la Surveillance de l'Ãtat de dégradation d'éléments mesurés
Dates :
2025/04/01 - 2025/09/30
Etudiant :
Encadrant(s) :
Autre(s) encadrant(s) :
Dr. Jean-Phillipe JEHL (jean-philippe.jehl@univ-lorraine.fr)
Description :
Ce stage de recherche de Master a pour objectif de développer des algorithmes de pointe pour la classification des données de séries temporelles provenant de capteurs, avec un accent sur la distinction entre les conditions nominales et défectueuses. Le projet met en avant l'application des techniques d'apprentissage profond, en particulier les transformers, tout en explorant les variantes récentes des LSTM comme modèles complémentaires potentiels.
Les principaux objectifs incluent :
⬢ Concevoir des architectures basées sur les transformers adaptées aux problèmes de classification de séries temporelles.
⬢ Concevoir des architectures basées sur les transformers adaptées aux problèmes de classification de séries temporelles.
⬢ Explorer des cadres de classification binaire et multi-classes pour soutenir la prise de décision dans des applications concrètes de surveillance des machines.
⬢ Comparer les performances des modèles transformers par rapport aux architectures traditionnelles telles que les réseaux neuronaux entièrement connectés, les réseaux neuronaux profonds standards, et les LSTM, notamment dans des scénarios de détection de pannes.
L'étudiant sera amené à :
⬢ Comprendre et appliquer les fondamentaux de l'apprentissage profond, y compris les réseaux neuronaux entièrement connectés et les réseaux récurrents.
⬢ Explorer les capacités uniques des transformers, telles que la gestion des dépendances à long terme, et les adapter aux tâches de classification de séries temporelles.
⬢ Développer et tester des algorithmes sur des données de capteurs réelles ou simulées, en démontrant comment ces modèles se comportent dans l'identification des conditions nominales et défectueuses.
ì la fin du stage, l'étudiant aura acquis de l'expérience dans la mise en oeuvre de techniques avancées d'apprentissage profond pour la classification des séries temporelles et aura développé une compréhension de la manière d'adapter ces approches à des applications variées spécifiques dans la surveillance de l'état de santé et la détection de pannes.
Les principaux objectifs incluent :
⬢ Concevoir des architectures basées sur les transformers adaptées aux problèmes de classification de séries temporelles.
⬢ Concevoir des architectures basées sur les transformers adaptées aux problèmes de classification de séries temporelles.
⬢ Explorer des cadres de classification binaire et multi-classes pour soutenir la prise de décision dans des applications concrètes de surveillance des machines.
⬢ Comparer les performances des modèles transformers par rapport aux architectures traditionnelles telles que les réseaux neuronaux entièrement connectés, les réseaux neuronaux profonds standards, et les LSTM, notamment dans des scénarios de détection de pannes.
L'étudiant sera amené à :
⬢ Comprendre et appliquer les fondamentaux de l'apprentissage profond, y compris les réseaux neuronaux entièrement connectés et les réseaux récurrents.
⬢ Explorer les capacités uniques des transformers, telles que la gestion des dépendances à long terme, et les adapter aux tâches de classification de séries temporelles.
⬢ Développer et tester des algorithmes sur des données de capteurs réelles ou simulées, en démontrant comment ces modèles se comportent dans l'identification des conditions nominales et défectueuses.
ì la fin du stage, l'étudiant aura acquis de l'expérience dans la mise en oeuvre de techniques avancées d'apprentissage profond pour la classification des séries temporelles et aura développé une compréhension de la manière d'adapter ces approches à des applications variées spécifiques dans la surveillance de l'état de santé et la détection de pannes.
Mots clés :
Dégradation / Apprentissage / Séries Temporelles / Aide à la décision
Département(s) :
| Contrôle Identification Diagnostic |