Sujet de Postdoc
Titre :
Conception des commandes en fonction de la santé basé sur les LLM pour les moteurs réutilisables
Dates :
2025/09/01 - 2027/08/30
Encadrant(s) :
Autre(s) encadrant(s) :
Oriol Stephane (Stephane.Oriol@cnes.fr)
, Belleoud Pierre (Pierre.Belleoud@cnes.fr)
Description :
La demande de capacités de lancement d'engins spatiaux en Europe est en augmentation.
l'amélioration des performances, l'offre de solutions flexibles et la gestion de l'empreinte carbone. La réutilisation des étages de fusée répond à ces
La réutilisation des étages de fusée répond à ces défis, ce qui nécessite le développement de moteurs réutilisables, tels que le moteur PROMETHEUS, qui requiert une régulation efficace pendant son fonctionnement.
efficace en fonctionnement. Les recherches du CNES et du CRAN ont exploré la régulation des moteurs dans un contexte de réutilisation, en prenant en compte
de l'usure/dégradation des matériaux au cours des vols successifs afin de prolonger de manière sûre la durée de vie des composants. La réutilisation
La réutilisation d'un moteur tout au long de son cycle de vie nominal nécessite l'intégration de variables dynamiques inconnues dans la boucle de régulation, ce qui conduit à une reconfiguration intelligente du système de régulation.
de contrôle, ce qui conduit à une reconfiguration intelligente de la loi de contrôle en prévoyant l'évolution de l'état de santé et en estimant la durée de vie du composant défectueux.
défectueux. Ce projet de recherche postdoctorale s'aligne sur ces efforts pour prendre en compte à la fois les systèmes de surveillance de la santé (Health Monitoring) et les systèmes de contrôle de la qualité (Health Control Systems).
Les systèmes de surveillance de la santé basés sur l'approche récente de l'apprentissage des grands modèles de langage avec un contrôle optimal pour les moteurs réutilisables.
Les grands modèles de langage (LLM) tels que GPT-3 et LLAMA-3, basés sur des « transformateurs », ont montré une capacité remarquable à capturer les relations séquentielles et sémantiques dans les moteurs réutilisables.
relations séquentielles et sémantiques dans des ensembles de données complexes. En nous appuyant sur les LLM, nous visons à développer un module/une approche de pronostic.
module/approche de pronostic.
La dégradation des composants se traduit par des décalages ou des modifications des données de sortie par rapport aux données d'entrée. Les LLM, entraînés à
reconnaître et prédire les dynamiques de dégradation dans les données séquentielles, peuvent efficacement modéliser ces changements comme illustré récemment dans
[1]. Cette recherche vise à développer un module de pronostic pour les moteurs-fusées à propergol liquide (LPRE), capable d'estimer l'état de santé actuel à l'aide des données entrantes et de prédire la dynamique de dégradation dans les données séquentielles.
d'estimer l'état de santé actuel en utilisant les données entrantes et de prédire la durée de vie utile restante (RUL) grâce à des techniques d'apprentissage avancées utilisant les LLM.
à l'aide de LLM.
En outre, un deuxième objectif majeur est de concevoir une boucle de reconfiguration de contrôle qui incorpore des informations basées sur le pronostic afin d'assurer un fonctionnement optimal du système en cas de dégradation.
pronostic pour assurer un fonctionnement optimal du système en cas de dégradation. Cette approche vise à étendre la durée de vie utile du système tout en maintenant la stabilité.
tout en maintenant la stabilité. Notre collaboration antérieure avec le CNES sera mise à profit pour cet aspect, en utilisant la connaissance du contrôleur existant qui fonctionne bien dans des conditions nominales.
qui fonctionne bien dans des conditions nominales.
Ce projet post-doctoral visera à diffuser les travaux dans des revues scientifiques de haute qualité (Q1) où le candidat devra publier.
sera amené à publier.
l'amélioration des performances, l'offre de solutions flexibles et la gestion de l'empreinte carbone. La réutilisation des étages de fusée répond à ces
La réutilisation des étages de fusée répond à ces défis, ce qui nécessite le développement de moteurs réutilisables, tels que le moteur PROMETHEUS, qui requiert une régulation efficace pendant son fonctionnement.
efficace en fonctionnement. Les recherches du CNES et du CRAN ont exploré la régulation des moteurs dans un contexte de réutilisation, en prenant en compte
de l'usure/dégradation des matériaux au cours des vols successifs afin de prolonger de manière sûre la durée de vie des composants. La réutilisation
La réutilisation d'un moteur tout au long de son cycle de vie nominal nécessite l'intégration de variables dynamiques inconnues dans la boucle de régulation, ce qui conduit à une reconfiguration intelligente du système de régulation.
de contrôle, ce qui conduit à une reconfiguration intelligente de la loi de contrôle en prévoyant l'évolution de l'état de santé et en estimant la durée de vie du composant défectueux.
défectueux. Ce projet de recherche postdoctorale s'aligne sur ces efforts pour prendre en compte à la fois les systèmes de surveillance de la santé (Health Monitoring) et les systèmes de contrôle de la qualité (Health Control Systems).
Les systèmes de surveillance de la santé basés sur l'approche récente de l'apprentissage des grands modèles de langage avec un contrôle optimal pour les moteurs réutilisables.
Les grands modèles de langage (LLM) tels que GPT-3 et LLAMA-3, basés sur des « transformateurs », ont montré une capacité remarquable à capturer les relations séquentielles et sémantiques dans les moteurs réutilisables.
relations séquentielles et sémantiques dans des ensembles de données complexes. En nous appuyant sur les LLM, nous visons à développer un module/une approche de pronostic.
module/approche de pronostic.
La dégradation des composants se traduit par des décalages ou des modifications des données de sortie par rapport aux données d'entrée. Les LLM, entraînés à
reconnaître et prédire les dynamiques de dégradation dans les données séquentielles, peuvent efficacement modéliser ces changements comme illustré récemment dans
[1]. Cette recherche vise à développer un module de pronostic pour les moteurs-fusées à propergol liquide (LPRE), capable d'estimer l'état de santé actuel à l'aide des données entrantes et de prédire la dynamique de dégradation dans les données séquentielles.
d'estimer l'état de santé actuel en utilisant les données entrantes et de prédire la durée de vie utile restante (RUL) grâce à des techniques d'apprentissage avancées utilisant les LLM.
à l'aide de LLM.
En outre, un deuxième objectif majeur est de concevoir une boucle de reconfiguration de contrôle qui incorpore des informations basées sur le pronostic afin d'assurer un fonctionnement optimal du système en cas de dégradation.
pronostic pour assurer un fonctionnement optimal du système en cas de dégradation. Cette approche vise à étendre la durée de vie utile du système tout en maintenant la stabilité.
tout en maintenant la stabilité. Notre collaboration antérieure avec le CNES sera mise à profit pour cet aspect, en utilisant la connaissance du contrôleur existant qui fonctionne bien dans des conditions nominales.
qui fonctionne bien dans des conditions nominales.
Ce projet post-doctoral visera à diffuser les travaux dans des revues scientifiques de haute qualité (Q1) où le candidat devra publier.
sera amené à publier.
Mots clés :
Health Monitoring Systems - HMS, reconfiguration, commande, prognostics, large language models
Conditions :
Durée : 2 ans, salaire : Post Doc - Barême CNES
Profil du candidat : Doctorat en informatique, basé sur l'IA, théorie du contrôle, pronostic et gestion de la santé, traitement du langage naturel, ou LLMs est attendu. Les langages Python et Matlab sont requis, un niveau d'anglais C1 sera apprécié.
Des connaissances sur les prédictions séquentielles basées sur l'apprentissage profond, les prévisions de séries temporelles à l'aide de réseaux neuronaux profonds, une expérience antérieure préférée avec les LLM, le NLP, les transformateurs pour les prédictions de séries temporelles sont appréciés.
Profil du candidat : Doctorat en informatique, basé sur l'IA, théorie du contrôle, pronostic et gestion de la santé, traitement du langage naturel, ou LLMs est attendu. Les langages Python et Matlab sont requis, un niveau d'anglais C1 sera apprécié.
Des connaissances sur les prédictions séquentielles basées sur l'apprentissage profond, les prévisions de séries temporelles à l'aide de réseaux neuronaux profonds, une expérience antérieure préférée avec les LLM, le NLP, les transformateurs pour les prédictions de séries temporelles sont appréciés.
Département(s) :
| Contrôle Identification Diagnostic |
Financement :
Post Doc - Barême CNES