Job Description Au sein de la division "Essais sol & vol" chez SAFRAN, le département "BE intégration Essais" est constitué d'une équipe d'environ 90 personnes basées sur le site de Villaroche en Seine et Marne. Il a pour mission de mettre à disposition de la Direction Technique l'ensemble des moyens (infrastructure, systèmes, méthodes et logiciels) nécessaires aux essais moteurs ou de composants utilisés sur tous les sites d'essais. Les nouveaux programmes moteur sur lesquels s'est engagée la société proposent des innovations technologiques et architecturales qui posent de véritables défis techniques en particulier pour la mesure des comportements acoustiques et vibratoires des moteurs.Les aubes sont parmi les composants mécaniques les plus sollicités dans les turboréacteurs, particulièrement dans les réacteurs d'avions. C'est la raison pour laquelle les aubes sont conçues pour résister à des fortes sollicitations mécaniques et aérodynamiques. La validation des modèles de conception requiert la caractérisation du comportement vibratoire des aubes lors d'essais. La caractérisation est faite par des capteurs à fibres optiques sans contact et connue sous le nom de caractérisation par une analyse tip-timing [1]. Aujourd'hui, cette analyse repose sur l'estimation d'une différence de temps de passage des aubes devant les capteurs optiques traduit en déflexion de l'aube. A partir de cette déflexion, il est possible de déterminer les caractéristiques mécaniques de l'aube (amplitude de la vibration, fréquence de résonance et facteur d'amortissement). Les méthodes traditionnelles permettant d'estimer cette déflexion sont valables pour de faibles fluctuations de régimes de fonctionnement des moteurs ou des régimes constants dans une rotation [2]. Or, cette condition n'est satisfaite que dans de rares applications ou sur de simples bancs d'essais. En effet, sur les moteurs d'aéronefs (hélicoptères ou avions), le régime de fonctionnement lors des phases d'essais est suffisamment important et peut être variable dans une rotation en raison de la forte accélération. En plus de cette hypothèse de constance de régime dans une rotation, les méthodes traditionnelles ne sont pas suffisamment robustes face aux différentes sources d'incertitudes dans la chaîne de la mesure tip-timing (incertitudes sur les positions angulaires des capteurs optiques, variation du point de mesure, non homogénéité entre les aubes…) A côté des méthodes traditionnelles, il existe des méthodes d'apprentissage automatique (Machine/ Deep Learning) ne prenant pas d'hypothèse sur l'invariabilité du régime dans une rotation [3]. Ces méthodes sont plus robustes face aux différentes sources d'incertitudes dans le tip-timing. C'est dans ce contexte que s'inscrit ce stage. Complementary Description L'objectif principal de ce stage est d'aborder la problématique d'estimation de déflexion d'aube en régime de fonctionnement variable. En ce sens, le stagiaire évaluera l'apport des techniques de machine/deep learning pour l'estimation des déflexions d'aubes sur les turboréacteurs. Une base de données de signaux provenant de bancs d'essai moteur fonctionnant sous des régimes variables sera mise à disposition du stagiaire pour évaluer et tester les performances des différentes méthodes identifiées dans la littérature. Des données provenant d'un simulateur de données pourront également être utilisées pour compléter les données réelles. Le stage se décomposera en trois parties :•Etude et mise en œuvre de méthodes traditionnelles d'estimation de déflexion •Proposition de modèles de machine/deep Learning pour l'estimation de déflexion en condition de régime variable dans une rotation ;•Etude comparative entre les méthodes traditionnelles et les méthodes d'apprentissage automatique •Analyse des comportements des algorithmes par rapport au choix des hyper-paramètres et des données exploitées.Ce stage est susceptible de déboucher sur une thèse CIFRE.A la fin du stage, le candidat aura de solides connaissances en traitement du signal, en data science et sur le fonctionnement des turboréacteurs. Job Requirements Connaissances et appétances pour le Machine Learning, Deep Learning, Traitement du signal. Des notions en mécanique vibratoire seraient appréciées.Programmation : Python (librairies scientifiques) /MatlabCLIQUER ICI POUR POSTULER
