L'offre "Stage 2018 - Apports et bénéfices du Deep Learning pour le calcul optimal des commandes tuyères et pour la détection de pannes" a été sauvegardée.

Continuer

Prêt à postuler ?

Merci de confirmer votre adresse email pour commencer à postuler.

Complétez votre application

Connectez-vous

mot de passe oublié ?
ou

Vous n'avez pas de compte ?

Stage 2018 - Apports et bénéfices du Deep Learning pour le calcul optimal des commandes tuyères et pour la détection de pannes posté par AIRBUS

N/C
Toulouse
N/A
6 Candidatures

Description de l'offre



Stage 2018 - Apports et bénéfices du Deep Learning pour le calcul optimal des commandes tuyères et pour la détection de pannes



Airbus Defence & Space Toulouse

Airbus est un leader mondial de l’aéronautique, de l’espace, de la défense et des services associés. En 2016, l’entreprise a dégagé un chiffre d’affaires de 67,0 milliards d’euros avec un effectif d’environ 134 000 personnes. Airbus propose la gamme d’avions de transport de passagers la plus complète, de 100 à plus de 600 sièges. Airbus est également le fournisseur d’avion de ravitaillement, de combat, de transport et de mission leader en Europe, ainsi que le numéro un européen et le numéro deux mondial de l’industrie spatiale. Sur le marché des hélicoptères, Airbus fournit les voilures tournantes civiles et militaires les plus performantes au monde.


Nos équipes travaillent avec passion et détermination pour faire du monde un endroit plus connecté, plus sûr et plus intelligent. Fiers de notre travail, nous nous appuyons sur l’expertise et l’expérience de chacun pour atteindre l’excellence. Notre diversité et culture du travail en équipe nous poussent à accomplir l’extraordinaire - sur terre, dans le ciel et dans l’espace.



Description du poste / stage

Alors que les réseaux de neurones sont généralement constitués de peu de couches (dû principalement aux limitations techniques en termes de puissance de calculs des processeurs), l’apprentissage profond ou Deep Learning permet aujourd’hui l’utilisation d’un nombre de couches beaucoup plus important et donc probablement de résoudre des problèmes jusqu’à alors difficilement accessibles à un réseau de neurones traditionnel.
Le 1er objectif de ce stage est de revisiter un problème d’optimisation linéaire d’ores et déjà soumis à un réseau de neurones, mais sans réelles bénéfices : lorsqu’un torseur est commandé par le GNC à l’architecture propulsive d’un engin spatial, une optimisation linéaire sous contraintes est alors nécessaire pour trouver les durées d’ouvertures à commander aux tuyères. En effet, il est possible de trouver une large gamme de solutions générant le torseur commandé mais sans toujours satisfaire des contraintes telles que la minimisation de la consommation d’ergols et le nombre de tuyères à commander (contraintes électriques, de puissance, etc). De plus, ce genre d’optimisation est généralement consommateur de ressources CPU et ne convient donc pas à une utilisation directe à bord.

Ce stage pourra commencer en Mars 2018, date sujette à flexibilité et sera d’une durée de 6 mois.
Ce poste nécessite une habilitation de sécurité ou nécessite d’être éligible à une habilitation par les autorités reconnues



Stages chez Airbus



Tâches et missions principales, responsabilités

Après une recherche bibliographique sur les principaux bénéfices du Deep Learning par rapport au réseau de neurones et sur la mise en place d’une telle structure d’apprentissage profond autonome, Il sera demandé au futur stagiaire de générer un jeu de données par apprentissage de son réseau en utilisant en entrée une large gamme de torseurs commandés et en sortie les activations tuyères optimales. Ce jeu de données sera alors comparé à d’autres techniques éprouvées pour mesurer l’apport du Deep Learning, telles que la résolution par Simplex. Cet apport sera à quantifier en termes de performances (torseur commandé, minimisation de la consommation d’ergols, du temps d’exécution, etc).

Un 2ème cas d’application sera également considéré : un algorithme de type Deep Learning sera entrainé afin de détecter, d’identifier une série de pannes pouvant survenir sur un engin spatial. Le stagiaire devra alors évaluer, métriques à définir, cet algorithme par rapport à une FDIR (Failure Detection Identification & Recovery) classique.



Compétences requises

  • Matlab/Simulink (non bloquant)
  • Connaissances en optimisation numérique, et idéalement en réseau de neurones

Numéro de référence

10378576 BT EN EXT 2