Description
Date depot: 30 mars 2022
Titre: Reconnaissance et Analyse des Signatures des Arcs Électriques par Apprentissage Artificiel
Directeur de thèse:
Yacine OUSSAR (LPEM (EDITE))
Encadrant :
Thierry DITCHI (LPEM (EDITE))
Directeur de thèse:
Stéphane HOLÉ (LPEM(ED 397))
Domaine scientifique: Sciences pour l'ingénieur
Thématique CNRS : Intelligence artificielle
Resumé: Dans le domaine de l’aéronautique, deux types d’arcs peuvent être rencontrés : les arcs dits de coupure, totalement maitrisés, observés lors de l’ouverture de contacts de puissance, et les arcs dits de défaut (qu’ils soient série ou parallèle) dont les conséquences sont synonymes d’endommagement majeurs des dispositifs ou des structures. Dans ce dernier cas, détecter leur présence le plus rapidement possible (afin de les couper) constitue un enjeu majeur. Toutefois, compte tenu de leur caractère erratique, il est souvent difficile de diagnostiquer leur présence.
De nombreux dispositifs, susceptibles d’effectuer cette détection, sont actuellement disponibles. Composés de capteurs spécifiques associés à des algorithmes dédiés, leur principe repose sur l’utilisation, la reconnaissance et le traitement de « signatures » (principalement électriques) issues de nombreux essais réalisés en suivant des normes.
Leur robustesse à un environnement aéronautique peut toutefois être questionnée compte tenu de l’existence d’encore trop de « faux positifs ». On entend par là des signaux qui sont reconnus comme des arcs de défaut mais qui n’en sont pas. Le déclenchement inutile de la protection conduit à se priver d’une fonction sans qu’il n’y ait de raison valable. Des travaux sont donc nécessaires pour résoudre ce problème.
Une détection « fiable » d’arcs de défaut s’avère d’autant plus nécessaire que la puissance électrique (niveaux de tension et de courant) ne cessant d’augmenter tant pour les applications non propulsives que propulsives, leur existence pourrait s’avérer un véritable show stopper.
Les principaux verrous scientifiques sont principalement liés au fait que les algorithmes actuels n’ont pas la possibilité : (i) d’identifier les arcs dans un environnement aéronautique fortement bruité, (ii) de distinguer les différents types d’arcs (arcs de coupure et arcs de défauts), (iii) de traiter ces données de manière suffisamment fiable et rapide pour être utilisées dans des dispositifs de protection et de coupure.
Le sujet de thèse proposé consiste dans une première étape en une analyse des méthodes de classification et de détection des anomalies dans les séries temporelles existantes. Cette analyse se fera en comparant les deux types d’entrée possibles des signaux dans le modèle : fenêtre temporelle du signal bruit et / ou transformation d’une fenêtre temporelle avec extraction de descripteurs.
Dans une deuxième étape, le travail consistera à tenter d’améliorer les méthodes précédentes en utilisant des techniques complémentaires existantes ou à proposer. Une étude de faisabilité et d’évaluation des performances d’une classification multiple sera également réalisée.
La possibilité d’identifier le type de défaut à l’origine de l’arc, tels que le sectionnement de câbles, de mauvaises interconnexions ou du chaffing sera aussi évaluée. Enfin, il sera important d’évaluer la portabilité des différents modèles pour différents types de réseaux (AC ou DC) et de conditions environnementales dans lesquelles l’arc est susceptible de se produire.
En parallèle, et afin de permettre une analyse qualitative et statistique des descripteurs et des caractéristiques des signaux temporels, la création d’un logiciel d’aide au prétraitement des données de tests est à envisager.
Doctorant.e: Carreira Rufato Raul