Offers “CEA”

days ago CEA

IA appliquée à la maintenance prédictive des centres de données H/F

  • Stage
  • Grenoble (Isère)
  • Design / Civil engineering / Industrial engineering

Job description

Détail de l'offre

Informations générales

Entité de rattachement

Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.

Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :
. la défense et la sécurité
. l'énergie nucléaire (fission et fusion)
. la recherche technologique pour l'industrie
. la recherche fondamentale (sciences de la matière et sciences de la vie).

Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.

Référence

2020-14123

Description de l'unité

Le laboratoire Signaux et Systèmes de Capteurs (LSSC) est focalisé sur la fusion de signaux pour les capteurs embarqués, il regroupe la quasi-totalité des experts en traitement du signal et informatique du Service Systèmes de Capteurs et Electronique pour l'énergie (SSCE) du département Systèmes (DSYS). Son savoir-faire consiste à développer des algorithmes, embarqués sur plateformes ou non, visant la réalisation de fonctions de haut niveau (comme la détection, l'estimation, l'identification) à partir de signaux de capteurs ou réseaux de capteurs couvrant plusieurs modalités. Ces compétences sont associées à une bonne connaissance de la physique des capteurs et à l'élaboration de bases de données de qualité constituées de signaux issus d'environnements réels. Ses principaux axes applicatifs sont la capture de contexte (gestes, états mentaux, environnement) et la surveillance d'état des structures.

Description du poste

Domaine

Sciences pour l'ingénieur

Contrat

Stage

Intitulé de l'offre

IA appliquée à la maintenance prédictive des centres de données H/F

Sujet de stage

Les incidents techniques au sein des centres de données peuvent avoir de graves conséquences pour les entreprises (perte de données), et conduisent celles-ci à mettre en œuvre des stratégies de duplication coûteuses pour l'environnement. L'objectif du stage est de développer une approche originale de la prédiction de pannes au sein des centres de données, en utilisant un réseau de capteurs sans fil et une méthodologie de fusion de données reposant sur le Machine Learning et le Deep Learning.

Durée du contrat (en mois)

6

Description de l'offre

Contexte du sujet

La moitié des incidents survenant dans les centres de données sont liés à un incident physique (panne d'alimentation, d'UPS, de climatisation, incendie, inondation…). Ces incidents peuvent avoir de graves conséquences pour les entreprises (perte de données), et conduisent celles-ci à mettre en œuvre des stratégies de duplication systématiques et coûteuses pour l'environnement (consommation énergétique doublée, stockage de matériel en surplus).

La maintenance prédictive consiste à mettre en œuvre des outils de détection précoce de ces pannes, à l'aide de capteurs (accéléromètre, microphone, température, humidité…) pour prédire les incidents, réaliser un diagnostic après panne, ou estimer la durée de vie d'un système.

Objectifs et travail à réaliser

L'objectif du stage est de développer une approche originale de la maintenance prédictive, en utilisant les techniques récentes de Machine Learning et de Deep Learning. Dans un premier temps, le stagiaire concevra un banc de mesure permettant de simuler des situations de normalité et de pannes dans un environnement contrôlé (laboratoire). Il participera à l'identification des capteurs pertinents, à la définition du protocole et il conduira les acquisitions de données correspondantes. Le stagiaire développera alors un code d'analyse des données reposant sur l'extraction de caractéristiques (diagramme temps/fréquence) et les méthodes classification par Machine Learning et/ou Deep Learning. Les outils développés seront conçus dans une optique de modularité afin d'étendre leur utilisation à d'autres domaines d'application de la maintenance prédictive (moteurs, salles blanches...)

Moyens / Méthodes / Logiciels

Les développements se feront en Python.

Ideal candidate profile

Profil du candidat

3ème année école d'ingénieur ou master 2 avec des connaissances en méthodes de Machine Learning et sachant programmer en Python.