Vous êtes à la recherche d’une offre de stage de Master ? Vous aimeriez le faire dans un laboratoire d’une grande École d’ingénieur ? Vous rêveriez de participer à de vrais programmes de recherche ?

L’Institut Henri Fayol, École des Mines de Saint-Étienne, vous offre l’opportunité de réaliser un stage de Master 2 dans son département Génie de l’environnement pour les organisations.

Sujet : « Traitement du signal et techniques de transport optimal pour la détection d’anomalies »

Offre de stage en recherche appliquée pour étudiants en 2e année de Master ou 3e année d’école d’ingénieurs

1. Description du projet

La maintenance prédictive, élément clé de l’industrie 4.0, permet de prévenir des pannes coûteuses en anticipant les dysfonctionnements. Une méthode pour planifier les opérations de maintenance repose sur la détection d’anomalies à partir de données historiques et en temps réel. Cependant, la rareté des données liées aux anomalies limite l’efficacité des approches supervisées, soulignant ainsi la pertinence des méthodes non supervisées.
L’analyse temps-fréquence [2, 5], qui décompose les signaux non stationnaires en composantes temporelles et spectrales, offre l’opportunité de détecter des variations subtiles dans les systèmes industriels.

L’objectif de ce stage est d’exploiter les caractéristiques temps-fréquence pour formuler un problème de transport optimal régularisé, menant au développement d’un algorithme non supervisé de détection d’anomalies. En effet, le transport optimal [1, 6] est connu pour sa sensibilité aux anomalies. L’idée est d’exploiter cette sensibilité dans le domaine temps-fréquence afin d’identifier les types d’anomalies considérés [4]. Les données utilisées dans cette étude seront issues d’un environnement industriel réel grâce à la plateforme IT’mFactory [3].

Pour implémenter cet algorithme non supervisé de détection d’anomalies, nous concentrerons nos efforts sur les tâches suivantes :

• Modélisation du comportement des coefficients dans le plan temps-fréquence.
• Formulation mathématique de la détection d’anomalies comme un problème d’optimisation.
• Définition d’un seuil de décision basé sur la distance de transport optimal.

Mots-clés : détection d’anomalies, analyse temps-fréquence, séries temporelles, transport optimal, apprentissage automatique.

2. Informations générales

• Durée du stage : 5 mois
• Date de début : dès que possible et au plus tard le 31 mars 2024
• Lieu : École des Mines de Saint-Étienne (EMSE), Institut Henri Fayol, Saint-Étienne, France
• Indemnité : Montant légal (https://www.service-public.fr/particuliers/vosdroits/F32131)
• Encadrants :
  • Marina Krémé : marina.kreme@emse.fr
  • Arthur Kramer : arthur.kramer@emse.fr
  • Thomas Galtier : thomas.galtier@emse.fr

3. Profil du candidat

• 2e année de Master ou 3e année d’école d’ingénieurs,
• Solide formation en mathématiques appliquées,
• Compétences solides en programmation Python,
• Maîtrise de l’anglais,
• Des compétences en traitement du signal seraient fortement appréciées.

4. Candidature

Pour postuler, les candidats doivent envoyer leur CV et une lettre de motivation aux encadrants mentionnés ci-dessus.

Références

1. Amina Alaoui-Belghiti, Sylvain Chevallier, and Eric Monacelli. Unsupervised anomaly detection using optimal transport for predictive maintenance. In Artificial Neural Networks and Machine Learning. ICANN. Springer, 2019.
2. François Auger and Franz Hlawatsch. Time-frequency analysis: concepts and methods. ISTE, 2008.
3. Institut Mines-Télécom. IT’mFactory, 2018.
4. Imad Anis Kheffache. Optimal transport theory for anomaly detection, 2024.
5. A. Marina Krémé, Valentin Emiya, Caroline Chaux, and Bruno Torrésani. Time-frequency fading algorithms based on Gabor multipliers. IEEE Journal of Selected Topics in Signal Processing, 15(1):65–77, 2020.
6. Gabriel Peyré, Marco Cuturi, et al. Computational optimal transport: With applications to data science. Foundations and Trends® in Machine Learning, 11(5-6):355–607, 2019.