Reconnaissance de pattern dans des séries temporelles de vent

IFP Energies nouvelles - Sciences et Technologies du Numérique

Stage Data / Mathématiques Appliquées Hauts-de-Seine entre avril et juillet 2023 3 mois


IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

  • l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique durable ;
  • la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Reconnaissance de pattern dans des séries temporelles de vent

La vérification de l’intégrité structurelle d’une éolienne implique des analyses de chargement de fatigue ainsi que des chargements extrêmes résultant du régime de vent. En raison de leurs variations brutales et rapides de la vitesse de vent, les rafales ont un rôle prédominant dans les évaluations des chargements extrêmes. Avec la tendance à la croissance de la taille des éoliennes, la charge extrême devient relativement plus importante.

Le but de ce travail est de créer des classes de motifs (patterns) issues de séries temporelles liées à l'activité d'une éolienne. Il se situe donc dans la thématique de l’«analytics» de série temporelle, à savoir la classification [1] [2] [3], la recherche de similarité [4] et la découverte de motifs [5].

Du fait de l'évolution du motif et de la non-préexistence de motif type à rechercher, il faut être en capacité d'identifier ces motifs types de manière automatique, à l'intérieur de la grande base de données. L'étape suivante sera de pouvoir établir la cause (problème de contrôleur, défaillance d'un élément, etc.) et d'ainsi statuer sur le potentiel de danger de celle-ci.

A cet effet, une campagne d’acquisition de données issues de l'activité d'une éolienne sise en Picardie a été menée permettant de pouvoir considérer un volume très important de données (18 mois d'acquisition en temps continu à un échantillon par seconde, les séries temporelles vibratoires étant à 20Hz).

L’enjeu de ce travail est de développer des méthodes de détection et d’extraction des caractéristiques des rafales. Les résultats permettront la création d’une base de données MongoDb qui prend en charge les séries temporelles et les valeurs scalaires.

Une fois la base de données créée, une étude statistique tant des scalaires que des formes des rafales pourront être proposées ainsi que le clustering des motifs. L’étape finale sera la détection en ligne d’un motif et d’en inférer sa classe d’appartenance.

Profil recherché :

M1 math-info en particulier :

  • traitement du signal,
  • machine learning,
  • base de données,
  • python

[1] Anthony Bagnall, Jason Lines, Aaron Bostrom, James Large, and Eamonn Keogh. The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. 31(3):606–660. doi: 10.1007/s10618-016-0483-9.

[2] Hassan Ismail Fawaz, Germain Forestier, Jonathan Weber, Lhassane Idoumghar, and Pierre-Alain Muller. Deep learning for time series classification: a review. 33(4):917–963. doi: 10.1007/s10618-019-00619-1.

[3] Patrick Schäfer, Arik Ermshaus, and Ulf Leser. ClaSP - time series segmentation. In Proceedings of the 30th ACM International Conference on Information & Knowledge Management. ACM. doi: 10.1145/3459637.3482240.

[4] Patrick Schäfer and Mikael Högqvist. SFA a symbolic fourier approximation and index for similarity search in high dimensional datasets. In Proceedings of the 15th International Conference on Extending Database Technology - EDBT '12. ACM Press. doi: 10.1145/2247596.2247656.

[5] Abdullah Mueen, Eamonn Keogh, Qiang Zhu, Sydney Cash, and Brandon Westover. Exact discovery of time series motifs. In Proceedings of the 2009 SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics. doi:10.1137/1.9781611972795.41.


(PDF - Max : 5 Mo)
(PDF - Max : 5 Mo)

En cliquant sur postuler, je crée mon profil iQuesta et j'accepte les conditions d'utilisation d'iQuesta.
contact

IFP Energies nouvelles - Sciences et Technologies du Numérique
Jean Charléty

Indemnité Oui

12 Annonces
Métiers
Data Analyst
Le Data Analyst occupe une place stratégique dans un monde de plus en plus numérique où la quantité de données…
Conseils
Pour que la vie d’étudiant ne rime pas avec parcours du combattant, retrouvez tous nos conseils stage / alternance / emploi