Offre de thèse : Emploi CNES - 26-074 Hybrid physics-AI approach for modeling and prognosis of LPRE Doctorat, 36 mois
Titre de la thèse : Approche hybride physique-IA pour la modélisation et le pronostic de l’état de santé d’un LPRE réutilisable
Directeurs de thèse : Ghaleb HOBLOS (ESIGELEC/Normandie Université) ; Philippe WEBER (Université de Lorraine) ; Federica GALLI (CNES)
ESIGELEC-IRSEEM, Normandie Université, Rouen, France - www.esigelec.fr
Université de Lorraine, Nancy, France - https://www.univ-lorraine.fr/
CNES, Paris, France - https://cnes.fr/fr/
Contexte :
L’introduction de la réutilisation dans le cycle de vie des moteurs-fusées à propulsion liquide représente une innovation par rapport aux pratiques actuellement en usage en Europe.
La nécessité de réduire les coûts tout en augmentant la disponibilité d’un étage réutilisable impose le développement d’une stratégie de maintenance dite « intelligente », capable de prendre en compte des objectifs et des contraintes multidisciplinaires : stochastiques (probabilité de l’apparition d’une défaillance), économiques (coûts des opérations de maintenance et des pièces à remplacer) et commerciaux (durée des interventions et niveau de disponibilité du moteur).
Les exigences croissantes en termes de disponibilité et de sécurité des systèmes imposent de nouveaux impératifs, tels que la détection précoce des défauts, l’estimation de la durée de vie résiduelle d’un composant, d’un sous-système ou du système complet (Remaining Useful Life, RUL). Dans ce contexte, le pronostic joue un rôle clé en apportant des solutions à ces défis. Il permet de prédire l’état de fonctionnement futur de l’équipement concerné, conformément aux normes internationales.
C’est dans ce cadre que la thèse de Federica GALLI, soutenue le 09/10/2024 en collaboration avec les laboratoires IRSEEM, CRAN et le CNES, a produit des résultats significatifs en développant une approche de pronostic appliquée au roulement d’une turbopompe de moteur-fusée, dont la défaillance est jugée critique. Les contraintes liées à la disponibilité limitée de données expérimentales ont orienté les recherches vers la génération de données synthétiques, afin d’enrichir les bases de données disponibles, jugées insuffisantes pour élaborer un pronostic fiable. Pour ce faire, un modèle 5DoF a été élaboré tenant compte de quelques modes de dégradation du roulement et particulièrement les défauts de bagues interne et externe. Ces données synthétiques, associées aux bases de données existantes, ont alimenté les algorithmes de pronostic développés, basés à la fois sur une approche polynomiale et sur la méthode des modèles de Markov cachés (HMM). Les modèles et algorithmes élaborés constituent une base essentielle pour la nouvelle étude proposée dans cette thèse.
Objectifs et méthodologie :
Les travaux de recherche proposés dans cette thèse visent à surmonter certains verrous scientifiques identifiés, en partie comme des perspectives issues des travaux menés dans la thèse de Federica GALLI. Les objectifs de cette thèse peuvent être structurés comme suit :
- Génération de données synthétiques pertinentes :
- Extension du modèle 5DoF existant pour inclure d’autres profils de dégradation à identifier.
- Adaptation du modèle à différents points de fonctionnement, en prenant en compte les variations de vitesse de rotation et de charge.
- Validation du modèle 5DoF par comparaison avec des données expérimentales issues de bases de données existantes (signaux vibratoires, vitesses, frottements).
- Développement d’une approche de pronostic robuste :
- Évaluation de l’approche HMM et de ses variantes à l’aide des nouvelles bases de données, tant réelles que synthétiques.
- Exploration de nouvelles approches basées sur l’intelligence artificielle, telles que l’ANFIS (Adaptive Neuro-Fuzzy Inference System).
- Analyse et amélioration de la robustesse des différentes méthodes proposées.
- Validation des approches sur des données expérimentales
- Données provenant de turbomachines spatiales, etc.
L’objectif final devrait être le développement d’un algorithme d’analyse des données de mesure issue d’une utilisation (au banc ou en vol) d’un moteur.
Pour aboutir à cet objectif, le déroulement de ces travaux pourra s'effectuer en tenant compte des différentes phases préalablement identifiées, à savoir :
Pour aboutir à cet objectif, le déroulement de ces travaux pourra s'effectuer en tenant compte des différentes phases préalablement identifiées, à savoir :
- Première année :
- Revue de la littérature les méthodes de HMS « Health Management Systems » et PHM « Prognostics and Health Management »
- Acquisition de connaissances spécifiques sur les moteurs-fusées
- Identification des modes de dégradation critiques
- Extension et hybridation (IA) du modèle existant (nouveaux modes de dégradation, conditions de fonctionnement)
- Analyse des données pour identifier des indicateurs de santé pertinents
- Deuxième année :
- Développement d’une approche de pronostic basée sur les modèles IO-HMM et IA (ANFIS …)
- Élaboration d’une approche IA robuste
- Troisième année :
- Analyse comparative des méthodes développées
- Validation expérimentale
- Rédaction du mémoire de thèse
Mots-clés
Pronostic, diagnostic, détection, fiabilité, défaillance, PHM (Prognostics and Health Management)
Durée et financement: 3 ans, cofinancement CNES/Région Normandie.
Démarrage : début octobre 2026
Adresser CV, bulletins de notes de deux dernières années d’études + lettre de motivation à : ghaleb.hoblos@irseem-esigelec.fr; philippe.weber@univ-lorraine.fr; federica.galli@cnes.fr
En même temps, il faut candidater sur le site du CNES avant le 13/03/2026 midi, à l’adresse :
Emploi CNES - 26-074 Hybrid physics-AI approach for modeling and prognosis of LPRE Doctorat, 36 mois