Annuaire > PEILLON Mathilde
- Équipe de rattachement : E1 - M2N
- Statut : Doctorant
- mathilde.peillon@univ-lr.fr
Bureau : Fourier 150
Thème de recherche :
Solutions de maintenance avancées pour les trains à grande vitesse
Thèse CIFRE avec Alstom, d’octobre 2024 à octobre 2027
Les travaux de la thèse visent l’exploitation des données fonctionnelles pour prédire les défaillances et répondre aux objectifs de l’équipe de Services chez Alstom.
Le premier axe de recherche portera sur l’analyse des solutions permettant l’identification, la caractérisation et la localisation des modes de défaillance, en utilisant les techniques d’apprentissage automatique pour des solutions de classification. De plus, l’objectif sera de développer de nouvelles méthodes de type IA, visant à fournir aux experts de maintenance des explications sur les décisions ou les prédictions d’anomalies déduites, tout en qualifiant les données de façon interactive et ainsi, apporter une plus-value sur la connaissance associée pour enrichir l’identification des anomalies et générer de nouvelles hypothèses. Il s’agit de méthodes hybrides entre approche inductive à partir des données et approche déductive à partir d’une expertise métier, reposant à la fois sur un mécanisme d’explicabilité et d’interactivité. Il s’agit d’une nouvelle méthode de maintenance prédictive pour une nouvelle génération d’équipements dans le train, combinant l’utilisation de l’AMDEC et l’analyse de séries temporelles des données big data du train.
Le deuxième axe s’orientera vers l’analyse l’état de l’art des solutions existantes dans le domaine du big data, en lien avec les activités de maintenance prédictive dans le ferroviaire, dans l’objectif de développer des solutions les plus adaptées possibles aux contraintes des trains à grande vitesse (TGV), tenant compte de l’énorme quantité de données disponibles. Les principales activités de cet axe seront dédiées à la mise en place de solutions adaptables et optimisées pour assurer un accès aux données et permettre aux solutions développées dans l’axe 1 de fonctionner sans baisse de performance, même avec une grande quantité de données. En somme, le travail de recherche tend à fournir des solutions innovantes qui amélioreront les opérations et renforceront les pratiques de maintenance en développant une solution sur mesure pour les données des sous-systèmes de TGV étudiés dans le cadre de la thèse, en tenant compte des contraintes imposées par les outils utilisés, et l’analyse des signaux enregistrés sur le train, concernant uniquement les sous-systèmes étudiés dans la thèse.
- Directeur de Thèse : Anas SAKOUT (LaSIE / La Rochelle Université)
- Co-directeur de Thèse : Ronan CHAMPAGNAT (La Rochelle Université)