Rechercher
Apprentissage par transfert pour le diagnostic de câble par réflectométrie H/F
Contexte
La réflectométrie est une méthode de diagnostic qui permet d’identifier et caractériser des défauts électriques sur des câbles ou plus généralement des lignes de transmission. Elle exploite les propriétés physiques de la propagation des ondes dans un milieu, et en l’occurrence un câble. En effet, lorsqu’on y injecte un signal approprié, les variations d’impédance dues à la présence d’un défaut provoquent la naissance d’un signal réfléchi qui peut être exploité pour détecter, localiser et caractériser le défaut. L’analyse de ces défauts permet d’améliorer la maintenance des câbles.
Afin de caractériser finement les défauts, il est nécessaire d’augmenter la bande passante du signal injecté, ce qui pose différents défis lorsque l’analyse doit être exécutée sur un système embarqué ayant des capacités computationnelles limitées.
Une réponse peut y être apportée en utilisant des modèles d’apprentissage automatique allégés et préalablement entraînés pour inférer la présence et les propriétés de défauts sans passer par une chaîne de traitements coûteuses en mémoire et en calculs.
Changement de distribution des données
Cependant, leur précision peut être garantie à condition que les données vues en phase d’inférence suivent la même distribution que les données vues en phase d’entraînement.
En pratique, plusieurs facteurs indépendants de la nature des défauts peuvent affecter la distribution des données : la longueur de câble, les différences de fabrication entre câbles de même type et de même longueur, le type de câble, les contraintes physiques auxquelles est soumis le câble, la fréquence du signal injecté ou encore l’encodage du signal réfléchi dans le convertisseur analogique numérique. De plus, en conditions opérationnelles, on ne dispose d’aucune ou de très peu de données annotées qui permettraient d’entraîner un nouveau modèle à partir de zéro.
L’objectif du stage sera d’évaluer l’impact de ces changements de distribution sur les performances des modèles de détection des défauts et de mettre en œuvre des stratégies d’apprentissage par transfert permettant de le mitiger.
Déroulement du stage
Les travaux de stage se dérouleront en deux étapes décrites ci-dessous.
Étude exploratoire des variations distributionnelles selon leur origine
Il s’agira à l’aide de techniques de visualisation de caractériser qualitativement les changements de distributions des données dans différents cas de figure : type de câble, longueur, compression, etc.
Mise en œuvre et évaluation de trois stratégies d’adaptation de modèles
- Apprentissage avec augmentation de données
- Ré-entraînement partiel de modèle
- Adaptation de domaine
L’objectif sera de proposer une méthodologie qui permette d’obtenir le meilleur compromis entre précision de détection des défauts du modèle adapté et quantité de nouvelles données nécessaires pour l’adaptation du modèle.
Master 2/Bac+5 école d’ingénieurs
Formation : traitement du signal, data sciences
Curieux, autonome, à l'aise en rédaction
Conformément aux engagements pris par le CEA en faveur de l’intégration de personnes en situation de handicap, cet emploi est ouvert à tous et toutes.
La réflectométrie est une méthode de diagnostic qui permet d’identifier et caractériser des défauts électriques sur des câbles ou plus généralement des lignes de transmission. Elle exploite les propriétés physiques de la propagation des ondes dans un milieu, et en l’occurrence un câble. En effet, lorsqu’on y injecte un signal approprié, les variations d’impédance dues à la présence d’un défaut provoquent la naissance d’un signal réfléchi qui peut être exploité pour détecter, localiser et caractériser le défaut. L’analyse de ces défauts permet d’améliorer la maintenance des câbles.
Afin de caractériser finement les défauts, il est nécessaire d’augmenter la bande passante du signal injecté, ce qui pose différents défis lorsque l’analyse doit être exécutée sur un système embarqué ayant des capacités computationnelles limitées.
Une réponse peut y être apportée en utilisant des modèles d’apprentissage automatique allégés et préalablement entraînés pour inférer la présence et les propriétés de défauts sans passer par une chaîne de traitements coûteuses en mémoire et en calculs.
Changement de distribution des données
Cependant, leur précision peut être garantie à condition que les données vues en phase d’inférence suivent la même distribution que les données vues en phase d’entraînement.
En pratique, plusieurs facteurs indépendants de la nature des défauts peuvent affecter la distribution des données : la longueur de câble, les différences de fabrication entre câbles de même type et de même longueur, le type de câble, les contraintes physiques auxquelles est soumis le câble, la fréquence du signal injecté ou encore l’encodage du signal réfléchi dans le convertisseur analogique numérique. De plus, en conditions opérationnelles, on ne dispose d’aucune ou de très peu de données annotées qui permettraient d’entraîner un nouveau modèle à partir de zéro.
L’objectif du stage sera d’évaluer l’impact de ces changements de distribution sur les performances des modèles de détection des défauts et de mettre en œuvre des stratégies d’apprentissage par transfert permettant de le mitiger.
Déroulement du stage
Les travaux de stage se dérouleront en deux étapes décrites ci-dessous.
Étude exploratoire des variations distributionnelles selon leur origine
Il s’agira à l’aide de techniques de visualisation de caractériser qualitativement les changements de distributions des données dans différents cas de figure : type de câble, longueur, compression, etc.
Mise en œuvre et évaluation de trois stratégies d’adaptation de modèles
- Apprentissage avec augmentation de données
- Ré-entraînement partiel de modèle
- Adaptation de domaine
L’objectif sera de proposer une méthodologie qui permette d’obtenir le meilleur compromis entre précision de détection des défauts du modèle adapté et quantité de nouvelles données nécessaires pour l’adaptation du modèle.
Master 2/Bac+5 école d’ingénieurs
Formation : traitement du signal, data sciences
Curieux, autonome, à l'aise en rédaction
Conformément aux engagements pris par le CEA en faveur de l’intégration de personnes en situation de handicap, cet emploi est ouvert à tous et toutes.
Publiée le 14/11/2024
