Post-doctorant ou Post-doctorante en Science de données pour le diagnostic de systèmes industriels dans un contexte de données multimodales et temps réel - CDD 12 mois

Description de l'offre d'emploi

Environnement du poste :

L’Institut Mines-Télécom est le 1er groupe public de Grandes Écoles d’ingénieur.e.s et de management de France. Constitué de huit Grandes Écoles publiques et de deux écoles filiales, l’Institut Mines-Télécom anime et développe un riche écosystème d’écoles partenaires, de partenaires économiques, académiques et institutionnels, acteurs de la formation, de la recherche et du développement économique.

L’Institut Mines-Télécom donne une place centrale à la souveraineté et la sobriété numérique dans sa stratégie, fort de sa communauté scientifique Data&IA œuvrant entre autres pour une IA soutenable. Cet axe stratégique a amené l’Institut Mines-Télécom à rejoindre le réseau d’excellence ENFIELD, qui réunit trente partenaires européens autour de travaux pour une IA de confiance et verte (European Lighthouse to Manifest Trustworthy and Green AI, voir https://www.enfield-project.eu/). C’est dans le cadre d’ENFIELD qu’est ouvert un poste de post-doc à Mines Saint-Étienne, l’une des huit écoles de l'Institut Mines-Télécom.

Le Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes (LIMOS), Unité Mixte de Recherche (UMR 6158) en informatique, et plus généralement en Sciences et Technologies de l'Information et de la Communication (STIC), est le laboratoire d’accueil. Le LIMOS est principalement rattaché à l'Institut des Sciences de l'Information et de leurs Interactions (INS2I) du CNRS et de façon secondaire à l'Institut des Sciences de l'Ingénierie et des Systèmes (INSIS). Il a pour tutelles académiques l'Université Clermont Auvergne (UCA) et Mines Saint-Etienne (MSE). Il est également membre de Clermont Auvergne INP.
Créé en 2011, l’Institut Henri Fayol, centre de formation et de recherche de Mines Saint-Etienne, s’intéresse aux transformations actuelles à l’aune des transitions numérique, écologique et industrielle qui sont au cœur de l’efficience, de la résilience et de la durabilité de l’industrie et des territoires du futur. Pour cela, l’institut déploie une stratégie pluridisciplinaire mettant en synergie des compétences fortes en génie mathématique et industriel, en informatique et systèmes intelligents, en génie de l’environnement pour les organisations, en management responsable et innovation en lien avec EVS UMR 5600, LIMOS UMR 6158 et COACTIS Unité de Recherche en gestion.

Au sein de cet institut, le département Génie Mathématique et Industriel (GMI) s’intéresse aux modèles de décision et à la science des données en mobilisant ses compétences fortes en modélisation statistique, en optimisation et en recherche opérationnelle, pour la conception et l'optimisation de systèmes réels et complexes.

Pré-requis du poste

Contexte scientifique et industriel

Le diagnostic des systèmes est essentiel à la gestion efficace des opérations industrielles, contribuant à maintenir la rentabilité, la fiabilité et la sécurité des processus de production. En effet, ces systèmes sont au cœur des processus de production et de fabrication, où la moindre défaillance peut entraîner des effets et perturber l'ensemble de la chaîne d'approvisionnement (pannes - retards - dégradation de la qualité, etc.). Pour réaliser le diagnostic, il est nécessaire d'avoir accès à différents types de données. Ces données dites multimodales, sont de natures hétérogènes souvent associées à divers types de grandeurs ou formats (signaux, images, bases de données, etc.) provenant de sources de données variées (capteurs de température, capteurs de vibration, etc.). Cependant, à ce jour, l'exploitation complète soit intégrée de ces différentes modalités de données reste un défi. Pourtant, cette intégration permettrait une détection plus rapide et précise des anomalies et une prise de décision plus informative.

L'objectif de ce projet est de développer une méthodologie exploitant l'hétérogénéité et la multimodalité des données pour diagnostiquer les systèmes industriels. Cette approche exploiterait le potentiel de l’analyse temps-fréquence, la détection d'anomalies, le transport optimal et l’apprentissage statistique.

Missions

Dans le cadre de ce projet, le candidat ou la candidate devra réaliser les missions suivantes :

• La collection des données en utilisant la plateforme IT’m factory de l’École des Mines de Saint-Étienne, suivie par la phase de prétraitement [7].
• L’appropriation des outils d’analyse fréquentielle et d’analyse temps-fréquence afin de les adapter pour extraire les caractéristiques des signaux [2,4,5] : approches formelles et/ou algorithmiques.
• L’appropriation des outils pour aligner et fusionner les informations provenant de différentes modalités de données [1,9] et notamment les approches liées du transport optimal
• Le développement d’une méthodologie de détection d’anomalies multimodales [3,6,8,10]
• La validation expérimentale et test de approches développées
• La valorisation de ce travail par des publications dans les conférences du domaine ou revues.

Mots clés : Diagnostics de systèmes industriels, Apprentissage statistique, Multimodalité des données, Hétérogénéité des données, Détection des anomalies, Analyse temps-fréquence, Transport optimal, Fusion des données.

Références

1. Amina Alaoui-Belghiti, Sylvain Chevallier, and Eric Monacelli. Unsupervised Anomaly Detection Using Optimal Transport for Predictive Maintenance. Springer International Publishing, 2019, pp. 686–697.
2. El.H. Bouchikhi, V. Choqueuse, M.E.H. Benbouzid, J.F. Charpentier, and G. Barakat. A comparative study of time-frequency representations for fault detection in wind turbine. In IECON 2011 - 37th Annual Conference of the IEEE Industrial Electronics Society.
3. Anis S. Hoayek, Gilles R. Ducharme, and Zaher Khraibani. Distribution-free inference in record series. Extremes, vol. 20, no. 3, pp. 585–603, February 2017.
4. Kar Hoou Hui, Lim Meng Hee, M. Salman Leong, and Ahmed M. Abdelrhman. Time-frequency signal analysis in machinery fault diagnosis: Review. Advanced Materials Research, vol. 845, pp. 41–45, December 2013.
5. A. Marina Kreme, Valentin Emiya, Caroline Chaux, and Bruno Torresani. Time-frequency fading algorithms based on Gabor multipliers. IEEE Journal of Selected Topics in Signal Processing, vol. 15, no. 1, pp. 65–77, January 2021.
6. Dana Lahat, Tülay Adali, and Christian Jutten. Multimodal data fusion: An overview of methods, challenges, and prospects. Proceedings of the IEEE, vol. 103, no. 9, pp. 1449–1477, 2015.
7. Chunquan Li, Yaqiong Chen, and Yuling Shang. A review of industrial big data for decision making in intelligent manufacturing. Engineering Science and Technology, an International Journal, vol. 29, pp. 101021, May 2022.
8. Anis Hoayek Michel Kamel and Mireille Batton-Hubert. Anomaly detection based on system log data. International Conference on Linked Data Quality and Anomaly Detection, 2023.
9. Gabriel Peyré and Marco Cuturi. Computational optimal transport. 2018.
10. Prerna Sarkar and V Chilukuri. Time-frequency analysis tool for intelligent condition monitoring diagnostics. In 2022 International Conference for Advancement in Technology (ICONAT), pp. 1–5, 2022.

Profil du candidat

Le candidat devra être titulaire d’un doctorat en mathématiques appliquées, ou en sciences de données en lien avec l’apprentissage statistique. Une expérience sur les techniques de détection d’anomalies et en analyse temps-fréquence sera tout particulièrement appréciée

Les compétences attendues concernent :

• L’analyse et le traitement des données.
• Connaissance solide en traitement du signal
• Les Sciences des données, l’apprentissage automatique (machine learning)
• Une compréhension du domaine industriel serait un atout supplémentaire

Il est également attendu que le candidat démontre :

• Sa capacité à traiter différents types de données : quantitatives, qualitatives et/ou textuelles.
• Sa maîtrise d’au moins un langage de programmation, tel que Python.
• Des compétences en implémentation et industrialisation des différents algorithmes développés seraient fortement appréciées.

POURQUOI NOUS REJOINDRE :

L’Institut Mines-Telecom se caractérise par :

https://www.youtube.com/watch?v=m39m6hdNC48

• Un environnement scientifique d’excellence,
• Un groupe présentant des entités sur l’ensemble du territoire français.

Mines Saint-Etienne se distingue par :

• Un environnement de travail privilégié avec un taux d'encadrement des étudiants et un taux d’environnement (fonctions support et soutien) élevé,
• Des moyens expérimentaux et numériques de premier plan,
• Une activité de recherche contractuelle importante (11 M€ / an de contrats en Recherche et Innovation), majoritairement avec des partenaires industriels,
• 25% d’étudiants internationaux, Membre du réseau T.I.M.E. et de l'Université Européenne EULIST,
• Un centre de Culture Scientifique Technique et Industrielle – La Rotonde - unique en France, qui démultiplie son impact sur la société (> 50 000 visiteurs par an),
• Cadre de vie agréable : proximité du parc naturel du Pilat, faible coût de la vie, troisième métropole en région Auvergne-Rhône-Alpes et ville créative UNESCO
• Frais de transports en commun pris en charge à hauteur de 75% (sous conditions),
• Forfait mobilité durable,
• Foyer du personnel (activités sportives, culturelles, avantages CE sur des loisirs et temps de convivialité),
• Possibilité de télétravail partiel,
• 49 jours de congés et RTT.

Conditions de recrutement :

• CDD de droit public de 12 mois, potentiellement renouvelable pour une durée de 6 mois supplémentaire
• Prise de fonction souhaitée : 1er juillet 2024
• La rémunération sera fixée selon le profil du candidat, en fonction des règles définies par le cadre de gestion de l’Institut Mines Télécom
• Temps plein
• Poste basé à Saint-Étienne

Le poste est ouvert à toutes et tous avec, sur demande, des aménagements pour les candidates et candidats en situation de handicap.

Modalités de candidature :

Les dossiers de candidature (CV, lettre de motivation, lettre de recommandation le cas échéant) sont à déposer sur la plateforme RECRUITEE au plus tard le 15 mai 2024 :
https://institutminestelecom.recruitee.com/o/post-doctorant-ou-post-doctorante-en-science-de-donnees-pour-le-diagnostic-de-systemes-industriels-dans-un-contexte-de-donnees-multimodales-et-temps-reel-cdd-12-mois-2
Dans le cadre de sa politique Égalité, Diversité et Inclusion, l’École des Mines de Saint Etienne est un employeur soucieux de l’équité de traitement entre les candidatures.

Pour en savoir plus :

Pour tous renseignements sur le poste, s’adresser à :

Olivier Boissier (directeur de l’institut Fayol), olivier.boissier@emse.fr

Pr. Mireille Batton-Hubert, EMSE/FAYOL.Mireille.BATTON-HUBERT@emse.fr tel :+33 (0)4 77 42 00 93.
Dr. Marina Krémé, EMSE/FAYOL. Marina.kreme@emse.fr tel :+33 (0)4 77 42 93 48

Pour tout renseignement administratif, s’adresser à :

Julie Jaffre, julie.jaffre@emse.fr, 04 77 42 00 17

Information des candidats sur le traitement des données personnelles :

https://www.mines-stetienne.fr/wp-content/uploads/2018/12/Informations-des-candidats-sur-les-traitements-de-donn%C3%A9es-personnelles.pdf