Proposition de stage

Centre de Recherche et Technologie Safran

Estimation de l’impact des facteurs environnementaux et d’usage sur la durée de vie
d’équipements aéronautiques
Description du projet :
Safran est un groupe international de haute technologie, équipementier de premier rang dans les domaines de l'Aéronautique, de
l'Espace, de la Défense et de la Sécurité. Au sein de Safran Tech (le centre de R&T du groupe), l’équipe Maths & Algorithms for
Temporal Data développe de nouveaux outils pour répondre aux grands enjeux en aéronautique. En particulier, des méthodes de
suivi efficaces de la santé des équipements permettent de réduire les maintenances inutiles, ainsi que des mises au rebut
prématurées. Les facteurs environnementaux (pollution, particules, …) et les usages (usage intensif, régulé, etc…), influencent les
risques de problème et la dégradation moyenne des équipements.
Habituellement, on estime pour les équipements leur distribution probable de durée de vie résiduelle en utilisant des méthodes
d’analyse de survie. Ces méthodes construisent un modèle de la durée de vie en fonction des facteurs environnementaux et des
usages de l’équipement. Dans les faits, la fin de vie d’un équipement peut être déclenchée par différents événements. De plus, les
méthodes d’analyse de survie traditionnelles se basent sur des variables (covariates en anglais) fixes dans le temps qui permettent
de différencier les équipements, mais pas de prendre en compte des changements temporels (évolution de l’usage par exemple).
Grâce à l’amélioration des chaînes de récolte de données, il est désormais possible de disposer de ces variables à différents
moments de la vie de l’équipement. Par exemple, Safran dispose de données de moteurs d’avion tout au long de leur utilisation.
Récemment, des méthodes spécifiques ont été développées pour prendre en compte la multitude de causes d’une fin de vie. De
même, des techniques ont été développées pour prendre en compte la granularité temporelle plus fine des variables
d’environnement. L’objectif de ce stage est de mettre en place et tester ces nouvelles méthodes d’estimation de durée de vie
résiduelle (risques concurrents et données longitudinales). Possibilité thèse.
Le stage se décomposera en quatre parties :
 Etudier la bibliographie des méthodes sur les méthodes d’analyse de survie dans le cadre des risques concurrents et des
données longitudinales.
 Effectuer une étude comparative de ces méthodes dans un cadre de données simulées, afin de comprendre les principales
forces et faiblesses de ces méthodes
 Réaliser une analyse des méthodes les plus prometteuses sur données réelles, et étudier les résultats obtenus
 Proposer des améliorations ou des nouvelles méthodes pour mieux estimer les durées de vie résiduelles.
Bibliographie :

 BELLOT, Alexis et VAN DER SCHAAR, Mihaela. A Bayesian Approach to Modelling Longitudinal Data in Electronic
Health Records. arXiv preprint arXiv:1912.09086, 2019.
 WANG, Zifeng et SUN, Jimeng. SurvTRACE: Transformers for Survival Analysis with Competing Events. arXiv
preprint arXiv:2110.00855, 2021
 LEE, Changhee, YOON, Jinsung, et VAN DER SCHAAR, Mihaela. Dynamic-deephit: A deep learning approach for
dynamic survival analysis with competing risks based on longitudinal data. IEEE Transactions on Biomedical
Engineering, 2019, vol. 67, no 1, p. 122-133.
 NAGPAL, Chirag, LI, Xinyu Rachel, et DUBRAWSKI, Artur. Deep survival machines: Fully parametric survival
regression and representation learning for censored data with competing risks. IEEE Journal of Biomedical and Health
Informatics, 2021.
Profil des candidats
Programmation : Python (librairies scientifiques)
Disciplines : Machine Learning, Deep Learning, Health monitoring
Langues : Anglais pour lecture scientifique

Informations Complémentaires

Contacts : Morgane BARBET-MASSIN morgane.barbet-massin@safrangroup.com

Sebastien RAZAKARIVONY sebastien.razakarivony@safrangroup.com