Augmentation de données et optimisation de l’espace latent d’un auto-encodeur variationnel (VAE) pour la détection de défauts et le pronostic des alternateurs hydrauliques

L’objectif du projet est d’automatiser la reconnaissance des signaux acoustiques et vibratoires d’une part, et des signaux de décharges partielles d’autres part, et ceci à l’aide d’un modèle d’apprentissage profond. Cette reconnaissance est la première étape du développement d’un modèle de pronostic et de suivi de l’évolution de la dégradation des alternateurs. Ces signaux sont issus de mesures effectuées périodiquement sur les alternateurs durant leur fonctionnement. Le traitement des signaux de décharges partielles ainsi que ceux acoustiques et vibratoires permettent de caractériser l’état de santé des alternateurs, comme les signaux électrocardiogrammes « ECG » pour l’état de santé d’un humain. L’orientation des travaux du projet sera vers des techniques d’apprentissage non supervisées. Le réseau de neurones auto-encodeur variationnel (VAE pour Variational Autoencoder) sera exploité pour son espace latent afin d’analyser et visualiser les caractéristiques extraites des signaux dans un espace latent à deux dimensions

Faculty Supervisor:

Ioannis Mitliagkas

Student:

Partner:

Institut de Recherche Hydro-Québec

Discipline:

Computer science

Sector:

Professional, scientific and technical services; Utilities

University:

Université de Montréal

Program: