menu

Stage – Intelligence Artificielle pour le contrôle du processus de fabrication additive

Stage Il y a 22 jours
Toulouse

Entreprise

Liebherr-Aerospace Toulouse SAS fait partie du Groupe Liebherr et développe, fabrique et assure la maintenance de systèmes de traitement de l’air pour l’aéronautique. Systémier de référence, parmi les leaders mondiaux, la société accompagne dans leurs projets les clients avionneurs, hélicoptéristes et compagnies aériennes.

La technologie LBM (Laser Beam Melting) est un procédé de fabrication additive permettant la fabrication de pièces par empilement et frittage de couches successives de poudre métallique. Liebherr travaille au développement de cette technologie en vue de la fabrication de pièces en série sur avion. La machine de fabrication dont dispose Liebherr est équipée de plusieurs outils de monitoring du lit de poudre en cours de process afin d’évaluer la qualité de fabrication.

Pour chaque couche fusionnée, deux types d’images sont générées via une caméra thermique (OT, Optical Tomography) et une caméra optique (Powder bed). Une fabrication composée de plusieurs pièces avec des dégradations de processus connues a été réalisée pour ce stage. Les défauts sont de trois types : dégradation du lit de poudre (manque et non homogénéité), manque de fusion et pollution par projection de fusion. Les défauts sont injectés par couche (axe z). La géométrie des pièces est identique dans le plan (x,y). Le contrôle qualité est ainsi ramené en 2 dimensions où on va chercher à évaluer la qualité de la couche.

Description de la mission

Vous êtes rattaché.e au Département Systèmes d’Information, dans le Service Data Lab.

L’objet de ce stage est d’utiliser des techniques de Computer Vision et Machine Learning pour traiter 2 points :

  • Détecter et classifier des défauts connus. On utilisera les labels du jeu de données (couche saine, couche dégradée avec un défaut connu) pour entrainer des algorithmes de machine learning supervisés. Cette approche permettra d’un part de construire un prédicteur de défaut mais également d’extraire de l’algorithme les facteurs explicatifs (feature de l’image). Ces features pourraient être utilisées pour faire du monitoring monovarié, approche qui peut être déployée très rapidement.
  • Détecter des anomalies inconnues. La démarche est d’apprendre le comportement normal sur les couches labellisées saines en utilisant des auto-encoders. On évaluera l’erreur de reconstruction de l’auto-encoder sur les couches dégradées pour déterminer si cette approche a le potentiel de détecter des anomalies nouvelles.

Profil

  • Niveau de formation : Bac +5
  • Domaine de formation: Data Science
  • Connaissance en Data Science,
  • Connaissance de Computer Vision, Python, R
  • Savoir-être : Esprit d’analyse, rigueur, esprit d’équipe
de_DEen_USes_ESfr_FR
Toute la 3D chaque semaine
Recevez un condensé de l’actualité de l’impression 3D
En utilisant ce site, vous acceptez que les cookies soient utilisés à des fins d’analyse, de pertinence et de publicité. En savoir plus OK

3Dnatives is also available in english

switch to

No thank you