<p>Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 100 000 collaborateurs pour un chiffre d'affaires de 27,3 milliards d'euros en 2024, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés. <br /> Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2024 » du magazine TIME.<br /> <br /> Safran Aircraft Engines conçoit, produit et commercialise, seul ou en coopération, des moteurs aéronautiques civils et militaires aux meilleurs niveaux de performance, fiabilité et respect de l'environnement. La société est notamment, à travers CFM International*, le leader mondial de la propulsion d'avions commerciaux courts et moyen-courriers.<br /> * CFM International est une société commune 50/50 de Safran Aircraft Engines et GE Aerospace.<br /> <br /> Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi.<br /><br /><br /></p><p style="font-size:1.2em;">Descriptif mission</p><p>Cette thèse s'inscrit dans la collaboration ACCORD (Algorithme de Collecte et de Contrôle Opérationnel des Risques pour fournir une aide à la Décision), un partenariat entre Safran Aircraft Engines et Polytechnique Montréal (EPM).<br /> <br /> L'objectif principal est de tester et de valider la capacité d'un algorithme à assurer le suivi dynamique des risques opérationnels sur des moteurs d'aéronefs. Ce travail s'appuie sur la structuration, déjà amorcée, des données issues des observations et retours d'expérience des compagnies aériennes et des services de maintenance. Le DataLab de Safran Aircraft Engines a développé un premier outil d'intelligence artificielle qui permet de catégoriser ces événements. Cette avancée permet d'envisager l'adaptation dynamique de l'AMDEC (Analyse des Modes de Défaillance, de leurs Effets et de leur Criticité), à mesure que l'on découvre de nouveaux modes de défaillance, de vieillissement et que l'on consigne les opérations de maintenance effectivement réalisées.<br /> <br /> La thèse consistera à proposer et expérimenter un schéma algorithmique capable de s'adapter à ces évolutions. Une part essentielle de la démarche reposera sur la simulation d'événements : à partir de lois de défaillance, de données sur la durée de vie des composants, des intervalles d'inspection et des performances des algorithmes de détection (taux de détection, taux de fausses alarmes), des scénarios pourront être générés. Ces données synthétiques serviront de base à la validation et à l'évaluation de l'algorithme de suivi des risques opérationnels, via des indicateurs de performance coconstruits avec les experts sûreté de fonctionnement et du soutien opérationnel.<br /> <br /> Le développement d'un simulateur robuste constituera l'un des volets majeurs de la thèse, avec pour objectif de soutenir, à terme, les démarches d'Analyse des Risques en Exploitation (ARE). Enfin, un outil d'optimisation pourra être envisagé afin d'estimer des paramètres clés (par exemple : déterminer les profils de durée de vie des composants, compte tenu des fréquences d'inspection et des performances de détection).<br /> <br /> Enfin, si les coûts associés aux inspections et à la maintenance sont connus ou estimés, l'algorithme développé permettra également d'évaluer l'efficacité des politiques de maintenance proposées sous l'angle économique. Il sera ainsi possible de comparer différentes stratégies en termes de rapport coût/efficacité et d'optimiser la prise de décision.</p>