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 92 000 collaborateurs pour un chiffre d'affaires de 23,2 milliards d'Euros en 2023, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés. Safran s'engage dans des programmes de recherche et développement qui préservent les priorités environnementales de sa feuille de route d'innovation technologique.
Safran est la 1ère entreprise du secteur aéronautique et défense du classement « World's Best Companies 2023 » du magazine TIME.
Safran Transmission Systems est le leader mondial des systèmes de transmission de puissance mécanique pour les marchés aéronautiques civils et militaires. Avec à ce jour plus de 45 000 produits livrés dans le monde, la société détient 60 % de part de marché sur le segment des avions de plus de 100 places.
SAFRAN Transmission Systems est une société qui développe et fabrique les réducteurs de forte puissance pour le marché aéronautique. Dans le cadre de travaux de R&D pour les futures applications moteur civil sur lesquels s'est engagée la société, le département RGB a pour mission de proposer des innovations technologiques et architecturales ainsi que de mener toutes les études nécessaires notamment en thermique et lubrification et en mécanique. Les engrenages peuvent être considérés parmi les composants mécaniques les plus sollicités dans les réducteurs de forte puissance et peuvent subir des défaillances imprévues en raison des conditions de fonctionnement rigoureuses auxquelles ils sont soumis, notamment les charges et les vitesses élevées. C'est la raison pour laquelle ces composants requièrent une attention particulière et leur surveillance est devenue une pratique essentielle et incontournable.
L'objectif principal de ce stage est d'aborder la problématique de surveillance des endommagements pouvant survenir dans les engrenages des transmissions de puissance. En ce sens, vous serez amené(e) à évaluer la capacité des techniques traditionnelles de traitement du signal (filtrage, analyse temporelle, analyse spectrale, etc.) dans la détection de différents types d'endommagements des composants tournants de type engrenage. En outre, vous serez amené(e) à comparer les résultats obtenus sous différents régimes de fonctionnement et à interpréter les relations entre les signatures observées et les mécanismes physiques des endommagements. De plus, une partie essentielle de ce stage sera de préparer et de mettre en place des base de données structurées, à partir de multiples séries de mesures déjà collectées lors des compagnes de tests sur des bancs d'essai fonctionnant sous différents régimes. Cette étape inclura la catégorisation et l'étiquetage des données, afin de faciliter leur exploitation pour évaluer et tester les performances des différentes méthodes.
Ce stage vise à valider l'applicabilité des approches classiques dans un contexte réel tout en identifiant les limites potentielles, avec la possibilité d'explorer des améliorations ou des voies alternatives si cela s'avère pertinent.
Niveau de qualification
Bac +3 avec une spécialisation en traitement du signal avec des notions avancées en mécanique
vibrations
Compétences techniques
Connaissances et appétences pour le traitement du signal et mécanique vibratoire
Programmation Matlab Toolbox signal processing et/ou Python (Librairies scientifiques)
Des notions en Machine Learning et Deep Learning seraient appréciées
Compétences transversales
Autonomie
Curiosité
Esprit d'équipe
Niveau de qualification
Bac +3 avec une spécialisation en traitement du signal avec des notions avancées en mécanique
vibrations
Compétences techniques
Connaissances et appétences pour le traitement du signal et mécanique vibratoire
Programmation Matlab Toolbox signal processing et/ou Python (Librairies scientifiques)
Des notions en Machine Learning et Deep Learning seraient appréciées
Compétences transversales
Autonomie
Curiosité
Esprit d'équipe