STAGE PFE - Contrôle avancé basé IA d'un système de conditionnement de pile à combustible F/H LIEBHERR AEROSPACE TOULOUSE

Dans le cadre de notre campagne de stage 2025/2026, nous recherchons un stagiaire pour une durée de 6 mois (stage de fin d'études).

Présentation du service

Au sein de LIEBHERR Aerospace Toulouse, l'équipe Commande & Modélisation Dynamique (CMD) est responsable de garantir la performance dynamique des lois de contrôle des systèmes de conditionnement d'air tout au long du cycle de vie des produits. Le groupe collabore avec l'ensemble des équipes, depuis l'appui à la conception de nouveaux équipements jusqu'au suivi en série des systèmes, en passant par les phases de développement, de recherche et d'essais en coopération avec les systémiers et concepteurs.

Ses principaux objectifs sont :

• La modélisation dynamique des composants et systèmes, dans le but de les utiliser pour la conception des lois de contrôle, le partage avec les clients et l'intégration dans des plateformes de simulation en temps réel.
• Le calcul et l'optimisation des lois de régulation qui seront intégrées dans le calculateur avion.
• Le support au développement des composants et systèmes, avec un point de vue centré sur la contrôlabilité et la performance dynamique.
• La définition et la participation aux essais de validation des lois de contrôle.
• Le support aux produits déjà développés et en cours d'utilisation.

Contexte

Dans un contexte d'étude d'hybridation de l'énergie dans les petits porteurs et avion commerciaux, la pile à combustible s'est imposée ces dernières années comme une solution complémentaire aux énergies fossiles. Outre la maîtrise de son alimentation en hydrogène, le « Balance of Plant » consiste à :

• l'alimenter en air et assurer un niveau d'oxygène suffisant pour optimiser les réactions chimiques ;
• lui assurer un niveau d'humidité suffisant pour garantir un certain niveau d'efficacité et une durée de vie optimale ;
• la refroidir en absorbant les calories générées par ces réactions chimiques à l'aide d'une boucle liquide participant à la fois à la gestion de l'humidité et à garantir un environnement thermique optimal entre son entrée et sa sortie.

Le stage traitera ce dernier du point de vue contrôle de température. Ce contrôle du refroidissement de la pile à combustibles s'appuiera sur des techniques IA, permettant à la fois de réduire la puissance nécessaire au refroidissement et d'améliorer son efficacité.

Objectif

L'objectif de ce stage est de développer un contrôle pour la régulation de température du système de gestion thermique d'une pile à combustible destinée à des applications aéronautiques. La stratégie sera basée sur une technique de Deeplearning d'apprentissage par renforcement au vu de la sélection de paramètres de tuning d'un contrôle de type Model Predictive Control (MPC) sur un système non-linéaire. Le système devra au préalable être linéarisé par identification. Des requis classiques sur les temps de réponses, temps de montée et erreur statiques doivent être respectées pour assurer notamment la longévité de la fuel-cell. L'algorithme sera validé en simulation en utilisant un modèle physique simulant le comportement thermique dynamique du système. L'objectif ultime est de réduire le temps de design qui est proportionnel aux non-linéarités du système traité.

Missions principales

• Sélectionner un algorithme d'identification et de contrôle MPC en se basant sur l'état de l'art ;
• Développer une méthodologie basée sur du Reinforcement Learning pour un choix optimisé des paramètres de design du contrôle ;
• Développer le code d'apprentissage associé sur Python. La partie Automatique sera développée sur Matlab/Simulink.

Profil

Niveau de formation : Stage Master 2 / Bac+5.

Domaine de formation : Automatique et régulation

Requis :

• Connaissances en méthodes d'identification et d'optimisation.
• Connaissances en algorithmes de contrôle linéaire, non-linéaire, mono et multivariables.
• Maîtrise de MATLAB/Simulink et Maîtrise des bases en Python
• Maîtrise des bases en Machine learning et de Deep Learning. La connaissance de l'un des modules Pytorch RL/TensorFlow Agents/Gymnasium/Keras-RL/OpenAI-gym serait un vrai plus.
• La connaissance de Dymola/Modelica serait un atout.
• Sens de l'écoute, qualités relationnelles et de communication permettront de travailler efficacement en équipe.
• Proactivité, rigueur, désir d'innover et habilité à monter rapidement en compétences seront des atouts pour sortir une méthodologie et aboutir à des résultats satisfaisants

Liebherr-Aerospace Toulouse c'est ...

• Une entreprise indépendante aux fortes valeurs humaines
• Des équipes de travail impliquées et passionnées par leur mission
• Une stratégie axée sur le développement de produits moins impactant en termes de consommation de carburant et d'émissions carbone
• Des actions en faveur de la préservation de l'environnement sur nos sites
• Une politique RH qui met en avant la qualité de vie au travail et l'inclusion
• Un accompagnement à la formation et au développement professionnel
• Des horaires flexibles, des espaces de créativité et salles de repos
• Un CSE dynamique avec une grande variété d'activités culturelles et d'installations sportives…

Notre processus de recrutement :

• 1 ou 2 entretiens avec le tuteur/manager

Avons-nous suscité votre intérêt ? Si c'est le cas, nous serions ravis de recevoir votre candidature en ligne. Si vous avez des questions, veuillez contacter Pauline HEUZE.

One Passion. Many Opportunities.
*Une passion commune. Tant d'opportunités.