Stagiaire Ingénieur Machine Learning H/F - 44

Référence mondiale de la manutention, de l'élévation de personnes et du terrassement, Manitou Group a pour mission d'améliorer les conditions de travail, de sécurité et la performance partout dans le monde, tout en préservant l'Homme et son environnement.
A travers ses marques Manitou et Gehl, le groupe conçoit, produit, distribue des matériels et des services à destination de la construction, de l'agriculture et des industries.
En plaçant l'innovation au coeur de son développement, Manitou Group cherche constamment à apporter de la valeur ajoutée auprès de l'ensemble de ses parties prenantes.
Grâce à 10 sites de production, 8 centres logistiques, 34 filiales et l'expertise d'un réseau de 900 concessionnaires, le groupe est chaque jour, plus proche de ses clients répartis dans 140 pays.
Fidèle à ses racines, avec un siège social situé en France, Manitou Group enregistre un chiffre d'affaires de 2,9 milliard d'euros en 2022 et réunit 5 500 talents à travers le monde avec la passion, l'engagement et la fiabilité comme valeurs communes.
Manitou Group est une entreprise handi-accueillante.Au sein de l'équipe Technology Platforms de la Global R&D du groupe Manitou, rattaché(e) au service Energy & Simulation, vous aurez en charge l'optimisation par Machine Learning d'un système de détermination de charge en environnement dynamique (ou d'un algorithme de fusion de données multi-capteurs pour l'estimation dynamique de paramètres machine).
La mise au point de ce système nécessite actuellement des phases d'ajustements complexes lors de la transposition entre différentes gammes de machines. L'objectif de votre stage est d'explorer des approches data-driven pour automatiser et optimiser ce paramétrage.
Au cours de votre MISSIONS, vous aurez à :
*
Analyser les données existantes issues de capteurs (pression, cinématique) pour comprendre les variables influençant la précision de l'algorithme
* Développer et entraîner des modèles de Machine Learning via l'outil PSeven ou autre afin d'améliorer la robustesse du système
*
Corréler les résultats du modèle à partir d'essais physiques réalisés sur machines instrumentées pour valider la précision des prédictions
*
Évaluer la capacité de généralisation du modèle pour faciliter le déploiement du système de pesage sur de nouvelles architectures de machines
*
Documenter la méthodologie et proposer une architecture standardisable pour la mise au point des futurs systèmes
*
Si le temps le permet, et à partir d'un modèle de simulation multiphysique 1D construit sous Amesim, explorer la possibilité d'entraîner le modèle de Machine Learning à partir de résultats issus de simulations