La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Technologies pour la R&D Contacts : 61 37 45 4306 17 63 82 02 61 37 45 4606 70 71 84 30.

Présentations similaires


Présentation au sujet: "Technologies pour la R&D Contacts : 61 37 45 4306 17 63 82 02 61 37 45 4606 70 71 84 30."— Transcription de la présentation:

1

2 Technologies pour la R&D Contacts :

3 Identité 14/11/2011Présentation Générale2 Dénomination sociale AXTRID (Assistance X Technologies à la Recherche à lInnovation et au Développement ) Siège social 12, avenue des Prés, Montigny Le Bretonneux Capital , Capital exclusivement Français, société indépendante de tout groupe C.A ,6 M Activité Ingénierie multi-technologies, R&D, Code APE 7112 B Effectif 17 personnes dont 13 ingénieurs et docteurs Secteurs industriels Activité transversale à tous les secteurs industriels

4 NDA Notre périmètre daction (souvent protégé par des clauses de confidentialité) Conception Certification homologation Prototypage MAP validation IndustrialisationProduction Brevets Recherche Idées innovations Preuve de concept moyens dessais, prototypes, simulateurs TR HIL … assistance, relations organismes. dispositifs expérimentaux maquettage logiciel… Marketing Commercial & Recyclage Exploitation SAVMaintenance assistance à rédaction. traitement de données, traitement dimages, statistiques, analyses, outils logiciels, études… statistiques,analyses,optimisation… algorithmes,fonctions,sous-ensembles,modélisation, simulation TS… assistance, relations industriels, relations designers … Du concept à lindustrialisation 314/11/2011Présentation Générale

5 Une équipe de haut niveau, formée dingénieurs et de docteurs de formation et dexpériences variées, organisée en 4 pôles de compétences, dotée de circuits décisionnels courts et réactifs, complétée par un réseau de partenaires. Une équipe de haut niveau, formée dingénieurs et de docteurs de formation et dexpériences variées, organisée en 4 pôles de compétences, dotée de circuits décisionnels courts et réactifs, complétée par un réseau de partenaires. MTD EIS ACSITR MTDEIS ACSITR Une structure efficace 414/11/2011Présentation Générale

6 MTD Mathématiques appliquées, probabilités et statistiques Classification /régression, analyse bayesienne Fusion de données, analyse de séries temporelles Modélisation de processus physiques, en particulier en biologie Analyse et traitement dimages Imagerie hyperspectrale, visible, UV, IR,X (statique ou vidéo) Mise en place de chaînes dacquisition et de traitement dimages Développement et embarquement dalgorithmes de traitement Développement et intégration de logiciels spécifiques Noyau de calcul scientifique (algorithmique, optimisation,…) IHM et communications avec linformatique existante Intégration dans les process informatiques du client (BDD, …) 514/11/2011Présentation Générale

7 Conception et réalisation électronique Etudes, prototypage, réalisation de fonctions à intégrer Production petites séries Développement logiciel couches basses Firmware Communications spécifiques Drivers (capteurs, actionneurs) Intégration de systèmes multi-technologies Dispositifs expérimentaux, bancs dessais Prototypes Tests dintégrations EIS 614/11/2011Présentation Générale

8 ACS Modélisation et simulation de systèmes multi-physiques Détermination du périmètre physique Modélisation fonctionnelle et dynamique Simulation Etablissement des lois de contrôles Prototypage rapide des lois de contrôle (Temps Réel) Etude, conception et réalisation de contrôleur Nos moyens Matlab / Simulink / Stateflow Opal RT / xPC Target / DSPACE 714/11/2011Présentation Générale

9 ITR Systèmes Temps Réel Analyse de problèmes requérant une solution TR Architecture et implémentation dapplications TR Génie logiciel Génération de code automatique Calcul parallèle et hybride (CPU-GPU) Bases de données relationnelles Interfaces Homme-Machine Développement dapplications ergonomiques et esthétiques Utilisation de technologies performantes et modernes (.NET, Java, directX, WPF…) 814/11/2011Présentation Générale

10 Qualité découte Mobilisation de compétences Travail collaboratif Analyse fine du besoin Souplesse dadaptation aux contraintes des projets Un interlocuteur unique Client propriétaire des développements Accords préalables Confidentialité Propriété industrielle Secret de la défense nationale Agrément CIR Expression de besoin Compréhension du besoin Compréhension du métier Compréhension du contexte Analyse fine par nos experts Cahier des charges fonctionnel Établi par le client ou par AXTRID Exhaustif, sans ambigüités Exigences fonctionnelles Spécification technique du besoin Solutions techniques proposées Solutions techniques imposées Base de la proposition Proposition technique et financière Réponse technique détaillée Organisation, planification Prix et échéancier de facturation. Souplesse et ajustement par itérations Compréhension du besoin 914/11/2011Présentation Générale

11 Organisation et méthode 14/11/2011Présentation Générale10 Fondé sur un CDC et une proposition justifiée, admise et comprise de tous les acteurs, un travail collaboratif pluridisciplinaire à toutes les étapes garantit loptimalité fonctionnelle, économique, ergonomique et esthétique de nos réalisations.

12 Agréments & adhésions Agrément Crédit-Impôt-Recherche : renouvelé pour Certification ISO 9001 en cours (2012) Adhésion aux pôles de compétitivité : o o Movéo o Optics Valley 1114/11/2011Présentation Générale

13 Exemples de réalisations

14 Classification innovante en génomique 14/11/2011Présentation Générale13 Classer les patientes atteintes de cancer du sein selon leur risque de récidive AUC (Aire sous la courbe)Précision en classification Base de données (A.C. Haury)Axt2(A.C. Haury)Axt2 GSE GSE GSE GSE (AC.Haury) représente létat de lart, i.e. la méthode donnant la meilleure précision en classification selon (AC. Haury, 2011) - Axt2 est une méthode propriétaire, développée par Axtrid sur fonds propres Base de données Nombre d'échantillons Nombre de positifs Dimension GSE GSE GSE GSE Axt2 Méthode probabiliste de classification très performante, sans sur-apprentissage Identification des variables les plus déterminantes Classification de nouveaux patients avec incertitudes associées Applicable à tous les problème de grande dimension Nombre déchantillons (= nombre de patientes) égal à 1 ou 2% de la dimension (= nombre de variables quantitatives caractérisant une patiente)

15 Protéomique : diagnostic précoce du cancer de la prostate 14/11/2011Présentation Générale14 Classer les patients en sains, à risque haut, intermédiaire ou faible Algorithmes applicables à tous les problème de spectroscopie Post-traitement des données spectrales (alignement, normalisation, débruitage, détection de pics, …) Classification en grande dimension après sélection de variables

16 Imagerie hyperspectrale en dermatologie 14/11/2011Présentation Générale15 Spécifier et mettre en œuvre une chaine dacquisition et de traitement de données hyperspectrales Problématiques: – Taille des cubes de données (>= 1,5 Go par cube) – Complexité du traitement, espace à très grande dimension – Choix des longueurs dondes spécifiques à une application

17 Imagerie hyperspectrale en dermatologie 14/11/2011Présentation Générale16 Quantification et caractérisation dune réaction allergique de type érythème Problématiques : – Quantifier lérythème et son évolution – Méthode efficace sur tous types de peaux (même les plus foncées)

18 La résolution du problème inverse (1) 14/11/2011Présentation Générale17 Paramétrer un système inconnu de telle sorte que le résultat obtenu soit celui voulu au départ – Résolution mathématique et probabiliste du problème – Expression mathématique des zones de paramètres – Ne nécessite pas une connaissance du système (« boîte noire »), mais seulement un apprentissage sur ses entrées/sorties X_k : paramètres ou variables Critère est le résultat souhaité Critère ? Modèle ? X_1 X_k … Problème direct Modèle ? Critère X_1 ? X_k ? … Problème inverse

19 La résolution du problème inverse (2) 14/11/2011Présentation Générale18 Quelle zone de lespace doit occuper une variable pour obtenir une classe donnée ? Plan dexpérience initial suivi de simulations ciblées Optimisation très complexe (361 dimensions) Erreur maximale destimation de 0,5 % par paramètre 100 échantillons en apprentissage Problème de dimension 40 La zone trouvée correspond bien à la zone réelle Plages de valeurs dune variable pour obtenir une performance donnée Combinaisons de paramètres garantissant un résultat souhaité Modèle p1 p2 p3 p4 p5 La résolution du problème inverse nécessite un historique pour lapprentissage Quelles valeurs doivent prendre p1, p2, p3, p4 et p5 pour obtenir un spectre donnée ?

20 Apprentissage intelligent par plan dexpérience 14/11/2011Présentation Générale19 Optimiser lapprentissage destiné à estimer les paramètres dun modèle relatif à un spectre de peau observé Plan dexpérience initial suivi de simulations ciblées Les nouvelles simulations sont en fonction : Du spectre à atteindre Des résultats de simulations disponibles La résolution de ce problème nécessite la génération dun apprentissage ciblé Modèle p1 p2 p3 p4 p5 p1 p2 p3 p4 p5 ? 10 valeurs/paramètre simulations possibles Comment diminuer le nombre de simulations ? Seules 1800 simulations ciblées ont été nécessaires (1,8 % du nombre initial) Erreur maximale destimation de 0,5 % par paramètre Spectre observé Modèle

21 Health Monitoring (Maintenance prédictive) 14/11/2011Présentation Générale20 Détecter un changement et savoir le localiser Surveillance en continu de certains signaux « vitaux » Approches pour la maintenance prédictive Model-basedSignal-basedRedondance Détection dun changement Nécessite de dupliquer tous les équipements à surveiller Comparer les observations au modèle Détecter une tendance par signal Détecter une tendance globale Outils de traitement de données développés en interne

22 Health Monitoring (Maintenance prédictive) 14/11/2011Présentation Générale21 Détecter un changement et savoir le localiser Estimation dun modèle « nominal » Historique avec des données fiables Quand le modèle nest pas connu Nouvelles mesures Détection dun changement ? ? Méthodes probabilistes Méthodes destimation et de classification Quand un signal est surveillé en continu Exemple : surveillance en continu du centre de Masse dune personne âgée pour prévenir le risque de chute

23 Classification/Détection/Segmentation (1) 14/11/2011Présentation Générale22 Optimiser, fiabiliser, automatiser le processus de traitement et danalyse PROTEOMIQUE

24 Classification/Détection/Segmentation (2) 14/11/2011Présentation Générale23 Problématique : – Grande mobilité de lanimal – Variabilité de forme importante entre deux instants successifs Optimiser, fiabiliser, automatiser le processus de traitement et danalyse COMPORTEMENT ANIMAL

25 Contraintes : -Présence de plusieurs pratiquants -Différents sports et figures possibles -Robustesse (embruns, corde, bouée, éclairage…) -Modularité, évolutivité -Réactivité suffisante Système de détection de position et dattitude 14/11/2011Présentation Générale24 Concevoir, prototyper et fabriquer un système de détection de position et dattitude pour optimisation et sécurisation dun simulateur de sport de glisse Traitement dimages Vidéo Classification temps réel Traitement dimages Vidéo Classification temps réel Détecter la présence dun pratiquant et déterminer sa position Evaluer ses déplacements, détecter ses sauts et ses chutes

26 Sécurisation de fraiseuse par caméra vidéo 14/11/2011Présentation Générale25 Optimiser lexploitation de fraiseuses dun bureau de style automobile en sécurisant les interventions de stylistes lors de lusinage Mât Bras z Sphère d'alerte Sphère d'arrêt Sphère outil Plan équatorial Caméra Terminal de diagnostic 230 V Sirène Centrale de commande Boucle sèche Clé réarm Caméra Gyrophare Contraintes – Homologabilité vis-à-vis de la sécurité des personnes. – Pas dinterférence fonctionnelle avec la fraiseuse, pas de perturbation de performances – Robustesse mécanique compatible avec lenvironnement atelier (salissures, nettoyages, chocs) – Robustesse algorithmique (jets continus de copeaux, éclairage non maîtrisé, mobilité caméra)

27 Imageur/analyseur destiné à la dermatologie Affiner et valider les concepts, spécifier, mettre au point et prototyper un appareil de caractérisation de la peau. 14/11/201126Présentation Générale Matériel et IHM : Eclairage par matrice de LEDs Contrôle du spectre et la puissance par zones Caméra CMOS U.C. embarquée : -IHM de paramétrage et de génération de scénarios -Image de contrôle -Contrôle de la prise dimage et exécution des scénarios -Communication avec B.D. de stockage Algorithmique: Paramétrage de la prise dimage Indexation automatique Détection/Segmentation Classification probabiliste par SVM (Support Vector Machines) Gradation des critères pour chaque image comparée à la gradation dun expert

28 Stylo pour Tableau Blanc Interactif 14/11/2011Présentation Générale27 Conception mécanique et électronique – Electronique avec fortes contraintes doptimisation de la consommation. – Tête optique: génération dun spot IR de localisation et détection de proximité du tableau. – Dongle zigbee, drivers associés, optimisation du protocole de communication. – Intégration informatique dans le système (PC). – Réalisation dune pré-série de validation et de démonstration. Concevoir et prototyper un stylo interfacé avec le tableau par liaison radio.

29 Appareillage de soin de la mycose des ongles 14/11/2011Présentation Générale28 – Conception mécanique, électronique, logicielle – Mise au point et prototypage sur la base du brevet client – Assistance au marquage CE – Fabrication de 20 exemplaires de pré-série pour tests cliniques Prototyper et préparer lindustrialisation dune perceuse électromécanique associée au produit de traitement.

30 Bancs de validation et dendurance pour ECU automobile Problématique : – Test de validation fonctionnelle sur séquences réalistes simulées – Introduction de pannes – Tests dendurance, pilotage détuve Contraintes : – Développement firmware, IHM LABVIEW Concevoir et fabriquer un banc pour lECU de toit escamotable 308 CC 2914/11/2011Présentation Générale

31 Simulateur HIL de validation de prothèse cardiaque totale 14/11/2011Présentation Générale30 Concevoir et réaliser un simulateur propre à valider fonctionnellement le logiciel de la prothèse Prestations : – Conception et réalisation clef en main et évolutions, – Intégration des modèles du circuit sanguin et du groupe moto-pompes, – Génération automatique des scénarios de tests. Simulateur Logiciel à valider implanté sur une carte prototype dECU prothèse (fourni par le client) Logiciel à valider implanté sur une carte prototype dECU prothèse (fourni par le client) Station de pilotage Matlab/Simulink (MathWorks) xPCTarget & RTW (MathWorks) Modèle : partie matérielle prothèse + circuit sanguin

32 Simulateurs HIL / SIL dans le cadre du programme M51 Concevoir, fabriquer, faire évoluer et maintenir les simulateurs 3114/11/2011Présentation Générale Nos prestations : – Modélisation fonctionnelle sous Simulink – Simulateur clef en main – Maintenance en condition opérationnelle. Témoignage : « Depuis 2003, ASTRIUM fait appel aux compétences de la société AXTRID dans le cadre du programme de défense M51. AXTRID est intervenu initialement comme expert MATLAB/SIMULINK pour la modélisation et la simulation temps réel du missile. Aujourdhui, nous confions à AXTRID la responsabilité de la conception, de la réalisation et de la maintenance des simulateurs HIL constituant le coeur de la plateforme de validation et de qualification du système darme M51 implantée sur le site des Mureaux. Ayant pu apprécier sur le long terme la qualité du travail, la disponibilité et la réactivité des équipes dAXTRID, nous leurs accordons aujourdhui notre entière confiance. » Christophe Ormières EADS ASTRIUM

33 Système de pilotage de banc dessai moteur de Formule 1 Problématique : – Reproduire fidèlement lenvironnement de la piste. – Disposer dune application de pilotage souple et évolutive. – Contrôler, transmettre et visualiser les données de lessai Notre apport : – Force de proposition dans larchitecture du système de pilotage et réalisation. – Implémenter des outils dédiés: Génération de code automatique Supervision / IHM Configuration automatisée Bases de Données 3214/11/2011Présentation Générale Améliorer la productivité des bancs par un perfectionnement permanent des fonctionnalités et de lergonomie

34 Merci de votre attention Contacts :


Télécharger ppt "Technologies pour la R&D Contacts : 61 37 45 4306 17 63 82 02 61 37 45 4606 70 71 84 30."

Présentations similaires


Annonces Google