Etude de l'effet des vibrations sur le diagnostic des câbles électrique par réflectométrie // A study of the effect of vibrations on the diagnosis of electrical cables using reflectometry

Les méthodes par réflectométrie ont montré leur pertinence pour la détection, la localisation et la caractérisation de défauts dans les câbles électriques, y compris en environnement alimenté [4]. Elles reposent sur l'injection d'une onde électromagnétique dans les conducteurs et l'analyse des ondes réfléchies dues aux discontinuités d'impédance. Néanmoins, la compréhension de la signature de défauts en réflectométrie, soumis à des vibrations réalistes, reste limitée.
La question centrale de cette thèse est la suivante : comment modéliser et exploiter le comportement dynamique d'un défaut de câble sous vibrations pour améliorer le diagnostic par réflectométrie (embarqué et débarqué) et, à terme, prédire l'évolution du défaut ?
Plus précisément, il s'agit d'établir un lien formalisé entre un profil vibratoire, l'évolution mécanique et électrique du défaut et la signature électrique mesurée par réflectométrie.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Reflectometry methods have proven their effectiveness in the detection, localisation and characterisation of faults in electrical cables, including in live environments [4]. They are based on injecting an electromagnetic wave into the conductors and analysing the reflected waves caused by impedance discontinuities. Nevertheless, our understanding of the reflectometric signature of faults subjected to realistic vibrations remains limited.
The central question of this thesis is as follows: how can we model and utilise the dynamic behaviour of a cable fault under vibration to improve reflectometric diagnosis (both on-board and off-board) and, ultimately, predict the progression of the fault?
More specifically, the aim is to establish a formalised link between a vibration profile, the mechanical and electrical evolution of the fault, and the electrical signature measured by reflectometry.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public/private mixed funding

Financement du CEA - CTBU (Contrat de thèse sur budget unité)

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

579 Sciences Mécaniques et Energétiques, Matériaux et Géosciences

• Diplôme d'ingénieur ou d'un Master 2 en électronique, mécatronique, mécanique, physique appliquée ou domaine apparenté • Bonnes bases en électromagnétisme / lignes de transmission, en traitement du signal et vibrations mécaniques • Connaissance en vision par ordinateur est un plus • Connaissance en vibrations mécaniques est un plus • Intérêt pour l'expérimentation : instrumentation, mise au point de bancs d'essais, mesures • Bonnes notions en analyse de données • Maîtrise d'un langage de programmation scientifique (Python, Matlab ou équivalent) • Intérêt pour l'intelligence artificielle / apprentissage automatique appliquée au diagnostic • Esprit d'initiative et bonnes compétences en communication écrite et orale
• An engineering degree or a Master's 2 in electronics, mechatronics, mechanical engineering, applied physics or a related field • A sound grounding in electromagnetism/transmission lines, signal processing and mechanical vibrations • Knowledge of computer vision is an advantage • Knowledge of mechanical vibrations is an advantage • An interest in experimentation: instrumentation, test bench set-up and measurements • A good understanding of data analysis • Proficiency in a scientific programming language (Python, MATLAB or equivalent) • An interest in artificial intelligence and machine learning applied to diagnostics • A proactive approach and strong written and oral communication skills