Passer de la maintenance corrective (c’est-à-dire lorsqu’un système est défaillant ou sous-performant) à la maintenance conditionnelle (c’est-à-dire en surveillant les indicateurs d’état) a été l’une des principales améliorations du secteur ferroviaire au cours des dernières décennies. Ce changement a été rendu possible par la démocratisation des capteurs IoT qui ont donné accès à la capture de données en temps réel. Elle a prolongé le cycle de vie des actifs et augmenté la disponibilité de l’infrastructure. Pour les gestionnaires d’infrastructure ou les concessionnaires ferroviaires, cela signifie plus de durabilité, moins de défaillances, moins de pénalités ; pour le passager : moins d’incidents et moins de retards.
La science des données pousse cette évolution un cran plus loin. Grâce à l’analyse statistique et à la modélisation, elle remet en question les connaissances de pointe et permet l’application de la maintenance prédictive (c’est-à-dire la prédiction de la dégradation pour anticiper le besoin de maintenance) [1] [2].
Pourquoi la maintenance prédictive est-elle si importante pour la gestion des voies ?
L’entretien régulier de la voie est crucial pour garantir qu’elle respecte en permanence les normes de qualité et de sécurité les plus élevées. Cependant, les opérations d’entretien de la voie telles que le bourrage sont partiellement destructives : chaque opération détériore légèrement les propriétés géométriques du ballast, les roches qui soutiennent les traverses et les rails, entraînant ainsi une légère augmentation de la vitesse de dégradation de la voie. En résumé : plus vous entretenez, plus vous devrez entretenir et plus tôt vous devrez mener des opérations de renouvellement lourdes en investissements…
Il est donc essentiel de réaliser une maintenance « juste à temps ».
Utilisation de l’IA pour la maintenance prédictive sur la Ligne à Grande Vitesse Tours-Bordeaux
LISEA (Concessionnaire) et MESEA (Entreprise de maintenance) travaillent conjointement pour optimiser le niveau de performance et le cycle de vie de la Ligne à Grande Vitesse. Grâce à un wagon de mesure interne appelé « DRING », ils collectent chaque semaine des données de haute qualité sur la géométrie de la voie. En collaboration avec le programme AI de Leonard, LISEA et MESEA ont pu modéliser la dégradation de la voie, l’évolution des défauts et l’impact d’une opération de maintenance. Ainsi, les opérations de maintenance ont pu être optimisées sur une base prédictive. Cela a conduit au développement d’un outil d’aide à la décision pour assister les experts dans la planification des opérations de géométrie de la voie à court terme (quelques mois) et à moyen terme (3 ans).
En exploitant les données collectées et les techniques d’apprentissage automatique, LISEA et MESEA ont déjà constaté les premiers bénéfices de la solution.
- La compréhension de la dégradation des voies et de l’impact d’une opération de maintenance s’est améliorée, permettant l’identification de certains facteurs racines qui pourraient bénéficier d’une investigation plus poussée.
- Le temps consacré à la surveillance de l’infrastructure et à la planification des opérations de maintenance a diminué, permettant ainsi aux experts de réaffecter leur temps à des tâches à plus forte valeur ajoutée.
- Et surtout, la fréquence des opérations de maintenance elle-même a pu être réduite de manière significative. Cela permet de gagner du temps et de l’argent et de prolonger le cycle de vie global des actifs tout en garantissant le respect constant des normes de qualité et de sécurité les plus élevées.
Cet outil d’aide à la décision a été particulièrement utile dans la période de Covid19 où les plans de maintenance ont dû être révisés en urgence. Les plans proposés par la solution ont tous été éprouvés et validés avec succès par un expert sur le terrain.
Ce projet démontre la pertinence de l’application des techniques d’apprentissage automatique à la maintenance dans le secteur ferroviaire et donne un exemple des avantages immédiats et à plus long terme qui peuvent en être tirés.
L’infrastructure ferroviaire est associée à des coûts de construction massifs et a donc été traditionnellement financée par l’État. En 2017, LISEA, une société partiellement détenue par VINCI, la Caisse des dépôts et consignations, Méridiam et Ardian, a inauguré le premier partenariat public-privé français pour une ligne à grande vitesse entre Tours et Bordeaux. Le modèle économique de ce projet PPP (Partenariat Public-Privé) est le suivant : le concessionnaire porte les coûts de financement, de construction, d’entretien et de renouvellement (DBOFM) et supporte les risques de performance et de trafic. Dans un contrat d’entretien basé sur la performance, l’investissement et la planification jouent un rôle stratégique pour le propriétaire de la concession.
Sources
1. The rail sector’s changing maintenance game – Mc Kinsey – février 2018
2. Track geometry degradation and maintenance modeling: A review – juillet 2016
Cet article fait partie d’une série de publications des participants au programme IA de Leonard, spécifiquement conçu pour accélérer l’adoption des technologies d’intelligence artificielle au sein du groupe VINCI. Il consiste en une période d’incubation de cinq mois au cours de laquelle les collaborateurs de VINCI sélectionnés suivent un processus d’apprentissage par la pratique ; ils développent ainsi un cas d’usage basé sur l’IA avec le coaching et le mentorat de l’équipe de Leonard et des consultants d’Eleven Strategy.
