Eiffage Énergie Systèmes a créé une IA pour la maintenance prédictive des infrastructures ferroviaires

Mise en service en 2017, la LGV-BPL permet de relier Paris à Rennes en 1 h 25. Cette ligne de 182 km est entretenue par les équipes de Ferlioz, qui veillent à la bonne marche des 30 000 trains annuels (affichant un taux de ponctualité de 99,2 %). La performance et la sécurité de cette infrastructure dépendent en grande partie de sa maintenance rigoureuse. « En contrôlant régulièrement les paramètres de géométrie de la voie : sa déformation éventuelle, son alignement latéral, son nivellement transversal ou encore l’écartement des rails, le gestionnaire opère une maintenance conditionnelle de l’infrastructure. Mais, face aux enjeux de disponibilité, de coût et de sécurité, la maintenance prédictive offre une approche innovante qui utilise l’IA pour anticiper les pannes et optimiser les interventions », résume Jean-Louis Haller, responsable d’activités expertises numériques.

La maintenance prédictive repose sur l’analyse croisée des données collectées de différentes sources : capteurs embarqués sur les trains IRIS de SNCF Réseau, données de maintenance issues de la GMAO de Ferlioz, données de conception géométriques des voies, Traffic (nombre, vitesses, tonnages).

L’IA, par une approche hybride de machine learning et de deep learning, permet ensuite d’identifier des anomalies qui pourraient indiquer une défaillance à venir et donc d’optimiser les opérations de maintenance

« Afin d’obtenir une prédiction plus robuste, notre méthodologie repose sur une approche en trois étapes : le Clustering, qui consiste à regrouper les segments de voies par familles, les modèles à effets mixtes, qui combinent les tendances générales et spécifiques, et le K-Nearest Neighbors (KNN), autrement dit l’apprentissage à partir d’interventions passées pour prédire les effets futurs », explique Jean-Louis Haller. Actuellement en phase de test, le modèle prédictif affiche un taux d’erreur moyen de 4 % à un mois et de 13 % à douze mois.

Instrumentation et collecte de données
En parallèle, nos experts du Groupe étudient le comportement mécanique des structures de voie grâce à une instrumentation sophistiquée comportant plus d’une centaine de capteurs installés sur quatre sections représentatives. Cette collecte minutieuse de données permet de mesurer des paramètres comme la température, l’humidité, les déformations ou les accélérations. « Cette instrumentation le long des voies, qu’Eiffage Infrastructures a installée sur la LGV-BPL, leur a permis d’établir qu’une couche sous-ballast en grave-bitume (GB) offre des performances supérieures à une sous-couche granulaire (protection accrue contre les infiltrations d’eau, réduction des accélérations verticales et stabilité des déformations).L’exploitation de ces données se poursuit au travers d’une collaboration entre Eiffage Infrastructures, Eiffage Concessions, l’université Gustave Eiffel et Eiffage Énergie Systèmes qui apporte son expertise en IA. », indique Jean-Louis Haller.

Ainsi portée par l’IA et l’expertise humaine, la maintenance prédictive révolutionne la gestion des infrastructures ferroviaires. Sur la LGV-BPL, elle permet d’anticiper les pannes, d’optimiser les coûts et de garantir une sécurité maximale. À l’heure où la mobilité durable devient un enjeu majeur, ces technologies innovantes ouvrent des perspectives pour d’autres infrastructures ferroviaires et même d’autres types d’infrastructures.

www.eiffage.com