Tweeter

En s’appuyant sur un moteur d’analyse prédictive des données des rames connectées du Transilien, la SNCF veut non seulement télé-diagnostiquer les pannes, mais aussi les prédire toutes les 30 minutes.

Dans une interview accordée à « L’Usine Digitale » Philippe de Lahappe, chef de projet télédiagnostic à la direction du matériel à la SNCF a donné les grandes ligne du nouveau chantier engagé par la SNCF.

« Nous voulons avoir des trains de Transilien qui fonctionnent et opérationnels en service à un coût raisonnable », souligne Philippe de Lahappe, chef de projet télédiagnostic à la direction du matériel à la SNCF.

ð C’est tout l’enjeu du projet big data lancé avec l’appui du cabinet de Conseil et d’ingénierie en méga données Quantmetry.

Le Transilien, qui dessert la banlieue parisienne, dispose de 6200 trains transportant  3,2 millions de voyageurs par jour.

Le projet big data porte sur les 180 rames connectées fournies depuis 2009 par Bombardier.

Chacune de ces rames produit 70 000 informations par mois sur 40 000 variables, transmises au central de gestion toutes les 30 minutes.

Après le télédiagnostic, la maintenance préventive

Auparavant, ces données étaient analysées de façon manuelle pour identifier les pannes et engager les opérations de maintenance correctives.

ðLe projet big data vise à automatiser ces tâches de façon à disposer en temps réel d’une vision précise et complète de l’état du matériel.

« Nous passons d’une maintenance corrective classique à une maintenance connectée avec laquelle on connait les pannes qui se sont produites sur les rames » souligne  explique Philippe de Lahappe.

«Nous pouvons ainsi avoir une démarche proactive de maintenance en choisissant le bon techno centre où vont s’effectuer les réparations et en mobilisant les techniciens et moyens les mieux adaptés à cet effet ».

Une maintenance préventive reposant sur un moteur d’analyse prédictive (Machine learning) (2).

Le système est entrainé à apprendre les scénarios de défaillance des trains en croisant les données de fonctionnement et celles de l'exploitation.

Le constructeur canadien Bombardier proposait déjà un service de surveillance et de prédiction des pannes sur ses trains connectés.

Mais, pour Philippe de Lahappe «Nous avons préféré aller plus loin en mettant en place notre propre dispositif avec l’avantage d’un écosystème qui intègre en plus les données issues de l’exploitation et des techniciens»

 Le projet en est encore au stade expérimental mais il devrait être déployé en exploitation à la fin de l’année.

Le système est entrainé pour prédire les pannes qui vont se produire dans les 30 minutes à venir : Un délai lié à l’intervalle de transmission des données par les rames en circulation.

 

(1) On pourra lire à ce sujet l’article paru dans « L’Usine Digitale » http://www.usine-digitale.fr/article/big-data-la-sncf-bientot-capable-de-predire-les-pannes-des-transiliens-avec-30-minutes-d-avance.N383264)

 

(2) Qu'est-ce que l'apprentissage automatique ?

Le Machine Learning a été démocratisé par IBM avec Watson.

Ce concept permet à une entreprise de traiter les données, structurées ou non, afin d’être capable de prédire des événements : fraudes, pannes, opportunités de marché, etc.

Il s’agit, pour une machine donnée, de la capacité d’apprendre automatiquement et par elle-même les processus qui optimiseront sa tâche.

L’apprentissage automatique est un champ important de l’intelligence artificielle permettant le développement d’outils pouvant s’attaquer à de grandes quantités de données qui seraient, normalement quasiment impossibles à analyser.La mise en place d’un tel système peut être longue ; en effet la conception suppose que les développeurs aient  prévu le cadre précis dans lequel la solution va évoluer: il faut donner des directives pour fournir un champ d’évolution.

Voir notamment :

Big Data et analyse prédictive : Microsoft lance Azure ML - News - publié le 20/06/2014 Microsoft annonce le lancement de sa nouvelle plateforme Azure Machine Learning (ML). Une plateforme en cloud dédiée à l’analyse prédictive sur de gros volumes de données.