Big Data : La SNCF, bientôt capable de prédire les pannes des Transiliens avec 30 minutes d'avance ?

"Nous voulons avoir des trains de Transilien qui fonctionnent et opérationnels en service à un coût raisonnable", lance Philippe de Lahappe, chef de projet télédiagnostic à la direction du matériel à la SNCF. C’est tout l’enjeu du projet big data lancé avec l’accompagnement du cabinet de conseil et d’ingénierie en mégadonnées Quantmetry.

Passage d'une analyse manuelle à une démarche automatisée

Le Transilien, qui dessert la banlieue parisienne, mobilise 6200 trains et transporte 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.

Auparavant, ces données étaient analysées de façon manuelle pour identifier les pannes et engager les opérations de maintenance correctives. Le projet big data vise à automatiser ces tâches de façon à avoir en temps réel 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, explique Philippe de Lahappe. Nous pouvons ainsi avoir une démarche proactive de maintenance en choisissant le bon technocentre où vont s’effectuer les réparations et en mobilisant les techniciens et moyens les mieux adaptés à cet effet."

Prédiction des pannes à venir dans les 30 minutes

La SNCF met maintenant le cap sur la maintenance préventive en ajoutant un moteur d’analyse prédictive (Machine learning). 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 ferroviaire Bombardier proposait déjà un service de surveillance et de prédiction des pannes sur ses trains connectés. "Nous ne l’avons utilisé mais il était limité par le fait qu'il s’appuyait uniquement sur les données du matériel roulant, justifie 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 est encore au stade pilote. 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. "Nous aurions pu régler le modèle sur un délai de prédiction de 24 heures, mais les performances auraient été beaucoup moins bonnes", estime Héloïse Nonne, Data Scientist senior de Quantmetry qui participe au projet.

Sélectionné pour vous

[Femmes de l'industrie 2023] Jeanne-Marie Dalbavie, locomotive de l'innovation

Le TGV M atteint pour la première fois sa vitesse de croisière de 320 km/h sur la LGV Est

Dix ans après l'idée d'Elon Musk, les projets d'Hyperloop avancent au ralenti