Surveillance de ligne à grande vitesse et maintenance prédictive

Objectifs clés

  • Analyser les facteurs d’indisponibilité
  • Assurer le suivi, comprendre et anticiper les incidents
  • Monitorer l’état du matériel

Résultats clés

  • +10 sources de données (SNCF et Vinci)
  • 15% d’amélioration sur la détection d’incidents
  • 1e livraison : 2 itérations d’1 mois chacune

Contexte

Vinci, au travers de ses filiales Mesea-Lisea, a obtenu en 2010 la concession de l’exploitation de la ligne LGV (Ligne Grande Vitesse Tours-Bordeaux). La réalisation des engagements contractuels auprès des opérateurs ferroviaires (SNCF aujourd’hui, d’autres opérateurs potentiels demain)  suppose un pilotage fin des infrastructures et le traitement d’importants volumes de données. Les indisponibilités de la ligne se chiffrent en millions d’euros et, du nombre et de la gestion des incidents dépendra, pour Vinci, la rentabilité de l’exploitation. 

Spécialiste de la maintenance et de la gestion du matériel de longue date, il était aussi crucial pour l’entreprise d’accélérer sa transformation digitale et de repenser la gestion de ses assets digitaux afin d’être en capacité de mieux gérer ce qui constitue son cœur de métier : l’infrastructure ferroviaire.

Challenge

  • Agrégation de sources de données variées

Les enjeux sont multiples : comptage et identification des trains, disponibilité des infrastructures, définition des responsabilités en cas de problème (incident sur les rails ou train en panne), optimisation pour Mesea de son plan de maintenance en détectant notamment les signaux faibles précurseurs d’incidents.

Pour répondre de manière simple et rapide, la solution se devait d’intégrer plus de 20 sources de données, parmi lesquelles :

    • Des données provenant des échanges entre le centre de régulation SNCF et les trains
    • Des données IoT émanant en mode messages des installations
    • Des capteurs météorologiques installés au fil du parcours
    • Des données issues du train de maintenance contrôlant divers éléments de l’infrastructure
  • Industrialisation du traitement des données

Si ces informations existaient déjà, elles étaient exploitées par les différents services de manière silotée : une approche limitée ne permettant notamment pas de tirer pleinement profit des données ou d’aller plus loin en développant de nouveaux services à base d’Intelligence Artificielle.

Solution

Vinci a fait le choix de ForePaaS et de son partenaire Eleven, cabinet spécialisé en stratégie et data science, pour plusieurs raisons :

  • L'intégration de l’ensemble des briques répondant aux besoins et enjeux d’un projet data : collecte, stockage, exposition, entraînement et mise en production de modèles d’IA.
  • La capacité à collecter et traiter des sources et formats de données multiples, dont de l’IoT haute-fréquence et des données plus passives. 
  • La mise en place d’une collaboration agile avec des cycles d’itérations très rapides pour tester et collecter du feedback utilisateur le plus rapidement possible.

Un premier démonstrateur a été déployé en moins de 6 mois pour mieux comprendre l’origine des indisponibilités, avec un focus sur les aiguillages pour lesquels les données sont difficiles à traiter. Une deuxième phase a été lancée au printemps 2019, avec le soutien d'Eleven et de son expertise digitale en matière de déploiement de projets data, axée cette fois sur l’extraction de données et le développement de modèles prédictifs pour aller vers davantage de maintenance prédictive.

Nous contacter

sit ut quis, efficitur. diam nec eget quis amet, elit. dolor. vulputate,