Après avoir consulté la fiche de dépannage de la rame, l’agent de maintenance s’attèle à resserrer la courroie d’une porte qui était détendue. Ensuite il procède à une vérification de la fermeture de cette porte. Les deux panneaux doivent respecter un écart réglementaire calculé au millimètre. S’il n’est pas bon, l’agent réalise les réglages adéquats et revérifie la distance avec son pied à coulisse. Il y a quelques années, ce travail là devait être effectué sur chaque porte de chaque voiture d’un train. Mais aujourd’hui les agents de maintenance de la SNCF ont accès à des données leur indiquant quelles portes nécessitent d’être réparée.

Nous sommes au technicentre de Paris Nord de la SNCF, à Villetaneuse. Ici, c’est un parc de 170 trains transiliens et franciliens qui est géré par quelques 472 agents. Sur le site de Joncherolles, ce sont principalement des opérations de maintenance qui sont réalisées sur environ 60 trains par jour. Neuf autres de ces technicentres sont répartis en Ile-de-France. Sur toute la France, la SNCF en compte 39 et investit pas moins de 2,6 milliards d’euros par an dans la maintenance ferroviaire. Et la société de transport est en pleine expérimentation d’outils permettant à ses agents de prévenir les pannes avant qu’elles ne se produisent.

Bien que leurs activités soient bousculées par de nouvelles pratiques imposées par les technologies, les agents de maintenance de la SNCF réalisent un travail de précision pour maintenir la sécurité au maximum dans les trains. (Crédit : Nicolas Certes)

2000 capteurs physiques dans une rame

Le technicentre de Paris Nord est en effet le premier à accueillir des trains équipés de capteurs dès leur conception. C’est en 2009 que le site de Joncherolles prend en charge les premières NAT – pour Nouvelle automotrice transilien -, ces trains à la carrosserie blanche et rose que l’on peut emprunter sur les lignes H, J, K ou L. Sur une rame, environ 60 000 données capteurs circulent sur le réseau informatique du train, pour à peu près 2 000 capteurs physiques.

Parmi les technicentres industriels - où les travaux de modernisation des trains sont réalisés notamment - les sites d'Oullins, Hellemmes et Saint-Pierre-des-Corps sont respectivement spécialisés dans l'appui au dépannage et la surveillance de l'état technique des locomotives, TGV et trains régionaux. (Crédit : SNCF)

Ce ne sont pas les premiers trains qui émettent des données. « Les TGV ont eu une information plus détaillée et ça date de quasiment une vingtaine d'années » indique Philippe de Laharpe, chef de projet télédiagnostic à la SNCF. « Par contre le problème c'est qu’il y a vingt ans, il n'y avait pas la capacité d'analyse automatique et tous ces réflexes d'utilisation de la donnée. Donc l'utilisation qui était faite c’était manuel, en dépannage. » Mais dans un dépôt d’une centaine de rames TGV, qui rendent à peu près 2 000 défauts chacune par mois, il était humainement impossible de traiter autant d’informations. Avec la NAT, l’analyse des données transmise par les trains est cependant devenue systématique.

128 points de mesure à chaque ouverture/fermeture des portes

Sur un mois, une rame génère environ 70 000 données de défaut. Rapporté à l’année, cela représente environ 1 To de données produites par une rame. C’est un chiffre étonnamment bas quand on sait que les capteurs situés au niveau de chaque porte d’une rame relèvent à eux seuls 128 points de mesure à chaque ouverture et fermeture, toute la journée. Mais selon Quentin Coutadeur, ingénieur data scientist chargé de la surveillance de l’état technique des NAT, un fichier ne fait qu’une centaine de kilo-octets.

Toutes ces données sont stockées dans des datacenters de la SNCF. Les fichiers bruts reçus sont transformés en base de données relationnelles pour pouvoir être lues par les algorithmes écrits par les data scientists de la SNCF. Puis ils sont envoyés dans un datalake sous forme NoSQL pour faire des analyses en masse et de l’exploration de données. Pour le moment, les experts de la donnée utilisent Elastic Search et Kibana.

Les données d'ouverture et de fermetures de chaque porte d'une NAT sont transmises en temps réel sur la plateforme Vigimat développée par la SNCF. (Crédit : SNCF)

Trois ans d’intégration

Côté logiciel, la SNCF a développé sa plateforme Vigimat en interne pour visualiser les données collectées par les rames en temps réel. En 2014, elle s’est également équipée d’un progiciel de gestion de la maintenance (GMAO) - appelé Osmose - basé sur la solution Maximo d’IBM. L’intégration de solutions de maintenance prédictive est, elle, toujours en cours depuis trois ans. « Il y a eu une bonne année pour l'élaboration des algorithmes » énumère le chef de projet télédiagnostic, « puis, plus d'une année pour apporter la preuve qu’il y a un besoin, que cette solution fonctionne et s'accorder sur le fait que c’est possible de l’intégrer. Et là nous sommes encore dans une année d'expérimentation grandeur nature, c'est-à-dire qu’on valide tout ce qu’on a élaboré sur le terrain en réajustant ce qui ne fonctionne pas. »

Aujourd’hui, ce sont pas moins de 1200 équations qui pointent les défaut d’une rame NAT. Leur élaboration prend du temps car la société de transport exige des remontées fiables. Ainsi un algorithme écrit en une demi-heure devra montrer son efficacité par retour d’expérience auprès de dépanneurs et d’experts techniques sur le terrain. Pour Gildas Ollivier, directeur du technicentre Paris-Nord, cette phase de tests est importante : « au début, c’était un outil tellement magique qu’on avait tendance à mettre beaucoup d'équations en service sans maîtriser toutes les conséquences. » Car une règle définie peut entraîner plusieurs signalements et inonder facilement les agents d’informations. « Aujourd'hui j'arrive à maîtriser cent signalements sur mon parc. Mais j'en ai eu jusqu'à 300 » se souvient-il.

Premiers apports sur la climatisation

Concrètement, toutes les données remontées vont servir à faire de la maintenance corrective (pour une panne avérée), préventive conditionnelle (en détectant des anomalies sur un point précis) et du télédiagnostic pour l’exploitation (en relevant le nombre de personnes dans les trains, les kilomètres parcourus, la localisation, etc.). Un des premiers usages a été au niveau des climatisations des trains. Avant l’arrivée de ces processus d’analyse en temps réel, la SNCF faisait un test de toutes les climatisations des trains au printemps, avant la saison chaude. « On forçait la climatisation en atelier pour vérifier qu’elle refroidissait bien » explique Philippe de Laharpe. « Et la rame était déclarée bonne pour la saison chaude jusqu'à ce qu'elle ait une panne. Ca pouvait être le lendemain mais on ne l’aurait vu que l’année d’après... » Maintenant chaque climatiseur est équipé d’un capteur qui remonte les informations en temps réels et permet de réaliser la réparation sans que la rame soit forcément en technicentre.

En plus de connaître la location des trains et des problèmes qu'il faudra régler dans un train, les agents de maintenance connaissent également le temps approximatif que va leur prendre chaque opération. (Crédit : SNCF)

Sur le site de Joncherolles, les agents réalisent une surveillance d'état technique de niveau 1 où ils vont utiliser les données déjà mises en forme pour savoir si une rame doit rentrer ou pas dans le technicentre. « Mais quand une rame rentre, en même temps je sais ce qu'il me faut comme pièces, de quelle installation j’ai besoin. Je connais même à peu près le temps que je vais passer dessus » indique Gildas Ollivier. Pour apporter toutes ces informations, les développeurs avaient demander en amont aux ouvriers combien de temps leur prenait chaque opération.

Meilleurs productivité et service aux clients

Autre cas d’usage qui peut paraître plus anecdotique mais qui est un paramètre clé pour l’exploitant des rames : la disponibilité des toilettes. « On ne met pas en service un TGV qui a trois toilettes isolées [hors services] » selon Philippe de Laharpe. « Sur un Paris-Marseille ce n’est pas possible. » Des capteurs fournissent ainsi ces indications en amont, tout comme le niveau d’eau. « Avant, on allait systématiquement faire le plein parce qu’on ne connaissait pas le niveau du réservoir » ajoute Gildas Ollivier. « Aujourd'hui ils sont capables d’aller cibler les rames où il faut faire un plein. »

Toutes ces informations ont permis d’améliorer la productivité du parc et le service aux clients. A Villetaneuse, Gildas Ollivier a noté de réel progrès en termes de performances sur son parc de 102 rames NAT. D’après le directeur du technicentre, sur 100 rames, il y en a toujours environ 8 en maintenance, « on dit qu’il y a 8% d’indisponibilité de matériel » précise-t-il. Sur un parc qui n’est pas équipé de ces technologies-là, l'indisponibilité matériel va plutôt atteindre de 13 à 15 %. Idem en termes de régularité. Une NAT a un taux de non-ponctualité de 0,6%. C’est-à-dire que 0,6% des trains arrivent avec plus de 5 minutes de retard pour cause matérielle. Les véhiculent plus anciens ont un taux de non-ponctualité de 2 à 2,5%.

Changer les perceptions

Ces nouveaux processus de collecte de données imposent de repenser totalement les méthodes de travail des agents en bout de chaine. Et à Joncherolles, comme ailleurs, il a fallu que les data scientists se rendent régulièrement sur le terrain pour montrer les anomalies qu’ils avaient remarquées et comment ils les avaient pointées. Car le sentiment d’être remplacé par l’IT a été très présent chez les agents de maintenance au départ. Gildas Olivier se souvient : « Hier, on disait à un agent, lorsqu’une NAT rentrait, d’appliquer une consistance sur les 16 portes de la rame. Quelques années après ou quelques mois, on lui dit que sur les 16 portes, 13 fonctionnent et qu’il ne doit s’occuper que des trois restantes. Donc l'agent se dit que, ça y est, on en train de le remplacer. » D’ailleurs certains agents parmi les plus anciens refusent toujours de faires les visites NAT parce qu’ils ne veulent pas signer de feuille de traçabilité pour des opérations qu’ils n’ont pas faites. « Ce sont deux ou trois personnes aujourd’hui mais c’étaient dix il y a deux mois » ajoute le directeur du centre de maintenance.

Pour chaque rame, les agents ont une feuille de traçabilité leur indiquant où se trouvent les défauts à corriger. (Crédit : SNCF)

Les métiers spécialisés évoluent dans le groupe. Certains sont amenés à disparaître, d’autres à nécessiter moins de personnel, d’autres à se spécialiser, et enfin de nouveaux métiers se créent. Le métier de freiniste, historique à la SNCF, est en passe de disparaître. Cette expertise demandait de réaliser des tests poussés sur les panneaux de freins pour s’assurer des bonnes capacités de freinage de la rame. « Maintenant, quand le train circule, on arrive à mesurer encore plus de choses. Je sais que la rame freine correctement sans même aller la voir » indique M. Ollivier. A Joncherolles, ils sont aujourd’hui 20 spécialistes. Mais quand ces évolutions métiers seront effectives – pas avant une dizaine d’années selon nos interlocuteurs – des freinistes plus expérimentés seront tout de même appelés pour des cas difficiles. Et Gildas Ollivier indique qu’un freiniste actuel, par sa connaissance des appareils, peut très bien faire un très bon dépanneur NAT par exemple. Donc entre les départs à la retraite, les réorientations accompagnées et une formation différente des nouvelles recrues, le directeur du site de Villetaneuse assure que les emplois ne sont pas en danger.

Montée en puissance des data scientists et superviseurs de flotte

Parmi les nouveaux métiers, celui de data scientist est aujourd’hui clé. Il y a quatre ans, Quentin Coutadeur était seul avec un collègue à analyser les données de la SNCF à Saint-Pierre-des-Corps. Aujourd’hui ils sont huit près de Tours et toujours en recrutement. Mais ces spécialistes de l’analyse de données doivent également être experts d’une série de train. Ils sont en effet répartis selon les types de trains : à Saint-Pierre-des-Corps, ils sont quatre sur les NAT et quatre sur les Régio 2N, conçus pour le service TER. D’autres professions, comme la supervision de flottes sont aussi en train de se complexifier et nécessitent donc plus de salariés compétents. « La supervision de flotte devient complètement clé dans les processus » développe Philippe de Laharpe, « car c’est cela qui alimente la programmation qui devient elle aussi évolutive, plus complexe et que nécessite plus d’efforts parce qu’on a plus d’informations à disposition. »

Les data scientists ont, eux, une vue globale de l'état d'une flotte et peuvent ainsi orienter les opérations en définissant lesquelles sont les plus urgentes par exemple. (Crédit : SNCF)

Des données, toujours plus de données, les spécialistes de la SNCF cherchent maintenant de nouvelles manières de les utiliser. Nos interlocuteurs en prévoient trois. Pour Quentin Coutadeur, la prochaine utilisation sera dans la cabine du conducteur du train. Lorsque ce dernier est face à une situation qu’il ne peut pas résoudre, il peut appeler le Pôle d’appui à la conduite (PAC) qui lui dit ce qu’il peut faire. Bientôt, ce pôle bénéficiera d’un outil qui reproduira le pupitre du conducteur à distance dans leur bureau pour pouvoir régler les problèmes plus rapidement.

Philippe de Laharpe prévoit des services de maintenance du réseau de chemin de fer. Avec des données d’interaction entre le train et la voie, il peut-être en effet possible de détecter des problèmes de tensions caténaire, etc. Mais l’IT peut se glisser jusque dans des vis. Gildas Ollivier nous propose un cas d’usage très localisé : remonter l’étage du serrage des vis sur des assemblages dits « critiques ». « Demain, le principe ce sera d’avoir des rondelles connectées pour voir à distance qu’il y a une perte de tension dans la vis pour empêcher l’assemblage de se démanteler » décrit le directeur de Joncherolles.