Siemens mise sur l'analytique prédictif pour la maintenance des trains

Depuis près de 150 ans, Siemens construit des trains. Il est aussi à l’origine de la première locomotive électrique à passagers sortie en 1879. Mais aujourd’hui, ses innovations les plus récentes dans le domaine se situent principalement autour de l'analyse de données. Grâce à des capteurs qui remontent des informations depuis les trains et les voies ferrées, Siemens a transformé la maintenance ferroviaire, la faisant passer d’un mode réactif à un mode proactif. À partir des données de diagnostic remontées par les capteurs sur l'état des composants, Siemens peut repérer les signes précurseurs d’une défaillance. De plus, cette surveillance en temps quasi réel permet au constructeur de réagir rapidement à une situation problématique avant qu’elle ne perturbe les services. Si l’analyse détecte une anomalie sur un composant, celui-ci est envoyé en révision. L’approche a plusieurs avantages, à commencer par une baisse des retards, mais aussi une augmentation des kilomètres parcourus, des coûts de main-d'œuvre moins élevés et une planification plus efficace de la maintenance. Et Siemens peut proposer à ses clients des contrats de maintenance plus performants.

La science des données appliquée aux chemins de fer

Il y a quelques années, Siemens a réuni dans une usine de locomotives en Allemagne, des data scientists et des ingénieurs pour leur demander de créer des algorithmes permettant de prévoir les défaillances des composants sur les trains et les infrastructures ferroviaires. « Les données industrielles se comportent différemment des données Internet, et nombre de modèles analytiques classiques ne sont pas adaptés à cet environnement », a expliqué à nos confrères de Computerworld UK, Gerhard Kress, directeur Data Services chez Siemens AG. « Par ailleurs, les défaillances sur ces composants étant peu nombreuses, la précision de prédiction doit être extrêmement élevée, bien plus que tout ce que nous avons vu auparavant ». Au cours des deux dernières années, son équipe a déposé 30 brevets différents sur de nouvelles approches mathématiques.

En 2013, Siemens s'est tourné vers Teradata, le spécialiste du big data, pour transformer ces modèles en systèmes avancés d'analyse de données. Siemens a déployé sa propre version de l'architecture UDA (Teradata Unified Data Architecture) comprenant un entrepôt de données, des outils d'analyse Aster Discovery et une appliance pour Hadoop. Grâce aux capacités de surveillance apportées par l'analyse prédictive, la disponibilité des trains à grande vitesse de Siemens circulant en Russie a atteint 99,96 % et 99,98 % pour les locomotives de métro circulant en Thaïlande. Siemens utilise ce même framework pour assurer la maintenance proactive de nombreux trains régionaux au Royaume-Uni, dont la concession ferroviaire Thameslink de la région de Londres.

La configuration du capteur sur un train

Comme l’a expliqué Gerhard Kress, cette stratégie d'analyse de données concerne trois volets : d’abord, la compréhension de l'état des différents composants pour prévoir les défaillances ; ensuite, l’amélioration du confort des passagers en s’assurant d’une bonne régulation de la température, en offrant un trajet fluide et des toilettes fonctionnelles ; enfin, l’optimisation de l'efficacité énergétique pour réduire les coûts d'exploitation. « La consommation d'énergie d'un train au cours de sa vie dépasse son prix d’achat. Mais, il est facile de réduire cette consommation de 10 % en s’y prenant correctement ». En général, une locomotive comporte 150 à 200 capteurs, et un train à grande vitesse 300 à 350 capteurs par wagon. Notamment, chaque frein est équipé de deux capteurs qui surveillent la pression du freinage et les huiles hydrauliques afin de garantir un freinage optimal. Ces capteurs mesurent les températures et les pressions des composants et comparent ces données à des milliers de rapports de pannes et de réparations. « Compte tenu des conséquences induites par la panne d’un capteur, nous essayons d’en utiliser le moins possible, car trop de capteurs peuvent poser plus de problèmes qu'ils ne sont censés en résoudre », a déclaré Gerhard Kress. Les moteurs, les boîtes de vitesses, les roulements et les roues sont tous reliés mécaniquement et tous ces éléments n’ont pas besoin d’être équipés d’un capteur individuel. À la place, Siemens utilise un capteur virtuel pour calculer les erreurs sur chaque élément grâce à des algorithmes et estimer, par exemple, le taux de transfert thermique. Il peut également combiner les données sur différents actifs et faire en sorte que les capteurs du train et des rails effectuent une surveillance réciproque, ce qui réduit le nombre de contrôles.

Les avantages de l'analyse

Auparavant, Siemens comptait sur les interventions après incidents et les inspections de routine pour assurer la maintenance de ses trains. Cette procédure obligeait les techniciens à inspecter les matériels pour trouver l’origine de la panne. Ensuite, ils devaient aller chercher les pièces de rechange et les outils avant de revenir réparer. D’où un impact important sur les délais de remise en état et les retards. À cause d’une porte défectueuse, un train peut cumuler 10 à 15 secondes de retard entre deux gares. Au bout de 20 arrêts, le retard peut atteindre cinq minutes, avec des répercussions sur l’ensemble du trafic. Aujourd’hui, Siemens surveille les portes de chaque train et peut détecter une défaillance potentielle avant qu'elle ne se produise.

Le choix de Teradata

« Teradata est la seule entreprise du marché à avoir compris que le monde est autre chose qu’un entrepôt de données », a déclaré Gerhard Kress. « Teradata était en lice avec d’autres concurrents, mais compte tenu de la structure de nos données, nous avions besoin d'un système plus évolué, et l'UDA était pour nous essentiel ». Siemens utilise une combinaison de frameworks incluant Apache Spark et TensorFlow pour développer des méthodes d'apprentissage machine spécifiques à chaque tâche analytique. Les tests de modèles ont lieu dans un environnement de travail séparé et sécurisé.