Internet Industriel des Objets IIOT : utiliser l'IA et l'IOT dans la maintenance ferroviaire

De l'ouverture de la première ligne de Tokyo à Yokohama en 1872 jusqu'à la shinkansen trains à grande vitesse d'aujourd'hui, l'évolution du chemin de fer japonais a été un triomphe de l'ambition et une réalisation pionnière dans les domaines de la technologie et de l'ingénierie.

Les services ferroviaires voyageurs au Japon sont devenus un gage d'efficacité, et le réseau de plus de 27 000 km reste l'un des plus utilisés, ponctuels et les moins subventionnés au monde.

Veiller à ce que les travaux d'exploitation et de maintenance (O&M) soient effectués en temps opportun est essentiel à ce succès. Ces dernières années, cependant, des opérateurs tels que East Japan Railway Company ou JR East ont dû faire face à de nombreux défis, notamment le vieillissement des infrastructures, le manque de nouveaux spécialistes de la maintenance des trains en raison de la diminution de la population japonaise et la spirale des coûts et la diminution des budgets.

Pour aider à améliorer l'efficacité et la sécurité des trains pour les six milliards de passagers qui utilisent les services JR East chaque année, la société s'est tournée vers le Palo Alto Research Center (PARC), une société d'innovation ouverte basée dans la Silicon Valley, axée sur l'analyse prédictive utilisant l'Internet industriel des objets. (IIoT).

"De nombreux actifs ferroviaires à forte intensité de capital du Japon ont été déployés il y a des décennies et JR East aimerait évidemment en retirer la durée de vie maximale sans compromettre la sécurité", explique le directeur de l'exécution stratégique du PARC, Ajay Raghavan. «La diminution de la population signifie que les revenus ferroviaires sont en baisse et il y a donc également une pression sur les équipes O&M pour être allégées, et beaucoup de techniciens plus expérimentés commencent à prendre leur retraite.

«À la lumière de ces facteurs, JR East a réalisé que ses pratiques actuelles de maintenance basée sur le temps (TBM) n'étaient pas nécessairement la meilleure solution à l'avenir, et a contacté PARC il y a six ans à la recherche d'une solution à long terme plus efficace et durable.»

Fenêtre d'opportunité: temps vs maintenance conditionnelle

La maintenance traditionnelle basée sur le temps (TBM) et les pratiques réactives de «panne et réparation» ou de maintenance planifiée peuvent être coûteuses, sujettes à des erreurs humaines ou entraîner des temps d'arrêt ou des accidents. Les compagnies de train s'éloignent naturellement du TBM en nombre croissant en faveur de la maintenance conditionnelle (CBM), dans laquelle l'entretien des machines est effectué lorsque le besoin s'en fait sentir.

Raghavan utilise une analogie avec une voiture afin d'illustrer le concept de CBM. Une voiture a besoin d'un changement d'huile tous les six à 12 mois ou 5 à 10 000 milles. Les modèles plus récents ont des capteurs qui indiquent au propriétaire quand le service est dû en fonction du temps d'utilisation moyen, mais cela peut ne pas prendre en compte des facteurs tels que des charges lourdes ou une utilisation fréquente. Le calendrier de service peut être trop conservateur, par exemple.

«Les compagnies de train s'éloignent de la maintenance basée sur le temps pour un paradigme plus prédictif.»

Le pire qui puisse arriver, bien sûr, c'est que la voiture cesse de fonctionner, mais extrapole cela à un grand actif complexe tel qu'un train et le problème devient immédiatement beaucoup plus important.

«Le trafic dans le métro de Tokyo est fou, surtout pendant les heures de pointe, et si un train cesse de fonctionner, tout le système se bouche, ou dans les cas les plus extrêmes, les accidents peuvent entraîner des pertes de vie pour les opérateurs responsables», explique Raghavan. «TBM peut avoir fonctionné pour des actifs qui ont des schémas d'utilisation similaires, mais pas nécessairement pour ceux dont la répartition géographique ou climatique est importante, ou ceux qui dépassent leur durée de vie initiale; dans ces cas, les pratiques TBM ne le coupent plus.

«Les compagnies de train s'éloignent donc de TBM vers ce paradigme plus prédictif où les équipes O&M peuvent recevoir un préavis d'une semaine ou même d'un mois avant que les actifs ne tombent en panne, leur permettant de préparer des horaires et des ressources pour éviter de mettre un train critique hors service et de perturber le système .

«L'analyse prédictive est également extrêmement précieuse en termes de planification à long terme. Fournir aux opérateurs des données sur la durée de vie utile restante d'un actif un ou même six mois avant sa mise hors service leur permet par exemple de planifier à l'avance des dépenses d'investissement importantes. »

La suite technologique MOXI ™ expliquée

JR East avait collecté une quantité importante de données de laboratoire et de terrain, mais avait du mal à les comprendre.

«Ils obtenaient un succès de 70% à 80%, mais pas assez pour que les équipes d'exploitation et de maintenance soient suffisamment confiantes avec les capacités», explique Raghavan. «Ils étaient également sceptiques à propos de CBM.»

PARC a déployé sa suite technologique MOXI ™, qui utilise des algorithmes basés sur des modèles qui permettent une précision de 90% ou plus et de faibles taux de fausses alarmes, et dans certains cas, ne nécessitent que des ensembles de données minimes.

«Le premier système que nous avons exploré était les portes de train qui, au Royaume-Uni, peuvent causer jusqu'à 30% de tous les retards», explique Raghavan. «Il y en a beaucoup et ils sont utilisés chaque fois que quelqu'un utilise le métro ou d'autres grands trains de transport en commun. Les portes sont censées fonctionner à 100% de manière autonome et elles font un travail raisonnable la plupart du temps, en dépit d'être soumises à des charges assez énormes, mais il suffit d'un échec pour mettre le train entier hors service.

«La maintenance conditionnelle de PARC a fonctionné pour le système de porte de train avec une précision de 95%.»

«Cela était donc d'une importance capitale pour JR East car l'entreprise est fière d'être à l'heure, tout le temps. En l'espace de cinq mois, notre équipe PARC a pu démontrer la première preuve de concept de notre CBM prédictif fonctionnant pour le système de porte de train avec une précision de 95% ou plus dans la classification des différents types de défauts et, grâce à nos algorithmes, très faible à taux minimum de fausses alertes. "

Des tableaux de bord ont également été développés pour permettre aux ingénieurs de JR East de visualiser et de mieux comprendre les données obtenues. PARC et son partenaire de conseil asiatique NRI travaillent actuellement avec les équipes du JR East Technical Center pour tester et mettre en œuvre ces solutions sur la ligne ferroviaire très fréquentée de Yamaman.

«Nous avons également construit une solution analytique informatisée qui analyse automatiquement les images prises par les trains Solus qui circulent sur des rails pendant la nuit», ajoute Raghavan. «Nos algorithmes les comprennent et identifient différents types de défauts.»

Pont vers l'avenir: radar optique et analytique

La suite technologique MOXI ™ de PARC a également été déployée dans des usines intelligentes, ainsi que dans des systèmes aérospatiaux et énergétiques critiques. Selon Raghavan, son succès est en grande partie dû à sa capacité à obtenir des analyses extrêmement précises.

«Nous ne comptons pas sur les approches d'apprentissage automatique de la boîte noire, mais appliquons plutôt un premier principe, une approche basée sur la physique afin de comprendre comment un système fonctionne, fonctionne et échoue», explique-t-il. «Nous ne comptons pas nécessairement sur de grandes quantités d'ensembles de données étiquetées, ce dont la plupart des algorithmes d'apprentissage automatique contemporains ont besoin pour réussir. Dans CBM, obtenir des ensembles de données étiquetés est un défi important car les défaillances d'actifs ne sont généralement pas si fréquentes – l'obtention de montants même modestes peut prendre des mois.

«Les tableaux de bord permettent aux ingénieurs de JR East de visualiser et de mieux comprendre les données obtenues.»

«Cependant, à mesure que davantage d'actifs sont mis en ligne, nous obtenons davantage de données et notre technologie d'analyse prédictive est très bien positionnée pour en profiter.»

L'empreinte mondiale de PARC s'étend à l'Australie, où elle intègre actuellement des capteurs à fibre optique dans les ponts ferroviaires appartenant à la Rail Track Corporation de Victoria (VicTrack) et utilise un radar optique et des analyses pour donner un sens aux données résultantes.

«De nombreux ponts ont été construits dans les années 1950 et 1960 et conçus pour une durée de vie de 100 ans, mais ils commencent à montrer leur âge», explique Raghavan. «Jusqu'à présent, Victoria a réussi à éviter le genre de défaillances de ponts que nous avons vues ailleurs dans le monde, y compris aux États-Unis, où c'est une préoccupation majeure.

«L'État de Victoria est proactif et, comme JR East, a adopté une stratégie de maintenance prédictive pour gérer ces actifs.»

Laisser un commentaire