Analyser et prévenir : comment la donnée étend la durée de vie des actifs

L’utilisation de la pré­dic­tion dans la main­te­nance fon­dée sur des don­nées satel­li­taires, des images ou des séries tem­po­relles per­met aujourd’hui de suivre dans le temps les infra­struc­tures avec une fré­quence et une pré­ci­sion jusqu’alors inen­vi­sa­geables. Résul­tat : dans le domaine fer­ro­viaire, la vitesse de dégra­da­tion des infra­struc­tures est divi­sée par deux ; tan­dis qu’une meilleure iden­ti­fi­ca­tion des zones du réseau d’eau potable pré­sen­tant un risque éle­vé de fuites per­met d’en éta­blir un modèle comportemental.

L’accumulation de don­nées et l’augmentation des capa­ci­tés de cal­cul, cou­plées à un déve­lop­pe­ment crois­sant des appli­ca­tions de la recherche en intel­li­gence arti­fi­cielle, ont fait émer­ger une nou­velle dis­ci­pline dans la main­te­nance, celle qui tend à pré­dire le com­por­te­ment d’une infra­struc­ture avec une cer­taine cer­ti­tude. Il est enten­du que le domaine de la main­te­nance n’a pas atten­du ces nou­velles tech­no­lo­gies pour être effi­cace. Mais il évo­lue avec son temps et a dans un pre­mier temps cher­ché à connec­ter les machines, les infrastructures.

Il s’agissait de visua­li­ser un sta­tut en temps réel pour ain­si amé­lio­rer la réac­ti­vi­té des équipes, en ayant une vision glo­bale pour prendre des déci­sions fon­dées sur des cri­tères objec­tifs. Dans un second temps, la dis­ci­pline a pris conscience que la masse de don­nées acquise pou­vait être uti­li­sée par des algo­rithmes pour faire pas­ser la main­te­nance his­to­ri­que­ment pré­ven­tive ou cura­tive à une main­te­nance pré­dic­tive (pré­dic­tion des com­por­te­ments, des dys­fonc­tion­ne­ments) voire pres­crip­tive (pré­dic­tion de solu­tions asso­ciées à des dys­fonc­tion­ne­ments). 

Un avenir prometteur

La pro­messe est belle, il s’agit de com­prendre le com­por­te­ment pas­sé d’une infra­struc­ture grâce à la don­née, pour esti­mer la sur­ve­nue d’une ano­ma­lie dans un hori­zon de temps cal­cu­lé et défi­ni et ain­si adap­ter nos com­por­te­ments ou nos méthodes pour inter­ve­nir avant qu’elle n’advienne. Il s’agit de pré­dire pour anti­ci­per et évi­ter de dégra­der une infra­struc­ture, et ain­si pro­lon­ger son cycle de vie.

La don­née ne rem­place pas la connais­sance humaine de l’infrastructure et de son fonc­tion­ne­ment, mais elle offre un éclai­rage dif­fé­rent. Et sur­tout elle per­met de réa­li­ser par la suite des simu­la­tions de com­por­te­ment par cen­taines ou par mil­liers en jouant sur un ensemble de para­mètres que l’humain ne serait pas capable de réa­li­ser. En consé­quence, le binôme humain-don­née per­met à n’en pas dou­ter de mieux com­prendre une infra­struc­ture, et donc d’envisager une meilleure main­te­nance et par consé­quent une exten­sion du cycle de vie. 

La primauté de la data

Mais, si la pro­messe est belle, la ren­ta­bi­li­té n’est pas tou­jours asso­ciée et il est sou­vent décon­seillé de se lan­cer dans un pro­jet com­plexe de pré­dic­tion qui, par nature, repose sur une don­née jusqu’alors non pré­pa­rée ni conçue pour être ingé­rée par un algo­rithme. Les pro­jets d’amélioration de la connais­sance du com­por­te­ment d’un sys­tème sont par consé­quent avant tout des pro­jets « data » plu­tôt que des pro­jets d’intelligence artificielle. 

Du moins en géné­ral, il sera pas­sé beau­coup plus de temps sur la par­tie pré­pa­ra­tion du pipe­line de don­nées que sur la par­tie modèle à pro­pre­ment par­ler. Au sein de Vin­ci, nous expé­ri­men­tons depuis plu­sieurs années ces pro­jets d’amélioration de la connais­sance des infra­struc­tures, de pré­dic­tion de com­por­te­ment, fon­dée sur une connais­sance data de l’infrastructure cou­plée à l’expérience humaine, avec des résul­tats pro­met­teurs. 

La maintenance des lignes ferroviaires

Lorsqu’un train roule à grande vitesse sur une infra­struc­ture, l’usager res­sent des mou­ve­ments lon­gi­tu­di­naux et trans­ver­saux qui sont le résul­tat de l’interaction entre le train et l’infrastructure, la voie sur laquelle il circule.

Une voie de cir­cu­la­tion est com­po­sée de trois élé­ments prin­ci­paux : des rails en métal sur les­quels le train roule ; des tra­verses en bois ou en béton char­gées de main­te­nir un écart constant entre les deux rails ; du bal­last, les cailloux sup­por­tant les tra­verses qui servent à main­te­nir la voie tout en absor­bant une par­tie des vibra­tions au moment du pas­sage du train. Quand les rails, et par voie de consé­quence les tra­verses, s’enfoncent loca­le­ment dans le bal­last, ils créent un effet à haute fré­quence sur le pro­fil lon­gi­tu­di­nal de la voie. On per­ce­vra alors des secousses dans le train.

Si l’enfoncement est plus dif­fus, plus en lon­gueur, on aura un effet à basse fré­quence sur le pro­fil et l’on obser­ve­ra une dégra­da­tion du confort du pas­sa­ger, avec notam­ment l’apparition des symp­tômes de type mal de mer. Ces pre­miers pro­blèmes, s’ils ne sont pas cor­ri­gés, peuvent ame­ner au ralen­tis­se­ment des trains afin de pré­ser­ver le confort et aus­si la sécu­ri­té des pas­sa­gers. On impacte alors direc­te­ment le nombre de trains qui peuvent cir­cu­ler par jour. 

Le nivellement longitudinal

L’indicateur le plus com­mun dans ce contexte est le nivel­le­ment lon­gi­tu­di­nal (NL) qui offre une mesure syn­thé­tique du pro­fil lon­gi­tu­di­nal de la voie. Cet indi­ca­teur est sui­vi de manière constante par les main­te­neurs, et des actions pré­ven­tives ou cor­rec­tives sont mises en place pour réta­blir la pla­néi­té sou­hai­tée quand des dévia­tions par rap­port à une constante nomi­nale sont observées.

Pour cela, des cam­pagnes de main­te­nance dites de « bour­rage » sont réa­li­sées régu­liè­re­ment. Lors de ces inter­ven­tions, les rails sont par­tiel­le­ment sou­le­vés et le bal­last est com­pac­té et sta­bi­li­sé par des vibra­tions contrô­lées géné­rées par des grosses aiguilles qui sont insé­rées dans le bal­last. Cepen­dant, cette solu­tion pré­sente un effet secon­daire : si ces vibra­tions réta­blissent la géo­mé­trie sou­hai­tée de la voie, elles lissent éga­le­ment les arrêtes des cailloux for­mant le bal­last à cause du frot­te­ment, le ren­dant de moins en moins stable. Les élé­ments du bal­last ont ten­dance à s’arrondir.

C’est ain­si que, à chaque bour­rage, la durée de vie glo­bale de l’infrastructure se réduit. On peut prendre comme ana­lo­gie l’entretien d’un par­quet. Pour l’entretenir, il faut le pon­cer. Mais plus on ponce, plus on dimi­nue son épais­seur. On parle donc de main­te­nance des­truc­tive. 

Choisir le bon compromis

La main­te­nance de l’infrastructure est donc un com­pro­mis fort entre lais­ser l’infrastructure évo­luer jusqu’à un seuil maxi­mal admis­sible, en pré­ser­vant l’intégrité du bal­last, et inter­ve­nir à cer­tains endroits pour amé­lio­rer la pla­néi­té de la voie mais tout en dégra­dant le bal­last. On note­ra au pas­sage qu’il faut choi­sir les endroits à bour­rer, ain­si que la dis­tance de bour­rage. Ce sont autant de para­mètres à prendre en compte.

His­to­ri­que­ment, ces inter­ven­tions sont effec­tuées par des machines spé­cia­li­sées qui, par leur taille, leur coût de mobi­li­sa­tion et leur tech­no­lo­gie, imposent de trai­ter des linéaires consé­quents de voie, soit envi­ron deux à trois kilo­mètres conti­nus par nuit. Leur inter­ven­tion est en outre limi­tée à cer­taines périodes de l’année, prin­ci­pa­le­ment au prin­temps et à l’automne en rai­son des contraintes de tem­pé­ra­ture. Enfin, il n’existe pas un grand nombre de ces machines, qui sont louées pour un temps défi­ni et qui doivent être par­ta­gées entre toutes les lignes à grande vitesse.

On com­prend ici la com­plexi­té de l’organisation des opé­ra­tions de main­te­nance qui sont liées non seule­ment au dilemme d’entretien-dégradation de la voie, mais aus­si au pro­blème de mobi­li­sa­tion de machines ain­si qu’à leur coût. 

Simulations

Com­ment la don­née inter­vient dans ce dilemme ? Deux fois par mois, un wagon de mesure ins­pecte la posi­tion exacte de la voie grâce à des cap­teurs lasers. À par­tir de ces don­nées, la dégra­da­tion, c’est-à-dire l’évolution du NL, est cal­cu­lée pour chaque por­tion de la voie (quelques cen­taines de mètres).

Ce sont ces don­nées d’évolution suc­ces­sives qui sont ana­ly­sées et com­pa­rées entre elles et qui per­mettent de pré­dire une évo­lu­tion future sur dif­fé­rents hori­zons de temps, avec dif­fé­rents degrés de fia­bi­li­té. Ces pré­dic­tions tiennent compte de l’évolution locale de cer­tains défauts qui sont tous modé­li­sés. Ce n’est donc pas un seul modèle qui pré­dit une évo­lu­tion de la voie, mais plu­sieurs cen­taines de modèles de dégra­da­tion locaux qui, com­bi­nés entre eux, repré­sentent une évo­lu­tion sta­tis­tique glo­bale de la voie.

Cette pré­dic­tion fine per­met aux équipes de main­te­nance de suivre et de com­prendre l’évolution de la dégra­da­tion de l’infrastructure. Cette modé­li­sa­tion per­met en plus de jouer sur les para­mètres de main­te­nance lors de phases de simu­la­tion (nombre de cam­pagnes, lon­gueur à main­te­nir, nombre de por­tions à main­te­nir, etc.). Ain­si, les résul­tats de simu­la­tions de main­te­nance réa­li­sées sur quelques cen­taines de mètres sont com­pa­rés à des résul­tats de simu­la­tions de main­te­nance sur plu­sieurs kilo­mètres, et les meilleurs pro­fils engen­drant un ratio opti­mal coût-per­for­mance sont sélec­tion­nés. 

Des économies vertueuses pour l’environnement

Dès qu’une irré­gu­la­ri­té est détec­tée par le wagon qui scanne les voies, un modèle de dégra­da­tion est créé et les équipes peuvent cibler pré­ci­sé­ment la zone concer­née, sou­vent entre 50 et 200 mètres, ou cor­ri­ger le pro­blème avant que la dégra­da­tion ne s’étende à des seg­ments adja­cents. L’efficacité de cette nou­velle approche fon­dée sur un couple homme-don­née de pré­dic­tion est indéniable.

Au fil du temps et de l’apprentissage de l’évolution de la voie par la don­née, une plus grande place sera lais­sée à l’autonomie déci­sion­nelle par l’algorithme. En atten­dant d’avoir suf­fi­sam­ment d’expérience, le poids des déci­sions humaines est pour l’instant supé­rieur au poids des déci­sions basées sur la don­née. Mais on peut tout de même remar­quer que, depuis la mise en œuvre de ce pro­jet, la vitesse de dégra­da­tion des infra­struc­tures a été divi­sée par deux.

À terme, cela pour­rait se tra­duire par une exten­sion signi­fi­ca­tive de la durée de vie du bal­last, des tra­verses et des rails. L’impact envi­ron­ne­men­tal ici se compte en nombre de cam­pagnes de main­te­nance incluant tout le maté­riel néces­saire à mini­mi­ser et en tonnes de bal­last à éco­no­mi­ser. 

La maintenance des réseaux de distribution d’eau

L’eau non fac­tu­rée, autre­ment dit l’eau potable per­due par fuite des cana­li­sa­tions enter­rées, est un véri­table casse-tête pour toutes les col­lec­ti­vi­tés et un défi pour les années à venir. En effet, le coût glo­bal esti­mé des pertes à l’heure actuelle est de 1,5 à 3 mil­liards de dol­lars par an.

Dans les pays en déve­lop­pe­ment, le pour­cen­tage de perte d’eau atteint même les 70 % ! À l’orée des chan­ge­ments actuels, nous ne pou­vons plus nous per­mettre une aus­si faible per­for­mance des réseaux d’alimentation en eau. C’est pour­quoi la per­for­mance des réseaux fait par­tie des objec­tifs de déve­lop­pe­ment durable des Nations unies.

Bien que la per­for­mance des sys­tèmes de dis­tri­bu­tion d’eau soit une néces­si­té et sera ren­for­cée dans les années à venir, avec le chan­ge­ment cli­ma­tique (séche­resse, tem­pé­ra­tures extrêmes) et le vieillis­se­ment des infra­struc­tures, les risques affec­tant les sys­tèmes de dis­tri­bu­tion d’eau aug­mentent. 

Des inspections fastidieuses

Afin de pro­cé­der à la main­te­nance de leurs ins­tal­la­tions, les com­pa­gnies gérant les infra­struc­tures d’eau potable s’appuient sur des tra­vaux d’inspection sur site pour exa­mi­ner des mil­liers de kilo­mètres de canalisations.

Concrè­te­ment, cela se maté­ria­lise de la façon sui­vante : une carte du réseau est four­nie à un sous-trai­tant recen­sant le type de cana­li­sa­tion et l’état actuel des connais­sances (ancien­ne­té, dégra­da­tions poten­tielles etc.) ; un ciblage de zone prio­ri­taire à étu­dier est réa­li­sé ; des tech­ni­ciens sont envoyés sur une grande éten­due de sur­face avec pour objec­tif de suivre les cana­li­sa­tions avec un appa­reil audi­tif capable de cap­ter les bruits émis par les fuites – ils sont par­fois secon­dés par des chiens qui savent recon­naître les fuites ; lorsqu’une fuite est repé­rée, elle est signa­lée sur le plan et les tech­ni­ciens conti­nuent leurs inves­ti­ga­tions ; in fine, des opé­ra­tions de main­te­nance sont réa­li­sées pour pro­cé­der au rem­pla­ce­ment de la zone défectueuse.

C’est un tra­vail fas­ti­dieux, non exhaus­tif, qui néces­site d’avoir à dis­po­si­tion des équipes de tech­ni­ciens volu­mi­neuses afin d’appréhender de grandes sur­faces. 

La maintenance vue de l’espace

Afin de sim­pli­fier ce pro­ces­sus fas­ti­dieux et être plus effi­cace dans le recen­se­ment des points pro­blé­ma­tiques, Vin­ci étu­die l’apport d’un cap­teur spa­tial afin de cibler les zones à forte pro­ba­bi­li­té de fuites. Il ne s’agit donc plus d’envoyer des équipes arpen­ter une grande sur­face au hasard, mais de cibler les actions des équipes beau­coup plus pré­ci­sé­ment avec un taux de réus­site très élevé.

Le pro­jet se fonde sur des images satel­li­taires cou­plées à des don­nées de ter­rain four­nies par les com­pa­gnies conces­sion­naires des réseaux d’eau (dia­mètre, lar­geur, maté­riau de fabri­ca­tion, vannes, pres­sion, temps d’installation…, tout ce qui peut nous per­mettre de com­prendre si des carac­té­ris­tiques ou des para­mètres seront plus vul­né­rables dans le temps). L’ensemble est por­té sur un sys­tème inter­ac­tif per­met­tant un dia­logue entre l’opérateur ter­rain qui peut remon­ter des infor­ma­tions sur l’état du réseau et la réa­li­té des fuites (faux-vrais posi­tifs) et l’algorithme.

Nous avons consi­dé­ré l’apport d’images satel­li­taires de diverses natures et de diverses tech­no­lo­gies qui sont sen­sibles aux chan­ge­ments d’humidité du sol, qui ne sont pas affec­tées par le jour ou la nuit, ni par les nuages. Nous avons aus­si tenu compte de l’occupation du sol et de la végé­ta­tion. Nous obte­nons ain­si une valeur de chan­ge­ment de l’humidité du sol à un moment don­né (dates d’acquisition de l’image) et à un endroit don­né (pixel). En plus des images, le modèle est ensuite ali­men­té avec des inven­taires de don­nées de fuites pas­sées (empla­ce­ment, heure, matériau…).

Ces infor­ma­tions sont très utiles pour entraî­ner le modèle afin qu’il soit capable d’identifier des com­por­te­ments répé­ti­tifs et de cal­cu­ler les pro­ba­bi­li­tés de fuites. Le résul­tat est une iden­ti­fi­ca­tion des zones du réseau qui pré­sentent un risque plus éle­vé de déve­lop­per des fuites, c’est-à-dire un ensemble de pro­ba­bi­li­tés de fuites dans dif­fé­rentes par­ties du réseau. Si l’on pro­longe ce modèle de com­por­te­ment dans le temps, on obtient une pro­ba­bi­li­té de rup­ture à une date don­née. 

Un modèle intéressant

Le modèle per­met de com­prendre l’évolution pré­cise du réseau d’une col­lec­ti­vi­té en fonc­tion du type de cana­li­sa­tion, du type de vanne ou bien d’autres infor­ma­tions, ce que jusqu’à pré­sent per­sonne n’était capable d’anticiper. On peut donc com­prendre quel type de maté­riau uti­li­ser afin d’améliorer la lon­gé­vi­té des ins­tal­la­tions. Les résul­tats four­nis par l’algorithme sont pro­met­teurs et néces­sitent tout de même d’être affi­nés. Mais, d’ores et déjà, dis­po­ser d’un modèle com­por­te­men­tal du réseau offrant une pro­ba­bi­li­té de rup­ture à une date don­née en fonc­tion du type de maté­riau uti­li­sé est une infor­ma­tion non négli­geable pour la pla­ni­fi­ca­tion des opé­ra­tions dans le temps.

“Le couple données-humain est un succès.”

Ce modèle est de plus enri­chi de toutes les infor­ma­tions remon­tées par le ter­rain, le ren­dant plus robuste au cours du temps. À nou­veau, mieux com­prendre l’infrastructure per­met de mieux cibler les maté­riaux à uti­li­ser, mieux dimen­sion­ner les équipes, être plus effi­cace dans la recherche des fuites afin de réduire les temps d’action et maxi­mi­ser la répa­ra­tion des fuites. Le couple don­nées-humain est là encore un suc­cès. 

Le nouveau graal pour l’environnement ? 

Oui et non. Bien que les résul­tats soient encou­ra­geants, ces méthodes ne conviennent pas à tous les contextes. Il y a encore des équi­pe­ments et des infra­struc­tures où la main­te­nance cor­rec­tive demeure l’option la plus viable tant sur le plan éco­lo­gique que sur le plan éco­no­mique. Notre défi est donc d’identifier où et quand déployer ces inno­va­tions. La don­née cou­plée aux nou­velles tech­no­lo­gies et inté­grant une démarche éco-res­pon­sable by desi­gn peut sûre­ment mener à des avan­cées signi­fi­ca­tives pour notre envi­ron­ne­ment. C’est pour­quoi nous pour­sui­vons nos efforts dans cette direc­tion. 

---

Articles similaires :

Tran­si­tion éner­gé­tique : la don­née est clé Opti­mi­ser la consom­ma­tion de res­sources dans le sec­teur du bâtiment IA vs chan­ge­ment cli­ma­tique : quelle efficacité ? La loi Agec : une inno­va­tion exemplaire RSE et nou­veaux défis régle­men­taires : le rôle clé des équipes data