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 :

La loi Agec : une inno­va­tion exemplaire RSE et nou­veaux défis régle­men­taires : le rôle clé des équipes data Éty­molo­gie :
À pro­pos de la don­née au ser­vice de l’environnement Scores envi­ron­nemen­taux : une con­som­ma­tion et une pro­duc­tion informées Sicara : Data & Entre­pris­es, des oppor­tu­nités à saisir et des enjeux à relever IA con­ver­sa­tion­nelle : le futur de la relation-client