Vers une surveillance continue de l’infrastructure ferroviaire : « Dans le tunnel du Saint-Gothard, le train a parcouru 8 km avant que le conducteur ne s’aperçoive du déraillement.

En Europe, la demande d’infrastructures ferroviaires disponibles continue d’augmenter fortement. En effet, la poursuite du transfert modal vers ce type de transport plus durable est un élément clé pour atteindre les objectifs climatiques. La surveillance continue des actifs et de l’infrastructure ferroviaires peut rendre le rail plus sûr, plus disponible et plus économique. Railway Metrics and Dynamics Sweden est une entreprise qui travaille au développement de cette technologie. Son PDG, Jan Lindqvist, a discuté de cette technologie avec RailTech.

Railway Metrics and Dynamics (RMD) développe actuellement des systèmes de capteurs innovants qui utilisent des capteurs à bord du matériel roulant ordinaire, afin de fournir des informations en temps réel sur l’état des voies ferrées, des roues et des trains. L’entreprise suédoise a été mandatée par l’administration suédoise des transports (Trafikverket), l’agence gouvernementale responsable de la planification à long terme du système de transport, dans le cadre d’un appel d’offres sur l’innovation. L’objectif est de compléter les inspections actuelles peu fréquentes des infrastructures en utilisant du matériel roulant équipé d’unités de mesure des performances de RMD et en utilisant l’apprentissage automatique pour améliorer l’aide à la décision pour la maintenance des infrastructures.

Lacunes en matière de surveillance

« Normalement, une voiture d’inspection mesure la voie à l’aide d’outils de mesure perfectionnés. Mais notre contrat avec Trafikverket porte sur le développement d’un système que nous pouvons utiliser avec du matériel roulant normal, à l’aide de nos capteurs. Ils peuvent envoyer des informations relatives à l’état des voies et les transmettre à la gestion du trafic en cas d’anomalie. Ils peuvent alors décider d’arrêter le trafic si nécessaire, par exemple », explique Jan Lindqvist. « C’est une nouvelle façon de faire, car on peut obtenir une fréquence d’analyse beaucoup plus élevée et obtenir en permanence des estimations de l’état des voies. Cela facilite donc la maintenance basée sur l’état.

Les inspections traditionnelles de l’infrastructure ferroviaire ont lieu à des intervalles peu fréquents, généralement une fois par an en Suède. Les limites de cette approche sporadique sont évidentes, car beaucoup de choses peuvent se passer sur les voies pendant cette période. Cette lacune dans la surveillance a fait naître le besoin d’une approche plus proactive pour garantir à la fois la sécurité et l’efficacité. « Nous ne remplaçons pas les voitures de maintenance », souligne M. Lindqvist, mais RDM espère plutôt les compléter. En effet, « si des trains circulent tous les jours, ou presque, sur un tronçon de voie, on peut avoir une bonne idée de l’état des voies, en particulier lorsque les conditions météorologiques sont difficiles. Si vous pouvez vérifier les voies et identifier les tendances en utilisant des trains normaux équipés de capteurs, il s’agit d’une méthode plus fiable, plus sûre et plus économique », souligne M. Lindqvist.

Une surveillance continue pour une sécurité et une efficacité accrues

Railway Metrics a développé une gamme de capteurs pour surveiller divers aspects du système ferroviaire. « L’unité de surveillance des performances (PMU) est le principal capteur et la principale unité. Elle détecte les méplats et les défauts des roues, qui peuvent être à l’origine d’un déraillement », explique M. Lindqvist. L’unité de surveillance des performances peut également contrôler la stabilité de la voie et alerter le conducteur en cas de déraillement, ce qui réduit considérablement le risque de dommages à l’infrastructure. En outre, « il est également le centre de communication pour les autres capteurs. Il envoie les données au serveur et à un tableau de bord », ajoute M. Lindqvist, citant en exemple le récent déraillement du tunnel du Gothard: « Le train a roulé pendant 8 kilomètres avant que le conducteur ne comprenne qu’il y avait un déraillement. Grâce aux capteurs embarqués qui envoient des données à un tableau de bord visible par le conducteur, la DGD espère pouvoir éviter de telles situations à l’avenir.

D’autres capteurs sont actuellement développés par RDM. « Les principaux capteurs que l’on voit sont les déraillements, les méplats, l’instabilité, les réglages de la voie, le géofencing, les trains sur les voies… » Il y a aussi les tendances (DTFI), et l’indice Ride « pour mesurer le confort dans la voiture » et d’autres encore. Par exemple, « Train consisting/ rack », car « Avant de pouvoir faire circuler un train, il faut communiquer aux autorités l’ordre dans lequel les wagons sont rangés. Cet appareil pourrait le faire automatiquement », explique M. Lindqvist. Le capteur Pantographe permet d’évaluer l’état de maintenance des lignes électriques aériennes. Il est développé en collaboration avec Trafikverket. En outre, l’entreprise a mis au point un indice du comportement du conducteur et de l’énergie. « Cet indice peut vous renseigner sur la façon dont le conducteur conduit. Est-ce qu’il fait beaucoup d’arrêts, par exemple ? Certains conducteurs consomment plus d’énergie que d’autres sur le même train et la même voie, il peut donc être intéressant de le savoir. C’est le genre de choses que nous pouvons faire facilement », ajoute M. Lindqvist.

La liste des capteurs et des possibilités ne s’arrête pas là. Les capteurs de roue pourront mesurer le profil des roues. « Les serrures à pivot sont un capteur qui détecte si la remorque est verrouillée sur le wagon. C’est un capteur de sécurité. Nous développons également un capteur qui mesure la température des roulements, qui envoie également ces données à l’unité de gestion de la maintenance », a ajouté M. Lindqvist. La caméra ferroviaire est conçue pour améliorer la sécurité des trains en marche arrière, en remplaçant l’agent de signalisation équipé d’une radio, car « il s’agit d’une situation très dangereuse », selon M. Lindqvist. Deux clients l’utilisent déjà comme preuve de concept. La combinaison de ces capteurs permet de recueillir des données complètes pour obtenir une vision globale de l’infrastructure ferroviaire. Les données recueillies par les différents capteurs RMD sont partagées avec un tableau de bord à l’usage des clients.

« Apprendre aux machines à utiliser les données de la bonne manière

La collecte et l’analyse continues des données sont essentielles pour comprendre l’état du système ferroviaire, garantir des trajets plus sûrs et prévenir des déraillements coûteux. L’apprentissage automatique est un élément clé de cette approche. Il joue un rôle essentiel dans la compréhension de la grande quantité de données collectées par Railway Metrics. Il facilite la détection des anomalies, le regroupement de nouvelles données et la formation de modèles pour la classification des problèmes. « L’apprentissage automatique joue un rôle important dans la compréhension des données collectées par RMD. Parmi les tâches, l’apprentissage automatique est utilisé pour la détection des anomalies et le regroupement des nouvelles données. Cela nous permet de catégoriser et de comprendre le type de défauts avec lesquels nous travaillons. Nous utilisons également l’apprentissage supervisé pour former nos modèles de classification des problèmes détectés par nos capteurs », explique M. Lindqvist.

Le succès de l’apprentissage automatique est étroitement lié au volume et à la qualité des données collectées. « Plus que des unités de mesure standardisées, la chose la plus importante à mon avis est une interface commune, la façon dont vous envoyez les données. Les données provenant de ces capteurs sont utilisées par l’entreprise ferroviaire, la société de chemin de fer, le gestionnaire d’infrastructure et les organismes de maintenance. Il y a donc des données différentes pour des clients différents. C’est la clé du succès de nos capteurs. Ils sont conçus pour une clientèle diversifiée. Cela signifie qu’ils seront plus économiques pour toutes les parties concernées ».

L’objectif est d’étendre ces capacités pour détecter plusieurs types de problèmes avec une précision encore plus grande. « En matière d’apprentissage automatique, l’important est de savoir combien de données on obtient, comment on les utilise et comment on apprend aux machines à les utiliser de la bonne manière », explique M. Lindqvist. « Cela signifie qu’il est très important de comprendre la dynamique de la course. Nous faisons appel à des ingénieurs qui comprennent la dynamique de la course et nous essayons de travailler avec des jeunes gens compétents dans les domaines du logiciel et de l’apprentissage automatique. Il faut donc combiner les deux expertises. »

Partage des données

La question de la propriété des données se pose dans cette nouvelle ère de surveillance continue, comme le souligne Lindqvist : « Aujourd’hui, tout le monde veut posséder les données. De notre point de vue, le partage des données rendra les chemins de fer plus sûrs et plus économiques, et nous devons donc faire preuve d’humilité en ce qui concerne la propriété des données. Cela souligne le besoin pressant de trouver un équilibre entre les droits de propriété et le bénéfice collectif du partage des données au sein de l’industrie ferroviaire.

« Bien sûr, je comprends que certaines données ne peuvent pas être partagées, comme les données de maintenance que les opérateurs ferroviaires ont sur leurs wagons. Cependant, si les compagnies ferroviaires envoient des données sur les voies au gestionnaire de l’infrastructure, il s’agit de deux choses différentes. Je pense qu’il faut les séparer », poursuit-il. « Disons qu’une entreprise ferroviaire installe nos capteurs et nous paie pour cela. Notre suggestion est que si elle partage les données avec le propriétaire ou le gestionnaire de l’infrastructure, le coût de la circulation sur la voie (la redevance de circulation) devrait être réduit. Cela incite à partager les données. Je pense que tout le monde doit partager ses données ».

Cette approche, telle qu’elle est perçue par Lindqvist, encourage non seulement le partage des données, mais aussi la collaboration entre les entreprises ferroviaires, les gestionnaires d’infrastructure et les organismes de maintenance, ce qui contribue en fin de compte à rendre le réseau ferroviaire plus sûr et plus efficace.

Attirer la nouvelle génération

Comme l’a déjà souligné M. Lindqvist, lorsqu’il s’agit de logiciels et d’apprentissage automatique, « il faut combiner les deux expertises. Il faut garder ces sujets ensemble. Ensuite, je pense que nous avons de la magie : combiner les anciennes et les nouvelles connaissances. » Il souligne l’impact profond de l’innovation ferroviaire, pour attirer les jeunes talents dans le secteur. M. Lindqvist souligne l’importance des efforts de collaboration entre les professionnels expérimentés et les jeunes : « Il faut du sang neuf, et il faut qu’il travaille avec la vieille garde. C’est ainsi que l’on obtient les meilleurs résultats ».

L’aspect de la durabilité a encore été souligné lors de la discussion sur l’efficacité énergétique des chemins de fer par rapport aux véhicules traditionnels. M. Lindqvist a révélé que « le rail est très économe en énergie, six à sept fois plus que les voitures », réaffirmant ainsi le caractère écologique du secteur. L’intégration de technologies évolutives et l’infusion d’électronique dans les trains ont été saluées comme des étapes transformatrices, rendant le chemin de fer plus attrayant pour les jeunes. « Je ne vois rien de plus attrayant pour les jeunes que de faire évoluer notre secteur vers l’avenir. C’est la clé pour faire monter les jeunes à bord. C’est une infrastructure beaucoup plus verte.

Pour en savoir plus, rendez-vous à l’Intelligent Rail Summit 2023 ! Jan Lindqvist reviendra plus en détail sur le thème « Vers une surveillance continue des chemins de fer – les idées de Trafikverket » lors de l’Intelligent Rail Summit ’23 les 6 et 7 novembre à l’hôtel Sofitel Warsaw Victoria à Varsovie, en Pologne. Pour en savoir plus sur le programme de la conférence et les intervenants, ou pour vous inscrire, visitez le site web de l’événement.

Pour en savoir plus :

• Le sommet « Intelligent Rail 2023 » annonce une visite du site de Nevomo
• Apprendre de nouveaux tours à un vieux chien : adopter la maintenance conditionnelle
• Que faire de toutes ces données ? – Regardez la discussion du webinaire ici
• La construction de meilleurs modèles d’IA pour les chemins de fer commence par une base de données solide