HISTOIRE DU PROJET
Le contexte
Des retards frustrants sur les réseaux ferroviaires causés par des aiguillages défectueux
Arcadis crée des profils de panne
Prévoir en temps réel les pannes d'aiguillage
La solution
Un modèle numérique de prédiction
L'impact
L'arrivée chez soi à l'heure
40%
de l'ensemble des pannes d'aiguillage prévues
Le défi
Les défaillances imprévues des aiguillages sur les réseaux ferroviaires constituent un désagrément de taille. Pour les voyageurs, ces défaillances sont à l'origine de bien des retards. Pour les opérateurs ferroviaires, elles entraînent des coûts supplémentaires considérables. Et ce, dans un contexte où ils cherchent à adopter des stratégies d'excellence opérationnelle visant à optimiser les résultats en réduisant les dépenses. Cependant, des réductions systématiques des budgets à court terme peuvent être à l'origine d'une hausse des coûts à plus long terme. C'est pourquoi il est important que les entreprises à forte intensité d'actifs calibrent en permanence leurs ressources afin d'optimiser leurs processus opérationnels.
La solution
Pour les opérateurs ferroviaires, la réparation des aiguillages défectueux peut s'avérer coûteuse. Arcadis et Asset Rail ont donc développé un outil avancé qui permet de prévoir les pannes d'aiguillage. Grâce aux résultats générés par l'outil, Asset Rail peut réparer les pièces nécessitant une maintenance. Par exemple les aiguillages suspects ou ceux dont il est clairement identifié que la panne est imminente. Ceci permet à Asset Rail d'éviter les défaillances, qui sont une cause majeure de retards pour les usagers du train.
-
EN SAVOIR PLUS
Il est possible de prévoir les défaillances courantes des aiguillages en mesurant et en analysant les courants électriques au sein du moteur qui contrôle l'aiguillage. À cette fin, un modèle ayant été « entraîné » grâce à des données existantes a été développé. Ces données d'entraînement ont été recueillies sur un certain nombre d'aiguillages sur une période de huit ans. Elles ont ensuite été analysées en conjonction avec d'autres données techniques, en employant diverses techniques d'analyse de données et de machine learning. En collaboration avec Asset Rail, Arcadis a utilisé ces profils de panne pour créer un modèle prédictif qui compare en permanence le profil actuel et les données préalablement collectées.
Nous arrivons à prévoir 40 % des défaillances quelques jours avant qu'elles ne surviennent.
L'impact
Sur les dix aiguillages où le modèle est testé, nous sommes en mesure de prévoir 40 % des défaillances quelques jours avant qu'elles ne surviennent. Cela nous permet d'effectuer en temps utile des opérations de maintenance préventive sur l'équipement. Avec des aiguillages qui fonctionnent, les trains sont moins souvent retardés ; les usagers comme les opérateurs des transports sont ainsi plus satisfaits.
Compétences utilisées
Gestion d'actifs
En savoir plus