Cet article propose d’aborder un exemple d’utilisation d’algorithmes d’intelligence artificielle dans un contexte industriel, avec le projet CAFEINE – pour Camera ferroviaire intelligente – qui a pour objectif de détecter les défauts de pantographes sur les trains en mouvement. Un projet initié par SNCF Réseau auquel Cereza a l’opportunité de participer.

L’innovation à SNCF Réseau, en plus des services d’ingénierie internes, intègre également des savoirs faire singuliers d’entreprises externes, petites ou grandes. Pour CAFEINE, une référence française du Machine Learning embarqué, Global Sensing Technologies, participe à l’élaboration d’un capteur novateur pour la détection de défauts de pantographes.

L’internationalisation du transport ferroviaire de personnes et de marchandises implique des contrôles plus systématiques des matériels roulants. Les arrachements de caténaires ont de très lourdes répercussions à la fois financières, dues aux travaux de remise en service de l’infrastructure, mais surtout aux fortes perturbations du plan de transport.

Les contraintes importantes imposées aux pantographes entrainent des casses et des taux d’usures si importants qu’ils peuvent parfois entrainer des incidents caténaires. Afin de prévenir ces incidents la plupart des gestionnaires d’infrastructures se dotent de systèmes de détection des pantographes défectueux, avec des résultats mitigés liés aux coûts élevés et aux nombreux faux-positifs.

Le système CAFEINE propose d’utiliser les Réseaux Neuronaux Artificiels pour détecter les défauts de pantographes sur les trains en mouvement, et lire également leurs numéros des wagons, des rames et de containers.

Composé de caméras embarquant des cartes neuronales, le système détectera l’arrivée du train et captera le numéro de la rame ou de la locomotive située en face avant, et analysera la toiture du pour localiser les pantographes afin d’en évaluer la géométrie et les défauts de bande de contact. L’analyse sera stockée dans une base de données centralisée. Une alerte sera émise afin d’indiquer les éventuels défauts jugés critiques.

Les images analysées alimenteront une base de connaissance. Les défauts inconnus feront l’objet d’un apprentissage réalisé par un opérateur et seront ensuite envoyés à l’ensemble des caméras connectées. Chaque nouvelle caméra héritera donc des dernières connaissances acquises par l’ensemble du système.

A la suite de travaux de recherche et d’une preuve de concept, CAFEINE devra subir un processus rigoureux d’industrialisation avant de pouvoir apporter sa contribution à la performance et à la régularité de l’écosystème ferroviaire. Le caractère générique de cette technologie est en effet un réel atout pour les entreprises, mais son intégration dans un contexte industriel bouscule plusieurs processus établis.

A.G

Pour en savoir plus sur l’utilisation d’algorithmes d’intelligence artificielle dans un contexte industriel, lire l’article « De l’informatique classique vers l’informatique cognitive » sur le Blog TalanLabs.