L’objectif de ce partenariat est « d’anticiper les éventuels problèmes d’exploitation et, surtout, de réduire le nombre de fausses alarmes générées par le logiciel utilisé actuellement ».
Le CEA explique que « chaque ligne de métro est équipée de plusieurs milliers d’équipements alimentant la salle de contrôle en données variées, qui sont analysées par le système de supervision pour piloter les lignes ».
Les chercheurs IA et big data du Commissariat à l'énergie atomique et aux énergies alternatives « ont mis au point un prototype d’outils logiciels capables de caractériser l’état du système et de prédire son évolution », identifiant ainsi les « situations susceptibles d’entraîner des pannes pour permettre aux opérateurs d’intervenir au plus tôt ».
Cette démonstration est un succès : « 90 % des pannes étiquetées ont été détectées, avec une anticipation de quelques heures ».
Commentaires (15)
#1
C’est de la maintenance prédictive, un truc nouveau depuis au moins 20 ans.
Cela dit, l’apprentissage profond est un outil parfaitement adapté à la détections de dérives dans les signaux des circuits de voie. Ce sont ces circuits qui permettent de détecter la présence des train et de faire fonctionner les feux de circulation.
#1.1
Ah la maintenance prédictive. Je viens justement de lire un article là dessus.
J’imagine que dans certaines entreprises dont les outils de production sont déjà bien instrumentés, cela peut présenter un intérêt.
Mais s’il faut monter tout un réseau de capteurs, le maintenir, maintenir le système info qui analyse toutes les données, je reste sceptique sur le retour sur investissement du bouzin.
#1.2
La sncf par exemple utilise ça depuis + de 40 ans et le retour sur investissement, on le voit tout de suite sans parler bien sur de la sécurité.
#1.3
Je ne connais pas le cas de la SNCF mais il y a quelques années, nous avons été approchés pour tester un système d’analyse de nos données de fonctionnement à base d’IA et de big data (c’est très vendeur auprès de nos responsables …). Je trouvais que c’était beaucoup d’énergie de déployée pour un gain faible (peu de contrainte de production).
#1.4
Dans le cas des trains ou métros sur des lignes fréquentées, c’est juste indispensable
#2
Un jour, peut-être, on arrêtera d’appeler tout ça de l’IA, et on dira machine à états générée (suite à la phase d’apprentissage). La principale différence avec une machine à état codée, c’est que quand ça merde, on ne sait pas pourquoi. Mais de l’intelligence, il n’y en a pas du tout, sauf chez celui qui a paramétré l’apprentissage.
#3
On peut faire ça avec des ascenseurs et ça marche assez bien. Il suffit d’une dizaine de capteur + lien réseau et ça permet d’anticiper les défaillances de composants et éviter les effets domino. Le retour sur investissement est très rapide car ce qui coute chers c’est de faire déplacer des équipes en urgence le week-end de nuit pour libérer une personne, puis faire un diagnostic le lundi, puis revenir pour la réparation. Une maintenance programmée et ciblée est beaucoup plus facile et moins chers.
#4
Je sais pas s’ils ont vraiment besoin d’IA pour savoir que la signalisation tombera en panne tous les jours.
#4.1
L’IA leur permet de surveiller les paramètres de fonctionnement des circuits de voie et permet de lever une alerte quand, grossièrement, les états “voie libre” et “voie occupé” deviennent difficile à discriminer.
Cela répond donc à la question: quelle panne risque d’arriver dans les prochains jours et où ?
L’optimisation apportée par l’ia doit, je pense, permettre d’utiliser les matériels le plus longtemps possible avant remplacement. On évite donc de jeter des matériels encore utilisables comme cela se fait avec les remplacements préventifs.
#5
Le problème de toute maintenance anticipée, c’est que rapidement on a affaire à des questions du type “mais pourquoi vous me changer cette pièce alors qu’elle fonctionne encore”
surtout quand ladite pièce est facturée son pesant d’or.
Du coup chez beaucoup de boites d’usinage, on attend que ça tombe en panne et ensuite on pleure sur le coût des réparation…
#6
L’IA n’apportera rien à ce niveau. D’ailleurs, comme tout ce qui est estampillé “IA”, c’est que du marketing à la gomme pour faire passer les budgets.
J’ai fait beaucoup de supervison durant ma carrière. N’importe quel système est capable de détecter qu’une sonde est défectueuse, qu’il y a une dérive des données collectées… c’est bêtement des stats.
Quant à l’analyse prédictive, les suggestions d’améliorations à apporter, les prédictions d’incidents, c’est pareil, ça n’a rien de nouveau, on n’a pas attendu “l’IA” pour le faire. Qu’on parle de faire circuler des trains, de remplir des pots de yaourt ou d’afficher un site web. Parce que c’est toujours la même chose: des sondes remontent des valeurs qu’on compare avec une série, des flux transitent et on compare leur performance avec une série.
#6.1
Dans le cas présent, les paramètres de fonctionnements ne sont pas simples à analyser et la MSP est non adaptée.
Pour détecter la présence d’un train (valable aussi pou un métro), dans un canton de voie, on envoie des impulsions d’un côté entre les rails et on connecte un relais spécial à l’autre extrémité.
Pour la maintenance prédictive, on regarde la forme des impulsions (temps et amplitude), à l’autre bout ainsi que la sortie du relais (cohérence entre signal et signal logique en sortie).
Le diagramme est assez compliqué et seule l’intuition du technicien permet à priori d’y voir l’origine d’une future panne parmi les causes suivantes (liste non exhaustive):
edit: clarté et orthographe
#6.2
Je comprends bien, mais qu’apporte “l’IA” a part un coup de tampon marketing pour faire passer un budget et faire “dans le coup” ?
On collecte des métriques et une dérive de leur valeur indique soit une défaillance dans le système surveillé, soit un dysfonctionnement de la sonde, dans les 2 cas une maintenance est à prévoir.
Pour moi, ce terme “d’IA”, c’est juste de la com’, tout comme l’annonce de navettes volantes
#6.3
Le terme est effectivement bien pratique pour justifier la dépense et permettre au PDG de se la péter au passage car c’est super vendeur.
Mais, je je te l’ai dit, il y a un réel intérêt technique à procéder de la sorte car les statistiques ne sont pas adaptés à ce problème.
Le tracé des diagrammes temps/tension du signal d’un circuit de voie forme une surface dotée d’un périmètre assez compliqué (vaguement un losange), dont la surface va permettre de déterminer si un train est présent ou pas (le court-circuit partiel causé par le train consomme une partie du signal).
Le signal est très bruité car la surface de boucle d’un canton de 1 km (il me semble que c’est la longueur moyenne pour les train et cela doit être plus court pour les métros), capte un spectre assez large de parasites BF.
Chaque type de panne latente va causer une déformation particulière du diagramme et l’IA va permettre de discriminer la ou les pannes. Ces déformations peuvent être cumulées et faibles de sorte qu’il s’agit de détecter plusieurs aiguilles de couleurs différentes dans une meule de foin.
Je précise que je ne travaille ni pour la RATP, ni pour la SNCF, ni pour le CEA mais que j’ai eu l’occasion de plancher sur un appel d’offre, pour la SNCF, d’un dispositif réalisant précisément cette détection de pannes. J’ai donc eu accès à de la documentation sur le sujet dans ce cadre.
#7
Autant le tartinage de l’IA à toutes les sauces est bien gavant, autant il ne faut pas jeter le bébé avec l’eau du bain.
Je trouve personnellement que le terme d’intelligence est galvaudé dans ce cas car un tel système n’est pas en mesure de passer avec succès le test de Turing
Le processus de l’apprentissage profond repose sur le cumul d’expérience et n’est pas de l’intelligence artificielle mais de l’intuition artificielle. C’est moins vendeur, c’est sûr.
Des expériences industrielles ont démontré clairement que l’apprentissage profond était un outil valable dès lors que la création d’un algorithme pour la résolution d’un problème devenait exponentiellement compliqué.
Une intuition ne s’explique pas facilement, elle ne se prouve pas non plus plus facilement mais elle apporte des réponses qui peuvent être incroyablement précises. Beaucoup d’intuitions d’Albert Einstein n’ont pu être prouvées que des décennies après.
L’exemple d’application que j’ai en tête concerne la métallurgie avec l’adaptation les mélanges de matières premières pour obtenir des alliages aux propriétés maîtrisées et répétables. Avant l’IA, seuls des humains étaient capables d’assurer cette garantie.
La limite de ces systèmes est le domaine de la sûreté de fonctionnement. Selon moi, il n’est pas possible d’apporter la preuve formelle du bon fonctionnement d’un système basé sur l’intuition artificielle.