Switch-RdF

suivi de point de fonctionnement et analyse de données historisées d'inspection pour l'aide au diagnostic des aiguillages

Contexte

Dans le cadre de la surveillance des appareils de voie du réseau ferré grande vitesse et en particulier des mécanismes d’aiguillage à commande électrique, la SNCF acquiert régulièrement et automatiquement des données sur le terrain, qui sont transmises à des postes de surveillance pour analyse (télésurveillance). L’analyse des mesures acquises devrait permettre de détecter les défauts précoces et de mobiliser rapidement les services de maintenance concernés (équipe électrique, mécanique, génie civil, autre).

 
Figure 1. Mécanisme d'aiguillage de rails à commande électrique

L’objectif premier de cette étude est de fournir un outil de reconnaissance des formes qui permette de diagnostiquer les défauts d’un aiguillage grâce à l’observation et l’analyse de signaux mesurés sur celui-ci, afin de connaître en particulier le type de maintenance à déployer le cas échéant sur le terrain (équipe électrique, signalisation, équipe mécanique ou autre). On parle alors de diagnostic statique. Le second objectif visé est celui du suivi temporel de l’état des aiguillages par la prise en compte de l’évolution des signaux de mesure d’une manœuvre à la suivante. Ce second point doit permettre d’estimer la vitesse de dégradation de l’aiguillage selon les différents modes de dégradation, et ainsi d’évaluer le temps avant intervention selon que le type de défaut en question soit à évolution lente ou rapide. On parlera, dans ce cas de diagnostic dynamique.

Diagnostic statique

Pour diagnostiquer les manœuvres, nous avons adopté une approche par reconnaissance des formes opérant en deux grandes étapes :

• Etape 1 (représentation) : extraction de paramètres des courbes en tenant compte de leur particularité (signaux à changements de régime). Cette étape s’appuie sur le modèle de régression à processus logistique latent (RHLP) dont les paramètres permettent de représenter assez fidèlement et parcimonieusement les courbes. En plus de fournir une représentation parcimonieuse des courbes de puissance, cette méthode permet un débruitage fin des celles-ci.

• Etape 2 (classification des manœuvres) : discrimination des courbes (représentées par leurs paramètres extraits) suivant les classes de fonctionnement. Cette étape s’appuie sur des approches classiques de discrimination, notamment l’approche Mixture Disciminant Analysis (MDA).

Figure 2. Paramétrisation d’une courbe de puissance par RHLP et projection des vecteurs caractéristiques de 120 manœuvres dans le plan d’une AFD

Diagnostic dynamique

Le deuxième volet du projet consiste à suivre au cours du temps les manœuvres d’aiguillages afin de pouvoir anticiper les pannes ou prédire le temps restant avant une intervention. Ce volet du travail nécessite d’analyser des séquences de courbes, ce qui n’était pas le cas pour le diagnostic statique. Après avoir caractérisé les courbes  à l’aide du modèle de régression à processus logistique latent, les travaux en cours visent à développer des modèles mixant les chaînes de Markov cachées et les modèles autorégressifs. Ce type de modèle devrait permettre de prendre en compte aussi bien des dégradations lentes que des dégradations rapides liées à des changements d’état de fonctionnement.