« Nous n’avons pas assez de données de pannes pour entraîner un modèle. » Cette phrase, tout responsable maintenance ou data scientist qui a tenté de déployer de la maintenance prédictive dans l’industrie l’a entendue, ou prononcée. Dans le ferroviaire, elle sonne comme un verdict sans appel. Et pourtant, elle repose sur un postulat qu’il est temps de remettre en question : l’idée que pour prédire une panne, il faut d’abord en avoir observé des centaines.
Le postulat supervisé, et ses limites structurelles
L’approche dominante en machine learning pour la maintenance prédictive s’appuie sur l’apprentissage supervisé. Le principe est intuitif : on fournit à un algorithme un jeu de données où chaque observation est étiquetée (« normal » ou « défaillant »), l’algorithme apprend à distinguer les deux classes, puis il est déployé pour classifier de nouvelles observations en temps réel.
Ce paradigme a démontré son efficacité dans des secteurs où les pannes sont fréquentes et bien documentées. Mais dans le ferroviaire, les conditions d’application sont rarement réunies.
Un système de porte de train à grande vitesse peut effectuer 75 000 cycles d’ouverture/fermeture sur quelques semaines sans qu’aucune défaillance ne survienne. Les équipements sont robustes, les cycles de vie se comptent en années, et quand une panne se produit, la corrélation précise entre l’événement et les signaux capteurs qui l’ont précédé est rarement tracée dans le système d’information. Résultat : on dispose de millions d’enregistrements « normaux » et d’une poignée d’événements « anormaux » mal documentés. Le ratio est si déséquilibré qu’aucun algorithme supervisé ne peut produire un modèle fiable.
Ce problème porte un nom dans la littérature : le cold start. Et ce n’est pas un problème de maturité digitale ou de qualité de données. C’est une contrainte structurelle du domaine. Une étude récente publiée dans Sensors (MDPI, 2024) met en évidence l’essor de l’IA pour la maintenance ferroviaire, avec un intérêt croissant pour les approches non supervisées et les méthodes d’ensemble, notamment pour pallier la rareté des données de pannes labellisées.
Inverser la question : apprendre ce qui est normal
L’approche que nous défendons chez Amiral Technologies repose sur un renversement de perspective. Au lieu de poser la question « à quoi ressemble une panne ? », on pose la question « à quoi ressemble un fonctionnement sain ? ».
Concrètement, notre logiciel DiagFit intègre les données capteurs d’un équipement en fonctionnement nominal : courants, tensions, vitesses, températures, positions, pressions. À partir de ces signaux, il construit un modèle mathématique multivarié qui capture la « signature » du comportement normal de l’équipement. Ce modèle définit ce que nous appelons une « Green Zone » : l’espace des comportements attendus.
Cette modélisation s’appuie sur des fondements scientifiques issus de l’Automatique et de la Théorie du Contrôle, pas sur du deep learning générique. La différence est importante : là où un réseau de neurones profond fonctionne comme une boîte noire qui nécessite des volumes massifs de données labellisées, notre approche exploite la structure physique des signaux industriels. Elle comprend les relations entre variables, les dynamiques temporelles, les corrélations qui traduisent le fonctionnement mécanique, électrique ou hydraulique de l’équipement.
Une fois la Green Zone établie, toute nouvelle donnée est projetée dans cet espace. Si elle sort de la zone de normalité, le système génère un score d’anomalie. Ce score n’est pas binaire (normal/anormal) : c’est une distance continue qui mesure l’écart par rapport au comportement appris. Plus le score augmente, plus la dérive est prononcée.
C’est ce que nous appelons le « Mode Aveugle » : la capacité à générer un modèle de surveillance sans aucune donnée d’anomalie préalable.
Du score de santé à l'identification de cause racine
Détecter qu’un équipement subit une dérive est une première étape. Mais pour qu’un outil prédictif soit opérationnellement utile, il faut aller plus loin et répondre à deux questions supplémentaires : quel équipement précis est concerné, et pourquoi dérive-t-il ?
Prenons un exemple concret. Un opérateur ferroviaire surveille les systèmes de portes de sa flotte. Le système attribue un score de santé à chaque cycle d’ouverture/fermeture de chaque porte de chaque véhicule de chaque train. Quand un score dépasse un seuil critique, l’algorithme ne se contente pas de lever une alerte : il identifie automatiquement quelle variable est responsable de la dégradation du score.
Ce mécanisme de Root Cause Analysis (RCA) est ce qui transforme une alerte générique (« le train 57 a un problème ») en un diagnostic actionnable (« le véhicule 15, DCU 3, présente une surintensité moteur sur le circuit de porte »). L’équipe de maintenance reçoit un ordre de travail précis, avec l’identification de l’organe et de la cause probable. Les interventions « à l’aveugle », où le technicien part sur le train sans savoir exactement ce qu’il cherche, sont éliminées.
C’est un changement de paradigme pour les équipes terrain. Le diagnostic qui prenait des heures de recherche manuelle est automatisé. Le taux de diagnostics « No Fault Found » (interventions où le technicien ne trouve pas l’origine du problème) s’effondre.
L'expert métier dans la boucle : l'apprentissage actif
Une objection fréquente à l’apprentissage non supervisé est la suivante : « Si l’algorithme n’a jamais vu de panne, comment sait-il que l’anomalie qu’il détecte est réellement un précurseur de défaillance, et pas un simple changement de conditions d’exploitation ? »
C’est une objection légitime, et c’est exactement la raison pour laquelle l’approche non supervisée ne fonctionne pas sans l’humain dans la boucle.
Dans DiagFit, chaque alerte est soumise à l’expert métier. L’ingénieur maintenance peut valider l’alerte (« oui, c’est bien un précurseur de défaillance, planifions une intervention ») ou l’invalider (« non, ce changement de comportement correspond à un changement de configuration normal »). Ce retour est intégré au modèle, qui affine progressivement sa compréhension de la frontière entre dérive significative et variabilité normale.
C’est le principe de l’apprentissage actif (Human-in-the-Loop). Le modèle commence par être sensible à toute déviation, puis gagne en précision au fil des retours terrain. Après quelques cycles de validation, il a appris non seulement la normalité physique de l’équipement, mais aussi les conventions opérationnelles du contexte spécifique de l’exploitant.
Cette boucle homme-machine est un choix délibéré. Nous pensons que la maintenance prédictive ne remplacera jamais l’expertise métier. Elle doit l’augmenter. Un outil qui génère des centaines d’alertes non qualifiées sera désactivé en quelques semaines par des équipes terrain déjà sous pression. Un outil qui apprend de l’expert et concentre ses alertes sur les vrais signaux sera adopté.
Pourquoi cette approche est particulièrement adaptée au ferroviaire
Le ferroviaire cumule les conditions qui rendent l’approche non supervisée pertinente.
Les équipements sont divers et chaque flotte a ses spécificités. Un modèle entraîné sur les portes d’un train régional ne fonctionne pas sur celles d’un train à grande vitesse de nouvelle génération. L’approche non supervisée s’adapte à chaque équipement à partir de ses propres données, sans transfert d’apprentissage hasardeux.
Les cycles de renouvellement du matériel sont longs, avec des introductions régulières de nouvelles générations. Le Mode Aveugle permet de démarrer la surveillance prédictive dès la phase de mise en service, sans attendre des années d’historique.
Les volumes de données sont massifs : des dizaines de milliers de cycles, des centaines de variables par cycle, des millions d’enregistrements par mois sur un seul type d’équipement. L’apprentissage de la normalité sur ces volumes est non seulement faisable, mais il est d’autant plus robuste que les données sont abondantes.
Enfin, la culture de sécurité du secteur exige une traçabilité complète du raisonnement de l’algorithme. L’approche par score de santé et identification de cause racine offre une explicabilité que les modèles de deep learning ne garantissent pas. L’expert peut comprendre pourquoi le système alerte, vérifier le diagnostic, et prendre une décision éclairée.
La maintenance prédictive sans historique de pannes n’est pas un compromis. C’est une approche plus adaptée aux réalités industrielles du ferroviaire que le paradigme supervisé qui domine encore les discours du secteur.
Prochain article : un retour d’expérience concret sur la surveillance de dizaines de milliers de cycles de portes de trains, de l’analyse des signaux bruts au diagnostic automatisé.
