La maintenance prédictive est souvent présentée à travers le prisme du matériel roulant : on surveille un moteur, un compresseur, une porte. L’objet est identifiable, localisé, et les données capteurs se rattachent à un équipement précis. Mais le réseau ferroviaire ne se limite pas aux trains. Il repose sur des centaines, voire des milliers de kilomètres d’infrastructures linéaires : voies, caténaires, aiguillages. Et là, les règles du jeu changent fondamentalement.
L'infrastructure linéaire : un sujet de plusieurs centaines de kilomètres
Quand on surveille un système de portes, on travaille sur un équipement discret. Chaque porte a un identifiant, un emplacement dans le véhicule, un historique propre. La logique « un équipement = un modèle » est directe.
Pour l’infrastructure, l’objet surveillé n’est pas un équipement ponctuel mais une ligne continue. La géométrie d’une voie, c’est-à-dire sa conformité au tracé théorique, se dégrade progressivement sous l’effet du trafic, des conditions météorologiques, et de la nature du sol. Cette dégradation n’est pas uniforme : certains tronçons vieillissent plus vite que d’autres, en fonction de la courbure, de la charge supportée, de l’âge du ballast.
De même, une caténaire, le fil de contact qui alimente électriquement les trains, s’use par frottement avec le pantographe. L’usure dépend de la géométrie du tracé, de la vitesse de circulation, et de la tension mécanique du fil. Elle progresse lentement, et quand le fil de contact atteint un seuil critique d’usure, il faut intervenir pour éviter une rupture qui immobiliserait toute la ligne.
L’enjeu pour un opérateur de réseau ferré urbain ou un gestionnaire d’infrastructure nationale est le même : anticiper où et quand la dégradation atteindra un seuil critique, pour planifier les travaux de manière optimale. Selon l’Agence Ferroviaire Européenne, les opérateurs utilisant la maintenance prédictive ont constaté une réduction de 37 % des incidents liés aux voies.
Des trains de mesure aux modèles prédictifs
La bonne nouvelle, c’est que les données existent. Les opérateurs disposent de trains de mesure (ou de chariots d’auscultation) qui parcourent régulièrement le réseau et enregistrent des mesures précises de l’état de l’infrastructure. Pour la géométrie de voie, on mesure le nivellement longitudinal et transversal, le dressage, l’écartement, le dévers. Pour la caténaire, on mesure l’usure du fil de contact, le désaxement, la hauteur du fil.
Ces campagnes de mesure génèrent des fichiers géoréférencés : chaque mesure est rattachée à un Point Kilométrique (PK) qui localise précisément l’endroit du réseau où elle a été effectuée. En répétant ces campagnes dans le temps (tous les mois, tous les trimestres), on obtient une série temporelle spatialisée : l’évolution de chaque paramètre, à chaque point du réseau, au fil du temps.
C’est sur ces séries temporelles géoréférencées que la maintenance prédictive s’applique. Mais les défis techniques restent spécifiques et considérables.
Le recalage automatique : une étape clé du traitement multi-dimensionnel
Le premier obstacle technique, et le plus sous-estimé, est le recalage spatial des mesures. D’une campagne à l’autre, le positionnement GPS du train de mesure n’est pas parfaitement reproductible. Un écart de quelques mètres sur la localisation suffit à rendre impossible la comparaison directe entre deux campagnes. Si on superpose les courbes de nivellement de janvier et de mars, les écarts observés mélangent dégradation réelle et erreur de positionnement.
Le recalage automatique des mesures s’inscrit dans le traitement multi-dimensionnel des données. L’algorithme aligne les campagnes successives malgré les erreurs de localisation GPS et les variations de Point Kilométrique, pour permettre une comparaison fiable d’une campagne à l’autre. Sans cet alignement, les écarts observés entre deux passages mélangent dégradation réelle et bruit de positionnement, ce qui dégrade la qualité de l’analyse prédictive.
Projeter la dégradation : anticiper où et quand intervenir
Une fois les campagnes de mesure correctement recalées et alignées dans le temps, l’analyse prédictive devient possible. Elle repose sur deux mécanismes complémentaires.
Le premier est le calcul de la vitesse de dérive. Pour chaque Point Kilométrique, l’algorithme estime la pente de dégradation du paramètre surveillé (nivellement, écartement, usure du fil de contact). Cette vitesse de dérive n’est pas constante : elle dépend de facteurs locaux (courbure, trafic, qualité du support) et peut accélérer brusquement si un événement modifie les conditions mécaniques du tronçon. L’algorithme détecte ces changements de régime et ajuste ses projections en conséquence.
Le second mécanisme est la priorisation des tronçons selon leur niveau de criticité. En croisant la valeur actuelle du paramètre, sa vitesse de dégradation et le seuil réglementaire ou opérationnel à ne pas dépasser, l’algorithme classe les Points Kilométriques par ordre d’urgence. L’objectif n’est pas de produire une date d’intervention figée, mais de fournir aux équipes une hiérarchie fiable des zones à surveiller en priorité, qui se précise à chaque nouvelle campagne de mesure.
Cette projection est calculée pour chaque Point Kilométrique du réseau, ce qui produit une cartographie prédictive complète : une vue du réseau où chaque tronçon est coloré selon son urgence d’intervention, du vert (pas d’intervention à prévoir à court terme) au rouge (intervention prioritaire).
Planifier le bourrage et le meulage au bon endroit, au bon moment
L’impact opérationnel de cette approche est direct pour les équipes d’infrastructure.
Aujourd’hui, la planification des travaux de bourrage (qui rétablit la géométrie de voie en compactant le ballast sous les traverses) et de meulage (qui corrige le profil du rail) repose largement sur des critères fixes : on intervient quand une campagne de mesure révèle un dépassement de seuil, ou selon un calendrier prédéterminé. Cette approche est réactive et sous-optimale : elle ne permet pas d’anticiper les zones qui vont dépasser le seuil avant la prochaine campagne de mesure, et elle ne priorise pas les interventions en fonction de la vitesse de dégradation.
Avec la projection prédictive, la logique s’inverse. L’équipe d’infrastructure dispose d’une vision anticipée des zones qui nécessiteront une intervention dans les semaines ou mois à venir. Elle peut regrouper les interventions par zone géographique pour optimiser les plages travaux (qui sont rares et coûteuses sur un réseau chargé). Elle peut distinguer les tronçons dont la dégradation est lente et stable (intervention planifiable à moyen terme) de ceux dont la dégradation accélère (intervention à prioriser).
Pour la surveillance de la caténaire, la logique est identique. L’usure du fil de contact est projetée dans le temps pour chaque section, permettant de planifier les remplacements avant que l’usure n’atteigne le seuil critique, sans remplacer prématurément des sections encore en bon état.
Une solution 100 % logicielle et agnostique
Un point souvent négligé dans les discussions sur la maintenance prédictive de l’infrastructure : la dépendance au hardware. Beaucoup de solutions sur le marché sont liées à un système d’acquisition spécifique, un type de capteur propriétaire, un format de données fermé. Pour un opérateur qui gère un réseau hétérogène, cette dépendance est un frein majeur.
L’approche que nous avons développée avec DiagFit est délibérément 100 % logicielle et agnostique vis-à-vis du système d’acquisition. La solution s’interface avec les fichiers CSV géoréférencés issus de n’importe quel train de mesure ou chariot d’auscultation. Le déploiement se fait en Docker, en cloud ou on-premise, et un test de faisabilité peut être réalisé en 15 jours sur les données historiques de l’opérateur. Le passage du pilote (un tronçon de quelques kilomètres) au déploiement à l’échelle de la ligne se fait sans changement d’architecture.
C’est un critère de sélection trop souvent sous-estimé : la scalabilité réelle d’une solution prédictive, c’est-à-dire sa capacité à passer du proof of concept à la production sans refonte, est ce qui sépare les projets pilotes perpétuels des déploiements opérationnels.
