Background
Dans le secteur du transport ferroviaire, les directeurs de la maintenance ont à résoudre une équation difficile : comment concilier croissance du trafic, renforcement des niveaux de sécurité et budget (durablement) sous contrainte ? Face à cette situation, un opérateur ferroviaire majeur décide de saisir et de concrétiser les promesses de la maintenance prédictive et du Machine Learning, dans l’objectif d’une optimisation du temps d’exploitation commerciale, d’une meilleure organisation des travaux de maintenance et d’une planification budgétaire modernisée.
Challenges
Dans ce contexte, le client et Wavestone répondent à 3 défis :
- Déterminer avec le meilleur niveau de performance les équipements les plus susceptibles de subir une panne sous un horizon de temps donné.
- Enrichir les plans de maintenance préventifs (planifiés et systématiques) et correctifs (subis et ciblés) d’un plan de maintenance prédictif, planifié et probabiliste.
- Installer les fondations du quartier Intelligence Artificielle dans le SI Maintenance.
Réponses & facteurs clés de succés
Wavestone conçoit, prépare et met en place la 1ère version du dispositif de maintenance prédictive :
- État des lieux des opérations de maintenance et constitution d’un jeu de données dé-silotées et rendues exploitables à des fins prédictives.
- Développement de l’application Machine Learning de maintenance prédictive combinant apprentissages supervisés et non supervisés, détection d’anomalies et boucles de retour de business analyst. Nourrie des travaux de R&D de Wavestone, l’application est qualifiée par back-testing
- Conception et préparation de l’opérationnalisation du plan de maintenance prédictive (organisation & SI).
