Classification incrémentale de données longitudinales à changements de régime – Application au diagnostic en ligne de composants ferroviaires

Hani EL-ASSAAD

ATER – Département de mécanique, FdS

Salle 205 et visio

Afin d’assurer un bon entretien du matériel roulant ferroviaire, ces systèmes font l’objet d’inspections régulières. Le principal défi pour les opérateurs est de maximiser la disponibilité des trains sans augmenter les coûts, grâce à la mise en place d’opérations de maintenance prédictive et conditionnelle. Dans ce contexte, tant les constructeurs que les exploitants sont amenés à rechercher les moyens de paramétrer la maintenance conditionnelle en fonction de l’état réel du système, notamment la prédiction, c’est-à-dire de prédire la défaillance de ces matériels. En développant des outils innovants de diagnostic et de maintenance des sous-systèmes embarqués, les opérateurs sont en mesure d’optimiser les opérations de maintenance, la logistique de leurs trains en gares et ateliers, et l’approvisionnement des pièces nécessaires.

Mes travaux de recherche aborde la problématique de la classification non supervisée de données lorsque les caractéristiques des classes sont susceptibles d’évoluer au cours du temps. On parlera également, dans ce cas, de classification dynamique de données temporelles non stationnaires. Le cadre applicatif des travaux concerne le diagnostic par reconnaissance des formes de systèmes complexes dynamiques dont les classes de fonctionnement peuvent, suite à des phénomènes d’usures, des déréglages progressifs ou des contextes d’exploitation variables, évoluer au cours du temps. Par exemple, le mécanisme d’aiguillage des rails et les Portes d’accès voyageur des trains. Un modèle probabiliste dynamique, fondé à la fois sur les mélanges de lois et sur les modèles dynamiques à espace d’état, a ainsi été proposé. Compte tenu de la structure complexe de ce modèle, une variante variationnelle de l’algorithme EM a été proposée pour l’apprentissage de ses paramètres. Dans la perspective du traitement rapide de flux de données, une version séquentielle de cet algorithme a également été développée,
ainsi qu’une stratégie de choix dynamique du nombre de classes. Une série d’expérimentations menées sur des données simulées et des données réelles acquises sur le système d’aiguillage des trains a permis d’évaluer le potentiel des approches proposées.

Mots clés : Diagnostic, Maintenance préventive, Aiguillage, Classification, Filtre de Kalman, Modèle dynamique à variables latentes, Données temporelles non stationnaires, Classes évolutives.