Maintenance prédictive des éléments de TGV et optimisation de l'exploitation de données de type big data

Predictive maintenance of TGV elements and optimization of big data exploitation

• Auteur / Autrice : Majed El assal
• Direction : Ronan Champagnat, Anas Sakout
• Type : Projet de thèse
• Discipline(s) : Informatique et Applications
• Date : Inscription en doctorat le 21/06/2024
• Etablissement(s) : La Rochelle
• Ecole(s) doctorale(s) : EUCLIDE
• Partenaire(s) de recherche : Laboratoire : Laboratoire Informatique image et interaction

Mots clés

Mots clés libres

Maintenance prédictive

Big data

L'exploitation de données

Predictive maintenance

Big data

Big data exploitation

Résumé

Le titre de ma thèse est ''Maintenance prédictive des éléments TGV et optimisation de l'exploitation des big data''. Cette recherche vise à exploiter la puissance des technologies avancées telles que l'apprentissage automatique et l'intelligence artificielle (IA) pour révolutionner les stratégies de maintenance des éléments du TGV (Train à Grande Vitesse). La maintenance prédictive fait référence à l'utilisation d'outils et de techniques d'analyse de données pour prédire quand un équipement pourrait tomber en panne, permettant ainsi une maintenance en temps opportun et évitant les pannes imprévues. Dans le contexte des éléments TGV, cela implique de surveiller en continu la performance et l'état des différents composants du train pour identifier les signes d'usure avant qu'ils ne causent des problèmes graves. En utilisant des algorithmes d'apprentissage automatique, il est possible d'analyser d'énormes quantités de données recueillies par des capteurs intégrés dans les éléments du TGV. Ces algorithmes peuvent apprendre à partir des données historiques pour reconnaître des motifs et prédire les pannes potentielles avec une grande précision. De plus, l'optimisation de l'exploitation des big data est essentielle dans cette démarche. Les TGV génèrent chaque jour d'énormes volumes de données, y compris des informations sur la vitesse, la température, les vibrations et d'autres paramètres opérationnels. Traiter et analyser efficacement ces big data est essentiel pour obtenir des informations significatives. Les techniques d'IA, en particulier celles liées à l'analyse des big data, jouent un rôle crucial dans ce processus en permettant l'extraction d'informations précieuses à partir de jeux de données complexes. Cette optimisation garantit que le système de maintenance prédictive fonctionne efficacement, fournissant des prédictions précises et opportunes. En outre, l'intelligence artificielle explicable (XAI) est une partie intégrante de cette recherche. Alors que les modèles d'IA traditionnels peuvent parfois être opaques, rendant leurs processus décisionnels difficiles à comprendre, la XAI se concentre sur la création de systèmes d'IA dont les actions peuvent être facilement interprétées par les humains. Dans le contexte de la maintenance prédictive des éléments TGV, l'intelligence artificielle explicable aide les équipes de maintenance à comprendre pourquoi un composant particulier est prédit en panne, ce qui peut améliorer la confiance dans le système et faciliter une meilleure prise de décision. En résumé, cette thèse explore l'intégration de l'apprentissage automatique, de l'IA et de l'intelligence artificielle explicable pour développer un système avancé de maintenance prédictive des éléments TGV. Elle vise à optimiser l'exploitation des big data pour améliorer la fiabilité et l'efficacité des trains à grande vitesse, contribuant ainsi à une sécurité accrue, à une réduction des coûts de maintenance et à une expérience passager améliorée.

The title of my thesis is ''Predictive Maintenance of TGV Elements and Optimization of Big Data Exploitation.'' This research aims to harness the power of advanced technologies such as machine learning and artificial intelligence (AI) to revolutionize the maintenance strategies for TGV (Train à Grande Vitesse) elements. Predictive maintenance refers to the use of data analysis tools and techniques to predict when a piece of equipment might fail, allowing for timely maintenance and preventing unexpected breakdowns. In the context of TGV elements, this involves continuously monitoring the performance and condition of various train components to identify signs of wear and tear before they lead to serious issues. By leveraging machine learning algorithms, it is possible to analyze vast amounts of data collected from sensors embedded in TGV elements. These algorithms can learn from historical data to recognize patterns and predict potential failures with a high degree of accuracy. Moreover, the optimization of big data exploitation is critical in this endeavor. TGVs generate massive volumes of data every day, including information on speed, temperature, vibrations, and other operational parameters. Efficiently processing and analyzing this big data is essential to gain meaningful insights. AI techniques, particularly those related to big data analytics, play a crucial role in this process by enabling the extraction of valuable information from complex datasets. This optimization ensures that the predictive maintenance system operates efficiently, providing timely and accurate predictions. Additionally, explainable AI (XAI) is an integral part of this research. While traditional AI models can sometimes be opaque, making it difficult to understand their decision-making processes, XAI focuses on creating AI systems whose actions can be easily interpreted by humans. In the context of predictive maintenance for TGV elements, explainable AI helps maintenance teams understand why a particular component is predicted to fail, which can improve trust in the system and facilitate better decision-making. In summary, this thesis explores the integration of machine learning, AI, and explainable AI to develop an advanced predictive maintenance system for TGV elements. It aims to optimize the exploitation of big data to enhance the reliability and efficiency of high-speed trains, ultimately contributing to improved safety, reduced maintenance costs, and enhanced passenger experience.