Comment l'AIoT maintient les systèmes de transport en commun sur les rails ?

05/09/2022 - Ressources
Comment l'AIoT maintient les systèmes de transport en commun sur les rails ?

Optimisez vos prises de décisions

     L'avènement de l'Internet industriel des objets (IIoT) a permis à un large éventail d'entreprises de collecter des quantités massives de données provenant de sources jusque-là inexploitées et d'explorer de nouvelles pistes pour améliorer la productivité. En obtenant des données sur les performances et l'environnement des équipements et des machines sur le terrain, les organisations disposent désormais d'encore plus d'informations pour prendre des décisions commerciales éclairées. Malheureusement, il y a beaucoup trop de données IIoT pour que les humains puissent les traiter seuls. Par conséquent, la plupart de ces informations ne sont pas analysées et ne sont pas utilisées. Il n'est pas étonnant que les entreprises et les experts du secteur se tournent vers les solutions d'intelligence artificielle (IA) et d'apprentissage machine (ML) pour les applications IIoT afin d'obtenir une vue d'ensemble et de prendre des décisions plus intelligentes plus rapidement.

Garder les trains sur les rails est plus facile à dire qu'à faire

Tous les trains - qu'il s'agisse d'une ligne ferroviaire interurbaine ou d'un système municipal de transport en commun - circulent sur des voies métalliques qui doivent rester droites et correctement espacées selon un écartement standard à tout moment. Si les rails deviennent irréguliers, les trains peuvent dérailler. C'est pourquoi vous voyez toujours une sorte de support, appelé traverses de chemin de fer ou ballast, placé perpendiculairement sous les rails. Pour garantir une circulation fluide, les voies ferrées doivent être solidement fixées aux traverses par des crampons, des vis ou des boulons. En raison de la friction et des vibrations constantes entre les roues des trains et les voies, ainsi que des dommages causés par l'environnement naturel, les fixations des voies se dégradent et se cassent avec le temps. Par conséquent, la détection et la réparation en temps utile des fixations de la voie sont essentielles pour garantir la sécurité de toute ligne ferroviaire.
 
Une grande compagnie ferroviaire métropolitaine d'Asie de l'Est avait besoin d'un moyen plus efficace d'inspecter le grand nombre d'attaches utilisées pour stabiliser des milliers de kilomètres de voies dans l'ensemble de son système de transport en commun. Situé dans la ceinture de feu, où de nombreux tremblements de terre se produisent, le système de transport en commun ne peut prendre aucun risque quant à la sécurité de son infrastructure, car les secousses constantes aggravent l'usure régulière du matériel roulant et du trafic passagers élevé. Habituellement, après la fin du service des trains sur l'une des lignes, l'opérateur ferroviaire envoie des ingénieurs de maintenance humains pour effectuer une inspection visuelle manuelle des voies et vérifier si des fixations sont desserrées. Si un élément de fixation desserré ou endommagé est détecté, il est réparé avant que les services ferroviaires ne reprennent sur la ligne.
 

L'AIoT au service d'une détection plus rapide et plus précise des pannes

Étant donné que l'inspection visuelle des voies ferrées pendant les heures de repos prend beaucoup de temps et que la fatigue humaine peut entraîner l'omission de données, le système de transport en commun a décidé de déployer une solution d'informatique périphérique d'IA qui pourrait accélérer l'inspection des fixations de voies avec la vision par ordinateur. Plus précisément, l'opérateur de transport en commun voulait un modèle d'inférence IA personnalisé avec reconnaissance d'objets pour les systèmes de fixation des voies, qui pourrait détecter les défauts des fixations des voies pendant que les trains sont en mouvement et effectuer la maintenance entre les trajets. L'inférence IA pour l'inspection des fixations de voies exige également que l'ordinateur périphérique dispose de puissantes performances de calcul et d'une extension de stockage pour les données vidéo, d'une taille compacte (form-factor)et d'une conception sans ventilateur pour une installation dans de petites armoires, d'une large plage de températures de fonctionnement et d'une conformité à la norme EN 50155 pour une utilisation sur le matériel roulant.
 
 

La solution

La première étape a consisté à installer des caméras haute résolution sous les wagons des trains, ce qui a permis à l'opérateur du système de capturer des vidéos en temps réel des attaches de la voie pendant que les trains circulent sur les voies pendant les heures de service. Les données vidéo sont ensuite transmises à un ordinateur de bord pour le traitement des images et la reconnaissance d'objets des défauts des attaches de la voie.
 
L'opérateur ferroviaire a choisi l'ordinateur ferroviaire Moxa V2406C Series pour sa taille compacte avec un processeur Intel® Core™ i7 qui fournit une puissance de calcul suffisante pour exécuter le modèle d'inférence IA formé. Le V2406C fonctionne également avec une faible consommation d'énergie et possède une large plage de température de fonctionnement de -40 à 70°C.
 
Enfin, le V2406C prend en charge le kit d'outils Intel® OpenVINO™ et dispose de deux emplacements mPCIe pour les modules Intel® Movidius™ VPU afin d'accélérer les calculs de reconnaissance d'image et l'inférence AI en périphérie. En remplaçant l'inspection visuelle manuelle par une inspection visuelle AI en temps réel pendant les heures de fonctionnement, le système de transport en commun a pu améliorer son efficacité et réduire ses dépenses de maintenance.
 
Partager cet article Sur les réseaux sociaux

Nos autres articles