Le machine learning au service de la maintenance prédictive

La recharge de batteries au Lithium est un enjeu majeur pour le secteur ferroviaire. Ahmed Shokry, ingénieur de recherche de l’X au sein de l’Initiative de recherche « IA et Maintenance Positive », explore l’utilisation des réseaux de neurones artificiels pour optimiser la recharge des batteries et prolonger leur durée de vie et leur fiabilité.

 

 

La maintenance prédictive (ou positive) est un enjeu majeur pour le secteur ferroviaire. L’initiative de recherche « Intelligence artificielle et maintenance positive » soutenue par Europorte (groupe Getlink) est novatrice dans son approche à travers l’analyse d’une grande quantité de données avec une approche de fiabilisation de l’activité industrielle. Par exemple, en prolongeant la durée de vie des batteries, on peut réduire considérablement leur risque de pannes et donc fiabiliser leur utilisation. Bien que les protocoles de charge soient l'un des principaux facteurs qui influencent la durée de vie des batteries, ils restent peu étudiés d'un point de vue industriel, malgré leurs impacts économiques et écologiques positifs.

Cette thématique est au cœur des travaux d'Ahmed Shokry, ingénieur de recherche à l'École polytechnique dans le cadre de l'initiative de recherche. Avec l'aide d'Éric Moulines, porteur du programme et professeur de l'École polytechnique au sein du Centre de mathématiques appliquées (CMAP*), Ahmed développe des algorithmes basés sur l'apprentissage machine (machine learning) pour contrôler et optimiser la charge des batteries au Lithium les plus utilisées.

Ces algorithmes, organisés en réseaux de neurones (appelés ainsi par analogie avec le fonctionnement du cerveau), permettent d'atteindre un équilibre optimal entre la vitesse de charge et le maintien de la santé de la batterie sur le long terme. Pour y parvenir, ils intègrent de multiples sources d'information, afin de développer des lois de contrôle précises et légères sur le plan informatique. Ces lois peuvent être installées sur le système de gestion de la batterie pour contrôler la charge en fonction des mesures en temps réel de l'état de la batterie, par exemple la capacité, la tension et la température.

L'utilisation de réseaux de neurones artificiels profonds pour traiter le contrôle de la charge des batteries est une approche novatrice. En effet, ces problèmes sont généralement résolus à l'aide de méthodes d'optimisation mathématique qui, en plus de l'effort humain, nécessitent d'importantes ressources de calcul en ligne qui ne sont pas disponibles sur la plupart des systèmes industriels de gestion des batteries.

Le travail d'Ahmed Shokry initie donc une approche nouvelle et pratique du contrôle de la charge des batteries, élargissant ainsi la gamme des solutions proposées et permettant la commercialisation de cette technologie. Son travail au sein de l'initiative de recherche l'amène également à développer des techniques d'apprentissage automatique pour détecter les signes précoces de dégradation des batteries, et également de l’ensemble des organes de sécurité des locomotives ce qui permettra une maintenance prédictive.

*CMAP : unité mixte de recherche CNRS, École Polytechnique - Institut Polytechnique de Paris

>> A propos de l'initiative de recherche :
L’initiative de recherche « IA et Maintenance Positive », portée par Eric Moulines, cherche à anticiper les pannes matérielles ou de réseau. Pour relever ce défi, il est nécessaire de donner du sens aux signaux faibles observables dans une quantité importante de données. Soutenu depuis sa création en 2020 par Europorte, l’initiative de recherche étudie ce problème sous l’angle d’IA capables de traiter massivement les données. Ces IA utiliseront de nouvelles méthodes de machine learning et deep learning afin de détecter de manière fiable les signaux faibles.

 

 

Retour à la liste