Maintenance prédictive flotte ferroviaire

Contexte

Opérateur ferroviaire national gérant une flotte de 500+ rames (TGV, TER, Intercités) avec une politique de maintenance basée sur des intervalles fixes (kilométriques ou temporels). Les coûts de maintenance représentent 30% du budget opérationnel. Les pannes en ligne (immobilisation en voie) impactent 2-3% des trains quotidiennement, générant des retards en cascade et des coûts de re-routing estimés à 50M€/an.

Problème & Défi

Maintenance sur intervalles fixes : des composants sont remplacés alors qu'ils fonctionnent encore (surmaintenance 25%). Pannes en ligne : 2-3% des trains immobilisés quotidiennement malgré la maintenance préventive. Coûts de maintenance corrective 3x supérieurs à la maintenance préventive : pièces, dépannage, compensation voyageurs. Données capteurs (vibrations, températures, pressions) collectées mais non exploitées : 80% des données IoT ignorées. Disponibilité flotte à 88% vs objectif contractuel de 95%.

Solution & Livrables

Modèles prédictifs par famille de composant (moteur, freinage, portes, climatisation) entraînés sur 3 ans de données IoT et d'historique maintenance. Scoring santé en temps réel pour chaque rame avec prédiction de défaillance à J+7, J+14 et J+30. Planning de maintenance optimisé : intervention au bon moment (ni trop tôt ni trop tard) minimisant l'immobilisation. Alerting temps réel intégré au système de gestion de flotte pour les interventions urgentes. Dashboard maintenance prédictive : tableau de bord santé flotte, planning optimisé, KPIs (disponibilité, coûts, MTBF).

Technologies