Abstract:
Les systèmes de trains autonomes modernes posent des défis majeurs en matière de maintenance prédictive, en raison de leur complexité grandissante et de l'interdépendance de leurs composants. Cette situation se traduit par des arrêts imprévus, des coûts de maintenance élevés et des risques pour la sécurité des passagers. Pour relever ces défis, ce mémoire propose une approche innovante basée sur l'apprentissage automatique avancé, avec l'utilisation de l'algorithme XGBoost, afin de développer un système de détection précoce des défaillances.
La méthode employée combine des techniques de normalisation, de sélection de caractéristiques pertinentes et d'apprentissage automatique performant. Cela permet d'identifier les anomalies plusieurs jours avant leur survenue, offrant ainsi un délai précieux pour mettre en place des actions préventives. En détectant préventivement les défaillances potentielles, cette solution rend le système de trains autonomes plus robuste et résilient face aux imprévus. Grâce à cette détection précoce, le système peut mieux s'adapter aux perturbations, en minimisant les temps d'arrêt et en assurant une continuité de service accrue.
Les résultats obtenus sont très encourageants, avec des taux de précision et de rappel atteignant 98%. Cette approche contribue donc à améliorer la sécurité, la sûreté et la résilience des services de trains autonomes.
