Évolution des niveaux d'eau du Regio2N

SNCF a depuis plus d'une décennie équipée ses nouveaux trains de nombreux capteurs pour relever les états des systèmes ainsi que les données clés au fonctionnement du train en temps réel . Ces données permettent de prévenir automatiquement et à distance d'une panne, tout en indiquant sa position sur le train.  Plus important, l'utilisation de ces données relevées couplé à des modèles de prédiction permettent de déduire un grand nombre de pannes systèmes avant que celles-ci se produisent. Ce procédé s'appelle la maintenance prédictive et jour un enjeu stratégique majeur dans la gestion de flotte car elle permet une optimisation et une diminution du cout et du temps de maintenance, mais aussi car elle limite le nombre de pannes, augmentant la fiabilité du réseau.

Mon objectif a été de traiter et d'analyser les données du système toilette des Regio2N afin d'en émettre des hypothèses sur les utilisations actuelles (consommation d'eau selon les lignes ou les horaires, ...) et d'émettre un outil de prédiction, permettant une planification adéquate des créneaux de remplissage et de vidange des toilettes.

• Analyser, traiter puis stocker les données brutes envoyées par le train à partir d'un pipeline ETL ;

• Définir une structure de base de données relationnelle ;

• Émettre des hypothèses utile à l'exploitation et la maintenance du matériel roulant ;

• Développer un outil de prédiction pour une planification adéquat de la maintenance ;

• Incorporer ces analyses dans une interface graphique intuitive, basée sur Covid Tracker ;

• Écrire de la documentation technique sur les procédés utilisés et le fonctionnement du logiciel.

• Langages de programmation et librairies : Python (PyQt6, Psycopg2, Pandas, Numpy, regex); QML/JavaScript; postgreSQL; 

• Historique des versions : Git/Github (code base).