Numéro 372 À paraître

Sommaire

• L’intelligence énergétique : nouvelles stratégies de stationnement des TGV

  Lire le résumé

  

  La recherche d’économies d’énergie s’inscrit depuis longtemps dans l’histoire de SNCF, qui adapte en permanence ses stratégies de stationnement aux évolutions des technologies de traction. Après l’ère de la vapeur, la traction thermique puis électrique ont imposé de nouvelles méthodes de gestion de l’énergie, notamment dans les voitures accueillant les voyageurs. L’arrivée du matériel automoteur, qu’il soit diesel ou électrique, a permis, grâce à sa conception, de simplifier certaines opérations de cette gestion de l’énergie. Avec le TGV, de nouveaux enjeux de performance et d’optimisation de la consommation d’énergie sont apparus. Aujourd’hui, le stationnement des rames TGV repose sur une alimentation en continu, appelée « pré-service » (préconditionnement), garantissant ainsi leur disponibilité. Des modes ECO ont progressivement été déployés afin de limiter la consommation en énergie. À l’avenir, l’automatisation du pré-service à distance ouvrira la voie à une gestion plus fine de l’énergie, grâce au pilotage automatisé du pantographe et du préconditionnement des rames, une fois les contraintes techniques et de sécurité maîtrisées.

  Energy intelligence: new strategies for stabling TGVs

  The quest for energy savings has long figured in the narrative of SNCF, which constantly adapts its stabling strategies to developments in traction technologies. Subsequent to the steam era, thermal and then electric traction commanded new energy management methods, particularly for coaches carrying passengers. The arrival of multiple unit stock, whether diesel or electric, made it possible, thanks to its design, to simplify certain operations involved in such energy management. The TGV brought new challenges to performance and to the optimisation of energy consumption. Today, the stabling of TGV trainsets relies on a continuous power supply referred to as “pre-service” (preconditioning), thereby guaranteeing their availability. ECO modes have been progressively deployed to limit the consumption of energy. Going forward, remote pre-service automation will open up the way to more refined energy management thanks to automated pantograph control and trainset preconditioning, once the technical and safety constraints are overcome.

  Die Energieintelligenz: neue Strategien für das Abstellen der TGVs

  Das Streben nach Energieeinsparungen ist seit langem Teil der Geschichte der SNCF, die ihre Abstellstrategien ständig an die Entwicklungen der Traktionstechnologien anpasst. Nach dem Zeitalter der Dampflokomotiven forderten der Verbrennungsmotor und später die elektrische Traktion neue Methoden des Energiemanagements, insbesondere in den Reisezugwagen. Die Einführung der Triebzüge, ob mit Dieselmotor oder elektrisch angetrieben, ermöglichte dank ihrer Konzeption eine Vereinfachung bestimmter Vorgänge dieses Energiemanagements. Mit dem TGV sind neue Herausforderungen hinsichtlich der Leistung und der Optimierung des Energieverbrauchs entstanden. Heute basiert das Abstellen von TGV-Zügen auf einer kontinuierlichen Stromversorgung, dem sogenannten „Pré-service“ (Vorkonditionierung), wodurch ihre Verfügbarkeit gewährleistet wird. Nach und nach wurden ECO-Modi eingesetzt, um den Energieverbrauch zu begrenzen. In Zukunft wird die Automatisierung des Remote-Pre-Service den Weg für ein präziseres Energiemanagement ebnen, dank der automatisierten Steuerung des Stromabnehmers und der Vorkonditionierung der Züge, sobald die technischen und sicherheitstechnischen Anforderungen erfüllt sind.

• RER NG : mesures d’échauffement lors du captage de courant à l’arrêt

  Lire le résumé

  

  Cet article décrit la mise en place d’une solution technologique pour les problèmes de mesure de température de la caténaire lors du captage de courant à l’arrêt en voie de service. La mise en place de cette solution sur lignes aériennes de contact s’inscrit notamment dans le cadre de l’arrivée des nouveaux engins RER NG sur le RFN et, à moyen terme, dans le déploiement de futurs trains à batteries.

  RER NG: Heat measurements during current collection in the stationary position

  This article describes the implementation of a technical solution for problems surrounding the measurement of catenary temperature during current collection on service tracks in the stationary position. The implementation of this solution on aerial contact wires features particularly in the new RER NG units introduced on the national railway network RFN and, in the medium term, in the deployment of future battery-powered trains.

  RER NG: Erwärmungsmessungen bei der Stromabnahme im Stillstand

  Dieser Artikel beschreibt die Umsetzung einer technologischen Lösung für die Probleme bei der Temperaturmessung der Fahrleitung während der Stromabnahme im Stillstand auf Betriebsgleisen. Die Umsetzung dieser Lösung an Fahrleitungen erfolgt insbesondere im Rahmen der Einführung der neuen RER-NG-Züge auf dem nationalen Schienennetz RFN und mittelfristig im Hinblick auf den Einsatz künftiger batteriebetriebener Züge.

• Second Life : l’IA au service de l’économie circulaire de SNCF Réseau

  Lire le résumé

  

  Le projet Second Life s’inscrit dans une démarche d’économie circulaire appliquée aux équipements de signalisation ferroviaire. Il vise à limiter la mise au rebut prématurée d’équipements déposés lors des opérations de modernisation du réseau, en favorisant leur identification, leur réemploi ou leur valorisation grâce à une application web intégrant des technologies d’intelligence artificielle.

  Second Life: AI serving SNCF Reseau’s circular economy

  The Second Life project defines a circular economy approach applied to railway signalling equipment. Its purpose is to limit the premature disposal of equipment removed during railway modernisation operations, encouraging their identification, their re-use or their valorisation thanks to a web application integrating artificial intelligence technologies.

  Second Life: Die KI im Dienst der Kreislaufwirtschaft von SNCF Réseau

  Das Projekt Second Life ist Teil eines Ansatzes im Sinne der Kreislaufwirtschaft für Eisenbahnsignalanlagen. Es zielt darauf ab, die vorzeitige Entsorgung von Anlagen, die im Zuge von Modernisierungsmaßnahmen des Netzes ausgebaut werden, zu begrenzen, indem ihre Identifizierung, Wiederverwendung oder Verwertung mit Hilfe einer Webanwendung gefördert wird, die Technologien der künstlichen Intelligenz integriert.

• Vers une perception automatique de la signalisation ferroviaire

  Lire le résumé

  

  Cet article traite de la recherche menée sur la perception visuelle des signaux latéraux pour la conduite automatisée des trains. Depuis l’avènement du « Deep Learning » au cours des années 2010, l’application de technologies d’apprentissage automatique émerge comme une opportunité intéressante pour la résolution de tâches de plus en plus complexes, comme la conduite automatique. Si les approches de Deep Learning sont très efficaces pour détecter les signaux dans des environnements ferroviaires complexes, leur manque d’interprétabilité constitue un défi pour des fonctions critiques de sécurité. Les auteurs proposent une approche hybride pour y répondre : un modèle de Deep Learning détecte les châssis de signalisation, puis des méthodes classiques de vision par ordinateur déterminent l’état des feux. Une analyse temporelle des images successives permet enfin de corriger certaines erreurs inhérentes au modèle et d’améliorer la cohérence des détections. La méthode qui en résulte constitue un compromis entre performance, robustesse et explicabilité.

  Towards an automatic perception of railway signalling

  This article describes research undertaken into the visual perception of track-side signals for the automated driving of trains. With the advent of ‘deep learning’ in the 2010s, the application of automatic learning technologies emerged as an attractive opportunity for resolving increasingly complex tasks such as automatic driving. While deep learning approaches are highly effective for detecting signals in complex railway environments, their lack of interpretability constitutes a challenge to critical safety functions. The authors propose a hybrid approach in response: a deep learning model detects the signalling frame, then classical computer-guided visual methods determine the aspect of the light signals. A time-based analysis of successive images ultimately allows any errors inherent in the model to be corrected and to improve the consistency of detections. The resulting method constitutes a compromise between performance, robustness and explainability..

  Auf dem Weg zu einer automatischen Erkennung der Eisenbahnsignalgebung

  Dieser Artikel befasst sich mit der Forschung zur visuellen Erkennung der Streckensignale für die automatisierte Zugführung. Seit dem Aufkommen des „Deep Learning“ in den 2010er Jahren erweist sich der Einsatz von Technologien des maschinellen Lernens als interessante Möglichkeit zur Lösung immer komplexerer Aufgaben, wie beispielsweise der automatischen Zugführung. Zwar sind die Deep-Learning- Ansätze sehr effektiv bei der Erkennung von Signalen in komplexen Eisenbahnumgebungen ihre mangelnde Interpretierbarkeit stellt jedoch eine Herausforderung für sicherheitskritische Funktionen dar. Die Autoren schlagen einen hybriden Ansatz vor, um diesem Problem zu begegnen: Ein Deep-Learning-Modell erkennt die Signalgehäuse, anschließend bestimmen klassische Methoden der Bildverarbeitung den Zustand der Lichtsignale. Eine Zeitreihenanalyse der aufeinanderfolgenden Bilder ermöglicht es schließlich, bestimmte modellinhärente Fehler zu korrigieren und die Konsistenz der Erkennungen zu verbessern. Die daraus resultierende Methode stellt einen Kompromiss zwischen Leistung, Robustheit und Erklärbarkeit dar.

Infos