Maintenance prédictive. Comment SNCF Réseau anticipe canicules, crues et pannes
Capteurs IoT, fibre optique convertie en capteurs, jumeaux numériques, mobiles autonomes : SNCF Réseau construit un arsenal technologique pour passer d'une maintenance systématique à une logique prédictive.
Les multiples épisodes de fortes chaleurs de l'été 2026 ont rappelé l'importance d'anticiper plutôt que de subir. Dès que la température de l'air atteint 35 °C, celle des rails peut dépasser 45 °C, avec un risque de dilatation des voies et de dysfonctionnements des caténaires. Pour limiter ces effets, le gestionnaire d'infrastructure déploie chaque été un « Plan canicule » national. Mais ce dispositif, longtemps fondé sur la surveillance humaine et des seuils d'alerte, évolue vers une maintenance prédictive s'appuyant sur les données et l'intelligence artificielle afin d'anticiper les défaillances, qu'elles soient d'origine thermique, hydraulique ou mécanique.
Cette même logique prédictive s'étend à l'infrastructure elle-même, où la fibre optique va jouer un rôle de vigie. Baptisé Surfo (pour Surveillance par Fibres Optiques), le principe transforme le réseau de télécommunication existant en réseau de capteurs : les 28 000 kilomètres de fibre détectent, à un mètre près, un défaut de rail, une chute de véhicules ou de rochers, par détection acoustique distribuée. En complément, le projet TOUTATIS permet à SNCF Réseau d'anticiper les risques liés aux fortes pluies sur les talus et remblais ferroviaires. En croisant les données radar de Météo France avec l'historique des incidents, il déclenche des alertes ciblées afin de concentrer les inspections sur les ouvrages les plus exposés. Déployé depuis 2022, le dispositif relève d'une logique de maintenance prédictive et a permis de diviser par vingt le nombre de visites de contrôle des ouvrages en terre.
Cette mê
Le dossier complet est réservé aux abonnés ou aux détenteurs d’un porte-monnaie électronique, connectez-vous pour y accéder.
*Formule numérique sans engagement à partir de 15,25€ par mois.
