Maintenance prédictive de flotte : comment l'IA exploite les données de télématique embarquée

La maintenance prédictive consiste à analyser les données produites par un véhicule en service pour estimer quand un organe va défaillir, et donc programmer l'intervention avant la panne plutôt qu'après. Sur un autobus, ces données existent déjà : elles circulent sur le bus CAN et remontent par la télématique embarquée.

Dans le transport public, la panne coûteuse n'est pas la réparation, c'est la course non assurée. Un bus qui tombe à 8 h 10 sur une ligne cadencée à 10 minutes, ce n'est pas une facture d'atelier, c'est une course supprimée, un véhicule de réserve à envoyer en haut-le-pied, un conducteur immobilisé et un signalement à l'autorité organisatrice. C'est sous cet angle qu'il faut évaluer la maintenance prédictive.

Corrective, préventive, conditionnelle, prédictive : quatre niveaux à ne pas confondre

L'UITP distingue quatre niveaux dans sa note de synthèse d'avril 2025 sur la maintenance numérique. La distinction situe précisément où se trouve la valeur.

• Maintenance préventive par intervalles : l'intervention se déclenche sur un seuil prédéfini de temps, de kilométrage ou de cycles
• Maintenance préventive conditionnelle : elle se déclenche sur la vérification d'un critère d'état et d'un seuil de valeur
• Maintenance basée sur l'état, ou CBM : même logique, mais sur une vérification en temps réel du critère et du seuil
• Maintenance prédictive : le système analyse la dégradation de l'actif et prédit sa durée de vie résiduelle

Le saut le plus rentable n'est pas le dernier, c'est le passage du deuxième au troisième niveau : contrôler un seuil sur une donnée temps réel plutôt que sur un relevé d'atelier. Et ce saut ne demande aucune IA. Un code défaut lu en continu, une règle de seuil sur une température d'huile, une alerte routée vers l'atelier : du déterministe, déjà rentable.

Quelles données un bus produit déjà

Un autobus n'a pas besoin de nouveaux capteurs pour produire des données exploitables. Il en produit sur trois canaux.

Le bus CAN et le protocole SAE J1939. Sur un autobus, le réseau embarqué véhicule le protocole J1939, typiquement à 250 kbit/s. Chaque signal y porte un identifiant normalisé, le SPN, avec une plage réservée aux signaux propriétaires des constructeurs.

Les codes défaut, ou DTC. Le message DM1 diffuse en continu les défauts actifs, une fois par seconde et à chaque changement d'état, avec l'état des témoins d'alerte, tandis que le DM2 liste les défauts précédemment actifs. Point souvent négligé : l'adresse source du message identifie le calculateur émetteur, moteur, boîte, ABS ou portes, et doit être conservée.

L'interface FMS et sa déclinaison bus. L'interface FMS, créée en 2002 par six constructeurs européens de camions, normalise l'accès aux données véhicule sur un connecteur unique : vitesse, régime moteur, consommation, charge d'essieu, heures moteur, température du liquide de refroidissement et distance jusqu'au prochain entretien, avec des rafraîchissements allant de 20 millisecondes à 10 secondes selon le signal. Le Bus-FMS, publié en 2004 et signé par Daimler Buses, MAN, Scania, Volvo Bus, IVECO et VDL, en est la déclinaison pour les autobus et autocars, documentée en version 05 du 11 novembre 2025. C'est le canal le plus pertinent pour une flotte de bus, et celui dont personne ne parle.

Deux limites que le standard reconnaît lui-même : les informations disponibles dépendent de l'équipement du véhicule, et certaines données ne sont pas diffusées parce qu'elles sont calculées différemment d'un constructeur à l'autre. Sur un parc mixte de trois marques, cela veut dire plusieurs référentiels de signaux et des identifiants propriétaires non interopérables.

S'y ajoute une donnée que beaucoup d'exploitants ignorent posséder : depuis le règlement 2019/2144, le contrôle de pression des pneumatiques est obligatoire pour les nouvelles homologations d'autobus depuis juillet 2022 et pour toutes les immatriculations neuves depuis 2024. Sur un bus récent, la pression des pneus est déjà mesurée à bord.

Ce que l'IA fait réellement, et ce qui relève du marketing

Quatre apports sont réels.

La détection d'anomalie multivariée. Repérer une combinaison anormale de plusieurs signaux alors qu'aucun signal pris isolément ne franchit son seuil. C'est le seul cas où une règle simple échoue par construction.

Les seuils dynamiques. Un seuil fixe de température moteur est faux en été et faux en montée. Contextualiser le seuil par le profil de mission est un problème d'apprentissage, pas de paramétrage.

La durée de vie résiduelle. Passer d'un booléen « anormal » à une estimation « défaillance probable sous X jours ou Y kilomètres ». C'est la seule sortie planifiable, et la définition même du niveau prédictif selon l'UITP. Le pilote de Ravenne l'a fait, avec un algorithme estimant la date de vidange.

Le scoring de flotte. Ordonner 150 véhicules par niveau de risque pour arbitrer des créneaux d'atelier qui ne sont pas extensibles.

À l'inverse, trois promesses doivent alerter. Rebaptiser « IA » un moteur de règles de seuil, ce qui relève du niveau 1 ou 2 de la grille UITP. Promettre la prédiction de « toute panne », alors que toutes les études publiées portent sur un organe à la fois : l'huile moteur à Ravenne, l'unité de production d'air sur le métro de Porto, un composant unique sur le jeu Scania. Et promettre un résultat sans historique de pannes, ce qui nous amène au vrai verrou.

Pourquoi le verrou n'est pas le capteur mais l'historique d'atelier

Les prérequis listés par l'UITP portent d'abord sur la calibration des capteurs, la détermination des modes de défaillance, la précision des données historiques sur les causes racines et l'historique de maintenance préventive. Autrement dit, le prérequis dominant n'est pas technologique, il est documentaire.

Les chiffres publiés le confirment. Le jeu de données Scania publié en 2025 couvre plus de 33 000 camions, pour seulement 9,7 % de taux de panne. Celui du métro de Porto contient près de 11 millions de points de données sur six mois, échantillonnés à 1 Hz, pour 3 pannes catastrophiques observées. Une étude de 2025 sur des données de diagnostic embarqué relève 16,3 % de cas de défaillance seulement.

La conclusion est nette : le volume de télémétrie n'est jamais le problème, un seul organe génère des millions de points en quelques mois. Le problème est le nombre d'exemples de pannes correctement étiquetées. Classes déséquilibrées : c'est pour cela qu'un modèle utile se construit par organe et à l'échelle de la flotte, jamais véhicule par véhicule.

Corollaire pour un responsable d'atelier : l'ordre de travail clos avec la bonne cause racine est l'étiquette d'apprentissage du modèle de l'année prochaine. Sans saisie atelier fiable, pas de modèle, quel que soit le nombre de capteurs.

Ce que la maintenance prédictive rapporte vraiment sur une flotte de bus

Le paysage des chiffres disponibles est modeste, et c'est une information en soi. Le seul résultat évalué et publié sur une flotte de bus urbains vient du pilote de Ravenne, mené dans le projet européen EBSF_2 et évalué en 2017 : capteurs de qualité d'huile en temps quasi réel, télématique embarquée et algorithme prédictif. Résultats mesurés :

• taux de pannes : -8,08 %
• quantité d'huile requise : -31,8 %
• temps de maintenance moyen : inchangé
• charge de travail de gestion des données : +17 %

Ce résultat est précieux parce qu'il est honnête. Un gain réel mais modeste, sur un seul organe, sans gain de productivité d'atelier, et avec un surcoût assumé de gestion de données. C'est loin des promesses à deux chiffres qui circulent, et beaucoup plus crédible devant un chef d'atelier.

Le coût côté service est documenté ailleurs : sur le réseau du métro de Porto, les défaillances de l'unité de production d'air ont entraîné l'annulation de plus de 170 courses sur la seule année 2017. C'est exactement le coût que la maintenance prédictive attaque, et il ne figure sur aucune facture de pièces.

Pour les fourchettes plus larges, il faut sortir du transport public et le dire. Deloitte estimait en 2017, sur des actifs industriels, une réduction de 20 à 50 % du temps de planification, une hausse de 10 à 20 % de la disponibilité et une baisse de 5 à 10 % des coûts de maintenance. Ce sont des ordres de grandeur d'industrie manufacturière, à ne pas transposer mécaniquement à un dépôt de bus.

Point de vigilance : les chiffres de type « pannes -70 % » qui circulent sur le sujet ne sont rattachables à aucune étude primaire traçable, et il n'existe aucun benchmark français du taux de disponibilité d'un parc de bus urbains. Le seul ROI défendable est celui calculé sur les données du réseau concerné.

Bus électriques : la batterie devient l'actif à surveiller

Sur une flotte électrique, la hiérarchie des risques change. La batterie de traction devient le premier poste de valeur, et ses facteurs de dégradation sont établis : le C-rate, la température et la profondeur de décharge, avec un effet dominant des pics de puissance sur la perte de capacité.

Une étude publiée début 2025 sur un bus électrique instrumenté montre que l'optimisation du comportement de conduite réduit la dégradation batterie de 25 %, faisant passer la durée de vie en service de 5,35 à 6,69 années, et que les cycles normalisés sous-estiment la consommation d'environ 26 % par rapport au cycle de référence.

Ce gain vient de la conduite, pas d'un modèle de maintenance. Mais il démontre le point qui compte pour un exploitant. Sur un bus électrique, l'état de santé de la batterie n'est pas un paramètre de maintenance, c'est un paramètre d'exploitation. L'affectation des véhicules aux lignes, le graphicage et la stratégie de recharge deviennent des leviers de durée de vie d'actif.

Ce qui ne change pas : le circuit d'air comprimé, les portes, la suspension et les pneumatiques restent les organes qui, dans les études disponibles, provoquent les immobilisations.

Accès aux données constructeur et RGPD : le cadre à connaître avant de lancer un projet

Deux sujets juridiques décident souvent de la faisabilité d'un projet.

L'accès aux données constructeur. Le règlement 2018/858 impose aux constructeurs de fournir les informations de diagnostic et de réparation-entretien aux opérateurs indépendants, dans un format traitable électroniquement et contre une redevance raisonnable. Le Data Act, règlement 2023/2854, y ajoute une approche centrée sur l'utilisateur du véhicule, qui peut partager ses données avec des tiers, avec une application échelonnée entre 2025 et 2027. Deux réserves : le refus reste possible pour raisons de sécurité ou de secret d'affaires, et l'accès des tiers est payant. Il existe donc un droit, mais conditionnel, tarifé et progressif.

Le RGPD. Un dispositif alimenté par la télématique traite aussi des données de localisation rattachables à un conducteur. Les repères de la CNIL sont précis : conservation de 2 mois par défaut, 1 an pour l'optimisation de tournées ou la preuve d'intervention, 5 ans pour le suivi du temps de travail. Et des finalités exclues : contrôle des limitations de vitesse, surveillance permanente du salarié, localisation hors temps de travail, suivi des représentants du personnel dans le cadre de leur mandat.

Conséquence d'architecture : séparer la donnée technique du véhicule de la donnée de conduite nominative, restreindre les accès et documenter les durées de conservation. Un choix de conception, pas une case à cocher en fin de projet.

De la prédiction au roulement : boucler exploitation et atelier

C'est le point que les contenus sur la maintenance de flotte n'abordent jamais, et celui qui fait la différence sur un réseau.

La donnée de maintenance et la donnée de supervision empruntent le même canal embarqué et la même remontée. Il n'y a pas deux chaînes techniques à construire, il y a une chaîne et deux usages. La sortie utile pour l'exploitation n'est pas l'alerte, c'est l'échéance : une date ou un kilométrage restant se planifie, un voyant rouge non.

Cette échéance se convertit en trois décisions qui sont toutes des décisions d'exploitation, prises la veille pour le lendemain : retirer le véhicule du roulement, l'affecter à une mission moins sollicitante, ou lui réserver un créneau d'atelier. Puis la boucle se referme, parce que l'ordre de travail clos avec sa cause racine alimente le modèle suivant. La chaîne complète va du bus CAN et du Bus-FMS à la remontée télématique, puis à la supervision temps réel, à la détection d'anomalie et à la durée de vie résiduelle, au scoring de flotte, à l'arbitrage d'affectation la veille, au créneau d'atelier, à l'ordre de travail clos, et retour au modèle.

Aucune publication ne décrit ni n'évalue cette boucle complète sur un réseau de bus : c'est un cadre de raisonnement, pas un résultat mesuré. Mais c'est lui qui détermine si un projet produit des courses assurées ou seulement des tableaux de bord.

C'est aussi pourquoi ce sujet ne se traite pas en dehors du système d'exploitation. Nous avons détaillé le socle technique dans notre article sur la télématique embarquée et la centralisation du GPS, du diagnostic et de la maintenance, et les leviers data côté réseau dans celui sur l'optimisation d'un réseau de bus.

Par où commencer

Trois étapes, dans cet ordre.

1. Fiabiliser la saisie atelier avant d'acheter le moindre capteur : causes racines normalisées, ordres de travail clos, pièces rattachées au véhicule. C'est le prérequis que l'UITP place en premier, et celui qui prend le plus de temps.
2. Exploiter les données déjà disponibles : codes défaut temps réel, températures, distance au prochain entretien, pression des pneus. Le niveau conditionnel, sans IA, produit déjà des alertes actionnables.
3. Cibler un organe et un seul, celui qui provoque le plus de courses supprimées chez vous, puis mesurer sur un semestre avant d'élargir.

Vous voulez voir comment Pysae remonte les données FMS et les codes défaut de votre parc, et comment le module Atelier les relie à l'affectation des véhicules ? Demandez une démo.