Huawei s’entraîne // Crédit : Huawei

Huawei Cloud a lancé le Pangu Railway Model lors de la conférence « Reshaping Industries with AI », qui s’est tenue à Dongguan, Chine.

Les services cloud pionniers Pangu Model 3.0 et Ascend AI offrent une solution d’IA de pointe qui transformera l’identification des pannes dans l’industrie du fret ferroviaire tout en respectant les normes de sécurité critiques, en augmentant l’efficacité et en réduisant l’intensité de la main-d’œuvre.

Pangu Model 3.0 fournit un système de modèles pré-formés qui sont rapidement modifiables afin de prendre en charge des besoins de scénarios spécifiques tout en gérant des défis complexes pour un éventail d’industries. En utilisant d’énormes ensembles de données aux côtés d’algorithmes d’apprentissage automatique, le Solution IA travaillera avec les prévisions météorologiques, le développement de médicaments, au sein de l’industrie minière et pour l’industrie ferroviaire, identifiant les défauts des trains.

L’industrie ferroviaire est confrontée à des défis importants dans l’identification des défauts des trains avec l’approche actuelle, avec une grande quantité d’inspections manuelles via le système de détection du fret ferroviaire, qui demande beaucoup de main-d’œuvre, est coûteux et inefficace.

L’introduction du modèle ferroviaire de Pangu de Huawei permettra de résoudre les difficultés découlant de cette approche en utilisant l’IA pour automatiser le processus, ce qui réduit à son tour la probabilité d’erreur humaine, créant des niveaux de sécurité accrus de manière plus efficace.

Actuellement, les systèmes de détection de fret ferroviaire sont situés entre les voies des réseaux ferroviaires et fonctionnent lorsqu’un train passe devant la station de détection, permettant au système de calculer la vitesse du train via des capteurs magnétiques en acier fixés aux roues.

Le TFDS ajuste ensuite sa fréquence d’instantanés afin de correspondre à la vitesse du train, permettant à une image d’être capturée toutes les quelques millisecondes. Les images sont ensuite téléchargées sur un serveur central principalement pour la détection manuelle des défauts en raison de limitations techniques.

Dans Chineun dépôt typique voit plus de 40 000 trains circuler sur 800 lignes chaque jour, ce qui représente une grande quantité de contrôles manuels à effectuer par le système TFDS.

80 photos sont prises par le système pour chaque wagon de fret, dont il y a environ 50 par train, ce qui conduit à des milliers de photos prises pour chaque train. Le grand nombre d’images prises signifie que ceux qui inspectent les images ont environ 10 minutes pour effectuer les vérifications nécessaires, à la recherche de défauts et de fissures dans les trains d’atterrissage.

Le modèle ferroviaire de Pangu fournit une identification précise de 67 types de wagons de marchandises et peut découvrir 430 types de défauts sur le chemin de fer et les wagons de marchandises. La solution d’intelligence artificielle peut analyser des millions d’images capturées à l’aide de TFDS avant de filtrer 95 % de celles qui sont exemptes de défauts.

Ces solutions innovantes offrent aux inspecteurs de train plus de temps pour visualiser les images restantes, ce qui améliore la précision et l’efficacité.

Zhang Pingan, directeur exécutif de Huawei et PDG de Huawei Cloud, a déclaré : « La capacité du grand modèle de Pangu Railway est continuellement améliorée. Désormais, nous pouvons identifier avec précision 67 types de camions circulant sur le réseau en direct et plus de 430 types de pannes. Le taux d’omission dans la détection des défauts est de zéro et le taux de filtrage des images sans défaut atteint 95 %. »

Le modèle révolutionnaire utilise également l’apprentissage continu, ce qui améliore les performances. Les anomalies trouvées peuvent être étiquetées manuellement et ajoutées au modèle, ce qui améliore ses performances. De plus, le modèle ferroviaire de Pangu peut prendre en charge la détection simultanée sur des services distribués, ce qui réduit considérablement le temps nécessaire à la détection et peut être effectué en moins de 8 minutes.