Maintenance prédictive pour l'éclairage urbain

 

 

Utiliser des données électriques pour prévoir et optimiser la maintenance de l'éclairage urbain

 

La solution offre au technicien un modèle prédictif accompagné d'une interface visuelle afin d'anticiper et de réagir aux dysfonctionnements des candélabres et lampadaires avant leur apparition.

 

 

 

// RÉSULTATS CLÉS

Thanks to this solution, repair timeframes and the number of malfunctions reported by residents can be reduced. The goal is to reduce the number of unforseen breakdowns.

 

L'expérimentation a eu lieu dans le 13e arrondissement de Paris

 

// PARTENAIRES IMPLIQUÉS

Les partenaires ont fourni les jeux de données suivants: données horaires de 16 000 unités contrôlant les réverbères, données géoréférencées sur l'éclairage public dans la zone d'expérimentation, données externes telles que les informations météorologiques La start-up sélectionnée - Saagie - se définit comme un «open data fabric», spécialisé dans l'automatisation des processus métiers, le parcours client, le risque et la fraude. Saagie a levé 10 millions en 2018 pour accélérer son développement.

 

// PROBLÈMES & OPPORTUNITÉS

 

À Paris, les techniciens d'entretien des réverbères, des feux de circulation et autres mobiliers urbains suivent généralement des rondes à horaires prédéterminés pour identifier les dysfonctionnements. Ceux ci pourraient optimiser leurs tournées grace à la solution développée dans le cadre de ce projet.

 

 

 

Cette solution est créatrice de valeur pour tout fournisseur d'infrastructure urbaine, en France et ailleurs. D'un point de vue plus général, tout opérateur manipulant des infrastructures électriques peut être intéressé par l'optimisation de la maintenance prédictive de ses installations.

 

 

 

Please reload

Un programme créé par NUMA en partenariat avec la Ville de Paris
  • Blanc Facebook Icône
  • Blanc LinkedIn Icône
  • Blanc Twitter Icon
  • medium