Rapport d’avancement AMCER n° 7 : Approche hybride d’aide à la décision pour l’analyse des risques d’accidents ferroviaire basée sur l’apprentissage supervisé
Résumé
Conformément à la réglementation européenne, tous les acteurs du transport ferroviaire et notamment les
gestionnaires d'infrastructures et les entreprises ferroviaires sont tenus de mettre en place un système de "Retour
d'Expérience" (REX) afin de comprendre les causes et la gravité des conséquences engendrées par les accidents et
incidents ferroviaires. Ainsi, la connaissance des accidents et incidents résulte essentiellement de l'apport des
leçons apprises et des expériences acquises. En effet, la sécurité dans le transport ferroviaire s'améliore
essentiellement sur la base d'une connaissance approfondie des accidents et incidents résultant du (REX).
Afin, d’expliquer et comprendre les causes et les circonstances des risques d'accident et donc au moins éviter la
reproduction des accidents similaires, nous avons orienté notre étude vers l'utilisation d'approches issues de
l'intelligence artificielle (IA) et en particulier l’apprentissage automatique. A partir du retour d'expérience,
l'objectif principal est d'exploiter un ensemble d'événements d'insécurité (scénarios d’accidents ou d’incidents)
afin d'anticiper et de prévenir la reproduction des risques d'accidents ou d'incidents similaires et éventuellement
de découvrir et d'identifier de nouveaux scénarios d'accidents potentiels susceptibles de compromettre la sécurité.
Pour consolider les méthodes usuelles d'analyse de la sécurité ferroviaire, cette étude propose une nouvelle
méthode d’aide à la décision basée sur des techniques d’IA en vue d’exploiter, par apprentissage automatique, les
enseignements issus du REX afin d'aider et d'assister les experts en sécurité, les enquêteurs techniques et les
organismes de certification à évaluer le niveau de sécurité d'un nouveau système de transport ferroviaire.
Cette étude propose une nouvelle approche hybride basée sur trois algorithmes d'apprentissage automatique. La
première étape d'acquisition des connaissances a conduit à l'élaboration de deux bases de données de scénarios
d'accidents. Le premier socle concerne l'analyse de la « sécurité fonctionnelle » et le second socle concerne
l'analyse de la « sécurité des logiciels critiques ». La deuxième étape, qui s'appuie sur un algorithme de
classification des concepts, permet de regrouper les scénarios d'accidents en classes cohérentes telles que la classe
relative aux problèmes de collision ou de déraillement de train. Pour chaque classe de scénarios d'accident ou
d'incident, la troisième étape met en œuvre une technique d'apprentissage basée sur des règles de production afin
d'identifier des éléments de sécurité pertinents susceptible de mettre en cause la sécurité du système. Dans une
quatrième étape, les règles de production précédemment générées sont transférées vers un système expert afin
d'en déduire les risques potentiels d'accident. Enfin, un raisonnement par cas (CBR) permet de rechercher, sur la
base du « retour d'expérience », les cas les plus proches de ce nouveau risque d'accident et propose les mesures de
prévention ou de protection les plus adaptées.