Rapport d’avancement AMCER n°9 : Approche d'aide à la découverte de scénarios d'accidents ferroviaires basée sur l'apprentissage supervisé - Archive ouverte HAL Accéder directement au contenu
Rapport Année : 2023

Approach to assist in the discovery of railway accident scenarios based on supervised learning

Rapport d’avancement AMCER n°9 : Approche d'aide à la découverte de scénarios d'accidents ferroviaires basée sur l'apprentissage supervisé

Résumé

The European Community has developed a real turning point in the common rail transport policy by defining new ambitions to rebalance sustainably the sharing between modes of transport, develop inter-modality, fight congestion and finally place safety at the heart of European action. To consolidate the usual methods of railway safety analysis, this chapter pro-poses two complementary railway safety assessment methods based on AI techniques and in particular on machine learning (ML). The study seeks to exploit, by machine learning, the lessons resulting from "Experience Feed-back" (REX) in order to help and assist safety experts, technical investigators and certification bodies to assess the level of safety of a new rail transport system. Unfortunately, safety in rail transport improves essentially on the basis of in-depth knowledge of accidents and incidents resulting from "experience feedback". As stipulated by European regulations, all players in rail transport and in particular infrastructure managers and railway undertakings are obliged to set up a system of "experience feedback" in order to under-stand the causes and the seriousness of the consequences engendered by rail accidents and incidents. So, the knowledge of accidents and incidents results essentially from the contribution of lessons learned and experiences ac-quired. To explain and understand the causes and circumstances of accident risks and therefore at least avoid the reproduction of similar accidents, we have oriented our study towards the use of approaches derived from AI and machine learning. From experience feedback, the main objective is to exploit a set of insecurity events in order to anticipate and prevent the reproduction of the risks of accidents or similar incidents and possibly to discover and identify new scenarios of potential accidents liable to jeopardize safety. This chapter proposes a new hybrid method based on three machine learning algorithms. The first stage of acquiring knowledge led to the development of two accident scenario databases. The first base relates to the analysis of "functional safety" and the second base relates to the analysis of the "security of critical software". The second step, which is based on a concept classification algorithm, makes it possible to group the accident scenarios into coherent classes such as the class relating to train collision or derailment problems. For each class of accident or incident scenarios, the third step implements a learning technique based on production rules in order to identify some relevant safety rules. In the fourth step, the previously generated production rules are transferred to an expert system in order to deduce the potential accident risks. Finally, a case-based reasoning (CBR) system makes it possible to search, on the basis of "experience feedback", for the cases closest to this new risk of accident and proposes the most appropriate prevention or protection measures.
La connaissance des accidents et incidents ferroviaire découle essentiellement de l'apport des leçons apprises et des expériences acquises résultant du retour d’expérience (REX). Il convient donc d’exploiter ce Rex en vue de comprendre et d’expliquer les causes et les circonstances des risques d'accident et par conséquent éviter au moins la reproduction des accidents similaires en ayant recours à des techniques d’apprentissage automatique. L’objectif est 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. Ce chapitre d’ouvrage est structuré autour de six paragraphes. Après avoir présenté dans le deuxième paragraphe une étude bibliographique sur l'apport des techniques d'apprentissage automatique au domaine de la sécurité de transport ferroviaire, le troisième paragraphe présente les motivations et les objectifs à atteindre. En se référant à l'étude bibliographique, nous avons envisagé d'utiliser le système « Charade » [1] pour la génération de règles de production exploitable par un système expert, l'outil « ReCall » pour le raisonnement par cas (CBR) et le système « Clasca » [2] pour la classification des scénarios d'accidents. Cette nouvelle approche repose donc sur trois algorithmes d'apprentissage automatique : (1) apprentissage par classification, (2) apprentissage des règles et (3) apprentissage basé sur le raisonnement par cas (CBR) ainsi qu’un système à base de connaissances (ou système expert). L’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, l’étape suivante 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. 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. La validation de la méthodologie proposée s'est déroulée en deux phases. La première phase a consisté en une évaluation globale du modèle de faisabilité basée sur son application à tous les scénarios d'accidents archivés à ce jour portant uniquement sur le risque d'accident : collision ferroviaire. La deuxième phase a porté sur une évaluation interne du module de classification "Clasca" sur la base d'un ensemble de scénarios de test. Cette validation a révélé non seulement les intérêts mais aussi les limites actuelles du modèle réalisé et a débouché sur les perspectives d'amélioration présentées dans le dernier paragraphe consacré à la discussion des résultats obtenus. Cette étude a fait l’objet d’un chapitre d'ouvrage dans Springer Nature (en cours de correction) : —Intitulé du chapitre : “Approach to assist in the discovery of railway accident scenarios based on supervised learning” —Intitulé de l’ouvrage : « Transportation Energy and Dynamics » —Editeur : Springer Nature —Date d’acceptation : 01/05/2023 —Date de correction : avant le 07 mai 2023 —Date de parution : en cours
Fichier non déposé

Dates et versions

hal-04124570 , version 1 (10-06-2023)

Identifiants

  • HAL Id : hal-04124570 , version 1

Citer

Habib Hadj-Mabrouk. Rapport d’avancement AMCER n°9 : Approche d'aide à la découverte de scénarios d'accidents ferroviaires basée sur l'apprentissage supervisé. VPR_9, Université Gustave Eiffel. 2023, 24p. ⟨hal-04124570⟩

Collections

LARA UNIV-EIFFEL
34 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More