Analyse des données pour la surveillance de la voie ferrée : L’intelligence artificielle au service du ferroviaire

Data analysis for railway network monitoring : Artificial intelligence in the service of the railways sector

• Auteur / Autrice : Alain Rivero
• Direction : Philippe Vanheeghe, Emmanuel Duflos
• Type : Thèse de doctorat
• Discipline(s) : Automatique, génie informatique, traitement du signal et des images
• Date : Soutenance le 26/01/2021
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Partenaire(s) de recherche : Laboratoire : CRIStAL - Centre de Recherche en Informatique, Signal et Automatique de Lille - Centre de Recherche en Informatique- Signal et Automatique de Lille (CRIStAL) - UMR 9189 / CRIStAL
• Jury : Président / Présidente : Sophie Tison
• Jury : Examinateurs / Examinatrices : Émilie Poirson, Adnane Boukamel, Pierre Marie Rogier
• Jury : Rapporteur / Rapporteuse : Sriram Narasimhan, Christophe Pouet

Mots clés

Mots clés contrôlés

Traitement d'images

Apprentissage automatique

Propriétés acoustiques

Voies ferrées

Systèmes embarqués (informatique)

Théorie de Dempster-Shafer

Champs aléatoires de Markov

Réseaux neuronaux (informatique)

Mots clés libres

Réseaux neuronaux (informatique)

Champs aléatoires de Markov

Théorie de Dempster Shafer

Systèmes temps réel (informatique)

Système embarqué

Traitement d’image

Deep neural networks

Markov random fields

Dempster Shafer belief theory

Real-Time system

Embedded system

Image processing

Résumé

La tendance actuelle en matière de capteurs et d’équipements industriels déployés sur le réseau ferré nous amène à gérer des systèmes de plus en plus complexes qui obligent les agents à travailler dans un environnement incertain. Dans le même temps, le domaine du transport ferroviaire devient de plus en plus concurrentiel, ce qui contraint les gestionnaires d’infrastructures à une recherche permanente d’amélioration, d’optimisation et de productivité. Parallèlement, l’utilisation des techniques de surveillance classiques est de plus en plus coûteuse, tout en offrant des performances de moins en moins satisfaisantes. Les fonctions de surveillance du réseau sont souvent opérées hors ligne, empêchant ainsi le traitement en temps réel de l’information. L’intelligence artificielle offre des outils totalement dissociés de la structure de l’infrastructure, ne nécessitant pas la modélisation préalable de cette dernière et permettant un suivi en temps réel de son évolution. Cette nouvelle approche de la maintenance s’avère par conséquent évolutive et plus en adéquation avec les contraintes économiques auxquelles est soumise notre activité. Dans ce cadre, nous avons étudié une nouvelle architecture combinant l’emploi de plusieurs couches de réseaux neuronaux profonds et un modèle de fusion. Cette solution permet de garantir un taux de disponibilité optimale du réseau et de préserver l’infrastructure existante par une maintenance au juste à temps et au juste nécessaire. Pour le système destiné aux trains commerciaux, nous avons abordé les problématiques de programmation distribuée telles que la co-allocation des ressources. Une étude économique complète cette étude.

The current trend in sensors and industrial equipment deployed on the rail network leads us to manage increasingly complex systems that require agents to work in an uncertain environment. At the same time, the rail transport sector has become increasingly competitive, which forces infrastructure managers to constantly seek improvement, optimisation, and productivity. At the same time, the use of traditional monitoring techniques has become more and more expensive, while offering less and less satisfactory performance. Network monitoring functions are often performed offline, thus preventing the real-time processing of information. Artificial Intelligence offers tools that are completely decoupled from the infrastructure structure do not require prior modelling of the infrastructure and allow the real-time monitoring of its evolution. This new approach to maintenance has therefore evolved and is more in line with the economic constraints to which our activity is subject. In this context, we studied a new architecture that combines the use of several layers of deep neural networks and a fusion model. This solution ensures optimal network availability and preserves the existing infrastructure through a just-in-time approach. For the system for commercial trains, we addressed distributed programming issues such as the co-allocation of resources. An economic analysis completes this study.