Contribution à une Modélisation Ontologique des Connaissances pour la Maintenance et la Détection des Défauts dans les Infrastructures Ferroviaires

La transformation numérique du secteur ferroviaire s'accompagne d'une adoption croissante des méthodes et techniques avancées issues de l'intelligence artificielle, ainsi que des technologies avancées tels que les capteurs LiDAR et les systèmes embarqués permettant une surveillance en temps réel des infrastructures. Cette évolution entraîne une multiplication des sources de données issues de systèmes hétérogènes et augmente la complexité du système global. Cette complexité est accentuée par les exigences de maintenance et de sûreté, notamment en raison des normes strictes régissant le domaine ferroviaire. Assurer une interopérabilité efficace entre ces différentes sources, garantir la mise à jour continue des règles de sécurité et automatiser la prise de décision constituent autant de défis nécessitant des approches innovantes. L'utilisation des ontologies dans ce contexte représente un levier stratégique pour structurer et harmoniser ces connaissances, faciliter l'intégration des informations issues de divers systèmes et améliorer la conformité aux exigences normatives. Cependant, la construction et l'évolution des ontologies adaptées à ces environnements critiques demeurent complexes, notamment en raison de la nature évolutive des normes, la diversité des formats de données et l'extraction continue et la représentation des connaissances en vue de les partager entre les différentes parties prenantes. Cette thèse s'inscrit dans cette problématique et propose une approche basée sur la modélisation ontologique et les techniques de traitement du langage naturel pour automatiser l'intégration et l'exploitation des connaissances ferroviaires. Elle vise à développer une ontologie interopérable permettant de fédérer les données multi-sources, d'assurer une mise à jour dynamique des connaissances et de soutenir la vérification continue de la conformité réglementaire du système. En exploitant les capacités combinées du raisonnement ontologique et de l'apprentissage automatique, cette recherche ambitionne d'améliorer la détection des défauts, la gestion des risques et l'efficacité des opérations de maintenance. L'objectif final est d'apporter une contribution significative à la transformation numérique du secteur ferroviaire en offrant un cadre méthodologique et technologique facilitant la prise de décision automatisée et garantissant une meilleure sûreté des infrastructures, en cohérence avec les initiatives du projet SIMON. 

1. Modélisation et intégration des systèmes hétérogènes :
● Développer une ontologie interopérable capable de fédérer les données issues de systèmes
hétérogènes dans le domaine ferroviaire, tout en assurant une mise à jour en temps réel des
connaissances pour des systèmes critiques.
● Mise en œuvre des mécanismes automatisés pour la synchronisation des données
multi-sources.
● Utilisation d’ontologies dynamiques pour modéliser les interactions entre composants
critiques en temps réel.
2. Sécurité par la gestion des connaissances basée sur les normes
● Intégrer les normes de sûreté ferroviaire dans des ontologies pour formaliser et automatiser
les processus de vérification de conformité et d’analyse des risques.
● Automatisation de l'extraction et de l'intégration des normes à partir de documents en
langage naturel via des techniques de NLP.
● Développement d'outils basés sur le raisonnement ontologique pour évaluer la conformité
des systèmes.
3. Prédiction des défaillances et des incidents en combinant ontologies et apprentissage
automatique
● Comment coupler ontologies et techniques d'apprentissage automatique pour prédire les
défaillances et identifier des tendances critiques dans les systèmes ferroviaires.
● Comment intégrer les modèles probabilistes dans des ontologies pour identifier des points
de basculement dans les systèmes critiques.
● Développement des solutions hybrides pour valider la cohérence entre modèles prédictifs et
données ontologiques
4. Raisonner sur les systèmes complexes à travers des ontologies adaptatives
● Comment concevoir des ontologies adaptatives capables de modéliser et de raisonner sur
des environnements ferroviaires dynamiques et incertains ?
● Raisonnemententemps réel pour ajuster les décisions en fonction des scénarios contextuels
(ex. changement de trafic) 
Cette thèse s'inscrit dans le cadre du projet BPI : SIMON porté par un consortium d'industriels et de partenaires académiques 

Méthode

Ce projet de thèse a le potentiel de transformer la gestion de la maintenance ferroviaire en
automatisant la création et la mise à jour des ontologies. L'approche combinant ontology learning et
NLP permettra de concevoir des systèmes adaptatifs capables de s'ajuster dynamiquement aux
exigences réglementaires changeantes et aux avancées technologiques, améliorant ainsi la gestion
de la conformité et de la sûreté. Cela permettrait une meilleure prise en compte des exigences de
sûreté et de conformité tout en facilitant l'intégration des innovations technologiques. Cette
approche s'aligne directement avec les objectifs du projet SIMON, qui s'inscrit dans une dynamique
d'innovation pour le secteur ferroviaire. Ce projet vise à offrir des services avancés de maintenance
grâce à des plateformes logicielles exploitant des données frugales, collectées à l'aide de dispositifs
mobiles rail/route et de capteurs

Résultats attendus

- construction d'un modèle commun de données qui favorise une collaboration
plus étroite entre les différents acteurs impliqués dans la maintenance et l'opération des
infrastructures ferroviaires.
- Automatisation de l'extraction de règles à partir de
documents textuels, combinée à l'utilisation d'une ontologie basée, pour permettre de vérifier en
continu la conformité des processus par rapport aux exigences normatives en garantissant une
traçabilité accrue et une désambiguïsation des concepts.

https://www.eigsi.fr

https://www.labri.fr

- M2 en informatique, Management de l’information et de la connaissance, en
statistiques, en ingénierie des transports, en apprentissage automatique
- Maîtrise indispensable des langages de programmation Python.
- Des compétences en modélisation à travers l'utilisation d'ontologies, RDF et SPARQL seraient un atout apprécié.