Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đóng góp của Trí tuệ Nhân tạo trong Đánh giá Rủi ro về Tai nạn Đường sắt
Tóm tắt
Trong thiết kế, phát triển và vận hành hệ thống vận tải đường sắt, tất cả các bên liên quan đều sử dụng một hoặc nhiều phương pháp an toàn để xác định các tình huống nguy hiểm, nguyên nhân của các mối nguy hiểm, các tai nạn tiềm ẩn và mức độ nghiêm trọng của các hậu quả có thể xảy ra. Mục tiêu chính là biện minh và đảm bảo rằng kiến trúc thiết kế của hệ thống vận tải là an toàn và không gây ra bất kỳ rủi ro đặc biệt nào cho người sử dụng hoặc môi trường. Trong quá trình chứng nhận này, các chuyên gia trong lĩnh vực có trách nhiệm xem xét an toàn của hệ thống và được huy động để hình dung ra các kịch bản tai nạn tiềm ẩn mới nhằm đảm bảo tính đầy đủ của các nghiên cứu an toàn. Một trong những khó khăn trong quá trình này là xác định các kịch bản bất thường có thể dẫn đến một tai nạn tiềm ẩn cụ thể. Đây là điểm cơ bản đã thúc đẩy nghiên cứu hiện tại, với mục tiêu phát triển các công cụ hỗ trợ các chuyên gia chứng nhận trong nhiệm vụ quan trọng của họ về phân tích và đánh giá an toàn đường sắt. Tuy nhiên, loại cách suy luận (suy diễn, suy luận logic, bằng phép tương tự, v.v.) mà các chuyên gia chứng nhận sử dụng, cũng như bản chất chính của kiến thức được thao tác trong quy trình chứng nhận này (biểu tượng, chủ quan, tiến hóa, thực nghiệm, v.v.) lý giải rằng các giải pháp máy tính thông thường không thể được áp dụng; việc sử dụng các phương pháp và kỹ thuật trí tuệ nhân tạo (AI) giúp hiểu vấn đề phân tích an toàn và chứng nhận các hệ thống có nguy cơ cao như hệ thống vận tải đường sắt có hướng dẫn. Để hỗ trợ các chuyên gia trong quá trình phức tạp này của việc đánh giá các nghiên cứu an toàn, chúng tôi đã quyết định sử dụng các kỹ thuật AI và đặc biệt là học máy để hệ thống hóa, hợp lý hóa và củng cố các cách tiếp cận thông thường được sử dụng cho phân tích an toàn và chứng nhận.
Từ khóa
Tài liệu tham khảo
CENELEC—EN 50129 (2003) Railway applications—communication, signaling and processing systems—safety related electronic systems for signaling
Hadj-Mabrouk H (2017) Preliminary hazard analysis (PHA): new hybrid approach to railway risk analysis. Int Refereed J Eng Sci 6(2):51–58
Hadj-Mabrouk H (2019) Contribution of artificial intelligence and machine learning to the assessment of the safety of critical software used in railway transport. AIMS Electron Electr Eng 3(1):33–70. https://doi.org/10.3934/ElectrEng.2019.1.33
Villemeur A (1988) Sûreté de fonctionnement des systèmes industriels, Paris, Eyrolles, coll. «Collection de la direction des études et recherches d’Électricité de France», juillet 1988, ISSN: 0399-4198
Hadj-Mabrouk H (2016) Machine learning from experience feedback on accidents in transport. In: 7th International conference on sciences of electronics, technologies of information and telecommunications, 18–20 Dec. 2016, https://doi.org/10.1109/setit.2016.7939874, pp 246–251, http://ieeexplore.ieee.org/document/7939874/
Hadj-Mabrouk H (2017) Contribution of learning Charade system of rules for the prevention of rail accidents. J Intell Decis Technol 11(4):477–485. https://doi.org/10.3233/idt-170304
Hadj-Mabrouk H (2019) A hybrid approach for the prevention of railway accidents based on artificial intelligence. In: P. Vasant et al (eds) Intelligent computing & optimization (ICO 2018). Chapter: 41, advances in intelligent systems and computing (AISC), vol 866. Springer, Berlin, pp 383–394. https://doi.org/10.1007/978-3-030-00979-3_41
Aussenac G, Gandon F (2013) From the knowledge acquisition bottleneck to the knowledge acquisition overflow: a brief French history of knowledge acquisition. Int J Hum Comput Stud 71(2):157–165
Gaines BR (2012) Knowledge acquisition: past, present, and future. Int J Hum Comput Stud 71(2):135–156. https://doi.org/10.1016/j.ijhcs.2012.10.010
Dieng R (1990) Méthodes et outils d’acquisition des connaissances, ERGO IA90, Biarritz, France, 19 à 21 septembre
Kodratoff Y (1986) Leçons d’apprentissage symbolique automatique. Cepadues éd, Toulouse, France
Ganascia J-G (1987) Agape et Charade: deux mécanismes d’apprentissage symbolique appliqués à la construction de bases de connaissances. Thèse d’État, Université Paris-sud, France
Ganascia J-G (2011) Logical induction, machine learning and human creativity. In: Switching codes. University of Chicago Press, ISBN 978022603830
Michalski R-S, Wojtusiak J (2012) Reasoning with missing, not-applicable and irrelevant meta-values in concept learning and pattern discovery. J Intell Inf Syst 39(1):141–166
Jamal S, Goyal S, Grover A, Shanker A (2018) Machine learning: What, why, and how? In: Shanker A (eds) Bioinformatics: sequences, structures, phylogeny. Springer, Singapore. https://doi.org/10.1007/978-981-13-1562-6_16
Bergmeir C, Sáinz G, Martínez Bertrand C, Benítez JM (2013) A study on the use of machine learning methods for incidence prediction in high-speed train tracks. In: Ali M, Bosse T, Hindriks KV, Hoogendoorn M, Jonker CM, Treur J (eds) Recent trends in applied artificial intelligence (IEA/AIE 2013). Lecture notes in computer science, vol 7906. Springer, Berlin
Fay A (2000) A fuzzy knowledge-based system for railway traffic control. Eng Appl Artif Intell 13(6):719–729. https://doi.org/10.1016/S0952-1976(00)00027-0
Santur Y, Karaköse M, Akin E (2017) A new rail inspection method based on deep learning using laser cameras. In: International artificial intelligence and data processing symposium (IDAP). https://doi.org/10.1109/idap.2017.8090245
Faghih-Roohi S, Hajizadeh S, Núñez A, Babuska R, De Schutter B (2016) Deep convolutional neural networks for detection of rail surface defects. In: International joint conference on neural networks (IJCNN), 24–29 July 2016, Canada. https://doi.org/10.1109/ijcnn.2016.7727522
Ghofrania F, He Q, Goverde R, Liud X (2018) Recent applications of big data analytics in railway transportation systems: a survey. Transp Res C Emerg Technol 90:226–246. https://doi.org/10.1016/j.trc.2018.03.010
Thaduri A, Galar D, Kumar U (2015) Railway assets: a potential domain for big data analytics. Procedia Comput Sci 53:457–467. https://doi.org/10.1016/j.procs.2015.07.323
Nii Attoh-Okine (2014) Big data challenges in railway engineering. In: IEEE international conference on big data (big data), Washington, DC, USA. https://doi.org/10.1109/bigdata.2014.7004424
Hughes P (2018) Making the railway safer with big data, 30.01.18. http://www.railtechnologymagazine.com/Comment/making-the-railway-safer-with-big-data
Hayward V (2018) Big data & the digital railway. https://on-trac.co.uk/big-data-digital-railway
Marr B (2017) How Siemens is using big data and IoT to build the internet of trains, May 30, 2017. https://www.forbes.com/sites/bernardmarr/2017/05/30/how-siemens-is-using-big-data-and-iot-to-build-the-internet-of-trains/#2b7a4b6e72b8
Quinlan JR (1986) Induction of decision trees. Mach Learn 1:81–106
Hadj-Mabrouk H (2018) New approach of assessing human errors in railways. Trans VSB Tech Univ Ostrava Saf Eng Ser 13(2):1–17. https://doi.org/10.2478/tvsbses-2018-0007