These Bouchiba Anass

Année 2013
N° 1237
EM
I
EVALUATION DE DYSFONCTIONNEMENT
D’UN SYSTEME PAR APPROCHE
BAYESIENNE : CAS DU SYSTEME
FERROVIAIRE
THESE DE DOCTORAT
Spécialité : Sciences de l’Ingénieur
tel-00842756, version 1 - 9 Jul 2013
ECOLE DOCTORALE D’ANGERS

ECOLE DOCTORALE DE l’EMI
Présentée et soutenue publiquement

Le 22 Janvier 2013
A l’Institut des Sciences et Techniques de l’Ingénieur d’Angers
Par Anass BOUCHIBA
Devant le jury ci-dessous:
Mohamed TKIOUAT Président/Examinateur Professeur à l’EMI/Université Mohamed V-RABAT

Benoit IUNG, Rapporteur Professeur à l’Université de Lorraine-Nancy
Houda EL OUFIR Rapporteur Professeur à l’EST/Université Mohamed V-RABAT
Mihaela BARREAU Co-Encadrante MCF/HDR à l’ISTIA/Université d’Angers
Abdessamad KOBI Directeur de Thèse Professeur à l’ISTIA/Université d’Angers
Abdelghani CHERKAOUI Directeur de Thèse Professeur à l’EMI/Université Mohamed V-RABAT
Moha KHADDOUR Invité Directeur du Pôle Sécurité et Contrôle de l’O.N.C.F
Noureddine HMIDANI Invité Directeur Technique de la Société de Tramway
Rabat/Salé (S.T.R.S)
Laboratoire en Sûreté de fonctionnement, Qualité et Organisation

62, avenue Notre Dame du Lac
49000 ANGERS
Laboratoire du Génie Industriel de l’Ecole Mohammadia d’Ingénieurs (IMOSYS)

Avenue Ibn Sina B.P 765 Agdal Rabat Maroc
Remerciements
Le travail de recherche présenté dans ce mémoire a été effectué au sein de
deux laboratoires : le Laboratoire en Sûreté de fonctionnement, Qualité et Organisation
(LASQUO) de l'Université d'Angers et le laboratoire du Génie Industriel de l’Ecole
Mohammadia d’Ingénieurs (EMI) de l’Université Mohammed V à Rabat.
Ce travail a été aussi accompli en collaboration avec l’Office National des

Chemins de Fer (O.N.C.F) chargé de l’exploitation du réseau ferroviaire au Maroc, et la
Société du Tramway de Rabat/Salé (S.T.R.S), chargée de l’exploitation des lignes du
tel-00842756, version 1 - 9 Jul 2013
Tramway dans les deux villes Rabat et Salé.
Je tiens à exprimer toute ma gratitude à M. Abdessamad KOBI, Professeur à

l'Université d'Angers, et M. Abdelghani CHERKAOUI, Professeur à l’EMI pour avoir
assuré la direction de mes travaux et pour la qualité de leur encadrement. Tout au long
de ces années de thèse, ils ont su m’apporter leur expérience, leur soutien et leur
disponibilité qui ont permis la réussite de ce travail. Ils m’ont aussi témoigné de leur
patience, confiance et optimisme qui m'ont permis d'avancer sur ma recherche dans de
bonnes conditions, malgré les contraintes liées à mon travail dans le secteur privé de
l’ingénierie.
J'adresse également mes remerciements à Mme Mihaela BARREAU, Maître

de Conférences Habilité à Diriger des Recherches de l’Université d'Angers, Co-
encadrante de cette thèse, pour son aide et sa disponibilité.
Je remercie aussi M. Benoit IUNG, Professeur à Université de Lorraine,

Nancy, pour avoir accepté d’étudier mes travaux avec beaucoup d’intérêt et d'être
rapporteur de ma thèse.
J’adresse mes vifs remerciements à Mme Houda EL OUFIR, Professeur à

l’Ecole Supérieure de Technologie (EST) de l’Université Mohamed V, pour avoir accepté
de rapporter mon mémoire et pour l’intérêt qu’elle a bien voulu porter à ce travail.
J’exprime ma profonde gratitude à M. Mohamed TKIOUAT, Professeur au
Génie Industriel de l’EMI de Rabat, qui m’a fait l’honneur d’avoir accepté de prendre
part au jury et d’être examinateur de ce mémoire de thèse.
Je tiens à remercier aussi Mme Najiba SBIHI, Professeur au Génie Industriel

de l’EMI de Rabat et responsable de l’UFR pour sa confiance, son encouragement et
aussi pour l’intérêt qu’elle a porté à mes travaux de recherche.
Un grand merci à M. Moha KHADDOUR, Inspecteur Général Sécurité de

l’Office National des Chemins de Fer (ONCF) et M. Noureddine HMIDANI, Directeur
Technique de la Société de Tramway Rabat/Salé (STRS), de m’avoir accueilli au sein de
leurs organismes et d’avoir participé à la réalisation de ce travail par les échanges et
discussions constructives, et par la mise à ma disposition des données de Retour
tel-00842756, version 1 - 9 Jul 2013
d’EXpérience relatives aux incidents survenus aux Passages à Niveau et Tramway.
Mes remerciements vont à tout le personnel des deux laboratoires LASQUO et

Génie Industriel de l’EMI qui m’ont accueilli durant ces années de thèse. L’ambiance
chaleureuse est propice à un travail efficace.
Je remercie particulièrement ma famille pour la compréhension des impératifs

qu’entraîne un tel travail, et pour leur encouragement et leur soutien moral. Un grand
remerciement s’adresse à mon frère Moncif qui a su gérer pendant mes absences
fréquentes lors de mes déplacements à l’Université d’Angers, toutes mes obligations
familiales et professionnelles.
Je voudrais rendre hommage à tous ceux qui, de près ou de loin, à leur

manière m’ont aidé à mener à bien cette thèse.
J’exprime enfin toute mon affection à mes deux enfants Malak et Samy, à qui
je n’ai pas pu consacrer beaucoup de temps durant cette période d’études, je leur dédie ce
mémoire.
Table des matières
Table des matières
Introduction générale.............................................................................. 1
Chapitre I : La Sûreté de Fonctionnement des systèmes
I.1. Introduction................................................................................... 8
tel-00842756, version 1 - 9 Jul 2013
I.2. Notion de système ........................................................................... 8
I.2.1.Complexité du système ............................................................................. 8

I.2.2.Vue structurelle ou statique ..................................................................... 10
I.2.3.Vue temporelle ou dynamique................................................................. 10
I.2.4.Approche systémique et ingénierie système.............................................. 11
I.3. Performance d’un système ................................................................13
I.3.1.Définition ............................................................................................... 13
I.3.2.Mesure et évaluation............................................................................... 14
I.4. La sûreté de fonctionnement dans l’évaluation de la performance du système15
I.4.1.Définition de la Sûreté de Fonctionnement .............................................. 15

I.4.2.Composantes de la SdF........................................................................... 16
I.4.2.1.Fiabilité ....................................................................................... 16
I.4.2.2.Maintenabilité.............................................................................. 16
I.4.2.3.Disponibilité ................................................................................ 17
I.4.2.4.Sécurité........................................................................................ 17
I.4.2.5.Durabilité .................................................................................... 17
I.4.3.Métriques de la Sûreté de Fonctionnement .............................................. 17
I.4.4.Analyse de la Sûreté de Fonctionnement ................................................. 18
I.5. Les approches de Sûreté de Fonctionnement .........................................20
i
Table des matières
I.5.1.Approches qualitatives ou quantitatives ................................................... 20

I.5.2.Approches inductives ou déductives ........................................................ 21
I.5.3.Approches statiques/dynamiques ............................................................ 21
I.6. L’analyse et la modélisation fonctionnelle ............................................22
I.6.1.Acquisition des informations................................................................... 22

I.6.2.Méthodes fonctionnelles ......................................................................... 23
I.6.3.Méthodes statistiques .............................................................................. 27
I.6.4.Méthodes de simulation .......................................................................... 27
I.7. L’analyse de dysfonctionnement ........................................................27
tel-00842756, version 1 - 9 Jul 2013
I.7.1.AMDEC ................................................................................................ 28
I.7.2.Analyse Préliminaire des Risques (APR) ................................................. 32
I.7.3.HAZOP (Hazard and operability) ........................................................... 34
I.7.4.Arbre de fautes (AF) ou Arbre de Défaillance (AdD) ............................... 36
I.7.5.Analyse par Arbre d’Évènements ............................................................ 38
I.7.6.Diagramme de Fiabilité (DF) .................................................................. 40
I.8. L’analyse de dysfonctionnement par les outils de la théorie stochastique ......40
I.8.1.Outils de calculs probabilistes.................................................................. 41

I.8.2.Réseaux Bayésiens .................................................................................. 41
I.8.3.Réseaux de Petri stochastiques ................................................................ 42
I.8.4.Graphes de Markov ................................................................................ 45
I.8.5.Simulation de Monte-Carlo ..................................................................... 47
I.9. Conclusion ...................................................................................48
Chapitre II : Sûreté ferroviaire au niveau du Passage à Niveau: Problématique et état

de l’art
II.1. Introduction..................................................................................50
II.2. Les modèles de risques de sûreté ferroviaire ..........................................51
II.2.1.Données requises pour la modélisation................................................... 51
ii
Table des matières
II.2.2.Importance du comportement humain ................................................... 52

II.2.3.Le modèle de risque SELCAT ............................................................... 54
II.2.4.Modèle du risque collision par réseau de Petri Stochastiques (RdPS)....... 59
II.2.4.1.Modélisation du côté ferroviaire.................................................. 60
II.2.4.2.Modélisation du côté routier ....................................................... 60
II.2.4.3.Modélisation du système de protection du PN ............................. 61
II.2.4.4.Modélisation du système global................................................... 62
II.2.4.5.Dynamique du modèle................................................................ 62
II.2.4.6.Simulation du risque collision ..................................................... 63
tel-00842756, version 1 - 9 Jul 2013
II.2.5.Approche d’évaluation du Passage à Niveau par analyse fonctionnelle.... 64

II.2.6.Autres approches ................................................................................... 67
II.3. Conclusion et discussion sur les limites des modèles ...............................70
II.4. Proposition d’une approche fondée sur le Retour d’Expérience et l’approche
Bayésienne ..........................................................................................72
Chapitre III : Sûreté de Fonctionnement des Passages à Niveau ONCF
III.1. Introduction ...............................................................................77

III.2. Notions du risque .........................................................................78
III.2.1.Notion de gravité ................................................................................. 78
III.2.2.Notion de fréquence d’occurrence......................................................... 79
III.2.3.Notion de fréquence d’éxposition.......................................................... 79
III.2.4.Classification du risque......................................................................... 80
III.2.4.1.Risque négligeable..................................................................... 80
III.2.4.2.Risque acceptable ...................................................................... 81
III.2.4.3.Risque Tolérable ....................................................................... 81
III.2.4.4.Risque indésirable ..................................................................... 81
III.2.4.5.Risque résiduel .......................................................................... 81
III.3. Définition de l’analyse des risques....................................................81
III.3.1.Démarche de l’analyse des risques ........................................................ 82
iii
Table des matières
III.3.2.Méthodes de l’analyse des risques ......................................................... 86

III.4. Les facteurs influençant la sécurité d’un système..................................88
III.4.1.Les facteurs génériques ......................................................................... 89
III.4.2.Les facteurs spécifiques du domaine d'activité ....................................... 89
III.4.3.Les facteurs du comportement humain.................................................. 89
III.5. Système de gestion de la sécurité de l’ONCF.......................................90
III.6. Analyse des risques à l’ONCF .........................................................94
III.6.1.Evaluation des risques au niveau de l’ONCF......................................... 94
III.7. Les Passage à Niveau de l’ONCF .....................................................95
tel-00842756, version 1 - 9 Jul 2013
III.7.1.Classement des PN............................................................................... 96

III.7.2.Passage à Niveau pour piétons et particuliers ....................................... 98
III.8. Analyse des risques des Passage à Niveau ONCF .................................99
III.8.1.Risques identifiés.................................................................................. 99
III.8.2.Amélioration de l’évaluation des risques adoptée par l’ONCF ............. 101
III.9. Conclusion ............................................................................... 102
Chapitre IV: Les Réseaux Bayésiens
IV.1. Généralités............................................................................... 106

IV.2. Structure du Réseau Bayésien (RB) ................................................. 107
IV.3. Théorème de Bayes..................................................................... 108
IV.4. Notion de causalité et relations entre les noeuds ................................ 109
IV.4.1.Cas de deux variables discrète ............................................................. 109
IV.4.2.Cas de deux variables discrète et continue ........................................... 110
IV.5. Calculs d’inférences dans un Réseau Bayésien ................................... 111
IV.6. Exemples de Réseau Bayésien ....................................................... 112
IV.6.1.Exemple 1 : machine dans un atelier ................................................... 112
IV.6.2.Exemple 2 : Détection de fraude d’une carte bancaire .......................... 115
IV.7. Les approches d’apprentissage des Réseaux Bayésiens ......................... 119
iv
Table des matières
IV.7.1.Apprentissage des paramètres ..................................................................... 120

IV.7.1.1.Apprentissage des paramètres avec une base de données
complète............................................................................................... 120
IV.7.1.2.Apprentissage des paramètres avec une Base de Données
incomplète............................................................................................ 121
IV.7.2.Apprentissage de la structure du graphe avec des données complètes ... 122
IV.7.2.1.Algorithmes basés sur la recherche d’indépendances
conditionnelles ..................................................................................... 123
IV.7.2.2.Algorithmes basés sur un score ................................................ 124
IV.7.3.Apprentissage de la structure du graphe avec des données incomplètes 125
tel-00842756, version 1 - 9 Jul 2013
IV.8. Les Réseaux Bayésiens dynamiques ................................................ 126

IV.9. Diagramme d’influence ............................................................... 127
IV.10. Conclusion ............................................................................... 129
Chapitre V : Le Modèle Bayésien d’évaluation du risque collision au niveau du PN
V.1. Analyse fonctionnelle du système Passage à Niveau .............................. 133

V.2. Analyse de dysfonctionnement du système Passage à Niveau................... 134
V.3. Structure du Réseau Bayésien à partir de l’Arbre de Fautes. .................... 137
V.3.1.Conditions pour une mutation de l’AF au RB....................................... 137
V.3.2.Limites constatées de l’AF dans l’analyse du risque collision ................ 139
V.4. Base de données des Incidents des PN................................................ 141
V.4.1.Acquisition de la base de donnée des incidents PN ............................... 141
V.4.2.Revue des statistiques sur les incidents aux PN ..................................... 142
I.4.2.1.Emplacement............................................................................. 142
I.4.2.2.Type et fonction des véhicules en cause ...................................... 142
I.4.2.3.Signalisation et systèmes d’avertissement.................................... 143
I.4.2.4.Statistiques annuelles et conditions temporelles........................... 143
V.4.3.Retour d’Expérience (REX) des incidents PN ....................................... 144
V.4.4.Traitement et exploitation des données des incidents PN ...................... 146
v
Table des matières
V.5. Modèle bayésien des incidents aux PN ONCF ..................................... 147

V.5.1.Les différents types de noeuds .............................................................. 147
V.5.2.Apprentissage de la structure................................................................ 148
V.6. Simulations sur le modèle Bayésien................................................... 150
V.6.1.Simulation n°1 : PN gardés 100%......................................................... 150
V.6.2.Simulation n°2 : Signalisation, Viabilité, Visibilité 100% ...................... 152
V.6.3.Simulation n°3 : Imprudence 0%.......................................................... 154
V.6.4.Simulation n°4 : Erreurs humaines 0% ................................................. 155
V.7. Validation du modèle établi ............................................................ 156
tel-00842756, version 1 - 9 Jul 2013
V.8. Conclusions ................................................................................ 161
Chapitre VI : Le Modèle Bayésien d’évaluation du risque accident au niveau du

TRAMWAY Rabat/Salé
VI.1. Présentation du Tramway RABAT/SALE ....................................... 165

VI.1.1.Introduction ....................................................................................... 165
VI.1.2.Le réseau du Tramway de Rabat/Salé................................................. 166
VI.1.2.1.Les lignes du Tramway............................................................ 167
VI.1.2.2.Les stations du Tramway ......................................................... 168
VI.1.2.3.L’aménagement de la plateforme du Tramway ......................... 169
VI.1.2.4.Qualité urbaine et environnementale du Tramway. .................. 169
VI.2. Analyse des accidents du Tramway................................................. 170
VI.2.1.Les champs de la base de données....................................................... 171
VI.2.2.Analyse des statistiques des accidents du Tramway ............................. 173
VI.2.2.1.Emplacements......................................................................... 173
VI.2.2.2.Type des tiers en cause............................................................. 175
VI.2.2.3.Statistiques mensuelles des accidents........................................ 175
VI.2.2.4.Gravité des accidents survenus................................................. 176
VI.2.2.5.Répartition des accidents par lignes.......................................... 176
VI.2.2.6.Répartition des accidents par type de voie ................................ 177
vi
Table des matières
VI.2.2.7.Répartition des accidents par heure de journée ......................... 177

VI.2.3.Revue et exploitation de la base de donnée Tramway .......................... 178
VI.3. Modèle bayésien des accidents Tramway.......................................... 180
VI.3.1.Les différents types de noeuds............................................................. 180
VI.3.2.Apprentissage de la structure .............................................................. 181
VI.4. Simulations sur le modèle Bayésien ................................................ 183
VI.4.1.Simulation n°1 : Evitabilité des accidents par le conducteur du Tramway
améliorée à 80% ........................................................................................... 183
VI.4.2.Simulation n°2 : Respect du code de la route 100% par les tiers............ 185
tel-00842756, version 1 - 9 Jul 2013
VI.4.3.Simulation n°3 : Visibilité bonne à 100%............................................. 186

VI.4.4.Simulation n°4 : Evitabilité des accidents 80% et 50% des accidents de types
corporel 1 et matériel 1.................................................................................. 187
VI.5. Conclusion ............................................................................... 189
Conclusions....................................................................................... 191
Bibliographie ..................................................................................... 194
vii
Liste des figures
Liste des figures
Chapitre I
Fig.1 Système compliqué et système complexe

Fig.2 Mesures et pilotage de la performance
Fig.3 Durées moyennes associées à la Sûreté de Fonctionnement
Fig.4 Analyse de sûreté de fonctionnement
Fig.5 Description d’un système
tel-00842756, version 1 - 9 Jul 2013
Fig.6 Diagramme bête à corne

Fig.7 Diagramme de pieuvre
Fig.8 Bloc Diagramme Fonctionnel
Fig.9 Analyse de dysfonctionnement
Fig.10 Organigramme de la méthode AMDE (NF EN 60812)
Fig.11 Logigramme de l’étude des déviations HAZOP
Fig.12 Exemple d’Arbre de Défaillance
Fig.13 Arbre d’événement « tuyau de gaz arraché »
Fig.14 Diagramme de fiabilité
Fig.15 Outils de la théorie stochastique
Fig.16 Exemple de Réseau Bayésien
Fig.17 Exemple de réseau de Petri
Fig.18 Exemple de modèle de Markov
Chapitre II
Fig.1 Répartition des causes des accidents au niveau des Passages à Niveau en GB
Fig.2 Niveaux de détails des modèles de risques des PN (SELCAT)
Fig.3 Illustration des trois composantes du modèle de risque des PN SELCAT
Fig.4 Arbre de cause des accidents au niveau du PN type AHB
Fig.5 Modèle élémentaire Rdp du côté ferroviaire
Fig.6 Modèle élémentaire Rdp du côté routier
Fig.7 Modèle élémentaire du système de protection du PN
Fig.8 Modèle global du système PN avec Rdp
Fig.9 Résultats du modèle Rdp du PN pour N=6
Fig.10. Analyse fonctionnelle du Passage à Niveau
Fig.11 Analyse fonctionnelle du PN type AHB sans détecteur d’obstacle
Fig.12 Analyse fonctionnelle du PN type AHB avec détecteur d’obstacle
Fig.13 Profils des vitesses moyennes d’approches du PN
Fig.14 Schéma du modèle de risque du système ferroviaire sous Réseau Bayésien
Fig.15 Schéma du modèle de risque du PN sous Réseau Bayésien
viii
Liste des figures
Chapitre III
Fig.1 Classification des risques

Fig.2 Zone ALARP
Fig.3 Méthodes d’analyses des risques qualitatives
Fig.4 Facteurs d'influence humains du risque ferroviaire [EN50126]
Fig.5 Roue de Deming d’amélioration continue
Fig.6 Architecture du système de gestion de la sécurité ferroviaire de l’ONCF
Fig.7 Processus « Gestion des Risques »
Fig.8 Principe de l’évaluation des risques adopté par l’ONCF
Chapitre IV

tel-00842756, version 1 - 9 Jul 2013
Fig.2 Réseau Bayésien classique avec observation « machine en arrêt »

Fig.3 Réseau Bayésien classique avec observation «P (panne de courant)=0.5 »
Fig.5 Inférence du graphe du Réseau Bayésien pour détecter la fraude par carte de crédit
Fig.6 Inférence du graphe du Réseau Bayésien suite observation Age = 30-50,
Sex = Homme, Achat Bijoux = Oui.
Fig.7 Réseau Bayésien dynamique
Fig.8 Diagramme d’influence sous Réseau Bayésien
Chapitre V
Fig.1 Décomposition fonctionnelle du système PN

Fig.2 Système d’évaluation du type d’incident au niveau du PN
Fig.3 Arbre de Faute du risque collision au PN
Fig.4 Transformation depuis l’Arbre de Fautes (AF) au réseau Bayésien (RB)
Fig.5 Présentation des portes logiques OU et ET dans l’AF et le RB
Fig.6 Répartition des incidents par type de véhicule (2000 à 2008)
Fig.7 Collisions annuelles (2000 à 2008)
Fig.8 Répartition des collisions par mois (2000 à 2008)
Fig.9 Structure par apprentissage du Réseau Bayésien des incidents PN
Fig.10 Réaffectation des associations du Réseau Bayésien des incidents PN
Fig.11 Résultats de l’apprentissage du Réseau Bayesian des incidents PN ONCF (217 incidents)
Fig.12 Définition du nœud cible "Type Incidents» et simulation PN gardés 100%
Fig.13 Estimation des incidents PN (127) suite à la simulation des PN gardés 100%
Fig.14 Nœuds signalisation conforme 100%, viabilité bonne 100%, visibilité bonne 100% et
imprudence 0%
Fig15. Résultat de l’inférence du graphe causal après simulation signalisation conforme 100%,
viabilité bonne 100%, visibilité bonne 100% et imprudence 0%
Fig. 16 Résultats de l’inférence du graphe causal après simulation de l’imprudence 0%
Fig. 17 Résultats de l’inférence du graphe causal après simulation de l’imprudence 0%
Fig. 18 Résultats de l’inférence du graphe causal après simulation de l’imprudence 0%, accident
0%, et pannes 0%
Fig.19 Résultats de l’inférence du graphe causal de la base de données 2007
Fig.20 Résultats de l’inférence du graphe causal de la base de données 2008
Fig.21 Reproduction des mêmes états des modalités des nœuds du modèle RB (2008)
ix
Liste des figures
Fig.22 Simulation des modalités du nœud ‘type incident’ dans le modèle RB (2007)
Chapitre VI
Fig.1 Répartition du budget de lancement du Tramway Rabat/Salé

Fig.2 Répartition géographique des deux lignes du Tramway Rabat/Salé
Fig.3 Plan des deux lignes L1 et L2 du Tramway Rabat/Salé
Fig.4 Caractéristiques du réseau du Tramway Rabat/Salé
Fig.5 Répartition des collisions par mois (2011 à mai 2012)
Fig.6 Répartition des accidents par type de tiers (juin 2011 à mai 2012)
Fig.7 Statistiques des accidents mensuels (juin 2011 à mai 2012)
Fig.8 Répartition des accidents par gravité (juin 2011 à mai 2012)
Fig.9 Répartition des accidents par ligne (juin 2011 à mai 2012)
tel-00842756, version 1 - 9 Jul 2013
Fig.10 Répartition des accidents par voie (juin 2011 à mai 2012)
Fig.11 Répartition des accidents par heure de journée (juin 2011 à mai 2012)
Fig.12 Système d’évaluation du type d’accident avec le Tramway
Fig.13 Structure par apprentissage du Réseau Bayésien des accidents du Tramway
Fig.14 Réaffectation des associations du Réseau Bayésien des accidents du Tramway
Fig.15 Résultats de l’apprentissage du Réseau Bayesian des accidents Tramway
Fig.16 Simulation évitabilité des accidents par le conducteur du Tramway améliorée à 80%
Fig.17 Résultats de l’inférence du graphe causal après simulation évitabilité 80%
Fig.18 Nœud comportement tiers avec 100% respect du code de la route
Fig.19 Résultats de l’inférence du graphe causal après simulation non respect du code 0%
Fig.20 Simulation visibilité bonne à 100%
Fig.21 Résultats de l’inférence du graphe causal après simulation de la visibilité bonne à 100%
Fig.22 Simulation de l’évitabilité 80%, accidents C1 50% et accidents M1 50%
Fig.23 Résultats de l’inférence du graphe causal après simulation de l’évitabilité 80%, accidents
C1 50% et accidents M1 50%
x
Liste des tableaux
Liste des tableaux

Chapitre I
Tab.1 : Tableau d’analyse fonctionnel

Tab.2 : Tableau AMDEC
Tab.3 : Exemple de cotation de 1 à 4 pour une analyse AMDEC
Tab.4 : Tableau type de la méthode APR
Chapitre II
tel-00842756, version 1 - 9 Jul 2013
Tab.1 : Objectifs fournis par les différents niveaux du modèle SELCAT
Chapitre III
Tab.1 : Echelles de gravité selon la norme NF EN 50126

Tab.2 : Echelles de fréquence d’occurrence selon la norme NF EN 50126
Tab.3 : Matrice Gravité/Occurrence selon la norme NF EN 50126
Tab.4 : Définition des niveaux de SIL
Tab.5 : Classification des gravités des risques
Tab.6 : Exemple de classification de gravité pour les risques ONCF
Tab.7 : Exemple de liste de classement des PN
Chapitre IV
Tab.1 : Table de probabilité conditionnelle avec nœud et parent discrets

Tab.2 : Table de probabilité conditionnelle avec nœud continu et parent discret
Tab.3 : Algorithmes d’apprentissage en fonction de la structure et l’observabilité
Tab.4 : Nombre de GDA existants en fonction du nombre de nœuds
Chapitre V
Tab.1 : Base de données brute des Incidents PN

Tab.2 : Extrait de la nouvelle base de données (217 incidents entre 2007-2008)
Tab.3 : Caractéristiques des nœuds du Réseau Bayésien
Tab.4 : Valeurs simulées et calculées des probabilités des modalités ‘type d’incident’ dans les
modèles RB 2007 et RB 2008
Chapitre VI
Tab.1: Extrait de la base de données des accidents Tramway Rabat/Salé

Tab.2 : Extrait de la nouvelle base de données améliorée (juin 2011 à mai 2012)
Tab.3: Modalités des nœuds du Réseau Bayésien
xi
Liste des photos
Liste des photos
Chapitre II
Photo.1 Collision entre un train et un bus scolaire

Photo.2 Passage à Niveau automatique à demi-barrières
Chapitre III
tel-00842756, version 1 - 9 Jul 2013
Photo.1 Passage à Niveau non gardé

Photo.2 Passage à Niveau gardé
Photo.3 Ligne de visibilité restreinte
Photo.4 Passage à Niveau mal conçu
Photo.5 Zone de croisement dégradée
Chapitre IV
Photo.1 Tramway Rabat/Salé à la place AL JOULANE

Photo.2 Tracé latéral du Tramway
Photo.3 Croisement du Tramway avec les piétons
Photo.4 Collision du Tramway avec une voiture légère
Photo.5 Croisement du Tramway de type giratoire avec la route
xii
Introduction générale
Le transport par voie ferrée urbain et non urbain (tramway, train) fait l’objet
de développements de plus en plus importants au Maroc en raison de leur qualité de
transport de masse peu polluant, et des avantages qu’il procure : coût de transport à la
portée des voyageurs en comparaison avec le coût excessif des carburants et frais
d’acquisition et d’entretien des voitures, diminution de l’encombrement et de la pollution
automobile dans les villes, principalement dans les artères menant aux quartiers
administratifs, touristiques et industriels, mais aussi gain de temps de transport, vu que ce
mode de transport utilise une voie dédiée.
tel-00842756, version 1 - 9 Jul 2013
Les évolutions de technologie de ce mode de transport visent à assurer les

performances de rapidité, de possibilité de circulations hétérogènes (train à grande
vitesse, train marchandise, croisement avec les usagers de la route, etc.), mais aussi de
garantir la qualité de service attendue par les clients en termes de confort, proximité,
fréquence des trains, informations, etc.). Aussi, les concepteurs ont recours massivement
aux technologies innovantes pour répondre à ces besoins et aussi pour répondre aux
contraintes économiques liées à la mondialisation des marchés.
Ce développement de transport ferroviaire s’accompagne évidement d’une

amélioration continue de la sécurité, qui reste une des préoccupations principales dans ce
domaine de transport, où les accidents continuent à engendrer d’importants dégâts, et
causer un nombre élevé de victimes.
L’occurrence d’accidents peut entraîner une perte de confiance des utilisateurs

de ce mode de transport, et une mauvaise image de marque des organismes gérant ces
modes de transport vis à vis de l’opinion publique. Cette dernière refuse d’être exposée à
ces risques mortels en toute légitimité.
La maîtrise des risques de transport ferroviaire, implique d’une part

l’identification et la prévision des risques, et d’autre part, la réduction de ces risques en
agissant sur les moyens de diminution de leurs occurrences, leurs gravités, l’atténuation
de leurs conséquences grâce à des moyens d’évitement et de protection contre les risques.
1
Au Maroc, le réseau ferroviaire de l’Office National des Chemins de Fer

(ONCF) comporte plus de 521 Passages à Niveau (PN), soit une moyenne de 25 PN par
100 Km de voie ferrée, dont 80% environ ne sont pas gardés, et enregistre une dizaine de
collisions par an. Chaque année, l’ONCF en cofinancement avec quelques organismes et
les autorités locales, investit pour éliminer les Passages à Niveau les plus risqués. A cet
effet, l’ONCF a déployé un vaste programme de suppression de ces PN au cours de son
plan de développement et dont l’objectif est d’en réduire le nombre de 50% (256 PN) à
l’horizon 2025 et de 100% dans les agglomérations à forte densité.
Un autre réseau ferroviaire récemment mis en service dans la ville de Rabat,

est le Tramway. Ce réseau qui s’étend sur une longueur de 20 Km a été conçu pour
répondre à la demande en transport dans l’agglomération et contribuer à la résolution des
tel-00842756, version 1 - 9 Jul 2013
problèmes de fluidité du trafic, grâce à ce mode de transport propre, rapide, économique,

confortable et accessible. Le Tramway a pour objectif à terme de transporter au
minimum 60 millions de voyageurs par an en pleine exploitation.
L’insertion urbaine du Tramway n’a pas été sans effet sur la ville, les accidents
entre le Tramway et les usagers de la route qu’ils soient des piétons ou véhicules
continuent à avoir lieu, et on enregistre une dizaine d’accidents par mois de différentes
gravités.
Dans ce contexte, le présent travail vise à développer un outil d’évaluation et

d’analyse des risques au niveau des Passages à Niveau pour le réseau ferroviaire de
l’ONCF, et au niveau de l’emprise de passage du Tramway dans les deux villes, basé en
premier lieu sur une analyse fonctionnelle et dysfonctionnelle de ces deux systèmes, puis
amélioré par une modélisation du risque par Réseaux Bayésiens (RB).
En effet, l’approche Bayésienne dans l’évaluation des dysfonctionnements et la

quantification des risques encourus, constitue une approche dynamique d’analyse,
permettant ainsi la prise en compte des aspects comportemental et temporel du système
(événements liés au facteur humain ou matériel, événements aléatoires des accidents,
conséquences non maîtrisées des accidents etc.).
Cette approche Bayésienne basée sur les probabilités conditionnelles permet

d’établir une prévision à partir des données recueillies du passé REX (Retour
d’EXpériences). A cet effet, le modèle proposé nécessite comme données d’entrée la
2
connaissance parfaite du système étudié, résultant des études fonctionnelles et

dysfonctionnelles, ainsi que l’acquisition des données qui peuvent être soit de nature
événementielle sous forme brute: états, historiques des événements etc., soit sous forme
de lois mathématiques décrivant les fonctions de distribution des événements.
Le premier chapitre de ce présent rapport présente l’intérêt de la conception,

l’analyse et la maîtrise du fonctionnement des systèmes qui peuvent être complexes, sous
une approche systémique, dont l’un des grands avantages est la mise en évidence des
interactions arborescentes au sein du système qui traduisent son comportement. Nous
aborderons aussi dans ce chapitre et dans le cadre de l’ingénierie système, les différents
concepts d’analyse de sûreté de fonctionnement des systèmes dans le but d’améliorer
leurs performances.
tel-00842756, version 1 - 9 Jul 2013
Le deuxième chapitre aborde les modèles d’analyse de la sûreté ferroviaire, en

particulier au niveau des Passages à Niveau (PN). La plupart de ces approches d’analyse
ont concerné le développement des techniques de modélisation des risques, que ce soit
sous forme arborescente ou autre [SELC08] [Ghaz08] [Simo10] etc. Nous évoquerons
aussi dans ce chapitre quelques limites constatées de ces modèles à appréhender le
système dans sa globalité et tenir en compte de toutes les interactions entre ses
composantes, vu que ces modèles ont traités soit les aspects techniques et technologiques,
soit les aspects relevant de la composante humaine.
Pour comprendre la démarche de gestion de la sécurité ferroviaire, en

particulier au niveau de l’ONCF, nous présenterons dans le troisième chapitre, les
méthodes et outils adoptés par l’ONCF pour l’identification, l’évaluation et la maîtrise
des risques. Nous traiterons l’exemple des risques au niveau des Passages à Niveau, qui
reste l’endroit le plus dangereux dans le réseau ferroviaire, où les accidents continuent à
avoir lieu engendrant des dégâts matériels et humains. Nous présenterons finalement, et
pour mieux connaître le fonctionnement du PN, ses principales réglementations,
caractéristiques et définitions.
Pour souligner l’intérêt et les avantages que peut procurer notre modèle de
risque, le quatrième chapitre sera consacré à une présentation des Réseaux Bayésiens,
leurs principes, les calculs et méthodes d’inférence et d’apprentissage de leurs structures
et paramètres. Ces Réseaux Bayésiens peuvent à la fois représenter les relations de
3
dépendances entre un événement indisérable (la défaillance d’un système ou un accident)

et les causes de cet événement, ou aussi permettre la découverte par apprentissage, de
l'ensemble des relations probabilistes présentes dans les données de Retour d'EXpérience
si elles sont disponibles, permettant ainsi d'identifier les liens entre les facteurs de risque.
Dans le cinquième chapitre, et dans le cadre de l’analyse des risques au niveau

du Passages à Niveau, nous expliquerons également notre démarche d’analyse de
fonctionnement et de dysfonctionnement du PN. Nous expliquerons notre méthodologie
d’acquisition auprès de l’ONCF, des connaissances et informations relatives à la
sinistralité, pour construire une première base de données sur laquelle s’appuient la
modélisation et l’analyse proprement dite du système PN. Nous présenterons aussi notre
démarche pour transformer cette base de données brute en une base de données
tel-00842756, version 1 - 9 Jul 2013
exploitable par notre outil de modélisation par Réseaux Bayésiens. Nous justifierons
aussi le recours à l’approche Bayésienne comme outil stochastique de modélisation
complet et cohérent pour l’acquisition, la représentation et l’utilisation des connaissances
dans la construction du modèle permettant l’évaluation des risques au niveau du
croisement de la route et la voie ferrée.
Nous présenterons aussi dans ce chapitre, le modèle Bayésien construit du

risque collision au niveau du Passage à Niveau, ainsi que les différents résultats
d’inférences entre les nœuds du graphe. Nous allons mettre aussi des évidences ou des
observations, à travers différents cas de simulation des états des nœuds de notre modèle,
pour estimer l’impact de ces observations sur le risque redouté, qui est la collision. Cet
aspect fort de notre modèle à faire des prévisions par simulations à partir des données
recueillies du passé (REX), nous permettra d’évaluer quantitativement la pertinence de
quelques actions visant la réduction des accidents au droit des PN, et donc évaluer la
performance des actions sécurité à entreprendre (efficacité, efficience et effectivité).
Le sixième chapitre sera consacré à l’analyse des risques du système de

transport Tramway de Rabat/Salé. Ce nouveau cas d’étude et d’analyse par Réseaux
Bayésiens prendra en considération les particularités du Tramway, qui est un mode de
transport urbain, empruntant le même environnement de circulation que les voitures et
piétons.
4
En guise de conclusion, nous aborderons les apports scientifiques et

méthodologiques de notre modèle dans l’amélioration des performances des Passages à
Niveau, et la réduction des risques au niveau du Tramway, notamment :
le modèle de sûreté de fonctionnement et de performance des actions sécurité,
la connaissance des probabilités d’états ou d’occurrence d’événements au niveau

des PN et Tramway,
les éléments de stratégies de gestion de risques,
l’outil d’aide à la décision pour la détermination des actions prioritaires et

pertinentes,
Nous développerons également dans cette conclusion, quelques perspectives

tel-00842756, version 1 - 9 Jul 2013
de recherches visant à l’amélioration de la prise en compte de toutes les contraintes liées

à l’environnement du système PN et Tramway, notamment l’introduction du facteur coût
dans le modèle de risque.
5
Chapitre I. La Sûreté de Fonctionnement des systèmes
Chapitre I
La Sûreté de Fonctionnement des systèmes
Sommaire
I.1. Introduction ...................................................................................8

I.2. Notion de système............................................................................8
I.2.1.Complexité du système ............................................................................. 8
tel-00842756, version 1 - 9 Jul 2013
I.2.2.Vue structurelle ou statique ..................................................................... 10

I.2.3.Vue temporelle ou dynamique................................................................. 10
I.2.4.Approche systémique et ingénierie système.............................................. 11
I.3. Performance d’un système................................................................ 13
I.3.1.Définition............................................................................................... 13
I.3.2.Mesure et évaluation............................................................................... 14
I.4. La sûreté de fonctionnement dans l’évaluation de la performance du système15
I.4.1.Définition de la Sûreté de Fonctionnement.............................................. 15
I.4.2.Composantes de la SdF........................................................................... 16
I.4.2.1.Fiabilité ....................................................................................... 16
I.4.2.2.Maintenabilité ............................................................................. 16
I.4.2.3.Disponibilité ................................................................................ 17
I.4.2.4.Sécurité ....................................................................................... 17
I.4.2.5.Durabilité .................................................................................... 17
I.4.3.Métriques de la Sûreté de Fonctionnement .............................................. 17
I.4.4.Analyse de la Sûreté de Fonctionnement ................................................. 18
I.5. Les approches de Sûreté de Fonctionnement ......................................... 20
I.5.1.Approches qualitatives ou quantitatives ................................................... 20
I.5.2.Approches inductives ou déductives ........................................................ 21
I.5.3.Approches statiques/dynamiques............................................................ 21
6
I.6. L’analyse et la modélisation fonctionnelle............................................ 22

I.6.1.Acquisition des informations................................................................... 22
I.6.2.Méthodes fonctionnelles ......................................................................... 23
I.6.3.Méthodes statistiques .............................................................................. 27
I.6.4.Méthodes de simulation .......................................................................... 27
I.7. L’analyse de dysfonctionnement ........................................................ 27
I.7.1.AMDEC ................................................................................................ 28
I.7.2.Analyse Préliminaire des Risques (APR) ................................................. 32
I.7.3.HAZOP (Hazard and operability) ........................................................... 34
I.7.4.Arbre de fautes (AF) ou Arbre de Défaillance (AdD) ............................... 36
I.7.5.Analyse par Arbre d’Évènements ............................................................ 38
tel-00842756, version 1 - 9 Jul 2013
I.7.6.Diagramme de Fiabilité (DF) .................................................................. 40

I.8. L’analyse de dysfonctionnement par les outils de la théorie stochastique ..... 40
I.8.1.Outils de calculs probabilistes.................................................................. 41
I.8.2.Réseaux Bayésiens.................................................................................. 41
I.8.3.Réseaux de Petri stochastiques ................................................................ 42
I.8.4.Graphes de Markov ................................................................................ 45
I.8.5.Simulation de Monte-Carlo..................................................................... 47
I.9. Conclusion................................................................................... 48
7
I.1. Introduction
Les démarches d’analyse des systèmes et leur intégration dans leur

environnement se heurtent à leur complexité intrinsèque. Le comportement de ces
systèmes ou du moins d’une de ses parties est, dans la plupart des cas, imprévisible en
raison des dysfonctionnements pouvant affecter aléatoirement leurs constituants, mais
aussi des erreurs humaines des opérateurs en interaction avec le système.
L’approche systémique fournit une démarche méthodologique pour la

conception et la maîtrise du fonctionnement des systèmes qui peuvent être complexes.
tel-00842756, version 1 - 9 Jul 2013
La sureté de fonctionnement focalise sur l’analyse de défaillance du système.

Les différents concepts d’analyse de sûreté de fonctionnement des systèmes complexes
seront abordés dans ce chapitre dans le cadre de l’ingénierie système.
La maîtrise des risques dont les fondements reposent sur l’approche

systémique, s’attache à l’analyse et la gestion des différents modes de fonctionnement ou
de dysfonctionnement du système, qui peuvent affecter la sécurité des biens et des
personnes.
I.2. Notion de système

I.2.1. Complexité du système
De nombreuses définitions ont été données dans la littérature scientifique et
dans différents domaines pour établir la notion de système. [Vese81] présente un système
comme un « ensemble déterminé d’éléments discrets (composants, constituants)
interconnectés ou en interaction ».
Cette définition a l’avantage d’une certaine généricité et peut être étendue pour
exprimer la complexité du système. Formé d’éléments en interaction dynamique, un
système correspond à une portion d’entité réelle, définie par une frontière établie en
fonction d’un but, qui se distingue de son contexte ou de son milieu tout en procédant à
des échanges avec son environnement [Wall77].
Un système peut être considéré de plusieurs façons :
8
depuis son environnement, comme élément spécifique de type « boîte noire »

avec des entrées et des sorties qui permettent d’en étudier le fonctionnement,
de l’intérieur, par la mise en évidence :
de ses caractéristiques physiques (par décomposition organique en sous-

systèmes et composants),
de ses modes d’organisation (relationnelles, hiérarchiques, ...),
de ses propriétés (autonomie, robustesse, vulnérabilité, ...),
de son comportement (dynamique d’évolution, productivité, ...).
Plusieurs formes de classification qui guident les méthodes de modélisation en

résultent et s’appuient sur de nombreuses typologies et des caractéristiques de toutes
tel-00842756, version 1 - 9 Jul 2013
sortes issues des champs :
fonctionnels (ce que fait le système),
structurels (qui fait quoi dans le système),
comportementaux (comment évolue le système),
technologiques ou physiques (de quoi est fait le système).
Un système peut être complexe à cause de la nature des interactions entre les
éléments qui le composent.
La complexité est décrite de plusieurs façons, on retiendra la définition de

[Moig99] qui présente un tel système comme « un ensemble d’éléments en relation dont
les interactions font émerger de nouvelles propriétés qui ne figurent pas dans les éléments
eux-mêmes ».
Il faut encore faire la distinction entre système complexe et système

compliqué. S’il peut exister dans les deux cas un nombre élevé de composants, dans un
système compliqué, les relations entre les composants sont simples, de type arborescence
[Cler77]. De ce fait, le système est décomposable en éléments plus simples qui peuvent
être analysés séparément pour comprendre le système global (figure 1). Par contre, dans
un système complexe, les relations entre les composants qui le constituent comportent
des «boucles», le système est non décomposable sous peine d’altérer la compréhension.
9
Système compliqué Système complexe
Fig. 1 Système compliqué et système complexe

tel-00842756, version 1 - 9 Jul 2013
On distingue la complexité liée à l’architecture du système de celle propre aux

interférences entre composants ou avec l’environnement du système. En analyse de
système, cette double notion impose de considérer le système sur les plans structurels et
temporels.
I.2.2. Vue structurelle ou statique

La structure d’un système peut être définie de trois manières :
Fonctionnelle : résulte de la décomposition de ses fonctions

opérationnelles en une hiérarchie de sous fonctions.
Organique : consiste à définir le système par une décomposition

itérative des différentes hiérarchies de ses constituants jusqu’aux
composants physiques élémentaires.
Organisationnelle : consiste à déterminer ses modes d’organisation en

intégrant les aspects hiérarchiques et relationnels.
I.2.3. Vue temporelle ou dynamique

La dynamique du système caractérise à la fois son fonctionnement (par
exemple, la transformation des données d’entrée en données de sortie) et son évolution
(adaptation du système à la mission assurée ou à l’environnement).
Cette dynamique peut exister sous trois formes temporelles :
continue (variation de caractéristiques continues),

10
discrète à dates fixes,
discrète propre au système (observée à l’instant de discontinuités de

fonctionnement).
Cette dynamique fait apparaître la notion de boucle de pilotage du système.

Une partie des paramètres gouvernant le fonctionnement du système peut être utilisée
pour son pilotage. Le pilotage est fonction de l’évolution de paramètres propres au
système ou de certaines caractéristiques environnementales sur lesquelles il influe.
La notion de boucle de pilotage induit trois fonctions majeures :
la récupération d’informations à partir de capteurs correctement

positionnés,
tel-00842756, version 1 - 9 Jul 2013
la mesure de l’écart entre les paramètres courants et les paramètres à

atteindre (conduisant au calcul de facteurs de correction),
la régulation du système, réalisée par injection de nouveaux paramètres

déduits des facteurs de correction.
Le pilotage du système peut être effectué par anticipation ou interaction, le

système est alors contrôlé en boucle ouverte par des informations prises sur ses entrées.
Il peut aussi être régulé selon des principes de rétroaction, le système est alors
contrôlé en boucle fermée par des informations prises sur ses sorties.
I.2.4. Approche systémique et ingénierie système

Qualifiée de théorie du système général par [Moig94], la systémique et les
sciences dont elle dérive, reposent sur la notion de système qu’il convient de définir. La
définition de [Rosn75] semble être la plus satisfaisante : « un système est un ensemble
d’éléments en interaction dynamique, organisé en fonction d’un but ». La systémique
s’attache à comprendre un système complexe selon :
L’analyse globale du système plutôt que l’analyse des éléments du système pris
séparément.
La mise en évidence des interactions au sein du système qui traduisent le

comportement du système et ses arborescentes (relations hiérarchiques) ou
rétromettantes (relations de bouclage).
11
L’organisation du système en différentes parties qui évoluent et se

transforment pour atteindre un but qui leur est propre (notion de téléologie ou
télénomie). La conjonction de ces parties apporte de nouvelles propriétés au
système, dites propriétés émergentes, et permet la représentation du système en
plusieurs niveaux organisationnels (sous systèmes) dépendants les uns des
autres. Le système peut alors être structuré de manière organisationnelle et
fonctionnelle.
L’approche systémique vise donc à percevoir et comprendre les systèmes dans

leur complexité, leur dynamique et leur évolution.
La croissance de complexité des systèmes impliquerait souvent de considérer

le système dans une vue d’ensemble, ce qui est rarement possible. L’ingénierie système
tel-00842756, version 1 - 9 Jul 2013
préconise alors d’opérer un découpage conduisant à mener de front plusieurs démarches

d’étude (le système est décomposé en éléments) qui juxtaposent des espaces maîtrisés
individuellement.
L’approche systémique permet de rendre intelligible un système qualifié de

complexe par la construction d’un modèle de ce système. Cette opération de
modélisation permet d’induire des connaissances sur un système complexe, dans
l’objectif d’entreprendre des actions futures sur ce système.
[Moig99] définit une démarche de modélisation en neuf niveaux, chacun étant

positionné dans un référentiel Espace, Temps, Forme, et marquant une finalité donnée
pour le système global. Ainsi, pour modéliser progressivement un système, le
modélisateur peut considérer les niveaux suivants du système:
passif et il est reconnaissable par ses frontières avec l’environnement,

actif, il est alors caractérisé par des entrées et sorties,
actif et régulé (relations de bouclage),
s’informe, l’information faisant suite à une boucle de rétroaction,
décide de son activité,
a une mémoire des informations,
coordonne ses activités d’information, de décisions et d’opérations,
capable d’imaginer et s’auto organiser,
capable de s’auto-finaliser et donc de s’adapter (modélisation de la conscience).
12
L’approche systémique dans le domaine des processus industriels et

organisationnels, utilise un cadre méthodologique qui est l’Ingénierie Système.
Cette démarche est mise en avant en France par l’AFIS [Afis01] (Association
Française d’Ingénierie Système) et, de manière internationale par l’INCOSE
(International Council on Systems Engineering).
L’approche systémique est un processus collaboratif et multidisciplinaire de

résolution de problèmes. Il prend en compte tous les domaines et disciplines impliqués
dans le cycle de vie du système complexe, de la conception à la mise en exploitation et au
démantèlement, en considérant les différents besoins, pour développer une solution
optimisée à la fois économique, performante et satisfaisant tous les points de vue des
tel-00842756, version 1 - 9 Jul 2013
différentes parties prenantes.
[Blai03] [Cauf06] ont abordé quatre aspects caractérisant la complexité des

systèmes homme-machine basés sur des techniques d’automatisation :
1. les aspects fonctionnels,

2. les aspects comportementaux,
3. les aspects structurels,
4. les aspects technologiques.
Les connaissances liées au mauvais fonctionnement d’un système nécessitent

d’être également prises en compte dans les activités de l’ingénierie système. Du fait des
défaillances pouvant apparaître dans un système, des comportements imprévisibles
peuvent émerger et affecter les performances et la sécurité du système, des personnes et
de l’environnement en interaction avec le système.
Dans le but de prévoir, évaluer et maîtriser ces comportements, l’ingénierie

système s’appuie sur les disciplines de sûreté de fonctionnement et maîtrise des risques.
I.3. Performance d’un système

I.3.1. Définition
La performance est définie suivant différents auteurs avec des caractéristiques
différentes, elle est considérée comme étant une notion complexe qui qualifie et/ou
quantifie le résultat de l’engagement du système. Ces caractéristiques sont construites à
13
partir des résultats directement produits et de la manière avec laquelle ces résultats ont
été obtenus, elle peut revêtir plusieurs formes et concerner différents traits représentatifs
du système, dont l’efficacité, l’efficience et l’effectivité, constituent trois principaux
critères d’évaluation [Esta11].
L’efficacité désigne le fait que l’engagement du système permet d’atteindre le

résultat prévu. Les mesures quantifient le rapport entre les résultats fournis et les objectifs
assignés. L’efficacité est orientée vers la qualité de la prestation fournie.
L’efficience ajoute la notion de coût (effort, temps etc.) requis pour atteindre ce
résultat. Les mesures quantifient le rapport entre les résultats fournis et les moyens
engagés.
tel-00842756, version 1 - 9 Jul 2013
L’effectivité désigne le degré d’atteinte des objectifs fixés à moindre coût, tout
en améliorant la satisfaction et la motivation des membres de l’organisation. Le concept
d’effectivité est fortement lié à la satisfaction vis-à-vis des résultats obtenus.
I.3.2. Mesure et évaluation

L’analyse systémique propose un modèle d’évaluation de la performance issu
du modèle de pilotage basé sur la commande par des leviers d’actions avec des consignes
ou objectifs [Esta11].
Contraintes
Consignes
Commande
Pilote Système Résultats
Mesures
Fig. 2 Mesures et pilotage de la performance
Il existe plusieurs types d’évaluation de la performance [Esta11]:
Evaluation a posteriori : elle suppose que le système ait déjà été conçu,
l’objectif étant de le piloter par la performance en comparant la mesure
avec l’objectif défini. La comparaison permet de définir les actions à
entreprendre dans le système.
14
Evaluation a priori : elle a pour objectif de concevoir le système, puis de

prévoir son comportement, en utilisant souvent des outils de simulation
pour analyser la performance.
La mesure de la performance nécessite la mise en place d’indicateurs

convenablement sélectionnés.
Un indicateur est une donnée quantitative qui permet de caractériser une

situation évolutive, une action ou les conséquences d’une action, de façon à les évaluer et
à comparer leurs états à différentes dates [Noye07].
Un tableau de bord définit l’ensemble des indicateurs, renseignés

périodiquement et destinés au suivi de fonctionnement d’un système, de l’état
tel-00842756, version 1 - 9 Jul 2013
d’avancement d’un programme ou d’une politique et à l’évaluation de leur efficacité.
I.4. La sûreté de fonctionnement dans l’évaluation de la

performance du système
La complexité croissante des systèmes industriels, la réduction de leurs coûts
de conception et d'exploitation ainsi que leur utilisation de plus en plus importante dans
la vie quotidienne font, de la Sûreté de Fonctionnement (SdF), un domaine
incontournable dans le développement de tout système industriel.
La Sûreté de Fonctionnement (SdF) est basée sur :
des méthodes et des outils servant à caractériser et à maîtriser les effets

des aléas, des pannes et des erreurs,
la quantification des caractéristiques de composants et de systèmes

pour exprimer la conformité dans le temps de leurs comportements et
de leurs actions.
I.4.1. Définition de la Sûreté de Fonctionnement
La définition de la Sûreté de Fonctionnement est considérée comme étant la

conjugaison de ces quatre définitions [Vill88] [Mort01] [Lapr96] [Proc96] :
la fiabilité, la disponibilité, la maintenabilité et la sécurité,
la science des défaillances,
15
la confiance justifiée dans le service délivré,
le maintien de la qualité dans le temps.
La Sûreté de Fonctionnement ne se réduit pas uniquement à une de ces

performances de Fiabilité, Maintenabilité, Disponibilité et Sécurité que l'on retrouve dans
l'acronyme FMDS, mais elle se construit à travers toutes ces caractéristiques.
La définition « Science des défaillances » suppose la connaissance,

l'évaluation, la prévision, la mesure et la maîtrise des défaillances. La sûreté de
fonctionnement apparaît ainsi comme l'aptitude d'une entité à satisfaire une ou plusieurs
fonctions requises dans des conditions données.
La définition « Confiance justifiée dans le service délivré » dépend

tel-00842756, version 1 - 9 Jul 2013
principalement de la perception des utilisateurs. Le service délivré par un système est le

comportement perçu par son ou ses utilisateurs, sachant qu'un utilisateur est aussi un
système (humain ou physique) qui interagit avec tout l’ensemble.
La définition « Maintien de la qualité dans le temps » prend en compte la

conformité aux exigences explicites ou non explicites.
I.4.2. Composantes de la SdF

La fiabilité, la maintenabilité, la disponibilité, la sécurité et la durabilité sont
les paramètres fondamentaux de la Sûreté de Fonctionnement. Ceux-ci permettent de
définir les objectifs attendus d’un système et d’évaluer sa qualité de service attendu en
vue de cibler les points critiques à améliorer [Vill88].
I.4.2.1. Fiabilité
La fiabilité est l'aptitude d'une entité à accomplir les fonctions requises dans
des conditions données pendant une durée donnée. Elle est caractérisée par la probabilité
R(t) que l'entité E accomplisse des fonctions, dans les conditions données pendant
l’intervalle de temps [0,t], sachant que l'entité E n'est pas en panne à l'instant 0.
R(t) = Prob {E non défaillante sur [0; t]}
I.4.2.2. Maintenabilité
La maintenabilité est l'aptitude d’une entité à être maintenue ou rétablie dans
un état dans lequel elle peut accomplir une fonction requise, lorsque la maintenance est
16
réalisée dans des conditions données avec des procédures et des moyens prescrits. Elle est
caractérisée par la probabilité M(t) que l’entité E soit en état, à l'instant t, d’accomplir ses
fonctions, sachant que l’entité était en panne à l’instant 0.
M (t) = Prob {E est réparable sur [0,t]}
I.4.2.3. Disponibilité
La disponibilité est l’aptitude d’une entité à être en état d’accomplir les
fonctions requises dans les conditions données et à un instant donné. Elle est caractérisée
par la probabilité A(t) que l’entité E soit en état, à l’instant t, d’accomplir les fonctions
requises dans des conditions données.
A (t) = Prob {E non défaillante à l’instant t}

tel-00842756, version 1 - 9 Jul 2013
I.4.2.4. Sécurité
La sécurité est l’aptitude d’une entité à éviter de faire apparaître, dans des
conditions données, des évènements critiques ou catastrophiques. Elle est caractérisée par
la probabilité S(t) que l’entité E ne laisse pas apparaître dans des conditions données, des
évènements critiques ou catastrophiques.
S (t) = Prob {E évite des évènements critiques ou catastrophiques sur [0,t]}
I.4.2.5. Durabilité
La durabilité est l'aptitude d’une entité à accomplir une fonction requise dans
des conditions données d’utilisation et de maintenance, jusqu’à ce qu’un état limite soit
atteint.
I.4.3. Métriques de la Sûreté de Fonctionnement

Les grandeurs présentées ci-après caractérisent des durées moyennes associées
à la Sûreté de Fonctionnement:
MTTF (Mean Time To Failure) est la durée moyenne de fonctionnement d'une

entité avant la première défaillance:
∞
MTTF = ∫ R(t )dt (I.1)
0
MTTR (Mean Time To Repair) est la durée moyenne de réparation :

∞
MTTR = ∫ [1 − M (t )]dt (I.2)
0
17
MUT (Mean Up Time) est la durée moyenne de fonctionnement après réparation.
MDT (Mean Down Time) est la durée moyenne d'indisponibilité après

défaillance.
MTBF (Mean Time Between Failure) est la durée moyenne entre deux
défaillances :
MTBF = MDT +MUT (I.3)
Début des Remise en Défaillance

Défaillance
Interventions Service
1
0
tel-00842756, version 1 - 9 Jul 2013
0 Temps
MTTF MTTR
MDT MUT
MTBF
Fig.3 Durées moyennes associées à la Sûreté de Fonctionnement
I.4.4. Analyse de la Sûreté de Fonctionnement

L’analyse de la Sûreté de Fonctionnement s’appuie sur la connaissance des
modes de fonctionnement normal du système, résultat d’une première étape d’analyse
fonctionnelle et de comportement qui engage des outils adaptés. Elle nécessite ensuite la
connaissance des modes de dysfonctionnement avec l’identification des phénomènes
intrinsèques et extrinsèques au système, susceptibles d’affecter son fonctionnement.
La figure 4 ci après illustre la démarche générale d’une étude de Sûreté de

Fonctionnement [Bouc11a]. Il s’agit d’un processus itératif comportant toujours plus ou
moins les mêmes différentes étapes :
1. définition précise du système à étudier,
2. définition du but de l’étude à réaliser,
18
3. analyse fonctionnelle du système : étape indispensable car, avant d’essayer

de comprendre comment un système tombe en panne, il faut avoir compris comment il
fonctionne.
4. analyse et évaluation dysfonctionnelles : identification et hiérarchisation des

risques, bien entendu, les risques à prendre en compte sont directement liés aux enjeux de
l’étude considérée. Cependant, lorsque le système étudié présente un comportement
complexe, il est indispensable d’aller plus loin et de procéder à une modélisation servant
de support à des analyses qui, selon le cas, pourront être purement qualitatives, semi-
quantitatives ou purement quantitatives.
Les résultats théoriques sont confrontés aux connaissances pratiques des

spécialistes du terrain afin de mettre en évidence les éléments qui pourraient les choquer
tel-00842756, version 1 - 9 Jul 2013
et procéder aux rectifications nécessaires. Cette étape peut être le point de départ d’une
nouvelle itération si elle conduit à la remise en cause de la conception du système en
cours d’analyse.
5. Les résultats de cet analyse de Sûreté de Fonctionnement à la suite de la

discussion avec les spécialistes des synthèses et décisions aboutissent à des actions et
spécifications visant à maîtriser les dysfonctionnements, programmes de tests, politique
de maintenance, évaluation du risque résiduel, etc.
Fig.4 Analyse de Sûreté de Fonctionnement
19
I.5. Les approches de Sûreté de Fonctionnement

La Sûreté de Fonctionnement regroupe un ensemble de techniques mises en
oeuvre pour identifier, analyser, gérer et, le cas échéant, réduire les risques liés aux
systèmes.
En effet, la Sûreté de Fonctionnement est une discipline qui s’appuie sur un

support méthodologique applicable aux systèmes technologiques tout au long de leur
cycle de vie:
expression du besoin, conception, industrialisation, production, utilisation,
diffusion, maintenance, voire même retrait de service.
Ces activités bénéficient du support de méthodologies rigoureuses et d’outils

tel-00842756, version 1 - 9 Jul 2013
pratiques et puissants. Les méthodes de la sûreté de fonctionnement ont toutes au moins

trois points communs, qui peuvent être résumés en trois types d’action :
identifier les processus pouvant affecter la fiabilité, la maintenabilité, la

disponibilité ou la sécurité,
modéliser ces différents processus afin de faciliter la compréhension des

mécanismes mis en jeu,
valoriser les résultats des analyses en utilisant les modèles obtenus pour
apprécier le niveau de sûreté de fonctionnement du système étudié, en
relever les éventuelles insuffisances par rapport aux objectifs de
performances poursuivis, en hiérarchiser les points forts et les points
faibles.
Trois modes de classification de ces approches sont couramment rencontrés :
I.5.1. Approches qualitatives ou quantitatives
Approches qualitatives : les résultats renseignent sur les caractéristiques du

système : points faibles du système, fausses redondances, influence d’un
élément donné sur la fiabilité du système, repérage des chemins critiques,
test (pour les chemins critiques) des méthodes d’élimination, ...
20
Approches quantitatives : les résultats sont ceux de calcul de fiabilité,

disponibilité, ... par exemple, la probabilité d’occurrence d’une
combinaison d’événements.
I.5.2. Approches inductives ou déductives
Approches inductives : basées sur une démarche descendante, elles

considèrent un événement initiateur (défaillance technique,
dysfonctionnement organisationnel, ...) dont elles cherchent à caractériser
les conséquences sur le système et son environnement. Ces approches
partent donc des causes pour en déduire les conséquences.
Approches déductives : basées sur une démarche ascendante, elles

tel-00842756, version 1 - 9 Jul 2013
considèrent un événement redouté (arrêt du système, anomalie de

fonctionnement, ...) dont elles cherchent à expliquer les causes, le plus
souvent sous forme de séquences d’événements.
I.5.3. Approches statiques/dynamiques
Approches statiques : elles permettent d’analyser le système d’un point de

vue structurel sans tenir compte des évolutions au cours du temps et
s’appuient sur un modèle mathématique booléen du système qui fournit,
par exemple, les combinaisons de défaillances entraînant le
dysfonctionnement du système mais sans représenter les interrelations
temporelles qui l’affectent.
Approches dynamiques : les méthodes dynamiques permettent la prise en

compte des aspects comportemental et temporel.
Les données d’entrée de ces méthodes sont de deux ordres :
connaissance du système résultant généralement d’une étude fonctionnelle,

données de nature événementielle, sous forme brute : états, historiques, ...
ou sous forme de modèle statistique : lois mathématiques décrivant les
fonctions de distribution des événements.
Les résultats établis en sortie sont :
des modèles de comportement du système (vis-à-vis des défaillances,

réparations, sollicitations, service, ...) :
21
modèles de sûreté de fonctionnement,

modèles mixtes sûreté de fonctionnement/performance, ...,
des grandeurs établies à partir des modèles et pouvant revêtir différentes
formes:
probabilités d’états ou d’occurrence d’événements,
quantificateurs FMDS, MTBF, etc.
métriques évoluées de performance et de coût,
des éléments de stratégies d’actions :
de maintenance : contrôle, fréquence d’entretien, ...,
de gestion de risques : protection, évitement, ...
I.6. L’analyse et la modélisation fonctionnelle

tel-00842756, version 1 - 9 Jul 2013
L’analyse et la modélisation du système sous l’angle technique et fonctionnel,

constituent une étape essentielle dans la démarche d’évaluation.
I.6.1. Acquisition des informations

Le premier niveau d’analyse porte sur l’acquisition des informations et le
recueil des connaissances pour construire une première base de connaissances sur
laquelle s’appuient la modélisation et l’analyse proprement dite du système. Ces
méthodes peuvent être :
informelles, c’est-à-dire qu’il n’existe aucune sémantique ou syntaxe guidant

l’élaboration de l’information,
semi formelles, s’appuyant sur une amorce de syntaxe (arbres...) et/ou de

sémantique (questionnaires guidés...). On trouve à ce niveau une large
panoplie d’outils de type :
interviews,
questionnaires et « check-lists »,
méthodes de classification (catalogues),
grilles d’évaluation.
L’étape suivante est généralement celle de la première modélisation. Le
système global peut être considéré, selon la méthode retenue, sous forme d’activité, de
données ou de processus (figure 5).
22
Approche fonctionnelle Approche informationnelle

Par rapport aux fonctions Par rapport aux données et
accomplies par le système Spécifications informations échangées dans
système le système
Approche comportementale
Par rapport à l’évolution au
cours du temps
Fig. 5 Description d’un système
Les méthodes d’analyse peuvent être distinguées suivant trois types présentés
ci-après :
tel-00842756, version 1 - 9 Jul 2013
I.6.2. Méthodes fonctionnelles

Ces méthodes permettent l’identification des fonctions à assurer. Elles sont
basées sur une approche structurée de manière hiérarchique, descendante et modulaire. À
partir de raffinements successifs, ces méthodes, qui s’appuient très souvent sur un
formalisme graphique, conduisent à des spécifications.
Chaque niveau peut ensuite être décomposé en respectant les entrées-sorties du

niveau supérieur. La décomposition se poursuit jusqu’à l’obtention du niveau de détail
jugé suffisant pour l’analyse.
Parmi les méthodes d’analyse figurant dans cette catégorie, on peut citer les
méthodes [Bren01] [Zwin09]:
APTE (Application des Principes d’Entreprise), qui est une méthode très
simple et très utilisée dans l’industrie,
ASA (Analyse Structurée d’Automate),
FAST (Function Analysis System Technique),
FBS (Function Breakdown Structure ), PBS (Product Breakdown Structure) et

WBS (Work Breakdown Structure ) ,
SADT (Structured Analysis and Design Technique), SA (Structured Analysis)

et SART (Structured Analysis and Real Time).
23
D’autres outils, basés sur les mêmes principes, sont disponibles pour l’analyse
de systèmes particuliers. Citons, par exemple :
l’approche Merise [Math02] pour le traitement des systèmes d’information,

basée sur la séparation des données et des traitements à effectuer en plusieurs
modèles conceptuels et physiques ,
la méthode Grai [Robo93] pour le traitement des systèmes décisionnels,

s’appuyant sur un modèle conceptuel élaboré selon différents points de vue à
partir des théories sur les systèmes, les systèmes hiérarchisés et les systèmes
d’organisation.
La méthode UML (Unified Modeling Language), permet aussi une

tel-00842756, version 1 - 9 Jul 2013
représentation des situations ou des systèmes à base d’objets ou d’agents.

Largement utilisée dans divers domaines même si elle est issue du
développement informatique, UML est un des standards de modélisation qui
permet de spécifier, visualiser, construire et documenter tout type de processus
et/ou d’organisation suivant différentes vues sans formalisme strict [Terr05]
[Baue05].
Le premier travail à effectuer pour l’analyse fonctionnelle est de formaliser le

besoin exprimé par l'utilisateur. Pour ce faire, on utilise la connaissance des milieux
extérieurs et les phases d'utilisation du produit pour ensuite définir le besoin auquel
répond le système selon le diagramme de la Bête à cornes [Laro11].
A qui il Sur quoi il

rend agit?
service?
Système
Dans quel but?
Fig. 6 Diagramme bête à corne
24
Lorsque un système est situé dans son milieu environnant (ME), il rend des
services de deux natures :
les services qui sont sa raison d'être : c'est la Fonction Principale (FP),
les services imposés : ce sont les Fonctions Contraintes (FC).
Pour identifier ces différentes fonctions, on utilise le diagramme Pieuvre

(Fig.7). Ce diagramme doit être réalisé pour les différentes phases d'utilisation du système
étant donné que le milieu environnant peut varier en fonction de l'utilisation du système.
ME
ME
tel-00842756, version 1 - 9 Jul 2013
FP FC
ME
Système
FP FC ME
ME
ME
Fig. 7 Diagramme de pieuvre
Pour une analyse plus détaillée du fonctionnement du système, il est possible

de réaliser un Bloc Diagramme Fonctionnel (BDF), qui permet une analyse qualitative
en déterminant les chemins qui conduisent à la réussite de la mission du système et la
recherche des composants apparaissant dans le plus grand nombre de ces chemins et les
scénarios qui conduisent à l’échec de la mission.
Ce BDF se construit graphiquement en suivant les étapes suivantes (Figure 8):
présenter tous les éléments composant le système et ayant des relations

de contact,
présenter les milieux extérieurs,
Tracer les relations externes ou internes entre les milieux extérieurs et

les composants du système (flux ouverts et bouclés) .
25
Fig. 8 Bloc Diagramme Fonctionnel

tel-00842756, version 1 - 9 Jul 2013
La méthode a ses limites d’application car il faut s’assurer de l’indépendance

entre les blocs et ne permet pas de modéliser des systèmes dynamiques [Miha07].
Ce BDF conduit généralement à un Tableau d'Analyse Fonctionnelle (TAF)

(Tab.1). Il permet de synthétiser dans un tableau l'ensemble des données représentées
graphiquement dans le Bloc Diagramme Fonctionnel [Laro11].
Fonctions Fonctions de base Fonctions de conception

Elément
élémentaires
FP1 FP1 FC1 FC2 FC3 S1 S2 S3 S4 S5
E1 Fonctions de contact
- avec élément du ME X
- avec autre élément X X
E2 Fonctions de flux
- Issus du ME X
- Entre éléments X
Etc.
Total
Total
FONCTION DE
JUSTE NÉCESSAIRE
CONCEPTION
Tab. 1 Tableau d’analyse fonctionnel
26
I.6.3. Méthodes statistiques

Basées sur l’observation d’événements, ces méthodes visent à établir, par des
techniques mathématiques, des hypothèses qui permettent de prédire des événements
dans des situations analogues.
Des méthodes plus élaborées permettent d’établir des indicateurs spécifiques et

sont bien adaptées à la structure d’éléments de tableaux de bord.
On peut citer en particulier des méthodes comme [Leco01] [Chez03]:
le diagramme de Pareto et la méthode ABC,
les lois statistiques (Bêta, Normale, Poisson, Weibull, Théorème de la

limite centrale...).
tel-00842756, version 1 - 9 Jul 2013
I.6.4. Méthodes de simulation
Ces méthodes sont utilisées lorsque le nombre de données à traiter rend le

calcul analytique complexe. Elles permettent de représenter virtuellement le
comportement du système soumis à des contraintes choisies dans un environnement
donné.
Ces méthodes peuvent être génériques comme celles basées sur les systèmes à
événements discrets utilisées dans le cadre de la simulation de flux avec des outils de type
Réseau de Petri[Lade89], elles peuvent aussi être propres à des disciplines comme, par
exemple, la méthode des éléments finis, très utilisée dans le domaine de la conception
mécanique.
Citons, parmi les méthodes de simulation dynamique, la simulation de Monte

Carlo [Koll99] qui prend en compte la dynamique d’événements et permet d’établir des
données statistiques, méthode que nous retrouverons, elle aussi, en évaluation de sûreté
de fonctionnement.
I.7. L’analyse de dysfonctionnement

Les méthodes utilisées pour l’analyse dysfonctionnelle se présentent sous des
aspects divers : formes tabulaires, arborescence, réseaux, graphes, ... Elles permettent une
analyse qualitative des phénomènes et situations examinées, analyse qui peut être
souvent étendue à des aspects quantitatifs [Bouc11b] (figure 9).
27
tel-00842756, version 1 - 9 Jul 2013
Fig.9 Analyse de dysfonctionnement
Les principales méthodes considérées à ce niveau sont évoquées ci-après avec

leur positionnement dans la classification proposée ci-dessus.
I.7.1.AMDEC
L’analyse des modes de défaillances, de leurs effets et de leur criticité

(AMDEC), extension de l’AMDE (analyse des modes de défaillances et de leurs effets),
est une méthode ascendante qui, à partir d’un recensement des défaillances susceptibles
d’affecter un système et de leur criticité, permet d’évaluer les effets de chaque mode de
défaillance des composants du système sur les différentes fonctions de celui-ci et
d’identifier ceux influant les caractéristiques FMDS (Fiabilité, Maintenabilité,
Disponibilité, Sécurité) du système [Rido99].
L’AMDE est établie à partir des définitions suivantes qui sont mises en
évidence pour chaque mode de défaillance :
une défaillance est la cessation de l’aptitude d’un élément ou d’un système

à accomplir une fonction requise,
un mode de défaillance est l’effet par lequel une défaillance est observée sur
un élément du système,
28
une cause de défaillance est constituée par les évènements qui conduisent
aux défaillances,
l’effet d’un mode de défaillance regroupe les conséquences associées à la

perte de l’aptitude d’un élément à remplir une fonction requise,
les moyens de détection représentent les actions permettant de détecter la

défaillance (les tests périodiques, les inspections, les alarmes,etc.).
Pour évaluer la criticité d’une défaillance, l’AMDEC apparaît comme une

suite logique à l’AMDE. La criticité évalue pour chaque mode de défaillance [Gari94]:
la probabilité d’occurrence,
la gravité : associe pour chaque mode de défaillance, une classe des effets
tel-00842756, version 1 - 9 Jul 2013
(mineurs, significatifs, critiques ou catastrophiques etc.),
le risque de la non-détection : qui est d’autant plus important qu’aucune

barrière matérielle ou logicielle n’est prévue pour éviter la défaillance,
La criticité d’une défaillance est égale au produit de la probabilité

d’occurrence, de la gravité et du risque de non-détection. L’AMDEC reprend en effet les
principales étapes de l’AMDE et ajoute une évaluation quantitative de la criticité.
Le principal avantage de l’AMDEC est son aptitude à détecter les défaillances

des éléments conduisant à la défaillance globale du système. Elle constitue un outil
précieux pour l’identification de défaillances potentielles et les moyens d’en limiter les
effets ou d’en prévenir l’occurrence.
Par contre, dans le cas de systèmes particulièrement complexes comptant un

grand nombre de composants et d’interactions, l’AMDEC est très difficile à maîtriser,
compte tenu du volume important d’informations à traiter et l’impossibilité de décrire des
défaillances multiples.
La démarche générale de l'AMDEC a été définie dans la norme NF EN 60812

intitulée « Techniques d'analyses de la fiabilité du système - Procédure d'analyse des
modes de défaillance et de leurs effets (AMDE) ». Elle se résume sous forme d'un
organigramme représenté en figure 10 [Laro11].
29
Initier l’AMDEC pour un système
Sélectionner un composant du système pour l’analyser
Identifier les modes de défaillance du composant sélectionné
Sélectionner le mode de défaillance à analyser
Identifier l’effet immédiat et l’effet final du mode de défaillance
Déterminer la sévérité de l’effet final
Identifier les causes potentielles du mode de défaillance

tel-00842756, version 1 - 9 Jul 2013
Estimer la fréquence ou la probabilité de l’occurrence du mode de

défaillance pendant la période de temps prédéterminée
La sévérité et/ou la
probabilité d’apparition Non
nécessite-t-elle une
action ?
Oui
Proposer des actions correctives d’atténuation ou des dispositions

compensant. Identifier les actions et les personnes qui en ont la charge
Annoncer les documents avec recommandations,

Actions et remarques
Y a-t-il d’autres Ya t-il d’autres

modes de Non composants à Non
défaillance du analyser ?
composant à
analyser ?
Oui Oui
Clore l’AMDEC.
Déterminer la date de la prochaine révision si nécessaire
Fig.10 Organigramme de la méthode AMDE (NF EN 60812)
30
Dans un premier temps, le groupe initialise l'étude AMDE en mettant au point

les supports de l'étude :
définir le système étudié, ses limites et les différents composants,

réaliser le tableau qui permet d'analyser le système sous une forme
structurée et claire,
mettre au point les barèmes de fréquence, de gravité et de non-détection
qui seront utilisées pour calculer la criticité.
Mode de
N° Fonction Causes Effet sur système et/ou Remarques
défaillances O G D C
sous-systèmes
Tab. 2 Tableau AMDEC

tel-00842756, version 1 - 9 Jul 2013
En plus de l'analyse AMDE, il est possible de coter les différentes fonctions

afin d'en déterminer leur criticité. Cela permet de classer les fonctions et d'étudier plus en
détail les fonctions critiques afin d'améliorer la fiabilité du système.
La criticité de chaque fonction d'un système est déterminée à partir des

échelles de probabilité d'occurrence (O), de gravité (G) et de détection (D). La criticité
(C) est calculée par :
C=OxGxD (I.4)
Chaque critère peut prendre une note entre 1 et 4 ou 5 ou 10 ou autre. Cette

cotation est déterminée par le groupe de travail lors de l'initialisation de l'étude.
Un exemple d'une cotation de 1 à 4 est présenté dans le Tableau 3
Echelle d’occurrence Echelle de gravité Echelle de non-

Cote
(O) (G) détection (D)
Evènement sans
1 Evènement très rare Evènement détecté à coup sûr
influence
2 Evènement possible Evènement critique Evènement détectable
Evènement Evènement difficilement
3 Evènement fréquent
catastrophique détectable
4 Evènement très fréquent Evènement mortel Evènement indétectable
Tab. 3 Exemple de cotation de 1 à 4 pour une analyse AMDEC
31
Plusieurs autres méthodes s’appuient, de manière analogue à l’AMDEC, sur

une représentation tabulaire de la connaissance, par exemple les méthodes d’analyse
préliminaire des dangers (APD), des risques (APR) [Vill88], d’analyse opératoire des
dangers (HAZOP Hazard and Operability ) [Klet97] [Roye09], toutes essentiellement
qualitatives.
I.7.2. Analyse Préliminaire des Risques (APR)

L’analyse Préliminaire de Risque (Danger) a été développée au début des
années 1960 dans les domaines aéronautique et militaire.
L’APR ou la variante APD (Analyse Préliminaire des Dangers) est

généralement utilisée pour l’identification des risques d’un système et l’évaluation de la
tel-00842756, version 1 - 9 Jul 2013
gravité des conséquences liées aux risques [Vill88] [Mort02-2]. Il est recommandé
d’utiliser l’APR pour analyser les risques dès la première phase de conception des
systèmes et de compléter cette analyse durant la vie de ces systèmes car elle sert de
référence tout au long de la vie de ces systèmes.
L’APR a principalement trois objectifs :
Identifier les dangers et leurs causes,
Evaluer et accepter les risques en vue d’une hiérarchisation,
Proposer les mesures adéquates en vue de maîtriser ces risques et les

rendre à des seuils acceptables.
Cette démarche APR est généralement une première étape indispensable

lorsqu’on traite les aspects de sécurité d’un système. Elle l’est beaucoup moins s’il n’est
question que de la fiabilité, maintenabilité ou disponibilité du système. Elle est basée
essentiellement sur une liste (établie par les experts dans le domaine) des éléments ou
circonstances qui peuvent se conjuguer pour provoquer un incident : entités dangereuses,
situations dangereuses, accidents potentiels,...
Le principal avantage de l’Analyse Préliminaire des Risques est de permettre

un examen relativement rapide des situations dangereuses dans des systèmes. Par rapport
aux autres méthodes présentées ci-après, elle apparaît comme relativement économique
en terme de temps passé et ne nécessite pas un niveau très détaillé de description du
système étudié.
32
La méthode APR repose [Mort02-2]:
sur les enchaînements : élément dangereux + événement = situation

dangereuse, situation dangereuse + événement = accident,
sur les cotations des fréquences des événements à l’origine des situations
dangereuses ou des accidents,
sur la gravité des conséquences des accidents.
Exemple : élément dangereux (stockage de gaz inflammable) + événement

(fuite) = situation dangereuse ; situation dangereuse + événement (flamme) = accident
(explosion, incendie).
Pour un système de transport comme le chemin de fer (trains, tramways, etc.),

tel-00842756, version 1 - 9 Jul 2013
on peut considérer d’abord l’énergie cinétique du mobile comme source de danger. Il en

découle des situations dangereuses comme:
obstacle sur la voie parcourue, (événement = chute d’un objet sur la voie,
véhicule routier sur la voie, etc.) ;
personnes sur les voies parcourues par une circulation, (événement =

véhicule routier avec conducteur ou passager franchissant ou immobilisé
sur un passage à niveau qui se ferme, traversée non autorisée de voie par
des tiers ou par des voyageurs ou par des agents ou animaux, autorisation
de traverser donnée à tort, etc.).
Événement Mesures de
Événement Application
Sous système Entité causant une Situation Effets ou Occurrence prévention
Phase causant Accident Gravité des
Ou équipement dangereuse situation dangereuse conséquences (fréquence) ou de
un accident mesures
dangereuse protection
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
Tab. 4 Tableau type de la méthode APR [Mort02-2].
En revanche, l’APR permet uniquement d’identifier des points critiques

devant faire l’objet d’études plus détaillées et ne permet pas de caractériser
l’enchaînement des évènements susceptibles de conduire à une défaillance ou accident
majeur pour les systèmes. L’APR peut aussi et même doit être complétée par la plupart
des analyses de risques fonctionnelles telles que l’AMDEC ou l’Arbre de Défaillance.
33
I.7.3. HAZOP (Hazard and operability)

La méthode HAZOP (Hazard and operability) est un outil formalisé inventé
en 1965 en Grande-Bretagne par la société ICI (Imperial chemical industries). La
méthode a été utilisée pour analyser les risques potentiels associés à l’exploitation d’une
installation industrielle et s’adressait particulièrement à la phase d’ingénierie de détail de
nouvelles installations chimiques ou pétrochimiques.
La méthode HAZOP est définit comme suit [Roye09]: « Application d’un

examen critique formel et systématique aux intentions du procédé et de l’ingénierie d’une
installation neuve ou existante afin d’évaluer le potentiel de danger lié à la mauvaise
utilisation, ou au mauvais fonctionnement, d’éléments d’équipement et leurs effets sur
l’installation dans son ensemble».
tel-00842756, version 1 - 9 Jul 2013
La méthode HAZOP vise l’identification des dysfonctionnements de nature

technique et opératoire dont l’enchaînement peut conduire à des événements non
souhaités. Il s’agit donc de déterminer, pour chaque sous ensemble ou élément d’un
système bien défini, les conséquences d’un fonctionnement hors du domaine d’utilisation
pour lequel ce système a été conçu.
La méthode HAZOP est traduite en français dans la norme [CEI 61882] et sa

mise en œuvre nécessite la constitution d’un groupe de travail rassemblant autour d’un
animateur et une équipe pluridisciplinaire ayant une connaissance approfondie de
l’installation décrite sur des plans détaillés. La méthode consiste à décomposer le système
considéré en sous-ensembles, appelés « noeuds », puis à l’aide de mots–clés, ou mots
guides, spécifiques à la méthode, faire varier les paramètres du système par rapport à ses
points de consignes, appelées « intentions du procédé » [Roye09].
On obtient ainsi une déviation dont l’équipe examinera les causes possibles et
en déduira leurs conséquences potentielles pour l’ensemble du système, d’où l’emploi
fréquent de « analyse des déviations » pour caractériser la méthode HAZOP.
L’équipe se concentre alors sur les déviations conduisant à des risques

potentiels pour la sécurité des personnes, des biens et de l’environnement. Elle examine
et définit ensuite les actions recommandées pour éliminer, en priorité, la cause et/ou
éliminer ou atténuer les conséquences.
34
Cette phase de l’étude de déviations constitue le coeur de la méthode HAZOP.

Par un mécanisme itératif sur chacun des noeuds, l’association systématique
paramètres/mots-clés doit permettre de couvrir de façon exhaustive toutes les dérives
potentielles ou problèmes imaginables dans l’installation étudiée. Le logigramme de
l’étude des déviations HAZOP est présenté à la figure 11 [Roye09]:
Sélectionner un PID * de l’installation
Sélectionner un noeud
Liste de paramètres Décrire l’intention du procédé Liste de mots-clés
Sélectionner un paramètre Liste un mot-clé pertinent
Appliquer le mot-clé au paramètre
Appliquer la déviation au noeud

tel-00842756, version 1 - 9 Jul 2013
Identifier et enregistrer toutes les causes de la déviation
Identifier et enregistrer toutes les conséquences de la déviation sans moyens de protection
Estimer la gravité des conséquences de la déviation
Estimer la gravité d’occurrence de la déviation
Estimer le risque encouru par la déviation
Identifier et enregistrer les barrières de sécurité existantes

Oui
Le risque est-il acceptable?
Non
Définir les actions de traitement du risque: prévention, précaution, mitigation
Oui
Le risque est-il acceptable?
Risque résiduel
Définir mot-clé
Dernier paramètre
Dernier nœud
Nouveau PID
Fig. 11 Logigramme de l’étude des déviations HAZOP

(*) PID : Piping and Instrumentation Diagram.
L’analyse des déviations fait l’objet d’un enregistrement sous forme de

tableaux des déviations, base indispensable pour la mise en place ultérieure des actions
recommandées par le groupe de travail.
La méthode HAZOP est parfois qualifiée de « lourde » vu les deux étapes clés
qui peuvent être effectivement consommatrice de temps, à savoir :
35
la mobilisation d’une équipe pluridisciplinaire pendant de longues

périodes,
les nombreux documents à collecter pour modéliser l’installation,
I.7.4. Arbre de fautes (AF) ou Arbre de Défaillance (AdD)

La méthode de l’Arbre de Fautes [Mort02] appelé aussi la méthode de l’arbre
des causes ou la méthode de l’Arbre de Défaillances (AdD), est une méthode graphique
descendante qui permet de combiner des éléments par leurs états des événements et des
fonctions d’un système.
Cette méthode déductive (de l’effet vers ses causes) a pour objet la recherche
de toutes les combinaisons de défaillances élémentaires pouvant aboutir à un Evènement
tel-00842756, version 1 - 9 Jul 2013
Redouté (ER), parfois identifié par une AMDEC. A partir de cet « évènement sommet »,
on construit en utilisant le symbolisme logique de l’algèbre de Boole, une arborescence
(schéma graphique en forme d'arbre inversé) représentant l’enchaînement logique des
«évènements intermédiaires» jusqu’à la mise en cause des «évènements élémentaires»
(défaillance d’un composant). Il est ainsi possible d’identifier toutes les défaillances
élémentaires pouvant conduire à l’évènement redouté, puis de quantifier son taux de
défaillance λ obtenu à partir des taux de défaillances λi de chaque composant mis en
cause.
L’arbre est formé de niveaux successifs tels que chaque évènement résulte
d’évènements des niveaux inférieurs liés par certaines relations logiques. La
décomposition est arrêtée lorsqu’elle met en oeuvre des évènements de base, non
décomposables, indépendants et pouvant être caractérisés par des taux d’occurrence.
L’analyse par un arbre des défaillances est fondée sur les principes suivants :
un événement est une combinaison d’événements de base non

décomposables,
les évènements de base sont indépendants,
la probabilité d’occurrence des événements de base peut être évaluée.
36
Les liens entre les différents évènements sont réalisés grâce à des opérateurs
logiques, (ET, OU, ...). Cette méthode utilise une représentation graphique qui permet de
présenter les résultats dans une structure arborescente.
Dans l'exemple de la figure 12, pour que l'événement redouté se réalise, il faut
que l'un des événements E1 ou E2 se réalise. Pour que l'événement E1 se réalise, il faut
que l'un des événements de base e1 ou e2 se réalise, et pour que l'événement E2 se réalise,
il faut que les deux événements de base e3 et e4 se réalisent en même temps.
Evènement Redouté
tel-00842756, version 1 - 9 Jul 2013
Evènement E1 Evènement E2
Porte OU Porte ET
e1 e2 e3 e4
Fig. 12 Exemple d’Arbre de Défaillance
Ainsi, l'événement redouté peut s'écrire:
ER = E1 OU E2 = (e1 OU e2) OU (e3 ET e4) (I.5)
Et l'utilisation des lois de l'algèbre booléenne permet de mettre l'expression

booléenne de l'événement redouté sous la forme:
ER = E1 + E2 =(e1 + e2) + (e3 x e4) (I.6)
Les objectifs de l’analyse par Arbre de Fautes sont résumés en quatre points :
La recherche des événements élémentaires, ou leurs combinaisons qui

conduisent à un E.R.
La représentation graphique de la logique de défaillance entre les événements

conduisant à un événément redouté, ce qui implique qu’il y aura autant
d’arbres de défaillances à construire que d ’E.R. retenus.
37
L’analyse qualitative : cette analyse permet de déterminer les faiblesses du

système. Elle est faite dans le but de proposer des modifications afin
d’améliorer la fiabilité du système. La recherche des éléments les plus
critiques est faite en déterminant les chemins qui conduisent à un E.R. Ces
chemins critiques représentent des scénarii qui sont analysés en fonction des
différentes modifications qu’il est possible d'apporter au système.
L’analyse quantitative : connaissant la probabilité des événements

élémentaires, il est possible d’évaluer la probabilité d’apparition de l’E.R.
L’objectif est en particulier de définir la probabilité d’occurrence des divers
événements analysés. Les calculs reposent sur : les équations logiques tirées de
la structure de l’arbre de défaillances et des probabilités d’occurrence des
tel-00842756, version 1 - 9 Jul 2013
événements élémentaires.
L'arbre de défaillances est une méthode statique basée sur la logique booléenne
pour représenter le système étudié. Elle est adaptée à des systèmes à configuration
statique, c'est-à-dire des systèmes dont les relations fonctionnelles entre leurs composants
restent figées.
Les méthodes les plus adaptées à la modélisation et à l'analyse des systèmes

dynamiques sont les modèles états transitions tels que les graphes d'états (les graphes de
Markov et les réseaux Bayésiens) et les approches basées sur les réseaux de Petri.
I.7.5. Analyse par Arbre d’Évènements

L’analyse par Arbre d’Évènements est une technique d’identification et
d’analyse de la fréquence des dangers moyennant un raisonnement inductif pour
convertir différents évènements initiateurs en conséquences éventuelles relatives au
fonctionnement ou à la défaillance du système selon les dispositifs techniques, humains,
et organisationnels.
À l’inverse de l’analyse par Arbre de Défaillances, l’analyse par Arbre

d’Évènements suppose la défaillance d’un composant ou d’une partie du système et
s’attache à déterminer les évènements qui en découlent.
L’analyse par Arbre d’Évènements se déroule en plusieurs étapes préliminaires

[Mazo08]:
38
Considération d’un évènement initiateur ;
Identification des fonctions de sécurité prévues pour contrôler son évolution ;
Construction de l’arbre ;
Description et exploitation des séquences d’évènements identifiées.
Il serait plus pertinent d’élaborer un Arbre d’Évènements à l’issue d’une

première analyse identifiant les accidents potentiels à l’image de l’APR. Les fonctions de
sécurité doivent être assurées par des barrières ayant pour objectif d’empêcher le
processus de matérialisation d’un accident provoqué par un évènement initiateur.
La construction de l’arbre consiste à envisager soit le bon fonctionnement soit

le dysfonctionnement de la première fonction de sécurité en partant de l’évènement
tel-00842756, version 1 - 9 Jul 2013
initiateur. La suite de la méthode consiste à examiner le développement de chaque

branche en considérant systématiquement le fonctionnement ou la défaillance de la
fonction de sécurité jusqu’à l’atteinte d’un accident potentiel.
On peut ajouter un aspect quantitatif à l’arbre d’événement en indiquant les

probabilités des événements pris en compte. A chaque alternative on indique la
probabilité de la branche supérieure (l’autre étant son complément à 1). La propagation
des probabilités d’occurrence des évènements initiateurs permet de calculer la probabilité
de l’évènement redouté. La figure 13 ci après illustre l’exemple de l’arbre d’événément
d’un tuyau de gaz arraché [Mort02].
Robinet fermé La ventilation Odeur du gaz

0.8 dilue le gaz détectée
0.9 0.99
Oui
Oui
Oui Non
Pas d’accident
Oui
0,9
Tuyau de gaz Non
arraché Non
Oui
Oui
Pas d’accident
Non Non
Oui
Risque détecté maîtrisable 0,0198
Non Risque d’accident non détecté
Non
Fig.13 Arbre d’événement « tuyau de gaz arraché »
39
I.7.6. Diagramme de Fiabilité (DF)

Le diagramme de fiabilité permet de déterminer la fiabilité globale d’un
système et présente l’intérêt d’offrir une modélisation quasi directe de sa vue
fonctionnelle [Biro97] [Page80] [Zwin99].
Les diagrammes sont constitués d’une entrée E et d’une sortie S. La

représentation consiste en la juxtaposition série, parallèle ou mixte de blocs associés aux
entités de base du système, représentent généralement des composants, des sous-systèmes
ou des fonctions et traduisant les conditions d’accomplissement du service à fournir par
le système (figure 14). Le comportement des entités est binaire (fonctionnement
/défaillance). Un bloc est considéré comme un interrupteur fermé lorsque l’entité est en
état de fonctionnement ou un interrupteur ouvert lorsque l’entité est en état de panne. Le
tel-00842756, version 1 - 9 Jul 2013
système est déclaré en état de fonctionnement si le "signal" qui entre dans le diagramme
est récupéré à la sortie, sinon le système est en panne.
D’une part, le DF permet une analyse qualitative en déterminant les chemins

qui conduisent à la réussite de la mission du système et la recherche des composants
apparaissant dans le plus grand nombre de ces chemins et les scénarios qui conduisent à
l’échec de la mission, pour éviter les incidents. D’autre part, le DF permet une analyse
quantitative qui a pour objectif en particulier de définir la probabilité de bon
fonctionnement du système. Les calculs reposent sur les probabilités de réussite des
missions des constituants du système.
E S
BLOC 1 BLOC 2 BLOC 3
Fig. 14 Diagramme de fiabilité
I.8. L’analyse de dysfonctionnement par les outils de la

théorie stochastique
Ces méthodes concernent le traitement de problèmes stochastiques, c’est-à-dire
de problèmes aléatoires dépendant du temps. Il s’agit le plus souvent de méthodes
dynamiques. Plusieurs formes successives ou alternatives de traitement sont possibles
suivant les objectifs, engageant plusieurs caractéristiques d’outils (figure 15).
40
tel-00842756, version 1 - 9 Jul 2013
Fig.15 Outils de la théorie stochastique
I.8.1. Outils de calculs probabilistes

Il s’agit d’un ensemble d’outils utilisant les différents théorèmes généraux du
calcul des probabilités (totales, composées, conditionnelles...), ces calculs permettent
d’établir l’occurrence d’événements et les moyens de caractérisation des variables
aléatoires pour simuler des lois de processus stochastiques [Mélé01] [Poir92].
I.8.2. Réseaux Bayésiens

Les réseaux bayésiens [Naim04] [Todd03], issus de la théorie des graphes, sont
des graphes acycliques orientés. Ils sont constitués de nœuds ni associés à des événements
possédant un nombre fini d’états mutuellement exclusifs ei, et des arcs aij indiquant la
causalité entre les nœuds connectés.
Les réseaux bayésiens sont particulièrement utilisés dans un but d’aide à la

décision et plus précisément dans l’élaboration de stratégies de maintenance des systèmes
41
complexes au travers du diagnostic de fautes lié à l’observation d’un état de panne du

système [Maal03].
Les réseaux bayésiens peuvent représenter les relations de dépendances entre

un événement indésirable (la défaillance d’un système ou un accident) et les causes de cet
événement de manière plus générale qu’un arbre de défaillance, par exemple, ces causes
n’étant pas obligatoirement binaires (fonctionnement ou défaillance) ou connectés par
des portes logiques. Les causes de l’événement redouté peuvent être regroupées en
facteurs organisationnels, en facteurs humains et en facteurs techniques [Raus04] (Figure
16).
B1
tel-00842756, version 1 - 9 Jul 2013
C1 A1
B2
Evénement
C2 A2 indésirable
B3
C3 A3
B4
Facteurs Organisationnels Facteurs Facteurs

Humains Techniques
I.8.3. Réseaux de Petri stochastiques

Les réseaux de Petri sont un outil d’analyse de la structure et du
comportement des systèmes dynamiques à événements discrets [Lade89] [Dutu97].
Basés sur la description des relations existant entre les conditions et les
évènements intervenant sur le système, ils s’appuient sur une représentation
mathématique qui s’ouvre à différentes formes d’analyse. Un réseau de Petri est un
graphe orienté constitué de places, de transitions et d’arcs [Miha07]:
les places sont représentées graphiquement par des cercles et peuvent être
marquées par une ou plusieurs marques appelées jetons. L’ensemble des
jetons associés aux différentes places constitue le marquage de réseau et
correspond à un état du système modélisé,
42
les transitions sont représentées par des rectangles et agissent, sous

certaines conditions, sur le marquage du réseau,
les arcs sont représentés par des flèches qui lient une place à une transition
(arc amont) ou inversement une transition à une place (arc aval). Un poids
(entier positif) peut leur être affecté. Par défaut, il est égal à 1.
D’une manière formelle, le réseau de PETRI (Rdp) est défini par R = (P, T, A, W, M0,
Pré, Post) [Laro11]:
P = {P1, P2, …, Pm}, ensemble des places, Card (P) = m
T = {T1, T2, …, Tn}, ensemble des transitions, Card (T) = n
l'ensemble des arcs ai de A, tel que ai ∈ A;

tel-00842756, version 1 - 9 Jul 2013
l'ensemble des poids wi affectés aux arcs ai, tel que wi ∈ W, souvent égaux
à 1 pour les réseaux déterministes ou évalués à partir des probabilités pour
les réseaux stochastiques,
le marquage initial M0 avec ses jetons J.
Pre (pi, ti) est l'application d'incidence avant, de type P x T N

correspond aux arcs allant d'une place vers une transition,
Post (pi, ti) est l'application d'incidence arrière, de type T x P N

correspond aux arcs allant d'une transition vers une place.
L’ensemble des places, transitions et arcs constitue la partie statique de la

structure du réseau de Petri. La partie dynamique du réseau (évolution) est obtenue par
des franchissements de transition qui affectent son marquage. Dans le modèle réseau de
Petri d’un système, le marquage du réseau représente l’état du système. Le comportement
du système est simulé par les franchissements de transitions qui changent l’état du
système. Pour qu’une transition soit franchie, il faut qu’elle soit valide ou sensibilisée,
c’est à dire que toutes les places amont de la transition doivent posséder un nombre de
jetons au moins égal au poids de l’arc qui les relie à la transition. Elle peut alors être
franchie et ce franchissement consiste à retirer un nombre de jetons égal au poids de l’arc
amont de chacune des places amont associées et à ajouter un nombre de jetons égal au
43
poids de l’arc aval dans chacune des places aval associées. Le nouveau marquage du
réseau correspond au nouvel état atteint par le système.
P1
1
T1
1 1
P2 P3
1 1
T2
tel-00842756, version 1 - 9 Jul 2013
Fig. 17 Exemple de réseau de Petri
Le principal avantage des RdP est la possibilité d’analyser le comportement

d’un système en présence de défaillances. Cette modélisation dynamique permet
d’obtenir des mesures en terme de fiabilité, en assignant des valeurs numériques aux
paramètres du modèle. Un RdP permet de modéliser d’une part le fonctionnement
normal d’un système et d’autre part les occurrences de défaillances.
Les RdP stochastiques sont une extension des réseaux de Pétri pour lesquels
est associée à chaque transition une variable aléatoire temporelle avec sa fonction de
densité de probabilité. Trois classes des RdP stochastiques sont définies [Miha07] :
RdP stochastiques classique: Les délais associés à chaque transition sont des
variables aléatoires qui suivent des lois de distribution exponentielle. A ce RdP
stochastique, on peut associer une chaîne de Markov équivalente. Le graphe de Markov
est obtenu directement à partir du graphe d’accessibilité du RdP stochastique en
étiquetant chaque arc par un taux de transition d’un marquage à un autre. Le taux de
transition est le paramètre de la loi exponentielle qui détermine le délai de franchissement
de la transition respective. Pour les différents états, le calcul de probabilités instantanées
est obtenu à partir du graphe de Markov.
44
RdP stochastiques généralisés : Dans les RdP stochastiques généralisés, les délais
associés aux transitions temporisées suivent des lois de distribution exponentielle et
certaines transitions sont immédiates (franchies dès la validation). Un RdP stochastique
généralisé comprend deux types d’états : les états tangibles, pour lesquelles toutes les
transitions sensibilisées sont temporisées et les états virtuels pour lesquelles il existe une
transition immédiate sensibilisée. Une fois que les états virtuels sont éliminés,
l’évaluation du marquage reste un processus markovien homogène.
RdP stochastiques déterministes : Dans les RdP stochastiques déterministes, les

délais associés aux transitions temporisées suivent des lois de distribution exponentielle
ou autre et certaines transitions sont immédiates. Pour ce type de RdP stochastiques,
l’évaluation statistique est obtenue, généralement, à l’aide de la simulation Monte Carlo,
tel-00842756, version 1 - 9 Jul 2013
afin de déterminer les probabilités des différents états car il n’existe pas d’expression
analytique dans le cas général. Les RdP stochastiques permettent deux formes
d’exploitation:
l’analyse directe du graphe des marquages conséquents qui permet de caractériser

les propriétés générales et spécifiques (analyse de points de vue) du modèle (le
traitement du graphe de marquage est une analyse qualitative),
l’exploitation du processus stochastique associé (markovien, semi markovien,

avec points de régénération...) qui permet d’évaluer le comportement en régime
permanent et transitoire du modèle (fréquence moyenne de franchissement de
transition (événement), temps moyen de séjour dans les états tangibles...), cette
approche est quantitative.
I.8.4. Graphes de Markov

Les graphes de Markov sont connus pour leurs utilisations et mises en
oeuvres pour le traitement probabiliste des systèmes se comportant dynamiquement. Ils
entrent dans la classe des approches analytiques par états basées sur l’identification des
différents états (méthode de l’espace d’états ) [Vill88] [Noye02] du système concerné puis
sur l’analyse de la dynamique d’évolution entre ces états [Sign05].
Cette approche Markovienne consiste à représenter le fonctionnement d'un

système par un ensemble de composants pouvant se trouver dans un nombre fini d’états
45
de fonctionnement et de panne. Le graphe des états permet de visualiser les différents

états d'un système qui sont représentées par des cercles et relier entre eux par des arcs
orientés qui correspondent aux transitions (pannes et réparations) entre états.
Les sommets du graphe correspondent aux différents états du système qui sont
représentés par des cercles. Ils sont reliés par des arcs orientés affectés d’un taux (ou de
probabilités) de transition non nuls associés aux événements correspondant aux
conditions de transitions (pannes λ et réparation µ) qui font évoluer le système d’un état
à un autre (Figure 18). Pour un système à n composants, si chaque composant a deux
états (fonctionnement et panne), le nombre maximum d'états est 2n.
Les graphes de Markov sont couramment utilisés pour étudier la fiabilité des
systèmes réparables [Gira06] [Sign05]. Le modèle associe une représentation graphique
tel-00842756, version 1 - 9 Jul 2013
et une écriture matricielle (matrice de transition).
Etat Etat de
normal panne
Fig.18 Exemple de modèle de Markov
Les traitements relèvent de calcul matriciel: à chaque instant t, la probabilité

d’occupation d’un état du système ne dépend que de la distribution initiale (à t = 0)
d’occupation des états et de la matrice de transition.
Les résultats sont quantitatifs : probabilités d’occupation d’états, fréquence

d’événements etc, en régime transitoire ou permanent.
Une structure de coût (bénéfices, pénalités...) peut être associée aux temps
d’occupation d’états ou aux événements déclencheurs de changement d’états permettant
d’établir facilement différentes caractéristiques économiques.
Bien que l’aproche Markovienne soit très flexible et puissante, elle n’en souffre
pas moins de quelques limitations [Sign05], qui proviennent principalement de
46
l’impossibilité à utiliser d’autres lois que des lois exponentielles et de l’explosion

combinatoire du nombre des états lorsque le nombre de composants élémentaires
augmente, car tous les états possibles et toutes les transitions entre les états doivent être
pris en compte dans le processus de modélisation. Cela limite sa mise en oeuvre
rigoureuse aux petits systèmes.
I.8.5. Simulation de Monte-Carlo

Appelée Monte-Carlo par von Neumann par allusion aux jeux de hasard, le
principe de la simulation de Monte-Carlo consiste à remplacer le calcul analytique par du
calcul statistique en réalisant un grand nombre d’histoires du système étudié [Sign08].
L’approche consiste à créer un grand nombre de scénarii en répétant l’attribution d’une
valeur numérique aux variables dépendant du déroulement des processus stochastiques.
tel-00842756, version 1 - 9 Jul 2013
Le principe de la simulation Monte Carlo est de développer un modèle

analytique basé sur des tirages aléatoires. Le modèle est évalué en utilisant des données
sur le système, pour prévoir son comportement, habituellement par de multiples
simulations. Chaque évaluation (ou simulation d’un cycle) est basée sur des conditions
aléatoires pour les paramètres d’entrée, puis un traitement statistique est effectué sur la
distribution de probabilités des résultats successifs obtenus (calcul de moyenne, de la
dispersion, etc.).
L’inconvénient de cette méthode est qu’il est obligatoire d’augmenter le

nombre des simulations pour affiner l’évaluation des résultats.
Les étapes de réalisation de la simulation Monte Carlo sont les suivantes:
définition du système en utilisant un modèle,
génération des numéros aléatoires,
génération des variables aléatoires,
évaluation du modèle,
analyse statistique des résultats,
étude de l’efficacité et de la convergence de la simulation,
47
I.9. Conclusion
Le premier point abordé dans ce chapitre se focalise sur la définition de la
notion de complexité et sur le rôle de la systémique dans l’analyse des systèmes
complexes.
Il a été souligné aussi dans ce chapitre, la nécessité d’utiliser les approches de

la systémique pour appréhender la complexité des systèmes, et d’utiliser leurs concepts
théoriques pour l’analyse du comportement des systèmes complexes, en vue de leur
compréhension.
Cette considération s’applique nécessairement aux études de sûreté de

fonctionnement et de maîtrise des risques qui traitent les systèmes complexes hommes-
machine en intégrant leurs défaillances potentielles. Les défaillances humaines et
tel-00842756, version 1 - 9 Jul 2013
techniques qui apparaissent au sein de ces systèmes, mènent à des comportements

difficilement prévisibles qui doivent pourtant être évités ou maîtrisés.
La sûreté de fonctionnement, ses concepts, ses moyens et ses méthodes sont

ensuite présentés dans ce chapitre. Ainsi ces méthodes permettent une analyse
fonctionnelle et dysfonctionnelle des systèmes, et la modélisation des comportements de
fonctionnement et de dysfonctionnement des systèmes complexes, selon une approche
systémique, est à privilégier et à envisager dès la conception des systèmes. Cette approche
intègre l’ensemble des interactions qui peuvent exister dans un système évoluant dans un
environnement particulier.
Pour l’étude et l’évaluation de la sûreté ferroviaire, objet de nos travaux de

recherche, où les multiples interactions avec son milieu environnant rendent ce système
complexe, l’approche systémique permettrait une approche macroscopique de ce système
dans son contexte général et de manière transversale.
Dans le chapitre suivant, nous allons aborder quelques approches d’analyse et

de modélisation de la sûreté du système de transport ferroviaires, en particulier au niveau
du Passage à Niveau, lieu de croisement entre la voie ferrée et la route, qui est considéré
comme le point le plus sensible de la sûreté ferroviaire. Nous expliquerons aussi les
limites de ces modèles à appréhender toute la complexité du Passage à Niveau, et à
permettre à l’analyste sécurité de percevoir les causes possibles des dysfonctionnements
de ce système aussi bien sous l’angle technique, économique que comportement humain.
48
Chapitre II. Sûreté ferrviaire au niveau du Passage à Niveau :problématique et état de l’art
Chapitre II
Sûreté ferroviaire au niveau du Passage à
Niveau: Problématique et état de l’art
Sommaire
II.1. Introduction ................................................................................. 50

II.2. Les modèles de risques de sûreté ferroviaire.......................................... 51
tel-00842756, version 1 - 9 Jul 2013
II.2.1.Données requises pour la modélisation................................................... 51

II.2.2.Importance du comportement humain ................................................... 52
II.2.3.Le modèle de risque SELCAT ............................................................... 54
II.2.4.Modèle du risque collision par réseau de Petri Stochastiques (RdPS)....... 59
II.2.4.1.Modélisation du côté ferroviaire.................................................. 60
II.2.4.2.Modélisation du côté routier ....................................................... 60
II.2.4.3.Modélisation du système de protection du PN ............................. 61
II.2.4.4.Modélisation du système global .................................................. 62
II.2.4.5.Dynamique du modèle ............................................................... 62
II.2.4.6.Simulation du risque collision ..................................................... 63
II.2.5.Approche d’évaluation du Passage à Niveau par analyse fonctionnelle.... 64
II.2.6.Autres approches................................................................................... 67
II.3. Conclusion et discussion sur les limites des modèles ............................... 70
II.4. Proposition d’une approche fondée sur le Retour d’Expérience et l’approche
Bayésienne.......................................................................................... 72
49
II.1. Introduction
Le Passage à Niveau est considéré comme le point le plus critique dans la
sûreté ferroviaire, car contrairement aux autres parties du réseau, les manoeuvres
d’exploitation sécuritaire dépendent dans une large mesure du comportement correct des
usagers de la route.
Malgré ce fait, le souci majeur de l’organisme ferroviaire ONCF a été toujours

de réduire le risque de collision aux Passages à Niveau pour deux principales raisons : la
première est que la collision entre un véhicule routier et un train peut provoquer le
déraillement du train et ainsi causer la mort ou des blessures aux passagers et à
tel-00842756, version 1 - 9 Jul 2013
l'équipage de bord. La deuxième est que l’ONCF opère selon des règles et des règlements
stricts, et donc la ligne ferroviaire est plus facile à contrôler que les routes, où un grand
nombre de conducteurs et de piétons agissent librement en enfreignant les règles de
circulation avec peu d’impunité.
La photo 1 ci après illustre une collision entre un train voyageur et un bus de

transport écolier survenu dans la région de Marrakech le 21 mai 2012 au niveau d’un
Passage à Niveau non protégé. Le bilan est lourd : 5 morts et 16 blessés.
Photo. 1 Collision entre un train et un bus scolaire
Plusieurs documents élaborés sur la sécurité aux Passages à Niveau, les

terminologies appropriées, la comparaison des facteurs de risques opérationnels, les
importantes questions sur les facteurs humains, la psychologie d’avertissement et de
signalisation, les pratiques et théorie d’évaluation et de gestion des risques, ont pour but
de réduire et maîtriser le risque au niveau de ce point névralgique du réseau ferroviaire.
50
Dans ce chapitre, nous évoquerons les approches d’analyse de la sûreté des

Passages à Niveau. La plupart de ces études ont concerné le développement des
techniques de modélisation des risques sous forme d’arborescence ou autres.
II.2. Les modèles de risques de sûreté ferroviaire

Les modèles de risque sont progressivement développés dans le secteur des
transports, et particulièrement en chemins de fer, pour permettre que les décisions soient
prises là où les risques sont majeurs et trouver la manière de les réduire ou de les éliminer
avec le souci primordial d’efficience des décisions sécurité.
Le risque est essentiellement une combinaison de la probabilité (la fréquence d’un

danger susceptible de se produire) et une conséquence (si le danger se produit, quelles
tel-00842756, version 1 - 9 Jul 2013
sont les conséquences) et donc un certain nombre d'importantes données d’entrées sont
indispensables avant de pouvoir modéliser :
Comment ces véhicules routiers et les trains entrent en collision?
Combien de personnes seront dans ce véhicule routier, ou à bord du train?
Quelles sont les vitesses du train et ces véhicules?
Quelles sont les caractéristiques du lieu de croisement ?
Etc.
Il est donc nécessaire de disposer des données fiables des niveaux de trafic, des
vitesses, des accidents antérieurs, des presques accidents, des accidents actuels, etc. Une
fois ces informations disponibles, il est possible de créer un modèle de la probabilité et
des conséquences des accidents au niveau des Passages à Niveau.
Un des grands avantages que peut offrir la modélisation du risque, est qu’on peut
examiner à travers des analyses et des études de simulation du système de protection du
Passage à Niveau et de sa technologie, l’effet sur le risque quantifié.
II.2.1. Données requises pour la modélisation

L’ensemble des études ou modèles d’analyse de la sécurité au niveau des Passages
à Niveau, nécessitent une grande connaissance des caractéristiques géomètriques et de la
densité du flux de traffic au niveau de ces Passages à Niveau.
51
Parmi ces données nécessaires, on peut citer:
Type du Passage à Niveau (protégé,non protégé, etc.)
Densité du trafic routier (éventuellement en fonction de l’heure et de la journée),
La densité du trafic ferroviaire (éventuellement en fonction de l’heure et de la

journée),
Les paramètres géomètrique du croisement (Longueur de la route,

longueur traversée ferroviaire),
L'orientation du Passage à Niveau (Nord/Sud , Est/Ouest),
Vitesses de circulation routière et ferroviaire,
Les incidents antécédents,

tel-00842756, version 1 - 9 Jul 2013
Les attitudes des conducteurs,
L’historique des défaillances,
Les caractéristiques de la route d’approche (visibilité, surface,vitesse limite, vitesse

réduite),
Nous rappelons aussi que le secteur ferroviaire est régi par des lois et textes
règlementaires propres à chaque pays, qui conditionnent les pratiques et techniques mises
en œuvre, et que la mise à jour de ces textes et lois nécessite le développement d’une base
de données de performance de sécurité des Passages à Niveau.
II.2.2. Importance du comportement humain

Un grand nombre de travaux de recherches [Mich11] [SELC08] [SETRA08] ont
souligné l’importance de prendre en compte les actions et les erreurs humaines aux
Passages à Niveau, et la nécessité d’une approche centrée facteur humain plutôt que le
recours à des solutions purement technologiques. En effet, les Passages à Niveau sont
considérés par la plus part comme un problème qui relève uniquement de la Direction
des chemins de fer, alors que la majorité des risques résulte du comportement des usagers
de la route (environ 68% selon les statistiques des accidents de la Grande Bretagne,
illustrées dans la figure 1 ci après [SELC08]).
52
Fig. 1 Répartition des causes des accidents au niveau des Passages à Niveau en GB
D’autres travaux se sont intéressés à la psychologie des avertissements et des

tel-00842756, version 1 - 9 Jul 2013
panneaux de signalisation au niveau du Passage à Niveau, et ont souligné les facteurs qui
peuvent influencer le comportement humain et entrainer une incapacité à se conformer
aux panneaux de signalisation et d’avertissement. Ils proposent aussi la détermination et
l’évaluation des moyens opérationnels en terme de signalisation et de sensibilisation
visant à modifier le comportement incorrect des usagers de la route.
Parmi les résultats de ces recherches psychologiques, il en ressort trois grands

facteurs qui affectent le degré de respect des panneaux de signalisation et d’avertissement
aux niveaux des Passages à Niveau par les usagers.
- Le non respect des signalisations : de nombreuses études ont constaté que des
panneaux d'avertissement sont plus susceptibles d'être inefficaces si le temps d’attente
pour se conformer à ces signalisations est perçu élevé par les usagers de la route. Réduire
ce temps d’attente est un moyen très efficace d'accroître la sécurité.
- La perception du niveau de risque: elle a une forte influence sur la décision prise
par l’usager de la route à respecter ou non les signalisations. Plus la perception du danger
est grande, plus l’usager respecte les panneaux d’avertissement.
Plusieurs facteurs peuvent influer le niveau de perception du risque par l’usager de

la route, on peut citer sa familiarisation avec le Passage à Niveau, présence de panneaux
de pubicité à côté des signaux d’avertissement qui peuvent dévier l’attention du
53
conducteur, l’aspect géométrique du signal d'avertissement (taille, couleur, forme,

emplacement, etc.) peut ne pas communiquer la gravité du risque.
- Les facteurs de décision personnelle, sociale et culturelle : certains usagers de la route

peuvent ignorer la signalisation d'être prudent à l'approche d'un Passage à Niveau, non
pas parce qu'ils ont sur-évalué le temps d’attente, ou parce qu'ils ont sous-estimé le
danger, mais parce qu'ils ont une tolérance élevée du risque qui les rend disposés à
prendre des actions risquées tels que ignorer l’alarme et s’engager à l’intérieur du Passage
à Niveau.
En effet, certains usagers de la route peuvent reconnaître l'existence d'un danger

(train qui s’approche) mais tentent de maîtriser les risques en se comportant de manière
sûre, par exemple traverser le passage avec une grande vitesse, tant que les barrières sont
tel-00842756, version 1 - 9 Jul 2013
encore en cours de fermeture. L’entourage affecte aussi les notions individuelles

d’acceptabilité des règles et normes car il n'est pas surprenant qu'un usager de la route
soit influencé par l’attitude d’un autre usager de la route qui se conforme ou non aux
panneaux d'avertissement.
II.2.3. Le modèle de risque SELCAT

Le projet SELCAT [SELC08] « Safer European Level Crossing Appraisal and
Technology » qui a été initié par l’Union Européenne en 2006, a examiné au cours de 22
mois d’études, les théories et les pratiques de modélisation des risques, et son application
au Passage à Niveau par les divers partenaires du monde entier de ce projet. Le but du
projet SELCAT est de:
Fournir une base de connaissance pour l’amélioration de la sécurité au niveau des

Passages à Niveau, par l’analyse des résultats des études sécurité relatives aux
transports routier et ferroviaire,
Fournir un aperçu sur les recherches de sécurité ferroviaire existantes et planifiées

dans 15 pays des 3 continents : Europe, Asie et Afrique,
Analyser les bases de données des incidents et accidents relatives aux Passges à
Niveau du monde entier,
Proposer un standard pour le reporting des accidents au niveau de l’Europe,
54
Concevoir un système d’information commun relatif aux accidents des Passages à

Niveau,
Examiner l’efficacité des technologies existantes et nouvelles pour améliorer la

sécurité et les performances du système de Passage à Niveau,
Examiner l’efficacité des méthodes de classification des solutions technologiques

visant à améliorer la sécurité du système route/voie ferrée.
A l’issue de ce travail d’harmonisation et de comparaison des différentes

approches et études de sécurité des différents pays membres de ce projet, il en ressort les
conclusions et directives importantes telles que:
Les techniques de modélisation du risque sont de plus en plus disponibles pour être
tel-00842756, version 1 - 9 Jul 2013
utilisées comme outils de décision afin d’identifier les activités à risques élevés et où
les ressources limitées et investissements doivent être mieux gérés.
Tels outils peuvent être conçus pour permettre la modélisation du risque au niveau
d’un site de Passage à Niveau et des comparaisons peuvent être faites entre les
différents lieux, types de Passages à Niveau, groupes géographiques, pays, etc.
Avant de développer de tels outils, il est essentiel de recueillir les informations

concernant les spécificités des lieux, les statistiques du flux du
système routier/ferroviaire, de préférence sur plusieurs années, afin de fournir une
base fiable pour la modélisation. Lorsque certaines de ces informations ne sont pas
disponibles, d'autres techniques de collecte de ces informations peuvent être utilisées
(brainstorming, ingénierie appliquée aux jugements et décisions, techniques
d’apprentissage etc.).
La sécurité au niveau des Passages à Niveau n'est pas principalement une activité
ferroviaire, mais elle concerne les deux secteurs routier et ferroviaire qui ont besoin de
travailler en partenariat afin d’établir des actions dont la mise en œuvre effective
relève de leur responsabilité conjointe.
Le modèle générique du Passage à Niveau et l’outil de décision des actions

sécurité prioritaires et efficientes permettent de calculer les impacts suivants:
La sûreté mesurée en termes d’accidents mortels et blessures mineures ou majeures,
55
Le coût en termes d’investissement sécurité,
La performance en terme de retard des trains et des usagers de la route.
L'approche développée par SELCAT pour la modélisation du risque a classifié le

type d'informations qui peuvent être fournis dans une grille verticale allant de 0 à 4, selon
la complexité du modèle à établi, comme indiqué dans la figure 2 ci-dessous :
Complexité croissante Détail du modèle Description
Niveau 0: Données
moyennes de fréquences et
conséquences au Passage
à Niveau
tel-00842756, version 1 - 9 Jul 2013
Niveau 1:Données sur les

risques par type de Passage à
AHB CCTV Utilisateur Autres Niveau (mais pas par causes)
privé
Niveau 2: Données de
fréquences et conséquences
Erreur Utilisation Erreur du Panne par état membre du type de
conducteur abusive personnel équipement Passage à Niveau et par type
délibérée ferroviaire PN de cause
Niveau 3: Données de
fréquences et conséquences par
état membre du type de
Visibilité Adhésion Groundi Blocage
Fondation Passage à Niveau et par type de
arrière causes spécifiques
Niveau 4: Localisation du
risque spécifique
Estimations de fréquences et
Véhicule Fréquence Conditions Détection conséquences des causes
Fréquence Train routières d’obstacle pour chaque Passage à
locales
Niveau en tenant compte de
ses caractéristiques locales
Symbole utilisé pour indiquer la zone qui devra être

étendue pour développer un modèle complet
Fig. 2 Niveaux de détails des modèles de risques des PN (SELCAT)
56
Les cinq niveaux de modélisation de 0 à 4 reflètent le degré d’informations ou de

détails nécéssaires pour permettre aux décideurs et ingénieurs sécurité d’accomplir les
actions désirées en terme de gestion et maîtrise du risque.
Niveaux de modélisation
Objectifs
niveau
niveau
niveau
niveau
niveau
0
4
Evaluation de la contribution des passages à niveau dans
√√√ √√√ √√√ √√√ √√√
l’ensemble du risque ferroviaire.
Evaluer les avantages de la mise à niveau d’un type de PN à
√√ √√ √√ √√√
autre type existant.
Identifier les types de PN qui présentent les risques élevés. √√√ √√√ √√√ √√√
Evaluer les causes génétiques des risques à différents types

√√√ √√√ √√√
tel-00842756, version 1 - 9 Jul 2013
de PN.
Informer une stratégie nationale des moyens de traitement
√ √√ √√√
des risques pour chaque type de PN.
Identifier pour chaque type de PN, les sources de risques
√ √√ √√√
dominants.
Evaluer les causes spécifiques du risque pour différents
√ √√ √√√
types de PN.
Mettre en œuvre une stratégie nationale pour remédier aux

√ √√ √√√
principales causes de risque pour chaque type de PN.
Evaluer le risque à un PN spécifique. √√√

Identifier les PN spécifiques qui présentent des niveaux de
√√√
risques disproportionnés.
Informer une stratégie pour mettre à niveau un PN
√√√
spécifique.
Identifier le moyen le plus efficace pour remédier aux
√√√
risques des PN spécifiques.
Evaluer les performances des actions sécurité qui peuvent

√√√
être atteints à partir de différents niveaux d’investissement.
Priorisation du programme d’amélioration de la sécurité des

√√√
PN.
Tab. 1 Objectifs fournis par les différents niveaux du modèle SELCAT
Le modèle de risque SELCAT des Passages à Niveau possède trois composantes

comme indiqué dans la figure 3 ci dessous:
1. Les Arbres de défaillance, qui sont utilisés pour estimer la fréquence des
collisions entre les trains et véhicules routiers aux Passages à Niveau,
57
2. Les arbres d'événements, qui exploreront la manière dont l'événement peut

dégénérer (déraillement du train, heurt des obstacles, incendie, etc.)
3. L’ensemble des conséquences prévues estimant ainsi les impacts probables des
accidents.
Arbre d’événements (simplifié)
Déraillement Autorisation 2° Collision avec Collision avec Feu par la

maintenue? train structure suite
Pas d e déraillement
Maintien autorisation
Déraillement Ensemble de Risque
Collision règles
Pas de collision conséquentes
Hors line
tel-00842756, version 1 - 9 Jul 2013
Pas de feu
2° Collision avec train
Feu
Collision
AHB
Arbre de fautes (simplifié)
Abus UR Erreur Panne

délibéré de Erreur personnel équipement
UR Conducteur ferroviaire LC
Soleil Sol du Second

Visibilité Blocage Faible
éblouiss croisemen train
retour Adhésio
Médiocre ant t Arrive n
Fig. 3 Illustration des trois composantes du modèle de risque SELCAT des PN
La première étape de l'élaboration du modèle est d'identifier les causes des

accidents qui peuvent contribuer au risque collision aux Passages à Niveau. Ces causes
sont regroupées en quatre types de causes génériques:
L’abus délibéré des usagers de la route,
L’erreur du gardien du Passage à Niveau ou de la signalisation,
La défaillance de l’équipement du Passage à Niveau,
L’erreur non intentionnée de l’usager de la route, pour des raisons de visibilité,

ou viabilité du PN, conditions climatiques etc.
58
La figure 4 ci dessous montre l’ensemble des causes identifiées pour le risque

accident au Passage à Niveau de type semi-barrières automatiques « AHB :Automatic
Half Barriers ».
Collision
au « AHB »
Abus Panne
Erreur du
Erreur du délibéré de équipement
Personnel
conducteur UR férroviaire PN
Visibilité Sol du Second Faible Usage à Vandalis Erreur Erreur Erreur Ne ferme Protectio Manipula
Soleil Panne Blocage
Médiocr croiseme train adhésion risque me ou control gardien conducte pas n tion
éblouiss au retour
e nt arrive suicide manuel ur Train Supprim abusive
ant
ée
Fig. 4 Arbre de causes des accidents au niveau du PN type AHB

tel-00842756, version 1 - 9 Jul 2013
II.2.4. Modèle du risque collision par réseau de Petri Stochastiques (RdPS)

[Ghaz08] a proposé un modèle basé sur les réseaux de Petri (RdP) pour évaluer le
risque collision au niveau du Passage à Niveau, causé par la formation de bouchons au
niveau du trafic sur la voie routière croisant la ligne ferroviaire, aux moments des
embouteillages.
Le modèle proposé considère un PN de type protégé, sur un croisement d’une

ligne ferroviaire à voie unique avec une voie routière à double sens, et équipé d’un
système de détection de trains (pédales d’annonce), de feux de signalisation et de deux
demi-barrières.
Il a été constaté à plusieurs reprises, quand le PN est ouvert (barrières en position

haute et feux routiers au vert), et lorsqu’un bouchon se forme à la sortie du PN, les
automobilistes à l’entrée du PN ne s’arrêtent pas avant la barrière protégeant l’entrée du
PN, mais accèdent à la Zone de Croisement (ZC) du PN, au risque de rester bloqués sur
la voie ferrée. En principe, ce genre de comportement des conducteurs est interdit par le
code de la route, puisque même si le PN est ouvert au trafic routier, l’automobiliste doit
s’assurer de pouvoir quitter la zone de croisement du PN en toute sécurité avant de
s’engager.
Dans le modèle de réseaux de Petri Stochastiques (RdPS) utilisé, le facteur temps

est représenté explicitement sur les transitions, sous forme de délais fixes ou de
59
distributions probabilistes et l’utilisation des arcs inhibiteurs permet d’éviter la complexité

du modèle.
Afin de développer un modèle de comportement complet de l’environnement du

Passage à Niveau, il a été procédé à sa décomposition en sous-systèmes. Le modèle
complet est finalement obtenu par l’intégration de l’ensemble de ces modèles
élémentaires. Les trois modèles élémentaires qui constituent la dynamique du système
PN et qui représentent chacun une partie de l’environnement du PN sont:
1. Le trafic routier,
2. Le trafic ferroviaire,
3. Le système de protection du PN.
II.2.4.1. Modélisation du côté ferroviaire

tel-00842756, version 1 - 9 Jul 2013
Le trafic ferroviaire de ce modèle a comme hypothèse qu’il s’agit d’une voie

simple à sens unique, avec l’existence de deux types de trains : train fret et trains
voyageurs caractérisés par des vitesses différentes. Le modèle élémentaire du coté
ferroviaire est présenté sur la figure 5.
Fig. 5 Modèle élémentaire Rdp du côté ferroviaire
II.2.4.2. Modélisation du côté routier

Afin de déterminer le risque imputé exclusivement au problème de bouchon, le
modèle est réalisé sous les hypothèses d’absence des autres comportements inadmissibles
des usagers de la route (passage en chicane, accidents de circulation, etc.) et que la
formation de bouchon se fait sur une seule direction de la route.
Le modèle élémentaire du coté routier est présenté sur la figure 6:
60
tel-00842756, version 1 - 9 Jul 2013
Fig. 6 Modèle élémentaire Rdp du côté routier
II.2.4.3. Modélisation du système de protection du PN
Le fonctionnement du système de protection du PN est modélisé comme suit pour

mettre en évidence les états de fermeture et d’ouverture:
Le PN est considéré fermé au trafic routier à partir du moment où les feux

rouges sont allumés (début de descente des barrières),
Il est considéré ouvert au trafic routier une fois que les feux rouges sont
éteints et les barrières complètement remontées.
Le modèle élémentaire du système est présenté sur la figure 7 :
Fig. 7 Modèle élémentaire du système de protection du PN
61
II.2.4.4. Modélisation du système global

L’intégration des sous modèles en vue de l’établissement du modèle
comportemental global se fait par l’introduction des deux interactions de comportements
des sous systèmes:
La première interaction : entre le trafic ferroviaire et le système de contrôle

ferroviaire. Le PN commence à fermer le trafic après une temporisation de
l’annonce de l’arrivée du train (pédale d’annonces).
La deuxième interaction : entre le système de contrôle du PN et le trafic

routier, traduite par l’interdiction du franchissement des transitions
correspondant à l’entrée de véhicules dans la zone de croisement quand le
tel-00842756, version 1 - 9 Jul 2013
Passage à Niveau est fermé.
Le modèle global est présenté sur la figure 8:
Fig. 8 Modèle global du système PN avec Rdp
II.2.4.5. Dynamique du modèle

La dynamique de ce modèle basé sur le réseau de Petri est assurée en affectant soit
les dates d’occurrence des actions, soit la probabilité de leur occurrence :
62
pour les actions dont la date relative de tir est fixe, comme par exemple la
remontée des barrière, un intervalle est associé à la transition
correspondante.
pour les actions dont la durée tourne autour d’une moyenne connue, la loi
normale tronquée autour de cette valeur moyenne est choisie.
pour les actions qui ne présentent pas une certaine régularité, comme par
exemple la génération de véhicules au niveau du PN, la loi de Poisson est
utilisée.
II.2.4.6. Simulation du risque collision

La simulation effectuée a pour but d’étudier l’influence des paramètres suivants
tel-00842756, version 1 - 9 Jul 2013
sur le risque collision:
La longueur N de la file des véhicules sur la zone de bouchon,

Le taux Prisque qui reflète la proportion de véhicules qui s’engagent sur la
zone de croisement malgré la formation du bouchon,
La durée D d’ouverture continue de la circulation dans chaque sens de
circulation.
Pour chaque valeur de N, le risque collision est évalué en fonction des deux
paramètres D et Prisque. Les résultats de la simulation montrent que pour une valeur fixée
de N, une plage de valeurs de D permet d’avoir un risque de collision quasi nul, le risque
augmente par intervalle de manière quasi-linéaire en fonction de D, avant de se stabiliser.
L’influence pour une grande valeur de N sur le risque collision, devient de plus en plus
prépondérante par rapport à celle de Prisk.
Probabilité
de collision
Durée d’ouverture
du trafic
Fig. 9 Résultats du modèle Rdp du PN pour N=6
63
II.2.5. Approche d’évaluation du Passage à Niveau par analyse

fonctionnelle
[Simo10] a proposé d’évaluer les performances des Passages à Niveau en
analysant ses fonctions requises, qui consistent à gérer l’interface route/voie ferrée. Ces
fonctions sont développées selon la figure 10 ci-dessous :
1.1 1.2.1
FOURNIR DES ARRETER LA
INFORMATIONS AUX CIRCULATION ROUTE
USAGERS DE LA ROUTE LORS PASSAGE TRAIN
1.2 1.2.2
STOPPER LA PERMETTRE USAGERS
CIRCULATION ROUTIÈRE ROUTE DE TRAVERSER
1 QUAND LE TRAIN PASSE SANS DANGER
GÉRER LINTERFACE
CIRCULATION 1.3 1.3.1
ROUTIÈRE
tel-00842756, version 1 - 9 Jul 2013
EFFECTUER SÉQUENCE AVERTISSEMENT LORS

AVERTISSEMENT DE L’APPROCHE DU
TRAIN
1.4 1.3.2
DETECTER VÉHICULES ARRËT AVERTISSEMENT
ROUTIERS SUR OU PRÈS SI PLUS DANGER
DU CROISEMENT POUR USAGERS DE LA
ROUTE
2.1
DETERMINER SI LE
TRAFIC ROUTIER DOIT
ETRE ARRETE
0 2 2.3
2 PERMETTRE
GERER INTERFACE GÉRER INTERFACE SIGNALISATION
ROUTE/VOIE FERREE TRAFIC FERROVIAIRE OBSTACLES DES
USAGERS DE LA ROUTE
2.4
PROTÉGER LE TRAIN
3.1
DETECTER LES ETATS
DE PANNE
3
INTERFACE GESTION
SOUTIEN
3.3
DETECTER LES
ACCIDENTS
Fig. 10 Analyse fonctionnelle du Passage à Niveau
La détection d'obstacle à l’intérieur de l’enceinte du Passage à Niveau est une

solution qui a été utilisée dans le monde entier. Plusieurs méthodes ont été développées
64
qui utilisent des faisceaux laser, radar, boucles inductives et l'échographie. La fonction de
base d'un système de détection d'obstacle est de détecter si un véhicule routier obstrue la
voie ferrée. A travers le système de signalisation, le conducteur du train est averti pour
qu’il s’arrête à l'approche du Passage à Niveau, et évitant ainsi les collisions.
Cette analyse fonctionnelle et d’évaluation de la performance ont pris le cas du

PN équipé de demi-barrières automatiques (Photo. 2) équipé ou non de détecteur
d’obstacle. Ces types de barrières ont été conçues pour améliorer le trafic routier en
minimisant le temps de fermeture de la route, et afin d’être plus économique en
supprimant les barrières à fermeture manuelle. Le fonctionnement de ces passages est
déclenché automatiquement par l'approche d'un train, une séquence d'avertissement
commence immédiatement et est suivie par l'abaissement des barrières qui s'étendent sur
tel-00842756, version 1 - 9 Jul 2013
la moitié de la chaussée seulement, permettant aux véhicules situés déjà sur le passage de
quitter sans entrave.
A TRAFIC ROUTIER DOIT S’ARRETER

ÉTAT DE
DÉTECTION DE B TRAFIC ROUTIER PEUT PROCÉDER
TRAIN SELON 1.2
SYSTÈME DE
SIGNALISATION ARRETER LA
CIRCULATION
ROUTE LORS
PASSAGE TRAIN
AND AND
2.1 1.3
A EFFECTUER LA
DETERMINER SI LE SIGNALISATION OR
TRAFIC ROUTIER D’AVERTISSEMENT
DOIT ETRE ARRETE B
ET SEQUENCE DE
SIRENE
2.3
PERMETTRE
IT AND USAGERS DE LA AND IT
ROUTE DE
1.1 SIGNALER
OBSTRUCTION
FOURNIR LES
RENSEIGNEMENTS
AUX USAGERS DE LA
ROUTE
ALARME DE
3.1
DEFAUTS
DÉTECTER LES
ETATS DE PANNE
Fig. 11 Analyse fonctionnelle du PN type AHB sans détecteur d’obstacle
65
ÉTAT DE
DÉTECTION DE
TRAIN SELON Abus délibéré UR
SYSTÈME DE
ARRETER LA
SIGNALISATION
CIRCULATION
ROUTE LORS
A TRAFIC ROUTIER DOIT S’ARETER PASSAGE TRAIN
B TRAFIC ROUTIER PEUT PROCÉDER AND AND
2.1 1.3
DETERMINER SI LE EFFECTUER LA
TRAFIC ROUTIER A SIGNALISATION
DOIT ETRE D’AVERTISSEMEN OR
B
ARRETE T ET SEQUENCE
DE SIRENE
2.3 ALARME
OBSTRUCTION
INDIQUER
C PASSAGE NON LIBRE OBSTRUCTION AU
D PASSAGE LIBRE TRANSMETTEUR
AND AND
1.4 2.4 COMMANDES DE
DÉTECTER METTRE SIGNAL SIGNAUX
tel-00842756, version 1 - 9 Jul 2013
VÉHICULES C DE DANGER A
ROUTIERS SUR OU L’APPROCHE DU OR
D
PRÈS PASSAGE PASSAGE
1.1
FOURNIR LES
IT AND RENSEIGNEMENTS AND IT
AUX USAGERS DE
LA ROUTE
ALARMES DE
3.1 DEFAUT
DÉTECTER LES
ETATS DE PANNE
3.3
DÉTECTER LES
ACCIDENTS
Fig. 12 Analyse fonctionnelle du PN type AHB avec détecteur d’obstacle
Photo. 2 Passage à Niveau automatique à demi-barrières (AHB)
Un indicateur de performance du PN à demi-barrière automatique est calculé

selon la formule suivante [Simo10]:
66
Pi = Ai x Pfr x Pnc (II.1)
Ai = disponibilité,
Pfr = probabilité de panne du dispositif semi barrière,
Pnc = probabilité qu’il n’ait pas de collision quand un véhicule est coincé à
l’intérieur du Passage à Niveau.
L’indicateur de performance Pi est calculé à travers le modèle fonctionnel
établi pour les deux variantes : le PN à demi barrière automatique est équipé ou non de
détecteur d’obstacle ( figures 11 et 12). Les résultats des calculs ont montré que cet
indicateur de performance est passé de 75,3% à 88,9% en supposant que le détecteur
d’obstacle est fiable et disponible à 100%.
II.2.6. Autres approches

tel-00842756, version 1 - 9 Jul 2013
[Xued10] a élaboré une méthode statistique basée sur une arborescence

hiérarchique de régression HTBR (Hierarchical Tree-Based Regression), pour la
prédiction des accidents entre train et véhicules au niveau des Passages à Niveau
ferroviaires. En utilisant la base de donnée de « Fédéral Rail road Administration (FRA)»
aux Etats Unies d’Amérique, cette recherche se focalise sur les accidents train véhicule au
cours de 27 ans entre les années 1980 et 2006. Cette étude a été menée aux niveaux des
Passages à Niveau équipés uniquement de panneaux d’arrêt, sans être équipés d’autres
appareils de contrôle de trafic ou de contre mesures automatiques.
Le modèle HTBR développé pour prédire les fréquences des accidents entre
train et véhicule a été utilisé au niveau de deux types de Passages à Niveau: PN équipé
uniquement de croix d’avertissement et PN combinant à la fois le panneau de croix
d’avertissement et le panneau STOP.
Les résultats de l’étude indiquent que les panneaux STOP constituent un

moyen efficace de contre mesure pour améliorer la sécurité des Passages à Niveau. Les
décideurs et ingénieurs de circulation peuvent utiliser ce modèle HTBR pour examiner la
fréquence des accidents et évaluer l’efficacité potentielle du panneau STOP selon les
spécifications de chaque Passage à Niveau.
L’étude du facteur humain, principalement les usagers de la route, qui reste

déterminant dans la survenue des accidents et incidents au niveau du Passage à Niveau,
vise à analyser le comportement des conducteurs lors du croisement avec la voie ferrée, et
67
ce dans le but d’évaluer le système de protection actuelle, ou l’effet de l’implémentation

de nouvelles technologies de protection au niveau du PN.
Un exemple de cette étude de simulation [Mich11], a pour objet d’étudier le

comportement des conducteurs, suite à l’installation par les autorités ferroviaires et
routières australiennes, des dispositifs de contrôles actifs constitués de feux rouges
clignotants, dans les PN situés dans les zones rurales et protégés uniquement par des
panneaux «Céder» ou «Stop» . La simulation de conduite a montré que la vitesse
moyenne des véhicules à l'approche du Passage à Niveau a diminué plus rapidement en
réponse à des lumières clignotantes que des panneaux d’arrêt (Figure 13). Ce résultat
confirme la pertinence de cette action sécurité, visant à continuer à améliorer la
signalisation routière « STOP » par des feux rouges clignotants.
tel-00842756, version 1 - 9 Jul 2013
Fig. 13 Profils des vitesses moyennes d’approches du PN
D’autres travaux de recherche ont visé l’élaboration d’un outil d’aide à la

décision dans le domaine de la sécurité ferroviaire [Wash06]. En effet, les exploitants
ferroviaires sont parfois confrontés à des décisions difficiles concernant la sécurité du
transport dans un contexte d'incertitude, surtout lorsqu’il s’agit d’investissements
lourds. En particulier, un exploitant peut s'attendre à choisir parmi un éventail de
technologies ou des contre-mesures pour remédier aux problèmes de sécurité perçues
lorsque:
68
Peu d'informations sont connues sur l’effet de la contre-mesure sur la

sécurité,
L'information est connue, mais de différentes régions, états ou pays où une

généralisation directe ne peut être appropriée,
La pertinence de la technologie à instaurer ou les contre-mesures sont

relativement non prouvées,
Les coûts des essais complets et minutieux de chacune des contre-mesures

proposées sont excessifs.
L'importance d'une décision éclairée et réfléchie sur la base des connaissances

d'ingénierie et de meilleures informations est impérative en raison de l'impact potentiel
tel-00842756, version 1 - 9 Jul 2013
sur le nombre de blessures et de décès humains qui pourraient résulter de ces

investissements.
Dans ce contexte, le travail de [Wash06] décrit la formalisation et l'application

d'une méthodologie pour évaluer l’efficacité de 18 contre mesures pour améliorer la
sécurité des PN en République de Corée. Pour ce faire, il vise à estimer la densité du
‘Facteur de Modification de l’Accident’ (FMA) à partir des avis d'experts. Dans ce cadre
d'analyse complète, les avis collectifs sont combinés avec une connaissance à priori des
densités pour 18 contre-mesures, afin d’obtenir une meilleure estimation de chaque
densité dans un intervalle de crédibilité. Pour les 18 contre mesures analysées, il a été
constaté que les trois contre mesures les plus performantes pour réduire les
accidents sont :
1. les systèmes d'alerte des véhicules,

2. les systèmes de détection d'obstacle,
3. les délais des systèmes d'avertissement.
[Juta06] a examiné les relations entre les accidents et les caractéristiques des
Passages à Niveau où ils ont eu lieu. Différents modèles statistiques de prédiction des
accidents aux PN ont été cités dans son étude (distribution de Poisson, distribution
binomiale négative, distribution de gamma, Formule de Peabody Dimmick, Formule de
prédiction du Département des Transports au Etats Unis : USDOT, etc.). Une
comparaison a été effectuée sur la capacité de ces modèles à prendre en considération les
69
aspects géométriques du PN et les caractéristiques du trafic ferroviaire et routier. [Juta06]

compare aussi les modèles statistiques d'accidents développés aux Etats-Unis et leurs
effets sur les accidents au niveau des PN Coréens, en utilisant les bases de données des
accidents de la Corée.
II.3. Conclusion et discussion sur les limites des modèles

Nous avons passé en revue dans ce chapitre quelques modèles d’analyse des
risques aux niveaux des PN, qui ont été élaborés sous différentes formes (lois statistiques
de probabilités, modèles arborescents, modèles dynamiques de comportement des
composantes matérielles, etc.).
La diversité des composants de l'environnement du système du PN a fait que

tel-00842756, version 1 - 9 Jul 2013
ces modèles ont examinés soit:
1. les aspects techniques et technologiques relevant de l’infrastructure à

travers une étude de leur sûreté de fonctionnement, c’est l’exemple de
l’analyse fonctionnelle du PN type AHB avec ou sans la technologie de
détecteur d’obstacle dans la zone de croisement du PN établie par
[Simo10],
2. soit les facteurs humains dont les défaillances de comportements n’ont

pas été toutes prises en considération à priori dans l’élaboration des
modèles de risque, par exemple le modèle de réseau de Petri élaboré
par [Ghaz08] qui simule le fonctionnement du Passage à Niveau dans
son environnement global, et qui ne prend pas en considération toutes
les possibilités de comportements dangereux de l’usager de la route tel
que le passage en chicane, la possibilité de dépassement en seconde file
ou la probabilité de survenue d’une panne ou accident à l’intérieur de la
zone de croisement etc.
De plus, les hypothèses prises dans les estimations des probabilités des
événements de ces modèles, faute de la non disponibilité des valeurs réelles vu que les
accidents liés aux comportements humains sont imprévisibles et la gravité de leurs
conséquences ne suit aucune logique, ainsi que les hypothèses parfois restrictives visant à
simplifier le modèle, rendent les résultats obtenus approximatifs. En effet, c’est le degré
70
de finesse de la modélisation qui permettra à l’analyste sécurité de percevoir les causes

possibles des dysfonctionnements du système étudié et ceci aussi bien sous l’angle
technique que comportement humain.
Les modèles qui s’appuient sur une représentation arborescente type Arbre de
Défaillances, par exemple le modèle [SELC08], présentent les limites suivantes:
1. cette méthode est binaire, un événement peut soit se produire, soit ne pas se
produire. Dans notre cas d'analyse des incidents aux Passages à Niveau, les
événements représentés dans l’arbre peuvent avoir plusieurs état (par exemple,
dans le comportement de l’usager de la route, on peut rencontrer plusieurs
situations : passage en chicane, suicide, accident, imprudence, panne etc., et
chaque situation peut avoir une incidence sur la nature et la gravité de
tel-00842756, version 1 - 9 Jul 2013
l’accident).
2. les événements intermédiaires dans la représentation graphique sont supposés

être indépendants les uns des autres, ce qui est peu envisageable étant
donné que le comportement humain dépend à la fois de l’usager lui-même,
mais aussi de l’état de l’environnement dans lequel il se trouve. Par exemple,
un comportement abusif du conducteur de la voiture qui tente de traverser le
PN malgré l’approche du train, peut être dû à sa confiance d’une vitesse faible
d’approche du train, de la bonne viabilité du croisement, etc. Ces causes
peuvent influencer la perception du risque chez l’usager de la route,
l’encourageant ainsi à adopter de tels comportements à risques.
3. Il est difficile de renseigner d’une manière mathématique toutes les différentes

probabilités des événements qui constituent l’Arbre de Défaillance. En effet,
les lois statistiques comme la loi de Poisson peut être approximative pour
estimer l’arrivée des voitures à la zone de croisement, mais les fréquences des
comportements abusifs des usagers de la route ne peuvent pas être estimées
réellement, et souvent les probabilités sont données à titre approximatif en se
basant sur les statistiques ou les observations.
La survenue d'incidents aux PN est un événement incertain dont les

conséquences ne peuvent pas être toutes contrôlées. C'est pourquoi nous avons
71
besoin pour notre modèle d’un outil probabiliste graphique qui peut prévoir et
quantifier le risque en relation avec les caractéristiques du PN.
II.4. Proposition d’une approche fondée sur le Retour

d’Expérience et l’approche Bayésienne
Nous proposons pour notre analyse des risques du système ferroviaire, une
approche qui consiste à élaborer un modèle plus proche de la réalité et donc capable de
mieux appréhender la complexité du système. Cette modélisation sous angle systémique
et plus proche du réel sera fondée sur le réseau Bayésien, dont les paramètres seront
extraits des données du Retour d’Expérience des accidents.
Ce modèle permettrait à l’analyste sécurité de s’orienter vers une vision

tel-00842756, version 1 - 9 Jul 2013
macroscopique, pour laisser aux techniciens experts la vision microscopique qui fera
appel à toutes leurs compétences dans un second temps. Le modèle qu’on se propose
d’établir et illustré dans la figure 14 ci après, devrait aller dans un premier temps à
l’essentiel, c’est-à-dire que son objectif principal est de permettre aux analystes de risques
de prédire les principaux points faibles ou failles du système ferroviaire, et ce pour y
remédier.
Les aspects suivants des réseaux Bayésiens les rendent dans notre cas
d’analyse des systèmes ferroviaires, préférables à d’autres modèles:
Les réseaux Bayésiens donnent la possibilité de rassembler et de fusionner

des connaissances de diverses natures dans un même modèle : retour
d’expérience (données historiques ou empiriques), expertise, observations.
La représentation graphique d’un réseau bayésien est explicite, intuitive et

compréhensible par un non spécialiste, ce qui facilite à la fois la validation
du modèle, ses évolutions éventuelles et surtout son utilisation.
L’utilisation des connaissances : on peut se servir du même modèle du

réseau Bayésien pour évaluer, prévoir, diagnostiquer, ou optimiser des
décisions.
72
Approche systémique
Analyse Analyse
Fonctionnelle Dysfonctionnelle
Système Modèle de risque

Ferroviaire Réseau Bayésien
Base de Données Traitement

Retour Base de
D’Expérience Données REX
REX
tel-00842756, version 1 - 9 Jul 2013
Performance des actions sécurité,

Connaissance des probabilités,
Eléments de stratégie de gestion des
risques, de maintenance, etc.
Outil d’aide à la décision,
Etc.
Fig. 14 Schéma du modèle de risque du système ferroviaire sous Réseau Bayésien
Nous proposons dans la suite de ce mémoire, d’illustrer davantage notre

démarche d’élaboration du modèle d’analyse des risques à travers l’examen du système
Passage à Niveau. L’analyse de ce système ferroviaire sous une vue systémique
permettrait de remédier aux limites des méthodes classiques, qui sont le manque de prise
en compte de l’environnement, la focalisation sur des aspects spécifiques, une vision qui
peut être considérée comme essentiellement technique.
Afin de tenir compte de toutes les interactions entre ces différents composants
du PN (infrastructure, environnement, comportement humain etc.), nous utiliserons
donc pour cela une approche d’analyse qui combine à la fois les outils d’analyse des
risques et un modèle graphique probabiliste fondé sur la théorie des Réseaux Bayésiens,
dont les paramètres seront extraits des connaissances qu’on exploitera à partir d’une base
de données du Retour d’Expérience (REX) des accidents antérieurs survenus aux niveaux
des PN (Figure 15).
73
Analyse de dysfonctionnement
Analyse de fonctionnement (APR, AF)
Analyse Modèle de risques RB

Systémique Exploitation du REX
Passage à Niveau
Base de Données brute

tel-00842756, version 1 - 9 Jul 2013
des accidents Traitement de la Base de

Données des accidents
- Evaluation des performances des actions

sécurité.
- Connaissance des probabilités,
- Eléments de stratégie de gestion des risques, de
maintenance, etc.
- Outil d’aide à la décision,
- Etc.
Fig. 15 Schéma du modèle de risque du PN sous Réseau Bayésien
La base de données brute des accidents survenus aux droits des PN sera traitée
et améliorée en fonction des résultats de l’analyse de dysfonctionnement sous angle
systémique. La nouvelle Base de Données contenant toutes les informations sur les
interactions des composants du système PN aux moments des dysfonctionnements,
servira à concevoir et paramétrer notre modèle de risque basé sur l’approche Bayésienne.
Dans le chapitre suivant, nous allons rappeler quelques notions relatives aux
risques, les méthodes et les moyens pour leurs analyses et leurs maîtrises. Nous
donnerons également dans le cadre de notre cas d’étude, un aperçu de la démarche
d’analyse des risques des Passages à Niveau adoptée par l’ONCF, et son amélioration par
l’utilisation des Réseaux Bayésiens.
74
Chapitre III. Sûreté de fonctionnement des Passages à Niveau ONCF
Chapitre III
Sûreté de fonctionnement des Passages à
Niveau ONCF
Sommaire
III.1. Introduction ............................................................................... 77

III.2. Notions du risque ........................................................................ 78
tel-00842756, version 1 - 9 Jul 2013
III.2.1.Notion de gravité ................................................................................. 78

III.2.2.Notion de fréquence d’occurrence......................................................... 79
III.2.3.Notion de fréquence d’éxposition ......................................................... 79
III.2.4.Classification du risque......................................................................... 80
III.2.4.1.Risque négligeable..................................................................... 80
III.2.4.2.Risque acceptable ...................................................................... 81
III.2.4.3.Risque Tolérable ....................................................................... 81
III.2.4.4.Risque indésirable ..................................................................... 81
III.2.4.5.Risque résiduel.......................................................................... 81
III.3. Définition de l’analyse des risques ................................................... 81
III.3.1.Démarche de l’analyse des risques ........................................................ 82
III.3.2.Méthodes de l’analyse des risques ......................................................... 86
III.4. Les facteurs influençant la sécurité d’un système ................................. 88
III.4.1.Les facteurs génériques......................................................................... 89
III.4.2.Les facteurs spécifiques du domaine d'activité ....................................... 89
III.4.3.Les facteurs du comportement humain ................................................. 89
III.5. Système de gestion de la sécurité de l’ONCF ...................................... 90
III.6. Analyse des risques à l’ONCF......................................................... 94
III.6.1.Evaluation des risques au niveau de l’ONCF ........................................ 94
75
III.7. Les Passage à Niveau de l’ONCF .................................................... 95

III.7.1.Classement des PN............................................................................... 96
III.7.2.Passage à Niveau pour piétons et particuliers ....................................... 98
III.8. Analyse des risques des Passage à Niveau ONCF................................. 99
III.8.1.Risques identifiés ................................................................................. 99
III.8.2.Amélioration de l’évaluation des risques adoptée par l’ONCF ............. 101
III.9. Conclusion............................................................................... 102
tel-00842756, version 1 - 9 Jul 2013
76
III.1. Introduction
Au Maroc, le réseau ferré national compte actuellement 521 PN, soit une
moyenne de 25 PN par 100 Km de voie. A titre de comparaison avec d’autres pays,
l’Algérie en compte sur la même distance considérée 61, la Belgique 53, l’Espagne 78 et
la France 59 PN.
Dans le souci de renforcer la sécurité au droit des Passages à Niveau, l’Office

Nationale des Chemins de Fer (ONCF) a déployé un vaste programme de suppression de
ces PN au cours de son plan de développement et dont l’objectif est d’en réduire le
nombre de 50% (256 PN) à l’horizon 2025 et de 100% dans les agglomérations à forte
tel-00842756, version 1 - 9 Jul 2013
densité telles que la ville de Casablanca et la ligne Settat-Fès (2010-2011).

L’investissement consenti pour cela est de 150 millions d’Euros [ONCF09].
Aujourd’hui, près 30% du programme global a été réalisé correspondant à la

suppression de 75 passages, soit une moyenne de 15 PN par an, et leur remplacement par
60 ouvrages d’art : passerelles pour piétons, ponts rail et ponts route, etc. et ce pour un
montant de 50 millions d’Euros cofinancé par l’ONCF (35 millions d’Euros) et les autres
parties prenantes (communes, régions…) pour le reste.
A titre de comparaison, durant les 2 dernières décennies, le rythme de

suppression des PN ne dépassait pas les 5 PN par an.
Rappelons aussi à ce propos que les nouvelles lignes récemment mises en

service, en l’occurrence la connexion de Tanger Med et la ligne de Nador, ne comptent
aucun PN, et que la nouvelle ligne en cours de construction pour le LGV (Ligne à
Grande Vitesse) ne doit contenir aucun PN selon la réglementation des trains à grandes
vitesses.
Le nombre de collisions au droit des PN est en baisse continue au Maroc (25

en 2005 contre 10 en 2009) alors même que le nombre de trains a quasiment doublé et
que le réseau ferroviaire s’est rallongé de près de 200 km de lignes nouvelles.
Toutefois, ce chiffre d’incidents mortels aux droits des PN même en baisse,

choque énormément l’opinion publique qui ne tolère aucun accident. Encore une fois, la
77
sécurité aux abords des emprises ferroviaires en général et des Passages à Niveau en
particulier repose en grande partie sur la vigilance de tous et de chacun.
La maîtrise des risques au niveau d’un Passage à Niveau en attendant son

élimination s’avère nécessaire et leur réduction à des seuils acceptables implique d’une
part leur identification, et d’autre part, leur réduction en agissant sur les moyens de
diminution de leurs occurrences, leurs gravités, l’atténuation de leurs conséquences grâce
à des moyens de protection contre les risques.
Dans ce chapitre, nous allons illustrer davantage ces notions relatives à la

maîtrise et l’analyse des risques aux niveaux des paragraphes III.2 et III.3, avant de
présenter briévement la démarche de maîtrise et d’analyse des risques adoptées par
l’ONCF.
tel-00842756, version 1 - 9 Jul 2013
III.2. Notions du risque

III.2.1. Notion de gravité
La gravité caractérise globalement l'ensemble des conséquences parmi
différentes classes d’importance. Cette classification est effectuée généralement par des
experts.
Dans la majorité des domaines industriels, la gravité couvre aussi bien les
dommages sur l’homme et le système, que les nuisances portées à l’environnement. La
norme ferroviaire [NF EN 50126] propose quatre échelles de gravité (tableau 1).
Conséquences pour les personnes ou Conséquences pour le

Gravité
l’environnement service
Insignifiant Eventuellement une personne légèrement blessé
Blessures légères et/ou menace grave pour Perte d’un système
Marginal
l’environnement important
Un mort et/ou une personne grièvement
Dommages graves pour un
Critique blessée graves et/ou des dommages graves pour
(ou plusieurs) système(s)
l’environnement
Des morts et/ou plusieurs personnes gravement
Dommages mineurs pour
Catastrophique blessées et/ou des dommages majeurs pour
un système
l’environnement
Tab.1 : Echelles de gravité selon la norme NF EN 50126
78
III.2.2. Notion de fréquence d’occurrence

La fréquence d’occurrence d’un événement est la mesure du nombre moyen
d’occurrences attendues dans des conditions connues, estimée sur une période de temps
donnée (année, jour, heure, etc.).
Niveau Description
Extrêmement improbable. On peut supposer que la situation
Invraisemblable
dangereuse ne se produira pas
Peu susceptible de se produire mais possible. On peut supposer que la
Improbable
situation dangereuse peut exceptionnellement se produire.
Susceptible de se produire à un moment donné du cycle de vie du
Rare système. On peut raisonnablement s’attendre à ce que la situation
dangereuse se produise
Susceptible de survenir à plusieurs reprises. On peut s’attendre à ce que
Occasionnel
la situation dangereuse survienne à plusieurs reprises.
Peut survenir à plusieurs reprises. On peut s’attendre à ce que la
tel-00842756, version 1 - 9 Jul 2013
Probable
situation dangereuse survienne souvent
Susceptible de se produire fréquemment. La situation dangereuse est
Fréquent
continuellement présente
Tab.2 : Echelles de fréquence d’occurrence selon la norme NF EN 50126
Les échelles de gravité et de fréquence d’occurrence données à titre d’exemple

dans la NF EN 50126 ne font pas l’objet d’un consensus auquel adhèrent pleinement les
spécialistes du domaine ferrovier. Souvent, ces derniers adaptent cette échelle en fonction
de leur propre perception du risque et des enjeux majeurs les concernant.
III.2.3. Notion de fréquence d’éxposition

La notion de fréquence d'exposition en situation dangereuse est définie par la
norme européenne [EN 292/ISO 12100, 1995] comme: «situation dans laquelle une
personne est exposée à un ou des phénomènes dangereux».
Le facteur d’exposition est estimé en fonction des besoins d'accès à la zone

dangereuse, de la nature de l'accès, du temps passé dans la zone dangereuse, du nombre
de personnes demandant l'accès et de la fréquence d'accès. L’exposition permet, entre
autres, de mieux apprécier la gravité.
79
III.2.4. Classification du risque

Généralement, les niveaux de gravité et de probabilité d’occurrence sont
croisés dans une matrice de criticité afin de positionner les zones de risque. La matrice
Gravite/Occurrence proposée par la norme [NF EN 50126] est illustrée dans le tableau 3:
Insignifiant Marginal Critique Catastrophique

Invraisemblable Négligeable Négligeable Négligeable Négligeable
Improbable Négligeable Négligeable Acceptable Acceptable

Rare Négligeable Acceptable Indésirable Indésirable
Occasionnel Acceptable Indésirable Indésirable Inacceptable
Probable Acceptable Indésirable Inacceptable Inacceptable
Fréquent Indésirable Inacceptable Inacceptable Inacceptable
tel-00842756, version 1 - 9 Jul 2013
Tab.3 : Matrice Gravité/Occurrence selon la norme NF EN 50126
Plusieurs définitions dans la littérature existent pour les différents niveaux de

risques (Figure 1), nous évoquons les définitions suivantes [Mazo08]:
Fig.1 Classification des risques
III.2.4.1. Risque négligeable

Un risque négligeable n’est pas pris en compte dans l’évaluation globale du
risque lié à un système.
80
III.2.4.2. Risque acceptable

La définition du risque acceptable peut être classée en deux catégories: celle
dont l’acceptabilité est basée essentiellement sur les valeurs de la société [ISO/CEI Guide
51, 1999], et celle dont l’acceptabilité est rattachée à la prise de décision [ISO/CEI Guide
73, 2002].
III.2.4.3. Risque Tolérable

C’est un risque non négligeable qui, dans un certain contexte, peut être accepté
avec vigilance. La tolérabilité du risque résulte d'une mise en balance des avantages et des
inconvénients liés à une situation, qui sera soumise à une révision régulière afin
d'identifier, à chaque fois que cela sera possible, les moyens permettant d'aboutir à une
réduction du risque. En effet, le risque serait toléré en attendant de pouvoir mieux juger,
tel-00842756, version 1 - 9 Jul 2013
alors que le terme acceptable aurait un caractère d’acceptation plus définitif.
III.2.4.4. Risque indésirable

Le risque est tolérable uniquement s'il est impossible de réduire le risque ou si
le coût de la réduction est disproportionné par rapport à l'amélioration possible [NF EN
61508, 1998].
III.2.4.5. Risque résiduel

C’est un risque qui subsiste même après son traitement par les différentes
mesures possibles [ISO/CEI Guide 73, 2002]. Un risque résiuel non tolérable est désigné
comme un risque inacceptable.
III.3. Définition de l’analyse des risques

Selon le guide [ISO/CEI 51,1999], l’analyse des risques est « l’utilisation des
informations disponibles pour identifier les phénomènes dangereux et estimer le risque ».
Le guide [ISO/CEI Guide 73,2002] définit l’analyse des risques comme

« l’utilisation systématique d'informations pour identifier les facteurs de risque et pour
estimer le risque». Cette analyse des risques est intégrée dans un processus de
management des risques défini comme un ensemble des activités coordonnées visant à
diriger et piloter un organisme vis-à-vis du risque. Le management du risque inclut
typiquement l'appréciation du risque, le traitement du risque, l'acceptation du risque et la
communication relative au risque.
81
Le guide [ISO/CEI 73,2002] apporte un nouvelle vision plus cohérente par

rapport au guide [ISO/CEI 51,1999] qui est celle de l’évaluation de l’acceptabilité des
risques et non pas des risques eux mêmes.
III.3.1. Démarche de l’analyse des risques

L’analyse des risques [ISO/CEI Guide 73,2002] vise tout d’abord dans une
première étape à identifier les sources de dangers et les situations associées (facteurs de
risques) qui peuvent conduire à des dommages sur les personnes, l’environnement ou les
biens, en vue de prévenir l’apparition d’une telle situation et d’en limiter les
conséquences.
La seconde étape de cette identification consiste à estimer les risques identifiés

au cours de l’analyse et de pouvoir comparer ce niveau de risque à un niveau jugé
tel-00842756, version 1 - 9 Jul 2013
acceptable. Son estimation peut être effectuée de manière semi quantitative à partir :
D’un niveau de probabilité que le dommage survienne,

D’un niveau de gravité de ce dommage.
1- Identification des facteurs de risque : un facteur de risque est un paramètre que

l’on observe et dont on pense qu’il joue un rôle dans la séquence accidentelle sans qu’il
puisse être prouvé qu’il en est une cause directe ou indirecte. C’est un «Processus
permettant de trouver, lister et caractériser les éléments du risque. Les éléments peuvent
inclure les sources, les évènements, les conséquences et la probabilité. L'identification des
risques peut également concerner les préoccupations des parties prenantes».
2- Estimation des risques: « Processus utilisé pour affecter des valeurs à la

probabilité et aux conséquences d'un risque. L'estimation du risque peut considérer le
coût, les avantages, les préoccupations des parties prenantes, et d'autres variables requises
selon le cas pour l'évaluation du risque ».
3- Evaluation de l’acceptabilité des risques: « Processus de comparaison du risque

estimé avec des critères de risque donnés pour déterminer l'importance du risque.
La comparaison peut être menée par rapport à un référentiel préétabli dans

l'objectif de permettre la prise de décision vis-à-vis de l'acceptation du risque ou de la
nécessite de son traitement. Elle peut considérer le coût, les avantages, les préoccupations
82
des parties prenantes, et d'autres variables requises selon le cas pour l'évaluation du
risque.
L’évaluation des risques est une procédure de classification de l’acceptabilité

des risques en fonction des fréquences d’occurrence, gravités, expositions, etc. La
détermination des critères d'acceptabilité obéit à des approches qui peuvent paraître
subjectives.
Dans le domaine ferroviaire, trois principes d’acceptation du risque sont

évoqués dans la norme [EN 50126]:
1- Le principe Anglais ALARP (As Low As Reasonably Practicable) qui

intègre une zone d’acceptation du risque, une zone de rejet du risque et une zone appelée
zone ALARP dans la quelle les objectifs sécurité sont définis en fonction du ratio
tel-00842756, version 1 - 9 Jul 2013
d’amélioration du risque sur le coût investi. Cette zone ALARP (figure 2) peut être
délimitée par des fréquences de risques données. Si le risque analysé se trouve dans cette
zone, les moyens mis en œuvre pour atteindre le niveau de sécurité désiré doivent être
évalués ainsi que leurs impacts sur la réduction du risque.
Zone Le risque ne peut être justifié sauf dans

intolérable des circonstances extraordinaires
Tolérable seulement si une réduction de

risque
Zone tolérable ou Supplémentaire est irrésalisable ou si
ALARP son coût est disproportionné par rapport
à l’amélioration obtenue
(Risque pris
seulement si un
bénéfice est désiré) Comme le risque est réduit, il est d’autant
moins nécessaire de dépenser pour le réduire
encore afin de satisfaire à ALARP. Le triangle
symbolise le concept de diminution
proportionnelle.
Zone généralement Il est nécessaire de maintenir

acceptée l’assurance que le risque reste à ce
(Une démonstration niveau.
d’ALARP est inutile)
Fig.2 Zone ALARP
83
2- Le principe Allemand MEM (Mortalité Endogène Minimale) qui fixe les

objectifs sécurités par rapport à la mortalité endogène minimale d’individu (Risque
ambiant pour une personne âgée de 5 à 15 ans RMEM fixé à 2.10-4 /an). Les risques liés
aux systèmes techniques sont considérés comme contribuant au risque individuel de 5%
et donc la limite du risque toléré est fixée à 0,05 x RMEM.
3- Le principe français GAME (Globalement Au Moins Equivalent) qui

stipule que la modification d'un système existant, la conception ou la mise en oeuvre
d'un nouveau système doivent être réalisées de telle façon que le niveau global de sécurité
de l'installation après modification est au moins équivalent au niveau actuel de sécurité
ou au moins équivalent au niveau de sécurité d'une installation de référence produisant
tel-00842756, version 1 - 9 Jul 2013
les mêmes services ou fonctionnalités
Un aspect important examiné dans les normes de sécurité ferroviaires EN

50 126, EN 50 128 et EN 50 129 est la notion d'intégrité de la sécurité d’un système, SIL
(System Integrity Level). Cette notion caractérise l'aptitude de celui-ci à remplir les
fonctions de sécurité requises. Plus le niveau de sécurité requis est élevé, moins il est à
craindre que le système ne remplisse pas ses fonctions de sécurité. La notion de SIL
s'applique essentiellement aux systèmes techniques et définit le risque maximum tolérable
par heure de fonctionnement. La notion d’intégrité de la sécurité se matérialise par une
échelle comportant quatre niveaux discrets appelés niveaux de SIL. Les SIL sont un
moyen utilisé pour faire correspondre les approches qualitatives non quantifiables.
L’intégrité comprend deux conditions auxquelles il est nécessaire de satisfaire pour
atteindre le niveau requis:
L’intégrité vis-à-vis des défaillances systématiques qui représente la partie

non quantifiable de l’intégrité car elle correspond aux erreurs humaines
pendant les différentes phases du cycle de vie du système. Parmi ces
erreurs, on peut citer : les erreurs de spécification, de conception, de
fabrication ou d’installation, mais aussi, les erreurs d’exploitation, de
maintenance ou de modifications.
L’intégrité vis-à-vis des défaillances aléatoires : est la partie de l’intégrité de

la sécurité relative en particulier aux défaillances matérielles résultant de la
84
fiabilité des composants. L’évaluation est menée au moyen des calculs de

probabilité effectués à partir des données connues des modes et des taux de
défaillance des composants.
SIL EN 50129
4 10 /h < < 10-8/h
-9
3 10-8 /h < < 10-7/h

2 10-7 /h < < 10-6/h
1 10-6/h < < 10-5/h
Tab.4 : Définition des niveaux de SIL
4- Maîtrise des risques: «Actions de mise en œuvre des décisions de

tel-00842756, version 1 - 9 Jul 2013
management du risque. La maîtrise du risque peut impliquer la surveillance, la

réévaluation et la mise en conformité avec les décisions». D’une manière générale, la
maîtrise des risques est l’ensemble des actions de mise en œuvre des décisions de la
gestion des risques visant à les ramener sous le seuil d’acceptabilité.
5- Réduction du risque: La réduction des risques est l’ensemble des actions

entreprises en vue de diminuer la gravité des conséquences (protection), les probabilités
d’occurrence (prévention) ou les deux en même temps. Différents moyens peuvent être
utilisés : réduction des temps d’exposition, multiplication des possibilités d’évitement des
situations dangereuses, etc.
Protection: C’est une technique visant à limiter la gravité des conséquences

d’un accident sur les personnes. Pour cela on peut soit renforcer la défense des personnes
par des équipements de protection collectif ou individuels, soit réduire la dangerosité des
sources de danger.
Prévention: Ensemble de méthodes, de techniques et de mesures prises en vue

de réduire la probabilité qu'un événement redouté ne se produise. Ces méthodes relèvent
de la surveillance, la formation, la règlementation, la répartition des responsabilités, etc.
85
III.3.2. Méthodes de l’analyse des risques
Les méthodes d’analyse des risques sont classées selon deux approches
déterministes et probabilistes [Mazo08].
L’approche déterministe adoptée dans les domaines à haut risque tels que
nucléaire, transports, etc. où le moindre risque significatif est recherché et réduit à la
source. Elle consiste à recenser les événements pouvant conduire à la survenue d’un
accident en adoptant les pires cas, et en affectant une gravité extrême à ses conséquences
potentielles.
Par conséquent, les sous systèmes critiques (systèmes de sauvegarde, de

protection et de prévention) sont dimensionnés pour éviter toute défaillance dangereuse
tel-00842756, version 1 - 9 Jul 2013
et organisés rigoureusement selon une stratégie de défense en profondeur.
L’approche probabiliste fait intervenir le calcul de probabilités relatives à

l’occurrence d’événements faisant partie du processus de matérialisation d’un scénario
d’accident donné. Il s’agit d’une approche complémentaire à l’issue d’une approche
purement déterministe où les techniques probabilistes viennent appuyer l’approche
déterministe.
1- Méthodes quantitatives d’analyse des risques
Les méthodes quantitatives sont supportées par des outils mathématiques

ayant pour but d’évaluer la sûreté de fonctionnement. Cette évaluation peut se faire par
des calculs de probabilités d’occurrence d’un évènement redouté, ou bien par recours à
certains modèles probabilistes tels que les Chaines de Markov, les réseaux de Petri, les
réseaux Bayésiens, etc. Les analyses quantitatives présentent quelques avantages :
D’évaluer la probabilité des composantes de la sûreté de fonctionnement;
De fixer des objectifs de sécurité ;
De juger de l’acceptabilité des risques en intégrant les notions de périodicité

des contrôles, la durée des situations dangereuses, la nature d’exposition,
etc ;
De hiérarchiser les risques ;
86
De comparer et ensuite ordonner les actions à entreprendre en engageant

d’abord celles permettant de réduire significativement les risques ;
Etc.
2- Méthodes qualitatives d’analyse des risques
L’application des méthodes qualitatives d’analyse de risque dédiées à

l’identification des dangers et des risques associés à un procédé ou une installation fait
systématiquement appel à deux types de raisonnement : par induction ou par déduction.
La plupart des méthodes revêtent un caractère inductif dans une optique de

recherche allant des causes aux conséquences éventuelles. En contrepartie, il existe
quelques méthodes déductives qui ont pour but de chercher les combinaisons de causes
tel-00842756, version 1 - 9 Jul 2013
conduisant à des évènements redoutés.
- Méthodes utilisant une approche inductive : on part des causes pour identifier les
effets. Il s’agit donc d’identifier les conséquences d’une défaillance ou une
combinaison de défaillances sur le système et son environnement. Parmi ces
méthodes, on peut citer l’Analyse Préliminaire des Risques (APR), l’Analyse des
Modes de Défaillance, de leurs Effets et de leurs Criticités (AMDEC), l’HAZOP,
l’analyse par l’Arbre de Défaillances ou l’Arbre d’Évènements, etc.
Ces méthodes qui ont été développées dans le chapitre I, considèrent généralement
des défaillances simples et indépendantes d’un élément ou d’un composant du
système.
- Méthodes utilisant une approche déductive : le système est supposé défaillant et

l’analyse porte sur l’identification des causes susceptibles de conduire à cet état. On
part alors des effets pour remonter aux causes. Généralement, on part de
l’évènement redouté, et on essaye de trouver les principales causes de son
apparition. L’arbre des défaillances détaillé dans le chapitre I, constitue une des
principales méthodes déductives.
87
Méthode d’analyse de
risques qualitatives
Déductive : de Inductive : de la
l’effet à la cause cause à l’effet
Combinée
APR (Analyse Préliminaire des Risques)
Arbre de Arbre
tel-00842756, version 1 - 9 Jul 2013
Défaillances d’événements
AMDE-AMDEC
HAZOP
MOSAR
Fig. 3 Méthodes d’analyses des risques qualitatives
III.4. Les facteurs influençant la sécurité d’un système

La sécurité d’un système y compris celui du transport ferroviaire, dépend de
trois éléments:
1. Les conditions système relatives aux défaillances internes au système

lors de chaque phase de son cycle de vie,
2. Les conditions d’exploitation relatives aux défaillances survenant au

cours de l’exploitation du système,
3. Les conditions de maintenance relatives aux défaillances survenant au

cours des opérations de maintenance.
Pour réaliser des systèmes sûrs, il est nécessaire d’identifier les facteurs
d’influence de la sécurité du système, d’en évaluer les effets et d’en maîtriser les causes
tout au long du cycle de vie du système.
Il y a trois catégories de facteurs d’influence [Legro09]:
88
III.4.1. Les facteurs génériques

Dans ces facteurs, se retrouvent les caractéristiques techniques des
équipements et composants y compris leurs modes de défaillances, les conditions
d’environnement, les perturbations (électromagnétiques, climatiques…), les évènements
naturels, etc.
III.4.2. Les facteurs spécifiques du domaine d'activité

Il s’agit des facteurs spécifiques à la nature des installations et à leur
exploitation. Pour l’exploitation du système il s’agit des tâches que le système doit
accomplir, des conditions dans lesquelles elles doivent être accomplies, de la coexistence
avec d'autres systèmes techniques ou une infrastructure déjà existante dans un contexte
opérationnel, des exigences liées à la vie du système, y compris sa durée de vie prévue, la
tel-00842756, version 1 - 9 Jul 2013
densité du service, ainsi que les exigences de coût, et enfin, les différentes catégories de
défaillances et leur effets sur le type de système en fonctionnement normal, dégradé ou
perturbé.
III.4.3. Les facteurs du comportement humain

Une analyse des facteurs humains du point de vue de leurs effets sur la sécurité
d’un système fait intrinsèquement partie de l’approche système. Les applications de
transport impliquent en général une grande variété de groupes humains, depuis les
passagers, le personnel d’exploitation et de maintenance, et le personnel chargé de la
réalisation des systèmes jusqu’aux personnes concernées par l’exploitation, telle que les
usagers de la route aux Passages à Niveau. Chacun est susceptible face à une situation
identique de réagir de manière différente. Il est alors clair que le facteur humain à un
impact potentiel important sur la sécurité du système.
L’organigramme de la figure 4 ci-dessous issu de la norme ferroviaire

[EN50126], résume sous forme d'une décomposition analytique ces différents facteurs
d'influence.
89
FMDS sur le domaine

ferroviaire
Sécurité Disponibilité
Conditions Conditions d’exploitation Conditions de

du système maintenance
Maintenabilité Caractéristiques Conditions Facteurs Procédures Profil de Logistique Facteurs Procédures Logistique
techniques environnementale humains mission humains de
s Maintenance
tel-00842756, version 1 - 9 Jul 2013
Perturbations Perturbations Erreurs Actions

Maintenance
Internes Externes humaines humaines Changement Maintenance
préventive
coercitives du profil de corrective
mission
Défaillances Défaillances Modes de

Systématiques Aléatoires reconfiguration Maintenance Maintenance
programmée conditionnelle
Erreurs relatives
aux exigences Mode
Inadéquation d’exploitation
Conception – environnement Diagnostics Diagnostics
Réalisation aggravation des Internes Internes
Carences en contraintes externes externes
Fabrication usure surcharge
Fragilité Etc.
intrinsèque
Erreurs
humaines. Etc.
Fig. 4 Facteurs d'influence humains du risque ferroviaire [EN50126]
III.5. Système de gestion de la sécurité de l’ONCF

La gestion de la sécurité ferroviaire constitue un outil performant et pertinent
pour l’ONCF afin d’instaurer une culture de sécurité, en termes de valeurs, de croyances,
d’attitudes et de comportements au sein de cet établissement.
La sécurité de l’exploitation ferroviaire à l’ONCF englobe à la fois la sécurité

de la circulation ferroviaire (infrastructure et matériel roulant et son utilisation), et la
sûreté des usagers et des biens transportés contre l’influence de l’environnement.
90
La norme européenne [NF EN 50126] fournit aux sociétés ferroviaires et aux

industries ferroviaires un processus permettant de mettre en œuvre une démarche
cohérente de gestion de la Fiabilité, de la Disponibilité, de la Maintenabilité et de la
Sécurité désignée par la « FDMS ».
Ce système de Gestion de la Sécurité est décliné à l’ONCF en cinq phases

conformément au cycle PDCA ou roue de Deming (Figure 5) :
tel-00842756, version 1 - 9 Jul 2013
Fig.5 Roue de Deming d’amélioration continue
Plan (Planifier) : planifier et déterminer le degré de priorité des actions pour

corriger les dysfonctionnements, maitriser les risques et déployer les objectifs
qualité.
Do (Faire): mettre en oeuvre et gérer des actions correctives et de progrès.
Check (Vérification) : vérifier l’efficacité du système qualité et évaluer les

résultats obtenus par rapport à l’objectif qualité.
Act (Agir) : agir et exploiter les résultats à des fins de retour d’expérience et
d’amélioration continue.
Le système de gestion de la sécurité ferroviaire de l’ONCF s’inscrit dans un

schéma complet d’activités d’analyse, d’évaluation et de maîtrise des risques. En outre, il
comprend aussi des stratégies de définition des responsabilités, de communication et de
gestion des crises. Ces stratégies qui sont élaborées sur les plans technique, humain et
organisationnel, constituent donc les initiatives et objectifs annuels de la Direction de
l’ONCF en matière de réduction des risques.
La figure 6 ci après, illustre les différentes phases d’activités du système de

gestion de la sécurité ferroviaire de l’ONCF [Bouc07]:
91
Initiatives et objectifs
annuels en matière de
sécurité.
Définition de la stratégie
et des objectifs
Planification et Participation des employés,

procédures Collecte et analyse des données
Revue des
résultats sur le rendement en matière de
sécurité,
Processus de Gestion des Risques,
Conformité aux règlements,
règles, normes etc.
Mise en œuvre et fonctionnement Stratégie de contrôle du risque,
opérationnel
Mesures de contrôle et
actions correctives
Pouvoirs, responsabilités et
obligation de rendre des comptes,
Vérification et évaluation, Compétences, formation et
Elaboration, approbation et supervision,
surveillance des mesures Rapports, enquêtes et analyse
correctives. relatifs aux accidents et incidents,
tel-00842756, version 1 - 9 Jul 2013
Fig.6 Architecture du système de gestion de la sécurité ferroviaire de l’ONCF
Un des processus clé qui conditionne la performance de la démarche de la

sécurité ferroviaire est le processus de gestion des risques dans les infrastructures
ferroviaires.
La gestion des risques peut être définie comme l’ensemble des activités
coordonnées du système global, où des procédures adéquates d’identification et
d’évaluation des risques sont mises en place, en vue de réduire le risque à un niveau
tolérable ou acceptable conforme aux objectifs de sécurité préalablement établis par
l’ONCF [Elbo05]. Ce processus s’articule autour des activités présentées dans
l’organigramme de la figure 7 qui sont les suivantes:
1. Identification des sources de dangers : correspond à la recherche des

événements redoutés a priori susceptibles de se produire durant la mission du système, en
tenant compte des conditions prévues d’exploitation.
2. Evaluation du risque : se concentre sur l’obtention des profils de risque. Elle

s’appuie généralement sur les techniques probabilistes issues des méthodes de sûreté de
fonctionnement. Elle est importante car elle conditionne la sécurité du système, sécurité
qui est autant que possible maintenue dans le temps grâce à la dernière étape du
processus de gestion des risques.
92
3. Acceptation du risque : à ce stade, le processus de gestion du risque arrive à

un nœud de décision s’appuyant sur les résultats de l’activité précédente d’évaluation du
risque. Les différents profils de risque établis pour le système global sont comparés à un
critère d’acceptation du risque défini. Lors de l’inadéquation des profils de risque au
critère d’acceptation, des moyens contre le risque sont exigés et mis en place durant la
quatrième étape. Les premières étapes sont alors réexaminées ou complétées. Lorsque le
risque, dit résiduel, est acceptable, la gestion du risque demeure en étape 5.
4. Réduction du risque : cette activité repose sur la proposition de différentes

alternatives pour contrôler et réduire le risque notamment par des moyens de prévention
et de protection des accidents.
5. La maîtrise des risques résiduels instaure une traçabilité des actions et

tel-00842756, version 1 - 9 Jul 2013
événements (retour d’expérience) lors de l’exploitation et de la maintenance. Elle

préconise également une surveillance des dispositifs de sécurité vis-à-vis de leurs
défaillances et des déviations humaines, appelées franchissements de barrières, pouvant
les affecter. Par l’utilisation d’inspections, d’indicateurs, et de tableaux de bord mesurant
les tendances de ces indicateurs, elle permet d’éviter toute dérive et d’anticiper les
événements précurseurs de dangers. Cette activité aide à garder le risque à un niveau
acceptable durant l’exploitation du système.
1. Identification des sources

de dangers Analyse du risque
2. Evaluation du risque
4. Réduction du Critères
risque d’acceptation du
(Plans d’actions) risque
Non 3.
Acceptation
du risque ?
Oui
5. Risque maîtrisé
Gestion des risques
résiduels
Fig. 7 Processus « Gestion des Risques »
93
III.6. Analyse des risques à l’ONCF

III.6.1. Evaluation des risques au niveau de l’ONCF
La phase d’évaluation du risque consiste à comparer le niveau du risque
estimé à un niveau jugé acceptable ou tolérable. Ce processus peut être plus au moins
complexe selon les critères retenus pour définir l’acceptabilité du risque [Bouc07].
Au niveau de l’ONCF, l’évaluation des risques se fait à travers la classification de

l’Indice du Risque (IR) pour chaque risque identifié:
IR =F x G (III.1)
F : Fréquence de l’incident,
tel-00842756, version 1 - 9 Jul 2013
G : Gravité de l’incident estimée en fonction des dégâts causés par l’incident sur :
a. L’environnement (Kenv),
b. L’homme (Kh) : personnel et voyageur,
c. Le client (Kc),
d. Les biens transportés (Kmar),
e. Les installations et les équipements (Kmat),
f. Les horaires des trains (Kr)
Le facteur gravité au niveau des incidents ONCF est déterminé à partir de la

relation suivante :
G = Kenv + Kh + Kmat + Kc + Kmar + Kr (III.2)
Ainsi, en adoptant cette approche par l’ONCF, les incidents sont classés selon
quatre niveaux de gravité:
Niveau Description IR
Gravité 4 Conséquence catastrophique ≥ 150
Gravité 3 Conséquence critique 98< IR <150
Gravité 2 Conséquence significative 48< IR ≤ 98
Gravité 1 Conséquence mineure ≤48
Tab. 5 : Classification des gravités des risques
94
Le tableau ci après illustre un exemple de résultats d’une évaluation des

risques liée à l’ONCF:
Niveau de
Risque IR Classe de risque
gravité
Tamponnement 580 Risque majeur Gravité 4
Heurt des gens 315 Risque majeur Gravité 4
Déraillement 147 Risque majeur Gravité 3
Heurt de la caténaire
111 Risque majeur Gravité 3
par un véhicule
Incendie dans le
60 Risque modéré Gravité 2
train
Tab. 6 : Exemple de classification de gravité pour les risques ONCF
La définition de critères d’acceptabilité du risque est une étape importante

tel-00842756, version 1 - 9 Jul 2013
dans le processus de gestion du risque, car les critères retenus conditionneront la mise en
place ou non des mesures de réduction du risque et rétroactivement, influenceront les
façons de mener l’analyse et l’évaluation des risques.
L’ensemble des mesures envisagées par l’ONCF pour la réduction du

risque ou sa maîtrise suite à son évaluation jugée inacceptable, concernent d’une manière
générale:
Les actions de prévention qui réduisent la probabilité d’occurrence de la

situation de danger à l’origine du dommage,
La protection visant à limiter la gravité du dommage considéré.
Dans ce qui suit, nous allons nous focaliser sur un point très particulier dans la
gestion des risques ferroviaires ONCF, qui est le Passage à Niveau, endroit où les
conséquences des accidents peuvent être très graves. Nous donnerons en premier lieu
quelques définitions et règlementations des Passages à Niveau adoptées par l’ONCF.
III.7. Les Passage à Niveau de l’ONCF

Le Passage à Niveau (PN) [ONCF87] est le point commun à une ligne de
chemin de fer et à la voie routière la traversant. Les PN constituent des points sensibles
dans le réseau ferroviaire ONCF et présentent des dangers importants.
95
La «zone de danger» est le domaine de l'intersection entre la voie ferrée et la

route la croisant, dans laquelle une collision entre le train entrant et l’usager de la
route (véhicules et piétons traversant) peut avoir lieu. Le Passage à Niveau est
universellement considéré comme un point faible en terme d’exploitation du réseau
ferroviaire, du fait que les incidents qui surviennet à son niveau dépendent dans une large
mesure sur le comportement correct des usagers de la route.
La circulation des trains est toujours prioritaire sur les usagers de la route vu
que l'inertie d'un train est telle qu'il lui faut plusieurs centaines de mètres pour s'arrêter.
En général, compte tenu du rapport de masses entre un train et un véhicule routier, le
risque est essentiellement du côté routier. Cependant, des conséquences graves pour les
trains peuvent survenir en cas de collision avec un poids lourd surtout si celui-ci est
tel-00842756, version 1 - 9 Jul 2013
chargé de matières dangereuses ou inflammables.
Pour réduire les risques de collision, on cherche de plus en plus à éliminer les
Passages à Niveau soit, en les remplaçant par des passages dénivelés, soit en les
supprimant purement et simplement. Dans les deux cas de figure, ces deux actions
engagent des budgets importants et des délais de réalisation relativement longs.
Rappelons aussi que la législation marocaine en vigueur stipule que la gestion

des Passages à Niveau relève de la responsabilité de tous les intervenants, à savoir
l’ONCF (signalisation de position et la viabilité des PN au droit des emprises
ferroviaires), le gestionnaire de la route (signalisation routière avancée et viabilité des
accès à proximité des PN) et enfin les propriétaires riverains (garantie d’une bonne
visibilité pour les personnes à la traversée des passages).
III.7.1. Classement des PN

Le risque que représente un Passage à Niveau est fonction de l'intensité de la
circulation sur la voie ferroviaire et sur la voie routière. Une évaluation de ce risque est
faite en calculant le ‘Moment de Circulation’ qui est le produit du nombre de trains par
le nombre de véhicules routiers empruntant en moyenne par jour le Passage à Niveau.
Le classement des Passages à Niveau à l’ONCF comprend également leur

répartition en catégorie, et leur situation dans l’ordre du kilométrage de la ligne de
chemin de fer.
96
- Moment de Circulation
MC = NT x NV (III.3)
NT : Nombre de trains circulant dans les 2 sens,
NV : Nombre de véhicules et Motocyclettes traversant le PN en 24 heures,
- Situation du PN
La situation d'un Passage à Niveau conditionne sa visibilité dont l'importance
est capitale étant donné qu'elle est souvent à l'origine des accidents qui se produisent aux
PN.
On estime que la visibilité d'un Passage à Niveau est suffisante lorsqu'un

observateur, placé à 5 m, du rail le plus proche, et dont l'oeil se trouve à un mètre au-
tel-00842756, version 1 - 9 Jul 2013
dessus de la chaussée, voit l'ensemble de la caisse de la machine, circulant à la vitesse

maximale autorisée sur la ligne, pendant une durée de 20 secondes.
S'il existe un obstacle particulier pour un observateur placé à 5 m du rail, les

mesures sont prises à la distance du rail où la visibilité est la plus grande et en s'éloignant
le plus possible. Cette distance doit être supérieure ou égale à 3,50 m et si possible
supérieure à 5 m, sans dépasser 10 m.
- Catégorie
Le PN est dit de 1ère catégorie si son moment de circulation ≥ 5000 ou lorsqu’il
est compris entre 3000 et 5000 et que la visibilité pour l’usager de la route n’est pas
suffisante.
La première catégorie comprend les Passages à Niveau munis de barrières

gardées le jour et la nuit. La deuxième catégorie comprend les Passages à Niveau sans
barrières.
Photo. 1 Passage à Niveau non gardé
97
Photo. 2 Passage à Niveau gardé

tel-00842756, version 1 - 9 Jul 2013
- Liste de classement des PN

La liste de classement des PN se présente sous forme de tableaux établis par
l’ONCF et comportant les informations suivantes:
La désignation de la voie publique Son régime normal de jour et de nuit

traversée, (ouvert ou fermé),
Le n° d'ordre du passage à niveau, Le système de barrières installées aux
Le Point Kilométrique (PK) du PN passages à niveau de 1ère catégorie,
sur la voie ferrée, La durée de fermeture pour les
La catégorie du PN, passages à niveau voisins des gares.
Tab. 7 : Exemple de liste de classement des PN
III.7.2. Passage à Niveau pour piétons et particuliers
- PN pour piétons : Ils sont constitués par des portillons ouvrant à l'extérieur,
identique à ceux qui sont accolés aux Passages à Niveau de 1ère catégorie.
Les portillons sont implantés à une distance de 3,50 m à 5 m du rail le plus

proche afin que les usagers puissent disposer d'une zone refuge suffisante à leur sécurité
au cas où ils seraient surpris par le train après franchissement du portillon.
- PN particuliers : Il s'agit de Passage à Niveau établi à la demande d'un

propriétaire, pour permettre un accès plus facile à leur propriété. Son entretien est à la
charge :
de l’office en ce qui concerne la voie. Une redevance est acquittée à cet

effet par le permissionnaire.
98
du permissionnaire en ce qui concerne les chemins d'accès et les

panneaux de signalisation.
Pour ne pas multiplier ces passages, l'autorisation n’est accordée que lorsque le
Passage à Niveau public le plus proche se trouve à plus de 400 mètres.
III.8. Analyse des risques des Passage à Niveau ONCF

III.8.1. Risques identifiés
Plusieurs publications existantes sur les risques aux niveaux des Passages à
Niveaux ainsi que les modèles qui traitent la sécurité de ce système nous ont permis de
réaliser une analyse complète des risques du système PN. Il ressort des rapports
d’accidents aux PN, une classification en :
tel-00842756, version 1 - 9 Jul 2013
1- Les accidents causés par l’intégration du PN dans l’environnement routier :
a) Visibilité restreinte : les lignes de visibilité posent problème lorsque des

batiments, de la végétation ou d’autres obstructions limitent la capacite du conducteur
d’apercevoir les trains qui s’approchent du Passage à Niveau (Figure 3).
Photo. 3 Ligne de visibilité restreinte
b) Approche inadéquate : lorsque l’état du PN et de ses approches

caractérisées par le profil en long et en travers ainsi que les abords de la route se dégrade
au point que les conditions exigées à la construction ne sont plus respectées, des facteurs
contributifs à une collision sont ainsi crées (Photo 4). Les approches érodées augmentent
la probabilité que des véhicules endommagent les voies ou demeurent immobilisés sur
celles-ci.
99
Photo. 4 Passage à Niveau mal conçu
c) Viabilité du PN : l’utilisation d’un PN par un véhicule pour lequel il n’a pas

été conçu accélérera la dégradation du PN ou ses approches, et accentuera la probabilité
tel-00842756, version 1 - 9 Jul 2013
d’un incident. D’où la nécessité de tenir compte d’un véhicule type dans la planification
des approches (rayon de coubure, emprise, nature du revêtement de la zone de
croisement, etc.), et l’importance d’un entretien adéquat pour prévenir les collisions
(Photo 5).
Photo. 5 Zone de croisement dégradée
2- Les accidents pour lesquels le comportement des conducteurs est mis en cause sans
ambiguïté. (Comportements infractionnistes lors des phases de fermeture du PN, vitesse
de franchissement du PN inappropriée, non respect des panneaux de signalisation, etc.).
3- Les accidents causés par la défaillance du mécanisme de fermeture ou de signalisation

du PN, les pannes des véhicules dans la zone d’intersection.
a) Véhicule en panne : Les caractéristiques de fonctionnement des véhicules

jouent un rôle important dans de nombreuses collisions au niveau du PN. Compte tenu
100
de la taille et de la vitesse de la plupart des trains, il est très difficile pour eux d’éviter une
collision avec un véhicule en panne sur les voies. Cependant, il existe des moyens mis par
l’ONCF pour permettre au gardien du PN gardé et aux utilisateurs des PN non gardés
d’informer le conducteur du train de la prèsence de véhicules en panne sur les voies
(utilisation de la torche, transmission radio etc.).
b) Mécanisme de fermeture en panne (PN gardé) : les incidents de barrières se

produisent fréquemment, surtout des problèmes de fonctionnement (barrières cassées par
des véhicules qui les ont forcées, ou barrières qui se bloquent en position haute ou basse
suite à un défaut survenu au mécanisme qu’il soit automatique ou manuel). Dans ces cas,
la circulation dans les deux sens routières et ferroviaires devient véritablement une source
de danger.
tel-00842756, version 1 - 9 Jul 2013
Les risques principaux présentés par un Passage à Niveau sont:
Collision entre les trains et les véhicules routiers ou les piétons,

Collision entre véhicules routiers et l'équipement des Passages à
Niveau,
Les glissades, trébuchements et des chutes de piétons,
Collision entre les piétons et les équipements des Passages à Niveau,
Obstruction de la voie ferrée par les véhicules.
III.8.2. Amélioration de l’évaluation des risques adoptée par l’ONCF

Le principe d’évaluation des risques adopté par l’ONCF, et illustré dans la
figure ci après considère que l’indice du risque IR, qui conditionne le classement du
risque et donc les mesures qui s’en suivent pour son élimination ou sa maîtrise, provient
uniquement du produit de deux facteurs : la probabilité de son occurrence et la gravité de
son impact [Bouc07].
Fréquence ou Impact
Probabilité
Evaluation
du risque
Fig. 8 Principe de l’évaluation des risques adopté par l’ONCF

101
Dans [Bouc07], il a été proposé pour améliorer cette évaluation, de ne pas se

contenter d’assigner uniquement une fréquence de survenue du risque et son impact
directe, mais de considérer aussi les événements dont ils sont conditionnels, par exemple
les événements déclenchant ces risques et ceux permettant de réduire leurs impacts.
En d’autres termes, une meilleure estimation de l’impact de l’incident doit

tenir compte des facteurs ou événements autres que les conséquences de l’incident, et qui
peuvent agir pour augmenter ou diminuer la gravité du sinistre (Par exemple, une
collision avec un véhicule peut être de gravité différente selon la vitesse de collision, le
type de véhicule, l’aspect géomètrique du PN, etc.).
III.9. Conclusion
tel-00842756, version 1 - 9 Jul 2013
Dans ce chapitre, nous avons abordé les notions propres au risque et avons
présenté rapidement les principales méthodes d’analyse de risque.
En second lieu, nous avons exposé la méthode d’évaluation du risque

pratiquée par l’ONCF, qui repose principalement sur la détermination pour chaque
risque d’un indice qui est le produit de l’impact du risque et sa fréquence (IR= impact x
fréquence).
La méthode présente des limites et ne permet pas une amélioration continue

de la performance de la gestion de la sinistralité ferroviaire. En effet, il est très difficile de
quantifier les évaluations en terme de pertes humaines ou matérielles d’une part, et
d’autre part justifier la pertinence des actions menées et des dépenses engagées suite à
l’identification des risques dont les indices sont supposées être élevées.
Avec la théorie des Réseaux Bayésiens, dont les principes seront développés
dans le chapitre suivant, cette évaluation sera reprise dans le cadre d’une étude des
Passages à Niveau (PN) dans une approche causale intégrant les événements directs ou
indirects, qui ont une conséquence et une influence sur les incidents de collision, et qui
peuvent influencer les valeurs des fréquences et nature de incident au PN. Le nouveau
modèle de quantification du risque intégrera à la fois:
Le risque lui-même,
Le ou les événements causes du risque,
102
Les paramètres qui permettent d’influencer l’impact et la nature du

risque.
Ce travail nous conduit donc étudier le Passage à Niveau selon une approche
systémique, afin de modéliser tous les événements du système PN qui sont en interaction
entre eux et qui conduisent suite à une défaillance humaine ou matérielle dans le
système, à la survenue d’un accident de collision.
Avant de passer à l’élaboration de notre modèle basé sur les Réseaux

Bayésiens, nous allons dans le chapitre suivant, présenter leurs notions de base ainsi que
les étapes nécessaires pour la construction d’un modèle Bayésien.
tel-00842756, version 1 - 9 Jul 2013
103
Chapitre IV. Les Réseaux Bayésiens
Chapitre IV
Les Réseaux Bayésiens
Sommaire
IV.1. Généralités .............................................................................. 106

IV.2. Structure du Réseau Bayésien (RB)................................................. 107
tel-00842756, version 1 - 9 Jul 2013
IV.3. Théorème de Bayes .................................................................... 108

IV.4. Notion de causalité et relations entre les noeuds ................................ 109
IV.4.1.Cas de deux variables discrète............................................................. 109
IV.5. Calculs d’inférences dans un Réseau Bayésien................................... 111
IV.6. Exemples de Réseau Bayésien ....................................................... 112
IV.6.1.Exemple 1 : machine dans un atelier ................................................... 112
IV.6.2.Exemple 2 : Détection de fraude d’une carte bancaire.......................... 115
IV.7. Les approches d’apprentissage des Réseaux Bayésiens ........................ 119
IV.7.1.Apprentissage des paramètres ............................................................. 120
IV.7.1.1.Apprentissage des paramètres avec une base de données
complète................................................................................................120
IV.7.1.2.Apprentissage des paramètres avec une Base de Données
incomplète.............................................................................................121
IV.7.2.Apprentissage de la structure du graphe avec des données complètes ... 122
IV.7.2.1.Algorithmes basés sur la recherche d’indépendances
conditionnelles ......................................................................................123
IV.7.2.2.Algorithmes basés sur un score .................................................124
IV.7.3.Apprentissage de la structure du graphe avec des données incomplètes 125
IV.8. Les Réseaux Bayésiens dynamiques ................................................ 126
104
IV.9. Diagramme d’influence ............................................................... 127

IV.10. Conclusion............................................................................... 129
tel-00842756, version 1 - 9 Jul 2013
105
IV.1. Généralités
Les premières formalisations du Réseau Bayésien ont été initiées par les
travaux de [Pearl 88] pour mettre en évidence trois aspects [Oliv06]:
la nature subjective des informations,
l’utilisation de la règle de Bayes comme principe de base pour la mise à

jour des informations,
la distinction entre les modes de raisonnement causal et fondé,
Les approches fondées sur le conditionnement et la formule d’inversion de

tel-00842756, version 1 - 9 Jul 2013
Bayes sont appelées approches bayésiennes. Le nom de Réseaux Bayésiens est donné par
cohérence avec cette appellation. D’autres noms existent également pour ces modèles :
les réseaux de croyance (belief networks), les modèles graphiques probabilistes orientés
(probabilistic oriented graphical models), les réseaux probabilistes (probabilistic networks),
ou encore les réseaux d’indépendances probabilistes.
Le réseau bayésien est un système représentant la connaissance et permettant

de calculer des probabilités conditionnelles apportant des solutions à différentes sortes de
problématiques.
Ce réseau a été initié tout d’abord dans le domaine de l’intelligence artificielle,

puis élargi dans les autres domaines scientifiques, en particulier dans le domaine de
sûreté de fonctionnement pour la gestion des événements incertains, la détection et le
diagnostic des défaillances des systèmes de procédés [Verr07], etc.
Les recherches et développements apportés aux Réseaux Bayésiens au cours

de ces dernières années, portent principalement sur trois points essentiels : les
algorithmes d’infèrence, l’apprentissage de la structure du réseau et l’apprentissage des
paramètres du réseau. Ces algorithmes sont opérationnels dans le cas des Réseaux
Bayésiens classiques (statiques), pour les deux cas de figures : données d’apprentissage
complètes ou incomplètes [Lera06].
106
IV.2. Structure du Réseau Bayésien (RB)

Un réseau bayésien est un outil complet permettant la visualisation de
variables et de leurs dépendances ou indépendances. Il permet également de décrire
quantitativement le fonctionnement d’un système grâce aux différents calculs de
probabilités concernant les variables du système.
Ce réseau est un graphe dans lequel les nœuds représentent des variables
aléatoires discrètes ou continues, et les arcs reliant ces dernières sont rattachées à des
probabilités conditionnelles.
Le fait d’indiquer un arc entre deux variables implique une dépendance directe
entre ces deux variables : l’une est le parent et l’autre l’enfant. Il faut fournir le
comportement de la variable enfant à partir du comportement de son ou ses parents.
tel-00842756, version 1 - 9 Jul 2013
Pour cela, chaque noeud du réseau possède une table de probabilités

conditionnelles. Une table de probabilités conditionnelles associée à un noeud permet de
quantifier l’effet du ou des noeuds parents sur ce noeud : elle décrit les probabilités
associées aux nœuds enfants suivant les différentes valeurs des noeuds parents. Pour les
noeuds racines (sans parents), la table de probabilité n’est plus conditionnelle et fixe alors
des probabilités a priori concernant les valeurs de la variable.
Le graphe est acyclique : il ne contient pas de boucle. Les arcs représentent des
relations entre variables qui sont soit déterministes, soit probabilistes. Ainsi, l'observation
d'une ou plusieurs causes n'entraîne pas systématiquement l'effet ou les effets qui en
dépendent, mais modifie seulement la probabilité de les observer.
De manière formelle, un Réseau Bayésien [Naim04] est défini par :
un graphe acyclique orienté G, G = (V, E), où V est l’ensemble des noeuds de G, et E

est l’ensemble des arcs de G,
un espace probabilisé (Ω, Z, P), avec Ω un ensemble fini non vide, Z un ensemble de
sous-espaces de Ω, et P une mesure de probabilité sur Z avec P(Ω) = 1,
un ensemble de variables aléatoires associées aux noeuds du graphe G et défini sur

(Ω, Z, P), tel que :
107
n
P(V1, V2, . . ., Vn) = Π P(V |C(V ))
i i (IV.1)
i=1
Où C(Vi) est l’ensemble des parents (ou causes) de Vi dans le graphe G.
L'intérêt particulier des réseaux bayésiens est de tenir compte simultanément

de connaissances a priori d'experts (dans le graphe) et de l'expérience contenue dans les
données.
Un autre intérêt de l’utilisation des Réseaux Bayésiens dans l’analyse des

événements incertains, réside dans la possibilité d’effectuer une description qualitative
entre les différentes variables représentant ces événements (le graphe causal) et la
tel-00842756, version 1 - 9 Jul 2013
description quantitative des dépendances entre les événements (probabilités

conditionnelles) [Pear97].
La construction d’un Réseau Bayésien passe par trois étapes primordiales:
La structure : comment déterminer la structure du réseau ou le graphe causal,
L’inférence : comment calculer les probabilités a posteriori de chacune des variables

du réseau. Généralement, l’inférence est lancée dès qu’une information nouvelle
concernant une ou plusieurs variables est disponible. Cet apport d’information est
appelé évidence et elle est propagée dans le réseau par le moteur d’inférence.
L’apprentissage : comment estimer les probabilités et la structure.
IV.3. Théorème de Bayes

Les Réseaux Bayésiens s’appuient sur le théorème de Bayes. C’est un résultat
de base en théorie des probabilités, issu des travaux de Thomas Bayes (1702-1761) :
P(A\B) P(B) = P(A∩B) = P(B\A) P(A) (IV.2)

P(A\B) = [P(B\A) P(A)]/P(B) (IV.3)
En outre, étant donné n événements A1, A2, …, An mutuellement exclusifs et
exhaustifs tel que P(Ai) #0 pour tout i, nous avons pour 1 ≤ i ≤ n,
108
P(B/Ai) P(Ai)
P(Ai\B) = (IV.4)
P(B|A1)P(A1) +P(B|A2)P(A2) +…+P(B|An)P(An)
Le terme P(A) est la probabilité a priori de A. Elle est « antérieure » au sens

qu’elle précède toute information sur B. P(A) est aussi appelée la probabilité marginale de
A.
Le terme P(A|B) est la probabilité a posteriori de A sachant B (ou encore de A

sachant B). Elle est « postérieure », au sens qu’elle dépend directement de B.
Le terme P(B|A), pour un B connu, est la fonction de vraisemblance de A. De

même, le terme P(B) est appelé la probabilité marginale ou a priori de B.
tel-00842756, version 1 - 9 Jul 2013
IV.4. Notion de causalité et relations entre les noeuds

Dans les Réseaux Bayésiens, deux nœuds qui représentent deux faits différents
peuvent être en relation causale sans que l’un implique l’autre. Graphiquement, chaque
parent a un effet sur ses fils. La notion de causalité joue un rôle très important pour
construire les Réseaux Bayésiens [Todd03].
Un Réseau Bayésien permet de modéliser plusieurs types de noeuds. Nous

utilisons dans la plupart des cas deux types de noeuds :
- un nœud discret représentant une variable discrète,
- un noeud continu représentant une variable continue.
IV.4.1. Cas de deux variables discrètes
En dressant un arc allant de A vers B, qui sont variables discrètes

multinomiales de dimension respective a et b avec a1, a2, . . . , aa les différentes modalités
de A, et b1, b2, . . . , bb les différentes modalités de B, la table de probabilités
conditionnelles (table 1) se présente comme suit :
109
B
A b1 b2 ... bb
a1 P (b1 |a1 ) P (b2 |a1 ) ... P (bb |a1 )
a2 P (b1 |a2 ) P (b2 |a2 ) ... P (bb |a2 )
. . . .
.
aa P (b1 |aa ) P (b2 |aa ) ... P (bb |aa )
Tab. 1 : Table de probabilité conditionnelle avec nœud et parent discrets
Cette table de probabilités conditionnelles permet d’avoir toutes les

informations nécessaires à l’inférence dans un réseau. La taille de cette table est de a × b
tel-00842756, version 1 - 9 Jul 2013
et peut devenir très grande pour des variables avec beaucoup de modalités, donc son
remplissage peut devenir difficile. En effet, la taille d’une table de probabilités d’un nœud
discret X de taille x, ayant p parents discrets Y1, Y2, . . . , Yp de tailles respectives y1, y2, . .
p
. , yp, est de x Π yi
i=1
IV.4.2. Cas de deux variables discrète et continue

Dans le cas de deux variables, A discrète multinomiale de dimension a et B
continue de paramètre µB et ΣB. En dressant un arc partant de A vers B, la table de
probabilités conditionnelles de B (table 2) se présente comme suit :
A B
a1 P(B\a1)=N(µa1, Σa1)
a2 P(B\a2)=N(µa1, Σa2)
... ...
aa P(B\aa)=N(µaa, Σaa)
Tab. 2 : Table de probabilité conditionnelle avec nœud continu et parent discret
La table de probabilité de B se compose de lois conditionnées aux modalités

de A. En effet, la table de probabilité d’un noeud continu X, ayant p parents discrets Y1,
p
Y2,…,Yp de tailles respectives y1,y2,…,yp est de Πy llois continues.
i
i=1
110
IV.4.3. Cas de deux variables discrète et continue

Dans le cas de deux variables continues A et B de paramètres respectifs µA ,
ΣA et µB , ΣB . En dressant un arc partant de A vers B, on effectue alors une régression et
l’on peut écrire la loi régissant B pour une valeur a de A comme étant une loi gaussienne
de paramètres (µB + β x a ; ΣB ), où β représente le coefficient de régression.
IV.5. Calculs d’inférences dans un Réseau Bayésien
Les calculs dans un réseau bayésien se nomment inférence. L’inférence permet

de calculer les probabilités a posteriori de chacune des variables du réseau.
tel-00842756, version 1 - 9 Jul 2013
Généralement, l’inférence est lancée dès qu’une information nouvelle concernant une ou
plusieurs variables est disponible. Cet apport d’information est appelé évidence. Une fois
l’information indiquée, celle-ci est propagée dans le réseau par le moteur d’inférence.
Les algorithmes les plus utilisés pour le calcul exact des inférences dans le cas
de Réseaux Bayésiens avec variables discrètes sont:
« Pearl Message Passing Algorithm » : cet algorithme a été développé par

Pearl [Pear86] en exploitant les indépendances locales des événements du Réseau
Bayésien. Étant donné un ensemble de valeurs a d'un ensemble A de variables,
l’algorithme détermine P(x\a) pour toutes les valeurs x de chaque variable X du réseau. Il
accomplit cette mission en initiant des messages de chaque variable instanciée pour ses
voisins. Ces voisins à leur tour, transmettent des messages à leurs voisins. Cette méthode
ne fonctionne de manière exacte que lorsque le Réseau Bayésien possède une structure
sous forme d’arbre.
L’arbre de jonction [Oliv06]: appelée aussi « clustering ou clique-tree

propagation algorithm » . Cette méthode a été introduite par Jensen, Lauritzen & Olesen
en 1990 [Jens90] et est aussi appelée méthode JLO (pour Jensen, Lauritzen,Olessen).
La méthode de cet algorithme appelé « algorithme de l’arbre de jonction »

[Jens96], implique l'extraction d'un graphe non orienté triangulé du Réseau Bayésien, et
la création d'un arbre dont les sommets sont les cliques de ce graphe triangulé. Un tel
111
arbre est appelé arbre de jonction. Les probabilités conditionnelles sont ensuite calculées
en transmettant des messages dans l'arbre de jonction. La méthode est divisée en cinq
étapes qui sont [Oliv06] :
moralisation du graphe (marier les parents et "désorienter" le graphe),
triangulation du graphe moral (tout cycle de longueur au moins 4 doit contenir

une corde (arête reliant deux sommets non consécutifs sur le cycle),
construction de l’arbre de jonction,
inférence dans l’arbre de jonction en utilisant l’algorithme des messages

locaux,
transformation des potentiels de clique en lois conditionnelles mises à jour.

tel-00842756, version 1 - 9 Jul 2013
Pour illustrer cette présentation des Réseaux Bayésiens et comprendre un peu

mieux les calculs d’inférences, deux exemples simples sont considérés dans le paragraphe
suivant.
IV.6. Exemples de Réseau Bayésien

IV.6.1. Exemple 1 : machine dans un atelier
L’exemple de la figure 1 présente le modèle bayésien d’une machine dans un
atelier. Cette machine est arrêtée en moyenne dans 5% des cas pour différentes raisons
(maintenance, panne, etc). Mais, cette machine est également arrêtée lors d’une panne de
courant qui se produit environ 1 fois tous les 100 jours. Près de la machine se trouve une
lumière qui est toujours allumée, exceptée lorsque l’ampoule grille (environ dans 1% des
cas), ou bien lorsqu’il y a une panne de courant.
Grâce à ces données, on remplit les différentes tables de probabilités

conditionnelles. Ces tables permettent de formaliser de manière simple les distributions
de probabilités conditionnelles associées à chaque variable en fonction de ses parents.
Dans cet exemple, les tables de probabilités conditionnelles sont visibles à côté des nœuds
représentés.
112
Lumière éteinte
Vrai Faux
1 0
0.05 0.95
Panne courant
tel-00842756, version 1 - 9 Jul 2013
Machine arrêtée Lumière éteinte

Panne courant Vrai Faux Panne courant Vrai Faux
Vrai 1 0 Vrai 1 0
Faux 0.01 0.99 Faux 0.05 0.95
Sur ce système, on peut alors se poser différentes questions. Par exemple,

quelle est la probabilité que la machine fonctionne encore lorsque l’on voit que la lumière
est éteinte ?
Pour cela, nous allons intégrer une observation (ou évidence) au réseau. Cette
observation est “la machine est arrêtée”, la probabilité que “machine arrêtée” soit vraie
est alors de 100%. En appliquant la loi de Bayes, on peut recalculer toutes les probabilités
de chacune des modalités de chaque variable du réseau (voir figure 2).
On obtient le résultat suivant : suite à l’observation “la machine arrêtée”, on a

52,74% de chance que la lumière soit éteinte. La probabilité d’avoir la lumière éteinte a
augmenté et cette augmentation est répercutée sur la variable “panne de courant”, dont la
probabilité elle aussi a augmenté de 1% à 50.25%.
113
Tous les calculs dans ce réseau sont effectués avec la loi de Bayes qui est
donnée par l’équation (IV.5) où X et Y sont deux variables aléatoires.
P (Y |X) P(X) (IV.5)

P(X|Y) =
P(Y )
P(Y) = P(Y\X).P(X)+P(Y\X).P(X) (IV.6)
La notation P(X) représente la probabilité d’occurrence de l’événement X,

alors que la notation P(X|Y) représente la probabilité d’occurrence de l’événement X
sachant que l’événement Y s’est produit. Calculons la probabilité qu’il y ait une panne de
courant sachant que l’on voit la lumière éteinte:
tel-00842756, version 1 - 9 Jul 2013
P (machine arrêtée \panne courant) P(panne courant)

P (panne courant\machine arrêtée) =
P (machine arrêtée)
= 1 x 0,01 = 0,5025
0,0199
Panne courant
Fig. 2 Réseau Bayésien classique avec observation « machine en arrêt »
Calculons à présent la probabilité que la machine soit arrêtée sachant que l’on
a 50% de chance qu’il n’y ait plus de courant:
114
P (machine arrêtée) = P(machine arrêtée\Panne courant).P(panne

courant=0.5)+ P(machine arrêtée\Panne courant). P(panne courant)
= 1 x 0.5 + 0.5 x 0.01 = 0.505
Panne courant
tel-00842756, version 1 - 9 Jul 2013
Fig. 3 Réseau Bayésien classique avec observation «P (panne de courant)=0.5 »
Cet exemple montre les types de calculs qui sont effectués dans le réseau. Ces
calculs sont simples pour quelques noeuds, mais pour de grands réseaux, ils peuvent
rapidement devenir très complexes et coûteux en temps. L’utilisation de logiciels s’avère
nécessaire dans le cas de réseaux avec des dizaines de noeuds.
IV.6.2. Exemple 2 : Détection de fraude d’une carte bancaire
Prenons un deuxième exemple avec cette fois-ci cinq variables, celui du

problème de la détection de fraude de carte de crédit [Heck97].
Nous commençons par déterminer les variables à modéliser. Un choix

possible de variables pour notre problème est :
Fraude (F) : ce qui représente si oui ou non l'achat est frauduleux,
Gaz (G) : si oui ou non, il y avait un achat de gaz dans les 24 dernières heures,
115
Bijoux (J) : si oui ou non, il y avait un achat de bijoux dans les 24 dernières,
Âge (A) et le sexe (S), sont respectivement l'âge et le sexe du détenteur de la carte.
La méthode la plus simple pour la construction de la structure du Réseau

Bayésien, est de procéder comme suit:
déceler les relations de causalité entre les variables,
ces relations de causalité correspondent typiquement à des assertions de

dépendance conditionnelle.
En particulier, pour construire un Réseau Bayésien pour un ensemble

donné de variables, nous allons simplement dessiner des arcs à partir de variables causes
à leurs effets immédiats [Heck97].
tel-00842756, version 1 - 9 Jul 2013
Par exemple, étant donné les affirmations selon lesquelles la fraude est
une cause directe de l’achat de gaz, et Fraude, âge et le sexe sont des causes directes de
l’achat de bijoux, nous obtenons la structure du réseau bayésien suivante :
Fig. 4 Réseau Bayésien pour détecter la fraude par carte de crédit.
L’étape finale de la construction de notre réseau, est d’évaluer les distributions

de probabilité pour tous les nœuds xi et pour tous ses parents pai : P(xi\ pai). Dans notre
cas, toutes les variables sont discrètes, les états de ces différentes variables constituant la
table de probabilité pour chaque nœud, sont illustrés dans la figure 4 .
116
Une fois que nous avons construit ce Réseau Bayésien (à partir de la

connaissance préalable, données, ou une combinaison des deux), nous avons
généralement besoin de déterminer les différentes probabilités à partir du modèle. Les
calculs d’inférence dans le graphe sont précisés dans la figure 5.
tel-00842756, version 1 - 9 Jul 2013
Fig. 5 Inférence du graphe du Réseau Bayésien pour détecter la fraude

par carte de crédit
Dans cet exemple de détection de la fraude, nous voulons connaître la
probabilité de fraude suite à l’observation des autres variables. Cette probabilité n’est pas
stockée directement dans le modèle, et doit donc être calculée (inférence probabiliste).
La probabilité d'observations de fraude suite à l’observation des autres

variables peut être calculée comme suit:
P(F,A,S,G,B) P(F,A,S,G,B)
P( F\A,S,G,B) = =
P(A,S,G,B) ΣF’(F’,A,S,G,B) (IV.7)
P(F,A,S,G,B) étant la probabilité jointe.
Par définition, soit S l’ensemble des variables Si du réseau bayésien, alors la probabilité
jointe P(S) est :
P(S) = P(S1) P(S2|S1) P(S3|S2,S1) … P(Sn|Sn-1…S1)

P(S) = ∏i P( Si | Si-1…S1 ) (IV.8)
117
Cependant, pour les problèmes avec de nombreuses variables, cette

approche directe n'est pas pratique. Heureusement, au moins lorsque toutes les
variables sont discrètes et peu nombreuses, nous pouvons exploiter les indépendances
conditionnelles dans un Réseau Bayésien pour rendre ce calcul plus simple.
Dans notre exemple, vu que la fraude (F) est une cause directe de Gas (G) et la
Fraude (F), Age (A) et Sex (S) sont des causes directes de Bijoux (B)
Nous obtenons :
P (A\F) = P (A)
P (S\F, A) = P (S)
P (G\F, A, S) = P (G\ F)
P (B\F, A, S, G) = P (B\ F, A, S)
tel-00842756, version 1 - 9 Jul 2013
P(F,A,S,G,B) = P(F) P(A\F) P(S\F,A) P(G\F,A,S) P(B\F,A,S,G)
= P(F) P(A) P(S) P(G\F) P(B\F,A,S)
P(F) P(A) P(S) P(G\F) P(B\F,A,S)

L’équation devient: P( F\A,S,G,B) = (IV.9)
ΣF’P(F’) P(A) P(S) P(G\F’) P(B\F’,A,S)
En faisant les calculs:
P(F=O, A=30-50, S=H, G, B=O) = P(F=O) x P(A=30-50) x P(S=H) x ΣG P(G\F=O) x

P(B=O\F=O,A=30-50,S=H)
= 0.00001 x 0,40 x 0,5 x 1 x 0,05
= 0.0000001
P(F=N, A=30-50, S=H, G, B=O) = P(F=N) x P(A=30-50) x P(S=H) x Σ G P(G|F=N)

P(B=0|F=N,A=30-50,S=H)
= 0.99999 x 0,40 x 0,5 x 1 x 0,0004
= 0.00008
P(F=O| A=30-50,S=H, G, B)= 0.0000001 / 0.0000801 =0.00125 = 0.125%
118
tel-00842756, version 1 - 9 Jul 2013
Fig. 6 Inférence du graphe du Réseau Bayésien suite observation Age = 30-50,

Sex = Homme, Achat Bijoux = Oui.
IV.7. Les approches d’apprentissage des Réseaux Bayésiens

Lors de la construction des Réseaux Bayésiens, il n'est pas toujours évident
qu'un expert puisse fournir de façon numérique l'ensemble des paramètres nécessaires à
l'inférence dans un graphe. Il est intéressant dans certains cas de déterminer ces
paramètres à partir d'une base d'exemples car il est possible d'apprendre les deux à partir
des données. C'est la méthode d'apprentissage qui permet de répondre aux deux
questions suivantes [Corn02][Dela07][Verr07] :
Comment estimer les lois de probabilités conditionnelles (paramètres de

chaque Table de Probabilité Conditionnelle TPC) ?
Comment trouver la structure du Réseau Bayésien ?
Les deux méthodes utilisées sont l’apprentissage des paramètres et

l’apprentissage de la structure. Cependant, l’apprentissage de la structure est
plus difficile que l’apprentissage des paramètres, car lorsque quelques nœuds sont cachés,
119
ou si les données sont manquantes, cela est beaucoup plus difficile à traiter quand tout les
événements sont observés. Ce qui donne lieu à quatre cas [Kevi98] illustrés dans la table
3 ci après:
Structure Observabilité Méthode

connue totale Estimation du maximum de vraisemblance
connue partielle Expectation-Maximisation (ou descente de gradient)
inconnue totale rechercher à travers l’espace modèle
Expectation-Maximisation + rechercher à travers

inconnue partielle
l'espace modèle
Tab.3 : Algorithmes d’apprentissage en fonction de la structure et l’observabilité

tel-00842756, version 1 - 9 Jul 2013
L’estimation de distributions des probabilités et la découverte d’associations

entre les nœuds du graphe bayésien constituent un sujet très vaste et complexe. Nous
décrirons ici les méthodes les plus utilisées dans le cadre des Réseaux Bayésiens, selon
que les données à notre disposition sont complètes ou incomplètes (observation totale ou
partielle).
IV.7.1. Apprentissage des paramètres

Supposons que nous connaissons déjà la structure du Réseau Bayésien à
apprendre, et qu’il nous reste à évaluer les probabilités conditionnelles. Il s’agit donc de
spécifier les tables de probabilités, souvent appelées paramètres du Réseau Bayésien.
Il est clair que l’apprentissage ne dépend pas seulement des variables, mais
aussi de leur agencement. En effet, un noeud parent est caractérisé par des probabilités
marginales alors qu’un noeud enfant est caractérisé par des probabilités conditionnelles.
Généralement, les distributions de probabilités marginales sont connues

d’avance puisqu’elles décrivent le degré de confiance des causes. Par contre, les
probabilités conditionnelles P(Xi = xik\Par (Xi) = xjl ) = θi,j,k,l nécessitent d’être apprises.
IV.7.1.1. Apprentissage des paramètres avec une base de données complète

C’est le cas où toutes les variables sont observées, la méthode la plus simple et
la plus utilisée est l'estimation statistique qui consiste à estimer la probabilité d'un
événement par la fréquence d'apparition de l'événement dans la base de données. Cette
120
approche est appelée Maximum de Vraisemblance (MV) [Jord98]. Les probabilités

conditionnelles sont obtenues selon l’équation suivante:
(IV.10)
Avec Ni,j,k,l le nombre d’événement dans la base de données pour lesquels la variable
Xi = xik… et Pa (Xi) = xjl… dans la base de données.
IV.7.1.2. Apprentissage des paramètres avec une base de données

incomplète
C’est le cas où certaines variables ne sont observées que partiellement ou
tel-00842756, version 1 - 9 Jul 2013
même jamais. Les approches développées dépendent du type de données manquantes :
Les données MCAR « Missing Completely At Random » : Dans ce cas, les

exemples avec des données manquantes ne peuvent pas être différenciés de
ceux complètement observés. Les données manquantes représentent juste une
absence de mesure inattendue et isolée. L’absence de mesure suit donc, par
exemple une loi de probabilité.
Les données MAR « Missing At Random » : Ici les exemples avec des
données manquantes sont différents de ceux complètement observés.
Néanmoins le processus qui a généré les données manquantes est prédictible à
partir des autres variables de la base plutôt que d’être dû exclusivement à la
variable dont la valeur est absente.
Les données NMAR « Non Missing At Random » : Dans ce cas, le mécanisme

qui provoque l’absence d’une variable n’est pas aléatoire et ne peut pas non
plus être complètement prédit à l’aide des autres variables observées de la base
d’exemples.
En présence d’une base de données incomplète suivant un mécanisme MAR

ou MCAR, Il est possible d’estimer la distribution des données manquantes dans la base
d’exemples. La méthode d'estimation de paramètres la plus couramment utilisée est
fondée sur l'algorithme itératif EM (Expectation-Maximisation) proposé par [Demp77].
121
IV.7.2. Apprentissage de la structure du graphe avec des données complètes

L’objectif de l’apprentissage de structures des RB est d’établir la topologie du
graphe en identifiant les relations de dépendance entre les noeuds. Pour cela, il existe
deux façons différentes de procéder: avis d’experts et apprentissage par base de données.
L’apprentissage de structure est un problème très difficile, en particulier à cause de la
taille de l’espace de recherche [Lera06].
En effet, le nombre de Graphes Directs Acycliques (GDA) pour représenter

toutes les structures différentes possibles pour n noeuds est de taille super exponentielle.
En effet, [Robi77] a prouvé qu’il était possible d’estimer ce nombre grâce à la formule
récursive suivante :
tel-00842756, version 1 - 9 Jul 2013
(IV.11)
Nbre de noeuds 2 3 4 5 6 7 8
Nbre de GDA 3 25 543 29 281 3 781 503 1 138 779 265 783 702 329 343
Tab.4 : Nombre de GDA existants en fonction du nombre de noeuds
L’apprentissage par avis d’expert est l’approche la plus simple et la plus

intuitive de l’apprentissage de structure d’un RB. Elle est utilisée pour des modèles où les
dépendances traduisent des relations de dépendances clairement identifiables. Par
ailleurs, l’expert humain peut distinguer entre deux types de dépendances : les liens qui
peuvent être relevés en se basant sur les connaissances a priori du système étudié, et les
liens déduits à partir des modèles formels ou physiques liants les variables
aléatoires[Bens08].
En ce qui concerne l’apprentissage par base de données, il existe

principalement deux types de techniques pour effectuer la recherche de la structure du
Réseau Bayésien.
a. La première technique consiste en la création d’une table d’indépendances

conditionnelles entre les différents attributs en effectuant des tests statistiques
sur la base de données.
122
b. La deuxième technique d’apprentissage de structure utilise une fonction de

score, dont l’heuristique de recherche consistera à l’optimiser.
IV.7.2.1. Algorithmes basés sur la recherche d’indépendances

conditionnelles
Plusieurs algorithmes ont été proposés pour ce type de méthodes basées
principalement sur les deux tests statistiques qui sont le test du χ 2
et du rapport de
vraisemblance G2. Une des premières méthodes de recherche d’indépendances
conditionnelles efficace proposée est celle de l’algorithme PC (Peter and Clark). La
méthode introduite par [Spir93] utilise un test statistique de Khi-deux pour évaluer s’il y
a indépendance conditionnelle entre deux variables. Il est alors possible de reconstruire la
structure du Réseau Bayésien à partir de l’ensemble des relations d’indépendances
tel-00842756, version 1 - 9 Jul 2013
conditionnelles découvertes. En pratique, un graphe complètement connecté sert de point

de départ, et lorsqu’une indépendance conditionnelle est détectée à l’aide d’un test
statistique, l’arc correspondant est retiré.
Un algorithme de principe similaire IC (Inductive Causation) a été introduit à

la même époque par Pearl & Verma [Pear00] [Pear91]. La principale différence entre ces
deux algorithmes est que l’agorithme PC est initialisé avec un graphe complètement
connecté et raisonne par élimination des indépendances entre les différents noeuds,
tandis que l’algorithme IC est initialisé avec un graphe vide et raisonne par création des
dépendances entre les différents noeuds du graphe causal. La variante IC* de
l’algorithme IC, permet de détecter si éventuellement il peut exister des variables latentes.
Spirtes, Glymour & Scheines [Spir00] introduisent une version augmentée de

la méthode PC qui détecte l’existence de variables latentes et la nomment FCI (Fast
Causal Inference). Les algorithmes de cette méthode ont alors une complexité
exponentielle en nombre de tests d’indépendance.
De nouvelles méthodes ont été développées récemment pour améliorer ces

algorithmes face à des bases de données où il y a peu d’exemples par rapport au nombre
de variables. Nous citons par exemple l’algorithme QFCI (Quantitative Fast Causal
Inference) [Bade03], BNPC [Chen02], l’algorithme RAI (Recursive Autonomy
Identification) [Yehe05], etc.
123
IV.7.2.2. Algorithmes basés sur un score

Ces algorithmes ont été développés dans le but de remédier à l’inconvénient
majeur des méthodes basées sur les tests statistiques. En effet, lorsque le nombre de
noeuds du Réseau Bayésien augmente, le nombre de tests statiques à effectuer croît
exponentiellement. Les méthodes d’identification d’indépendances conditionnelles
deviennent donc compliquées à mettre en oeuvre.
Le principe de ces approches est de quantifier l’adéquation d’un Réseau

Bayésien au problème à résoudre, c’est à dire d’associer un score à chaque Réseau
Bayésien, puis de rechercher la structure qui donnera le meilleur score dans l’espace des
graphes acycliques dirigés [Lera06][Spir93].
tel-00842756, version 1 - 9 Jul 2013
L’estimation du score d’un Réseau Bayésien peut mener à de nombreux

calculs inutiles et rendre les méthodes d’apprentissage de structure inutilisables en
pratique. La première précaution à prendre concerne l’utilisation d’un score
décomposable localement pour ne pas recalculer complètement le score d’une nouvelle
structure.
Plusieurs heuristiques permettent d’améliorer les calculs de scores, soit en

réduisant l’espace de recherche à un sous-espace particulier (l’espace des arbres), soit en
ordonnant les noeuds pour ne chercher les parents d’un noeud que parmi les noeuds
suivants,etc.
Nous citons dans ce cadre, la méthode de l’arbre de recouvrement maximal

MWST (Maximum Weight Spanning Tree) [Lera06] qui est une heuristique réduisant la
recherche de la structure du Réseau Bayésien à l’espace des arbres, et précisément l’arbre
qui passe par tous les noeuds et maximise un score défini pour tous les arcs possibles.
L’arbre de recouvrement maximal est un arbre non orienté reliant toutes les
variables. Son orientation pourrait donc être réalisée en choisissant arbitrairement un
nœud racine et en dirigeant chaque arête à partir de ce noeud. Pour cela, il suffit
d’effectuer un parcours en profondeur de l’arbre en mémorisant le père de chaque noeud,
puis de se servir de cette information pour orienter les arêtes.
124
Nous appellerons algorithme MWST « dirigé », l’algorithme de construction

d’un arbre orienté qui utilise l’algorithme de Kruskal [Naim04][Corm94] pour obtenir
l’arbre de recouvrement optimal non orienté, puis qui oriente les arêtes à partir d’un
nœud racine arbitraire.
Algorithme MWST « dirigé » se fait en deux étapes [Naim04] :
1- Construction de l’arbre optimal (Kruskal) :
∀ Xi, T (Xi) = {Xi}

B0 ← Ø
∀ (Xi, Xj) Є A
Si T (Xi) ≠ T (Xj) alors
• B0 ←B0 U (Xi, Xj)
• T’ ← T (Xi) U T (Xj)
tel-00842756, version 1 - 9 Jul 2013
• T (Xi) ←T’
• T (Xj) ←T’
2- Orientation des arêtes :
B ←Ø
{pai} ←Parcours profondeur (B0, Xr)
∀ Xi,
Si pai ≠ Ø alors ajout de pai →Xi dans B
Notations :
A : liste des arêtes (Xi, Xj) dans l’ordre décroissant des W
T (Xi) : arbre passant par le nœud Xi
Xr : racine choisie pour orienté l’arbre
pai : parent du nœud Xi
B0 : arbre optimal non orienté
B : structure final obtenue par l’algorithme
IV.7.3. Apprentissage de la structure du graphe avec des données incomplètes

Bien que de plus en plus de bases de données sont disponibles, nombreuses
sont celles incomplètes. Ces incomplétudes sont dues à des raisons très variées telles
qu’un oubli d’un opérateur lors de l’enregistrement d’une information, ou mesure ou la
défaillance de l’appareil de mesure, etc. Les méthodes d’apprentissage des Réseaux
Bayésiens doivent être alors adaptées à ce type de bases de données pour élargir leurs
champs d’application.
125
Plusieurs travaux ont été menés dans cette direction afin d’aboutir à des
solutions pour ce genre de problématiques.
Pour y parvenir, certains travaux ont utilisé des méthodes de types EM

[Demp77] dont l’algorithme pionnier pour ces types d’approches est celui de Friedman
[Frie97]. L’auteur de ces travaux a proposé par la suite une nouvelle version bayésienne
de son algorithme [Frie97]. D’un autre coté, d’autres chercheurs ont réussi à adapter les
méthodes d’apprentissage à partir des données complètes aux problèmes de données
incomplètes.
Nous citons par exemple l’algorithme PC* introduit par [Dash03] dont la
procédure de recherche de structure est la même que celle de l’algorithme PC. La
nouveauté dans PC* réside dans le fait que les tests statistiques sont basés sur une
tel-00842756, version 1 - 9 Jul 2013
nouvelle méthode appelée « Hybrid Independence Test ». Plus récemment, une méthode
nommée MWST-EM de type EM a été proposée par [Oliv05].
IV.8. Les Réseaux Bayésiens dynamiques

Les Réseaux Bayésiens dynamiques [Verr07] sont des Réseaux Bayésiens
intégrant la notion de temps, c'est à dire qu’une variable peut influencer sa propre valeur
à l’instant suivant (voir figure 7).
t=1 t=2 t=3

Machine en marche à t Machine en marche à t Machine en marche à t
Vrai100% Vrai 95% Vrai 90%
Faux 0% Faux 5% Faux10%
Machine en marche à t+1 Machine en marche à t+1 Machine en marche à t+1
Vrai 95% Vrai 90% Vrai 85%
Faux 5% Faux10% Faux15%
Machine en
marche à t+1
Machine en Faux
marche à t Vrai
Vrai 0.95 0.05

Faux 0 1
Fig. 7 Réseau Bayésien dynamique
126
Si on considère un ensemble de variables D(t) = {D1(t),D2(t), . . . ,Dn(t)}

évoluant dans le temps, un Réseau Bayésien dynamique représente la distribution de
probabilité jointe de ces variables pour un intervalle borné [0, T]. En général, cette
distribution peut être codée par un Réseau Bayésien statique avec T×n variables. Si le
processus est stationnaire, les hypothèses d’indépendance et les probabilités
conditionnelles associées sont identiques pour tous les temps t. Dans ce cas, le Réseau
Bayésien dynamique peut être représenté par un Réseau Bayésien dont la structure est
dupliquée pour chaque pas de temps. Un nœud représente donc une variable aléatoire
dont la valeur indique l’état occupé à l’instant t.
tel-00842756, version 1 - 9 Jul 2013
IV.9. Diagramme d’influence
Un diagramme d’influence est une représentation graphique et mathématique

de problèmes d’inférence et de décision. Les diagrammes d’influences sont une
généralisation des arbres de décision. Un diagramme d’influence se représente sous la
forme d’un graphe acyclique dirigé. Il peut comporter quatre types de nœud [Verr07]:
1. nœud de décision : est un nœud multimodal où chaque modalité représente

une action influençant le système (et donc le réseau). Ainsi, chacune des
actions est décrite par l’intermédiaire des tables de probabilités associées aux
nœuds enfants,
2. nœud d’utilité : est un nœud permettant d’associer une valeur numérique aux
états constitués par la combinaison des différentes modalités de ses parents.
Ces valeurs numériques représentent alors la qualité ou le coût de ces états,
3. nœud probabiliste,
4. nœud déterministe.
Dans le cas du Réseau Bayésien, un nœud déterministe n’est autre qu’un

nœud probabiliste où l’une des modalités est sûre à 100 %. Aussi, si l’on ajoute à ce
réseau des nœuds utilité et des nœuds décision, il représentera un diagramme d’influence.
Un diagramme d’influence est très intéressant car il permet d’étudier les

différentes réactions d’un système modélisé par Réseaux Bayésiens en fonction des
127
actions prises sur le système. Ainsi, grâce à l’utilité, il est possible de comparer les
performances de telle ou telle action sur le système et d’optimiser par la suite les
différentes décisions à prendre.
La figure 8 présente un exemple de diagramme d’influence. Ce Réseau

Bayésien dynamique représente un système de distribution de fluide modélisé par le
logiciel BayesiaLab. Les nœuds utilité sont représentés par des losanges, les nœuds de
décision sont représentés par des carrés, alors que les nœuds probabilistes sont
représentés par des ronds.
tel-00842756, version 1 - 9 Jul 2013
Fig. 8 Diagramme d’influence sous Réseau Bayésien
128
IV.10.Conclusion
Nous avons vu dans ce chapitre que les Réseaux Bayésiens reposent sur un
formalisme issu de la théorie des graphes et des probabilités et permettent de représenter
un ensemble de variables aléatoires pour lesquelles on connaît un certain nombre de
relations de dépendances. Ces réseaux établissent une représentation graphique de la
causalité entre les événements, les probabilités permettent d'évaluer l'occurrence sur les
noeuds de ces événements en fonction de leurs parents ou racines.
Les Réseaux Bayésiens permettent une circulation de l'information, c'est-à-dire

que toute nouvelle observation rajoutée aura la conséquence de modifier la probabilité
locale de certains noeuds et donc de modifier l'ensemble du réseau.
Par ailleurs, l’information dans un Réseau Bayésien peut circuler dans les deux
tel-00842756, version 1 - 9 Jul 2013
sens. En effet, le théorème de Bayes permet une induction « top-down », c'est à dire à
partir des causes en déduire les conséquences, mais il permet d'inverser les probabilités,
c'est-à-dire que si l'on connaît les conséquences d'une cause, l'observation des effets
permet de remonter aux causes, c'est l'effet d'induction « bottom-up ». Il existe aussi un
troisième type d’induction dit « explaining away » ou comment réfuter une cause en
constatant une autre, autrement dit partir d’une conséquence pour remonter aux causes,
constater laquelle est vraie et réfuter les conséquences sous jacentes des autres causes.
L'intérêt pratique de l’utilisation du Réseau Bayésien dans la sûreté ferroviaire,

est qu’il nous sera possible de réaliser une analyse inductive à travers la mesure de
l'impact d'un évènement sur le réseau, et déductive à travers l’examen des causes les plus
probables conduisant à un événement. Ces analyses de risques seront réalisées dans les
chapitres V et VI à travers deux exemples de systèmes ferroviaires, dans une approche
systémique qui prend en compte simultanément les éléments techniques,
environnementaux et humains au centre des problèmes de gestion des risques.
Dans ces deux cas d’études, l’utilisation du Réseau Bayésien est envisagée par
rapport à d’autres outils précités dans le chapitre I, car cet outil permet:
La possibilité de rassembler et de fusionner les connaissances dans le modèle,

qu’elles soient des données historiques ou empiriques provenant du Retour
d’EXpérience, expertise, de statistiques ou de probabilités subjectives,
observations, etc.
129
La représentation des connaissances sous un modèle graphique explicite,

intuitive et compréhensible. Le modèle peut bien entendu évoluer en fonction
des nouvelles exigences ou techniques du système à modéliser.
L’évaluation, la prévision, le diagnostic et l’optimisation des décisions en

utilisant les connaissances du modèle établi.
tel-00842756, version 1 - 9 Jul 2013
130
Chapitre V. Le modèle Bayésien d’évaluation du risque collision au niveau du PN
Chapitre V
Le Modèle Bayésien d’évaluation du
risque collision au niveau du PN
Sommaire
tel-00842756, version 1 - 9 Jul 2013
V.1. Analyse fonctionnelle du système Passage à Niveau.............................. 133

V.2. Analyse de dysfonctionnement du système Passage à Niveau .................. 134
V.3. Structure du Réseau Bayésien à partir de l’Arbre de Fautes..................... 137
V.3.1.Conditions pour une mutation de l’AF au RB....................................... 137
V.3.2.Limites constatées de l’AF dans l’analyse du risque collision ................ 139
V.4. Base de données des Incidents des PN ............................................... 141
V.4.1.Acquisition de la base de donnée des incidents PN ............................... 141
V.4.2.Revue des statistiques sur les incidents aux PN ..................................... 142
I.4.2.1.Emplacement............................................................................. 142
I.4.2.2.Type et fonction des véhicules en cause ...................................... 142
I.4.2.3.Signalisation et systèmes d’avertissement.................................... 143
I.4.2.4.Statistiques annuelles et conditions temporelles........................... 143
V.4.3.Retour d’Expérience (REX) des incidents PN....................................... 144
V.4.4.Traitement et exploitation des données des incidents PN ...................... 146
V.5. Modèle bayésien des incidents aux PN ONCF..................................... 147
V.5.1.Les différents types de noeuds .............................................................. 147
V.5.2.Apprentissage de la structure................................................................ 148
V.6. Simulations sur le modèle Bayésien .................................................. 150
V.6.1.Simulation n°1 : PN gardés 100%......................................................... 150
V.6.2.Simulation n°2 : Signalisation, Viabilité, Visibilité 100% ...................... 152
131
V.6.3.Simulation n°3 : Imprudence 0%.......................................................... 154

V.6.4.Simulation n°4 : Erreurs humaines 0% ................................................. 155
V.7. Validation du modèle établi ............................................................ 156
V.8. Conclusions................................................................................ 161
tel-00842756, version 1 - 9 Jul 2013
132
Dans ce chapitre, nous allons modéliser le risque collision du système du

Passage à Niveau par les Réseaux Bayésiens. Conformément à la méthodologie
d’analyse de sûreté de fonctionnement, nous allons réaliser une étude de
fonctionnement et de comportement normal du système, ensuite nous étudierons
les modes de dysfonctionnement avec identification des événements susceptibles
d’affecter le fonctionnement normal du Passage à Niveau.
V.1. Analyse fonctionnelle du système Passage à Niveau
En adoptant une approche générique pour l'analyse fonctionnelle du

tel-00842756, version 1 - 9 Jul 2013
système Passage à Niveau à la fois selon ses caractéristiques statiques et

dynamiques, le PN est considéré comme un croisement entre la voie ferrée et la
voie de circulation routière, où les interactions physiques dangereuses doivent
être empêchées par les fonctions opérationnelles du PN.
Afin de développer un modèle de comportement complet de

l’environnement du PN, nous allons procéder par étapes en effectuant une
décomposition en sous systèmes. Le modèle complet est finalement obtenu par
l’intégration des modèles élémentaires de comportement.
Nous désignons par environnement du PN, l’ensemble des parties

impliquées dans la dynamique du croisement de la ligne ferroviaire avec la voie
routière ou piétonnière. Généralement, seuls les PN qui ont de très faibles moments
de circulation ne sont pas gardés. Les autres sont équipés de systèmes de protection
automatiques qui peuvent comprendre des pédales d’annonces pour détecter
l’arrivée du train, des feux de signalisation, des barrières des deux côtés du PN et
des alarmes sonores.
Ainsi, en analysant la dynamique du système du Passage à Niveau, on

peut distinguer trois composantes:
1. le trafic routier,
2. le trafic ferroviaire,
3. le système de protection du PN.
133
La fonction principale d'un passage à niveau est de gérer l’interface

route/voie ferroviaire d'une manière sûre et rapide. Pour décrire les aspects
statiques du PN (Figure1), nous avons identifié quatre types de fonctions
opérationnelles de base pour les deux approches de la circulation [SELC08]:
1. Détecter,
2. informer,
3. prévenir,
4. protéger.
tel-00842756, version 1 - 9 Jul 2013
Fig.1 Décomposition fonctionnelle du système PN
Ces fonctions sont décomposées en fonctions plus petites qui

interagissent ensemble pour obtenir l’objectif désiré, qui est d’éviter la collision
entre le train et l’usager de la route.
Les aspects dynamiques du Passage à Niveau concernent les conditions

opérationnelles du trafic routier et les aspects temporels des procédures de
sécurité. Outre les aspects statiques et dynamiques, une grande partie des
connaissances du système PN concerne les aspects organisationnels qui
comprennent également la conception, les lois et les normes en vigueur.
V.2. Analyse de dysfonctionnement du système Passage à

Niveau
L'analyse du dysfonctionnement du PN est basée sur l'analyse
préliminaire des risques (APR) et sur la représentation graphique de plusieurs
134
incidents au PN, qui décrivent graphiquement en utilisant l’Arbre de Faute, une

chaîne de causalité entre la survenue de l’incident ou l’accident au niveau du PN
[Berr07] afin de chercher, le plus en amont possible, les causes de cet événement
qui relèvent éventuellement de ces trois composantes :
1. le trafic routier,
2. le trafic ferroviaire,
3. le système de protection du PN.
Le principal avantage de cette méthode est de pouvoir visualiser
l'ensemble des combinaisons d'événements élémentaires conduisant à un risque de
collision, c'est à dire qu'elle permet d'avoir une vision globale et logique du
fonctionnement et du dysfonctionnement du système du PN.
tel-00842756, version 1 - 9 Jul 2013
En étudiant les rapports d’accidentologie ainsi que la base de données

des incidents des PN de l’ONCF, nous ressortons ci après les causes identifiées qui
peuvent conduire à la survenue d’un accident au Passage à Niveau [Bouc11b]:
1. La visibilité du PN (bonne, moyenne ou mauvaise),

2. La viabilité du PN (bonne, moyenne ou mauvaise),
3. Le type de protection du PN (équipé de barrières ou non),
4. Le type du train (marchandises, voyageurs, autres…),
5. La vitesse du train au niveau du croisement,
6. La situation géographique du PN (agglomération, rurale),
7. Le type du véhicule croisant la ligne ferroviaire (poids lourd, deux
roues, voiture etc.),
8. La signalisation du PN à la fois du côté de la ligne ferroviaire et
la route (conforme, défaillante, etc.),
9. Le comportement de l’usager de la route (infractionniste,
correcte, erreur etc.),
Ainsi, le type de l’incident au niveau du Passage à Niveau résulte des
conséquences des différentes états de ces « événements » (Figure 2).
Dans notre approche d’analyse des risques, nous avons regroupé les
différentes causes des incidents qui relèvent des trois composantes du PN dans les
événements cités plus haut, afin de simplifier dans un premier temps notre modèle
du risque. Le développement de ce modèle dans un souci de finesse peut être réalisé
135
en décortiquant les nœuds de ces événements en sous nœuds qui seront reliés entre
eux par des liens de causalité.
Dans notre modèle, le comportement de l’usager de la route qu’il soit

pièton, vélomoteur ou conducteur de véhicule, englobe plusieurs états et peut être
infractueux, correct, erreur d’interprétation des signalisations, etc. La signalisation
du PN englobe à la fois les alarmes, les panneaux de signalisation routière, les
pédales d’alarme pour avertir le conducteur du train, les feux tricolores etc.
Nous rappelons que les interactions entre les différents états des ces
événements peuvent conditionner la nature de l’incident au niveau du PN et sa
gravité (collision, tamponnement, heurt de barrière etc.) [Bouc12].
tel-00842756, version 1 - 9 Jul 2013
Le système de Le type du PN
protection du PN
Signalisation
Type incident Type de train

Le trafic
PN Vitesse de
ferroviaire
croisement
Viabilité
Visibilité
Type du véhicule
Le trafic routier
Situation
géographique du
PN
Comportement
de l’usager de la
route
Fig. 2 Système d’évaluation du type d’incident au niveau du PN
L’Arbre de Faute (AF) construit et présenté dans la Figure 3, tient

compte du comportement des usagers de la route, qui selon les statistiques sont
responsables d’environ 80% des incidents.
Les comportements infractueux ou corrects des usagers de la route

dépendent de plusieurs facteurs, qui les encouragent ou les dissuadent à prendre de
telles décisions à risque au niveau du croisement. Par exemple, la perception du
136
risque d’un conducteur impatient peut diminuer, lorsqu’il aperçoit un train

s’approcher à faible vitesse d’un croisement de PN non gardé doté d’une bonne
viabilité, et comme conséquence, il pourrait être tenté par traverser le croisement
avant l’arrivée du train.
A
Type Incident
OU
A-1 A-2 A-3

Trafic Système de Le trafic
Ferroviaire Protection PN routier
OU OU
tel-00842756, version 1 - 9 Jul 2013
A-1-1 A-1-2 A-2-2

Vitesse du A-2-1
Type de train Signalisation
Type du PN
train du PN
OU
A-3-1 A-3-2 A-3-3 A-3-4 A-3-5

Comportement de Viabilité Visibilité Type véhicule Situation
l’usager de la route du PN
Fig.3 Arbre de Faute du risque collision au PN
V.3. Structure du Réseau Bayésien à partir de l’Arbre de

Fautes.
V.3.1. Conditions pour une mutation de l’AF au RB
Plusieurs auteurs [Bobb01][Mont08][Bobb99], dans le cas de quelques
études particulières, ont développé des algorithmes pour le passage de la structure
des Arbres de Fautes aux Réseaux Bayésiens lorsque les hypothèses de base de la
construction de l’Arbre de Faute sont satisfaites:
Les événements sont binaires (fonctionne / ne fonctionne pas);

Les événements sont statistiquement indépendants;
Les relations entre les événements et les causes sont représentées
par des portes logiques ET et OU;
137
La cible de l’Arbre de Fautes est l'événement indésirable qu’il faut

analyser.
L’algorithme de transformation de la structure (AF) à celle du (RB)

comprend donc des tâches graphiques et d’autres numériques. Dans la
transformation de la structure graphique, les événements primaires, les événements
intermédiaires et les événement sommets de l’Arbre de Fautes sont représentés
respectivement comme des nœuds racines, des nœuds intermédiaires, et des nœuds
terminaux dans la structure du Réseau Bayésien équivalent.
Les nœuds du réseau bayésien équivalent sont connectés de la même

manière que leurs correpondants composants dans l’Arbre de Fautes. La figure 4
illustre la procédure simplifiée de transformation du modèle Arbre de Fautes en
tel-00842756, version 1 - 9 Jul 2013
Réseau Bayésien [Bobb01].
ARBRE DE RESEAU
FAUTES TRANSFORMATION BAYESIEN
Evénement Nœud
Primaire Racine
GRAPHIQUE Evénement Nœud

TRANSFORMATION Intermédiaire Intermédiaires
Evénement Nœud
Sommet Terminal
Probabilité Probabilité à
Occurrence Priori de Nœud
Evénement Racine
NUMERIQUE
TRANSFORMATION
Booléen Table
Porte Probabilité
Conditionnelle
Fig.4 Transformation depuis l’Arbre de Fautes (AF) au Réseau Bayésien (RB)
138
Dans la transformation numérique, les probabilités d'occurrence des

événements primaires sont affectées aux correspondants nœuds racines comme des
probabilités a priori. Pour chaque nœud intermédiaire et terminal du graphe, une
Table de Probabilité Conditionnelle (TPC) est développée selon le type des portes
logiques [Bobb01] [Mont08].
La figure 5 montre la conversion d'une porte logique OU et ET en

nœuds équivalents dans le RB. Les nœuds parents A et B sont affectés de
probabilités a priori (qui coïncide avec la probabilité des valeurs assignées aux
nœuds de base correspondant à l’AF), et au nœud enfant C est attribué sa table de
probabilité conditionnelle (TPC).
tel-00842756, version 1 - 9 Jul 2013
C= A OU B
Pr {A=1} Pr {B=1}
A B
Pr {C=1\ A=0,B=0}=0
Pr {C=1\ A=0,B=1}=1
Pr {C=1\ A=1,B=0}=1
B C Pr {C=1\ A=1,B=1}=1
A
ARBRE DE FAUTES : Porte OU RESEAU BAYESIEN : Nœud OU
C= A ET B
A B
Pr {C=1\ A=0,B=0}=0
Pr {C=1\ A=0,B=1}=0
Pr {C=1\ A=1,B=0}=0
B C Pr {C=1\ A=1,B=1}=1
A
ARBRE DE FAUTES : Porte ET RESEAU BAYESIEN : Nœud ET
Fig.5 Présentation des portes logiques OU et ET dans l’AF et le RB
V.3.2. Limites constatées de l’AF dans l’analyse du risque collision

Nous présentons ci après quelques principales limites de la méthode de
l’Arbre de Fautes (AF) dans la modélisation du risque collision au PN [Bouc12]:
1. les événements intermédiaires doivent être indépendants les uns des

autres pour que le calcul de la probabilité d'occurrence du risque
collision soit correcte, ce qui est peu enviseageable dans notre cas
139
d’étude des risques au niveau des PN, car ils ne sont pas statistiquement
indépendants, étant donné que l’action résultante du comportement
humain dépend à la fois de l’usager lui-même, mais aussi de l’état de
l’environnement dans lequel il se trouve.
2. la table de probabilité conditionnelle (TPC) ne peut pas être renseignée

pour tous les événements d’une façon mathématique car il est difficile de
renseigner ces différentes probabilités d’états lorsqu’il s’agit de caractères
aléatoires des accidents et de leurs conséquences.
3. l'arbre des fautes (AF) ne rend pas compte de l'aspect temporel des
scénarios d'événements conduisant à la collision,
tel-00842756, version 1 - 9 Jul 2013
4. cette méthode est binaire, un événement peut soit se produire, soit ne pas
se produire. Dans notre cas d'analyse des incidents aux Passages à
Niveau, les événements représentés par les nœuds du graphe peuvent
avoir plusieurs modalités (exemple du nœud comportement de l’usager
qui peut avoir plusieurs états : correcte, accident, imprudence, panne
etc.) et chaque modalité peut avoir une incidence sur la nature et la
gravité de l’accident.
La survenue d'incidents aux PN est un événement incertain dont les

conséquences ne peuvent pas être toutes contrôlées. C'est pourquoi nous avons
besoin pour notre modèle d’un outil probabiliste graphique qui peut prévoir et
quantifier le risque en relation avec les caractéristiques du PN.
La construction de l'Arbre des Fautes nous a permis d’identifier les

événements redoutés (intermédiaires et élémentaires), qui ont servi pour déterminer
les nœuds du graphe causal du Réseau Bayésien correspondant. Les inférences
dans le graphe seront déterminées par apprentissage Bayésien en utilisant la base de
données des événements identifiés.
Le Réseau Bayésien basé sur les probabilités conditionnelles permet cette

modélisation, mais permet aussi à la fois de prendre en compte dans le graphe
causal, les connaissances à priori d’experts, et de construire et d’exploiter les
connaissances provenant des Retours d'EXpériences contenues dans la base de
donnée des incidents antérieurs.
140
A cet effet, nous allons dans le paragraphe suivant, construire la

structure causale du graphe reliant les événements majeurs identifiés, et à partir des
données recueillies sur les incidents ONCF, nous utiliseront un algorithme
d'apprentissage pour les calculs d’inférence du graphe et l'analyse du risque
collision du système PN.
V.4. Base de données des Incidents des PN

Dans cette partie, nous présentons notre démarche d’acquisition des
informations et le recueil des connaissances auprès de l’ONCF pour l’analyse des
incidents survenus aux Passages à Niveau.
V.4.1. Acquisition de la base de donnée des incidents PN

tel-00842756, version 1 - 9 Jul 2013
Les enquêtes techniques menées par la Direction sécurité de l’ONCF à

l’issu de chaque incident survenu, ont servi de principale source de statistiques sur
les collisions aux Passages à Niveau. Ces investigations ne se sont pas focalisées
uniquement sur les scénarios caractérisés par des pertes importantes, vu leur rareté
comparés aux incidents de moindre impact. Souvent, un événement négligeable
peut s’avérer fort intéressant dans un concours de circonstances légérement
différent.
Par conséquent, l’ONCF a mis en place ces dernières années, des

mécanismes de capitalisation et d’investigation sur les accidents et incidents en
engageant les responsables des chemins de fer provinciaux, qui sont tenus de
transmettre à la Direction centrale de l’ONCF, le rapport de chaque collision ou
incident. Ces mécanismes instaurés permettent d’extraire, de formaliser et
d’archiver les scénarios de risque de façon à constituer une bibliothèque de données
de tous les incidents ferroviaires signalés aux droits des PN, et cela depuis l’année
2000. Chaque incident contenu dans la base de données de l’ONCF entre 2000 et
2009, contient les champs suivants, qui nous ont été fournis sous forme de deux
tableaux: les incidents entre 2000 et 2009 et les caractéritiques de chaque Passage à
Niveau.
141
Incidents 2000-2009 Caractéristiques des PN

Année de l’incident, N° du PN,
Date de l’incident, Km du PN,
Heure de l’incident, Parcours du train,
N° PN, Catégorie du PN,
Type de train, Type du PN,
Type de véhicule, Emplacement du PN,
Nature d’incident, Date création,
Libellé ou commentaire Date suppression,
sur l’incident, Nombre d’incidents,
Nombre de victimes, Vitesse du train au
croisement du PN,
Tab. 1 : Base de données brute des Incidents PN
V.4.2. Revue des statistiques sur les incidents aux PN

tel-00842756, version 1 - 9 Jul 2013
I.4.2.1. Emplacement
Les données contenues dans les rapports d’incidents ou collisions
précisent toujours le lieu de l’incident, le numéro du PN, sa situation et la région ou
province dont il fait partie. Plus de la moitié des incidents au PN survenus depuis
2000, ont eu lieu dans des zones à forte agglomération.
I.4.2.2. Type et fonction des véhicules en cause

Les statistiques de collision obtenus de l’ONCF indiquent le type de
véhicule en cause dans chaque collision. La figure 6 montre la répartition de ces
types de véhicules.
Autobus Autres
Voiture 3% 3% Bicyclette
Camion
38% 0%
23%
Charrette tractée
6%
Engin
Remorque
1%
1% Motocyclette
Non disponible
22% 3%
Fig. 6 Répartition des incidents par type de véhicule (2000 à 2008)
142
Les voitures particulières arrivent en tête des types de véhicules en cause

dans les collisions (38 %), suivies des camions (23 %) et des tracteurs et remorques
(7%).
Il existe un lien étroit entre le type de véhicule impliqué dans une

collision au niveau du Passage à Niveau et la gravité de l’incident. En effet, les
dimensions et le poids du véhicule influencent la probabilité que la collision
entraine des pertes de vie et des blessures graves, de même qu’un déraillement. Le
type de véhicule qui utilisera le Passage à Niveau doit donc être pris en compte au
moment de l’analyse des causes des collisions.
I.4.2.3. Signalisation et systèmes d’avertissement

tel-00842756, version 1 - 9 Jul 2013
Quelle était la signalisation aux Passages à Niveau où sont survenues les

collisions consignées dans la base de données de l’ONCF ? On le sait car dans les
rapports des incidents figurent l’état de la signalisation ainsi que les dispositifs pris
en compte pour avertir le conducteur du train à l’approche du PN (pédale, torche,
etc.).
I.4.2.4. Statistiques annuelles et conditions temporelles

Les statistiques des collisions de l’ONCF entre 2000 et 2008 affichent
une augmentation du nombre annuel de collisions aux Passages à Niveau en 2002,
2005 et 2008. L’évolution reste aléatoire (figure 7), malgrès les campagnes de
sensibilisation et les acions entreprises annuellement par l’ONCF afin d’améliorer
la sécurité au PN.
25
Nbre collision
21
20
18
15 15 15
12
11 13
10
7
6
5
0
2000 2001 2002 2003 2004 2005 2006 2007 2008
Fig. 7 Collisions annuelles (2000 à 2008)
143
La Figure 8 montre la répartition mensuelle des accidents de collision au

niveau des PN, contenus dans la base de données ONCF.
20
18
19
16
14 12 12
12 11 11
10 9
8 8 8
8 7 7
6
6
4
2
0
e
s
t
r
il
ai
e
r
e
û
br
ie
lle
ar
ie
br
br
br
M
Ju
Ao
Av
nv
vr
o
i
em
m
em
Ju
ct
Fé
Ja
ce
O
v
pt
No
Dé
Se
tel-00842756, version 1 - 9 Jul 2013
Fig. 8 Répartition des collisions par mois (2000 à 2008)
Les mois où surviennent le plus de collisions aux PN sont novembre,

janvier , mai, juin et juillet. Le sommet est atteint en janvier et les chiffres
relativement élevés sont enregistrés en novembre. Cela est dû principalement aux
mauvaises conditions climatiques de la période d’hiver, qui atténuent la visibilité
aux alentours des PN. Quant aux valeurs élevées enregistrées en mai, juin et juillet,
elles pourraient être liées à l’intensité de la circulation, car ces trois mois
correspondent généraement à la période de pointe pour les passages menant aux
campagnes et les zones de loisirs, mais sutout, c’est le passage incontounable pour
le transport par poids lourds, des produits agricoles récoltés des fermes vers les
villes, ou le passage vers des zones d’extraction de granulats (carrières).
V.4.3. Retour d’Expérience (REX) des incidents PN

Le Retour d’EXpérience (REX) est le fait d’exploiter des connaissances
historiques archivées des accidents afin de dégager un savoir-faire en matière de
management des risques. Généralement, le processus de REX nécessite l’analyse et
l’examen des phases suivantes, étapes que nous avons suivi pour notre cas d’étude
des accidents des Passages à Niveaux:
1. Collecte de données : Elle consiste à recueillir le maximum de données,

à s’intéresser à toutes les anomalies rencontrées et à faire appel à diverses
144
ressources de recherche d’information. La collecte de données concerne

les données relatives à l’opérateur humain, à son environnement interne
ou externe, au système technique, à l’organisation du travail, aux
procédures et aux éventuelles interactions entre ces composantes.
2. Traitement de données : cette phase passe par une analyse des

circonstances, des faits, des mécanismes et des causes des accidents
potentiels. Elle permet de reconstituer la chronologie des faits, d’établir
les scénarios à risque et d’évaluer les conséquences. Cette phase ne doit
pas se limiter à l’analyse des causes primaires ou apparentes, mais à
établir, par exemple, un arbre de causes permettant de mieux identifier
les mécanismes générateurs d’accident.
tel-00842756, version 1 - 9 Jul 2013
3. Stockage de données : Consiste à mémoriser et archiver les données

collectées et analysées. Lors de cette phase, une attention particulière est
portée aux possibilités d’exploitation réelle de cette base de données.
4. Exploitation de données : cette phase consiste à exploiter et interpréter

les résultats issus des différentes requêtes d’interrogation de la base de
données. L’objectif principal est d’extraire l’événement réellement
prédictif, de prendre en considération les cas isolés et de prédire ou
d’imaginer les futurs éléments qui vont être insérés dans la base de
données comme étant de nouveaux scénarios d’accident ou d’incident.
Le pragraphe suivant (V.4.4) explique comment nous avons procédé au
traitement et à l’exploitation de données relatives aux accidents
enregistrés au niveau des PN.
5. Proposition de recommandations : cette phase consiste à définir et

identifier les mesures adéquates pour limiter la reproduction d’un
scénario à risque. Il s’agit de mieux tirer profit des enseignements de
l’expérience acquise pour améliorer la sécurité. Ces recommandations
qui peuvent être obtenues suite à l’utilisation des outils ou techniques de
modélisation du risque, se traduiront par des actions de maîtrise agissant
sur les facteurs humains, la technologie, l’environnement, l’organisation,
la réglementation, les procédures, la documentation, etc.
145
V.4.4. Traitement et exploitation des données des incidents PN

En examinant la base de donnée des incidents, fournie par l’ONCF,
nous avons constaté ce qui suit :
1. Les champs de la base de données ne sont pas tous renseignés, surtout

entre 2000 et 2006, probablement parce que la Direction de l’ONCF n’a
pas instauré un formulaire d’enregistrement des incidents ou accidents en
précisant les informations requises pour chaque rapport.
2. Les informations contenues ne font pas apparaître systématiquement les

événements causes des incidents, qui relèvent de l’environnement du PN
(route, système de protection du PN et voie ferroviaire), et qui sont
identifiés dans l’analyse par l’AF dans le paragraphe V.2.
tel-00842756, version 1 - 9 Jul 2013
3. La base de données fournie sous forme de deux tableaux (circonstances

des incidents et données géographiques des PN) doit être consolidée et
complétée, afin de faire apparaître pour chaque incident, tous les
renseignements concernant l’environnement du système PN.
Une nouvelle analyse d’une partie des incidents (échantillon de 217

incidents pris entre 2007 et 2008), pour des raisons de volume des informations
contenues dans la base de données 2000 à 2009, a été réalisée pour faire ressortir les
événements majeurs identifiés et conduisant au risque collision. La méthode
consiste en la description graphique au moyen d’un enchaînement causal de chaque
incident survenu au niveau du PN et l’identification dans les circonstances
enregistrées (commentaires), des événements cités dans le paragraphe V.2 qui ont
pour conséquence la survenue de l’évènement redouté (collision).
Nous présenterons ci après un extrait de notre base de données

améliorée de 2007 et 2008 (tableau 2) précisant les états des dix événements
considérés majeurs au niveau du croisement, à la fois sur les caractéristiques du
PN, sur l’usager de la route et sur le trafic ferroviaire[Bouc12b].
146
Type Vitesse Type Circonstances

Situation PN Type Train Type incident Signalisation Visibilité Viabilité
PN train véhicule Usagers
En
Gardé 160 Voyageurs Camion obstruction Conforme Bonne Mauvaise Imprudence
agglomération
En
Gardé 140 Marchandise Camion Tamponnement Conforme Bonne Bonne Imprudence
agglomération
Non Hors
100 Voyageurs Camion Collision Conforme Bonne Mauvaise Imprudence
gardé agglomération
Non Hors
100 Voyageurs Voiture obstruction Conforme Moyenne Bonne Imprudence
gardé agglomération
Tab.2 : Extrait de la nouvelle base de données (217 incidents entre 2007-2008)
Cette base de connaissances servira donc à la modélisation et l’analyse

proprement dite du système PN , en adoptant l’approche bayésienne.
tel-00842756, version 1 - 9 Jul 2013
V.5. Modèle bayésien des incidents aux PN ONCF

L’utilisation des Réseaux Bayésiens dans l’analyse des événements
incertains des incidents au niveau des PN, permet une description qualitative entre
les différentes variables représentant les événements (le graphe causal) et la
description quantitative des dépendances entre les événements (probabilités
conditionnelles).
Pour ce faire, et à partir de la base de données recueillie entre 2007 et

2008 et traitée, nous allons à l’aide du Réseau Bayésien:
Concevoir la structure du graphe causal entre les différents événements

en se basant sur les données REX,
Modifier la structure et donc les liens de causalités, éventuellement par

les experts dans ce domaine,
Calculer la probabilité de certains états à partir de la probabilité des

autres (inférence),
Estimer les probabilités (par apprentissage),
V.5.1. Les différents types de noeuds

Nous présentons donc dans le tableau 3 les nœuds de notre modèle et
leurs modalités (valeurs discrètes) qui constituent le graphe causal [Bouc12b].
147
Modalités Agrégats Modalités Agrégats

Accident de Accident de
Nœud N1 Gardé Gardé
Discret personne personne
Type PN
Non gardé Non gardé Nœud N4 Autres ... Autres ...
Discret
Piéton Piéton Type incident Collision Collision
Tamponnement Tamponnement
de barrière de barrière
Modalités Agrégats obstruction obstruction
Nœud N2 En En
Discret agglomération agglomération
Situation PN
Hors Hors
Modalités Agrégats
agglomération agglomération Nœud N5
Discret
Signalisations Conforme Conforme
Modalités Agrégats Non conforme Non conforme
Autobus Autobus
Autres ... Autres ... Modalités Agrégats
Bicyclette Bicyclette Bonne Bonne
Nœud N6
Camion Camion Discret Mauvaise Mauvaise
Visibilité
Charrette Charrette
Moyenne Moyenne
tractée tractée
Nœud N9 Motocyclette Motocyclette
tel-00842756, version 1 - 9 Jul 2013
Type Discret Non disponible Non disponible Modalités Agrégats

véhicule Remorque Remorque Nœud N7 Bonne Bonne
Discret
Tracteur tracté Tracteur tracté Viabilité Mauvaise Mauvaise
Voiture Voiture Moyenne Moyenne
Modalités Agrégats
Nœud N8 Accident Accident
Circonstances Discret Correct Correct
Usagers Imprudence Imprudence
Panne Panne
Tab. 3: Caractéristiques des nœuds du Réseau Bayésien
V.5.2. Apprentissage de la structure

Nous présentons dans la figure 9, le modèle construit par apprentissage
par découverte d’association selon l’arbre de recouvrement maximale (MWST).
Les données introduites sont celles des 217 incidents enregistrés entre 2007 et 2008.
Ce premier modèle de représentation a fourni une vision synthétique du

système PN observé, et il a permis d’aller vers des discussions avec les personnes
compétentes sur ce domaine précis, afin de collecter leurs avis.
Les liens de causalités entre les différents nœuds du graphe construit sont
analysés, et une modification de certains liens a été apportée pour tenir compte à la
fois des avis des experts dans ce domaine, et des résultats d’analyses effectués sur
les causalités des incidents réellement survenus, qui ont montré l’existence de
certaines dépendances entre des événements. Le nouveau graphe obtenu est montré
dans la figure 10. Les différentes probabilités des différents nœuds estimées par
apprentissage sont illustrées dans la figure 11.
148
Fig.9 Structure par apprentissage du Réseau Bayésien des incidents PN

tel-00842756, version 1 - 9 Jul 2013
Fig.10 Réaffectation des associations du Réseau Bayésien des incidents PN
149
tel-00842756, version 1 - 9 Jul 2013
Fig.11 Résultats de l’apprentissage du Réseau Bayesian des incidents PN ONCF

(217 incidents)
V.6. Simulations sur le modèle Bayésien

Comme nous l’avons évoqué dans le chapitre I, la sûreté de
fonctionnement rend compte de l’aptitude du système à remplir sa mission et à
résister aux défaillances matérielles, logicielles et humaines ainsi qu’aux agressions
de son environnement. En cela, elle caractérise les performances du système. Dans
ce contexte, nous allons procéder dans les figures qui suivent à des simulations sur
les états de certains nœuds constituant le graphe de ce Réseau Bayésien modélisant
le risque collision au niveau du PN, afin de calculer par inférence les différentes
probabilités d’occurrence des incidents et leurs types.
Ces simulations nous permettront de tester la pertinence et l’efficacité de

quelques actions sécurité enviseageables pour réduire le risque collision, et ainsi
permettre de quantifier la performance de ce système à répondre aux objectifs fixés
en matière de sécurité.
V.6.1. Simulation n°1 : PN gardés 100%

Nous allons définir, en particulier, le nœud incident comme nœud cible
de notre analyse, et grâce à la possibilité qu’offre notre modèle Bayésien, nous
simulerons l’impact de rendre tous les PN protégés par des barrières sur l’apparition
150
d’accidents (Figure 12). Nous constatons donc suite à cette simulation de

l’ensemble des PN gardés (Figure 13), que les incidents diminueront de 217 à 127,
soit une réduction considérable de 41%.
Toutefois, nous constatons qu’il est encore prématuré d’affirmer que les
incidents disparaîtront si on équipe tous les PN de barrières et de gardiens. En effet,
les erreurs humaines ainsi que les pannes inopinées des véhicules lors du
croisement restent toujours un facteur déterminant.
tel-00842756, version 1 - 9 Jul 2013
Fig.12 Définition du nœud cible "Type Incidents» et simulation PN gardés 100%
151
Fig. 13 Estimation des incidents PN (127) suite à la simulation des PN gardés 100%
tel-00842756, version 1 - 9 Jul 2013
Dans la figure 13 ci-dessus, nous constatons d’après les calculs

d’inférence du graphe suite à cette simulation, que sur les 127 incidents estimés,
42% sont causés par l’imprudence des usagers, et 23% sont dus aux pannes des
véhicules dans les zones de croisements.
De ce fait, il s’avère que le modèle bayésien construit constitue

également un outil d’aide à la décision, qui permettrait de cibler les actions
pertinentes, en vue d’atteindre les objectifs définis par l’ONCF en matière de
réduction des risques.
Il permet aussi une gestion efficace des budgets alloués à la maîtrise des
risques ferroviaires, en particulier dans notre étude de cas qui traite les incidents au
niveau des croisements des Passages à Niveau.
V.6.2. Simulation n°2 : Imprudence 0%, Signalisation, Viabilité et

Visibilité 100%
Dans la simulation suivante, nous allons forcer les états des
nœuds suivants: signalisation conforme 100%, viabilité bonne 100%, visibilité
bonne 100% et imprudence 0% et nous constatons d’après les calculs d’inférence au
niveau de notre modèle, qu’il y a une nette diminution de la sinistralité au niveau
des PN qui passe à 17 incidents, soit une réduction de 92%.
152
tel-00842756, version 1 - 9 Jul 2013
Fig. 14 Nœuds signalisation conforme 100%, viabilité bonne 100%, visibilité bonne
100% et imprudence 0%
153
Fig15. Résultat de l’inférence du graphe causal après simulation signalisation

conforme 100%, viabilité bonne 100%, visibilité bonne 100% et imprudence 0%
V.6.3. Simulation n°3 : Imprudence 0%

tel-00842756, version 1 - 9 Jul 2013
Dans la présente simulation, nous allons considérer que les actes non
responsables des usagers de la route sont de 0% et nous constatons, d’après les
calculs d’inférence de notre modèle, qu’il y a une diminution considérable de la
sinistralité au niveau des PN qui passe à 123 incidents, soit une réduction de 45%.
Fig. 16 Résultats de l’inférence du graphe causal après simulation

de l’imprudence 0%
154
tel-00842756, version 1 - 9 Jul 2013
Fig. 17 Résultats de l’inférence du graphe causal après simulation

de l’imprudence 0%
Nous constatons aussi que le risque collision passe de 11,75% à 9,48% et

que la signalisation doit être conforme à 79%.
V.6.4. Simulation n°4 : Erreurs humaines 0%

Dans la simulation suivante, nous allons considérer que les actes
relevant des facteurs humains des usagers de la route, ainsi que les pannes et
accidents des véhicules à l’intérieur des croisements sont de 0% et nous constatons
d’après les calculs d’inférence du modèle de risque, qu’il y a une nette diminution
de la sinistralité au niveau des PN qui passe à 33 incident, soit une réduction de
85%. Cette valeur confirme les statistiques des causes des accidents des Passages à
Niveau qui estiment entre 80 et 90%, les responsabilités incombant aux facteurs
humains.
155
tel-00842756, version 1 - 9 Jul 2013
Fig. 18 Résultats de l’inférence du graphe causal après simulation de l’imprudence

0%, accident 0%, et pannes 0%
V.7. Validation du modèle établi

La technique des Réseaux Bayésiens n’a pas immédiatement intégré
l’ensemble de la problématique d’apprentissage. Aujourd’hui, les recherches sur ces
algorithmes ignorent le problème de la capacité de généralisation d’un modèle, et
les précautions que cela implique au moment de sa construction [Naim04].
Notre modèle a été établi suite à une technique d’apprentissage réduisant

l’espace des recherches aux arbres. Il a servi comme premier modèle aux experts
qui l’ont ensuite modifié pour intégrer ou supprimer certaines relations de causalité
156
entre les nœuds du graphe. A cet effet, nous proposons dans la suite de ce
paragraphe, de tester le degré de confiance de ce modèle à travers une technique de
simulation.
Pour cela, nous allons utiliser les informations contenues dans la base de
données 2008 pour tester le degré de confiance des simulations effectuées sur le
réseau de la base de données 2007, en particulier sur le nœud type de collision.
Pour ce faire, nous allons procéder par ces étapes suivantes:
Séparer la base de données des 227 accidents utilisée dans notre étude en deux :
la base de données de 2007 constituée de 109 accidents et celle de 2008
constituée de 118 accidents.
tel-00842756, version 1 - 9 Jul 2013
Etablir pour chaque base de données 2007 et 2008, un modèle de risque basé sur
le Réseau Bayésien RB 2007 et RB 2008 ayant la même structure que celui
construit à partir de la base de données 2007 et 2008,
Faire les calculs d’inférences de ces deux réseaux RB 2007 et RB 2008 en

utilisant la même technique d’apprentissage des paramètres à partir des deux
bases de données complètes 2007 et 2008. Cette étape nous permettra d’avoir les
valeurs de probabilités des différents nœuds du modèle RB des accidents 2007 et
du modèle RB des accidents 2008 (figures 19 et 20),
157
Fig. 19 Résultats de l’inférence du graphe causal du modèle RB 2007

tel-00842756, version 1 - 9 Jul 2013
Fig. 20 Résultats de l’inférence du graphe causal modèle RB 2008
158
Dans le modèle des accidents RB 2007, nous allons modifier les

probabilités des états de tous les nœuds (à l’exception du nœud cible ‘type
d’incident’) pour les rendre égales aux mêmes valeurs approximatives qui ont été
obtenues à partir du modèle des accidents 2008, et qui sont estimées par inférence
dans le graphe causal à partir des accidents réels enregistrés en 2008, comme
indiqué dans la figure 21.
tel-00842756, version 1 - 9 Jul 2013
Fig. 21 Reproduction dans le modèle RB 2007 des mêmes états des modalités des
nœuds du modèle RB (2008)
Les probabilités des différentes modalités du nœud ‘ type d’incident’

(Figure 22) sont calculées automatiquement par inférence du RB des accidents
2007. Ces valeurs obtenues seront comparées aux valeurs réelles obtenues par
inférence du RB 2008 à partir de données des accidents enregistrés en 2008.
159
Fig. 22 Simulation des modalités du nœud ‘type incident’

dans le modèle RB (2007)
tel-00842756, version 1 - 9 Jul 2013
Le tableau ci après récapitule les résultats obtenus pour les différentes

modalités du nœud ‘type d’incident’:
Nœud ‘type d’incident’

Valeur obtenue suite à
Valeur obtenue suite
l’inférence du modèle RB
Modalité simulation avec le modèle
2008 à partir de la base de
des accidents 2007
données des accidents 2008
Collision 16,26% 12,81%
Tamponnement 18,53% 10,49%
Obstruction 65,21% 60,86
Accident de personne (*) - 6,25
Autres (*) - 9,58%

(*) : Modalité non présente dans la base de donnée 2007.
Tab. 4: Valeurs simulées et calculées des probabilités des modalités ‘type d’incident’
dans les modèles RB 2007 et RB 2008
On constate que les valeurs des modalités du nœud ‘type incident’,

calculées par simulation se rapprochent des valeurs calculées suite à l’inférence du
modèle à partir de la base de données 2008. L’écart constaté peut être justifié par le
fait que toutes les états des modalités du nœud ‘type incident’ ne figurent pas dans
la base de données 2007, et qu’il faudrait une taille plus grande de données, afin
160
que la simulation effectuée par extraction des connaissances soit encore plus
précise.
Cette simulation nous a permis donc de valider notre modèle de risques

des accidents au niveau des PN de l’ONCF, dont la structure et les paramètres ont
été extraits à partir des connaissances contenues dans la base de données des
accidents 2007 et 2008 à un seuil que nous avons jugé acceptable. En effet, nous
avons constaté que les résultats obtenus des modalités du nœud « type d’incident »
en simulant les états des autres nœuds, constituant le système PN, aux valeurs
réelles de la base de données 2008, se rapprochent des valeurs réelles des types
d’accidents survenus en 2008, compte tenu des effets aléatoires des accidents et de
leurs conséquences.
tel-00842756, version 1 - 9 Jul 2013
V.8. Conclusions
Les simulations réalisées par notre modèle d’évaluation du risque au
niveau du PN, en prenant différents états des nœuds constituant le graphe causal, a
pour objectif de proposer aux gestionnaires de sécurité routière et ferroviaire, un
outil de décision sur les actions sécurité à entreprendre à la fois sur l’infrastructure
du PN, la signalisation ferroviaire et routière, ainsi que les usagers de la route.
Certes, ces actions ne sont pas génériques et doivent être adaptées selon
la configuration et caractéristiques de chaque PN.
Nous donnons à titre d’exemple ci après, quelques solutions non

exhaustives [SETRA08] pour améliorer la sécurité aux Passages à Niveau en
agissant sur l’infrastructure pour les risques suivants:
La vitesse de franchissement des véhicules au niveau du croisement

incompatible avec la présence du PN dans l’environnement considéré : dans ce
cas, il est nécessaire de mettre en œuvre des dispositifs ralentisseurs tels que les
bandes rugueuses ou des panneaux d’alerte de vitesse limite.
Le déport latéral : lors de l’allumage des signaux d’arrêt, une manœuvre de

déport latéral afin de franchir le PN en phase de fermeture, pouvant aller
jusqu’au passage en chicane (PN fermé) peut être entamée par l’usager de la
route. En contre mesure, il faut contraindre les usagers sur leur voie de
161
circulation par la mise en œuvre d’îlots bordurés sur une distance suffisamment
longue.
Le manque de visibilité du PN due au type d’aménagement dans la zone du PN

ou des éléments masquant (végétation, publicité, PN situé après un sommet de
côte ou virage, une signalisation verticale avancée insuffisante, un profil en
travers inadapté au PN trop large ou étroit) : comme contre mesures, il faut
supprimer les éléments constituant l’entrave visuelle aux abords du PN, mettre
en conformité les éléments de signalisation routière, renforcer la perception des
équipements constituants le PN.
La Viabilité du PN : une mauvaise géométrie du PN (dos d’âne dus au fait que

la voie ferrée et la route ne sont pas dans le même plan, PN précédé par des
tel-00842756, version 1 - 9 Jul 2013
virages de faible rayon dans les deux sens de circulation ou une dégradation
avancée du corps de chaussée du croisement peuvent entrainer des difficultés de
franchissement. Pour ce type de défaut identifié, il n’existe pas de solutions
génériques mais des travaux d’aménagement propres à chaque PN s’avèrent
nécessaires.
La remontée de file : peut engendrer un risque de collision si le véhicule s’arrête

sur la zone de croisement du PN et n’a pas de possibilité de se dégager. Ce cas
est généralement observé si le PN est situé à proximité d’un croisement avec
une route lors des périodes de pointe de trafics routier et ferroviaire. Des
solutions comme interdire les tourne à gauche à proximité immédiate du PN,
modifier les priorités par des panneaux ou feux, coordonner les feux tricolores à
celui du PN, etc. sont à envisager.
162
Chapitre VI. Le modèle Bayésien d’évaluation du risque accident au niveau du TRAMWAY
Chapitre VI
Le Modèle Bayésien d’évaluation du risque
accident au niveau du TRAMWAY
Rabat/Salé
tel-00842756, version 1 - 9 Jul 2013
Sommaire
VI.1. Présentation du Tramway RABAT/SALE ....................................... 165

VI.1.1.Introduction ....................................................................................... 165
VI.1.2.Le réseau du Tramway de Rabat/Salé ................................................ 166
VI.1.2.1.Les lignes du Tramway............................................................ 167
VI.1.2.2.Les stations du Tramway ......................................................... 168
VI.1.2.3.L’aménagement de la plateforme du Tramway ......................... 169
VI.1.2.4.Qualité urbaine et environnementale du Tramway. .................. 169
VI.2. Analyse des accidents du Tramway ................................................ 170
VI.2.1.Les champs de la base de données....................................................... 171
VI.2.2.Analyse des statistiques des accidents du Tramway ............................. 173
VI.2.2.1.Emplacements......................................................................... 173
VI.2.2.2.Type des tiers en cause ............................................................ 175
VI.2.2.3.Statistiques mensuelles des accidents........................................ 175
VI.2.2.4.Gravité des accidents survenus................................................. 176
VI.2.2.5.Répartition des accidents par lignes.......................................... 176
VI.2.2.6.Répartition des accidents par type de voie ................................ 177
VI.2.2.7.Répartition des accidents par heure de journée ......................... 177
163
VI.2.3.Revue et exploitation de la base de donnée Tramway .......................... 178

VI.3. Modèle bayésien des accidents Tramway ......................................... 180
VI.3.1.Les différents types de noeuds............................................................. 180
VI.3.2.Apprentissage de la structure .............................................................. 181
VI.4. Simulations sur le modèle Bayésien ................................................ 183
VI.4.1.Simulation n°1 : Evitabilité des accidents par le conducteur du Tramway
améliorée à 80% ........................................................................................... 183
VI.4.2.Simulation n°2 : Respect du code de la route 100% par les tiers ........... 185
VI.4.3.Simulation n°3 : Visibilité bonne à 100%............................................. 186
VI.4.4.Simulation n°4 : Evitabilité des accidents 80% et 50% des accidents de types
corporel 1 et matériel 1.................................................................................. 187
tel-00842756, version 1 - 9 Jul 2013
VI.5. Conclusion............................................................................... 189
164
Dans ce chapitre, nous allons nous intéresser à l’analyse des accidents d’un
autre système ferroviaire qui est le Tramway, en adoptant l’approche bayésienne utilisée
dans l’analyse des risques du Passages à Niveau décrite dans le chapitre V, mais cette fois
ci en tenant compte des particularités propres à ce mode de transport, relatives à son
environnement et à son mode d’exploitation. En effet, à la différence d’un train, le
Tramway est un véhicule urbain, qui circule au milieu de la circulation automobile et
piétonne, et donc on ne peut restreindre notre analyse à une zone de croisement avec les
usagers de la route, à l’instar des Passages à Niveau. Cependant, par son caractère guidé,
la conception du système Tramway reprend le principe de la signalisation ferroviaire
dans les zones de manoeuvre et dans certaines configurations où le conducteur du
tel-00842756, version 1 - 9 Jul 2013
Tramway n’a pas une visibilité suffisante.
VI.1. Présentation du Tramway RABAT/SALE
VI.1.1. Introduction
L’agglomération de Rabat-Salé a connu un développement important de sa
population et par conséquent de sa demande de transports. De 1,318 million d’habitants
au dernier recensement de 2004, elle a atteint plus de 2 millions d’habitants en 2010.
Cette évolution démographique a induit des besoins en déplacements

importants, nécessitant une réorganisation des moyens de transports et de
communication de manière à optimiser la circulation au sein de l’agglomération de
Rabat/Salé, tout en préservant la qualité de vie et de l’environnement, et en favorisant le
développement de l’activité économique de la région.
Le projet de Tramway prolonge des études antérieures réalisées en 1982 et

2003 sur la faisabilité de lignes de transport en commun en site propre dans
l’agglomération de Rabat-Salé. Ces études avaient conclu à l’opportunité de mettre en
œuvre un système de Tramway sur rails.
Dans ce cadre, et sur la base des études de conception menées en 2005 et 2006,
l'agence pour l'aménagement de la vallée du BOUREGREG, qui est un établissement
public à autonomie financière, a été mandatée et chargée de réaliser le projet de
165
Tramway en partenariat avec les communes de Rabat/Salé. Les travaux de réalisation de

deux lignes de Tramway pour l'agglomération ont démarré en février 2007 avec un
objectif de mise en service fixé en début 2011.
Le coût du projet est estimé à 380 millions d’Euros (matériel roulant,

infrastructure, équipements, etc.) et a pour objectif à terme de transporter au minimum
60 millions de voyageurs par an en pleine exploitation.
La répartition de ce budget en fonction des études et phases de réalisations est

illustrée dans la figure 1 ci après [Tram08]:
tel-00842756, version 1 - 9 Jul 2013
Fig. 1 Répartition du budget de lancement du Tramway Rabat/Salé
VI.1.2. Le réseau du Tramway de Rabat/Salé
Le tracé du réseau du Tramway a été conçu pour répondre à un double

objectif:
Répondre à la demande en transport dans l’agglomération et contribuer à

la résolution des problèmes de fluidité du trafic, grâce à ce mode de
transport rapide, économique, confortable et accessible aux personnes à
mobilité réduite,
Améliorer la vie communautaire puisque le Tramway de Rabat Salé va

assurer une meilleure desserte des principaux équipements publics de
l'agglomération (hôpitaux, facultés, centre commerciaux, pôles
administratifs, gares, etc.)
166
VI.1.2.1. Les lignes du Tramway

Le réseau de Tramway comporte deux lignes d’une longueur totale d’environ
19,5 km [Tram08]:
La ligne 1 (L1) dite «ligne structurante de l’agglomération» qui s’étend de

Hay Karima à Salé au quartier de l’Agdal, avec un tracé au centre ville par
l’Avenue Al Alaouiyine, relie ainsi les pôles attracteurs majeurs de
l’agglomération .
La ligne 2 (L2) dessert les quartiers denses de l’Océan, Yacoub Al

Mansour et le quartier Bettana à Salé.
Un Tronc Commun (TC) est prévu pour la traversée du fleuve Bouregreg

tel-00842756, version 1 - 9 Jul 2013
au niveau du nouveau pont Moulay Al Hassan, allant de la place

Cardonna à Salé à la place Al Joulane à Rabat.
Fig. 2 Répartition géographique des deux lignes du Tramway Rabat/Salé.
Photo.1 Tramway Rabat/Salé à la place AL JOULANE
167
VI.1.2.2. Les stations du Tramway

L'insertion urbaine du Tramway est réalisée par l’aménagement de 31 stations
d’une longueur de 60 m sur l’ensemble du réseau des lignes L1 et L2 [Tram08]. Placées
tous les 500 mètres environ, ces stations permettent une bonne répartition des accès et
une desserte optimale des principaux équipements publics de l'agglomération : hôpitaux,
universités, ministères, gares routières et ferroviaires.
Ces stations sont équipées de barrières fixes de protection des voyageurs contre
la circulation routière, de bancs, d'abris et d'arbres afin de rendre le passage en station
plus confortable. La fréquence de passage des rames, évaluée à 8 minutes dans chaque
sens sur les 2 lignes et à 4 minutes sur le tronc commun, permettra une fluidité optimale
du trafic.
tel-00842756, version 1 - 9 Jul 2013
Fig. 3 Plan des deux lignes L1 et L2 du Tramway Rabat/Salé.
L’ensemble des caractéristiques du réseau de Tramway Rabat/Salé est résumé

dans la figure 4 ci après [Tram08]:
Ligne 1 Ligne 2 Tronc commun
Longueur 11,7 Km 7,8 Km 2,9 Km
Stations 22 14 5
Fréquence 8 min 8 min 4 min
Temps de parcours 36 min 25 min
Vitesse commerciale 19.5 Km /h 19 Km/h
Capacité offerte 4 050 4050 8100 voy/h/sens
Amplitude du service de 06h00 à 23h00
Nombre de voyageurs/j 180 000
Matériel roulant 22 rames de 65 m exploitées en rames
doubles soient 44 véhicules de 32 rames.
Fig. 4 Caractéristiques du réseau du Tramway Rabat/Salé
168
VI.1.2.3. L’aménagement de la plateforme du Tramway

L’insertion des lignes du Tramway est réalisée par le positionnement de la
plateforme ferrée dans la voirie actuelle des deux villes Rabat et Salé. D’une largeur
d’environ 7 m, cette insertion a impliqué des élargissements sur certains tronçons de
voiries afin de maintenir la circulation piétonne et automobile, le stationnement et les
plantations.
Selon la configuration retenue, l’insertion est réalisée de manière latérale ou

axiale:
Le site axial : permet de garder la liberté d’aménagement des avenues

avec un double sens de circulation et de desserte des riverains et
favorise l’exploitation du Tramway et le fonctionnement urbain de
tel-00842756, version 1 - 9 Jul 2013
l’avenue en dissociant le site propre des activités de part et d’autre. Le

choix du site axial sur 70% du réseau de Rabat/Salé provient du fait de
son passage par les grands axes des deux villes Rabat et Salé.
Le site latéral :permet de minimiser les travaux d’aménagement et

l’impact sur la circulation et facilite la protection de la plateforme, ainsi
que la desserte (photo 2).
Photo.2 Tracé latéral du Tramway
VI.1.2.4. Qualité urbaine et environnementale du Tramway.

Un des grands avantages environnementaux du Tramway réside dans sa
capacité de transport importante sans impact négatif sur l’environnement puisque les
rames sont alimentées électriquement par lignes aériennes de contact.
169
Le Tramway est un moyen de transport à énergie propre qui constitue une

véritable alternative à l'usage de voiture. Avec une capacité de 580 passagers, soit
l’équivalent de 100 voitures ou 10 bus, le Tramway de Rabat Salé est le mode de
transport qui consomme le moins par kilomètre et par personne. En effet, le Tramway
consomme quatre fois moins qu’un bus et dix fois moins qu’une voiture (en
Kwh/passager) [Tram08].
VI.2. Analyse des accidents du Tramway

Dans le présent paragraphe, nous allons procéder à l’analyse qualitative et
quantitative des accidents du Tramway dont les principales sources sont :
Les déclarations de la société TRANSDEV chargée de l’exploitation des

tel-00842756, version 1 - 9 Jul 2013
deux lignes du Tramway,
Les rapports de constats de la police des accidents du Tramway avec les

tiers,
Rappelons que les accidents avec le Tramway se produisent malgré les actions
sécurité entreprises par l’exploitant, et certains accidents avec les véhicules légers et
piètons ont des conséquences graves.
En se basant sur les rapports d’accidentologie du Tramway, on peut rencontrer

différents scénarios d’accidents :
Un piéton peut être renversé par un Tramway lors d’un croisement ou sur la
plateforme (Photo 3)
Le Tramway peut entrer en collision avec un véhicule au niveau d’un croisement

(Photo 4),
Photo.3 Croisement du Tramway avec les piètons

170
Photo.4 Collision du Tramway avec une voiture lègère

tel-00842756, version 1 - 9 Jul 2013
Le Tramway peut dérailler après une collision brutale,
Un passager peut également tomber d'un Tramway ou, malgré des systèmes de
sécurité, se coincer entre les portes,
Les conducteurs des deux roues peuvent perdre le contrôle de leur vélomoteurs
lorsque les roues longent les voies de Tramways,
Quand un Tramway freine brutalement ou lors d’une collision, les passagers peuvent
tomber dans la rame ou frapper d'autres passagers ou parties de la rame,
Etc,
Nous allons présenter dans ce qui suit, notre démarche d’acquisition et

d’exploitation de la base de données des accidents du Tramway de Rabat Salé pour
l’année 2011 (début de l’exploitation) et 2012 (à fin mai), en vue d’une modélisation du
risque accident avec le Tramway par Réseaux Bayésiens.
VI.2.1. Les champs de la base de données

La base de données fournie par l’exploitant du Tramway est constituée des
informations suivantes (Tableau 1):
Date de l’accident,
Rapport succinct présentant le type du tiers accidenté avec le Tramway, la nature des
dégâts et le lieu de l’accident,
171
La nature des dégâts, reprise avec quatre types de codification définis par l’exploitant
du Tramway, qui traduisent des seuils de gravité suite à un accident. Les
conséquences sont évaluées en fonctions des seuils suivants :
C1 : Corporelle 1, signifiant des blessures légères ne nécessitant pas une

hospitalisation ou examen médical,
C2 : Corporelle 2, signifiant des blessures qui nécessitent un examen

médical ou une hospitalisation,
C3 : Corporelle 3, signifiant des blessures graves suite auxquelles le

tiers est décédé,
M1 : Matériel 1 signifiant des dégâts minimums qui se limitent à de

tel-00842756, version 1 - 9 Jul 2013
simples rayures de la tôlerie,
M2 : Matériel 2 signifiant un dégât nécessitant l’immobilisation de la

rame du Tramway pour réparation plus d’une demi journée,
M3 : Matériel 3 signifiant des dégâts importants et que la rame du

Tramway sera immobilisée pour réparation pour une durée de plus de
3 jours.
Lignes L1, L2 ou TC (Tronc Commun entre les deux lignes L1 et L2),
Tiers en cause : Voiture légère, Bus, piéton, 2 roues, etc.,
Voie : le numéro des voies 1 ou 2 sur laquelle a eu lieu l’accident,
Ville : La ville où a eu lieu l’accident (Rabat ou Salé),
Evitabilité: le pourcentage d’évitabilité de l’accident par le conducteur du Tramway,
Constat Police,
Arrondissement du lieu de l’accident,
Préconisations : Les actions issues de l’analyse à chaud de l’accident par l’exploitant

pour éviter sa reproduction,
Le tableau 1 ci après illustre un extrait de cette base de données des 64

accidents enregistrés entre juin 2011 et mai 2012.
172
Con
Tiers
Nature Evitabi stat Arrondis
Date Rapport Ligne en Voie Ville Préconisation
dégât lité polic sement
cause
e
Accident avec VL et l'US
29/30 au carrefour
Bibliothèque Nationale 261/DM
Sensibiliser le
15/06/2011 interruption de 16h23 à Matériel 2 L1 VL 1 Rabat 50% CP /SAC2-
conducteur
16h38, VL arrière gauche bien Hassan
abîmé, Tramway nez avant
bien abimé
Mettre des
obstacles sur les
Accident avec VL et l'US
passages piétons
17/18 au carrefour Av. de
qui empêcheraient
France/Ourgha, interruption 264/DM
motos et voitures
16/06/2011 de 11h30 à 11h45,VL avant Matériel 1 L1 VL 1 Rabat 0% CP /SAC2-
de passer.
gauche enfoncée, Tramway Hassan
Sensibiliser les
jupe avant gauche légèrement
agents de sécurité.
enfoncée,
Sensibiliser les
conducteurs
Mettre des
obstacles sur les
Accident avec Motocyclette et passages piétons
712/SAC
tel-00842756, version 1 - 9 Jul 2013
l'US 21/22 entre le terminus qui empêcheraient

1-
et la station BETANA 2roue motos et voitures
22/06/2011 Corporel 1 L2 2 Salé 50% CP GHRAB
interruption de 11h55 à s de passer.
LIA-BAB
12h15, la personne a été Sensibiliser les
KHMISS
évacuée par ambulance agents de sécurité.
Sensibiliser les
conducteurs
Tab. 1: Extrait de la base de données des accidents Tramway Rabat/Salé
VI.2.2. Analyse des statistiques des accidents du Tramway
VI.2.2.1. Emplacements
Les données contenues dans la base de donnée des accidents, précisent
toujours le lieu de l’accident. Ces emplacements sont regroupés dans notre étude selon
trois catégories:
Intersection simple de la ligne du Tramway avec la route,
Croisement de la ligne du Tramway avec la route de type carrefour,
Croisement de la ligne du Tramway avec la route de type giratoire (Photo5),
173
Photo.5 Croisement du Tramway avec la route de type giratoire
Passages piètons qu’il soit avec signalisation ou non, destiné au croisement de la ligne
tel-00842756, version 1 - 9 Jul 2013
du Tramway avec les piètons, et là aussi, un certain nombre de vélomoteurs continue

à les emprunter.
Plateforme de la ligne où malheurusement certains vélomoteurs et piètons continuent

à accéder dans leurs déplacements, surtout en période de pointe pour éviter de
circuler sur la chaussée et trottoir encombrés.
La Figure 5 montre la répartition des accidents par catégorie d’emplacement.

Il en résulte que la plupart a eu lieu au niveau des carrefours (29%), des intersections
(23%) et des plateformes des lignes (20%).
Giratoire Passage
Carrefour Passage
8% piéton
29% piéton NS
6%
2%
Plateforme
Intersection 20%
23% Intérieur TRAM
12%
Fig. 5 Répartition des collisions par mois (2011 à mai 2012)
174
VI.2.2.2. Type des tiers en cause

Les statistiques des accidents fournis par l’exploitant des deux lignes du
Tramway indiquent le type de tiers en cause dans chaque accident. La figure 6 montre la
répartition de ces types de tiers.
Intérieur
Voiture légère BUS TRAM
52% 3% 13%
Motocyclette
9%
Pièton Fem me
Pièton Hom m e 1%
tel-00842756, version 1 - 9 Jul 2013
22%
Fig. 6 Répartition des accidents par type de tiers (juin 2011 à mai 2012)
Les voitures lègéres arrivent en tête des tiers en cause dans les accidents
Tramway (52 %), suivies des piètons de sex masculin (22 %) et des accidents à l’intérieur
des rames du Tramway (13 %) qui sont la conséquence de chutes ou heurts des passagers
à l’intérieur de la rame.
Des études [Cast12] [Chal09] ont montré que dans l'ensemble, les usagers ont
peu conscience du risque d'accident avec le Tramway. Cette perception du risque
d'accident peut être dû aux faibles vitesses de Tramways et à la conduite prudente des
conducteurs de Tramway. Cependant, le manque de sensibilisation des risques de
Tramway, conduit les usagers de la route à adopter un comportement risqué, qui parfois
aboutit à des accidents.
VI.2.2.3. Statistiques mensuelles des accidents

Les statistiques des accidents du Tramway avec les tiers entre juin 2011 et mai
2012 affichent une irrégularité du nombre des accidents au cours des mois. L’évolution
reste aléatoire (figure 7), malgré les campagnes de sensibilisation et les actions entreprises
par l’exploitant du Tramway Rabat/Salé, qui ont pour objectif de sensibiliser les usagers
175
de la route, aux risques encourus et au respect des signalisations et priorité de passage du

Tramway.
16
14
12
10
4
2
0
juin-11 juil-11 août- sept-11 oct-11 nov-11 déc-11 janv-12 févr-12 mars- avr-12 mai-12
11 12
tel-00842756, version 1 - 9 Jul 2013
Fig. 7 Statistiques des accidents mensuels (juin 2011 à mai 2012)
VI.2.2.4. Gravité des accidents survenus

Les statistiques enregistrent un taux élevé des accidents corporels de types 1 et
des accidents matériels de types 1 et 2. Cependant, deux accidents mortels ont été
enregistrés pendant la période de juin 2011 à mai 2012.
40 38
35 33
32
30
25
20
15
10 8
5 4
3
2 2
1 1 1
0
0
Corporel Corporel Corporel Matériel Matériel Matériel M1/C1 M2/C1 M2/C2 M3/C1 M3/C2 M3/C3
1 2 3 1 2 3
Fig. 8 Répartition des accidents par gravité (juin 2011 à mai 2012)
VI.2.2.5. Répartition des accidents par lignes

Les statistiques des accidents par type de ligne indiquent un pourcentage
légérement supérieur de la ligne L1 (53%) par rapport à la ligne L2 (39%) . Ceci est
justifié par la longueur de la ligne L1 (11,7 Km) supérieure à la ligne L2 (7,8 Km). Cette
176
ligne dessert plus de stations (22 stations) et compte dans son trajet plus de croisement
avec les véhicules et les passages piètons, lieux favorables à la survenue des accidents.
Ligne L2
39%
Tronc
Ligne L1 Commun TC
53% 8%
Fig. 9 Répartition des accidents par ligne (juin 2011 à mai 2012)
tel-00842756, version 1 - 9 Jul 2013
VI.2.2.6. Répartition des accidents par type de voie

Les statistiques des accidents par type de voie indiquent un pourcentage
légèrement supérieur de la voie 1 (51%) par rapport à la voie 2 (49%). Ceci est justifié par
la configuration du tracé du Tramway en sites axial et latéral, et par le fait que dans la
configuration latérale qui représente 30% du linéaire de la voie ferroviaire, la voie 1 reste
toujours limitrophe à la chaussée et donc le Tramway qui l’emprunte reste toujours
exposé aux risques d’accidents avec les tiers.
Voie 1
51%
Voie 2
49%
Fig. 10 Répartition des accidents par voie (juin 2011 à mai 2012)
VI.2.2.7. Répartition des accidents par heure de journée

La figure 11 illustre le nombre d’accidents par heure de journée. Le pic
coïncide toujours avec les heures de pointe du trafic routier, correspondant aux horaires
de trajets vers les administrations et la sortie des élèves des écoles. Les valeurs maximales
sont enregistrées vers 14 h et 18 h de la journée.
177
8
7 7
7
6
5 5 5 5
5
4 4 4
4
3 3 3 3
3
2 2
2
1
1
0
07h 08h 09h 10h 11h 12h 13h 14h 15h 16h 17h 18h 19h 20h 21h 22h 23h 00h
Fig. 11 Répartition des accidents par heure de journée (juin 2011 à mai 2012)
VI.2.3. Revue et exploitation de la base de donnée Tramway

tel-00842756, version 1 - 9 Jul 2013
En examinant cette la base de donnée fournie par l’exploitant du Tramway,

nous avons constaté ce qui suit :
1. Les informations contenues ne font pas apparaître systématiquement tous les

événements causes des accidents, qui relèvent éventuellement de
l’environnement du Tramway,
2. Il y a lieu de reprendre la base de données en spécifiant d’autres champs à

renseigner afin de faire ressortir les événements majeurs qui peuvent conduire
à un accident avec le Tramway.
En effet, l'analyse du dysfonctionnement du système Tramway dans son

environnement global, est basée sur l'analyse préliminaire des risques (APR) [Mort02-2]
[Vill88] et la représentation graphique des chaînes de causalité suite à la survenue de
l’accident. Ces causes relèvent éventuellement de ces trois composantes du système
Tramway:
1. Interface avec les tiers,

2. Types de tiers,
3. Tramway.
Le principal avantage de cette méthode est de pouvoir visualiser l'ensemble des
combinaisons d'événements élémentaires conduisant à l’accident avec le Tramway.
178
Notre analyse a aussi examiné les rapports d’accidentologie des Tramways, en

particulier en France et en Belgique [Chal09] [Arra11], dans lesquelles certaines causes
ont été identifiées relevant à la fois de la signalisation, de l’infrastructure et du
comportement des usagers de la route. Nous ressortons ci après à l’issu de ce travail,
notre nouvelle base de données à compléter, constituée des champs suivants [Bouc12c]
(Fig. 12):
Type accident : corporel ou matériel de types 1, 2 ou 3 ;

Ligne : L1, L2 ou TC ;
Type du lieu de l'accident : intersection, carrefour, giratoire, passage
piéton avec ou sans signalisation ou plateforme ;
Lieu de l'accident : identification géographique du lieu de l’accident ;
Tiers accidenté : bus, voiture légère, motocyclette, piéton Homme ou
tel-00842756, version 1 - 9 Jul 2013
Femme, etc ;
Visibilité : bonne, moyenne ou insuffisante ;
Comportement Tiers : imprudence ou non respect signalisation;
Trafic lieu accident : fort, moyen ou faible ;
Signalisation : fonctionnelle, incompatible ou hors service ;
Evitabilité conducteur TRAM : pourcentage d’évitabilité de l’accident
par le conducteur du Tramway suite à l’analyse à chaud des
circonstances de l’accident par l’exploitant du Tramway.
Tramway Ligne
Evitabilité
conducteur
Tiers accidenté
Type de tiers
Comportement
Type accident
tiers
Avec Tramway
Trafic lieu
accident
Visibilité
Interface avec Signalisation

les tiers
Type du lieu
d’accident
Lieu d’accident
Fig. 12 Système d’évaluation du type d’accident avec le Tramway
179
Nous présenterons ci après un extrait de notre nouvelle base de données

améliorée de 2011 à mai 2012 (tableau 2) précisant les états des ces événements
considérés majeurs dans la survenue des accidents avec le Tramway.
Trafic Evitabilité
Type Lieu de Comportement
Ligne Voie Tiers accidenté Visibilité lieu Signalisation Conducteur
accident l'accident Tiers
accident TRAM
Passage
C1 L2 2 Motocyclette Bonne Imprudence Moyen Fonctionnelle 50%
piétons
M2 T.C 1 Carrefour Voiture légère Bonne Non respect Fort Fonctionnelle 0%
M2/C1 L2 2 Plateforme Piéton H Mauvaise Imprudence Faible Fonctionnelle 0%
C1 L1 1 Plateforme Piéton H Bonne Imprudence Moyen Fonctionnelle 100%
Tab.2 : Extrait de la nouvelle Base de Données améliorée (juin 2011 à mai 2012)
Cette base de donnée améliorée servira à la modélisation et l’analyse des

tel-00842756, version 1 - 9 Jul 2013
accidents du Tramway , en adoptant l’approche bayésienne.
VI.3. Modèle bayésien des accidents Tramway

L’utilisation des réseaux bayésiens dans l’analyse des événements incertains
des accidents du Tramway, permet une description qualitative entre les différentes
variables représentant les événements (le graphe causal) et la description quantitative des
dépendances entre les événements (probabilités conditionnelles).
Pour ce faire, et à partir de la base de donnée améliorée des accidents

survenus entre juin 2011 et mai 2012, nous allons à l’aide du Réseau Bayésien [Bouc12c]:
Concevoir la structure du graphe causal entre les différents événements en se

basant sur les données REX,
Tenir compte des avis des experts dans le domaine, et apporter des
modifications à la structure et donc à certains liens de causalités entre nœuds,
Tester la pertinence de quelques actions sécurité à entreprendre par l’exploitant

en faisant des simulations grâce à des calculs de probabilités de certains états à
partir de la probabilité des autres (inférence dans le graphe).
VI.3.1. Les différents types de noeuds

Nous présentons dans le tableau 3 les nœuds et leurs modalités (valeurs
discrètes) qui constituent le graphe causal :
180
Modalités Agrégats Modalités Agrégats

Trafic lieu Faible Faible Carrefour Carrefour
Discret
accident Fort Fort Giratoire Giratoire
Moyen Moyen Intersection Intersection
Lieu accident Discret Passage Passage
piétons piétons
Passage Passage
Modalités Agrégats piétons Non piétons Non
Voie Discret Signalé (NS) Signalé (NS)
1 1 Plateforme Plateforme
2 2
Comportement Modalités Agrégats
Modalités Agrégats _ Discret Conforme
C1 C1 Tiers Non respect Non respect
C2 C2
M1 M1 Modalités Agrégats
tel-00842756, version 1 - 9 Jul 2013
M1/C1 M1/C1 L1 L1
Type accident Discret Ligne Discret
M2 M2 L2 L2
M2/C1 M2/C1 T.C T.C
_M2/C2 M2/C2
_M3/C2 M3/C2 Modalités Agrégats
_M3/C3 M3/C3 Bonne Bonne
Visibilité Discret
Mauvaise Mauvaise
Modalités Agrégats Moyenne Moyenne
Fonctionnelle Fonctionnelle
Signalisation Discret
Hors Service Hors Service Modalités Agrégats
Incompatible Incompatible BUS BUS

Modalités Agrégats Motocyclette Motocyclette
Tiers accidenté Discret
0% 0% Piéton F Piéton F
Evitabilité_
Discret 100% 100% Piéton H Piéton H
TRAM
50% 50% Voiture légère Voiture légère
Tab. 3: Modalités des nœuds du Réseau Bayésien
VI.3.2. Apprentissage de la structure

Nous présentons dans la figure 13, le modèle construit par apprentissage par
découverte d’association selon l’arbre de recouvrement maximal (MWST). Les données
introduites sont celles des 64 accidents enregistrés entre juin 2011 et mai 2012.
Les liens de causalité entre les différents nœuds du graphe construit sont
analysés, et une modification et ajout de certains liens ont été apportés pour tenir compte
à la fois des avis des experts dans ce domaine, qui se sont appuyés sur les résultats
181
d’analyses effectués sur les causalités des incidents réels survenus, qui ont montré
l’existence de certaines dépendances entre des événements.
Le nouveau graphe obtenu est montré dans la figure 14. Les différentes
probabilités des différents nœuds estimées par apprentissage sont illustrées dans la
figure15.
tel-00842756, version 1 - 9 Jul 2013
Fig.13 Structure par apprentissage du Réseau Bayésien des accidents du Tramway
Fig.14 Réaffectation des associations du Réseau Bayésien des accidents du Tramway
182
tel-00842756, version 1 - 9 Jul 2013
Fig.15 Résultats de l’apprentissage du Réseau Bayesian des accidents Tramway
VI.4. Simulations sur le modèle Bayésien

Dans les figures qui suivent, nous allons tester la pertinence de quelques
actions sécurité envisagées par l’exploitant du tramway, en faisant des simulations sur les
états de certains nœuds constituants le graphe de notre modèle de risque élaboré sur la
base du Réseau Bayésien, et nous allons grâce aux calculs d’inférence, estimer les
différentes probabilités d’occurrence des accidents et leurs types à la suite de chaque
simulation.
VI.4.1. Simulation n°1 : Evitabilité des accidents par le conducteur du

Tramway améliorée à 80%
En utilisant notre modèle Bayésien des accidents avec le Tramway, nous
simulerons l’impact de l’amélioration de l’évitabilité des conducteurs du Tramway,
initialement estimée à 18,44% à 80%, par le biais de formations dispensées à ces
183
conducteurs de Tramway, sur la conduite défensive visant à anticiper les dangers

susceptibles d’émaner des usagers de la route.
Nous constatons donc suite à cette simulation, que le accidents diminueront

de 64 à 15, soit une réduction considérable de 76%.
tel-00842756, version 1 - 9 Jul 2013
Fig.16 Simulation évitabilité des accidents par le conducteur du Tramway

améliorée à 80%
184
Fig. 17 Résultats de l’inférence du graphe causal après simulation évitabilité 80%
La figure 17 ci-dessus montre les calculs d’inférence du graphe suite à cette

simulation. On peut constater que notamment sur les 15 accidents estimés, 9,6% seront
de type corporel 1 et 2,6 % seront de type corporel 2.
VI.4.2. Simulation n°2 : Respect du code de la route 100% par les tiers
Dans la simulation suivante, nous allons considérer que les usagers de la route
tel-00842756, version 1 - 9 Jul 2013
respectent le code de circulation, et donc le non respect du code est évalué à 0%. Ainsi,
les accidents avec le Tramway ne peuvent être causés que dans des cas d’imprudences.
Nous constatons d’après les calculs d’inférence au niveau de notre modèle, qu’il y a une
nette diminution de la sinistralité au niveau du Tramway qui passerait à 20 accidents, soit
une réduction de 68%.
Fig. 18 Nœud comportement tiers avec 100% respect du code de la route
185
tel-00842756, version 1 - 9 Jul 2013
Fig. 19 Résultats de l’inférence du graphe causal après

simulation non respect du code 0%
VI.4.3. Simulation n°3 : Visibilité bonne à 100%

Dans la simulation suivante, nous allons considérer que la visibilité au niveau
des intersections entre le Tramway et la route est bonne à 100% et nous constatons
d’après les calculs d’inférence du modèle, que les accidents avec le Tramway diminuent à
50, soit une réduction de 22%.
Fig. 20 Simulation visibilité bonne à 100%

186
tel-00842756, version 1 - 9 Jul 2013
Fig.21 Résultats de l’inférence du graphe causal après simulation de la visibilité bonne à

100%
VI.4.4. Simulation n°4 : Evitabilité des accidents 80% et 50% des accidents de
types corporel 1 et matériel 1
Dans la simulation suivante (Figure 22), nous considérons que l'opérateur vise
à améliorer le taux d'accidents évitables à 80% en effectuant des séances de formation
pour les conducteurs de Tramway, et de réduire la gravité des accidents et des dégâts
matériels à des niveaux acceptables : corporelle de type 1 (50%) et matérielle de type 1
(50%).
187
Fig. 22 Simulation de l’évitabilité 80% , accidents C1 50% et accidents M1 50%

tel-00842756, version 1 - 9 Jul 2013
Nous constatons que dans la figure 23 ci après, qui illustrent les résultats du
calcul d’inférence au niveau de notre modèle, que le taux du non respect des usagers de la
route doit diminuer à 52% pour tenir cet objectif. Ce résultat montre que malgré les
actions visant à améliorer la sécurité menées par l’exploitant du Tramway, l’usager de la
route reste un facteur déterminant dans la survenue des accidents, et les performances de
ces actions ne peuvent pas être atteintes sans l’implication effective des piétons et
conducteurs de véhicules, à respecter le code de la route et du Tramway.
188
Fig. 23 Résultats de l’inférence du graphe causal après simulation de l’évitabilité 80%,

accidents C1 50% et accidents M1 50%
VI.5. Conclusion
Notre modèle de risque proposé s’appuie sur une vision systémique de
tel-00842756, version 1 - 9 Jul 2013
l’analyse des risques dont le but est de tenter de comprendre comment ce système
Tramway réagit en fonction de ses éléments et par rapport à son environnement.
Il permet une approche macroscopique dans son contexte général et de

manière transversale. Il présente aussi l’avantage d’appréhender ce système :
de manière globale car il considère le système Tramway étudié comme un

tout, et cherche à étudier les relations entre les éléments et les sous-
systèmes qui peuvent conduire à des accidents,
en tenant compte ainsi de son environnement puisque le système Tramway

est étudié en tenant compte des interactions qu’il entretient avec son
environnement,
en fonction de ses finalités car il focalise l’analyse sur l’étude de ce qui est
attendu par le système, qui de garantir un transport aux voyageurs en
veillant à leurs sécurité et à celles des usagers de la route.
Les simulations réalisées par notre modèle d’évaluation du risque des

accidents du Tramway, en prenant différents états des nœuds constituant le graphe
causal, ont pour objectif de proposer aux gestionnaires de sécurité routières et Tramway
un outil de décision sur les actions sécurité à mener à la fois sur l’infrastructure du
Tramway, la signalisation ferroviaire et routière ainsi que sur le comportement des
usagers de la route.
189
Il a été constaté à travers les résultats des inférences effectuées dans le modèle
construit, que le comportement des usagers de la route reste un facteur déterminant dans
la survenue des accidents, et que toute amélioration de la sécurité passe avant par une
sensibilisation des tiers et une formation des conducteurs des Tramway à anticiper les
accidents, car il ne faut pas oublier que le Tramway est guidé par des rails, et donc ne
peut pas effectuer une manœuvre pour éviter un piéton ou un véhicule en croisement.
Quelques consignes ci-dessous, sont destinées à inciter chaque usager de la

route à adopter de bons comportements pour un nouveau partage de la route avec le
Tramway :
Piétons : En zone de traversée piétonne, il faut vérifier que la plate-forme est

dégagée, avant de traverser en respectant la signalisation. Même dans cette
tel-00842756, version 1 - 9 Jul 2013
zone, le Tramway est toujours prioritaire. Il faut éviter de marcher sur la plate-
forme et éviter de traverser près de la rame en stationnement, car un
autre Tramway peut arriver.
Deux-roues : Il faut faire attention aux reliefs créés par les rails en traversant
aux croisements. Il faut veillez à ne pas coincer la roue dans la gorge du rail et
ne pas emprunter la plateforme.
Automobilistes et bus: il faut s’assurer que le passage est libre avant de

s’engager en respectant les feux de signalisation mis en place dans les
croisements. En tournant, il faut s’assurer que le Tramway ne se trouve pas
dans votre angle mort. Enfin, la circulation est interdite sur la plate-forme
destinée uniquement au Tramway.
190
Conclusions
Conclusions
Les travaux de recherche présentés dans ce mémoire de thèse, ont pour

objectif de proposer une approche d’évaluation de dysfonctionnement des systèmes
complexes, en orientant les études d’analyse et de modélisation vers une approche
systémique décrivant le système à travers ses propriétés et ses comportements.
Le cas d’étude examiné dans ce mémoire, est celui des accidents du système
de transport ferroviaire, illustré à travers les deux exemples de Passage à Niveau et
tel-00842756, version 1 - 9 Jul 2013
Tramway. Vu le caractère aléatoire des accidents qui surviennent dans ce système, dont
une grande partie relève du comportement humain, nous avons adopté une approche
probabiliste qui est celle des Réseaux Bayésiens.
En effet, les méthodologies de l'ingénierie du risque sont suffisantes pour un

système entièrement constitué d'objets techniques, car l'essentiel des événements que
subit un système technique est constitué par des défaillances ou une variation de
l'environnement qui sont identifiées dès la conception ou surveillées pendant la durée de
vie du système. Pour un système complexe ou sociotechniques, tel que le système de
transport ferroviaire, où les causes des accidents trouvent beaucoup moins leurs origines
dans la défaillance technique de ses composants que dans la défaillance des organisations
et les comportements humains, les outils de l'ingénierie du risque qui abordent
généralement le système par ses organes ou ses flux ne suffisent plus, et il est donc
nécessaire de l’appréhender à travers une approche systémique visant à analyser le
système par son comportement et ses objectifs.
Face à la complexité des systèmes ferroviaires et au besoin de la recherche de

performances toujours plus élevées, il devient nécessaire de pouvoir développer des
modèles compréhensibles et utilisables par les exploitants, présentant le caractère de
décidabilité et offrant l'ouverture nécessaire pour l’adaptation du modèle face aux
changements technologiques des composants du système, ainsi que la prise en compte de
paramètres humains, qu’ils s’agissent des opérateurs du système ou les tierces personnes
(usagers de la route, voyageurs etc.).
191
Conclusions
Dans ce contexte, notre approche basée sur les méthodes d’analyse de risques
combinés avec les Réseaux Bayésiens, intègre le paramètre humain dans le système et en
particulier dans l’action résultante. Étant donné que le comportement humain est très
étroitement lié aux situations rencontrées, à la connaissance que l’être humain a du
système et du fonctionnement de ce dernier.
Pour effectuer l’analyse globale du système de Passage à Niveau et Tramway,

au regard des aspects de complexité qui les caractérisent, nous avons présenté dans les
chapitres V et VI notre démarche d’analyse des risques de ces deux systèmes, qui s’est
appuyée en premier lieu sur la connaissance des modes de fonctionnement normal,
résultat d’une première étape d’analyse fonctionnelle du PN et Tramway ainsi que les
comportements des usagers de la route. En second lieu, une représentation tabulaire de la
tel-00842756, version 1 - 9 Jul 2013
connaissance des modes de dysfonctionnement par l’Analyse Préliminaire des Risques

ainsi que l’exploitation de la base des connaissances des causes des incidents antérieurs,
ont permis l’identification des événements du système PN et du système Tramway,
susceptibles d’affecter leur fonctionnement.
Ces événements considérés majeurs dans l’apparition des accidents ont fait
l’objet de modélisation par les Réseaux Bayésiens adaptés pour la représentation des
systèmes qui évoluent d’une manière stochastique, sous l’influence des actions choisies
par un planificateur (opérateurs ONCF, Tramway) ou des évènements extérieurs (usagers
de la route).
Ces deux modèles dont les paramètres ont été extraits à partir des deux bases
de données des accidents ONCF et Tramway, nous ont permis:
De concevoir par apprentissage la structure du graphe causal entre les

événements du système en se basant sur les données recueillies des incidents
antérieurs, et en utilisant une méthode d’apprentissage des Réseaux Bayésiens.
De modifier éventuellement la structure et donc certains liens de causalité par

les experts dans ce domaine.
De réaliser les calculs d’inférence dans le graphe causal, en exploitant les

données de Retour d'EXpérience des incidents antérieurs, et donc de découvrir
l'ensemble des relations probabilistes significatives présentes dans les données
et ainsi d'identifier les liens entre les différents facteurs de risque identifiés.
192
Conclusions
Le modèle des accidents établi pour les Passages à Niveau et Tramway,

constitue également un outil d’aide à la décision, qui permettrait de cibler les actions
pertinentes, en vue d’atteindre les objectifs définis par l’exploitant en matière de
réduction des risques au niveau des PN et Tramway. En effet, à travers des simulations
d’états d’occurrences des événements constituant le graphe causal, il nous a été possible
d’apprécier leurs impacts sur les accidents.
La pertinence de ces actions et leur cohérence avec les objectifs définis

constituent donc un des indicateurs de performance du système de sûreté ferroviaire, et
les plans d’actions engagés suite aux résultats de ce modèle permettront une
hiérarchisation des actions en fonction des niveaux de risques identifiés, et permettront
aussi une gestion efficace des budgets alloués à la maîtrise des risques.
tel-00842756, version 1 - 9 Jul 2013
Enfin, notre approche offre une capacité d’évolution du modèle

d’accidentologie du système, et la prise en compte de l’évolution des performances de ses
composantes. En effet, il est toujours possible d’approfondir les analyses en considérant
des sous systèmes, et cela revient au niveau de notre modèle, de faire une décomposition
des nœuds et de leurs liens de causalité.
Les liens entre les différents nœuds du modèle établi montrent que les
éléments du système sont liés les uns aux autres : si un des paramètres se modifie, tout le
système peut être amené à changer. Cette prise en compte de la dynamique au niveau de
l’étape d’évaluation des événements redoutés, reste liée étroitement à la fiabilité des
données contenues dans la base des connaissances des accidents, et à l’analyse très fine
de cette base de données pour dégager les événements sources de dangers.
D’autres perspectives de recherches peuvent viser l’amélioration de la prise en

compte de toutes les contraintes liées au fonctionnement et à l’environnement du
système, d’étudier la possibilité de développer un modèle générique à partir d’une
formalisation de patterns garantissant son réutilisabilité à la fois pour les systèmes
ferroviaires que routiers, à l’introduction éventuelle du facteur coût dans le modèle,
permettant ainsi de pouvoir comparer les performances de chaque action sécurité sur le
système, et d’optimiser par la suite les différentes décisions à prendre.
193
Bibliographie
BIBLIOGRAPHIE
[Afis01] AFIS. L’ingénierie Système : un atout majeur pour la compétitivité des entreprises,
Actes de la 2ème Conférence Annuelle d’Ingénierie Système, Association Française d’Ingénierie
Système (2001).
[Arra11] M. Arras, A. Dusserre. Accidentologie des Tramways : Analyse des évènements 2010,
évolution 2003- 2010, Ministère Français de l’Ecologie, du Développement durable, des
Transports et du Logement (2011).
tel-00842756, version 1 - 9 Jul 2013
[Bade03] Badea, L. Inferring large gene networks from microarray data : a constraint-based
approach. IJCAI-2003 Workshop on Learning Graphical Models for Computational Genomics
(2003).
[Baue05] BAUER (B.) et ODELL (J.). UML 2.0 and agents: how to build agent-based systems
with the new UML standard. Engineering Applications of Artificial Intelligence, vol. 18, pp. 141-
157 (2005).
[Baye] Bayesia. Logiciel bayesialab - http ://www.bayesia.com/
[Bens08] Abdeljabbar BEN SALEM. Modèles Probabilistes de Séquences Temporelles et Fusion
de Décisions. Application à la Classification de Défauts de Rails et à leur Maintenance, Thèse de
Doctorat, Université Henri Poincaré – Nancy 1 (2008).
[Berr07] Abdelaziz Berrado. Modeling risk to increase safety at the level crossing in the
Moroccan rail way–Al AKHAWAYN University (2007).
[Biro97] Birolini, A. Quality and Reliability of Technical Systems. Springer, Berlin (1997).
[Blai03] Blaise J.C, Lhoste P. et Ciccotelli J. Formalisations of normative knowledge for safe
design. Safety Science 41 (263):PP 241-261 (2003).
[Bobb01] Bobbio A, Portinale L, Minichino M, Ciancamerla. Improving the analysis of
dependable systems by mapping fault trees into Bayesian networks. Reliability Engineering and
System Safety 71 (2001). p. 249–260.
[Bobb99] Bobbio A, Portinale L, Minichino M, Ciancamerla E. Comparing fault trees and
Bayesian networks for dependability analysis. Proceedings of the 18th International Conference
on Computer Safety, Reliability and Security, SAFECOMP99, vol. 1698 (1999).
[Bouc07] Anass BOUCHIBA, Abdelghani CHERKAOUI. Contribution de la modélisation
combinée avec l’approche bayésienne dans l’amélioration des performances des processus
métiers : Cas de la sûreté ferroviaire au niveau de l’ONCF, CPI’2007 – Rabat (2007).
[Bouc11a] Anass BOUCHIBA, Abdelghani CHERKAOUI, Abdessamad KOBI, Mihaela
BARREAU. Evaluation de Dysfonctionnement des Passages à Niveau par Approche Bayésienne
QUALITA’ 2011, ANGERS (2011).
[Bouc11b] Anass BOUCHIBA, Abdelghani CHERKAOUI, Abdessamad KOBI, Mihaela
BARREAU. Evaluating Dysfunction of Level Crossing by Bayesian Approach, In Proceedings of
194
Bibliographie
the International Conference on Industrial Engineering and Systems Management, (IESM'2011),

pages 1029 – 1039 Metz, France. École nationale d'ingénieurs de Metz (ENIM), International
Institute for Innovation, Industrial Engineering and Entrepreneurship (I4e2). ISBN 978-2-
9600532-3-4 (2011).
[Bouc12] Anass BOUCHIBA, Mihaela BARREAU, Abdessamad KOBI, Abdelghani
CHERKAOUI, Improving dependability analysis by combining functional and dysfunctional
methods to Bayesian Network: Level Crossing case study, International Symposium On Security
and Safety of Complex Systems 2SCS’ 2012, Agadir, Morocco (2012).
[Bouc12b] Anass BOUCHIBA, Mihaela BARREAU, Abdessamad KOBI, Abdelghani
CHERKAOUI. Sécurité et Facteurs Humains dans les Moyens de Transport : Une approche
multidisciplinaire, pages 49 – 72. ISBN 978-2-296-99665-6 (2012).
[Bouc12c] Anass BOUCHIBA, Mihaela BARREAU, Abdessamad KOBI, Abdelghani
CHERKAOUI. Safety Analysis of a Railway Transport System By Bayesian Network:
tel-00842756, version 1 - 9 Jul 2013
Rabat/Salé Tramway Case, Canadian Journal on Computing in Mathematics, Natural Sciences,

Engineering and Medicine, pages 170 – 179. ISSN: 1923-1660 (2012).
[Bren01] Brenier (H.). Les spécifications fonctionnelles. Collection EEA, Éditions Dunod (2001).
[Cauf06] Cauffriez L, Benard V. et Renaux D. A new formalism for designing and specifying
RAMS parameters for safe complex distributed control systems: the safe SADT formalism. IEEE
transactions on reliability (2006).
[Cast12] Carole Castanier, Françoise Paran, Patricia Delhomme. Risk of crashing with a Tram:
Perceptions of pedestrians, cyclists, and motorists, Transportation Research Part F 15 387–394
(2012).
[CEI 61882] Etudes de danger et d'exploitabilité (études HAZOP) - Guide d'application. Paris:
AFNOR (2001)
[Chal09] Isabelle Chalanton et Muriel Jadoul. Etude des accidents entre un Tram et un piéton en
région de Bruxelles capitale, Institut Belge pour la Sécurité Routière (IBSR) (2009).
[Chen02] Cheng, J., Greiner, R., Kelly, J., Bell, D., et Liu, W. Learning bayesian networks from
data : An information-theory based approach. Artificial Intelligence, 137(1-2) :43–90 (2002).
[Chez03] Cheze (N.). Statistique inférentielle. Estimation. Techniques de l’Ingénieur, AF 168
(2003).
[Cler77] CLERGUE (G.). L’apprentissage de la complexité. Éditions Hermès (1977).
[Corm94] T. Cormen, C. Leiserson, and R. Rivest. Introduction à l’algorithmique. Dunod
(1994).
[Corn02] Antoine Cornuéjols, Laurent Miclet. Apprentissage artificiel: Concepts et algorithmes,
édition Eyrolles (2002).
[Dash03] Dash, D. et Druzdzel, M. Robust independence testing for constraint-based learning of
causal structure. The Nineteenth Conference on Uncertainty in Artificial Intelligence (UAI03),
pages 167–174 (2003).
[Dela07] Alain DELAPLACE. Approche évolutionnaire de l’apprentissage de structure pour les
réseaux bayésiens, Thèse de Doctorat, Université de TOURS (2007).
195
Bibliographie
[Demp77] A. Dempster, N. Laird et D. Rubin. Maximum likelihood from incomplete data via
the EM algorithm. – Journal of the Royal Statistical Society, B 39: 1-38 (1977).
[Dutu97] Dutuit, Y., Châtelet, E., Signoret, J.-P., et Thomas, P. Dependability modelling and
evaluation by using stochastic petri nets : Application to two test cases. Reliability Engineering &
System Safety, 55(2) :117–124 (1997).
[Elbo05] Nabila ELBOUKHARI, Contribution à la Gestion des Risques liés au matériel roulant
et à son utilisation et étude du facteur humain, EMI/Génie Mécanique, DESS (2005).
[EN 292/ISO 12100]. Sécurité des machines : Notions fondamentales, principes généraux de
conception.ISO/CEN (1995).
[EN50126] EN 50126. Applications ferroviaires : Spécification et démonstration de la fiabilité, de
la disponibilité, de la maintenabilité et de la sécurité (FDMS). Paris: AFNOR (2000).
[EN50128] : EN 50128. Applications ferroviaires, systèmes de signalisation, de
tel-00842756, version 1 - 9 Jul 2013
télécommunication et de traitement – Logiciels pour systèmes de commande et de protection

ferroviaire. Norme Européenne (2001).
[EN50129] EN 50129. Applications ferroviaires, systèmes électroniques relatifs à la sécurité pour
la signalisation (2003).
[Esta11] ESTAMPE Dominique. – Modèles d’évaluation de la performance supply chain.
Techniques de l’Ingénieur, AG5170 (2011).
[Frie97] Friedman, N. Learning belief networks in the presence of missing values and hidden
variables. ICML, pages 125–133 (1997).
[Frie98] Friedman, N. The bayesian structural EM algorithm. Proceedings of the 14th Annual
Conference on Uncertainty in Artificial Intelligence (UAI-98), pages 129– 13, San Francisco, CA.
Morgan Kaufmann (1998).
[Gari94] Garin, H. AMDEC/AMDE/AEEL L’essentiel de la méthode. AFNOR, Paris (1994).
[Ghaz08] Ghazel M. Approche d’évaluation quantitative du risque de collision sur les passages à
niveau, Congrès de Maîtrise des Risques et de Sûreté de Fonctionnement – Avignon 6-10 (2008).
[Gira06] Giraud (M.). Sûreté de fonctionnement des systèmes. Analyse des systèmes réparables.
Techniques de l’Ingénieur, E 3 852 (2006).
[Heck97] Heckerman (D), Bayesian Networks for Data Mining, Data Mining and Knowledge
Discovery 1, 79–119 (1997).
[ISO/CEI Guide 51. (1999)]. Aspects liés à la sécurité – principes directeurs pour les inclure dans
les normes. ISO/CEI (1999).
[ISO/CEI Guide 73. (2002)]. Management du risque – Vocabulaire – principes directeurs pour
les inclure dans les normes. ISO/CEI (2002).
[Jens90] Jensen, F., Lauritzen, S., & Olesen, K. bayesian updating in causal probabilistic
networks by local computations. Computational Statistics Quaterly, 4, 269–282. 42, 43, 44
(1990).
[Jens96] Jensen, F.V., An Introduction to Bayesian Networks, Springer-Verlag, New York
(1996).
196
Bibliographie
[Jord98] M. I Jordan. Learning in Graphical Models, Kluwer Academic Publishers, Dordecht,

The Netherlands (1998).
[Juta06] Jutaek O, Simon P. Washington, Doohee Nam. Accident prediction model for railway-
highway interfaces. Accident Analysis and Prevention 38, pages 346-356 (2006).
[Kevi02] Kevin Patrick Murphy. Dynamic Bayesian Networks: Representation, Inference and
Learning. Thèse de Doctorat, U.C. Berkeley (2002).
[Kevi98] Kevin (M). A Brief Introduction to Graphical Mdels and Bayesian Networks (1998).
[Klet97] Kletz, T. A. Hazop – past and future. Reliability Engineering and System Safety, 55:263-
266 (1997).
[Koll99] KOLLER (G.). Risk assessment and Decision Making in Business and Industry. A
Practical Guide. CRC Press LCC (1999).
[Lade89] Ladet, P. Réseaux de Petri. Techniques de l’Ingénieur, R 7252 :1–17 (1989).
tel-00842756, version 1 - 9 Jul 2013
[Lapr96] Laprie (J.C). Guide de la sûreté de fonctionnement, Cépaduès (1996).

[Laro11] Laronde (R). Fiabilité et durabilité d'un système complexe dédié aux énergies
renouvelables. Application à un système photovoltaïque. Thèse de Doctorat, ANGERS (2011).
[Leco01] Le coz (E.). Méthodes et outils de la qualité. Outils classiques. Techniques de
l’Ingénieur, AG 1 770 (2001).
[Legro09] Dominique LEGROS. Maîtrise des risques dans les systèmes de transport : Proposition
d'une nouvelle approche de modélisation dynamique. Thèse de Doctorat. Ecole nationale
supérieure des mines de Paris (2009).
[Lera06] Philippe Leray. Réseaux bayésiens : apprentissage et modélisation de systèmes
complexes. Dans Soutenance Habilitation à Diriger les Recherches (2006).
[Maal03] Maalej M. Delcroix V. et Piechowiak S. Les réseaux bayésiens pour la recherche des
diagnostics. PENTOM 2003 – Performances et Nouvelles Technologies en maintenance,
Valenciennes, France, PP 315-327, Presses Universitaires de Valenciennes. ISBN 2 (2003).
[Math02] MATHERON (J.P.). Comprendre Merise : outils conceptuels et organisationnels.
Éditions Eyrolles (2002).
[Mazo08] Mazouni (MH). Pour une Meilleure Approche du Management des Risques : De la
Modélisation Ontologique du Processus Accidentel au Système Interactif d’Aide à la Décision.
Thèse de Doctorat, Nancy (2008).
[Mélé01] MÉLÉARD (S.). Probabilités. Concepts fondamentaux. Techniques de l’Ingénieur, AF
166 (2001).
[Mich11] Michael G. Lenné, Christina M. Rudin-Brown, Jordan Navarro, Jessica Edquist,
Margaret Trotter, Nebojsa Tomasevic, Driver behaviour at rail level crossings: Responses to
flashing lights, traffic signals and stop signs in simulated rural driving.Applied Ergonomics 42
pages 548 -554 (2011).
[Miha07] Mihalache A.G. Modélisation et évaluation de la fiabilité des systèmes mécatroniques :
application sur système embarqué. Thèse de Doctorat, ANGERS (2007).
[Moig94] Le Moigne (J.L.). La théorie du système général, théorie de modélisation (4ème
édition). Paris, ISBN 2-13-046515-3 (1994).
197
Bibliographie
[Moig99] LE MOIGNE (J.L.). La modélisation des systèmes complexes. Éd. Dunod, Paris
(1999).
[Mont08] Montani S, Portinale L, Bobbio A, Codetta-Raiteri D. RADYBAN: a tool for
reliability analysis of dynamic FTs through conversion into dynamic Bayesian networks. Journal
of Reliability Engineering and System Safety. 93:922–32 (2008).
[Mort01] MORTUREUX (Y.). La sûreté de fonctionnement : méthodes pour maîtriser les
risques. Techniques de l'Ingénieur (2001).
[Mort02] MORTUREUX (Y.). Arbres de défaillance, des causes et d’événement. Techniques de
l’Ingénieur, SE 4 050 (2002).
[Mort02-2] MORTUREUX (Y.). Analyse préliminaire de risques. Techniques de l’Ingénieur, SE
4 010 (2002).
[Naim04] Patrick Naim, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, et Anna
tel-00842756, version 1 - 9 Jul 2013
Becker. – Réseaux bayésiens ,2éme édition. Eyrolles ( 2004).

[NF EN 50126]. Applications ferroviaires : Spécification et démonstration de la fiabilité, de la
disponibilité, de la maintenabilité et de la sécurité (FDMS). Paris: AFNOR (2000).
[NF EN 61508]. Sécurité fonctionnelle des systèmes électriques et électroniques programmables
relatifs à la sécurité. Paris: AFNOR (1998).
[NF EN 61508]. Sécurité fonctionnelle des systèmes électriques et électroniques programmables
relatifs à la sécurité. Paris: AFNOR (1998).
[Noye02] NOYES (D.). Approche analytique par espace d’états : Markov. Maîtrise des Risques
et Sûreté de Fonctionnement des Systèmes de Production, Collection IC2, Hermès (2002).
[Noye07] NOYES (D.) et PERES (F.). Analyse des systèmes : sûreté de fonctionnement.
Techniques de l'Ingénieur, [AG 3 520] (2007).
[Oliv05] François, O. et Leray, P. Bayesian network structural learning and incomplete data. The
International and Interdisciplinary Conference on Adaptive Knowledge Representation and
Reasoning (AKRR 2005), pages 33–40 (2005).
[Oliv06] François Olivier. De l’identification de structure de réseaux bayésens à la reconnaissance
de formes à partir d’informations complètes ou incomplètes. Thèse de Doctorat - l’Institut
National des Sciences Appliquées de Rouen (2006).
[ONCF09] Communiqué de l’ONCF du 15 décembre (2009).
[ONCF87] ONCF – Cours de formation des chefs de districts Passage à Niveau (1987).
[Page80] Pagès, A. et Gondran, M. Fiabilité des systèmes. Eyrolles, Paris (1980).
[Pear00] Judea Pearl. – Causality : Models, Reasoning, and Inference, Cambridge University
Press (2000).
[Pear86] Pearl, J. “Fusion, Propagation, and Structuring in Belief Networks,” Artificial
Intelligence, Vol. 29 (1986).
[Pear88] Judea Pearl. Probabilistic Reasoning in Intelligent Systems : Networks of Plausible
Inference. Morgan Kaufmann Publishers (1988).
198
Bibliographie
[Pear91] Judea Pearl and Tom Verma. A theory of inferred causation. In James Allen, Richard
Fikes, and Erik Sandewall, editors, KR’91 : Principles of Knowledge Representation and
Reasoning, pages 441- 452, San Mateo, California, Morgan Kaufmann (1991).
[Pear97] Pearl, J. – Probabilistic Reasoning in Intelligent Systems : Networks of Plausible
Inference. Morgan Kaufmann, 2nd edition (1997).
[Poir92] POIRIER (J.). – Table statistiques. Techniques de l’Ingénieur, R 270 (1992).
[Proc96] Procaccia (P) et Morilhat (P). Fiabilité des structures des installations industrielles.
Théorie et Applications de la mécanique probabiliste (1996).
[Raus04] Rausand M. et Hoyland A. System Reliability Theory: Models, Statistical Methods
and Applications (2nd ed). Wiley series in probability and statistics. Hoboken, New Jersey, John
Wiley & Sons, Inc. ISBN 0-471-47144-X (2004).
[Rido99] RIDOUX (M.). AMDEC – Moyens Techniques de l’Ingénieur, AG 4 220 (1999).
tel-00842756, version 1 - 9 Jul 2013
[Robi77] Robinson, R. W. Counting unlabeled acyclic digraphs. Dans Little, C. H. C. (Ed.),

Combinatorial Mathematics V, volume 622 of Lecture Notes in Mathematics, (pp. 28–43).,
Berlin. Springer. 14, 64 (1977).
[Robo93] ROBOAM (M.). La méthode Grai. Principes, outils, démarche et pratiques. Éditions
Teknea (1993).
[Rosn75] De Rosnay J. Le Macroscope, vers une vision globale. Paris, le Seuil. ISBN 2-02-
004567-2 (1975).
[Roye09] ROYER Michel. Analyse HAZOP : une méthode d'analyse des risques. Techniques de
l’Ingénieur, SE 4 030- SE 4 031- SE 4 032 (2009).
[SELC08] SELCAT-D3. Report on Risk Modelling Techniques for level crossing risk and system
safety evaluation (2008).
[SELC08] SELCAT–Safer European Level Crossing Appraisal and Technology–D15–Final
Report for Publication–September (2008).
[SETRA08] SETRA, Amélioration de la sécurité aux passages à niveau (Adaptation de
l’infrastructure et de la signalisation routière) (2008).
[Shen09] Zhu Sheng-xue, Lu Jian, Xiang Qiao-jun, Yan Linli. Intersection Safety Evaluation
Method Based on bayesien Network, International Conference on Measuring Technomogy and
Mechatronics Automation, IEEE -234-237 (2009).
[Sign05] Signoret (J.P). Analyse des risques des systèmes dynamiques : approche markovienne.
Techniques de l’Ingénieur, SE 4 071 (2005).
[Sign08] Signoret (J.P). Analyse des risques des systèmes dynamiques : réseaux de Petri -
Principes. Techniques de l’Ingénieur, SE 4 072 (2008).
[Simo10] Joe Simon, Clive Roberts. Using functional analysis to determine the requirements for
changes to critical systems: Railway level crossing case study, Reliability Engineering and System
Safety 95 216-225 (2010).
[Spir00] Peter Spirtes, Clark Glymour, and Richard Scheines. Causation, Prediction, and Search,
The MIT Press, 2nd edition (2000).
199
Bibliographie
[Spir93] Peter Spirtes, Clark Glymour, and Richard Scheines. Causation, prediction, and search.
Springer-Verlag (1993).
[Terr05] TERRIER (F.) et GÉRARD (S.). UML pour le temps réel : le langage et les méthodes.
Techniques de l’Ingénieur, S 8 070 (2005).
[Todd03] Todd A. Stephenson. An introduction to Bayesian network theory and usage, IDIAP-
RR 00-03 (2003).
[Todd03] Todd A. Stephenson. An introduction to Bayesian network theory and usage, IDIAP-
RR 00-03 (2003).
[Tram08] Tramway de Rabat-Salé. Dossier de présentation (2008).
[Verr07] Sylvain VERRON. Diagnostic et surveillance des processus complexes par réseaux
bayésiens, Thèse de Doctorat, Ecole Doctorale d’ANGERS (2007).
[Vese81] VESELY (W.E.), GOLDBERG (F.F.), ROBERTS (N.H.) et HAASL (D.F.). Fault tree
tel-00842756, version 1 - 9 Jul 2013
Handbook. U.S. Nuclear Regulatory Commission, Washington, USA (1981).

[Vill88] VILLEMEUR (A.). Sûreté de fonctionnement des systèmes industriels. Fiabilité, facteurs
humains, informatisation. Collection de la Direction des Études et Recherches d’Électricité de
France. Éd. Eyrolles, Paris (1988).
[Wall77] WALLISER (B.). Systèmes et modèles. Introduction critique à l’analyse de systèmes.
Éditions du Seuil (1977).
[Wash06] Simon Washington, Jutaek Oh, Bayesian methodology incorporating expert judgment
for ranking countermeasure effectiveness under uncertainty: Example applied to at grade railroad
crossings in Korea, Accident Analysis and Prevention 38 - 234–24 (2006).
[Xued10] Xuedong Yan, Stephen Richards, Xiaogang Su. Using hierarchical tree-based
régression model to predict train-vehicle crashes at passive highway-rail grade crossings, Journal
of Accident Analysis and Prevention 42 - 64-74 (2010).
[Yehe05] Yehezkel, R. et Lerner, B. Recursive autonomy identification for bayesian network
structure learning. The 10th International Workshop on Artificial Intelligence and Statistics,
AISTATS 2005, pages 429–436 (2005).
[Zwin99] ZWINGELSTEIN (G.). Sûreté de fonctionnement des systèmes industriels complexes
– Analyse prévisionnelle et bases de données de fiabilité. Techniques de l’Ingénieur, S 8251
(2009).
200
Résumé
Le développement de transport ferroviaire en milieu urbain ou non urbain,

s’accompagne évidement d’une amélioration continue de la sécurité, qui reste une des
préoccupations principales dans ce domaine de transport, où les accidents continuent à
engendrer d’importants dégâts, et causer un nombre élevé de victimes.
La maîtrise des risques du transport ferroviaire, implique d’une part

l’identification et la prévision des risques, et d’autre part, la réduction de ces risques en
agissant sur les moyens de diminution de leurs occurrences, leurs gravités, l’atténuation
de leurs conséquences grâce à des moyens d’évitement et de protection contre les risques.
tel-00842756, version 1 - 9 Jul 2013
Dans ce contexte, le présent travail de cette thèse vise à développer un outil

d’évaluation et d’analyse des risques au niveau des Passages à Niveau du réseau
ferroviaire de l’ONCF (Office National des Chemins de Fer) qui comporte 521 Passages
à Niveau dont 80% environ ne sont pas gardés, ainsi que celui du réseau ferroviaire du
Tramway à l’agglomération de Rabat/Salé, qui s’étend sur 20 km et dont l’insertion
urbaine n’a pas été sans effet sur la ville, car les accidents entre le Tramway et les usagers
de la route qu’ils soient des piétons ou des véhicules, continuent à avoir lieu et on
enregistre une dizaine d’accidents par mois de différentes gravités.
L’analyse des risques de ces deux systèmes est basée en premier lieu sur des
études fonctionnelles et dysfonctionnelles de ces deux systèmes, puis en second lieu sur
une modélisation des risques par Réseaux Bayésiens. En effet, l’approche Bayésienne
dans l’évaluation des dysfonctionnements et la quantification des risques encourus,
constitue une approche d’analyse permettant la prise en compte des aspects
comportemental et temporel du système (événements liés aux facteurs humain ou
matériel, événements aléatoires des accidents, conséquences non maîtrisées des accidents
etc.). Ce modèle de risque proposé permet aussi d’établir une prévision des risques à
partir des données recueillies du passé (Retour d’EXpériences).
MOTS-CLÉS : Sûreté Ferroviaire ; Passage à Niveau; Tramway ; Risque ; Réseaux

Bayésiens.
Summary
The development of railway in urban and non urban, is accompanied by recess

continuous improvement of safety, which remains a primary concern in this area of
transport, where accidents continue to cause significant damage, and cause a large
number of victims.
The control of risks of rail transport implies firstly the identification and
prediction of risk, and secondly, reducing these risks by acting on ways to decrease their
occurrence, their severity, mitigating their consequences by means of avoidance and
protection against risks.
In this context, the present work of this thesis is to develop an assessment tool
tel-00842756, version 1 - 9 Jul 2013
and risk analysis at Level Crossings of the Moroccan railway network, which has 521
level crossings with about 80% are not guarded, and the railway network of tram in the
cities of Rabat/Salé, which extends on 20 km and which its urban integration has not
been without effect on the city, because accidents between the tram and road users
whether pedestrians or vehicles, continue to occur and recorded about ten accidents per
month of varying severity.
The risk analysis of these two systems is based primarily on the functional and
dysfunctional studies, then secondly on risk modelling by Bayesian Networks. In fact, the
Bayesian approach in evaluating dysfunctions and quantification of the risks constitutes
an analysis approach allowing taking into account the behavioural and temporal aspects
of the system (events related to human factors or equipment, of random events of
accidents, uncontrolled consequences of accidents etc.). The risk model proposed also
allows for a risk prediction based on data collected from the past (feedback).
KEYWORDS: Railway security; Level Crossing; Tram; Risk; Bayesian Networks.

These Bouchiba Anass

Transféré par

Droits d'auteur :

Formats disponibles

These Bouchiba Anass

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Bouchiba Anass

Transféré par

Droits d'auteur :

Formats disponibles

Année 2013

ECOLE DOCTORALE D’ANGERS

Présentée et soutenue publiquement

A l’Institut des Sciences et Techniques de l’Ingénieur d’Angers

Par Anass BOUCHIBA

Devant le jury ci-dessous:

Mohamed TKIOUAT Président/Examinateur Professeur à l’EMI/Université Mohamed V-RABAT

Laboratoire en Sûreté de fonctionnement, Qualité et Organisation

Laboratoire du Génie Industriel de l’Ecole Mohammadia d’Ingénieurs (IMOSYS)

Ce travail a été aussi accompli en collaboration avec l’Office National des

Tramway dans les deux villes Rabat et Salé.

Je tiens à exprimer toute ma gratitude à M. Abdessamad KOBI, Professeur à

J'adresse également mes remerciements à Mme Mihaela BARREAU, Maître

Je remercie aussi M. Benoit IUNG, Professeur à Université de Lorraine,

J’adresse mes vifs remerciements à Mme Houda EL OUFIR, Professeur à

Je tiens à remercier aussi Mme Najiba SBIHI, Professeur au Génie Industriel

Un grand merci à M. Moha KHADDOUR, Inspecteur Général Sécurité de

d’EXpérience relatives aux incidents survenus aux Passages à Niveau et Tramway.

Mes remerciements vont à tout le personnel des deux laboratoires LASQUO et

Je remercie particulièrement ma famille pour la compréhension des impératifs

Je voudrais rendre hommage à tous ceux qui, de près ou de loin, à leur

Table des matières

Chapitre I : La Sûreté de Fonctionnement des systèmes

I.2. Notion de système ........................................................................... 8

I.2.1.Complexité du système ............................................................................. 8

I.4.1.Définition de la Sûreté de Fonctionnement .............................................. 15

I.5.1.Approches qualitatives ou quantitatives ................................................... 20

I.6.1.Acquisition des informations................................................................... 22

I.8.1.Outils de calculs probabilistes.................................................................. 41

Chapitre II : Sûreté ferroviaire au niveau du Passage à Niveau: Problématique et état

II.2.2.Importance du comportement humain ................................................... 52

II.2.5.Approche d’évaluation du Passage à Niveau par analyse fonctionnelle.... 64

Chapitre III : Sûreté de Fonctionnement des Passages à Niveau ONCF

III.1. Introduction ...............................................................................77

III.3.2.Méthodes de l’analyse des risques ......................................................... 86

III.7.1.Classement des PN............................................................................... 96

Chapitre IV: Les Réseaux Bayésiens

IV.1. Généralités............................................................................... 106

IV.7.1.Apprentissage des paramètres ..................................................................... 120

IV.8. Les Réseaux Bayésiens dynamiques ................................................ 126

Chapitre V : Le Modèle Bayésien d’évaluation du risque collision au niveau du PN

V.1. Analyse fonctionnelle du système Passage à Niveau .............................. 133

V.5. Modèle bayésien des incidents aux PN ONCF ..................................... 147

V.8. Conclusions ................................................................................ 161

Chapitre VI : Le Modèle Bayésien d’évaluation du risque accident au niveau du

VI.1. Présentation du Tramway RABAT/SALE ....................................... 165

VI.2.2.7.Répartition des accidents par heure de journée ......................... 177

VI.4.3.Simulation n°3 : Visibilité bonne à 100%............................................. 186

Bibliographie ..................................................................................... 194

Liste des figures

Fig.1 Système compliqué et système complexe

Fig.6 Diagramme bête à corne

Fig.1 Classification des risques

Fig.1 Exemple de Réseau Bayésien

Fig.2 Réseau Bayésien classique avec observation « machine en arrêt »

Fig.1 Décomposition fonctionnelle du système PN

Fig.1 Répartition du budget de lancement du Tramway Rabat/Salé

Liste des tableaux

Tab.1 : Tableau d’analyse fonctionnel