L’impatto delle tecnologie digitali sui servizi di manutenzione
Un guasto ad un veicolo su una linea ferroviaria di una grande metropoli nell’ora di punta può provocare forti rallentamenti su tutta la rete, generando danni valutabili in decine di migliaia di ore lavorative perse dai pendolari che subiscono ritardi e disservizi.
In questo contesto la manutenzione predittiva del materiale rotabile e dei sistemi di segnalamento è fondamentale per garantire stabilità e affidabilità alla rete di trasporto. I progressi delle tecnologie digitali e l’avvento dell’Industrial Internet of Things (IIoT) stanno creando grandi opportunità per riorganizzare i servizi di manutenzione. Già oggi, dai sensori installati su componenti critici dei nuovi treni si acquisiscono in tempo reale milioni di misurazioni, che vengono utilizzate per rilevare il degradarsi delle performance e prevenire i guasti incipienti.
E’ altresì possibile sensorizzare e/o connettere flotte di veicoli già in esercizio. Dal punto di vista di chi eroga il servizio, le tecnologie di condition monitoring forniscono le informazioni da cui è possibile sviluppare la conoscenza necessaria a definire strategie di manutenzione mirate, per ogni specifico veicolo, in funzione dello stato di usura dei suoi componenti. Tutto ciò contribuisce al funzionamento economicamente efficiente del veicolo ferroviario e della corrispondente infrastruttura.
Dal punto di vista dell’utilizzatore e del contesto sociale in cui il servizio è inserito, si creano le condizioni per una maggiore puntualità e affidabilità del servizio e di conseguenza del flusso di persone, primi parametri di soddisfazione sia a livello individuale che di sistema. Questo articolo, partendo dalle esperienze dell’autore, suggerisce le modalità per introdurre strategie di Predictive Maintenance (PM) nel settore ferroviario tramite le abilitanti tecnologiche dell’IIoT e dei modelli predittivi.
L’articolo è organizzato come segue: nella prima parte si suggeriscono le fasi di introduzione della PM, nella seconda, invece, si propongono metodi e modelli per trasformare i dati grezzi in informazioni utili attraverso soluzioni verticalmente integrate di IT e data mining.
Fasi per l’introduzione della Manutenzione Predittiva in ambito ferroviario
1) Individuazione dei componenti critici. E’ fondamentale selezionare un numero limitato di sottosistemi su cui avviare progetti di PM, considerando fattibilità, opportunità ed efficacia delle strategie di manutenzione predittiva. E’ necessario che l’ambito sia inizialmente ristretto, selezionando componenti su cui si verifichino – sulla base dell’esperienza - eventi critici tali da lasciare “digital footprint” significative, con frequenza adeguata, sui cui dati sarà possibile sviluppare modelli predittivi efficaci. In fase di avvio, l’obiettivo di voler “prevedere tutto” è spesso fuorviante, genera false aspettative e spreco di risorse. Si riporta di seguito un elenco non esaustivo di componenti oggetto di monitoraggio per il materiale rotabile: assili; carrelli; freni; sistemi di apertura/chiusura porte; filtri; sistemi di rilevazione ruota piatta; correnti/tensioni nocive; pantografi; parti rotanti; sistemi di pressione per acqua e aria; cuscinetti e boccole.
2) Definire e implementare il corretto modello di acquisizione e gestione dei dati. Per sviluppare basi dati con informazioni utili per lo sviluppo di modelli previsionali, occorre identificare i parametri oggetto di misura, e le tecniche di misurazione (sensori, datalogger, M2M gateways, sistemi di memorizzazione ed elaborazione). Le tecniche più comuni per la misura di parametri affidabilistici e/o di funzionamento di componenti critici di materiale rotabile sono: misurazioni dell’intensità del rumore, e delle vibrazioni acustiche, tramite microfoni elettromagnetici; misurazione della velocità di rotazione tramite stroboscopi e/o contatori elettrici, o sensori elettro- meccanici in grado di misurare le forze per unità di massa; misurazione delle temperature tramite termistori, termocoppie o altre tipologie di sensori di temperatura; misurazioni delle vibrazioni tramite shock pulse, envelop technique, e emissione acustica; analisi della qualità degli oli lubrificanti, per rilevare l’usura di cuscinetti ed altri apparati soggetti a moto relativo. Per quanto attiene all’implementazione di sensoristica stand alone, oggi le tecnologie telematiche consentono di creare reti wireless federate in cui ogni nodo/ sensore connesso è in grado di scambiare dati e di operare come trasmettitore, ricevitore e ripetitore, convogliando i dati verso opportuni repository dove saranno poi analizzati.
3) Sviluppare il sistema di competenze, metodi e strumenti per la messa a punto di tecniche e modelli predittivi. L’organizzazione delle attività manutentive dei sistemi ferroviari è tradizionalmente eseguita da operatori del settore o direttamente dai produttori, sulla base delle prescrizioni di legge, dell’esperienza e delle indicazioni del fornitore. Lo sviluppo di PM introduce nuove esigenze in termini di competenze necessarie per lo startup di un contratto di servizi di manutenzione, dove si richiede integrazione di attori di un ecosistema complesso ed eterogeneo, in cui sono richiesti contributi da fornitori di manodopera specializzata, di ingegneria di manutenzione, di tecnologie (digitali, elettroniche, connettività, mobile apps), etc.
4) Identificare ed estrarre valore dai dati. Dalle informazioni acquisite con i sistemi di monitoraggio di cui sopra, opportunamente elaborate, è possibile derivare valore non solo per il sistema dei servizi di manutenzione. Il produttore – ad esempio – potrebbe identificare le opportunità di riprogettazione di componenti che dimostrano di avere affidabilità non adeguata. L’esercente potrebbe identificare quando convenga acquisire servizi di revamping per il prolungamento della vita utile del veicolo. Il fornitore di servizi di manutenzione potrebbe identificare i momenti più opportuni per pianificare, con il dovuto anticipo, ogni azione propedeutica alla esecuzione di uno specifico intervento di manutenzione.
La trasformazione dei dati in informazioni utili alla manutenzione
Per passare dai dati grezzi a conoscenza utile per il processo decisionale (i cosiddetti actionable insights) occorre definire uno specifico flusso di elaborazione delle informazioni schematizzabile in quattro fasi(vedi Figura 1).
Data acquisition: la prima fase consiste nella raccolta di dati da fonti anche molto eterogenee, ad esempio veicolo, linea, condizioni ambientali/meteo. Questo processo richiede un’infrastruttura per ogni treno, comprensiva di rete telematica, software, sistemi di elaborazione e memorizzazione anche di grandi quantità di dati, oltre che raccogliere e memorizzare i dati prodottidalle centinaia di sensori e da fonti esterne, che poi vengono scambiati sulla rete tramite protocollo IP; si può effettuare una prima analisi tramite algoritmi di diagnostica embedded, fornendo informazioni in tempo reale al macchinista, in merito al percorso e allo stato di salute dei vari sistemi; una volta arrivato in una stazione, i dati acquisiti durante il viaggio, opportunamente elaborati e consolidati, possono essere trasferiti su un repository centrale (disponibile su cloud privato/pubblico o ibrido) attraverso un collegamento wireless tra veicolo e stazione.
Data trasformation: attraverso strumenti di elaborazione dati, è possibile spostare, integrare, aggregare, dati da fonti diverse, per giungere a creare un “data lake” in cui i dati di diverso formato, schema e tipo potranno essere impiegati per la costruzione di analytics e per lo sviluppo di modelli predittivi. Questi dati dovranno essere accessibili, in modo controllato, da tutti gli stakeholders connessi al sistema di manutenzione. Data evaluation: in questa fase si effettuano analisi dei dati con scopi differenti; occorre infatti poter fornire informazioni in tempo reale al macchinista e ai gestori della flotta, per ogni anomalia rilevata in merito alla salute del veicolo.
Occorre anche alimentare i processi di PM con i nuovi dati. I data scientist e gli ingegneri di manutenzione hanno il compito di analizzare i dati, identificare pattern che richiedano attenzione, potenziare/addestrare i modelli predittivi per migliorare l’affidabilità delle previsioni, rendere più robusto il processo decisionale.
Per questo è possibile impiegare tecniche statistiche inferenziali, di data mining, di machine learning, di time series, o basate su reti neurali.
Al fine di supportare prescrittivamente il processo decisionale, occorre sovraimporre ai modelli predittivi di cui sopra un Decisions Support System, che consenta di valutare – tramite simulazioni e analisi di scenario – l’impatto economico e prestazionale di determinate decisioni.
L’analisi suggerisce anche le azioni da intraprendere in base ai dati storici, all’esperienza, allo stato dell’arte delle conoscenze tecniche, delle normative e best practices.
Data visualization: occorre presentare i dati ai soggetti interessati dal processo decisionale in modo semplice, intuitivo ed efficace. A tale riguardo, gli strumenti più comuni per la visualizzazione
di indicatori sintetici creati da modelli e da grandi moli di dati sono i dashboard, le infografiche, e le balanced scorecard.
Per implementare quanto sopra, occorre una infrastruttura IT in grado di ospitare una grande quantità di dati grezzi, su cui integrare tutti gli strumenti applicativi indicati. Lo stato dell’arte della tecnologia si basa su framework di elaborazione distribuita e database in-memory ingrado di gestire enormi volumi di dati con performance eccellenti ed in logica fault-tolerant.
In Fig. 2 si riporta un esempio di framework di PM end-to-end.
Conclusione
La disponibilità di nuove tecnologie e l’ingente volume di dati disponibili sono i fattori chiave in grado di rivoluzionare la manutenzione nel ventunesimo secolo. Gli ostacoli principali alla diffusione di framework basati su predictive analytics sono rappresentati, attualmente, dai cospicui investimenti iniziali richiesti sia in termini infrastrutturali che di competenze ibride da reperire sul mercato poiché, spesso, non presenti internamente. A ciò si aggiunga la complessità iniziale per identificare gli asset che meglio si prestino ad essere analizzati, ed i timori legati a valori di ROI e Payback non accettabili. Attualmente solo realtà molto strutturate e finanziariamente solide stanno investendo nello sviluppo di framework di manutenzione predittiva, sia per interessi diretti legati all’ottimizzazione del proprio core business, sia per “pacchettizzare” quanto sviluppato e rivenderlo as-a-service a realtà meno strutturate.
Antonio Lugarà
Ingegnere Civile-Trasporti, esperto di Industrial Internet of Things
