La manutenzione predittiva supportata dall’Intelligenza Artificiale (AI) sta trasformando la gestione delle infrastrutture e dei sistemi di trasporto, offrendo soluzioni innovative per prevedere guasti e ottimizzare le risorse, in un contesto globale di crescente digitalizzazione.
La diffusione delle tecnologie digitali sta trasformando radicalmente il modo in cui vengono gestite le infrastrutture e i sistemi di trasporto. Secondo un rapporto pubblicato dal World Economic Forum, il valore complessivo della digitalizzazione per l’industria e la società potrebbe superare i 100 trilioni di dollari entro il 2025. Tecnologie digitali emergenti come l’Intelligenza Artificiale, i sensori avanzati, il Cloud e l’analisi dei dati avranno un ruolo sempre più importante nell’industria del futuro.
Attualmente gli esperti prevedono che il mercato dell’AI nel settore dei trasporti raggiungerà un valore di oltre 10 miliardi di dollari entro il 2030. L’AI offre strumenti avanzati per coniugare sostenibilità, resilienza, efficienza e sicurezza nel settore dei trasporti. Una delle applicazioni più rilevanti e interessanti dell’AI è rappresentata dalla manutenzione predittiva, tecnologia che ha l’obiettivo di prevedere con anticipo eventuali guasti sulla rete infrastrutturale e sui mezzi, analizzando specifici parametri correlati tra loro e il relativo comportamento passato.
In tal modo, è possibile determinare l’intervallo temporale ideale all’interno del quale eseguire la manutenzione, prima che avvenga effettivamente il guasto, garantendo una gestione ottimizzata delle risorse finanziarie, strumentali ed umane coinvolte nelle attività di manutenzione ed evitando, al contempo, interruzioni improvvise e non programmate dei servizi di trasporto.
Inoltre, considerando che il budget dedicato alla manutenzione nel settore dei trasporti è storicamente inferiore alle necessità, si avverte sempre più l’esigenza di ottimizzare al massimo le risorse economiche dedicate e ciò è possibile mediante l’implementazione di politiche fondate sull’applicazione della manutenzione predittiva. Infatti, l’impiego della manutenzione predittiva può ridurre i costi di manutenzione dal 25% al 30% e i tempi di fermo dal 35% al 45%. Questo articolo esplora come l’AI possa diventare un alleato strategico per gestori e decisori pubblici e privati nel settore dei trasporti, fornendo una panoramica delle sue potenzialità e delle sfide ancora da affrontare.
Manutenzione predittiva: cosa è e come l’AI sta trasformando il settore dei trasporti
Ad oggi, è ampiamente condivisa l’idea che l’implementazione e l’utilizzo dell’AI influenzino notevolmente numerosi settori, compreso quello dei trasporti e il potenziale applicativo dell’AI, in quest’ultimo, si è esteso in modo considerevole, semplificando ed ottimizzando molte delle attività legate alla manutenzione e al monitoraggio delle opere.
Una grande opportunità per massimizzare efficienza ed efficacia delle diverse modalità di trasporto è costituita dallo sviluppo e dall’applicazione di un sistema di manutenzione predittiva, la quale rappresenta l’evoluzione del classico concetto di manutenzione. Esistono, infatti, diverse tipologie di manutenzione, che presentano livelli crescenti di complessità e precisione, ovvero: manutenzione correttiva, manutenzione preventiva e manutenzione su condizione.
La manutenzione predittiva ha lo scopo di prevedere eventuali guasti, analizzando le risorse che sono correlate tra loro e il relativo comportamento passato. In questo modo si determina il momento ottimale in cui eseguire la manutenzione, prima che avvenga effettivamente il guasto.
Contrariamente alla manutenzione preventiva e alla manutenzione su condizione, l’idea alla base della manutenzione predittiva è quella di eseguire un controllo dello stato del sistema esaminato, in modo tale da non interrompere il suo normale funzionamento ma di segnalare anticipatamente ed in modo continuo il progressivo degrado di uno o più componenti, per prevedere un imminente guasto o identificare potenziali interventi migliorativi sulle infrastrutture, al fine di ridurre il rischio di incidenti e ottimizzare, quindi, la viabilità.
La manutenzione predittiva, combinando il monitoraggio continuo dei parametri di infrastrutture e veicoli con l’analisi dei dati storici mediante l’utilizzo di sofisticati algoritmi di Machine Learning, consente di identificare pattern e anomalie che anticipano l’insorgere di guasti, determinando il momento ottimale per intervenire.
Nel settore dei trasporti, questa trasformazione è già in corso: dalle ferrovie alle strade, l’AI quale strumento applicativo a supporto della manutenzione predittiva sta contribuendo a ridurre costi, migliorare la sicurezza e prolungare il ciclo di vita delle infrastrutture. Inoltre, la diffusione sempre più capillare di tecnologie quali l’Internet delle cose (IoT) non solo semplifica l’interpretazione dei dati raccolti dai sensori, ma consente anche una raccolta massiva di informazioni. E tale circostanza favorisce il passaggio da un approccio manutentivo “on condition” ad uno predittivo, decisamente più efficiente e proattivo.
I benefici della manutenzione predittiva nel settore ferroviario
Le sfide della manutenzione ferroviaria
Oggi, i principali sforzi di ricerca nel settore ferroviario sono profusi sull’impiego dell’AI per attività legate alla manutenzione e alle ispezioni. Del resto, la manutenzione delle infrastrutture ferroviarie è un’attività continua, complessa e costosa. I metodi tradizionali, come l’utilizzo di treni diagnostici per il monitoraggio della geometria dei binari, presentano limiti in termini di efficienza, sostenibilità economica e frequenza delle rilevazioni, rendendo difficile garantire un controllo tempestivo e costante.
Il contributo dell’AI
Le recenti ricerche si sono dunque concentrate sul rilevamento di irregolarità nella geometria dei binari, che possano avere impatti non trascurabili sull’infrastruttura, utilizzando dati provenienti da sistemi automatici di monitoraggio, montati a bordo dei veicoli commerciali. I dati raccolti possono poi essere analizzati attraverso diverse metodologie di apprendimento automatico, quali le Foreste Casuali, Macchine a Supporto Vettoriale, Reti Neurali Artificiali e Gradient Boosting, con l’obiettivo di prevedere eventuali futuri difetti nella geometria della sezione considerata.
L’applicazione combinata di tecnologie digitali quali l’IoT con algoritmi di AI funge da leva per lo sviluppo della manutenzione predittiva nel settore ferroviario. Questi strumenti permettono di stimare la probabilità di guasti e di identificare i tratti più critici dell’infrastruttura, facilitando la pianificazione delle attività manutentive e riducendo i costi complessivi. La scelta dell’algoritmo più adatto per implementare una politica di manutenzione predittiva dipende da diversi fattori, tra cui il tipo di variabile investigata nonché dalla performance del modello.
Il Piano Strategico 2025-2029 del Gruppo FS
Con riferimento al nostro Paese, nel novero delle varie attività in capo a Rete Ferroviaria Italiana (RFI), società capofila del Gruppo Ferrovie dello Stato Italiane (FS), che opera in regime di concessionario per conto del Ministero dei Trasporti in qualità di Gestore dell’Infrastruttura, vi rientrano quelle legate alla manutenzione ed alla diagnostica dell’infrastruttura ferroviaria.
Ad oggi, sono circa 17mila i chilometri di linee ferroviarie gestite da RFI, con oltre 9mila treni in circolazione ogni giorno. Lo scorso 12 dicembre, è stato presentato il Piano Strategico 2025-2029 del Gruppo, il quale prevede oltre 100 miliardi di euro di investimenti nei prossimi 5 anni. Quota parte di tali risorse concorrerà all’adozione di nuovi standard tecnologici e allo sviluppo di modelli di manutenzione predittiva.
Un futuro basato sui dati a supporto del decision making
Lo sviluppo di nuove tecnologie per il campionamento ed il monitoraggio dei parametri manutentivi dell’infrastruttura ferroviaria, consente ai gestori dell’infrastruttura e ai decisori pubblici di analizzare più dati rispetto al passato. L’adozione di metodi avanzati di analisi dei dati sta già trasformando le strategie di manutenzione, ma il vero cambiamento avverrà con l’integrazione tra AI, manutenzione predittiva e strumenti decisionali. Infatti, come detto precedentemente, il fabbisogno finanziario legato alla manutenzione ferroviaria è sempre superiore rispetto al budget disponibile.
Per tale ragione, è evidente la necessità di promuovere lo sviluppo di strumenti decisionali volti a pianificare e gestire in modo efficace le attività di manutenzione. E l’uso combinato di Multi Criteria Decision Analysis, una metodologia strutturata volta ad effettuare un’analisi comparativa tra diverse opzioni valutandone sistematicamente le prestazioni rispetto a vari criteri, e Machine Learning, può supportare i gestori nell’ottimizzazione delle risorse, garantendo sicurezza e affidabilità. Questa sinergia consente non solo di prevedere gli interventi manutentivi, ma anche di prioritizzarli, rendendoli più efficienti e mirati.
Manutenzione predittiva e infrastrutture intelligenti nel settore stradale
Monitoraggio e analisi in tempo reale
Per ciò che concerne il trasporto stradale, l’impiego e la diffusione dell’AI sta trasformando il modo di concepire la manutenzione delle infrastrutture. Infatti, è possibile oggi sviluppare dei modelli in grado di riconoscere e classificare diversi tipi di deformazione del manto stradale, stimarne la percentuale di degrado e conseguentemente di disporre di un quadro di manutenzione predittiva volto alla prioritizzazione degli interventi da eseguire, sia sulla base dell’entità che della gravità del deterioramento.
In tale contesto, la manutenzione predittiva può includere l’utilizzo di varie tecnologie per monitorare e valutare le condizioni stradali in tempo reale, rilevare potenziali danni e prevedere quando potrebbero essere necessari interventi di riparazione o manutenzione. Alcune delle tecnologie che possono essere utilizzate a questo scopo includono, anche in questo caso, sensori e dispositivi IoT, i quali possono essere incorporati nella superficie stradale per monitorare parametri critici, quali temperatura, umidità, volumi di traffico e sollecitazioni sulla pavimentazione, fornendo una visione dettagliata dello stato dell’infrastruttura.
Veicoli ispettivi e sicurezza
Inoltre, veicoli ispettivi dotati di telecamere ad alta risoluzione, in grado di raccogliere immagini geolocalizzate, possono monitorare continuamente le condizioni del manto stradale, rilevando potenziali problemi prima che diventino critici. Un sistema di raccolta dati di questo tipo risulta sicuramente più efficiente in termini di risorse umane e strumentali, rispetto al caso di ispezioni visive eseguite in loco. Inoltre, grazie all’impiego di reti neurali artificiali è possibile analizzare i dati in modo accurato, prevedendo la frequenza incidentale in corrispondenza delle sezioni più critiche dell’infrastruttura, identificando i punti vulnerabili della rete e prioritizzando i relativi interventi.
In quest’ambito, quindi, l’impiego di strumenti di AI a supporto della manutenzione predittiva offre indubbi vantaggi anche in termini di incremento della sicurezza stradale per gli utenti, facilitando il conseguimento degli obiettivi indicati dall’Unione Europea sul tema. Infatti, sebbene l’Europa abbia compiuto diversi progressi nella riduzione degli incidenti stradali dal 2019, è ancora lontana dall’obiettivo di dimezzare il numero di vittime della strada entro il 2030. In tal senso, l’AI e le tecnologie di trasporto emergenti offrono nuove opportunità per sviluppare soluzioni innovative volte a raggiungere i target prefissati.
Il Progetto Argo di Movyon
Il progetto Argo, nato da un accordo tra Movyon, del Gruppo Autostrade per l’Italia, Tecne, Fincantieri Next Tech e IBM, è un sistema avanzato per la gestione e il monitoraggio delle infrastrutture, che raccoglie e aggiorna in tempo reale i dati strutturali di ponti, cavalcavia, viadotti e gallerie attraverso un Inventario Digitale. Esso introduce un sistema di nuova generazione per il monitoraggio e la sicurezza delle infrastrutture autostradali e consiste in una piattaforma che si avvale dell’AI per elaborare i dati provenienti dall’uso di droni, IoT e modellizzazione digitale 3D, consentendo di monitorare lo stato delle oltre 4000 opere d’arte (ponti, viadotti, cavalcavia, gallerie) e altre opere (barriere di sicurezza, barriere antirumore).
Grazie all’installazione di sensori IoT è possibile monitorare lo stato di salute delle opere, mentre droni dotati di videocamere ad altissima risoluzione e laser LIDAR creano scansioni tridimensionali precise. I dati raccolti vengono poi elaborati per generare un modello BIM semplificato, utile per navigare digitalmente l’opera durante le ispezioni, e un gemello digitale 3D (Digital Twin). Questo sistema consente agli operatori di effettuare ispezioni da remoto con il supporto di algoritmi di AI, capaci di analizzare le fotografie e identificare eventuali difetti nei componenti delle infrastrutture.
Il Programma Structural Health Monitoring di Anas
Anas, società del Gruppo FS, è il concessionario stradale che gestisce oltre 32.000 km di strade e autostrade ed ha la priorità di sorvegliare la rete stradale di competenza, identificando gli interventi, i costi e i tempi relativi agli interventi manutentivi sull’infrastruttura.
Tra gli obiettivi principali figurano l’incremento del livello di sicurezza delle strutture, della sicurezza dell’utenza nonché l’ottimizzazione dei costi di gestione e dei tempi d’intervento. È nata da parte del concessionario, quindi, l’esigenza di adottare una piattaforma di monitoraggio di ponti e viadotti, la cui implementazione si basa sull’installazione di sistemi locali di rilevazione dei parametri di interesse, applicazione di algoritmi di analisi dei dati raccolti e di un sistema centralizzato che consenta il monitoraggio, la gestione e la raccolta di tutti i dati di interesse tecnico.
Per la realizzazione di questo piano, denominato Programma Structural Health Monitoring (SHM), Anas ha avuto accesso a 275 milioni di euro nell’ambito del “Fondo Complementare” connesso al Piano Nazionale di Ripresa e Resilienza (PNRR). Tale programma consente un controllo molto più ampio su tutto il processo di monitoraggio dello stato di salute delle infrastrutture, consentendo la piena integrazione con i protocolli manutentivi attraverso l’utilizzo di una banca dati centralizzata delle opere d’arte, quali ponti e viadotti. L’acquisizione costante delle informazioni relative allo stato di queste opere consentirà, attraverso l’applicazione di algoritmi di AI, la definizione di processi di manutenzione predittiva.
Benefici e prospettive
La digitalizzazione delle infrastrutture e dei processi decisionali riduce significativamente i tempi di chiusura delle infrastrutture stradali e i relativi costi di ripristino, incrementando la resilienza della rete e riducendo i disagi per gli utenti. L’applicazione congiunta di sensori con tecnologie IoT e il supporto dell’AI consente di elaborare in modo pressoché costante i dati sullo stato di salute delle infrastrutture, garantendo un più efficace monitoraggio della sicurezza delle opere oltre che una maggiore efficienza dei processi manutentivi.
Tali tecnologie possono ridurre l’incidentalità dovuta alla mancanza di adeguata manutenzione e segnalare in anticipo la presenza di cantieri o di incidenti, incrementando sia la sicurezza sul lavoro dei tecnici sia la qualità dei servizi offerti agli utenti. Nel settore stradale, l’evoluzione delle politiche manutentive da “as-it-is” ad “asset-to-be”, ovvero predittive ed orientate al futuro, non solo migliora i processi manutentivi, ma contribuisce a garantire maggiore sicurezza, sostenibilità e affidabilità.
Come ottenere benefici concreti
Il pieno potenziale dell’AI in questo contesto dipenderà anche dalla capacità di integrarla nei processi decisionali e dalla volontà di investire in ricerca e sviluppo.
Per sviluppare tale potenziale, è cruciale garantire l’accesso a dati di alta qualità e in tempo reale, costruendo infrastrutture tecnologiche robuste in grado di elaborare grandi volumi di informazioni. Oggi, infatti, nel campo della manutenzione predittiva, sono in fase di sviluppo algoritmi di Machine Learning predittivo online, capaci di gestire l’apprendimento automatico su flussi di dati dinamici e pressoché illimitati, trasformando l’apprendimento stesso in un processo continuo, real time e senza fine.
Inoltre, è fondamentale sviluppare competenze interdisciplinari, con un forte coinvolgimento di esperti in ingegneria, finanza, project management, data science e gestione delle infrastrutture, al fine di tradurre le soluzioni AI in applicazioni concrete e scalabili. La creazione di un ecosistema collaborativo che unisca settore pubblico e privato, insieme a un quadro normativo che promuova l’innovazione, sarà altrettanto fondamentale per sfruttare al massimo le potenzialità dell’AI e garantire che essa migliori non solo l’efficienza operativa, ma anche la sostenibilità e la resilienza delle infrastrutture di trasporto, consentendo lo sviluppo e l’impiego della manutenzione predittiva nella gestione delle infrastrutture.
Infine, guardando al futuro, infrastrutture più intelligenti e sostenibili non sono solo una possibilità, ma una necessità per un sistema di trasporto più efficiente, resiliente e sostenibile. Il momento di agire è ora, e l’AI con le sue applicazioni, tra cui la manutenzione predittiva, è pronta a guidare questa trasformazione nel settore dei trasporti.
