PREDICTIVE MAINTENANCE SUI SISTEMI DI SUPPORTO ALLA CONDOTTA FERROVIARIA

Applicare il machine learning per identificare e anticipare le anomalie sui sistemi di comunicazione a bordo treno e a terra

Il sistema di supporto alla condotta ferroviaria gestisce il controllo della velocità massima ammessa in ogni momento, grazie alla comunicazione di dispositivi situati a bordo treno (SSB) e in delle tratte dei binari (SST). I sotto sistemi comunicano tra loro dati quali i vincoli di segnalamento, le prestazioni del treno, le caratteristiche dell'infrastruttura e le caratteristiche del segnale (pacchetti inviati, pacchetti correttamente ricevuti, distanza del segnale, ecc.).


I limiti di velocità, le caratteristiche dell'infrastruttura, le condizioni avverse e le prestazioni del treno sono fondamentali per la regolarità della condotta ferroviaria.
Le informazioni scambiate tra i sistemi vengono utilizzate per limitare la velocità del treno o farlo frenare nel caso di emergenza.
Individuare automaticamente e in modo preciso le anomalie e i relativi componenti coinvolti, renderebbero più efficaci ed efficienti gli interventi di manutenzione.

QUALI SONO LE PRINCIPALI CRITICITà?

La comunicazione tra sotto sistema di terra (SST) e un sotto sistema di bordo (SSB) risulta rilevante per la corretta circolazione dei treni. Qualora il sistema non dovesse funzionare a dovere, i treni potrebbero rallentare o frenare in modo improvviso, compromettendo la regolarità della marcia del singolo treno e del traffico ferroviario.
Importante è la tempestività nella messa in campo di azioni correttive in caso di problemi. La trasmissione dei dati agli uffici di competenza non avviene in tempo reale ma, in alcune stazioni, il sotto sistema di bordo viene svuotato delle informazioni memorizzate durante le tratte effettuate dal treno.
I dati scaricati vengono rielaborati, riordinati per essere monitorati e analizzati in control room.
La rilevazione di malfunzionamenti o problematiche sulla rete ferroviaria (bordo o terra), richiede tempo per l'intervento tecnico che è finalizzato all'analisi e all'individuazione dei componenti guasti/usurati coinvolti.

COME RISOLVERE I MALFUNZIONAMENTI?

Anticipandoli. Per poter supportare la risoluzione delle criticità presenti in un sistema di supporto alla condotta ferroviaria, Blue Reply ha disegnato, progettato ed implementato una soluzione che prevede l'utilizzo di algoritmi di machine learning (ML) supervisionati e non supervisionati. Grazie allo storico dati si è in grado di rilevare i malfunzionamenti avvenuti e prevedere con una buona probabilità quelli futuri, segnalandoli alla control room che può predisporre azioni di remediation. L'addestramento degli algoritmi ML utilizzati parte da un processo di data preparation: i dati sulla comunicazione tra terra e bordo vengono strutturati, uniformati e elaborati per sopperire anche ad eventuali dati mancanti. La soluzione realizzata è così in grado di:

  • Identificare e confermare malfunzionamenti già avvenuti;
  • Individuare malfunzionamenti futuri con una percentuale di confidenza;
  • Segnalare le componenti coinvolte nelle anomalie individuate;
  • Rendere disponibili gli input legati ai malfunzionamenti.

Perchè la predictive maintenance? Quali vantaggi abilita?

  • VANTAGGI

  • Precisione nell'individuazione dei componenti di sistema sui cui sono avvenuti i malfunzionamenti

  • Ottimizzazione delle risorse necessarie per le analisi di sistema

  • Riduzione delle tempistiche di intervento reattivo

  • Anticipazione di eventuali malfunzionamenti futuri

  • Efficientamento degli interventi di manutenzione preventiva