Ferrovie, manutenzione predittiva con internet delle cose: ecco come

Nell’era dell’Industrial Internet of Things è in atto una mutua contaminazione tra l’ingegneria ferroviaria e l’Information Technology, che richiede sempre più spesso l’utilizzo di conoscenze verticalmente integrate tendenti a superare i paradigmi dell’ingegneria classica.

La disponibilità di nuove tecnologie e di ingenti quantitativi di dati sono alcuni tra i fattori abilitanti in grado di rivoluzionare le strategie manutentive nel ventunesimo secolo. Grazie allo sviluppo verticalmente integrato di sensori intelligenti e connessi, di capacità di calcolo a basso costo, e di soluzioni per big data e analytics, il trasporto ferroviario sta diventando più puntuale, più efficiente ed in grado di garantire standard di manutenibilità sempre più elevati.

L’articolo intende fornire alcune delucidazioni di carattere puramente qualitativo circa l’utilizzo di una strategia di manutenzione predittiva in ambito ferroviario, tentando di semplificare un argomento in realtà molto complesso integrante l’ingegneria ferroviaria, aspetti inerenti l’Information Technology ed il data mining, e le implicazioni di business derivanti dall’applicazione di un innovativo framework manutentivo.

Introduzione alla manutenzione predittiva

Al giorno d’oggi, con maggior frequenza rispetto al passato, le imprese ferroviarie dedicano sempre più attenzione ai propri processi operativi e a come ridurne i costi. Attualmente, infatti, esse operano in un contesto di supply chain globali, invecchiamento degli apparati e della forza lavoro, variabilità dei prezzi delle materie prime ed ulteriori vincoli burocratici.

Una grande opportunità per massimizzare efficienza ed efficacia è costituita dallo sviluppo e dall’applicazione di un sistema di Manutenzione Predittiva (MP) [1]. Questo nuovo paradigma è incentivato dalla disponibilità di grandi quantità di dati grazie ad apparati sempre più intelligenti ed interconnessi, dalla necessità di ottenere di più con minori risorse (ad esempio estendendo la vita utile degli apparati), dai costi ridotti dell’informatica inerenti alla capacità di calcolo, alle reti e alla memorizzazione dei dati, e, infine, dalla fusione tra Information Technology (IT) e Operational Technology (OT). La MP, intersecando IT e OT, può infatti fornire alle organizzazioni dettagli essenziali sui malfunzionamenti della componentistica e sulla qualità degli apparati, consentendo, così, ottimizzazioni di apparati, processi e risorse umane.

La MP, quindi, potrebbe rappresentare l’applicazione risolutiva per essere all’avanguardia all’interno di un mercato globale e competitivo, contribuendo al raggiungimento di benefici sia operativi che relativi a strumenti e metodi. Tra quelli operativi si citano:

• ottimizzazione degli intervalli di manutenzione;
• riduzione sostanziale dei periodi di fermo macchina non pianificati;
• ottimizzazione delle tempistiche e delle modalità di approvvigionamento, riducendo i costi di magazzino agendo solo all’occorrenza.

Mentre rispetto a metodi e strumenti, si segnalano:

• identificazione delle cause dei guasti attraverso analisi ad hoc;
• perfezionamento degli strumenti e dei processi per la diagnosi;
• determinazione di procedure manutentive ottimali;

La manutenzione predittiva nel settore ferroviario

Una volta chiarite le potenzialità della MP, che ruolo potrebbero avere i big data e gli analytics nell’abilitare l’utilizzo di un sistema di MP nel settore ferroviario? Il cosiddetto Industrial Internet of Things (internet delle cose a livello industriale), grazie anche al progresso tecnologico e alla riduzione dei costi, inizia ad avere un ruolo significativo nel settore del trasporto pubblico. Infatti, sulla base di milioni di dati rilevati dai sensori su componenti critici dei treni, l’analisi può identificare in anticipo prossime rotture di alcune parti, assicurando che la manutenzione venga effettuata solo quando necessario, ma sempre prima dell’effettivo guasto. Se fosse possibile prevedere quali parti andranno incontro a degrado delle prestazioni nel prossimo futuro, questo potrebbe portare alla possibilità di ottenere un grado di disponibilità dei treni tendente al 100%, perché i guasti sarebbero sempre riparati secondo un efficiente piano manutentivo quando i rotabili non sono in servizio, evitando così avarie in linea e/o indisponibilità dei mezzi.

All’aumentare della numerosità ed eterogeneità del parco rotabili, le aziende di trasporto ferroviario hanno dovuto fronteggiare, nel corso degli anni, le disfunzioni dovute ai limiti degli approcci tradizionali alla manutenzione. È emersa quindi una tendenza alla digitalizzazione dei processi al fine di affrontare problematiche ricorrenti; tra queste si citano [2]:

• gestione non ottimale delle scorte di magazzino (in termini di efficienza ed efficacia);
• mancanza di governance tra i vari interventi; mancanza di replicabilità degli interventi;
• mancanza di una strategia di raccolta dati condivisa, al fine di ottenere database normalizzati e statisticamente rappresentativi;
• mancanza di indicatori di performance (Key Performance Indicators, KPI) necessari a valutare in maniera univoca la qualità delle prestazioni eseguite;
• mancanza di tracciabilità dei componenti.

L’esigenza di implementare strategie data-driven ha iniziato a palesarsi nella seconda metà degli anni ’90, quando i database relazionali erano già diffusi nel mercato dell’IT. Negli ultimi anni l’industria ferroviaria, grazie alla disponibilità di nuove tecnologie computazionali e di comunicazione senza fili, ha aggiunto un ulteriore tassello alla digitalizzazione della manutenzione ferroviaria introducendo il concetto di “tele-diagnostica”, ovvero la possibilità di memorizzare e visualizzare i dati inerenti alle anomalie ed i guasti non solo a bordo treno, ma anche inviandoli, quasi in tempo reale, ad una control room in grado di monitorare le flotte in esercizio. Questi sistemi si pongono come spartiacque tra i più classici sistemi di diagnostica – del tipo a spie luminose – e i più moderni sistemi di prognostica [3], contribuendo a costruire un insieme di informazioni utili inerenti alle anomalie, suddividendo inoltre, per ogni sottosistema, le potenziali cause scatenanti, e le eventuali ulteriori conseguenze.

L’architettura di un apparato di tele-diagnostica consta, di norma, di due sottosistemi:

Sottosistema di bordo: contiene un elaboratore ad hoc che, da un lato si interfaccia con il Train Control & Management System (TCMS) per raccogliere i dati su un database locale ed analizzarli, dall’altro cura il trasferimento di segnali, contatori, ed eventi verso il sistema di terra. Un ruolo fondamentale è ricoperto dalla logica di veicolo che rappresenta la modellizzazione del rotabile in termini di sottosistemi, LRU, failure modes, eventi, segnali, contatori, etc. e relative relazioni. Il sottosistema di bordo, in funzione delle regole diagnostiche implementate e della configurazione della logica di veicolo, invierà dati diagnostici verso terra attraverso due distinti canali di comunicazione:

1. comunicazione in near real time (quasi in tempo reale): variabili inerenti al funzionamento di specifici apparati vengono costantemente inviati a terra attraverso protocolli ad hoc (per esempio XMPP, o più moderni broker MQTT), consentendo di monitorare le flotte in esercizio;
2. comunicazione “batch”: tutti i segnali raccolti in funzione dei vari eventi, vengono conservati e spediti ad intervalli regolari utilizzando appositi protocolli per il trasferimento di file di grosse dimensioni (per esempio FTP, file transfer protocol, o più moderni broker MQTT).

Entrambi i canali sfruttano una rete VPN (Virtual Private Network, rete privata virtuale) adottando protocolli che provvedano a cifrare il traffico transitante sulla rete virtuale preservando l’integrità dei dati trasmessi.

Sottosistema di terra: è costituito da una soluzione IT convergente (cioè integrante uno strato computazionale, un database relazionale per la memorizzazione dei dati, spazio disco, e connettività), ridondata, ed utilizzabile anche in cloud. Tale soluzione, comunicando con il sottosistema di bordo, riceve e immagazzina i dati provenienti dai rotabili in linea, consente l’accesso ai vari portatori di interesse attraverso delle interfacce web sicure, invia avvisi di manutenzione ed abilita tutte le fasi di analisi ed elaborazione dei segnali al fine di identificare guasti incipienti, consentendo anche la calibrazione e validazione di algoritmi diagnostici.

A distanza di alcuni anni dalle prime implementazioni della tele-diagnostica sui rotabili, sono stati identificati diversi miglioramenti concreti ottenuti negli ambiti di manutenzione, di monitoraggio e assistenza all’esercizio e nelle attività di ingegneria rivolte alla raccolta dati e al miglioramento continuo dei rotabili [4].

Tuttavia, al giorno d’oggi la strategia manutentiva più comune è quella preventiva, nonostante questo riduca la vita utile dei componenti perché sostituiti anticipatamente in base alla pianificazione del produttore, alle tempistiche, al chilometraggio e alle osservazioni basate sull’esperienza.

Tutte queste problematiche hanno condotto le strategie di manutenzione verso la ricerca di un approccio volto a prevenire il guasto al fine di attuare le necessarie azioni manutentive con tempistiche tali da massimizzare l’utilizzo dell’apparato, pur non compromettendone la funzionalità. Infatti, effettuare valutazioni e misurazioni dirette sulle reali condizioni delle parti in esercizio e sull’effettivo utilizzo (manutenzione basata su condizione sfruttando la tele-diagnostica) può aumentare le performance e ridurre i costi. Il traguardo successivo e ancora più efficace è costruire framework di manutenzione predittiva cercando di prevedere il momento in cui possa avvenire il guasto e, quindi, adattare gli interventi di manutenzione necessari di conseguenza. I recenti progressi in IT e nello sviluppo della sensoristica intelligente hanno condotto alla costante raccolta di dati da molteplici sistemi e sottosistemi nei treni, rendendo così possibile il monitoraggio delle condizioni meccaniche ed elettriche, dell’efficienza operativa e di molti altri indicatori di performance. Queste nuove capacità consentono non solo la pianificazione delle attività di manutenzione con il massimo intervallo tra le riparazioni, ma anche la riduzione del numero delle interruzioni del servizio causate da guasti ai rotabili. In questo modo saranno ridotti, quindi, i costi della manutenzione del treno, ma anche la perdita di ricavi dovuta all’impossibilità di effettuare i servizi passeggeri (o merci). Un approccio predittivo alla manutenzione, quindi, oltre a garantire benefici operativi ed economici relativamente ai rotabili già in esercizio, può avere implicazioni anche sulla progettazione.

Gli approcci alla manutenzione predittiva ferroviaria

La manutenzione predittiva ferroviaria (MPF) può essere applicata utilizzando due approcci differenti:

1. Knowledge-based: si basa sia sulle conoscenze acquisite da progettisti e manutentori nell’esercizio delle loro rispettive funzioni, sia sull’utilizzo di analisi FMECA (Failure Mode, Effects, and Criticality Analysis – analisi dei modi, degli effetti e della criticità dei guasti) e RAMS (Reliability, Availability, Maintainability and Safety – analisi di affidabilità, disponibilità, manutenibilità e sicurezza). Grazie a tali studi e alle esperienze pregresse acquisite, è possibile identificare a priori i comportamenti dei sottosistemi del treno (e delle relative variabili significative) a fronte di guasti incipienti. Effettuando i campionamenti dei valori con frequenze opportune, note a priori le soglie di malfunzionamento, vengono inviati degli allarmi quando i valori soglia sono superati.
2. Data-driven: grazie alla diffusione della digitalizzazione degli apparati, l’ingegneria di manutenzione dispone di una mole crescente di dati eterogenei e multi sorgente. Sempre più spesso, tuttavia, tali dati risiedono su database distinti, creando dei veri e propri “silos” che li rendono poco fruibili ai fini delle analisi comparative. Per superare tale problematica, sempre più spesso si ricorrere all’utilizzo di file system distribuiti e piattaforme big data, creando così data lake eterogenei e statisticamente rappresentativi contenenti dati strutturati, semi-strutturati e non strutturati, analizzabili nella loro interezza attraverso un approccio olistico, mediante tecniche di intelligenza artificiale, machine learning, e metodi predittivi. Si sono create dunque le condizioni per identificare delle relazioni tra dati apparentemente indipendenti e disgiunti, estraendo modelli causali e schemi ricorrenti precedentemente sconosciuti, e utilizzabili adesso per predire malfunzionamenti e cali di prestazioni.

Al fine di costruire un efficace sistema di MPF è fondamentale tenere in considerazione quattro passaggi distinti:

1. Effettuare previsioni e valutarne l’efficacia: questa fase è fondamentale al fine di effettuare un’adeguata selezione dei sottosistemi del treno che devono essere presi in considerazione all’interno della soluzione di MPF. Cercare di prevedere “tutto”, infatti, potrebbe portare a risultati fuorvianti con un conseguente spreco di risorse. In primo luogo, quindi, è importante identificare cosa possa essere previsto (quali sottosistemi del treno) e con quale probabilità. A tal fine è necessario un processo di mappatura dei sistemi disponibili per realizzare non solo i grafici delle zone in cui le previsioni identifichino eventi la cui frequenza di accadimento sia elevata e le rispettive conseguenze siano impattanti, ma anche ulteriori grafici che rappresentino il periodo in cui le predizioni risultino più efficaci nell’arco della vita utile dei sottosistemi (Fig. 1). L’obbiettivo è quello di riuscire ad identificare la probabilità di previsione nei sottosistemi più critici del treno, facendo attenzione che questi forniscano abbastanza informazioni per costruire un modello consistente. Pertanto, la scelta degli apparati su cui effettuare le analisi predittive è funzione della frequenza con cui si riscontra il malfunzionamento e del rispettivo livello di criticità. Un altro aspetto da prendere in considerazione, tuttavia, è la corretta identificazione dell’intervallo di tempo in cui la previsione possa essere più efficace dal punto di vista della manutenzione. All’interno della Fig. 1 è riportata la distribuzione del tasso di fallimento dei sistemi elettrici e meccanici. Se ne deduce che, al fine di ottenere un ROI (ritorno dell’investimento) consistente, ed un periodo di Payback sostenibile, i sistemi di recente ingegnerizzazione e quelli a fine vita utile risultino i più adatti ad essere investigati per sviluppare una soluzione di MPF. Infatti, è fondamentale concentrare gli sforzi su quelle aree che potenzialmente possano offrire ampi margini di miglioramento in breve tempo, così da ripagare l’investimento effettuato, rendendo il progetto di MPF oltre che efficace ingegneristicamente, anche sostenibile finanziariamente. Al giorno d’oggi le organizzazioni effettuano anche analisi di capital budgeting per identificare quali progetti siano più remunerativi.

Queste attività di pre-dimensionamento aiutano ad assicurare risultati realistici prima ancora di allocare risorse per lo sviluppo delle attività (identificazione dei dati necessari, costruzione degli algoritmi, ecc.).

2. Estrapolare i dati realmente necessari: per costruire insiemi di dati efficaci contenenti informazioni utili a realizzare previsioni, ci sono due fattori principali da tenere in considerazione: le variabili potenzialmente valutabili e le tecniche di misurazione.

Di seguito è riportato un elenco, a titolo esemplificativo ma non esaustivo, dei potenziali componenti da monitorare:

• assili;
• carrelli;
• freni;
• sistemi di apertura/chiusura porte;
• filtri;
• rilevamento ruote usurate;
• correnti e voltaggi dannosi;
• pantografi;
• parti rotanti;
• pressioni dell’aria e dell’acqua;
• cuscinetti e boccole.

Esistono diverse tecniche di misurazione che possono essere applicate al fine di raccogliere i valori digitali delle variabili precedentemente discusse. Le più diffuse sono:

• • misurazione della velocità di rotazione: uno stroboscopio o un contatore elettrico potrebbero ottenere questo risultato in modo efficace. Sensori in grado di rilevare la forza per unità di massa (accelerometri), applicati ai sistemi di trasmissione, potrebbero essere altrettanto funzionali [1];
  • misurazione delle temperature: un aumento degli sfregamenti e delle frizioni comporta un aumento della temperatura dell’apparato monitorato. Termistori, o altri rilevatori di temperatura, possono individuare le suddette variazioni. Inoltre, un’altra tecnica semplice ed economica per la misurazione della temperatura consiste nella verniciatura della parte con vernici sensibili al calore: così facendo la parte cambierà colore al superamento del normale livello di temperatura.

• • misurazione delle vibrazioni e degli ultrasuoni: la vibrazione, di per sé, è probabilmente uno dei parametri più efficacemente monitorabili. Il metodo shock pulse, l’envelop signal processing e le emissioni acustiche sono soltanto alcune delle diverse metodologie di misurazione delle vibrazioni. Inoltre, svariate sollecitazioni subite dai vagoni possono essere analizzate attraverso l’utilizzo di accelerometri, in base a dove questi si trovino posizionati lungo il treno. Così come per il monitoraggio delle vibrazioni, anche gli ultrasuoni analizzano l’acustica. Le uniche differenze tra i due metodi riguardano il range delle frequenze monitorate. Infatti, le analisi vibrazionali monitorano frequenze tra 1Hz e 30KHz, mentre gli ultrasuoni tutte le frequenze superiori ai 30kHz. Tali alte frequenze consentono di identificare fessurazioni ed orifizi che possono crearsi e che, quando vengono attraversati da aria o gas, emettono dei rumori tracciabili dagli ultrasuoni [1]. Infatti, a fronte delle sollecitazioni a cui sono sottoposti i rotabili in esercizio, grazie al monitoraggio dell’emissione acustica è possibile tenere sotto controllo l’evoluzione di specifiche anomalie. Grazie ad apparati ad hoc posti a lato binario e muniti di microfoni, è possibile registrare i suoni prodotti dai convogli in transito ed analizzarne gli spettri acustici al fine di identificare la tipologia e la severità del guasto. Per esempio, la soluzione Rail-BAM^TM implementata nel West Sussex, effettua il monitoraggio dei cuscinetti analizzando la frequenza del rumore originatosi al passaggio dei rotabili [3].
  • misurazione delle tensioni sugli assili: al fine di rilevare la tensione che subisce l’assile è importante quantificare il carico cui lo stesso risulti soggetto, la curvatura del tragitto, la presenza di forze di massa molto frequenti, la massa frenata, l’alterazione nel profilo delle ruote e altre irregolarità puntuali. I valori richiesti vengono raccolti attraverso l’utilizzo di estensimetri ad ultrasuoni, sensori ottici ed elettromagnetici [11].

I guasti meccanici, se non riparati rapidamente, degradano al trascorrere del tempo e dell’utilizzo dell’apparato, a un ritmo direttamente proporzionale alla loro severità. Per questa ragione, se il problema venisse individuato in anticipo, si potrebbero evitare operazioni di riparazione particolarmente onerose in termini realizzativi ed economici.

3.Permettere alla conoscenza ferroviaria di guidare l’analisi dei dati: la realizzazione di una efficace soluzione di MPF è un gioco di squadra in cui l’esperto del sistema ferroviario riveste un ruolo essenziale. È la conoscenza di dominio, infatti, a guidare i data scientist nella costruzione degli algoritmi corretti che verranno poi implementati sull’infrastruttura IT. Il successo di una soluzione di MPF consiste quindi nella scelta oculata dei sistemi del treno da analizzare, nella costruzione di un opportuno ecosistema di dati, e nella giusta combinazione di esperti in campo ferroviario e data scientist, prediligendo figure ibride con competenze IT e ferroviarie. Risulta fondamentale creare le condizioni per l’individuazione della progressione temporale del guasto, ovvero modellizzare come la degradazione progressivamente si propaghi e conduca al guasto [3]. Al fine di ottenere tali risultati, è necessario identificare delle relazioni matematiche in grado di descrivere i fenomeni oggetto di studio prevedendone le evoluzioni al trascorrere del tempo e dell’esercizio.

4. Individuare il valore aggiunto ottenibile: la quantità di informazioni che è possibile ottenere grazie all’impiego di una efficace soluzione di MPF non riguarda soltanto la previsione dei guasti, ma anche l’analisi delle cause alla base di errori di progettazione dei componenti, il processo di costruzione degli stessi, il ciclo di vita utile, e molto altro. L’impiego di una soluzione di MPF, infatti, può anche essere d’aiuto per identificare diverse opportunità commerciali e per la costruzione di azioni prescrittive. Il valore aggiunto ottenibile, pertanto, comprende la possibilità di:

• prevedere quando un componente, soggetto a specifiche condizioni, cesserà di funzionare e quali azioni di manutenzione saranno necessarie;
• pianificare in anticipo le azioni di manutenzione, consentendo il reperimento delle parti sostitutive secondo il metodo just-in-time/in-case (solo all’occorrenza), ottimizzando così le operazioni di acquisto e di mantenimento delle scorte di magazzino;
• suggerire quali sistemi possano essere affetti da problemi di progettazione riscontrabili dal loro inadeguato funzionamento in condizioni di utilizzo continuativo;
• identificare le problematiche dell’armamento al passaggio del treno in uno specifico punto della linea, considerando il veicolo come un sensore in movimento.

In letteratura si trovano diversi riscontri positivi sia per quanto concerne le implementazioni di sistemi di tele-diagnostica, sia per la sperimentazione di soluzioni più complesse di manutenzione predittiva.

Nel primo caso, Agnoli et al. [4] descrivono tre situazioni realmente accadute in cui le funzioni del sistema di tele-diagnostica hanno permesso di evitare un guasto bloccante in linea e la conseguente richiesta di riserva. Nello specifico, il primo esempio descrive uno scenario in cui, a fronte dei dati “grezzi” inviati alla centrale operativa tramite protocollo FTP (File Transfer Protocol, protocollo per il trasferimento dati), questi siano stati elaborati ex post identificando una graduale perdita di liquido dal circuito di raffreddamento di una locomotiva in esercizio.

Nel secondo esempio, invece, si sfruttano le capacità diagnostiche installate a bordo, inviando a terra un’informazione pre-elaborata. Infatti, il sistema di tele-diagnostica, con la sua componente di bordo, identifica un’avaria ai carica-batterie di un locomotore che si appresta ed effettuare servizio in linea. Il macchinista non essendosi accorto in situ del problema, è stato allertato dalla centrale operativa che, iterativamente, lo ha guidato nelle attività di verifica e ripristino delle funzionalità, consigliando di resettare l’elettronica della locomotiva al fine di riattivare i carica batterie. L’ultimo esempio contempla un approccio ibrido tra capacità diagnostiche a bordo treno e analisi di serie storiche a terra. Infatti, quando il sottosistema della diagnostica di bordo identifica una temperatura anomala di un riduttore di una locomotiva in esercizio, provvede ad inviare un trigger al sottosistema di terra.

La centrale operativa ha richiesto via radio al personale di condotta di ridurre la velocità mantenendo la temperatura al di sotto del valore soglia, permettendo quindi al convoglio di espletare il servizio in linea e rientrare in impianto senza la necessità di riserva. Tale circostanza rappresenta un esempio di come la tele-diagnostica permetta un aumento della vita utile del sistema: infatti grazie al collegamento bi-direzionale terra-treno, si è potuto variare il carico di lavoro del sistema in funzione delle effettive condizioni di salute degli apparati.

La manutenzione predittiva, come già descritto in precedenza, rappresenta uno scenario evolutivo rispetto alla tele-diagnostica, in quanto non verifica solo la condizione di esercizio delle varie LRU, ma tende anche a prevederne il comportamento al trascorrere dell’esercizio.

In questo modo si possono identificare condizioni anomale che potrebbero portare a malfunzionamenti ricorrenti fornendo ulteriori informazioni esogene, come la correlazione tra guasto e posizione sulla linea. In una soluzione di MPF, quando un allarme è generato perché il numero di eventi anomali nello stesso punto eccede la soglia prevista, in aggiunta ai dati tecnici, verranno integrate nel dominio delle analisi anche le informazioni del file di log (altrimenti detto file di registro delle attività) contenenti il numero del treno, la linea ferroviaria, la posizione lungo essa, il chilometraggio del veicolo, ecc.

È importante notare che la trasformazione di dati grezzi in informazioni significative e facili da comprendere, attraverso l’impiego di report o forme grafiche, risulti fondamentale per l’implementazione di una strategia di Operations Intelligence (OI) efficace. Il flusso informativo completo per trasformare i dati grezzi in informazioni utili e modelli di manutenzione è riportato in Fig.4, esplicitando le fasi di acquisizione, trasformazione, valutazione e visualizzazione dei dati e delle relative informazioni estratte:

Manutenzione predittiva ferroviaria: nuovi scenari di business

Efficaci soluzioni di manutenzione predittiva possono avere un impatto positivo sul business ferroviario e, allo stesso tempo, rivoluzionare gli approcci manutentivi.

Un sistema di MPF efficace può influenzare positivamente i ricavi e i costi, apportando miglioramenti sia in termini di efficienza che di efficacia. Dal punto di vista dei costi lungo il ciclo di vita, è possibile ottenere i seguenti risultati:

• ridurre le esigenze di riserve operative e i relativi costi: tipicamente è richiesta una riserva operativa variabile dal 5% al 15% dell’intera flotta da impiegare come scorta in caso di guasti. Attraverso una strategia di MPF è possibile ottimizzare la manutenzione del parco veicoli prevedendo quando un componente potrebbe guastarsi. Le interruzioni non pianificate al servizio vengono così ridotte drasticamente permettendo di ridurre il numero di treni tenuti a disposizione per fronteggiare potenziali disservizi. Questo si traduce in un duplice risparmio sia sul Capital Expenditure (CAPEX, spese per il capitale) sia sull’Operational Expenditure (OPEX, spese operative);
• estendere la vita utile degli apparati: la MPF consente di programmare la sostituzione dei componenti quando sono prossimi al guasto e non solo quando suggerito convenzionalmente dai manuali tecnici, riducendo le spese per l’acquisto di ricambi e ottimizzando i costi di utilizzo delle squadre manutentive.

La MPF può anche aumentare i ricavi degli operatori di trasporto su ferro, ottenendo i seguenti risultati:

• impiegare i treni di scorta per erogare servizi operativi: una volta mitigato il rischio di interruzioni di guasti in linea, è possibile utilizzare i treni precedentemente tenuti come riserve per effettuare nuove corse, aumentando, così, il numero di biglietti giornalmente vendibili senza ulteriori costi CAPEX per l’acquisto di nuovi rotabili.
• attrarre domanda proveniente da altri modi di trasporto: un alto grado di affidabilità rende l’operatore ferroviario più attraente per il consumatore, permettendo quindi di attrarre passeggeri che avrebbero utilizzato altri modi di trasporto; ad esempio il treno ad alta velocità risulta più attrattivo rispetto all’aereo per tratte fino a 700km.

Investire in un sistema di MPF potrebbe essere interessante sia per i produttori ferroviari che per gli operatori di trasporto. Trenitalia può arrivare a spendere in media 1,3 miliardi di Euro all’anno solamente per le operazioni di manutenzione di primo e secondo livello [18]. Risulta quindi interessante quantificare il risparmio ottenibile attraverso una efficace strategia di MP.

È possibile prendere in considerazione tre scenari (vedi Tab. 1): il caso migliore, il caso peggiore e quello più probabile. Nel primo scenario, il raggiungimento di un risparmio potenziale del 5% sull’intera spesa, consentirebbe di risparmiare 65 milioni di Euro nell’intero anno fiscale. Nel caso peggiore, invece, con un risparmio del solo 1% rispetto allo scenario attuale, sarebbe possibile ottenere un risparmio di 13 milioni di Euro all’anno. In fine, qualora si verificasse l’ipotesi più probabile, si potrebbe arrivare a riduzioni del 3% della spesa effettiva, raggiungendo così un risparmio di 39 milioni di Euro all’anno.

Tab. 1 – Ipotesi sui risparmi ottenibili implementando una soluzione efficace di MPF;

È evidente che in tutti gli scenari l’investimento iniziale potrebbe essere ammortizzato in pochi anni, generando così un flusso di cassa positivo in termini di risparmi di costo, ottimizzazioni e ulteriore fatturato derivante da nuova clientela proveniente da altri modi di trasporto. Il payback period (PP, periodo di recupero dell’investimento) ha un ruolo importante al fine di rendere il progetto di MPF attrattivo e sostenibile.

Nel settore ferroviario ci sono già diverse collaborazioni in atto tra società IT, produttori ferroviari e operatori di esercizio che hanno contribuito a implementare con successo scenari di MPF. Tra i casi di successo se ne cita uno di particolare interesse perché include molti tra gli elementi positivi analizzati precedentemente. Lo scenario riguarda due grandi città a circa 700 km di distanza. Prima dell’implementazione di una linea ferroviaria ad alta velocità e del sistema di MPF, il tempo di percorrenza medio di un viaggio di sola andata era di 5.5 ore, e il totale dei passeggeri ad usufruirne era di quasi 800.000 all’anno. Nello stesso periodo, le linee aeree erano in grado di coprire la stessa rotta in 1.4 ore più il tempo necessario per il check-in e i controlli di sicurezza, servendo l’80% del mercato, nonostante tale opzione fosse la più costosa. È importante sottolineare come la rotta tra le due città rientrasse tra le più trafficate al mondo.

Una volta inaugurata la linea ad alta velocità, l’operatore ferroviario è stato in grado di ridurre sensibilmente il tempo di percorrenza, riducendolo a 2.5 ore, rendendolo così comparabile al viaggio aereo, e quindi, dando ai passeggeri una reale possibilità di scelta. Al fine di puntare ad attrarre la clientela aerea, l’operatore ferroviario ha deciso inoltre di offrire rimborsi completi per ogni viaggio che avesse subito un ritardo superiore ai 15 minuti. Tale offerta è stata apprezzata dal mercato, sebbene esponesse l’operatore ferroviario a un rischio finanziario considerevole in caso di ritardo dei treni. Questo rischio, però, è stato mitigato grazie all’implementazione di un sistema di MPF che garantisse un alto livello di affidabilità.

Una volta ridotti al minimo i guasti impattanti, la probabilità di subire ritardi superiori ai 15 minuti risulta molto contenuta. Grazie alle nuove performance ottenute in termini di durata del viaggio e affidabilità del servizio, l’operatore ferroviario ha potuto aumentare le proprie quote di mercato dal 20% al 60%, riducendo i costi operativi di manutenzione ed incrementando i ricavi grazie all’aumento della clientela. Da un punto di vista finanziario, invece, l’intero investimento è stato ripagato dai risparmi di costo, generando anche un flusso di cassa cumulato positivo.

Al netto dei ricavi extra derivanti dalla clientela attratta dal modo aereo, il periodo di payback di questo progetto è risultato essere di 8 anni, il ROI pari al 130% calcolato su 10 anni, il tutto considerando solo i risparmi ottenuti attraverso l’implementazione del sistema di MPF. Conteggiando anche il flusso di cassa aggiuntivo derivante dalla nuova clientela, invece, il periodo di payback si riduce a soli 3 anni. È importante notare che, inoltre, ci sono stati diversi benefici aggiuntivi da un punto di vista trasportistico:

• il servizio ferroviario è diventato più affidabile, migliorando la soddisfazione dell’utenza;
• l’aumentata soddisfazione della clientela ha fatto aumentare la quota di mercato, grazie ad un’affidabilità del servizio del 99,98%;
• estendendo la vita utile degli apparati si sono ridotti drasticamente i costi di manutenzione;
• la riduzione dei costi operativi ha comportato una riduzione delle tariffe, ottenendo quindi un aumento ulteriore dei passeggeri creando un circolo virtuoso;
• il passaggio della domanda dal trasporto aereo a quello ferroviario ha permesso una cospicua riduzione delle emissioni per passeggero trasportato.

____________________________________________________________________________________________

BIBLIOGRAFIA

[1] Levitt, J. , “Complete Guide to Predictive and Preventive Maintenance”. Connecticut, USA, 2011

[2] Sarnataro, A. , “Applicazione di un software relazionale al Sistema informativo della manutenzione”. Ingegneria Ferroviaria, 12/1996.

[3] Corfiati, M. , et al. “Evolution lines in the maintenance of rolling stock”. Ingegneria Ferroviaria, 09/2011.

[4] Agnoli, A. , et al. “The benefits of using Trenitalia’s Tele-diagnostic system while operating and during maintenance of the E464 fleet”. Ingegneria Ferroviaria, 05/2014.

[5] M. Grudén, A. Westman, J. Platbardis, P. Hallbjorner, and A. Rydberg, “Reliability experiments for wireless sensor networks in train environment,” in Proc. Eur. Wireless Technol. Conf., 2009, pp. 37–40.

[6] J. Kim, K. S Lee, and J. Oh, “A study on the wireless onboard monitoring system for railroad vehicle axle bearings using the SAW sensor,” Sens. Syst. Softw., vol. 57, pp. 52–58, 2011.

[7] B. Nejikovsky and E. Keller, “Wireless communications based system to monitor performance of rail vehicles,” in Proc. IEEE/ASME Joint Railroad Conf., Newark, NJ, USA, 2000, pp. 111–124.

[8] P. Wolfs, S. Bleakley, S. T. Senini, and P. Thomas, “An autonomous, low cost, distributed method for observing vehicle track interactions,” in Proc. IEEE/ASME Joint Rail Conf., Atlanta, GA, USA, 2006, pp. 279–286.

[9] C. Gao et al., “Design of train ride quality testing system based on wireless sensor network,” in Proc. Int. Conf. Electron. Mech. Eng. Inf. Technol., Harbin, China, 2011, pp. 2636–2639.

[10] M. Elia et al., “Condition monitoring of the railway line and overhead equipment through onboard train measurement-an Italian experience,” in Proc. IET Int. Conf. Railway Condition Monitor., Birmingham, U.K., 2006, pp. 102–107.

[11] European Structural Integrity Society – Structural Integrity of railway components (pdf).

[12] Hodge, V. , et al. “Wireless Sensors Networks for Condition Monitoring in the Railway Industry: A Survey”. IEEE Transactions on intelligent transportation systems, vol. 16, n° 3, June 2015.

[13] Del Gobbo, G. , et al. “The Telediagnostica System for Trenitalia E646 and E405 fleets”. Ingegneria Ferroviaria, 02/2012.

[14] Umiliacchi, P. et al. , “Predictivem maintenance of railway subsystems using an Ontology based modelling approach”.

[15] L. Wylie, “A Vision of Next Generation MRP II”, Scenario S-300-339, Gartner Group.

[16] OpenFog Reference Architecture for Fog Computing. Source: https://www.openfogconsortium.org .

[17] Steven W. Smith, Chapter 8: The Discrete Fourier Transform, in The Scientist and Engineer’s Guide to Digital Signal Processing, Second, San Diego, Calif., California Technical Publishing, 1999, ISBN 0-9660176-3-3.

[18] http://www.fsnews.it/fsn/Gruppo-FS-Italiane/Trenitalia/Trenitalia-internet-of-things-e-big-data-per-la-manutenzione-dei-treni