L’applicazione dell’Intelligenza Artificiale nei trasporti garantisce un effettivo vantaggio competitivo per le organizzazioni che realizzano i macchinari e gestiscono le infrastrutture, poiché, tramite l’implementazione di modelli di business innovativi e l’ottimizzazione delle operations, consente alle aziende di affrontare in maniera appropriata le nuove sfide dell’economia ai tempi del Covid-19.
Perché scegliere l’intelligenza artificiale nei trasporti
Come sottolineato dal CEO di Revelis – Salvatore Iiritano durante la Connect for transportation call for partners organizzata da PWC – “affrontare la fase 2 coniugando produttività e riduzione dei costi dovrebbe essere l’obiettivo delle aziende per poter ripartire più forti di prima”. Per riuscire in questa impresa in un momento così critico, è fondamentale implementare soluzioni di Big Data Analytics che, attraverso tecniche di Machine Learning e Deep Learning, combinate con meccanismi di ragionamento automatico, consentono di sfruttare il valore strategico della grande quantità di informazioni disponibili, tramite funzionalità per:
- l’acquisizione di flussi di dati eterogenei
- la previsione di fenomeni, ed in particolare dei guasti
- la profilazione di comportamenti degli utenti e degli stati di funzionamento dei macchinari
- la pianificazione ottimizzata degli approvvigionamenti di materie prime e dei turni delle lavorazioni
- il monitoraggio in tempo reale di sistemi e infrastrutture di trasporto
- l’analisi multidimensionale delle informazioni
L’Intelligenza Artificiale rende disponibili modalità di analisi delle informazioni finora sconosciute, abilitando un fattivo supporto alle decisioni che, combinato con logiche di automazione dei processi, consentono un radicale cambiamento delle dinamiche delle grandi organizzazioni, consentendo da un lato la riduzione di costi ed errori legati ad attività di routine, e dall’altro l’impiego delle risorse umane su tematiche più interessanti e sfidanti.
Connect for transportation call for partners organizzata da PWC
La manutenzione predittiva nei trasporti
Una delle applicazioni più interessanti dell’Intelligenza Artificiale nei trasporti è rappresentata dalla manutenzione predittiva, che, partendo da una previsione del tempo residuo di funzionamento (“tempo al guasto”) di componenti critici (ad esempio le porte della carrozza di un treno o il sistema frenante di un’auto), consente di procedere alle attività di manutenzione e riparazione in tempo utile per evitare il fermo del mezzo (manutenzione predittiva treno, manutenzione predittiva auto), garantendo una gestione ottimizzata delle risorse coinvolte nelle attività di manutenzione (magazzino dei componenti di ricambio, personale addetto alle riparazioni).
La manutenzione predittiva si contrappone alla manutenzione “reattiva”, che prevede la riparazione solo a rottura avvenuta, ed alla manutenzione “preventiva”, che prevede interventi ad intervalli di tempo costanti, indipendentemente dallo stato di usura dei componenti e dell’effettivo rischio di guasto. E’ evidente che il cambio di paradigma apportato dalla manutenzione predittiva determina una drastica riduzione dei costi nonché la massimizzazione dei tempi di esercizio degli impianti.
Ma come funziona esattamente?
Grazie alla diffusione dell’Internet of Things, che consente di disporre di sensori sempre più sofisticati e connessi, i mezzi di trasporto (treni, auto) possono trasmettere in tempo reale stream di dati inerenti la misurazione di una serie di parametri fisici e meccanici che rappresentano la “fotografia” dello stato di funzionamento del mezzo stesso.
Questi data stream:
- sono acquisiti su sistemi di storage big data
- vengono usati da potenti motori induttivi per addestrare modelli di machine e deep learning volti all’individuazione di anomalie
- vengono sottoposti ad elaborazione direttamente a bordo del mezzo (“edge computing”), applicando in tempo reale i modelli indotti
L’esito dell’applicazione dei modelli è l’individuazione di un’anomalia, che può essere meglio analizzata tramite l’uso di tecniche di spiegazione dei fenomeni o explanation, fino ad arrivare alla previsione del tempo residuo di vita dei componenti interessati, e conseguentemente alla previsione dei guasti.
I risultati delle previsioni del guasto costituiscono l’input per effettuare l’ottimizzazione delle officine di riparazione, sia in termini di personale da allocare che in termini di pezzi di ricambio da rendere disponibili.
FaultPredictor: la soluzione di Revelis per la manutenzione predittiva
Revelis offre una soluzione di manutenzione predittiva basata sulla propria piattaforma Rialto™ che implementa il processo descritto al paragrafo precedente, abilitando:
- il monitoraggio dei dati acquisiti dai sensori a bordo del mezzo di trasporto
- l’acquisizione e l’elaborazione di data stream
- l’addestramento di modelli di anomaly detection
- l’explanation dei fenomeni
- l’ottimizzazione dei processi di riparazione
La soluzione proposta sfrutta inoltre un motore di ragionamento automatico, che lavora in maniera complementari ai modelli induttivi, consentendo un controllo di scenari di guasto “canonici”, tramite la definizione dinamica di regole per il riconoscimento di scenari di malfunzionamento.
La soluzione FaultPredictor può essere applicata, oltre che nel settore dei trasporti, anche in altri ambiti applicativi industriali. Revelis dispone dell’expertise necessario per la verticalizzazione della soluzione, allo scopo di renderla aderente alle necessità dei propri clienti; si tratta di un percorso nel quale i data scientist di Revelis applicano le più moderne metodologie di gestione dei progetti e di analisi dei dati, nonché approcci DevOps, per consentire al cliente finale di raggiungere i propri progressivamente i propri obiettivi, valutando in itinere i risultati e sfruttando appieno il valore di business contenuto nei dati.
