Big Data

Trasporti: predictive analytics e AI per la sicurezza

Come la capacità di predittiva permette di cambiare il risk management nell’ambito della logistica e dei trasporti ottimizzando le risorse e mitigando i fattori di rischio

07 Mag 2020

La sicurezza e l’affidabilità sono requisiti fondamentali per il funzionamento dei trasporti, a qualunque livello: che si tratti di trasporto pubblico locale o di spostamenti intercontinentali, che si tratti di servizi rivolti ai cittadini o di logistica. Se fino a oggi questo tema è stato affrontato soprattutto in maniera teorica, grazie a studi e ricerche e alla programmazione degli interventi, l’intelligenza artificiale può dare un contributo centrale per spostare l’attenzione sul monitoraggio in tempo pressoché reale delle infrastrutture e su una previsione dei problemi basata sui dati: grazie ai predictive analytics, in altre parole, sarà possibile ottenere due risultati: garantire il massimo della sicurezza razionalizzando i costi.

Senza contare che c‘è un terzo elemento decisivo da tenere in considerazione, che rappresenta un valore aggiunto importante: le stesse tecnologie digitali dell’intelligenza artificiale e nello specifico dei predictive analytics possono essere utili anche per migliorare i trasporti in ogni loro aspetto, non soltanto nella sicurezza, ma più ad ampio raggio sull’efficienza e sulla soddisfazione dell’utente finale.

Manutenzione predittiva dei sistemi di trasporto: da reattiva a proattiva

Il punto centrale del nuovo approccio basato sulla manutenzione predittiva dei sistemi di trasporto parte dal concetto di una manutenzione che si trasforma, e che passa dall’essere “reattiva” all’essere “proattiva”. In un settore in cui ogni blocco di un servizio rischia di causare disagi economici e danni particolarmente gravi per utenti e clienti, evitare i downtime vuol dire anche saper organizzare nel modo migliore la pianificazione, la gestione e la manutenzione dei sistemi: in questo l’intelligenza artificiale, che si basa sull’analisi dei dati, può giocare un ruolo da protagonista, che si tratti del trasporto aereo di passeggeri o del trasporto merci su gomma o via mare. Si tratta in definitiva di ottimizzare gli asset e le infrastrutture basandosi sulle informazioni che si accumulano man mano che il sistema procede nel suo funzionamento – dati strutturati e non strutturati – passando gradualmente dalla capacità di rispondere tempestivamente a un problema a quella di riuscire a prevederlo e quindi a prevenirlo, riducendo così al minimo i danni per le persone e per il business.

Questo porterebbe, oltre che a un risultato in termini di sicurezza, anche a un vantaggio competitivo per le aziende che utilizzano l’intelligenza artificiale, grazie in primo luogo alla maggiore soddisfazione degli utenti che utilizzano servizi più efficienti e puntuali.

Ridurre al minimo i rischi

Una delle conseguenze più gravi della cattiva manutenzione delle infrastrutture di trasporto è la possibilità che possano verificarsi incidenti, mettendo a rischio l’incolumità delle persone o l’integrità dei carichi trasportati. L’intelligenza artificiale, anche attraverso la manutenzione predittiva, può ridurre al minimo questo genere di rischi, riuscendo a individuare in anticipo le criticità e inviando un alert in tempo reale a chi dovrà risolvere il problema prima che sia troppo tardi.

Predictive maintenance: la case history di Taiwan Speed Rail Corporation

Un esempio della manutenzione predittiva applicata ai trasporti è quello della Taiwan Speed Rail Corporation, Thsrc, che utilizza soluzioni software firmate Ibm per la gestione e la manutenzione della propria linea ferroviaria di alta velocità, che collega il Paese da Nord a Sud trasportando ogni giorno nella massima sicurezza migliaia di passeggeri. I convogli di Thsrc sono in grado di viaggiare a 300 km orari, collegando Taipei a Kaohsiung in meno di 90 minuti rispetto alle oltre 4 ore impiegate dalle ferrovie tradizionali. Ma l’efficienza di un sistema di questo genere, dove tutti i tempi di reazione si riducono drasticamente, dipende in modo molto diretto da una manutenzione attenta e dalla riparazione in tempo reale di migliaia di componenti nelle stazioni e sui treni, dai vagoni ai sistemi di segnalazione, fino al sistema di comunicazione. Mettere a punto un sistema di tracciamento intelligente e un sistema di manutenzione efficace è quindi un elemento centrale per il successo di questo genere di servizio, e per la soddisfazione degli utenti finali. Ma l’esempio hi-tech dell’azienda di trasporti taiwanese è solo un aspetto indicativo di un approccio che potrebbe essere particolarmente efficace per tutti i player coinvolti nel mondo dei trasporti, che si tratti di una municipalizzata che vuole garantire puntualità e sicurezza ai propri utenti o di un’impresa della logistica che vuole ottenere il massimo dalla propria flotta, coniugando nel modo migliore efficienza e sicurezza.

Predictive maintenance: la case history di McCarran International

Altro esempio virtuoso dell’utilizzo dell’intelligenza artificiale nel campo dei trasporti, stavolta su versante del miglioramento della user experience e della customer satisfaction, è quello dell’aeroporto internazionale McCarran di Las Vegas, considerato dalle rilevazioni i J.D.Power il primo al mondo in termini di soddisfazione degli utenti. Lo scalo della città del Nevada ha scelto il software di Ibm per controllare da un unico dashboard tutti gli asset dell’aeroporto, dalle operations per i teminal alle facilities, fino agli assi IT, come i server, le componenti di rete e i singoli personal computer.

Gestione dei rischi nei trasporti: cosa cambia dalla manutenzione programmata a quella predittiva

Gli interventi di manutenzione affidati a una programmazione standard e poco flessibile evidenziano due problemi principali: da una parte spesso i problemi possono presentarsi per cause non prevedibili e non legate alla durata media di un componente, e dall’altra la manutenzione programmata potrebbe portare a sostituire parti meccaniche ancora in buono stato, e che avrebbero ancora continuato a svolgere bene il proprio lavoro. Da un altro punto di vista, una rottura che avvenga prima del periodo programmato potrebbe causare danni collaterali particolarmente gravi, come un blocco prolungato del servizio o di una parte di esso, oltre a eventuali danni a persone o cose.
Grazie alla manutenzione predittiva basata sull’intelligenza artificiale queste due eventualità possono essere scongiurate e si possono pianificare gli interventi di manutenzione in tempo reale e a seconda delle effettive necessità, prima che i problemi si presentino, interpretando i segnali di sofferenza che arrivano dai mezzi o dalle reti. Si tratta di una rilevazione statistica che si avvicina molto al tempo reale, e che può essere tenuta sotto controllo grazie a un unico pannello di controllo, che rende di semplice lettura per gli addetti ai lavori un insieme di complessità di informazioni che provengono direttamente dai sensori sul campo, per consentire loro di mettere a punto e decidere le migliori strategie per la manutenzione.
Un ruolo centrale in questa strategia è ovviamente giocato dai sensori, che sono in grado di rilevare i parametri di comportamento dei singoli mezzi e dei singoli componenti, apprendendo grazie al machine learning e lanciando un alert ogni volta che si verifica una situazione preoccupante per la sicurezza. Ogni allarme arriverà al personale sul Pc, ma anche su smartphone e tablet, illustrando anche i migliori suggerimenti per risolvere il problema nel modo migliore in termini di efficienza e convenienza.

Risk management nei trasporti: sicurezza e costi razionalizzati

Sostituire un componente che sta per rompersi è generalmente molto più conveniente che sostituirlo dopo che ha smesso di funzionare, e ha magari causato un blocco o anche danni collaterali al macchinario o al sistema in cui opera. Questo è importante in primo luogo per la sicurezza, ma anche per l’ottimizzazione dei costi degli interventi. Soprattutto perché l’interruzione di un servizio di trasporto comporta un costo, spesso particolarmente alto, che può essere azzerato se alla logica della riparazione dopo una rottura si riesce a sostituire quella dell’intervento poco prima che la rottura si verifichi, con un atteggiamento proattivo verso le esigenze della manutenzione. L’utilizzo dell’analisi dei big data attraverso l’intelligenza artificiale porterà così a una riduzione importante dei costi di manutenzione.

@RIPRODUZIONE RISERVATA
Argomenti trattati

Aziende

I
IBM

Approfondimenti

P
predictive maintenance

Articolo 1 di 5