Ricerca: Development of a framework to support proactive and prescriptive maintenance decisions of safety related components for traction rollingstock
L’ambito della ricerca è il monitoraggio delle condizioni di integrità degli asset ferroviari, nello specifico lo studio dei metodi di diagnostica predittiva (PHM Prognostics and System Health Management) per la valutazione dello stato di manutenzione di un veicolo ferroviario. L’obiettivo della ricerca è di realizzare un framework che collega lo stato di integrità dell’asset alla vita utile di un set dei suoi componenti. La previsione della vita residua utile del componente viene collegata alla valutazione del rischio connesso al suo fallimento. La misura del rischio è l’indicatore che supporta il gestore dell’asset nel decidere quando e come eseguire attività di manutenzione al veicolo. Le informazioni rilevanti per alimentare il modello di decisione derivano dalla definizione dei componenti più rilevanti rispetto alla sicurezza ed alla disponibilità, in relazione al modello di esercizio. I componenti vengono individuati attraverso la scomposizione funzionale del veicolo, l’analisi del loro impatto in termini di sicurezza, disponibilità e costo di riparazione e/o sostituzione.
Dalle analisi delle serie storiche dei guasti, casi reali, e dalle clausole RAMS di progetto, sono stati individuati per lo studio quattro componenti: sala montata, disco del freno, guarnizione del freno e pantografo. Di questi componenti vengono svolte le analisi FMECA, dalle quali precedere a collegare le metriche di guasto con il modello di esercizio al fine di definire algoritmi di previsione del loro modo d’usura. Nella studio si fa ricorso a modelli di analisi dei dati basati su machine learning, con reti neurali informate dalla fisica, analisi delle immagini dei guasti con metodi di reti di convoluzione e l’uso di LLM per l’analisi dei rapporti di lavoro. Per fornire un metodo di supporto alla decisione, i risultati delle analisi vengono collegati allo studio delle cause dei guasti, metodo FRACAS, eseguite da personale esperto e confrontate con quanto ottenuto tramite il supportato di metodi di analisi dei dati, via machine learning ed LLM. Ciò consentirà di realizzare e calibrare una interfaccia standard di supporto alla decisione, un modello di manutenzione prescrittiva. Tramite il modello di decisione sarà possibile avere una valutazione automatica della migliore decisione di manutenzione da prendere da parte del gestore della flotta, sulla base di una attuazione dinamica della valutazione del rischio, modello di esercizio e costi di manutenzione. Il framework costruito definisce le relazioni tra funzioni di degrado, e potrà considerare anche la loro mutua interazione. Consente di introdurre ulteriori componenti, a seconda dell’impatto che esso ha nella architettura del veicolo e rispetto al modello di esercizio; quindi, si pone l’obiettivo di essere scalabile per diversi tipi di veicoli o asset.