Il progetto RAIL-D nasce con l’obiettivo di trasformare la manutenzione ferroviaria, passando da un approccio reattivo a uno predittivo. Attraverso l’integrazione di algoritmi di Machine Learning e Deep Learning, combinati con tecniche di Data Augmentation e vincoli fisici “physics-informed”, è stato sviluppato un sistema capace di analizzare i dati multi-sensoriali provenienti dai treni diagnostici e prevedere in anticipo le aree di potenziale degrado. La piattaforma utilizza un ensemble di modelli (Random Forest, XGBoost e LSTM) che, lavorando in sinergia, hanno raggiunto un’accuratezza vicina al 90% nella previsione dei guasti, riducendo sensibilmente i falsi allarmi e migliorando la pianificazione degli interventi. Un aspetto innovativo è l’uso di dati sintetici generati con vincoli ingegneristici realistici, che ha permesso di arricchire i dataset di addestramento e potenziare la robustezza del sistema. Inoltre, lo sviluppo di digital twin consente di simulare scenari evolutivi dell’infrastruttura, offrendo uno strumento di supporto strategico per gestori e operatori. I risultati ottenuti dimostrano un impatto concreto: anticipazione dei guasti fino a due mesi prima, riduzione dei costi di manutenzione e maggiore affidabilità del servizio. RAIL-D rappresenta così un passo importante verso una ferrovia più sicura, efficiente e digitale, contribuendo alla mobilità sostenibile del futuro.
case-studies
RailD – Rail Detection
Approccio e metodologia
Il progetto RAIL-D è stato concepito per ridefinire il paradigma della manutenzione ferroviaria, superando l’approccio tradizionale basato sul semplice intervento a guasto e introducendo strumenti predittivi di nuova generazione. Il cuore dell’iniziativa risiede nell’integrazione di modelli di Machine Learning e Deep Learning con tecniche di Data Augmentation e principi “physics-informed”, che permettono di fondere l’analisi dei dati con vincoli e comportamenti fisici reali delle infrastrutture. In questo modo i flussi informativi raccolti dai treni diagnostici non vengono soltanto registrati, ma trasformati in insight dinamici e contestualizzati. La piattaforma si basa su un ensemble di algoritmi eterogenei – come Random Forest, XGBoost e LSTM – che operano in sinergia, sfruttando le rispettive peculiarità per rendere le previsioni più affidabili. Il ricorso a dati sintetici generati attraverso vincoli ingegneristici realistici consente inoltre di ampliare i dataset disponibili, rafforzando la capacità del sistema di adattarsi a scenari complessi e situazioni rare. A questo si aggiunge lo sviluppo di digital twin, veri e propri gemelli digitali dell’infrastruttura, che permettono di simulare diverse evoluzioni nel tempo e di testare strategie di manutenzione in un ambiente virtuale prima della loro applicazione sul campo.
RAIL-D adotta un approccio integrato che combina Machine e Deep Learning (Random Forest, XGBoost, LSTM) con dati multi-sensoriali e tecniche “physics-informed”, arricchite dall’uso di digital twin. Grazie a dati aumentati e simulazioni, il sistema garantisce previsioni più accurate, robuste e affidabili, a supporto della manutenzione predittiva
Personale coinvolto nel progetto
4
Specialisti
Tempo di realizzazione
10
Mesi
Tecnologie utilizzate
- AWS Bedrock
- AWS Forecast
- Database vettoriale
- Python
50
%
Predizione
-90
%
Accuratezza previsione dei guasti
2
Mesi di anticipo medio previsione guasti
Entra in contatto con il
Gruppo Abacus
Contattaci
Compila il form di seguito e inserisci le informazioni contrassegnate da un asterisco (*). Questo ci aiuterà a fornirti la migliore risposta possibile.