Tecniche di Machine Learning per il monitoraggio della linea di potenza ferroviaria

Con l’avvento dell’intelligenza artificiale, il monitoraggio di infrastrutture come ponti, grattacieli e linee ferroviarie, è diventato un tema di forte interesse ingegneristico. Posizionando dei sensori in punti strategici della struttura, è possibile acquisire periodicamente delle misure che permettono di valutarne lo stato di salute. L’elevato numero di sistemi di misura, congiuntamente ai lunghi tempi di monitoraggio, comporta la generazione di un’enorme mole di dati che necessita di particolari algoritmi per essere gestita e sfruttata proficuamente. L’azienda RFI, gestore di gran parte dell’infrastruttura ferroviaria italiana, porta avanti da anni progetti di ricerca in collaborazione con le università, allo scopo di migliorare la qualità e la sicurezza del servizio offerto ai passeggeri ma anche di ridurre i costi di gestione. Nel 2020 ha avuto inizio il progetto con l’Università di Bologna di sensorizzare la linea e di strutturare delle tecniche di monitoraggio atte a rilevare la presenza di eventuali anomalie e a stimare il livello di usura del filo di contatto. Quest’ultimo obiettivo risulta essere particolarmente importante per l’azienda poiché permetterebbe di programmare con precisione la sostituzione del filo o intervenire tempestivamente in caso di un comportamento anomalo. Le tecniche oggetto di questo elaborato afferiscono a quella branca del vasto del mondo del machine learning nota come “apprendimento non supervisionato”, la cui caratteristica distintiva è quella di operare senza conoscere a priori le possibili anomalie. Questi algoritmi risultano particolarmente utili in una prima fase esplorativa, quando ancora non si conosce il sistema da monitorare e si ha la necessità di rilevare una serie di possibili eventi anomali.