Nel settore ferroviario e navale gli asset hanno cicli di vita di decenni, sono costantemente in movimento e operano con margini di sicurezza ridotti. Test diagnostici manuali e manutenzione programmata non sono più sostenibili, perché comportano lunghi fermi, costi di magazzino elevati e spesso incapacità di reagire immediatamente. Edge AI e manutenzione predittiva sono un passo concreto per trasformare la manutenzione programmata in un processo data-driven che evita fermi, sprechi e sorprese. In questo articolo teniamo il focus su elettronica, embedded, sensori, automazione e comunicazioni, scoprendo anche alcune novità recenti.
Perché l’Edge AI è essenziale per la manutenzione predittiva in ferrovia e in mare?
Portare l’“intelligenza” vicino alla macchina riduce la latenza, migliora la resilienza in caso di connettività intermittente e permette di agire su parametri di marcia o di propulsione prima che il problema si traduca in un fermo.
Nel 2025 il settore ferroviario inizierà ad adottare FRMCS (Future Railway Mobile Communication System), il successore 5G del GSM‑R. Questa transizione non riguarda solo la banda più larga: FRMCS è pensato per integrare edge computing, diagnostica remota e servizi mission‑critical su frequenze dedicate. Il sistema utilizza bande accoppiate a 874,4–880,0 MHz e 919,4–925,0 MHz e una banda non accoppiata a 1900–1910 MHz. La promessa è un’infrastruttura mobile affidabile che consenta l’automazione della condotta, la videosorveglianza in tempo reale e la trasmissione dei dati dai convogli al cloud senza colli di bottiglia.
Architettura di riferimento: dalla sensoristica al Cloud
L’Edge AI per i trasporti ferroviari e navali non è un algoritmo isolato ma una pipeline completa che va dal sensore all’azione. La catena deve essere deterministica, tracciabile e modulare in modo da isolare gli errori e aggiornare i componenti senza interrompere il servizio.
Una sequenza tipica è:
- Sensoristica e condizionamento: Accelerometri, microfoni, strain‑gauge, sensori di corrente, pressione e temperatura generano segnali analogici. Un front‑end analogico (amplificatori, filtri anti‑aliasing, etc..) garantisce dinamica e rapporto segnale/rumore adeguati.
- Acquisizione deterministica: Microcontrollori (MCU) o microprocessori (MPU) rugged con Real‑Time Operating System (RTOS) gestiscono l’ADC, il buffering DMA e gli interrupt con jitter minimo. La base temporale è allineata con PTP o un ricevitore GNSS per avere timestamp coerenti tra asset e infrastruttura.
- Inferenza edge: I dati vengono filtrati e sottoposti a feature engineering (RMS, kurtosi, envelope, spettri, cepstrum). Modelli leggeri come autoencoder per la rilevazione di anomalie o reti CNN/Transformer 1D per pattern vibro‑acustici generano allarmi “soft”, suggeriscono un derating o cambiano la strategia di marcia/propulsione.
- Gateway e normalizzazione: Un gateway aggrega i messaggi, applica protocolli sicuri (MQTT, OPC UA) e invia solo i risultati sintetici al cloud. Eventuali funzioni di edge orchestration permettono di applicare patch o aggiornare modelli senza interrompere l’elaborazione.
- Cloud e digital twin: In cloud si consolidano dati storici e contesto (stato d’assetto, missione, condizioni ambientali), si aggiorna il gemello digitale dell’asset e si pianificano i ricambi. Il retraining periodico produce versioni di modello più robuste distribuite via aggiornamenti firmati.
Questa architettura consente di minimizzare la latenza per le decisioni locali e contemporaneamente migliorare i modelli nel tempo grazie al feedback del cloud.
Sensori, condizionamento e acquisizione deterministica
La scelta dei sensori dipende dai fault mode da intercettare. Ad esempio, per i riduttori ferroviari o le pompe navali sono indispensabili accelerometri MEMS o IEPE e velocimetri per monitorare vibrazioni a bassa e alta frequenza; l’elaborazione in frequenza (envelope, kurtosi) permette di individuare difetti di cuscinetti o dentature molto prima del guasto. Microfoni e ultrasuoni individuano cavitazione nelle pompe, perdite di aria compressa o anomalie acustiche; sensori di pressione, temperatura e viscostà monitorano l’olio e la lubrificazione; trasduttori di corrente permettono analisi MCSA/ESA sui motori elettrici; strain gauge e sensori di corrosione/umidità proteggono strutture e componenti esposti; LiDAR e telecamere supportano l’ispezione visiva di binari, scafi e spazi di sicurezza.
Il condizionamento analogico deve essere robusto: filtri anti‑aliasing dimensionati sul campionamento, amplificatori low‑noise, alimentazione isolata. I cablaggi devono essere schermati con corretto grounding e, in ambiente marino, tropicalizzati per resistere a nebbia salina e umidità.
Algoritmi edge: estrazione di feature e inferenza locale
L’estrazione di feature a bordo riduce la banda necessaria verso il cloud. Su vibrazioni e correnti si calcolano RMS, kurtosi, crest factor, spettri o cepstrum che riassumono la fisica del sistema. Un autoencoder addestrato su comportamenti “sani” può ricostruire il segnale e misurare l’errore di ricostruzione come indice di anomalia. Reti CNN o Transformer 1D, opportunamente quantizzate (int8) e ottimizzate per l’hardware, permettono di classificare pattern complessi con latenza inferiore a qualche millisecondo. In presenza di dataset limitati, pipeline ibride (feature + ML leggero) offrono robustezza, interpretabilità e basso consumo.
L’inferenza locale deve essere ripetibile e misurata sul worst‑case execution time: un NPU/GPU on‑board accelera l’esecuzione, ma il dimensionamento deve considerare la potenza termica e la latenza massima accettabile. Il software deve gestire priorità, code e watchdog per garantire il fail‑safe.
Il ruolo del Cloud e del digital twin
Il Cloud riceve solo dati sintetici o anomalie, abbattendo i costi di connettività. Lì si conservano storico e contesto, si implementano dashboard di flotta e si alimenta un gemello digitale che simula il comportamento del convoglio o della nave. Il digital twin consente di eseguire scenari “what‑if” virtuali, stimare la vita residua dei componenti, pianificare ricambi e interventi just‑in‑time.
Il cloud gestisce anche il ciclo di vita degli algoritmi: il retraining periodico produce modelli aggiornati, firmati digitalmente e distribuiti via OTA con meccanismi di rollback certo. Le metriche di drift detection (es. errore di ricostruzione per autoencoder) indicano quando è necessario aggiornare il modello. Secure Boot con radice di fiducia in un TPM, doppia partizione e SBOM tracciabile proteggono da aggiornamenti malevoli.
Sensoristica di diagnostica: vibrazioni, acustica, temperature e correnti
La diagnostica predittiva richiede la combinazione di sensori diversi. Su un riduttore ferroviario triassiali MEMS acquisiscono vibrazioni in banda larga per applicare tecniche di envelope e kurtosi; sensori RTD o termocoppie misurano la temperatura per capire se un cuscinetto opera fuori specifica. Trasduttori IEPE a larga dinamica permettono di analizzare vibrazioni a bassa frequenza (sub‑Hz) e alta frequenza (fino a decine di kHz). In ambito navale, microfoni e sensori ultrasonici individuano cavitazione o perdita; sensori di pressione e livello monitorano pompe di zavorra o circuiti idraulici. I sensori di corrente (MCSA/ESA) segnalano squilibri di fase, correnti a terra o problemi di isolamento negli inverter.
Contestualizzare i segnali è cruciale: accelerometri e strain‑gauge montati su scafi o carrelli devono essere fissati rigidamente per evitare risonanze; l’allineamento temporale tramite PTP/GNSS consente di correlare eventi diversi (una vibrazione anomala e un picco di corrente) sullo stesso asse temporale, migliorando l’accuratezza della diagnosi.
Installazione, EMC e affidabilità in ambienti ferroviari e marini
Installare sensori e hardware in ambienti ostili richiede competenze meccaniche, elettriche e materiali. Il montaggio deve garantire contatto rigido con la struttura, evitare staffe risonanti e proteggere i componenti da shock fino a decine di g (tipici dei veicoli ferroviari). I cavi devono essere schermati, con ground su un unico punto per evitare anelli di massa. Le connessioni in mare devono essere marinizzate con guarnizioni IP67/IP69K e materiale anticorrosione.
In questo caso, la compatibilità elettromagnetica (EMC) si gestisce principalmente con layout che prevedono filtraggio su ingressi/uscite e protezioni ESD/Surge conformi a standard IEC/EN. L’alimentazione deve includere DC/DC isolati, filtri common‑mode e supervisioni di tensione. In ferrovia, shock e vibrazioni richiedono prove secondo standard EN 61373, mentre la presenza di polvere ferroviaria e fluidi impone custodie IP.
Manutenzione predittiva su scala flotta
L’Edge AI per ferroviario e navale è efficace quando si integra con una regia di flotta. Ogni asset (convoglio o nave) esegue inferenza locale. Il cloud raccoglie gli eventi di anomalia, correla i dati e ottimizza l’uso delle risorse (manutentori, ricambi, slot di cantiere). Attraverso dashboard di asset analytics è possibile monitorare KPI come MTBF, disponibilità, consumo specifico e impatto ambientale.
Applicazioni in ferrovia: carrelli, riduttori, ispezioni computer vision
Nel contesto ferroviario la manutenzione predittiva trova applicazioni concrete. Su carrelli e riduttori gli accelerometri triassiali e i sensori di temperatura alimentano un pipeline che calcola envelope e kurtosi; un autoencoder addestrato su vibrazioni “sane” individua deviazioni deboli con settimane di anticipo. Gli allarmi consentono di pianificare il fermo, ordinare i ricambi just‑in‑time e ridurre i fermi imprevisti. In deposito, sistemi di computer vision controllano freni, porte e pantografi: fotocamere e algoritmi CNN classificano le immagini in pochi secondi, riducendo le ispezioni manuali.
A livello di flotta, suite come Railigent X o piattaforme UIC integrano i dati dei convogli, propongono priorità d’intervento e suggeriscono profili di marcia energy‑aware. L’obiettivo è passare da un approccio reattivo a uno proattivo e ottimizzato, riducendo OPEX e migliorando la puntualità.
Applicazioni in ambito navale: pompe, propulsione ed energy routing
A bordo nave la pipeline di dati combina vibrazioni, acustica, pressioni e stato d’assetto. Nelle pompe di zavorra o di raffreddamento, un modello edge rileva cavitazione incipiente e invia un evento sintetico; in cloud un digital twin correla il duty cycle, il rollio/beccheggio e lo stato del mare, mentre un ottimizzatore di rotta propone set‑point per ridurre consumo e usura. Nei sistemi di propulsione e ausiliari (alternatori, scambiatori, fuel conditioning), modelli data‑driven riducono i falsi positivi e supportano il miglioramento della Carbon Intensity Indicator (CII). La connettività satellitare LEO consente tele‑assistenza quasi in tempo reale e aggiornamenti OTA frequenti anche in oceano: i pacchetti Starlink “Global Priority” offrono connettività in tutti i continenti e in mare aperto, priorità di rete e IP pubblico dedicato.
Edge computing embedded per ferroviario e navale: determinismo, acceleratori e ciclo di vita del modello
Determinismo, RTOS e hardware rugged
In ferrovia e in mare l’hardware embedded deve garantire determinismo: finestre di campionamento fisse, latenza di inferenza prevedibile e jitter minimo. MCU o MPU rugged con RTOS permettono ISR snelle, DMA con double buffering e code a priorità senza inversioni. L’orologio di bordo deve essere sincronizzato tramite PTP o GNSS con un budget di drift inferiore alle frequenze caratteristiche dei guasti. I dispositivi devono operare con temperature operative estese (‑40 °C / +85 °C), resistere a shock e vibrazioni e offrire protezioni contro polvere e fluidi.
Eppure, anche in sistemi apparentemente deterministici, possono annidarsi fenomeni imprevedibili. Si tratta del lato oscuro dei sistemi real-time: quando il determinismo è un’illusione.
Modelli AI, NPU e prestazioni robuste
L’uso di acceleratori NPU/GPU riduce la latenza di inferenza ma richiede una progettazione basata sul worst‑case execution time, non solo sui benchmark medi. Modelli quantizzati (int8) e pruning riducono la memoria e il consumo. In contesti con SNR elevato e pochi dati etichettati, l’approccio feature + ML leggero consente robustezza e interpretabilità; con dataset ampi e stabili, CNN/Transformer 1D catturano pattern deboli senza violare i vincoli di tempo reale.
Ciclo di vita dei modelli, sicurezza e rollback
Il modello è un’entità vivente: serve versioning, metriche di drift detection (es. tasso di outlier in un autoencoder), test canary/A‑B su una parte della flotta e aggiornamenti OTA firmati digitalmente. Secure Boot basato su TPM o Secure Element impedisce l’esecuzione di codice non autorizzato; l’architettura a doppia partizione con rollback atomico assicura che un update fallito non comprometta la disponibilità dell’asset. Una SBOM (Software Bill of Materials) tracciabile semplifica la gestione delle vulnerabilità.
Progettazione meccanica, termica e EMC
La robustezza dell’hardware dipende dalla dissipazione termica: dissipatori passivi con percorso termico a bassa resistenza, heat spreader integrati nella carpenteria e derating realistico della potenza riducono la temperatura di giunzione. Shock e vibrazioni si mitigano con fissaggi antivibranti e collaudi su profili specifici (EN 61373 per rotabili, MIL‑STD 810 per navale). In ambiente marino sono necessarie vernici conformali (poliuretano o silicone) e connettori marinizzati per prevenire micro‑interruzioni e ossidazione.
La progettazione EMC richiede piani di massa continui, schermi, bonding a bassa impedenza e filtri su alimentazione e segnali. L’alimentazione deve includere DC/DC isolati, filtri common‑mode e protezioni contro sovratensioni, ESD e Surge. La sincronizzazione temporale deve essere dimensionata per garantire coerenza tra asset e infrastruttura.
Connettività 2025: FRMCS in ferrovia e costellazioni LEO in mare
FRMCS – 5G ferroviario e frequenze dedicate
Nel mondo ferroviario la transizione dal GSM‑R al FRMCS rappresenta una svolta. Secondo l’International Union of Railways, FRMCS è destinato a sostituire il GSM‑R come standard internazionale per le comunicazioni ferroviarie
I primi trial “5G Rail” sono stati avviati nel 2020 e le attività di standardizzazione proseguono: oltre alla banda larga, FRMCS porta in campo servizi mission‑critical, funzionalità network slicing e capacità di integrare edge‑computing con un’infrastruttura mobile ferroviaria pensata per i prossimi decenni. Produttori come Nokia hanno annunciato soluzioni FRMCS-ready e i test in laboratorio stanno lasciando spazio a implementazioni pilota.
Costellazioni LEO e kit marittimi per connettività ad alta banda
In mare aperto l’adozione di satelliti LEO (Low Earth Orbit) rivoluziona la connettività. Le costellazioni LEO offrono tempi di latenza molto ridotti e larghezze di banda elevate rispetto ai tradizionali satelliti geostazionari. I pacchetti per l’ambiente marittimo presentati da Starlink offrono piani con priorità di rete e copertura globale, con kit di antenna progettati per essere installati in modo permanente sulle imbarcazioni e resistenti a temperature rigide, caldo afoso, pioggia battente e vento.
Il servizio garantisce connettività in tutti i continenti e in mare aperto, priorità di rete e un indirizzo IP pubblico con dashboard.
Questa connessione a bassa latenza consente tele‑assistenza quasi in tempo reale, aggiornamenti OTA frequenti e integrazione con piattaforme di voyage optimisation per ridurre i consumi e migliorare la sicurezza.
Automazione e oltre: ATO in ferrovia e autonomia incrementale in mare
L’Edge AI per ferroviario e navale, e la connettività di nuova generazione preparano il terreno per l’automazione avanzata. In ferrovia, la combinazione di ETCS/ERTMS e FRMCS apre la strada a sistemi di Automatic Train Operation (ATO) anche fuori dalle metropolitane: marcia ottimizzata, maggiore capacità di linea, riduzione dei consumi e regolarità più elevata. Le suite di asset intelligence integrano diagnostica in tempo reale, pianificazione della manutenzione e ottimizzazione dell’energia. Le normative europee stanno evolvendo per supportare questi scenari.
In mare il paradigma dominante è “assisted/remote first”: flotte di sensori (radar, camere ottiche/IR, occasionalmente LiDAR) fuse con algoritmi AI permettono la percezione degli ostacoli e l’ottimizzazione della rotta. La Yara Birkeland, nave portacontainer da 120 TEU a propulsione elettrica, naviga tra i porti norvegesi di Herøya e Brevik con l’obiettivo di ridurre di 40 000 viaggi annui di camion e servire da prova di concetto per navi completamente autonome.
In agosto 2021 si prevedeva di avviare il controllo remoto entro fine anno, ma le operazioni commerciali sono iniziate nel 2022 e le normative richiedono la presenza di equipaggio a bordo per due anni prima di poter essere considerata per il controllo remoto. Esempi come questo dimostrano che l’autonomia navale sta passando dalla sperimentazione alla realtà, con auto‑docking supervisionato e funzioni via via più automatizzate.
Sicurezza informatica e NIS2: un requisito legale
L’aumento della connettività implica maggiore superficie di attacco. La direttiva europea NIS2 estende l’ambito della cybersecurity alle infrastrutture di trasporto e ai porti, obbligando operatori ferroviari e marittimi a implementare misure di sicurezza “by design”. Gli asset edge devono includere meccanismi di autenticazione forte, segmentazione di rete, monitoraggio continuo e capacità di risposta agli incidenti. Le OTA firmate, il secure boot e la protezione delle chiavi in hardware diventano requisiti normativi oltre che buone pratiche tecniche.
Conclusioni e prospettive future
Edge AI e manutenzione predittiva sono la chiave di volta per trasformare il trasporto ferroviario e navale in sistemi più sicuri, efficienti e sostenibili. Portando l’elaborazione vicino alla macchina si riduce la latenza, si ottimizza l’uso della banda e si reagisce prima che le anomalie si trasformino in guasti. La combinazione di sensoristica avanzata, hardware rugged, algoritmi ottimizzati, digital twin e connettività di nuova generazione crea un ecosistema in cui la manutenzione non è più un costo fisso ma un processo data‑driven. L’adozione di FRMCS e delle costellazioni LEO offre la base infrastrutturale necessaria per servizi mission‑critical e automazione; esempi come la Yara Birkeland dimostrano che l’autonomia incrementale è già realtà in mare. Nel prossimo decennio vedremo una convergenza tra ferroviario e navale su standard comuni di edge computing, cybersecurity e AI, con piattaforme in grado di adattarsi dinamicamente al contesto operativo. L’investimento in queste tecnologie non è più una scelta ma una necessità per garantire competitività, sicurezza e sostenibilità.
