AI trasparente per la manutenzione predittiva: il caso MetroPT-3

Intelligenza Artificiale Spiegabile (Explainable AI, XAI) sta progressivamente emergendo quale fattore abilitante per l’adozione efficace di soluzioni di manutenzione predittiva (PdM) nei settori critici, tra cui il trasporto pubblico. In ambito ferroviario e metropolitano, i guasti imprevisti a componenti vitali possono determinare l’immediata indisponibilità del veicolo e, conseguentemente, significativi disservizi per l’utenza. Un caso emblematico è rappresentato dall’Air Production Unit (APU) installata sul tetto dei convogli della metropolitana di Porto: tale unità alimenta diversi sottosistemi, tra cui le sospensioni secondarie, deputate a mantenere l’assetto orizzontale del veicolo indipendentemente dal numero di passeggeri a bordo. L’APU è soggetta a sollecitazioni continue lungo l’intero arco della giornata e, in assenza di ridondanza funzionale, il suo guasto comporta l’immediato ritiro del treno dal servizio per le necessarie riparazioni. Tali malfunzionamenti, spesso non rilevabili attraverso i criteri manutentivi tradizionali basati su soglie predefinite, possono determinare un impatto sistemico sulla regolarità del servizio: basti considerare che nel solo anno 2017 oltre 170 corse della metropolitana di Porto furono cancellate a seguito di guasti riconducibili a questa tipologia. (Veloso, Gama, et al. 2022). Per le aziende di trasporto pubblico – frequentemente riconducibili alla sfera della Pubblica Amministrazione (PA) – la transizione da un paradigma di manutenzione reattiva a uno predittivo basato su dati (cd. data-driven) costituisce una condizione strategica per l’ottimizzazione dell’affidabilità e la riduzione dei fermi non pianificati. Tuttavia, l’impiego di modelli di machine learning (ML) per l’automazione delle decisioni manutentive si scontra con una diffusa diffidenza, riconducibile alla natura opaca di molti algoritmi, spesso percepiti come “scatole nere”. In ambito pubblico, tale opacità risulta particolarmente problematica, in quanto i gestori degli asset e i decisori istituzionali richiedono motivazioni trasparenti per legittimare le scelte operative e garantire accountability. In questo contesto, le tecniche di XAI risultano fondamentali per calibrare la fiducia degli utenti nei modelli di intelligenza artificiale (AI), fornendo insight sul processo decisionale dei sistemi di ML (Kucher, Zohrevandi, e Westin 2025). Come evidenziato da (Cummins et al. 2024) in una recente rassegna, l’aggiunta di spiegabilità nei sistemi di PdM permette agli operatori umani di fidarsi delle previsioni mantenendo al contempo alte prestazioni dei modelli. XAI offre gli strumenti per unire accuratezza e trasparenza, condizione essenziale affinché la PA adotti soluzioni di AI in ambiti critici e di pubblica utilità. Il caso di studio alla base dell’analisi presentata in questo lavoro si fonda sull’utilizzo del dataset MetroPT-3, reso disponibile sull’UCI Machine Learning Repository da (Davari et al. 2021). Esso è stato raccolto per supportare lo sviluppo di modelli di PdM, rilevamento di anomalie e stima della vita utile residua (cd. Remaining Useful Life, RUL) applicati ai compressori di bordo mediante tecniche di ML e deep learning. Il dataset consiste in una serie temporale multivariata composta da 15.169.480 istanze, campionate a 1 Hz durante il periodo compreso tra febbraio e agosto 2020, acquisite tramite sensori analogici e digitali installati sull’unità di compressione dell’aria di un treno metropolitano. In particolare, il dataset comprende 15 variabili, suddivise in 7 segnali analogici e 8 digitali. Sebbene il dataset non sia etichettato, sono disponibili quattro intervalli temporali noti nei quali si sono verificati guasti – in particolare, perdite d’aria –, documentati tramite report di manutenzione forniti dall’operatore. Queste informazioni consentono di utilizzare il dataset come benchmark per valutare le prestazioni di algoritmi di failure prediction, rilevamento di anomalie e stima della RUL in scenari industriali reali. La registrazione dei dati è stata effettuata da un dispositivo embedded installato a bordo, capace di monitorare il comportamento temporale del sistema e registrare eventi critici in tempo reale. Nel contesto del presente lavoro, il dataset MetroPT-3 sarà utilizzato per sviluppare e confrontare modelli predittivi sia interpretabili che black-box, applicare tecniche XAI, tra cui SHAP e LIME, al fine di evidenziare i benefici decisionali apportati dalla XAI per la PA.