01
Prevenzione
Anticipa anomalie e guasti monitorando il degrado dei componenti nel tempo.
IoT · Dati · AI per le flotte
Automotive Predictive Maintenance
APM sviluppa una piattaforma di manutenzione predittiva per aiutare flotte aziendali e trasporto pubblico locale a prevenire guasti, ridurre costi operativi e migliorare la continuità del servizio.
Un nuovo modello per la gestione intelligente delle flotte
APM nasce per colmare il divario tra la quantità di dati generati dai veicoli connessi e il loro utilizzo operativo nella manutenzione. Co-finanziato dal Ministero delle Imprese e del Made in Italy (MIMIT) nell'ambito del bando Accordi per l'innovazione, il progetto adotta un approccio basato sull'ingestione in streaming dei dati provenienti da centraline automotive CAN FMS (SAE J1939) connesse a dispositivi IoT (OBU) di bordo. Il flusso dati viene mediato e normalizzato (modulo DataLane) e storicizzato in un Datalake (Kafka/TimescaleDB/Hadoop), consentendo a modelli di Machine Learning di analizzare anomalie e stimare la vita utile residua (RUL) dei componenti critici delle flotte.
02
Efficienza
Ottimizza interventi, disponibilità dei mezzi, consumi e continuità operativa.
03
Scalabilità
Gestisce volumi crescenti di dati con un’architettura pronta per Big Data e AI.
Obiettivi di sviluppo
Tre direttrici chiare per portare la manutenzione predittiva dalle sperimentazioni alla gestione quotidiana delle flotte.
↗
Ridurre fermi e costi
Pianificare gli interventi in modo proattivo, limitando manutenzioni impreviste e indisponibilità dei veicoli.
◎
Supportare le decisioni
Fornire indicatori interpretabili a tecnici, gestori di flotta e operatori del trasporto pubblico.
♻
Migliorare sostenibilità
Favorire un uso più efficiente dei mezzi, con potenziali benefici su consumi ed emissioni.
Come funziona
La piattaforma combina raccolta dati, modelli di machine learning e componenti AI-ready per creare un ciclo continuo di monitoraggio, previsione e ottimizzazione.
Raccolta dati veicolari
Dati ad alta frequenza acquisiti tramite dispositivi IoT connessi alle centraline automotive.
Analisi predittiva
Algoritmi ML individuano pattern, anomalie e segnali di degrado dei componenti.
Decisioni human-centric
Dashboard e alert supportano operatori e responsabili nella scelta dell’intervento migliore.
Ottimizzazione continua
L’architettura Big Data consente di migliorare modelli e processi al crescere dei dati disponibili.
Roadmap e Obiettivi Realizzativi (OR)
La pianificazione dello sviluppo del progetto APM, strutturata secondo le fasi di Ricerca Industriale (RI) e Sviluppo Sperimentale (SS) e gli 8 Obiettivi Realizzativi del piano di lavoro.
RI
Mesi 1 - 18
Ricerca Industriale
Fase incentrata sull'analisi iniziale dei contesti aziendali e TPL, sulla definizione dei requisiti e sulla modellazione dei metodi di manutenzione predittiva.
OR1
Fincons
Analisi scenario & requisiti dominio aziendale
L'OR ha lo scopo di analizzare l'environment al fine di ottenere un assetto dati che permetta l'elaborazione di data model e la definizione dei flussi di comunicazione degli stessi.
OR2
Aton
Analisi scenario & requisiti dominio TPL
L'OR prevede l'analisi dei dati e delle soluzioni hardware e software utilizzate nel dominio TPL e la definizione delle specifiche per la comunicazione tra provider di TPL e datalake del progetto.
OR3
UniMiB
Manutenzione predittiva nel dominio aziendale
L'OR prevede la definizione di metodi per la manutenzione predittiva in ambito flotte aziendali e la definizione di analitiche finalizzate alla creazione di un ambiente di dati completo, affidabile e coerente, considerando le differenze meccaniche tra mezzi a combustione ed elettrici.
OR4
Sapienza
Manutenzione predittiva nel dominio TPL
L'OR prevede la definizione di metodi per la manutenzione predittiva in ambito TPL e la definizione di analitiche finalizzate a creare un ambiente di dati completo, affidabile e coerente.
SS
Mesi 12 - 36
Sviluppo Sperimentale
Fase focalizzata sulla progettazione delle infrastrutture, sullo sviluppo dei modelli di Machine Learning, sulla progettazione della dashboard e sullo sviluppo del backend.
OR5
Sapienza
Infrastruttura IoT, Datalake & realizzazione POC
L'OR prevede la progettazione e la POC di una infrastruttura IoT per la gestione dei dati del TPL, consistente di due componenti principali: un gateway e un datalake.
OR6
UniMiB
Progettazione del modello di ML
L’OR è organizzato in due macro attività: analisi dello stato dell’arte relativo a modelli di ML per la manutenzione predittiva di flotte aziendali, definizione della metodologia per la gestione dei dati, addestramento e riaddestramento; implementazione, ottimizzazione e valutazione in ambiente controllato.
OR7
Aton
Interfacce di gestione della piattaforma APM
L’OR prevede la progettazione di un applicativo Web che permetta di visualizzare e gestire le informazioni sulla flotta. Attraverso tale applicativo sarà possibile consultare le analisi del modello di ML.
OR8
Fincons
Implementazione microservizi & backend
L'OR prevede lo sviluppo e l'installazione della componente di backend, dell'IoT gateway, del Datalake e del Metadata Repository.
I Partner del Progetto
Il consorzio unisce eccellenze industriali e istituzioni di ricerca scientifica per combinare competenze tecnologiche, operative e accademiche.
ATON IT
Interfacce, Frontend & UX/UI
Presente sul mercato ICT dal 2014, Aton Informatica S.r.l. offre specifiche competenze applicative, sistemistiche e consulenziali. All'interno del progetto APM, Aton guida lo sviluppo sperimentale delle interfacce (OR7), gestendo l'architettura dell'informazione, lo UI Kit, i mockup interattivi ad alta fedeltà e l'implementazione della Dashboard in React, testata mediante il framework Jakob Nielsen.
Fincons Group
Backend, IoT Gateway & Datalake
Con 40 anni di storia e oltre 2600 collaboratori nel mondo, Fincons è una primaria società di consulenza IT e system integration. In APM è responsabile dell'analisi dello scenario aziendale (OR1) e dello sviluppo del backend (OR8), realizzando l'architettura a microservizi in cloud, l'IoT Gateway (MQTT), il Metadata Repository e l'integrazione e monitoraggio della propria flotta aziendale (con numero di veicoli da rilevare).
UniMiB
Modelli ML & Coordinamento Scientifico
L'Università degli Studi di Milano-Bicocca partecipa con il Dipartimento di Informatica, Sistemistica e Comunicazione (DISCO) e il laboratorio INSID&S. Sotto il coordinamento del prof. Andrea Maurino (responsabile scientifico del progetto), UNIMIB cura la modellazione concettuale per la flotta aziendale (OR3), lo sviluppo dei modelli predittivi ML/Deep Learning (OR6) e la definizione delle metriche di data quality.
Sapienza Roma
Analitiche TPL & POC IoT/Datalake
La Sapienza Università di Roma partecipa con il Dipartimento di Ingegneria Informatica, Automatica e Gestionale "Antonio Ruberti" (DIAG) e il DASIlab. Sotto la direzione del prof. Massimo Mecella, Sapienza è responsabile della modellazione predittiva nel dominio del TPL (OR4) e dello sviluppo del POC dell'infrastruttura IoT e del Datalake (OR5) con tecnologie NoSQL, Kafka e TimescaleDB.
MIMIT
Il progetto APM (Automotive Predictive Maintenance) è cofinanziato nell’ambito degli Accordi per l’innovazione (Secondo Sportello) del Ministero delle Imprese e del Made in Italy (MIMIT), con un budget totale ammissibile di €6.162.250,00 volto a stimolare la digitalizzazione, la sostenibilità e la transizione verde della mobilità aziendale e pubblica.
Risorse del progetto
Una struttura minimale ispirata ai siti di progetto: documenti, aggiornamenti e canali di contatto possono essere aggiunti man mano che il progetto evolve.
P
Piattaforma
Descrizione dei moduli, delle funzionalità e degli scenari di utilizzo.
N
News
Aggiornamenti su rilasci, milestone, sperimentazioni e risultati.
D
Documentazione
Materiali tecnici, schede informative e risultati divulgativi.
FAQ e Approfondimenti
Risposte alle domande più frequenti sugli obiettivi tecnici, le tecnologie implementate e i partner coinvolti nel progetto APM.
A cosa serve APM?
A trasformare i dati dei veicoli in previsioni utili per anticipare guasti, programmare interventi e mantenere il servizio operativo delle flotte in tempo reale.
Quali tecnologie utilizza?
Combina sensori IoT di bordo, protocolli standard automotive, architetture Big Data (Kafka, Datalake NoSQL, TimescaleDB, Hadoop) e algoritmi di intelligenza artificiale per l'analisi predittiva e l'usabilità human-in-the-loop.
Chi può beneficiarne?
Gestori di flotte aziendali, operatori del trasporto pubblico locale, manutentori e organizzazioni che gestiscono veicoli connessi che desiderano ridurre i costi operativi e le emissioni.
Quali sono le flotte reali coinvolte nella sperimentazione?
Il progetto analizza dati reali provenienti da tre contesti operativi principali: la flotta aziendale di Fincons (per il dominio corporate, con un numero di veicoli da rilevare nel corso della sperimentazione), la flotta di COTRAL S.p.A. (circa 1600 autobus extraurbani alimentati a diesel e CNG) e la flotta di ROMA TPL S.c.a.r.l. (circa 500 autobus urbani, con elettrificazione progressiva di 400 mezzi).
Come viene garantita la privacy dei dati delle flotte aziendali?
La privacy è garantita da un'architettura decentralizzata basata su Federated Learning (Apprendimento Federato). Ciascuna flotta allena i propri modelli predittivi localmente, e solo i pesi (i parametri matematici del modello di ML) vengono scambiati con un nodo centrale per la generalizzazione, impedendo la condivisione diretta di dati sensibili industriali o operativi.
Quali parametri diagnostici e dati veicolari vengono rilevati?
I dati vengono letti direttamente dalle centraline tramite protocollo standard CAN FMS (SAE J1939) e includono parametri vitali come velocità, giri motore, temperatura del liquido di raffreddamento, pressione e temperatura pneumatici, voltaggio e stato della batteria (SOC/SOH per veicoli elettrici ed ibridi), consumi, allarmi diagnostici di bordo (DTC - Diagnostic Trouble Codes) e dati accelerometrici.
Quali modelli e algoritmi di Intelligenza Artificiale sono implementati?
La piattaforma implementa un approccio ibrido: Anomaly Detection non supervisionata (con isolation forest e autoencoder) per rilevare deviazioni anomale senza etichette di guasto preesistenti; Supervised Learning e Deep Learning (reti neurali LSTM, CNN-LSTM, TCN e Transformers) per analizzare serie temporali complesse; e modelli di sopravvivenza (Kaplan-Meier, Cox regression, Random Survival Forest) per stimare la vita utile residua (RUL - Remaining Useful Life) dei componenti critici.
Qual è l'impatto ecologico di APM e come rispetta il principio DNSH?
Il progetto rispetta il principio DNSH (Do No Significant Harm) promuovendo la sostenibilità ambientale: la riduzione dei guasti e dei fermi macchina porta a un uso efficiente dei veicoli con un risparmio del 20-30% di carburante/elettricità, riduzione delle emissioni inquinanti e riduzione dello smaltimento precoce di componenti ad usura (freni, lubrificanti ed accumulatori).
Contatti
Sezione pronta per essere collegata a un indirizzo email, un CRM o un backend. In questa versione il form è statico.