Tecniche di ispezione ferroviaria e processo di V&V per l’infrastruttura di trazione elettrica mediante l’impiego di Intelligenza Artificiale

Abstract

Questa tesi esplora una tecnica innovativa e il relativo processo di verifica e validazione (V&V) per l’ispezione e il monitoraggio della linea di contatto ferroviaria mediante intelligenza artificiale (AI). Il lavoro si concentra sulla progettazione, implementazione e valutazione del Pantograph–Catenary Inspection System sviluppato da Hitachi Rail, che integra telecamere robuste, edge computing e algoritmi di deep learning in tempo reale per rilevare anomalie come pendini rotti, arco elettrico e deviazioni geometriche del contatto.

Basandosi su una revisione strutturata della letteratura, il sistema è stato concepito per soddisfare requisiti operativi, funzionali e di cybersicurezza, con gestione centralizzata dei dati tramite la piattaforma Hyper Mobility Asset Expert (HMAX) di Hitachi Rail. Installazioni sul campo e test di calibrazione hanno dimostrato la fattibilità di un monitoraggio continuo in condizioni complesse, incluse gallerie e variazioni di illuminazione.

Le attività di V&V sono state condotte in conformità alle norme EN 50126, EN 50716 ed EN 50129, con l’uso di KPI come precisione, richiamo, matrici di confusione e robustezza in diversi scenari. I risultati hanno confermato un’elevata accuratezza nel rilevamento dei componenti più comuni, pur evidenziando criticità per difetti rari e contesti a bassa visibilità.

Il confronto con tecnologie alternative, quali sistemi basati su sensori e treni diagnostici, ha mostrato i punti di forza della soluzione in termini di scalabilità, costo-efficacia e installazione diretta su convogli in servizio. Questi elementi collocano il sistema come opzione realistica e performante, capace di colmare il divario tra piattaforme di ispezione precise ma costose e l’esigenza di monitoraggio frequente e in tempo reale

Abstract This thesis investigates a novel technique and its verification and validation (V&V) process for railway catenary inspection and monitoring using artificial intelligence (AI) technology. The study focuses on the design, implementation, and evaluation of the Panto-graph–Catenary Inspection System developed by Hitachi Rail, which integrates rugged cameras, edge computing, and real time deep learning algorithms to detect anomalies such as snapped droppers, arcing, and contact geometry deviations. Building on a structured literature review, the Pantograph–Catenary Inspection System was designed to meet operational, functional, and cybersecurity requirements, with centralized data management supported by the Hitachi Rail Hyper Mobility Asset Expert (HMAX) platform. Field installations and calibration tests demonstrated the feasibility of continuous monitoring under diverse conditions, including tunnels and variable illumination. V&V activities were conducted aligned with EN 50126, EN 50716, and EN 50129 standards, employing and investigating KPIs such as precision, recall, confusion matrices, and robustness across environments. Results confirmed high detection accuracy for common components, while identifying challenges in rare defect classes and low-visibility contexts. Benchmarking against alternative technologies, sensor-based systems and diagnostic trains highlighted the Pantograph–Catenary Inspection System’s strengths in scalability, cost-effectiveness, and deployability on service trains, positioning it as a feasible and per-forming solution bridging the gap between high-precision but costly inspection platforms and the need for frequent, real-time monitoring. The findings provide both technical validation and comparative insights, offering a foundation for further development, certification, and deployment of AI-driven Pantograph–Catenary Inspection Systems within modern railway infrastructure.