Maintenance-aware scheduling tool for train fleet

The railway sector plays an important role in modern transportation since it provides millions of people worldwide with an efficient and sustainable means of transport. For this reason, the safety and reliability of trains are topics which require particular attention for effective and safe train services. In order to guarantee these services, it is fundamental that maintenance activities are performed correctly. When scheduling a train fleet it is necessary to consider the maintenance requirements and perform the right maintenance plan. Considering those requirements, advanced decision support is needed, envisioning the use of a blend of technologies that may be applied to this end, amongst them artificial intelligence techniques and operations research methods. Initially, this thesis focuses on artificial intelligence as one the most powerful techniques used in industry nowadays; therefore, this thesis analyses in detail which AI methods are used in the railway industry and proposes a solution to fill the gaps found in the literature. Thereafter, considering the gaps identified and the interest to focus more on fleet scheduling, operations research methods have been particularly investigated. The suggested solution includes the development of a tool based on an integer linear programming model to support train fleet scheduling and maintenance decision-making. This tool is then tested on a real case situation with data coming directly from the field thanks to the collaboration with a leading company in the railway field, operating as Entity in Charge of Maintenance. From different tests, it comes out that this tool could be a very powerful innovative digital solution for the rail industry filling some gaps found in the literature.

Il settore ferroviario ricopre un ruolo fondamentale nel trasporto contemporaneo, fornendo a milioni di persone in tutto il mondo un mezzo di trasporto efficiente e sostenibile. Per questo motivo, la sicurezza e l'affidabilità dei treni sono argomenti che richiedono particolare attenzione per garantire servizi efficienti e sicuri. Di conseguenza, la corretta esecuzione delle attività di manutenzione risulta fondamentale. Quando si pianifica una flotta di treni è necessario considerare i requisiti di manutenzione ed eseguire il piano di manutenzione corretto. Considerando tali requisiti, è necessario un supporto decisionale avanzato che preveda l'uso di una combinazione di tecnologie che possono essere applicate a tal fine, tra cui tecniche di intelligenza artificiale e metodi di ricerca operativa. Inizialmente, questa tesi si concentra sull'intelligenza artificiale come una delle tecniche più potenti utilizzate nell'industria al giorno d'oggi; analizza in dettaglio quali sono i metodi di intelligenza artificiale utilizzati nell'industria ferroviaria e propone una soluzione per colmare le lacune presenti in letteratura. Successivamente, considerando le lacune individuate e l'interesse a concentrarsi maggiormente sulla pianificazione della flotta, vengono analizzati nel dettaglio i metodi di ricerca operativa. La soluzione suggerita include lo sviluppo di uno strumento basato su un modello di programmazione lineare intera per supportare la pianificazione della flotta ferroviaria e il processo decisionale di manutenzione. Questo strumento viene poi testato in una casistica reale con dati provenienti direttamente dal campo grazie alla collaborazione con un'azienda leader nel settore che opera come Entity in Charge of Maintenance. Nei vari test condotti, è emerso che questo strumento potrebbe essere una soluzione digitale innovativa e molto potente per l'industria ferroviaria, in grado di colmare alcune lacune riscontrate in letteratura.