Monitoraggio dello stato dei motori degli autobus urbani mediante l’analisi dell’olio usato usando PCA e clustering K‑Means

Perché l’olio del motore degli autobus racconta una storia importante

Gli autobus urbani lavorano molto: avanzano a rilento nel traffico, restano al minimo alle fermate e percorrono molte ore ogni giorno. Tutto questo stress si ripercuote sui loro motori, e l’olio che li mantiene in funzione registra tutto ciò che avviene al loro interno. Questo studio mostra come leggere le “impronte” lasciate nell’olio motore usato possa rivelare quali autobus sono in buona salute, quali stanno subendo usura e quali potrebbero avviarsi verso problemi — con molta più precisione rispetto al semplice controllo del contachilometri.

Da un semplice conteggio dei chilometri a una cura più intelligente

Per decenni, la maggior parte delle flotte ha deciso quando cambiare l’olio contando i chilometri. Ma la guida urbana è complessa. Due autobus possono percorrere la stessa distanza vivendo condizioni molto diverse: uno scorre su strade libere, un altro si trascina nel traffico con fermate e ripartenze continue. Ricerche precedenti hanno mostrato che in queste condizioni il solo chilometraggio spesso non riesce a prevedere quanto l’olio sia effettivamente “affaticato”. Questo lavoro affronta il problema trattando l’olio non come un semplice consumo, ma come una ricca fonte di dati su come ogni motore sta realmente invecchiando.

Trasformare l’olio usato in dati

Gli autori hanno analizzato 165 campioni di olio usato provenienti da una flotta municipale usando lo stesso tipo di spettrometri a infrarossi comuni nei laboratori industriali. Si sono concentrati in dettaglio su un olio ampiamente usato, Lukoil 10W40, per ridurre la confusione dovuta a formulazioni diverse. Per ogni campione hanno misurato la viscosità a due temperature, il grado di acidità o basicità, il livello di ossidazione o reazione con i gas di combustione, la quantità di fuliggine e carburante entrati nell’olio e la presenza di particelle metalliche microscopiche — dal ferro al rame e al piombo — sospese nel fluido. Hanno anche monitorato i livelli degli additivi protettivi, come zinco, fosforo e calcio, che si esauriscono gradualmente nel tempo.

Osservare l’invecchiamento dell’olio all’interno di motori reali

L’analisi di una variabile alla volta ha confermato un andamento noto: mantenendo lo stesso riempimento d’olio, il fluido si addensa gradualmente, diventa più acido e accumula più prodotti a base di zolfo e azoto, mentre la sua capacità di neutralizzare gli acidi diminuisce. Tuttavia alcune relazioni attese si sono indebolite nelle condizioni del mondo reale. Sorprendentemente, gli oli con più ore di servizio non mostravano sempre più metalli da usura; in questa flotta hanno addirittura mostrato una debole correlazione negativa con la distanza percorsa con quel riempimento. La ragione probabile è il comportamento umano: gli autobus in migliore stato meccanico possono avere intervalli di cambio olio più lunghi, mentre i motori che destano preoccupazione vengono sottoposti a manutenzione prima, modificando la semplice idea che “più chilometri significhino più metalli nell’olio”.

Individuare gruppi nascosti di comportamento dei motori

Per scoprire pattern più profondi, il team ha trattato tutte queste misure insieme usando due tecniche statistiche capaci di trovare struttura in dati complessi. Prima hanno usato un metodo che comprime dozzine di misure correlate in poche “assi” sottostanti che descrivono l’invecchiamento chimico complessivo, l’usura metallica e la perdita di additivi. Poi hanno alimentato queste descrizioni compresse in un metodo di clustering che raggruppa campioni simili. Dal groviglio sono emersi quattro profili chiari: un gruppo di autobus urbani soggetti a fuliggine e invecchiamento chimico legati al traffico stop‑and‑go; un gruppo di motori nuovissimi nella fase di rodaggio che perdono quantità insolitamente elevate di rame e altri metalli; un gruppo di motori maturi che operano in un regime relativamente stabile e ben mantenuto; e un singolo autobus anomalo il cui olio mostrava contaminazione estrema e squilibrio degli additivi, compatibile con un problema noto di perdita d’olio.

Trasporre i pattern in decisioni di manutenzione

I ricercatori sono andati oltre addestrando un semplice modello di apprendimento automatico a riconoscere questi gruppi solo dalle misure dell’olio e a evidenziare quali misure contassero di più. Questo ha confermato che ciò che distingue davvero i profili non è quanto l’autobus abbia percorso, ma lo stato chimico dell’olio — segnali di ossidazione, acidità, fuliggine, metalli e la salute degli additivi chiave. Nel complesso, questi risultati suggeriscono che le flotte possono allungare in sicurezza gli intervalli di cambio olio per motori più vecchi e stabili, accorciarli per i motori nuovi durante la delicata fase iniziale e segnalare rapidamente gli autobus con contaminazioni anomale, anche quando indicatori di base come la viscosità sembrano ancora accettabili.

Cosa significa questo per i passeggeri quotidiani

Per i passeggeri, questo tipo di controllo sulla salute tramite l’olio è invisibile, ma i suoi effetti non lo sono. Ascoltando ciò che l’olio usato rivela, le agenzie di trasporto possono passare da calendari fissi a manutenzione basata sulle condizioni, rilevando problemi prima, evitando cambi olio non necessari e prolungando la vita dei motori. Il messaggio centrale dell’articolo è semplice: il liquido scuro drenato da un autobus è più di un rifiuto — è un rapporto diagnostico. Leggerlo con attenzione può rendere gli autobus urbani più affidabili, la manutenzione più efficiente e il tragitto quotidiano un po’ più sicuro.

Citazione: Duarte, M.O., Margalho, L.M., Gołębiowski, W. et al. Monitoring the condition of city bus engines by analysing used oil using PCA and K-Means clustering. Sci Rep 16, 9392 (2026). https://doi.org/10.1038/s41598-026-39045-x

Parole chiave: analisi dell’olio motore, manutenzione flotte di autobus, manutenzione basata sulle condizioni, salute dei motori diesel, manutenzione predittiva