Automazione industriale

Digital twin, come e perché creare una copia digitale della realtà

Il “gemello digitale” è un’immagine più o meno definita di un sistema fisico che permette di simulare e ottenere risposte in un ambiente privo di rischi

Pubblicato il 27 Mar 2020

Luigi Manca

Head of Digital Twin Practice, engineering

enterorise digital twin


Tecnologie emergenti come IoT, AI e tecniche di modellazione avanzata abilitano una rete intelligente, connessa e autonoma di persone, oggetti e servizi, che sintetizzano il concetto di digital twin. Il digital twin è andato oltre il settore manifatturiero, il suo ecosistema tradizionale, ed è diretto verso una serie di business basati sui servizi e sui beni, che vanno dal mondo dell’automotive fino a quello della sanità. Secondo Gartner, il digital twin è tra i 10 Top Strategic Technology Trends che detteranno il futuro modo di lavorare e di prospettare il business.

Che cos’è un digital twin

Le imprese stanno diventando sempre più digitali. Anche se questo processo promette di generare notevole valore, molte aziende e organizzazioni faticano a sfruttare questo potenziale sia a livello operativo che strategico.

Il concetto di digital twin è stato originariamente teorizzato nel 2002, all’Università del Michigan, nel contesto del Product Lifecycle Management (PLM). Anche se la terminologia è cambiata nel tempo, il suo significato è rimasto piuttosto stabile.

Esso si basa sull’idea che un sistema fisico possa essere ricreato in digitale attraverso le informazioni e le logiche che lo caratterizzano. I due sistemi, fisico e digitale, rimangono strettamente accoppiati durante l’intero ciclo di vita ed evolvono insieme.

Le informazioni elaborate dalla copia digitale si configurano come “gemelle” delle informazioni del sistema fisico.

Il vantaggio risiede nel fatto che, in condizioni ideali, qualsiasi informazione che si possa ottenere dall’analisi di un bene o da un processo reale possa essere ottenuta attraverso l’interrogazione del suo gemello digitale. Pertanto, il digital twin è definito come un insieme di informazioni virtuali che descrivono completamente un prodotto, un sistema o un processo fisico, permettendo di valutarne lo stato o il funzionamento attuale e futuro. Questo concetto è applicabile sia a realtà esistenti che in fase di progettazione, siano esse descrivibili a livello micro o livello macchina (ad esempio turbine a gas, macchine CNC, motori), meso o livello fabbrica (ad esempio linee di assemblaggio, impianti di potenza, navi) o macro o livello organizzativo (ad esempio supply chain, reti di distribuzione dell’energia, flotte di trasporto…)

Indipendentemente dal livello di astrazione, un digital twin è un’immagine digitale più o meno definita di un sistema fisico, che aiuta a monitorare e ottimizzare le performance aziendali quasi in tempo reale.

Perché i digital twin sono e diventeranno sempre più importanti

Lo sviluppo dell’industria e della società sta mostrando una complessità sempre maggiore e cicli di innovazione sempre più brevi: gestire l’incertezza sta diventando, per molte imprese, una lotta quotidiana.

In questo contesto, le aziende hanno iniziato a raccogliere quante più informazioni possibili sulla propria attività, nel tentativo di preservare il proprio vantaggio competitivo. La recente diffusione della digitalizzazione ha migliorato notevolmente le capacità di raccolta dei dati. Da un lato ha contribuito a colmare il deficit di informazioni necessarie per affrontare i principali problemi aziendali, dall’altro ha generato nuove sfide legate alla necessità di estrarre il valore potenziale dai dati stessi.

Industry 4.0 abbraccia la digitalizzazione e promuove una visione di fabbrica interconnessa in cui le strutture, i macchinari e gli oggetti sono online, intelligenti e in grado di collaborare in modo integrato. Questo nuovo paradigma descrive ampiamente un ambiente digitale che raccoglie e combina dati provenienti da diverse fonti, per creare un’impresa coordinata che comunichi, analizzi e utilizzi queste informazioni per veicolare ulteriori azioni “intelligenti” nel mondo reale.

Digital twin è la naturale realizzazione di questa visione e impatta l’ecosistema di business su diversi fronti: tecnico, informativo, dei processi e della competitività aziendale. Molte aziende hanno già intrapreso strategie di ecosistema di business digitale con differenti scale di applicazione di digital twin e, che lo sappiano o meno, creando il know-how, l’infrastruttura software e hardware necessari alla sua implementazione.

Quali sono i benefici attesi e il valore aggiunto dei digital twin

Il principale vantaggio di un digital twin si cela all’interno del suo stesso nome: una copia digitale della realtà, dove “vedere”, “pensare” e “agire”, è totalmente privo di rischi. Il concetto di digital twin incapsula un grande potenziale, che si realizza in:

Miglioramento continuo

l’implementazione del concetto di digital twin coinvolge molte altre tecnologie digitali e innovazioni che, a loro volta, possono configurarsi come fattori chiave per innescare futuri miglioramenti aziendali.

Predittività

impiegando diverse tecniche di modellazione (matematica o basata su simulazione o, ancora, su dati, etc.) il digital twin può essere utilizzato per prevedere lo stato futuro di asset aziendali rilevanti, così come l’impatto di eventuali criticità (ad esempio, interruzioni di servizio o malfunzionamenti di vario genere).

Analisi di scenario (what-if)

attraverso interfacce utente correttamente progettate, è facile interagire con il sistema digital twin e testare diversi scenari per identificare le migliori azioni da implementare nel sistema reale.

Visibilità

il gemello digitale migliora la visibilità relativa al funzionamento di macchine o altri asset aziendali, nonché di più grandi sistemi interconnessi (ad esempio, un impianto di produzione o un aeroporto).

Conoscenza

il digital twin può essere utilizzato come strumento di comunicazione e documentazione, per comprendere e spiegare i comportamenti di uno o più sistemi.

System Integration

se progettato correttamente, il digital twin può connettersi con altre applicazioni aziendali per estrarre i dati necessari al suo funzionamento, soprattutto in contesti come le operations di una supply chain, tra cui: produzione, approvvigionamento, gestione dei magazzini, trasporto e logistica, assistenza sul campo, ecc.

Disruptive business models

il digital twin non solo potenzia i modelli di business tradizionali, ma ne abilita anche di nuovi, come quelli basati su concetti di “servitization”, in cui la conoscenza circa lo stato di salute di un asset e la corretta pianificazione delle attività di manutenzione sono fondamentali per garantire un livello di servizio adeguato.

Quali sono le sfide da affrontare

Il concetto di digital twin offre grandi opportunità. Tuttavia, una serie di sfide devono essere adeguatamente affrontate per coglierne appieno i benefici promessi.

Connettività: molte potenziali applicazioni del concetto di digital twin non fanno riferimento ad asset statici. Fornire connettività in tempo reale a oggetti in movimento potenzialmente costante o situati in aree remote può rivelarsi una sfida. Inoltre, affinché questa connettività costante restituisca un reale valore, sono richieste una larghezza di banda e una potenza di calcolo non indifferenti.

Hardware: un progetto digital twin può richiedere un numero più o meno significativo di sensori connessi la cui gestione comporta tempi di installazione e manutenzioni complesse.

Lunghi cicli di vita: molti asset per cui sarebbe utile sviluppare un digital twin sono caratterizzati da un lungo ciclo di vita, che generalmente si estende ben oltre la validità dei software proprietari utilizzati per il loro design, simulazione o analytics. Ciò significa che una cauta selezione delle tecnologie da utilizzare diventa un vero fattore critico di successo nel lungo periodo.

Risorse umane: le competenze richieste per lo sviluppo e la gestione di digital twin necessitano di investimenti in un’adeguata formazione del personale preposto. D’altro canto, l’utilizzo efficace di questa metodologia, alterando il paradigma di lavoro in alcune aree aziendali, innesca rilevanti opportunità di crescita per il personale, che diviene attore della trasformazione digitale.

Sicurezza: nel loro naturale funzionamento, i digital twin accumulano dati, capitale intellettuale e quindi valore per le aziende. È quindi importante garantire la sicurezza dei sistemi di gestione dei dati per evitarne la perdita o il danneggiamento.

Quali sono le tecnologie abilitanti dei digital twin

I digital twin non sono pensati per funzionare sulla base di una singola tecnologia, ma richiedono che molte soluzioni lavorino all’unisono. Il digital twin si poggia infatti su tre pilastri principali, resi possibili dai recenti sviluppi tecnologici: connettività, digitalizzazione, intelligenza artificiale.

Connettività

Sensori: i sensori catturano i segnali che consentono al digital twin di acquisire dati operativi e ambientali. Una rivoluzione in questo campo è stata l’emergere della tecnologia MEMS (Micro-Electro-Mechanical- Systems) che ha drasticamente ridotto il prezzo di molti sensori standard.

Big data: i dati operativi e ambientali, raccolti dai sensori, vengono aggregati e combinati con altri dati dell’azienda. Negli ultimi anni i costi relativi alla capacità di memorizzazione

e di calcolo necessari per gestire questi grandi database sono stati ridotti, rendendoli

accessibili anche alle piccole e medie imprese.

IoT: i sensori comunicano i dati al mondo digitale attraverso la tecnologia di integrazione (che include edge computing, interfacce di comunicazione e sicurezza) tra il mondo fisico e il mondo digitale e viceversa.

Digitalizzazione

Simulation modeling: il lato “digitale” del digital twin è un’applicazione che combina i componenti precedentemente descritti (connettività, Big data e IoT) in un modello digitale, allineato quasi in tempo reale con i sistemi che riproduce. Le tecnologie per realizzare questi modelli digitali dipendono dalla natura dei sistemi stessi: mentre un componente meccanico può essere simulato utilizzando tecniche basate sulla fisica e sulla matematica (CFD e FEM), un sistema più complesso, come una linea di produzione, può essere modellato utilizzando tecniche agent- based-modeling o ad eventi discreti.

Data-driven modeling: analogamente ai modelli di simulazione, anche i modelli basati su dati (DDM) concorrono a definire il lato “digitale” del digital twin. Contrariamente ai modelli di simulazione che richiedono la conoscenza del funzionamento del sistema reale, i DDM prendono in prestito tecniche matematiche e statistiche avanzate per analizzare i dati che caratterizzano un sistema e trovare relazioni tra input e output. Negli ultimi anni, accanto ai modelli di simulazione, anche i DDM stanno sempre più attirando l’attenzione, a causa dell’elevata quantità di dati resa disponibile dalla rapida diffusione di sensori avanzati e tecnologie di raccolta dati

Intelligenza artificiale

Intelligenza artificiale (AI): l’intelligenza artificiale consente alle macchine di imparare dall’esperienza, adattarsi a nuovi input ed eseguire attività simili a quelle umane. Grazie ai recenti sviluppi tecnologici, concretizzatisi nella capacità di raccogliere ed elaborare grandi quantità di dati, l’AI può effettivamente percepire l’ambiente, analizzare le situazioni e identificare le decisioni migliori per raggiungere l’obiettivo predefinito. L’intelligenza artificiale può essere impiegata a diversi livelli del digital twin per garantire migliori prestazioni in condizioni di incertezza.

Analytics: le tecniche di data analytics vengono utilizzate per analizzare e visualizzare, tramite algoritmi, le informazioni raccolte dai sensori. In questo modo aiutano a scoprire, interpretare e comunicare andamenti significativi nei dati in modo da poter prendere decisioni efficaci. Grazie ai progressi nel machine learning, sono emerse numerose applicazioni di analytics, che a loro volta consentono di acquisire informazioni quantitative e qualitative sui fattori che influenzano il business.

Attuatori: se nel sistema reale è richiesta un’azione, l’intelligenza artificiale sottostante il digital twin la riproduce mediante “attuatori” sottoposti al controllo umano, che innescano il processo fisico. L’azione riguarda sia le decisioni operative, come quelle necessarie in un sistema di controllo dinamico, che quelle di carattere più strategico o organizzativo.

Quali applicazioni può avere un digital twin

Tra i primi esploratori delle tematiche digital twin si annoverano i più noti leader della trasformazione digitale (Amazon, Alibaba, Facebook e Google), che hanno introdotto il concetto di “profilo digitale” per i propri clienti (una variante del digital twin, basata su una copia digitale dell’individuo piuttosto che di asset inanimati). Queste aziende curano, analizzano e costantemente aggiornano i profili digitali, traendo profitto dalla concessione dei dati prodotti.

Se si prende invece in considerazione la più generale e diffusa nozione di digital twin, altre grandi aziende (come Tesla, Ford, Airbus, Caterpillar, GE, Siemens, ABB e Bosch) hanno abbracciato questa metodologia per accrescere la loro leadership nel settore. La tecnologia digital twin trova infatti ambiti applicativi in diversi settori:

Manifattura: digital twin promette di rivoluzionare l’attuale aspetto del settore manifatturiero. Questa applicazione impatta significativamente sul modo in cui i prodotti sono progettati fabbricati e mantenuti, rendendo la produzione più efficiente ed efficace.

Trasporti: i digital twin possono essere utilizzati, ad esempio, nel settore automobilistico per creare modelli virtuali di veicoli connessi: catturando i dati comportamentali e operativi del veicolo, aiutano ad analizzarne e migliorarne le prestazioni generali.

Retail: una particolare attenzione alla customer experience è fondamentale nel settore delle vendite al dettaglio. L’implementazione del digital twin può svolgere un ruolo chiave per migliorare l’esperienza del cliente, creando copie virtuali dei clienti stessi e usandoli per testare l’effetto di diverse campagne. I digital twin aiutano anche a pianificare al meglio le attività in-store, l’implementazione della sicurezza o la gestione energetica dei locali.

Sanità: i digital twin, grazie ai dati generati dall’internet delle cose (IoT), possono svolgere un ruolo chiave nel settore dell’assistenza sanitaria: dai risparmi sui costi alla fornitura di assistenza sanitaria personalizzata.

Smart Cities: la pianificazione e l’implementazione delle augmented city con digital twin e IoT contribuiscono a migliorare lo sviluppo economico, la gestione efficiente delle risorse, la riduzione dell’impronta ecologica e ad aumentare la qualità generale della vita di un cittadino. Il modello digital twin può aiutare gli urbanisti e i responsabili delle politiche nella pianificazione della città acquisendo i dati da vari sensori e sistemi intelligenti. I dati dei digital twin aiutano anche a prendere decisioni nell’implementazione di nuovi servizi.

Industrial IoT: le aziende industriali che hanno implementato la tecnologia digital twin possono monitorare e controllare i loro sistemi in modo digitale. Oltre ai dati operativi, i gemelli digitali acquisiscono dati ambientali come posizione, configurazione, modelli finanziari, che aiutano a prevedere possibili anomalie valutando, al contempo, possibili azioni correttive in un ambiente privo di rischi.

Differenze e analogie tra modelli e di simulazione e digital twin

Il simulation modeling è un approccio al problem solving che mira a riprodurre in un ambiente virtuale il comportamento di un sistema dinamico, anche non lineare. Funziona come un banco di prova digitale in cui è possibile valutare ex-ante diverse strategie e politiche su un orizzonte temporale simulato.

Data questa definizione, è facile trovare un naturale collegamento con il digital twin che ne estende, in chiave più moderna, il concetto e l’applicabilità. Possiamo quindi elencare alcuni fattori che aiutano a distinguere un modello di simulazione da un digital twin:

Simulation To-Be vs As-Is: il simulation modeling consente a chi deve prendere decisioni in azienda di valutare se l’esito di tali decisioni sia in linea con quanto atteso o se, invece, dia luogo a comportamenti controintuitivi, non prevedibili a priori. L’obiettivo principale di un modello di simulazione è perciò quello di esplorare, in modo rapido e sicuro, possibili scenari futuri. Contrariamente, digital twin nasce soprattutto per identificare in anticipo deviazioni non desiderate rispetto alle condizioni ottimali, permettendo la loro correzione in un più breve orizzonte temporale.

One-time built vs continuous evolution: il simulation modeling viene generalmente sviluppato per rispondere a esigenze di miglioramento ad-hoc di un particolare sistema o processo; eventuali

estensioni sono implementate nel caso nuove funzionalità si rendano necessarie. Il digital twin, viceversa, ha un approccio più olistico e la sua implementazione è un’azione continua, che evolve nel tempo.

Focus singolo vs focus multiplo: il simulation modeling è disegnato per rispondere a una serie di domande specifiche e supportare una-tantum processi decisionali specifici. I digital twin si rivolgono invece a utenti diversi, con diversi ruoli, e coprono quindi punti di vista più ampi come quelli relativi a manutenzione, funzionamento, strategia o vendite.

Offline vs online: l’attività di simulation modeling viene generalmente eseguita offline, in modo tale che le logiche e i dati necessari vengano raccolti una volta, a uso e consumo della specifica analisi per cui il modello viene costruito. Al contrario, digital twin è disegnato per raccogliere ed elaborare i dati in modalità continua e online, per consentire all’utente di accedere allo stato As-Is e aggiornare le previsioni e le analisi.

Analisi vs azione: il simulation modeling restituisce una risposta dettagliata e accurata del sistema o del processo a particolari condizioni o eventi (scenario), sia nel passato che nel futuro. Digital twin, non solo fornisce questa funzionalità, ma può anche suggerire possibili azioni ed, eventualmente, attuarle.

Logic based vs data intensiveness: il simulation modeling viene generalmente disegnato sulla base delle logiche intrinseche relative al comportamento di un sistema o di un processo. I digital twin invece non solo tengono conto di queste logiche, ma non possono prescindere dai dati che governano il funzionamento dei sistemi fisici che rappresentano.

Stand-alone vs connectivity: i modelli di simulazione sono solitamente installati sulle macchine di ciascun utente e la loro esecuzione non richiede integrazione con altri sistemi o applicazioni. Al contrario, tecnologie come cloud, edge computing e IoT sono indispensabili per realizzare in modo efficace un digital twin.

Valuta la qualità di questo articolo

M
Luigi Manca
Head of Digital Twin Practice, engineering

Articoli correlati

Articolo 1 di 5