Digital Twin: le repliche virtuali in aiuto al mondo reale

È ormai ben avviato, e non ha alcuna intenzione di rallentare, il trend di crescita tecnologica che tra le sue molteplici sfaccettature sta portando a convergere entità reali e digitali.

Difficilmente ormai riusciamo a meravigliarci osservando auto che si guidano da sole, piuttosto che ammirando atleti professionisti, siano essi piloti di Formula1 piuttosto che ciclisti, allenarsi da casa con i loro simulatori.

Al centro di tutto questo ci sono i Digital Twin, rappresentazioni virtuali di processi, logiche o entità fisiche o non fisiche, in grado di replicare all’interno di un mondo parallelo e digitale, le informazioni e le implicazioni proprie del sistema di cui rappresentano appunto la copia virtuale.

Potremmo quindi realizzare il digital twin di:

• una supply chain
• un sistema manifatturiero
• un prodotto
• una città
• un porto
• una persona

Una delle ragioni che rende i Digital Twin uno dei top trend tecnologici è infatti la possibilità di coprire un range di impiegabilità estremamente ampio, consentendo così la rappresentazione di sistemi eterogenei che mirano ad obiettivi assai diversi nei diversi casi.

L’utilizzo di questi modelli previsionali consente tra le altre cose di “validare idee”, testando le stesse in ambiente sicuro, cioè nella simulazione, prima di intervenire sui processi reali.

Se da una parte possiamo ottimizzare la ripartizione delle scorte all’interno di un network distributivo, dall’altra potremmo riuscire a monitorare in tempo reale le prestazioni di una turbina mediante lo scambio di dati real time tra l’oggetto reale ed il suo gemello digitale.

Negli articoli “Network Design – un caso studio” e “Tecnologia digital twin Anylogic per un’azienda nel settore della logistica e del traporto di autoveicoli” abbiamo raccontato come, in progetti passati, abbiamo sfruttato tale tecnologia per effettuare analisi volte ad ottimizzare i processi in esame, andando a prevedere gli esiti di ipotetiche situazioni future che si sarebbero potute presentare in corrispondenza di specifiche variazioni apportate alla struttura del sistema esistente. Tale metodologia di indagine ci ha permesso di ricavare dati quantitativi, ottenuti appunto come risultato della simulazione, a supporto delle considerazioni qualitative precedentemente sviluppate, in modo da efficientare il processo di decision making, minimizzando al contempo i rischi.

Digital Twin ed industria 4.0

Uno degli esempi riportati poche righe sopra ha lasciato trapelare come il binomio tra digital twin ed industria 4.0 risulti particolarmente vincente.

Il punto focale di questo legame è la possibilità che i moderni sistemi offrono di reperire continuamente nuovi dati relativi a molteplici parametri di funzionamento, i quali vanno a costituire una base consistente per alimentare il modello digitale.

La raccolta automatica dei dati, effettuata mediante macchinari, reti di sensori, dispositivi mobili, integrazione con i sistemi informativi aziendali (ERP, DW, WMS, MES) e sorgenti dati esterne all’azienda, consente infatti di alimentare il modello sia impiegando dati ricavati in tempo reale, sia utilizzando dati ottenuti effettuando analisi relative a serie storiche di dati, in relazione alle esigenze che si hanno per lo specifico caso in esame.

Da una parte l’utilizzo dei parametri di funzionamento che un macchinario comunica al suo gemello virtuale per consentirne il monitoraggio delle prestazioni in tempo reale, nonché la possibilità di individuare reattivamente l’insorgere di eventuali inefficienze o guasti, e dall’altra l’utilizzo dei dati storici relativi alla domanda cliente, estratti dall’ERP aziendale, per effettuare analisi che puntano ad ottimizzare i parametri di gestione delle scorte, possono essere esempi pratici che ci permettono di visualizzare le diverse modalità di impiego dei dati che un Digital Twin può gestire.

La continua raccolta e condivisione del dato è al centro dell’industria 4.0.

L’implementazione di un Digital Twin consente di “interpretare” quei dati, che in prima battuta non forniscono alcuna informazione, permettendo di efficientare il funzionamento del sistema in esame, qualunque sia il contesto.

Dove il Digital Twin sta già funzionando

Sono molte le aziende che stanno già sfruttando con successo le potenzialità che la simulazione può offrire. Di seguito riportiamo alcuni esempi che, tra le altre cose, permettono di percepire ulteriormente come questa tecnologia sia effettivamente applicabile nei campi più disparati.

Pfizer, azienda in forte crescita anche grazie alla realizzazione dei vaccini contro Covid-19, utilizza ormai da alcuni anni modelli digitali per effettuare analisi predittive per studi clinici. Basandosi su casi precedenti, utilizza questi strumenti di modellazione predittiva per prevedere come un determinato paziente potrebbe rispondere ad un farmaco sulla base dei suoi parametri personali, per poi utilizzare queste informazioni per effettuare prescrizioni personalizzate.

Fruit of the Loom (FOTL), uno dei maggiori produttori e distributori di abbigliamento degli Stati Uniti, ha impiegato questa tecnologia quando, in fase di espansione, aveva la necessità di determinare se fosse vantaggioso aggiungere un nuovo centro di distribuzione (DC) negli Stati Uniti, piuttosto che ridistribuire i prodotti ad un DC preesistente. A tale scopo è stata quindi modellata l’intera catena di approvvigionamento individuando le posizioni alternative del DC, e verificando come queste influenzavano costi e reti di distribuzione.

CNH Industrial, finanziariamente controllato dalla società di investimento Exor e composta da marchi quali Case, New Holland e Iveco, ha impiegato la simulazione per ottimizzare le politiche di manutenzione della linea relativa alla saldatura del telaio del furgone Iveco. Dal momento in cui lo strumento critico di tale linea ha la peculiarità di richiedere normalmente pochi minuti per la sua sostituzione, contro alcune ore per farlo in caso in cui lo stesso sia eccessivamente danneggiato, è stato realizzato un gemello digitale che monitora e prevede lo stato di salute di questo componente. I dati ricavati tramite il modello digitale permettono di ricavare informazioni dettagliate e dimostrative sull’economia e sulle conseguenze sulla produzione per diverse configurazioni delle politiche di manutenzione, consentendo una significativa riduzione dei tempi di fermo.

Digital Twin, raccomandazioni per l’uso

Quando si procede con l’implementazione di un Digital Twin ci sono alcuni aspetti che è necessario curare con particolare attenzione. In un prossimo articolo parleremo di come, in base alla nostra esperienza, riteniamo opportuno approcciare la realizzazione di un modello digitale.