Digital Twin, un pilastro della trasformazione digitale

Industry 4.0

,

Digital Advisory

Digital Twin, un pilastro della trasformazione digitale

Francesco Belloni | set 28, 2020

Il Digital Twin è uno dei più interessanti e rappresentativi esempi di Digital Transformation, dove a un oggetto viene associata una sua replica virtuale alimentata con dati in tempo reale e dotata di intelligenza - ma è anche un concetto soggetto a molteplici interpretazioni, che tendono a confonderne l’applicazione pratica.

Proviamo con questo articolo a raccontarvi la nostra visione sul Digital Twin, anche tramite alcuni esempi concreti disegnati con i nostri clienti tramite il Design Thinking e implementati per loro.

 

Definizione e caratteristiche di un Digital Twin

Le definizioni di Digital Twin sono molteplici in letteratura (su Wikipedia stessa potete trovarne un’ampia selezione).

Le date in cui compare per la prima volta questo concetto possono stupire: già nel 2002 Michael Grieves del Florida Institute of Technology ha applicato il concetto di digital twin al settore manifatturiero come modello concettuale sottostante al Product Lifecycle Management.

Tutte le definizioni di Digital Twin sono accomunate da tre elementi distintivi:

  • Il Digital Twin è una replica virtuale di un elemento fisico potenziale o attuale (Physical Twin), come un asset, un processo, una persona, un luogo, un sistema o un device
  • La replica virtuale contiene gli elementi chiave e le dinamiche di come un elemento fisico opera ed evolve nel corso del suo ciclo di vita, definiti in base agli obiettivi del Digital Twin
  • Viene stabilita una connessione tra elemento fisico e replica virtuale tramite lo scambio dati real-time, raccolti da sensori sull’elemento fisico e inviati alla replica virtuale

Possiamo sintetizzare in questo modo:

Il Digital Twin integra IoT, Intelligenza Artificiale, Machine Learning e Analytics con una rappresentazione grafica e/o spaziale per creare dei modelli di simulazioni digitali e viventi che si aggiornano e cambiano quando cambia la loro controparte fisica.

Un Digital Twin apprende e si aggiorna in continuo tramite dati real-time provenienti da sensori sull’asset fisico per rappresentare le condizioni operative, ambientali e di lavoro in near real-time.

Il Digital Twin apprende:

  • da se stesso, tramite i dati acquisiti
  • da esperti dotati di una profonda conoscenza di dominio
  • da altri asset simili

Inoltre, integra e utilizza i dati storici per affinare le sue simulazioni.

 

Architettura di un Digital Twin

L’architettura tipica di un Digital Twin è composta da 3 layer:

  1. Un layer connettività tramite IoT, SCADA o Historian (vuoi sapere le differenze? Leggi il nostro articolo sul confronto tra Historian e IoT)
  2. Un layer di Modellistica e Simulazione, che può essere costituito dalle più svariate soluzioni: simulatori settoriali (termodinamici, fluidodinamici, chimici, etc), Artificial Intelligence, etc.
  3. Un layer di Insights e Visualization, realizzabile tramite interfacce web, strumenti di Analytics fino ad arrivare alla Mixed Reality

Questi 3 layer sono completati da un “Learning Feedback”, che consente di utilizzare i dati storici e il feedback degli esperti per migliorare il comportamento del Digital Twin e la fedeltà della replica del Physical Twin.

Architettura a 3 layer di un Digital Twin

Quali sono le applicazioni pratiche del Digital Twin?

 

Virtual Metering: stime di grandezze non misurabili

Utilizzando i dati di campo è possibile stimare una misura che non si è in grado di misurare direttamente sull’elemento fisico per motivi economici, di posizionamento, scarsa accuratezza degli strumenti disponibili o altro. 

Ipotizziamo un vecchio scambiatore, inserito in una linea di preriscaldo della carica. Per via dell’ingombro e della difficoltà a raggiungere la sezione, è difficoltoso installare i sensori di temperatura sulla serpentina interna dello scambiatore. Con il Digital Twin è possibile determinare la temperatura pur non avendo una misura diretta, ricostruendola tramite un modello matematico dello scambiatore alimentato con le altre misure, come portate e temperatura dell’altro stream.
La stima di questa temperatura fornisce quindi preziose indicazioni sul grado di efficienza puntuale dello scambiatore ed evidenzia eventuali hot spot dannosi per l’efficienza energetica, informazioni altrimenti non derivabili.

 

3D Model: integrazione di dati real-time su un modello 3D

Un modello 3D dell’impianto è sempre più diffuso: per impianti greenfield la progettazione avviene direttamente in 3D, per impianti brownfield il laser scanning consente di creare il modello 3D in costi e tempi ormai molto ridotti. 

Il modello 3D consente di avere precise informazioni sugli ingombri di impianti e macchinari, potendo pianificare con la massima precisione e senza sopralluoghi modifiche impiantistiche e lavori. 

La nostra visione va oltre al semplice modello 3D, con il concetto di Digital Twin for Maintenance che consiste nella combinazione delle più moderne tecnologie per fornire un nuovo punto di vista e una modalità di lavoro pienamente integrata nella gestione digitale del ciclo di vita degli asset. L’obiettivo è quello di ampliare le informazioni disponibili tramite nuove soluzioni e tecnologie, centralizzarle sul modello 3D e analizzare le informazioni in maniera integrata creando cruscotti e dashboard che forniscano nuovi insights e favoriscano la valutazione delle più opportune strategie di manutenzione e investimento da adottare.

 

Parameter estimation: stima di parametri fisici

Questa funzionalità permette di stimare il valore di un parametro geometrico, fisico o chimico non misurabile direttamente ma fondamentale per monitorare il corretto ed efficiente funzionamento della macchina. 

Sempre prendendo come esempio il nostro scambiatore, tramite un modello dello stesso implementato su un simulatore termodinamico e conoscendo le misure al contorno si può stimare lo sporcamento dello scambiatore con cadenza quotidiana, ottenendo un’informazione fondamentale per valutare quando è più opportuno pianificare una pulizia dello scambiatore.

 

Performance monitoring: confronto delle performance reali con quelle di modello

Questa funzionalità permette di individuare in tempo reale gli scostamenti dell’impianto reale dal suo Digital Twin in termini di rese, qualità e altri KPI fondamentali. 

Queste informazioni possono essere indicative di impurità nella carica, che possono in seguito portare a prodotti fallati e non recuperabili, di problemi di performance o guasti incipienti, la cui individuazione può essere anticipata tramite un monitoraggio continuo e costante e un sistema di alerting che avvisi il responsabile della necessità di una verifica.

 

What if? Simulazione di scenari possibili in termini previsionali

In base ai dati storici dell’impianto e a modelli matematici, è possibile effettuare simulazioni sul comportamento dell’impianto in condizioni non convenzionali per il calcolo di scenari previsionali. 

Ipotizziamo di avere un modello di una rete di distribuzione utility e voler valutare il comportamento della rete a fronte di modifiche impiantistiche, di azioni di controllo o operative. Il Digital Twin è in grado di valutare in termini previsionali il comportamento atteso del Physical Twin, permettendo di prendere decisioni il più possibile automatizzate e informate.

 

Predictive Maintenance: identificazione e anticipazione dei guasti

Il tema della manutenzione predittiva è ampiamente noto e sempre più diffuso negli ultimi anni. 

Una soluzione di manutenzione predittiva è un Digital Twin: partendo dai dati storici e dalla storia dei guasti consente di anticipare il verificarsi dei guasti, lasciando il tempo di pianificare un intervento di manutenzione prima di una rottura critica per la sicurezza, ambiente, produzione. Tipicamente i sistemi di manutenzione predittiva imparano dai feedback che l’operatore fornisce nel tempo sul risultato delle loro previsioni, in un ciclo di miglioramento continuo.

 

Digital Twin: what's next?

Sta diventando sempre più evidente il vantaggio che le singole tecnologie, come il Digital Twin, forniscono da sole, ma ancora di più combinate con altre tecnologie. Abbiamo già citato le possibilità di combinazione con Artificial Intelligence e Machine Learning, con sistemi di modellistica 3D e Mixed Reality, ma la tecnologia offre ogni giorno nuove opportunità che possono abilitare scenari di business finora impensabili.

Un esempio è l’Edge Computing, un modello di calcolo distribuito nel quale l'elaborazione dei dati avviene il più vicino possibile a dove i dati vengono prodotti. L’Edge Computing costituisce una delle evoluzioni del Digital Twin: il modello e la simulazione sono eseguiti direttamente sul device, dotato di capacità di calcolo sempre più potenti e miniaturizzate, mentre la connessione al cloud non è più necessaria, ma utile per condividere con gli altri dispositivi le logiche apprese con un approccio definito “learn one, learn all”.

Vuoi scoprire le potenzialità offerte dal Digital Twin per il tuo business? Techedge può aiutarti a comprendere al meglio queste tecnologie e a individuare in breve tempo le soluzioni da implementare, grazie al suo approccio Technology Onboarding.

 


Non perderti gli altri articoli di beNIMBL Digital Advisory

 

New call-to-action

Iscriviti!