Un gemello digitale è la copia esatta di un processo, di un prodotto o di un servizio da utilizzare per simulare l’introduzione di un’innovazione. Questo il senso del Digital Twin, teorizzato nel 2002 all’Università del Michigan e originariamente applicato al Product Lifecycle Management, che prevede per i due “gemelli”, uno fisico e l’altro digitale, una “vita di coppia” e un’evoluzione da poter fare insieme. Digital Twin, applicabile sia a realtà esistenti che in fase di progettazione, presenta quindi innumerevoli vantaggi riferibili non solo alla possibilità di prevedere, anticipandoli, problemi di produzione, ma anche di migliorare lo sviluppo dei prodotti e diminuire i costi di realizzazione dei prototipi.
Dopo aver parlato di sfide e vantaggi del Digital Twin, ci si può chiedere quali siano le tecnologie che contribuiscono alla sua realizzazione.
Le tecnologie abilitanti
Per poter introdurre in azienda Digital Twin, secondo il White Paper pubblicato di recente da Engineering, è necessario poter contare su diverse “condizioni”, ovvero avere a disposizione la giusta connettività, il necessario livello di digitalizzazione e un “quanto basta” di Intelligenza Artificiale.
Connettività
Quasi scontato dire che Digital Twin ha bisogno di connettività adeguata per la raccolta di dati da archiviare in Cloud e rendere disponibile ad altri. Nella costruzione del gemello c’è una parte di acquisizione dei dati operativi e ambientali attraverso sensori che catturano i segnali e una di analisi dei Big Data raccolti, che vengono aggregati e combinati con altri dati dell’azienda.
Ad agevolare il processo di raccolta sicuramente l’emergere della tecnologia MEMS (Micro-Electro-Mechanical-Systems), che ha drasticamente ridotto il prezzo di molti sensori standard.
Digitalizzazione
Quando nel Digital Twin si fa riferimento alla digitalizzazione, ci si riferisce alla necessità di applicazioni utili alla simulazione. Simulation modeling è un’applicazione che combina connettività, Big Data e IoT in un modello digitale, allineato quasi in tempo reale con i sistemi che riproduce.
Le tecnologie per realizzare i 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 a eventi discreti.
Per la parte dei dati si fa invece riferimento al Data-Driven Modeling (DDM) che, contrariamente ai modelli di simulazione che richiedono la conoscenza del funzionamento del sistema reale, prendono in prestito tecniche matematiche e statistiche avanzate per analizzare i dati che caratterizzano un sistema e trovare relazioni tra input e output.
Intelligenza Artificiale
Nell’immaginare un modello digitale non poteva mancare una parte di Intelligenza Artificiale, utile all’apprendimento in autonomia, basato sull’esperienza da parte delle macchine, che possono percepire l’ambiente, analizzare le situazioni e identificare le decisioni migliori per raggiungere l’obiettivo predefinito.
L’AI è applicabile negli Analytics, che analizzano e visualizzano le informazioni raccolte dai sensori, per scoprire, interpretare e comunicare andamenti significativi nei dati e prendere decisioni basate su questi, oltre che per gestire le richieste di azione da parte del sistema reale, per riprodurla mediante “attuatori” sottoposti al controllo umano e che innescano il processo fisico.
