Data science, big data, analytics, IoT, machine learning e intelligenza aumentata promettono anche alla progettazione industriale maggiore precisione di modellizzazione, migliore gestione dei paramenti critici e maggiore automatizzazione, con riduzione del rischio di errore, più velocità nel processo di sviluppo e ricadute positive sul business.
Così Altair Engineering inserisce, a partire dal 2020, nella sua suite di prodotti Hyperworks logiche di machine learning e analytics per rendere ancora più veloci, efficienti e facili da usare gli strumenti che consentono l’applicazione del concetto di “simulation driven innovation” nello sviluppo dei prodotti. Altair, da oltre 30 anni impegnata nello sviluppo di soluzioni di simulazione, con prodotti sempre più potenti e accurati, basati su un approccio multi-fisico e dall’architettura open, è entrata nel mondo dei big data con la recente acquisizione di Datawatch, azienda primaria negli Usa con i propri software di data science dedicati al Fintec. Sviluppando così le nuove competenze, mutuate dal mondo finanziario per rendere fruibili e consistenti moli di dati in tempo reale, la piattaforma di simulazione di Altair oggi diventa “data driven”, con prime applicazioni in progetti pilota con partner di livello tecnologico come Ford e Honda.
Gli strumenti di Altair sono utilizzati dai grandi player dell’automobile, dell’aerospazio, delle telecomunicazioni e del biomedicale, con l’obiettivo di realizzare architetture strutturali sempre più leggere, sicure e funzionali alle prestazioni richieste. Grazie alle innovative tecnologie di sviluppo prodotto in collaborazione con Altair, per esempio, la Ferrari Portofino si è aggiudicata l’Altair 2019 Enlighten Awards nella categoria Full Vehicle, per la importante riduzione del peso del veicolo, in un quadro di grande sicurezza passiva ed eccellenti doti di rigidezza strutturale, che sono fondamentali per un’auto scoperta. A sua volta Abb, con il processo di sviluppo strutturale guidato dall’ottimizzazione topologica, ha dimezzato il peso di un braccio robotico completamente stampato in 3D con Mx3D. Porta la firma Altair anche il primo componente per l’astronautica ottenuto sempre con stampa additiva. A sua volta Daimler utilizza la suite elettromagnetica di Altair, con il software Feko, per lo sviluppo di antenne sempre più efficienti e integrate nella carrozzeria delle sue autovetture, attraverso l’analisi dei segnali che emettono e ricevono nella pista di prova di cui, grazie ad Altair, è stato realizzato il digital twin. In contemporanea, China Telecom sviluppa la propria infrastruttura di terra con gli stessi strumenti di Altair per ottimizzare la posizione dei ripetitori.
Ma il Gruppo americano è a fianco dei principali gruppi automobilistici in Italia e nel mondo anche per progettare motori elettrici che aumentino l’efficienza, riducano le dimensioni e, al tempo stesso, migliorino le prestazioni vibro-acustiche, nonché nello sviluppo di veicoli a guida autonoma. A questo scopo, Altair sta seguendo un percorso di continuo arricchimento delle proprie competenze con una serie di acquisizioni, tra cui la tedesca FluiDyna, fortemente innovativa nell’approccio alla fluidodinamica e con altri prodotti nel mondo dell’elettronica e dell’elettromagnetismo in alta frequenza.
Gruppo da 396 milioni di dollari (dati 2018) quotato al Nasdaq, con oltre 2500 ingegneri, scienziati e designer, 81 uffici in 25 Paesi e il quartier generale a Troy, nel Michigan, Altair è presente in Italia nell’Environment Park di Torino, con una cinquantina di dipendenti e due sedi operative a Milano e a Vicenza. A Torino gestisce sia lo sviluppo di parti del software per alcune aree di competenza world-wide (Analytics, Enterprise Computing, modellizzazione), sia la parte commerciale del territorio italiano, sia lo sviluppo di progetti avanzati. Abbiamo incontrato Andrea Maria Benedetto, da due anni amministratore delegato di Altair Engineering Italia, con una lunga esperienza di progettazione prima in Fiat, dove ha concluso i 15 anni di attività a capo della progettazione Body per il gruppo Fca (sua la Fiat Punto di seconda generazione); quindi in Toyota Europe con lo stesso ruolo per cinque anni; poi in Pininfarina per tre anni come vicepresident Product and Process e, negli ultimi tre, come responsabile dello sviluppo prodotto del Gruppo Piaggio.
Come si posiziona Altair sul mercato?
Il core business del nostro Gruppo è quello di supportare i nostri clienti, accompagnandoli nel loro percorso di evoluzione tecnologica e aiutandoli nel loro processo di innovazione. Facciamo ciò, fornendo metodologie e strumenti che permettano loro di simulare fisiche e prodotti complessi, dal motore di un aereo, alla struttura di un’auto sportiva, al comportamento vibrazionale e termico di un motore elettrico, ottimizzando forme, movimenti, controlli, logiche per ottimizzare pesi e costi per ottenere le prestazioni richieste. Così, grazie alla più completa suite integrata di software, sviluppata mediante acquisizioni e sviluppi interni, modelliamo il prodotto tenendo conto di una serie di elementi correlati tra loro: strutture, movimento, fluidi, gestione termica, elettromagnetica, modellazione di sistemi, con visualizzazione e rendering reali grazie alle avanzate schede grafiche Nvidia, di cui siamo anche rivenditori. I nostri sistemi di calcolo, basati sulle leggi della fisica, partendo da modellizzazioni che sono approssimazioni molto accurate delle geometrie dei sistemi che vogliamo simulare, forniscono previsioni altrettanto accurate delle prestazioni che il nostro cliente vuole raggiungere. Con questo approccio sviluppato in oltre 30 anni di attività, grazie all’idea di fondo che ci ha sempre animati, e cioè che il calcolo fine a se stesso non sia sufficiente, ma che invece il calcolo come strumento di ottimizzazione sia la vera missione e il vero focus, siamo riusciti a far ridurre i pesi e i costi di sistemi complessi di oltre il 25% nei velivoli di clienti come Airbus e Boeing. Inoltre, grazie a metodologie di sviluppo prodotto innovative permesse da strumenti di simulazione veloci e affidabili, tutti i componenti della struttura della Ferrari Portofino sono stati progettati per essere più leggeri, rispetto alla precedente California T, pur aumentandone la rigidezza torsionale del 35%. Scocca e telaio in alluminio sono stati ridisegnati e integrati maggiormente, così il montante A è costituito da due soli componenti contro i 21 dei modelli precedenti e la lunghezza delle saldature su scocca e telaio è stata ridotta del 30% rispetto al modello precedente, con un ulteriore miglioramento della qualità dell’assemblaggio. Prodotto e processo sono stati sviluppati insieme, in modo da ridurre peso e costi e migliorare prestazioni e qualità.
Il risparmio, però, è soprattutto nella velocità di esecuzione del progetto e nella convergenza veloce verso il modello ottimale, con migliaia di veloci iterazioni alla ricerca della soluzione migliore, in modo controllato, ripetibile e poco costoso, in quanto le scelte importanti si possono fare velocemente, senza la costruzione di prototipi e senza eseguire costosi test. I test, a semaforo verde, rimangono solamente come fase finale di certificazione. In pratica, Altair ha giocato un ruolo primario nel cambio di paradigma dal “Try and error”, che è stato in molti settori industriali il solo metodo di sviluppo fino agli anni Novanta, al “Simulation Driven Design” basato su calcolo matematico e ottimizzazione dagli anni Duemila in avanti. Negli anni Novanta, infatti, la progettazione avveniva ancora in modo sequenziale, con il disegno, il prototipo e le prove, prima su strada, poi su banco, quindi si procedeva per modifiche al progetto per loop di prove, errori e correzioni, finché non si arrivavano a soddisfare i requisiti di sicurezza e prestazioni richiesti. Sono di quegli anni le prime ricerche e sperimentazioni di calcolo avanzati applicate alla simulazione progettuale di sistemi complessi, o non lineari, tipo le grandi deformazioni in urto degli autoveicoli. La mia stessa tesi al Politecnico di Torino si intitolava “Metodologie analitiche e numeriche di crash”. Altair è stata pioniera in questo campo e da sempre si è posta in una posizione primaria sui temi complessi, soprattutto quando si tratta di multi-fisica o di ottimizzazione.
Con le nuove tecnologie digitali in che direzione sta andando Altair?
L’acquisizione di Datawatch ci avvantaggia da almeno tre punti di vista e segna la direzione futura del Gruppo. Machine learning integrate ai nostri software li rendono più “intelligenti”, automatizzando alcune funzioni che finora rimanevano nelle mani dell’operatore, con effetti di risparmio di tempo e riduzione del rischio di errore dei parametri inseriti. In particolare, ora sono possibili dei riconoscimenti automatici di forme, di geometrie e di caratteristiche in corso di modellizzazione. Questa tecnologia ha molti campi di applicazione. Oggi il nostro modellatore riconosce in modo automatico i vari particolari da modellare e suggerisce in tempo reale quali siano le regole e le specifiche ottimali, distinguendo i diversi componenti e i differenti materiali, senza l’intervento del tecnico che ha solo più un ruolo di supervisione e conferma, e che quindi può essere dedicato alle operazioni a maggior valore aggiunto. Si immagini la modellizzazione di una carrozzeria dove, in contemporanea, il software riesce a distinguere le caratteristiche delle varie parti e a modellizzare, tenendo conto delle diverse variabili per ciascun componente, materiali e forme. Spingendo il concetto ancora più in avanti, dopo un anno di sviluppo e progetti pilota, ora in Ford il nostro software di simulazione è in grado di riconoscere automaticamente, mediante logiche di machine learning, quali tecnologie di stampaggio siano le più adatte per produrre i vari particolari che compongono un’autovettura.
In Honda, invece, ora alcune valutazioni soggettive e qualitative sui risultati di simulazione di deformazione vengono compiute autonomamente, senza più l’intervento dell’occhio esperto. Anche se, per ora, l’avallo finale da parte dell’uomo è sempre consigliabile, come “maestro” e guida dell’apprendimento degli algoritmi di machine learning. L’altro grande vantaggio del digitale anche per il nostro ambito di applicazione, la simulazione progettuale, è l’analisi dei dati raccolti dai sensori sul campo, il cosiddetto IoT, per migliorare la produzione e per ridurre i possibili guasti. Qui entriamo nel campo del “Product IoTzation”, un neologismo con cui mi piace definire lo sviluppo simultaneo di prodotto e prestazione, sfruttando l’Internet of Things. Le aziende stanno raccogliendo moli di dati grazie alla sensoristica, ma il tema ora è come estrarre valore dagli stessi e renderli informazioni utili per migliorare la linea, l’organizzazione, la fabbrica, il business, i prodotti. Se ne può fare un ottimo uso, appunto, anche nella fase di progettazione sia in termini di manutenzione predittiva, sia di produzione stessa.
Mi piace però sottolineare come il punto focale sia sempre il concetto di ottimizzazione. Facciamo l’esempio dell’ottimizzazione del ciclo di funzionamento delle porte scorrevoli, con l’obiettivo dell’azzeramento delle fermate per guasto. Se non comprendiamo bene i principi di funzionamento, i parametri critici, le soglie di tali parametri, l’applicazione dell’IoT si ridurrà alla minimizzazione dei tempi di fermo per guasto, potendo fornire in tempo reale informazioni sulla funzionalità del sistema o sul suo avvenuto bloccaggio. Se invece, dal punto di vista ingegneristico, comprendiamo bene quali sono i parametri fisici che testimoniano l’usura e quindi la necessità di intervento predittivo su una sliding door, allora riusciremo a far sì che questa porta non sia mai ferma, perché anticiperemo l’evento di guasto analizzando l’andamento dei parametri critici e dedicheremo sforzi, soldi e peso, solo a quelle caratteristiche fisiche direttamente correlate alla prestazione, risparmiando su tutto il resto, ottimizzando, appunto. È chiaro quindi che il concetto di “Product IoTzation” vede l’ingegneria gestire la coerenza tra concept prodotto, che ottimizza le prestazioni dei parametri critici, la misurazione dei dati in esercizio riferiti in modo diretto o indiretto alle fisiche rilevanti, e la gestione del digital twin che rappresenta e modella il prodotto in esercizio, potendo arrivare a progettare delle porte, minimizzando il più possibile i parametri critici.
Cosa fare in contesti più complessi?
In un contesto molto più complesso di un cinematismo lineare, dove i principi di funzionamento siano meno noti, i parametri in numero elevato e non per forza noti e dove le condizioni di funzionamento siano molto variabili, il concetto di “Product IoTzation” mostra i suoi limiti, e pertanto rischia di vanificare le possibilità di ottimizzazione. In questo contesto, allora, ci viene incontro la data science che fornisce gli strumenti e le metodologie per supportare la comprensione delle relazioni, dei parametri e delle correlazioni, non altrimenti esplicitabili, e che quindi permette un approccio di ottimizzazione anche in contesti estremamente complessi. Questo è il terzo elemento di ottimizzazione del nostro stesso lavoro, grazie alla data analysys e al machine learning, che consentono l’analisi correlata dei dati. Per esempio, anche le condizioni metereologiche presentano un grado di variabilità che non le rende più di tanto controllabili, quando incidono su una modellizzazione. Anche in tal caso, una raccolta storica di dati e l’analisi delle correlazioni e previsioni, che offre l’intelligenza aumentata, possono dare un peso maggiore a queste variabili e alla loro incidenza che, alla mente umana, sfuggirebbero.
