Riduzione dei costi di manutenzione e dei consumi energetici di macchine utensili e automatiche, ottimizzazione delle performance di produzione e continuità operativa, controllo qualità per una factory zero difetti. Il digital twin predittivo diventa il paradigma dello smart manufacturing, la lente d’ingrandimento attraverso la quale fornire a operatori macchina, capi reparto, direttori di stabilimento e operation manager insight significativi sull’ambiente di produzione. Cosa serve per implementarlo? Connettività IoT, modelli matematici supportati da algoritmi di intelligenza artificiale e interfacce di visualizzazione evolute. Grazie a dati storici e in tempo reale acquisiti dal modello fisico il digital twin è in grado di visualizzare “eventi futuri” che prevede possano accadere a breve e medio-lungo termine.
«Lo sviluppo esteso di questo tipo di soluzioni si avvale delle più sofisticate tecniche di machine e deep learning basate su reti neurali. Una combinazione vincente che permette di verificare il funzionamento del sistema in modo da predire malfunzionamenti, ridurre fermi macchina, consumi di energia e materiale», afferma Maurizio Griva, senior manager di Concept Reply, la società del gruppo Reply specializzata nell’innovazione IoT che realizza soluzioni end-to-end gestendo tutti i tre livelli layer funzionali del gemello digitale: sensorizzazione macchina, edge e cloud. Il potenziale del digital twin è direttamente proporzionale alla quota di intelligenza artificiale che può essere associata al suo utilizzo. È questa la componente che permette di introdurre un automatismo, attended o unattended, finalizzato a una manutenzione predittiva o a una ottimizzazione di processi o asset industriali. In ambito di produzione, la sua implementazione è efficace soprattutto quando applicata in attività ripetitive poiché gli algoritmi che lo supportano sono basati su dati riferibili a specifiche condizioni di funzionamento. «Pensare di utilizzare un digital twin per prevenire guasti di macchine che devono gestire una produzione diversificata – tipicamente aziende che lavorano su produzione personalizzata e per lotti – non ha senso, si dovrebbe riprogettare l’intero algoritmo», osserva Griva.
Insomma, le performance del digital twin dipendono in massima parte dall’intelligenza umana con cui viene pensato e creato. Lo si deve intendere come un “software ad alta automazione” in grado di supervisionare una produzione seriale e non come una soluzione generalista applicabile, ovunque e comunque, a qualsiasi contesto produttivo. Smart manufacturing predittivo, dunque, in cui la produzione è digital twin dipendente. E’ con questa logica con cui Concept Reply affronta la digitalizzazione industriale. Tra gli esempi più significativi: la realizzazione di un digital twin per la previsione dei colli di bottiglia di un sistema intralogistico di un’azienda di stampaggio e assemblaggio di componenti automotive basato su processi Lean Manufacturing evoluti e sistemi a guida autonoma; lo sviluppo di un digital twin per il conteggio in tempo reale e il riconoscimento automatico di difetti per componenti plastici realizzato completamente su sistema embedded di ST Microelectronics e, last but not least, il digital twin provvisto di modulo AI per il riconoscimento automatico di danni arrecati alla carrozzeria di automobili a noleggio realizzato utilizzando videocamere e pattern recognition.
Il framework DTWIN per la produzione rapida di digital twin
Il futuro delle applicazioni di monitoraggio di processi Industrial IoT passa per i digital twin, un nuovo modo di concepire e realizzare sistemi distribuiti in grado di controllare e anticipare deviazioni di funzionamento. Sono una tecnologia emergente destinata a cambiare lo scenario di molti settori industriali e rappresentano un fattore importante nell’abilitare la trasformazione digitale. Evoluzione dei simulatori, i digital twin possono essere eseguiti in parallelo al sistema fisico e diventare un vero e proprio riferimento digitale vivente, alimentato in real time dai dati del gemello fisico, che viene validato dagli output che produce il sistema stesso. Concept Reply ha creato il framework DTWIN per costruire rapidamente soluzioni di produzione o di automazione intralogistica. Ogni digital twin è costituito da un software che esegue il modello interconnesso con i dati provenienti in tempo reale dalle linee di produzione, dal personale e dai magazzini. I dati di controllo ed eventuali anomalie vengono trasferiti a un applicativo di visualizzazione composto da una dashboard su Pc, tablet, smartphone, monitor o Andon industriali.
I dati che servono per realizzare un digital twin vanno individuati con analisi puntuali e accurate
Quando si parla di digital twin di produzione non è detto che tutti i dati che vengono generati dalla macchina utensile siano sempre utili alla modellizzazione dell’oggetto. «Spesso, quando un cliente dice di avere molti dati a disposizione sono pensati per altre finalità e per nulla adatti alla creazione di un digital twin», afferma Griva. Si deve quindi ripartire da zero, eseguendo una fault analysis che consiste nell’intervistare i singoli utilizzatori per comprendere quali sono le principali cause dei guasti. L’attività di analisi è un primo passo che permette di comprendere quali sono le grandezze che devono essere monitorate per gestire il potenziale di rischio. In una seconda fase si individuano i sensori che possono esporre dati coerenti e li si applicano alla macchina target. Il brown field va ovviamente sensorizzato attraverso interventi di retrofitting. «L’importante – dice Griva – è che in ogni fase di sviluppo si tenga sempre presente che la qualità e l’efficienza di un digital twin dipende dai dati che si analizzano ed è dipendente dalla loro qualità e pertinenza»
Per fare un buon algoritmo di intelligenza artificiale serve un’ottima intelligenza umana
Come poter ovviare a incidenti in modo predittivo? Un utente si lamenta del distacco di una guarnizione di macchina, è possibile prevenirlo? «Certo che sì, ma devo avere la disponibilità dei parametri funzionali relativi al momento in cui si è verificato quel particolare inconveniente. Nel caso non esistano dati riferibili allo storico li acquisiamo con dei simulatori – dice Griva – In questo modo siamo nella condizione di poter dare al digital twin solo dati utili al suo funzionamento. In molti casi si pensa che i dati di cui si è già in possesso possano essere trasferiti a un algoritmo di intelligenza artificiale e che questo, come per magia, riveli la causa del guasto. Non funziona così. Un digital twin è tanto più preciso quanto più corretti sono i dati su cui lo si fa lavorare. Ergo, l’intelligenza artificiale dipende in massima parte dall’intelligenza (umana) con cui viene creato».
Edge, elaborazione che separa segnali da rumore
Per la progettazione di un digital twin si ha bisogno di sorgenti dati affidabili, continue e pulite che vanno opportunamente correlate. Se una misura di temperatura è fatta in più punti si crea un virtual sensor che integra le diverse informazioni. Il che ci porta a dire che il digital twin è un insieme di sensori virtuali che associano più misure relative a una certa grandezza. Se creato per monitorare e automatizzare una linea di produzione parliamo di un sistema che viene alimentato da sensori macchina che convergono su tecnologia edge che funge da punto di raccolta distribuita lungo tutta la linea. «L’edge è il punto in cui si effettua una prima elaborazione dei dati e dove si applica un filtraggio digitale che permette di eliminare i dati sporchi – spiega Griva – Questo fa sì che al digital twin non vengano dati eccessive quantità di dati ma soprattutto che lavori su dati utili. Insomma, l’edge elimina il rumore dagli effettivi segnali che contribuiscono ad avere una soluzione performante».
Aumentare le performance produttive. Un digital twin per ridurre fermi macchina e scarti
Nella grande maggioranza delle aziende i parametri che riguardano l’efficienza di fabbrica (Oee, Overall Equipment Efficiency) non vengono misurati ma sono soltanto percepiti. Il digital twin sostituisce la percezione con un approccio deterministico rivelando con più precisione le cause che portano ad avere bassi indici di performance. Il primo livello di attenzione deve essere posto sul fermo macchina in quanto comporta mancata produzione e aumento del costo orario delle persone. «I danni possono essere minimi se si ha la disponibilità del pezzo in casa, ma se si deve ordinare i tempi di interruzione si dilatano», osserva Griva. Con un digital twin si ha invece la capacità di predire la manutenzione e procedere alla sostituzione di un pezzo o componente nel momento meno impattante sul processo di produzione. L’altro fattore su cui va a lavorare il digital twin è l’indice di resa ovvero il numero di scarti o di pezzi per cui è stato necessario eseguire un rework. Terzo fattore di attenzione è il consumo energetico. E’ possibile ridurre il costo associato alla produzione del singolo pezzo oppure, ragionando per macchina utensile, ridurre il volume di materiale utilizzato.
Trasferire la conoscenza di fabbrica nel digital twin
In processi a sequenza che contemplano produzioni a temperatura ottimale, si pensi a un forno industriale, il digital twin, grazie a una serie di correlazione di dati può contribuire a velocizzare la produzione permettendo di gestire il lavorato anche in condizioni diverse da quelle che si erano inizialmente stabilite. «Decisioni che dipendono da fattori ambientali e che riguardano la scelta più adatta per eseguire una certa produzione vengono abitualmente prese in base alla conoscenza di processo degli uomini di fabbrica. È un aspetto che va tenuto nella giusta considerazione – afferma Griva – Ho incontrato persone in grado di capire la temperatura ottimale di un bagno di fusione di alluminio in base a una valutazione sulle condizioni atmosferiche. È umido, piove, alzo la temperatura di un certo livello. Questa conoscenza, che è nella testa di un capo reparto, dobbiamo riuscire a trasferirla nel digital twin».
Autonomia decisionale del digital twin
Il digital twin è teoricamente pensato per sviluppare un’autonomia decisionale. Tuttavia, quello che in genere viene sviluppato è un digital twin in modalità attended, che evidenzia delle raccomandazioni. Questo perché le persone non si fidano ancora a lasciare un tuning di processo a un sistema digitale. Tuttavia, vi sono automatismi unattended che possono essere applicati a processi seriali, dove esiste una completa ripetitività o in situazioni per scopi limitati e ben definiti, per esempio un digital twin associato al funzionamento di una macchina che opera in un specifico spazio fisico. «Nostri colleghi francesi hanno sviluppato un modello basato su rete neurale per misurare il funzionamento dei condizionatori – racconta Griva – Il software, integrato in un controller dello splitter, monitora i parametri di funzionamento in base ai dati acquisiti dall’ambiente esterno ed esegue in autonomia un fine tuning. Sono digital twin che possiamo definire corti». È possibile pensare ad analoghi automatismi a livello di produzione? «Arriveranno ma sono ancora al momento limitati. Discorso diverso è invece quello legato al controllo qualità dove l’osservazione di parametri passa attraverso la classificazione di immagini. In questo caso si possono realizzare modelli di reti neurali in tempi molto brevi».
Possibili approcci a un digital twin di fabbrica
Il processo di creazione di un digital twin deve sempre prevedere il coinvolgimento di esperti di fabbrica, gente che conosce la macchina utensile e la variabilità del ciclo produttivo. «È vero, sanno poco o nulla di gemelli digitali ma ci danno le informazioni per poter far uno shaping del processo, dice Griva. Poi entrano in gioco gli esperti di automazione industriale, quelli che sono in grado di rilevare il dato e portarlo in edge. Fondamentale è chiedere alle persone di darci degli esempi di stato funzionamento corretto, warning e rottura. Se vogliamo un digital twin predittivo di un mandrino abbiamo bisogno di capire quali sono i parametri di funzionamento in quell’istante esatto. Se non esistono non possiamo certo chiedere di creare le condizioni perché questo avvenga. Sono dati che eventualmente possiamo estrapolare dalla simulazione.
Vantaggi sulla manutenzione, consumi energetici e controllo qualità
La predictive maintenenance può portare a un miglioramento dal 15%-30% dei costi di manutenzione mentre un digital twin pensato per la riduzione dei consumi energetici, in particolare quelli che vengono generati dall’utilizzo dell’aria compressa, può portare risparmi nell’ordine del 20% – 30%. Sul controllo qualità, dipende. «Lo abbiamo adottato, ad esempio, su una linea di stampaggio plastica che fa connettori cavi per auto – racconta Griva – Si tratta di oggetti piccoli e molto leggeri, consegnate in scatole di 6.000 pezzi ciascuno. Per ovviare alla possibilità che tra queste ci fossero dei pezzi difettosi, cosa che avrebbe comportato penali significative, in ogni scatola venivano messi il10% in più di pezzi. Con il digital twin si contano i pezzi che cadono sul nastro trasportatore e con un soffio d’aria si eliminano le unità difettose, aumentando così la qualità del prodotto e riducendo il numero di resi. L’impatto dell’utilizzo del digital twin in questo caso è importante, intervenendo su milioni di pezzi prodotti».
