I progressi dell’intelligenza artificiale, dell’Internet of Things e dell’elaborazione cloud, nonchè la relativa robustezza di queste tecnologie, hanno prodotto una solida base per la rapida evoluzione dei digital twin e per la loro applicazione nella produzione, nella catena di fornitura, nella gestione dell’energia e in altri comparti.
Negli ultimi anni, la tecnologia dei digital twin ha attirato su di sé una notevole attenzione sia dal mondo industriale che dal mondo accademico. In particolare, il concetto di digital twin può essere descritto come l’integrazione, senza soluzione di continuità dei dati, tra una macchina fisica e virtuale in entrambe le direzioni. La tecnologia dei digital twin è stata utilizzata per la prima volta dalla NASA per la missione di esplorazione lunare Apollo 13 e il Mars Rover Curiosity e oggigiorno trova ampio spazio all’interno del paradigma dell’Industria 4.0. L’Industria 4.0 è infatti caratterizzata da tecnologie abilitanti quali l’additive manufacturing, la virtual reality, il cloud, la simulazione, i Big Data e la cybersecurity, che hanno come obiettivo globale l’integrazione dei sistemi produttivi, l’informazione in tempo reale e la digitalizzazione dei processi. L’intelligenza artificiale, ad esempio, ha reso possibile la simulazione di un sistema complesso del mondo reale: sfrutta i dati raccolti dai dispositivi dell’Internet of Things per apprendere e funzionare insieme ai sistemi di produzione del mondo reale, identificando continuamente aree di miglioramento e supportando la decisione tattica. Aiuta anche ad ottimizzare il design dei sistemi per aumentarne l’efficienza ed evitare costosi re-design durante l’implementazione delle soluzioni scelte. Per questo motivo, il digital twin è un tipo di tecnologia che sta diventando sempre più strategico nell’ambito dell’industria, della progettazione e dell’innovazione. Dal punto di vista pratico, si tratta di una replica digitale di un’entità fisica, come un prodotto, un processo o un sistema, che consente di monitorarla, simularne il funzionamento e prevederne eventuali problemi. Per poter realizzare un digital twin è necessario utilizzare una vasta gamma di dati, quali informazioni raccolte da sensori applicati sul sistema da replicare, dati di produzione e dati di telemetria, che vengono raccolti attraverso la tecnologia dell’Internet of Things. Questi dati vengono poi elaborati e analizzati utilizzando algoritmi di intelligenza artificiale, machine learning e altre tecnologie avanzate, al fine di replicare digitalmente l’entità fisica studiata, che a questo punto sarò anche in grado di aggiornarsi continuamente in funzione dei dati racconti in real time.
Ci sono molti vantaggi nell’utilizzare il digital twin. In primis, consente di monitorare il funzionamento di una soluzione in tempo reale e considerando tutte le possibili informazioni che influenzano il sistema nella realtà, dalle caratteristiche ambientali agli aspetti produttivi, migliorando la capacità del sistema di prevenzione contro eventuali guasti o malfunzionamenti. Inoltre, il digital twin permette di testare diverse configurazioni e scenari, fornendo in tempo reale dati sul comportamento dell’entità fisica e suggerimenti su possibili miglioramenti, prendendo anche decisioni in autonomia per adattare costantemente il processo alle sue caratteristiche in evoluzione.
I vantaggi
La tecnologia del digital twin presenta diversi vantaggi rispetto ai modelli e alle simulazioni tradizionali. Anzitutto fornisce una rappresentazione più accurata e realistica dell’entità fisica, poiché incorpora dati provenienti da una varietà di fonti e simula il comportamento del mondo reale in tempo reale. In secondo luogo, consente una risoluzione dei problemi più rapida ed efficace, poiché permette agli operatori di identificare e diagnosticare potenziali problemi prima che si verifichino nell’entità fisica. Infine, offre informazioni preziose sul comportamento e sulle prestazioni dell’entità fisica, che possono essere utilizzate per ottimizzare le sue operazioni e per gestirne la manutenzione.
Il digital twin è particolarmente utile nell’ambito della progettazione e della simulazione, dove può essere utilizzato per sviluppare prototipi virtuali di prodotti o sistemi prima della loro realizzazione fisica. Queste simulazioni possono consentire l’ottimizzazione del design, il miglioramento delle prestazioni e la riduzione dei costi di produzione. Può, inoltre, essere utilizzato nell’ambito dell’analisi dei dati, dove aiuta ad analizzare grandi quantità di dati in modo rapido ed efficiente.
L’utilizzo sempre più diffuso del digital twin sta rivoluzionando l’intero processo produttivo e accelerando l’innovazione e favorendo il lancio sul mercato di soluzioni sempre più efficienti e sostenibili (Figura 1). Il concetto di digital twin si sta sempre più diffondendo nell’ambito della gestione dei magazzini, poiché permette di simulare in maniera virtuale l’intero magazzino, con tutti i suoi processi e flussi di lavoro, al fine di ottimizzare la gestione dei materiali e ridurre i costi (Figura 2). La sua applicazione nel campo della gestione dei magazzini può fornire numerose possibilità di miglioramento.
Un utilizzo comune del digital twin per la gestione dei magazzini è quello di valutare la capacità del magazzino di gestire ordini di grandi dimensioni o picchi di attività. Il digital twin permette di simulare l’arrivo di queste esigenze e di fornire un’analisi dettagliata delle performance del magazzino durante questi periodi, in modo da poter identificare le possibili aree di criticità o di inefficienza. In generale, il digital twin di un magazzino può essere utilizzato per monitorare e analizzare in tempo reale le dimensioni del sito, la posizione degli articoli, il volume, la rotazione delle scorte, il flusso di movimentazione e l’utilizzo degli spazi. Questa tecnologia può aiutare i responsabili del magazzino a identificare potenziali problemi e a sviluppare soluzioni per migliorare l’efficienza operativa. Inoltre, il digital twin può essere utilizzato per simulare e pianificare il layout della struttura, testare diverse configurazioni e valutare l’impatto delle decisioni di gestione sulla capacità di immagazzinamento e sul flusso di lavoro. In questo modo, è possibile ottimizzare il layout del magazzino per massimizzare l’efficienza e minimizzare i tempi di attesa. Infine, il digital twin può essere utilizzato anche per addestrare il personale del magazzino, simulando scenari operativi e formando i dipendenti su come utilizzare in modo efficace i sistemi di gestione del magazzino.
Un’ulteriore interessante applicazione della tecnologia dei digital twin è il loro utilizzo per la costruzione di modelli per l’analisi real time, e che possano aggiornarsi in autonomia, dello stato di usura degli stampi durante le operazioni di stampaggio. È ben noto, infatti, che la premessa per la costruzione di un modello in grado di analizzare l’usura dello stampo è la comprensione e la definizione di quali sono i parametri di processo direttamente influenzati e influenzanti l’usura dello stampo. Uno di questi è tradizionalmente rappresentato dalla rugosità superficiale dello stampo, che evolve proporzionalmente con l’usura dello stesso, causando una variazione dei coefficienti di attrito tra il materiale in lavorazione e lo stampo. Per questa ragione, negli ultimi anni sono stati pubblicati numerose studi che si concentrano proprio sulla relazione tra la rugosità superficiale e i coefficienti di attrito per identificare e quantificare lo stato dell’usura dello stampo. Tuttavia, le variazioni dei coefficienti di attrito sono difficili da osservare direttamente nella stampa, ed è proprio per superare questo ostacolo che la ricerca si è concentrata sull’esplorazione di qualcosa di più facilmente osservabile per identificare l’usura dello stampo, quale, per esempio, la forza del punzone, correlando le variazioni delle caratteristiche di quest’ultima in diverse situazioni all’usura dello stampo. I risultati riportati hanno indicato che la forza del punzone è strettamente legata allo stato di attrito nel processo di stampaggio e si adatta all’identificazione dell’usura dello stampo e, sulla base delle caratteristiche della forza del punzone estratte, è stato possibile sviluppare ulteriormente un metodo empirico di identificazione dell’usura dello stampo basato sui dati raccolti. Fino a prima dell’introduzione del digital twin, la modellizzazione del processo di stampaggio considerando lo stato di attrito coinvolgeva una parte matematico-fisica e una parte basata sulla simulazione. Per la modellizzazione matematico-fisica, gli studi esistenti sono principalmente focalizzati sulla costruzione di modelli di analisi dello stress e delle deformazioni durante il processo di stampaggio. Ad esempio, è stato sviluppato un modello di analisi della deformazione per il processo di stampaggio assiale utilizzando il metodo di integrazione diretta, e i risultati hanno mostrato che la deformazione radiale dello stampo aumenta quando lo stato di attrito peggiora. Per la modellizzazione basata sulla simulazione, sono stati costruiti vari modelli di simulazione basati su diversi software di simulazione, sia per ottimizzare i coefficienti d’attrito in gioco sia per studiare l’effetto dei coefficienti di attrito sulla qualità finale della parte stampata. Tuttavia, queste valutazioni appaiono abbastanza limitate rispetto alla complessità del processo nella sua interezza e la considerazione di determinati parametri piuttosto che altri rischia di condurre alla formulazione di un modello parziale e, quindi, lontano dalla realtà che si sta cercando di analizzare. Diventa quindi evidente come, per la limitata affidabilità a completezza dei modelli e delle strategie di analisi e previsione appena descritte, la tecnologia dei digital twin rappresenti una soluzione promettente, in grado di fornire un modello ad alta consistenza con la sua strategia di aggiornamento. Un modello ad alta fedeltà nello spazio virtuale, difatti, è il prerequisito principale per seguire lo stato effettivo di entità fisiche nello spazio fisico.
Il modello digitale di stampaggio include sia un modello di forza di punzonatura sia un modello di qualità di formatura. Il modello di forza di punzonatura è necessario per costruire le relazioni tra la forza di punzonatura e i coefficienti di attrito. Poiché gli ultimi coefficienti di attrito vengono ottenuti sostituendo i dati di forza di punzonatura in tempo reale nel modello di forza di punzonatura e utilizzando anche un algoritmo di ottimizzazione, viene selezionato un modello esplicito di forza di punzonatura costruito sulla base dell’analisi degli stress-deformazione della deformazione del semilavorato per ridurre il tempo di operazione dell’algoritmo di ottimizzazione. Pertanto, è stato costruito un modello di qualità di formatura basato sulla simulazione che considera la distribuzione dei difetti, la distribuzione dello spessore e altre metriche di qualità di formatura, e gli ultimi coefficienti di attrito vengono inseriti nel modello di qualità di formatura per aggiornare il modello e caratterizzare la qualità di formatura.
Altri esempi di applicazione dei digital twin in ambito manifatturiero vedono la costruzione di modelli per riflettere in tempo reale lo stress residuo e l’angolo di piegatura del pezzo durante l’operazione di piegatura o ancora per la rilevazione tempestiva dei guasti agli strumenti dei CNC, modello questo basato su vari algoritmi e modelli simulativi combinati.
In futuro le soluzioni proposte dai digital twin si combineranno con più tecnologie, come la realtà aumentata per un’esperienza immersiva e le capacità di intelligenza artificiale per migliori informazioni e analisi. Queste analisi e informazioni, a loro volta, porteranno ancora più possibilità di applicazioni delle soluzioni dei digital twin in operazioni complesse.
