Digital Twin

 

Che cos’è il digital twin?

3 cose da sapere

Un digital twin, ossia un gemello digitale, è una copia virtuale, un modello, di un reale asset fisico in funzione. Riflette la condizione attuale dell’asset e include dati storici significativi su di esso. Il digital twin può essere utilizzato per valutare la condizione attuale dell’asset e, cosa più importante, prevederne il comportamento futuro, perfezionarne il controllo o ottimizzarne il funzionamento.

Un digital twin può essere un modello di un componente, di un sistema di componenti o di un sistema di sistemi, come pompe, motori, centrali elettriche, linee di produzione o una flotta di veicoli. I modelli di digital twin possono includere approcci statistici o basati sulla fisica. I modelli riflettono l’ambiente operativo attuale, l’età e la configurazione dell’asset, che generalmente prevede uno streaming diretto di dati negli algoritmi di ottimizzazione.

Perché i digital twin sono importanti

La creazione e l’utilizzo di digital twin aumenta l’intelligenza del sistema operativo aziendale. Disporre di una rappresentazione aggiornata di asset operativi reali ti consente di controllare e ottimizzare gli asset e il sistema nel suo complesso. La rappresentazione cattura non solo lo stato attuale, ma spesso anche la cronologia operativa dell’asset. I digital twin consentono di ottimizzare, migliorare l’efficienza, automatizzare e valutare le prestazioni future. Puoi utilizzare i modelli per altri scopi come il commissioning virtuale o per influenzare i progetti di generazione successiva.

I modelli di digital twin vengono utilizzati comunemente in diverse aree:

  1. Ottimizzazione delle operazioni – Utilizzando variabili come il tempo metereologico, le dimensioni della flotta, i costi energetici o i fattori di performance, i modelli vengono attivati per eseguire centinaia di migliaia di simulazioni what-if per valutare la preparazione o le regolazioni necessarie dei set point del sistema attuale.  Ciò consente l’ottimizzazione o il controllo delle operazioni durante il funzionamento per mitigare i rischi, ridurre i costi o qualsiasi altro tipo di efficienze di sistema.

Simulazioni Monte Carlo per ipotizzare il comportamento.

  1. Manutenzione predittiva – Nelle applicazioni in ambito Industry 4.0, i modelli possono determinare la vita utile residua per stabilire il momento più opportuno per eseguire la manutenzione delle apparecchiature o sostituirle.

Sistema di allarme per manutenzione predittiva di Baker Hughes basato su MATLAB.

  1. Rilevamento delle anomalie – Il modello viene eseguito in parallelo agli asset reali e segnala immediatamente eventuali variazioni del comportamento operativo rispetto a quello previsto (simulato). Ad esempio, una compagnia petrolifera può inviare dati di sensori da impianti petroliferi offshore che funzionano in continuo. Il digital twin cercherà eventuali anomalie nel comportamento operativo per contribuire a evitare danni catastrofici.

Prototipo di una distribuzione IoT industriale sugli impianti petroliferi utilizzando Simulink Real-Time. Immagine per gentile concessione di National Oilwell Varco.

  1. Isolamento dei guasti – Le anomalie possono attivare una serie di simulazioni per isolare il guasto e identificarne la causa principale in modo che gli ingegneri o il sistema possano adottare le necessarie misure correttive.

Isolamento del guasto di un sistema di controllo carburante.

Come funzionano i digital twin

L’applicazione IoT indica cosa è necessario modellare per l’utilizzo di un digital twin. Un modello di digital twin include i componenti, i comportamenti e le dinamiche necessari dell’asset IoT.

I metodi di modellazione possono essere generalmente raggruppati in due tipi: metodi basati sulla fisica o su principi primi (ad es. modellazione meccanica) e metodi basati su dati (ad es. deep learning). Un digital twin può inoltre essere un insieme di vari comportamenti modellati e di metodi di modellazione, ed è probabile che venga rielaborato nel tempo con l’identificazione di nuovi utilizzi.

Metodi di modellazione per digital twin (basati su dati e principi primi).

I modelli devono essere aggiornati e affinati in base agli asset in funzione, il che normalmente prevede uno streaming diretto di dati dagli asset in algoritmi che ottimizzano il digital twin. Ciò consente di tenere in considerazione aspetti come l’ambiente, l’età e la configurazione dell’asset.

Una volta che il digital twin è disponibile e aggiornato, può essere utilizzato in diversi modi per prevedere il comportamento futuro, affinare il controllo e ottimizzare il funzionamento dell’asset.  Alcuni esempi includono sensori di simulazione che non sono presenti nell’asset reale e che simulano qualsiasi tipo di scenario futuro per fornire informazioni relative alle operazioni attuali e future, o l’utilizzo del digital twin per estrarre lo stato operativo attuale inviando input reali attuali.

Digital Twin con MATLAB e Simulink

Con MATLAB puoi definire un modello attraverso i dati provenienti dal tuo asset connesso. Puoi anche utilizzare Simulink per creare un modello basato sulla fisica attraverso strumenti di modellazione multi-dominio. Sia i modelli basati su dati che quelli basati sulla fisica possono essere ottimizzati utilizzando i dati provenienti dall’asset operativo in modo da fungere da digital twin. Puoi utilizzare questi digital twin per effettuare previsioni, simulazioni what-if, rilevamento di anomalie, isolamento di guasti e altro ancora.

I metodi basati su dati disponibili con MATLAB includono machine learning, deep learning, reti neurali e identificazione di sistemi. Normalmente si utilizza un set di dati per addestrare o estrarre un modello e un diverso set di dati di validazione per qualificare o testare i modelli.  Con le applicazioni MATLAB, puoi esplorare questi metodi di modellazione per trovare il metodo più adatto alla tua applicazione.

L’app Classification Learner per l’addestramento, la validazione e l’ottimizzazione di modelli di classificazione.

La modellazione basata sulla fisica con Simulink include la progettazione del sistema da principi primi. I modelli possono includere componenti meccanici, idraulici ed elettrici.  I modelli possono inoltre derivare da un lavoro di progettazione a monte che utilizza la progettazione model-based con Simulink.

Modello di digital twin Simulink di una rete elettrica. Riceve dati misurati dalla rete per la stima dei parametri, quindi esegue migliaia di scenari di simulazione per determinare se la riserva di energia sia sufficiente e se i controller della rete debbano essere regolati.

Attraverso i metodi di ottimizzazione, puoi affinare i modelli di digital twin e mantenerli aggiornati utilizzando protocolli standard come MQTT per i flussi di dati in ingresso.

Puoi implementare i tuoi digital twin ovunque sia necessario per la tua applicazione: nodi di calcolo periferici, infrastruttura tecnologica operativa o sistemi IT. Esegui l’integrazione su sistemi disponibili in commercio come Azure IoT Hub o AWS IoT, oppure implementa l’integrazione personalizzata in base alle tue esigenze attraverso le API e altri metodi di integrazione comuni come le shared library e le chiamate RESTFul.

Topologia IoT: implementare i digital twin ovunque sia necessario per l’applicazione.

Applicazioni IoT che utilizzano digital twin