IoTwins: il modello Digital Twin ibrido e distribuito per industria 4.0 e smart city

Una serie di interviste dedicate all’innovazione tecnologica e al pensiero progettuale: esploriamo le storie dietro invenzioni e soluzioni che rispondono a sfide reali. Un’occasione per approfondire processi creativi, approcci metodologici e impatti concreti sul mercato e sulla società.

L'articolo è di Francesca Montuschi, del Settore della comunicazione e informazione del dipartimento.

La sinergia tra Digital Twin (DT) e Internet of Things (IoT) costituisce uno degli elementi più significativi nel processo di trasformazione digitale dei sistemi produttivi, infrastrutturali e urbani. Grazie a queste due tecnologie è possibile valorizzare in modo sistematico il patrimonio informativo generato dai dispositivi, trasformando grandi volumi di dati eterogenei in conoscenza operativa e in strumenti evoluti di supporto alle decisioni. L’IoT, attraverso una rete distribuita di sensori e dispositivi intelligenti, permette la raccolta continua e automatizzata di dati provenienti dal mondo fisico. Tali flussi informativi alimentano il gemello digitale dell’entità reale consentendo l’aggiornamento in tempo reale dello stato dell’asset, la simulazione di scenari operativi alternativi, lo sviluppo di analisi predittive e l’ottimizzazione delle prestazioni. DT e IoT si configurano pertanto come tecnologie funzionalmente complementari: la seconda garantisce la generazione e la trasmissione di dati di monitoraggio, mentre la prima ne assicura l’organizzazione, la contestualizzazione e l’elaborazione, traducendoli in modelli analitici e predittivi ad elevato valore strategico.

In questo contesto il progetto IoTwins, coordinato dal prof. Paolo Bellavista, del Dipartimento di Informatica - Scienza e Ingegneria nell’ambito del programma Horizon 2020, in collaborazione con un ampio consorzio multidisciplinare di partner internazionali, ha avuto l’obiettivo di sviluppare un’architettura e un framework software per supportare l'implementazione agile di applicazioni basate sui gemelli digitali in contesti industriali, infrastrutturali e urbani.

I DT hanno il potenziale di migliorare l'efficienza e il processo decisionale, fornendo una comprensione in tempo reale dei sistemi fisici che rappresentano. L’elemento distintivo di IoTwins è l’integrazione tra modellazione fisica, simulazione e approcci data-driven basati su Machine Learning, distribuiti lungo il continuum IoT–Edge–Cloud. Professore, il vostro è un modello DT ibrido e distribuito.

I gemelli digitali di IoTwins sono ibridi perché il nostro modello integra simulazione fisica, simulazione agent-based e modelli data-driven basati su ML/DL. Ad esempio, in uno dei testbed IoTwins, dati reali insufficienti in condizioni di guasto sono stati integrati con dati sintetici generati via simulazione, migliorando la robustezza del modello predittivo. Li chiamiamo inoltre gemelli digitali distribuiti perché non eseguono esclusivamente nel Cloud, ma in modo articolato su tre livelli: IoT Twins (livello dispositivo/PLC), Edge Twins (gateway di stabilimento nel caso di testbed industriale) e Cloud Twins (HPC, training ML, simulazioni offline). La distribuzione permette di soddisfare requisiti di affidabilità, alta capacità computazionale e bassa latenza. Dietro questo nostro approccio a DT distribuiti e ibridi c’è anche una motivazione sociale e strategica: era nostra intenzione andare oltre gli schemi esistenti e superare il modello centralizzato tradizionale. Il DT distribuito permette infatti di mantenere la piena proprietà del dato, conservandolo il più possibile vicino al luogo in cui viene generato. Si tratta di un aspetto che sarà sempre più rilevante anche sotto il profilo geopolitico.

Il vostro è un progetto di azione innovativa (Innovation Action): promuove attività di prototipazione, sperimentazione e replica sul mercato. IoTwins utilizza diversi progetti pilota industriali esplorativi.

Ai partner, in primis Bonfiglioli Riduttori, è stato richiesto di fornire testbed reali e di forte interesse industriale/economico per supportare la convalida del nostro modello DT innovativo. Ad esempio, abbiamo realizzato quattro testbed industriali nel settore manifatturiero: una parte significativa delle attività è stata incentrata sulla fornitura di servizi di manutenzione predittiva (ad es. di turbine eoliche). Sfruttando i dati dei sensori è possibile prevedere il tempo di guasto, generando successivamente piani di manutenzione che ottimizzino i costi complessivi di manutenzione.

La Commissione Europea sostiene lo sviluppo di toolbox per i DT, con l’obiettivo di mettere a disposizione strumenti riutilizzabili, architetture di riferimento e standard aperti, così da favorirne l’adozione su larga scala.

Il nostro progetto si inserisce pienamente in questa prospettiva metodologica: promuove il riutilizzo di modelli di DT in scenari di scala diversa e in diversi ambiti (testbed di replicabilità IoTwins). I casi studio sono stati selezionati con cura per dimostrare la replicabilità, la scalabilità e la standardizzazione dell’approccio proposto, nonché la capacità di generare nuovi modelli di business. L’architettura di riferimento e una buona parte dei moduli software sviluppati sono stati resi pubblici. È corretto precisare, tuttavia, che la grande maggioranza dei dati raccolti sul campo è rimasta di proprietà dei gestori dei testbed, compreso Bonfiglioli Riduttori per il testbed di parco eolico offshore.

Avete sviluppato un DT e una metodologia replicabile in contesti simili per il facility management, ad esempio in particolare per la gestione delle strutture che coinvolgono il flusso di folle, come nel caso dello stadio Camp Nou di Barcellona. Quali sono oggi i principali limiti tecnologici di un DT urbano? Esistono rischi legati a un eccessivo affidamento alle simulazioni, anche in relazione a possibili attacchi informatici? I dati sulla gestione delle folle possono avere anche un impatto commerciale?

Si tratta di strumenti non perfetti, che presentano ancora numerose sfide aperte di ricerca. Essendo soluzioni data-driven, il loro funzionamento dipende fortemente dalla qualità e dall’integrità dei dati in ingresso. Se un soggetto malintenzionato riuscisse ad accedere al sistema e a introdurvi dati diversi da quelli osservati nella realtà, potrebbe influenzarne in modo significativo i risultati. Quando i dati di partenza vengono alterati, i modelli di Machine Learning possono generare soluzioni inesatte o fuorvianti. Per questo motivo, è fondamentale rendere il più difficile possibile l’accesso non autorizzato al sistema e, di conseguenza, l’inserimento di dati falsi. Una possibile strategia che mitiga i rischi di sicurezza consiste nel limitare lo spostamento dei dati dal luogo di raccolta e nel progettare modelli capaci di attenuare l’impatto di eventuali anomalie. Idealmente, il sistema dovrebbe essere in grado di riconoscere automaticamente dati sospetti perché significativamente distanti dai pattern appresi, rafforzando così la propria resilienza. In questo senso, un’architettura di cloud continuum — che combini risorse locali con infrastrutture cloud o HPC remote — può contribuire a rendere più affidabile il DT, sia dal punto di vista computazionale sia sotto il profilo della sicurezza. Infine, i dati di gestione delle folle non sono stati utilizzati solo per dimostrare che, in ogni condizione, i piani di evacuazione rispettano i vincoli di sicurezza, ma anche per analizzare le aree in cui le persone transitano più frequentemente o sostano più a lungo. Queste informazioni possono avere un valore commerciale significativo, ad esempio per la vendita degli spazi pubblicitari all’interno della struttura.

Le PMI spesso non dispongono delle competenze necessarie, né di infrastrutture HPC/cloud adeguate o di una base dati sufficiente per sviluppare DT. Inoltre, le imprese intendono mantenerne la piena proprietà nonché il controllo, rendendo complessa l’estrazione e la condivisione delle basi dati. In questo contesto, si pone una questione cruciale: soggetti consortili pubblici possono favorire la creazione di data space settoriali?

È realistico affermare che le aziende eserciteranno sempre grande resistenza alla condivisione di dati riservati o strategici in forma grezza. Per questo motivo è determinante spostare il paradigma verso forme di condivisione controllata, basate su insight feature. Un esempio concreto può riguardare le linee di produzione nel settore del packaging: scomponendo i sistemi produttivi, si osserva che molte aziende utilizzano gli stessi azionatori elettrici, spesso acquistati dagli stessi fornitori. La condivisione aggregata e anonimizzata dei dati di guasto relativi a questi componenti potrebbe generare un beneficio collettivo significativo, ad esempio migliorando i modelli di manutenzione predittiva, senza compromettere informazioni sensibili legate ai processi proprietari. Un consorzio pubblico — ad esempio coordinato dall’Università di Bologna o dalla Regione Emilia-Romagna — potrebbe concretamente favorire la nascita di data space settoriali: garantirebbe maggiore sovranità e il controllo del dato su risorse locali. Infine, è fondamentale che vengano introdotti anche opportuni modelli di business e incentivi economici. La condivisione dei dati deve generare un ritorno misurabile per le aziende partecipanti, favorendo la sua sostenibilità.

Riproduzione riservata © copyright

Hai qualcosa da raccontarci? Desideri essere intervistato?

La redazione web del dipartimento è sempre alla ricerca di nuovi contenuti.

Scrivi una mail a disi-redazioneweb@unibo.it