PREV
SIMULAZIONE
& DIGITAL TWIN
NEXT
aHead Research utilizza tecniche di simulazione per costruire digital twin di processi produttivi, logistici e industriali
La simulazione aiuta i leader ad esplorare opzioni diverse e ridurre il rischio. I modelli di simulazione supportano il what-if sia durante la convalida della progettazione, sia nella gestione delle operazioni quotidiane.
Cos’è un digital twin secondo aHead Research
Partendo da un processo reale (una supply chain, un processo produttivo, le operazioni all’interno di un magazzino), riscriviamo in forma logico-matematica gli elementi che lo compongono e le logiche che ne regolano il funzionamento, ottenendo una replica che viene definita digital twin. Il digital twin è quindi un modello matematico di un processo o un sistema che riproduce il funzionamento della controparte reale ma in un ambiente virtuale. Per ottenere un gemello digitale fedele all’originale è necessario seguire diversi step di modellazione e tuning di parametri, ed inserire tali modelli in un framework di simulazione ad eventi discreti che ci permetta di catturare l’evoluzione temporale di processi dinamici.
Creazione del digital twin
Il primo step per la creazione di un gemello digitale di sistemi complessi come un magazzino o un processo industriale è la scrittura di un modello matematico che abbia la capacità di simulare il processo reale. È importante identificare i vari componenti all’interno del sistema, ad esempio risorse, flussi, buffer, trasporti, per poi creare un sotto-modello matematico (insieme di equazioni e parametri) in grado di coglierne le caratteristiche principali, per ognuno di questi componenti.
La logica di processo viene poi riprodotta collegando i diversi sotto-modelli, seguendo i principi della simulazione ad eventi discreti, ed ottenendo così un unico modello dell’intero processo. Per ogni sotto-modello, determiniamo il valore ottimo del set di parametri che ne descrive il comportamento, in modo che sia il più aderente possibile alla propria controparte reale. Questo processo è complicato dal fatto che molti parametri non hanno un valore esatto ma sono incerti per natura (ad esempio il tempo che intercorre tra due inceppamenti di una macchina di lavorazione). Attraverso l’analisi statistica otteniamo distribuzioni di probabilità per questi parametri, attraverso un modello in grado di replicare anche gli aspetti stocastici della realtà.
Implementiamo il modello matematico del processo in un codice (tipicamente Java- o Python-based) con librerie dedicate alla simulazione ad eventi discreti, rendendolo pronto ad essere utilizzato per sfruttare le potenzialità della simulazione con digital twin.
Creazione del digital twin
Il primo step per la creazione di un gemello digitale di sistemi complessi come un magazzino o un processo industriale è la scrittura di un modello matematico che abbia la capacità di simulare il processo reale. È importante identificare i vari componenti all’interno del sistema, ad esempio risorse, flussi, buffer, trasporti, per poi creare un sotto-modello matematico (insieme di equazioni e parametri) in grado di coglierne le caratteristiche principali, per ognuno di questi componenti.
La logica di processo viene poi riprodotta collegando i diversi sotto-modelli, seguendo i principi della simulazione ad eventi discreti, ed ottenendo così un unico modello dell’intero processo. Per ogni sotto-modello, determiniamo il valore ottimo del set di parametri che ne descrive il comportamento, in modo che sia il più aderente possibile alla propria controparte reale. Questo processo è complicato dal fatto che molti parametri non hanno un valore esatto ma sono incerti per natura (ad esempio il tempo che intercorre tra due inceppamenti di una macchina di lavorazione). Attraverso l’analisi statistica otteniamo distribuzioni di probabilità per questi parametri, attraverso un modello in grado di replicare anche gli aspetti stocastici della realtà.
Implementiamo il modello matematico del processo in un codice (tipicamente Java- o Python-based) con librerie dedicate alla simulazione ad eventi discreti, rendendolo pronto ad essere utilizzato per sfruttare le potenzialità della simulazione con digital twin.
Usare la simulazione per migliorare il processo
Terminata l’ideazione e l’implementazione del digital twin, utilizziamo la simulazione per efficientare il processo produttivo o per migliorare uno o più KPI determinati insieme agli esperti di processo. Nell’ambiente virtuale possiamo facilmente modificare alcune componenti (ad esempio una diversa allocazione delle risorse, diversi turni di lavoro, un diverso settaggio dei macchinari, introduzione di macchinari più efficienti) e misurarne l’effetto su specifici KPI. Con un gemello digitale possiamo effettuare svariate analisi what-if a costo contenuto e senza rischi di compromettere il funzionamento del processo reale, evitando costi proibitivi se effettuato sul processo reale, oltre che rischiare la compromissione dell’intera catena produttiva. L’esecuzione di svariate repliche di simulazione what-if ci permette di valutare anche la robustezza dei KPI ad eventi incerti che si potrebbero presentare solo in una frazione minima dei run.
Usare la simulazione per migliorare il processo
Terminata l’ideazione e l’implementazione del digital twin, utilizziamo la simulazione per efficientare il processo produttivo o per migliorare uno o più KPI determinati insieme agli esperti di processo. Nell’ambiente virtuale possiamo facilmente modificare alcune componenti (ad esempio una diversa allocazione delle risorse, diversi turni di lavoro, un diverso settaggio dei macchinari, introduzione di macchinari più efficienti) e misurarne l’effetto su specifici KPI. Con un gemello digitale possiamo effettuare svariate analisi what-if a costo contenuto e senza rischi di compromettere il funzionamento del processo reale, evitando costi proibitivi se effettuato sul processo reale, oltre che rischiare la compromissione dell’intera catena produttiva. L’esecuzione di svariate repliche di simulazione what-if ci permette di valutare anche la robustezza dei KPI ad eventi incerti che si potrebbero presentare solo in una frazione minima dei run.
Sfruttare la simulazione per anticipare il futuro
Un digital twin ci permette di simulare il futuro e prevedere come il processo si comporterà nei prossimi minuti, ore, giorni o settimane. Questa visione consente di anticipare potenziali malfunzionamenti o colli di bottiglia e guidare l’implementazione di soluzioni correttive che prevengano tali problematiche.
Per effettuare questo esercizio dobbiamo però predire come si comporteranno tutti i processi che sono esterni al nostro digital twin ma che interagiscono con esso (ad esempio, le di vendite di un negozio o i prelievi da un magazzino). Ovviamente una previsione è accompagnata da incertezza, che può essere ridotta grazie a tecniche di machine learning e previsioni di serie storiche, ma non azzerata. In aHead Research siamo in grado di capire come gestire questa incertezza per guidare il processo decisionale e ridurne il rischio associato. In questo contesto algoritmi di Artificial Intelligence basati su ottimizzazione stocastica forniscono un perfetto supporto al decision-making in condizioni di incertezza.
Sfruttare la simulazione per anticipare il futuro
Un digital twin ci permette di simulare il futuro e prevedere come il processo si comporterà nei prossimi minuti, ore, giorni o settimane. Questa visione consente di anticipare potenziali malfunzionamenti o colli di bottiglia e guidare l’implementazione di soluzioni correttive che prevengano tali problematiche.
Per effettuare questo esercizio dobbiamo però predire come si comporteranno tutti i processi che sono esterni al nostro digital twin ma che interagiscono con esso (ad esempio, le di vendite di un negozio o i prelievi da un magazzino). Ovviamente una previsione è accompagnata da incertezza, che può essere ridotta grazie a tecniche di machine learning e previsioni di serie storiche, ma non azzerata. In aHead Research siamo in grado di capire come gestire questa incertezza per guidare il processo decisionale e ridurne il rischio associato. In questo contesto algoritmi di Artificial Intelligence basati su ottimizzazione stocastica forniscono un perfetto supporto al decision-making in condizioni di incertezza.