,allowExpansion)
AI-Powered Digital Twins per manutenzione, anomaly detection e aumento della produttività
VERSO LA PRODUZIONE INTELLIGENTE
L’ingente volume di dati generato dai macchinari industriali rappresenta un’opportunità significativa per sbloccare nuovi valori di business. Sfruttando la potenza dell’Industrial Internet of Things (IIoT) e dell’Artificial Intelligence (AI), le aziende possono creare ecosistemi intelligenti che non solo monitorano e controllano i macchinari, ma ottimizzano in modo proattivo i processi, riducono i costi e favoriscono l’innovazione.
Il ruolo cruciale del Digital Twin
I Digital Twins sono rappresentazioni virtuali di un asset fisico, di un processo o persino di un intero sistema. Questa tecnologia funge da ponte tra il mondo fisico e quello digitale, consentendo monitoraggio, simulazione e controllo in tempo reale. Grazie alla raccolta continua di dati provenienti dai macchinari connessi, i Digital Twins offrono una visione dinamica e completa delle operazioni.
Questo permette di ricavare nuovi insight dai dati acquisiti, di attivare gli actuator per eseguire azioni nel mondo reale, di automatizzare processi complessi e di simulare scenari “what-if” per testare le risposte a potenziali interruzioni senza impattare la produzione in corso.
Generare valore di business tangibile
L’integrazione di Digital Twins, IIoT e AI avanzata può accelerare l’innovazione in molti contesti manifatturieri. Migliorando la user experience degli operatori, abilitando la previsione di anomalie per ridurre gli sprechi, ottimizzando i processi per aumentare la redditività ed estraendo nuovo valore dai macchinari esistenti, queste tecnologie stanno aprendo la strada a un’evoluzione più proattiva ed efficiente dell’industria. L’approccio di Reply non solo migliora l’efficacia operativa, ma apre anche nuove opportunità di servitisation, in cui la value proposition si estende oltre il prodotto fisico per includere una suite di servizi connessi.
Modernizzare i sistemi legacy tramite retrofitting
Per i macchinari legacy, spesso privi di connettività nativa, il retrofitting offre un percorso di integrazione a costo contenuto all’interno di un ecosistema IoT intelligente. Potenziando le apparecchiature più datate con sensori e moduli di connettività, è possibile estrarre dati preziosi che altrimenti rimarrebbero inutilizzati. Questi dati possono poi essere impiegati in diverse applicazioni, tra cui l’aggiornamento remoto di software e configurazioni, la raccolta di dati di telemetry, il monitoraggio di allarmi ed errori e il tracciamento dei consumi energetici.
Sfruttare l’AI per operazioni proattive
Sebbene il concetto di digital twin sia discusso da anni nel settore manifatturiero, l’introduzione dell’artificial intelligence ne ha accelerato l’adozione in contesti diversi. Oggi, la convergenza tra AI e l’elevata produzione di dati di fabbrica mette a disposizione strumenti potenti per analisi avanzate.
Gli algoritmi di machine learning possono apprendere autonomamente dai dati per identificare pattern e formulare previsioni senza programmazione esplicita. Questo è particolarmente utile per attività come l’anomaly detection, dove l’obiettivo è individuare outlier nei pattern dei dati che possono indicare un problema in fase di sviluppo, e la predictive maintenance, che prevede potenziali guasti delle apparecchiature per consentire interventi preventivi.
Un’altra applicazione chiave è la cost forecasting, che permette di stimare i costi operativi futuri sulla base dei dati storici. La scalabilità intrinseca di questi algoritmi assicura che le performance migliorino con l’aumentare dei volumi di dati, portando alla scoperta di nuovi pattern e a una migliore adattabilità. La natura predittiva di questi modelli facilita il passaggio da strategie operative reattive a proattive.
Introduzione di Generative AI e Autonomous Agents
La Generative AI, incluse tecnologie come i sistemi Retrieval-Augmented Generation (RAG) e gli AI Agents, rafforza ulteriormente le capacità di questi ecosistemi intelligenti. Gli AI workflows consentono alle persone di definire una logica di controllo che un large language model (LLM) può seguire per risolvere una richiesta specifica. I sistemi RAG sono una tipologia specializzata di AI workflow che recupera informazioni da una knowledge base dedicata, fornendo risposte più contestualizzate e precise, basate su dati specifici di business o di progetto.
Gli AI Agents rappresentano un ulteriore salto in termini di autonomia. A differenza degli AI workflows, gli AI Agents possono determinare in modo indipendente e iterativo la sequenza ottimale di azioni per raggiungere un obiettivo specifico, attingendo a un insieme di tool disponibili. Questa struttura dinamica e adattiva consente di gestire un elevato livello di complessità.
Retrofitting di una pick-and-place legacy
Le macchine pick-and-place vengono utilizzate per posizionare componenti elettronici su un printed circuit board (PCB) e richiedono alta velocità ed estrema precisione. Il progetto ha previsto l’installazione sulla macchina di sensori e connettività verso una piattaforma cloud. È stata sviluppata una dashboard custom per interagire con il Digital Twin della macchina, offrendo una visualizzazione in tempo reale sia dei dati grezzi dei sensori sia di metriche derivate, come una stima della potenza calcolata tramite un modello di linear regression.
Inoltre, è stato implementato un sistema RAG per fornire un’interfaccia conversazionale che consente di accedere ai manuali estesi della macchina. In questo modo gli operatori possono fare domande e ricevere istruzioni step-by-step, complete di citazioni. Il sistema supporta anche l’interazione vocale, migliorando la fruibilità.
L’architettura della soluzione sfrutta una piattaforma cloud: un field gateway raccoglie i dati di telemetry e li trasmette via MQTT a un data broker. I dati vengono quindi elaborati tramite percorsi hot e cold per lo streaming real-time e lo storage persistente in un database time-series specializzato. Il componente RAG è stato realizzato con Azure AI Studio e un modello GPT-4 addestrato sulla knowledge base specifica della pick-and-place. L’architettura è progettata per essere cloud-agnostic, con la possibilità di essere implementata usando servizi equivalenti di altri provider.
Il progetto Generative Manufacturing Operations (GMO)
Il progetto è stato avviato per migliorare il processo di stampa 3D di parti metalliche. L’obiettivo era monitorare e ottimizzare l’esperienza di stampa di una macchina EOS M 400, che produce componenti a partire da leghe metalliche. Un elemento chiave del progetto è un sofisticato sistema di anomaly detection progettato per prevenire failure costose, identificando le stampe con maggiore probabilità di risultare difettose.
In questo caso, il Digital Twin risiede su un field gateway, che legge, pre-processa e modella i dati della stampante e dei sensori ambientali circostanti. Questo approccio ha identificato con successo fasi distinte del processo di stampa, come riposo, riscaldamento, stampa, raffreddamento e surriscaldamento. Sono state poi definite regole basate sulla durata di tali fasi; ad esempio, un periodo prolungato di surriscaldamento viene segnalato come potenziale anomalia. Il modello di anomaly detection ha raggiunto un’accuratezza stimata del 70% sul dataset disponibile.
La dashboard offre una panoramica completa del processo di stampa e integra due chatbot: uno per un sistema RAG e uno per un AI Agent. Il sistema RAG, basato su Amazon Bedrock Knowledge Bases, consente di interrogare la documentazione. L’AI Agent, deployato localmente, è dotato di tool per svolgere attività come il recupero di informazioni di stampa e il calcolo dei consumi energetici. L’agent elabora ed esegue in autonomia un piano per soddisfare le richieste dell’utente, iterando tra approcci diversi fino a ottenere una soluzione completa. Utilizza un dataset Common Objects in Context (COCO) e viene poi ulteriormente addestrato sul dataset multi-oggetto BDD, con test iniziali di inference condotti tramite un simulatore classico. La fase successiva dello sviluppo prevede il re-training del modello direttamente sui dati event-based convertiti, sfruttando le capacità dell’hardware neuromorphic.
Concept Reply
Concept Reply è specializzata nella ricerca, nello sviluppo e nella validazione di soluzioni innovative nell'ambito dell'IoT (Internet of Things), con particolare attenzione ai settori automobilistico, manifatturiero e delle infrastrutture intelligenti. Concept Reply è riconosciuta come esperta in Testing and Quality Assurance. Grazie ai laboratori di Concept Reply e a un team internazionale di professionisti, l’azienda è attualmente il partner fidato di Quality Assurance per la maggior parte delle principali banche italiane, in quanto offre una profonda conoscenza in ambito di innovazioni e soluzioni sul mercato dei servizi finanziari globali (funzionale e tecnico - fintech) con osservatori, partnership e progetti.