Prendere una decisione richiede oggigiorno consapevolezza dei diversi impatti che ne conseguono, per essere competitivi: spesso, la generazione di valore come risultato di una decisione riguarda più caratteristiche come sicurezza, produttività, qualità, protezione ambientale … tanto che, nella teoria moderna del business, si parla di decisioni multi-criterio/ multi-obiettivo (alias multi-criteria / multi- objective decision-making). Valutare l’effetto su diverse caratteristiche, quindi diverse prestazioni obiettivo, dipende d’altro canto dagli stakeholder che nutrono un interesse nell’asset oggetto di manutenzione. Perciò, si rende anche necessario perseguire priorità che non nascono meramente nella sola sfera tecnica, più spesso sono dovute a ragioni di business e finanche sociali. Il decision-making è, poi, complicato perché occorre all’interno di contesti sempre più sfidanti, dovendo fare il possibile per rispettare le suddette priorità pur essendo il processo decisionale tipicamente limitato nelle risorse a disposizione. Il tempo è una risorsa scarsa, infatti la decisione è da prendere in un orizzonte di tempo ristretto, con i limiti conseguenti. Un asset richiede conoscenza su più domini di natura fisica e tecnologica per una decisione consapevole, ma la conoscenza disponibile è generalmente non sufficiente. Infine, i dati sono spesso scarsamente strutturati, sono frammentati e da riconciliare, molte volte non sono disponibili quando servono e, anche quando lo fossero, non sono esenti da incertezza. Infine, le decisioni sono complicate di per sé perché i “piani” decisionali oggi sempre più si confondono sia per ragioni di business, connesse alla customizzazione dei prodotti/servizi per essere responsive alle esigenze dei clienti, sia per ragioni più operative, in corrispondenza dell’esistenza di condizioni di lavoro che cambiano frequentemente per gli asset con la varietà delle operations. Facciamo un breve esempio per ragionare sui suddetti concetti in un caso concreto. Si pensi ad una macchina utensile che lavora, con tecnologie meccaniche, per ottenere prodotti manufatti a piccoli lotti, con diverse caratteristiche geometriche da realizzare a partire da una certo range di caratteristiche dei materiali. Una macchina utensile è notoriamente molto affidabile, permette elevate produttività, garantisce cambi prodotto sempre più rapidi e frequenti e, nel medio-lungo termine, cambia le lavorazioni realizzate per effetto di nuove famiglie di prodotto e cambi di gamma; la macchina utensile è perciò un chiaro esempio di asset fisico per permettere di raggiungere la responsiveness succitata. Inoltre, considerando le sfide dei mercati nel caso di prodotti ad alto valore, sappiamo che non è possibile accettare la generazione di difetti, al punto di pensare ad implementare strategie di zero defect manufacturing e, di conseguenza, di voler anticipare i problemi con early detection delle deviazioni dovute sia al processo sia all’asset. È evidente che siamo in una situazione altamente sfidante. Stante il contesto descritto, faccio tre gruppi di domande per provocare una serie di riflessioni nel lettore.
- Dove sta oggigiorno il perimetro delle responsabilità nel monitoraggio e controllo delle parti critiche della macchina utensile? Il monitoraggio e controllo comprende solo le parti strutturali, come il mandrino e gli assi, o anche le parti tecnologiche legate al processo, come l’utensile o l’attrezzatura usata per l’handling e il fissaggio del pezzo lavorato?
- Con le sfide odierne, è sufficiente la disponibilità come prestazione basilare per competere? Non è invece necessario “attrezzarsi” per avere un approccio di qualità totale a garanzia di limitati impatti nel processo produttivo? È solo affidabilità di macchina o, con visione più allargata, affidabilità di processo?
- Siamo certi della stabilità delle condizioni di lavoro quando produciamo per la responsiveness al mercato, con varietà di caratteristiche dei materiali e delle operazioni sulle macchine utensili? Siamo certi, quindi, che una politica di manutenzione possa essere indipendente dalle decisioni che attengono all’operations, i.e. indipendente da programmazione dei lavori e (ri)-configurazione dei controlli di macchina? Oppure, al contrario, la politica di manutenzione si deve (ri)-tarare dinamicamente tenuto conto dei processi / prodotti realizzati?
L’esempio è inteso per evocare alcune sfide a cui si è fatto cenno in senso più astratto e concettuale all’inizio di questo editoriale, e mi serve per arrivare a ulteriori considerazioni che qui di seguito riporto. In base delle esperienze che sto facendo oggi, posso proporre una sorta di generalizzazione di soluzioni per dare risposta alle problematiche indirizzate nell’esempio:
- il contributo alla competitività da parte della Manutenzione è sempre più legato alla sua collocazione “in linea” con le Operations, per garantire decisioni allineate alla generazione del valore; così, al variare delle (ri)-configurazioni degli asset, la Manutenzione deve essere altrettanto dinamica nel ri-tarare e adattare, se il caso, i propri piani di manutenzione;
- la qualità e l’affidabilità di processo sono sempre più l’indirizzo chiave alla frontiera della competitività; non si può pensare di essere competitivi solo quando si misura l’OEE (Availability x Quality x Performance) – ciò che naturalmente è una good practice; bisogna anche saper sfruttare appieno le nuove tecnologie della digitalizzazione per una conoscenza sempre più profonda e spinta del processo, perché è lì che si comprende come le scelte concorrenti di controllo della produzione e della manutenzione si influenzano vicendevolmente, portando da ultimo alla manifattura zero defect;
- la responsabilità è sempre più estesa, centrata sull’affidabilità del processo, perché agli stakeholders non interessa solo che l’asset sia affidabile, ma che si garantisca una qualità totale, rispetto ai diversi impatti possibili.
E allora… come ci aiutano le tecnologie nel supporto alle decisioni? Se ML / AI (Machine Learning / Artificial Intelligence) servono naturalmente alla causa, non facciamo l’errore di adottare approcci guidati dai soli dati, per ragioni di cui si potrebbe parlare per ore. Voglio solo sottolineare la maggior probabilità di una continua transitorietà tra i regimi di produzione, per cui è piuttosto complicato fare l’apprendimento degli algoritmi di AI in condizioni di lavoro fortemente variabili ha le sue challenge. Non dimentichiamo così che, accanto alle tecniche data-driven come è il caso del ML / AI, ci sono pur sempre le tecniche ingegneristiche model-based, altrettanto rilevanti per poter disporre di strumenti di modellazione e simulazione a supporto delle decisioni su un asset. E qui mi riaggancio al titolo, introducendo il concetto di “gemello digitale” (“digital twin”) a supporto delle decisioni. Il digital twin secondo le definizioni originariamente dovute alla NASA, nella sua NASA Modeling, Simulation, Information Technology & Processing Roadmap, è «an integrated multi- physics, multi-scale, probabilistic simulation of a vehicle or system that uses the best available physical models, sensor updates, fleet history, etc., to mirror the life of its flying twin. It is ultra-realistic and may consider one or more important and interdependent vehicle systems»1. In questa definizione di elevata utilità per le prospettive che sta stimolando in altri ambiti ap plicativi, si rimarca che un digital twin non è solamente data-driven ma è anche fortemente basato (come componente altrettanto rilevante) su modelli dettati dalle leggi fisiche. In un futuro, non ancora prossimo (ndr quando parliamo di digital twin siamo di certo sulla frontiera tecnologica), penso che il digital twin possa diventare un concetto trasformativo nel quale si incontra un bilanciamento nell’adozione dei due approcci tecnologici – il data-driven e il model-based. Con la visione olistica garantita dal digital twin dell’asset i limiti del processo decisionale menzionati all’inizio di questo editoriale potranno auspicabilmente essere superati. Potremo simulare per prendere una decisione anche nel breve orizzonte temporale, avendo però anche una scala di lungo termine per effettuare la valutazione degli impatti nel lifecycle. Potremo integrare le conoscenze multi-dominio (da domini di diversa natura fisica e tecnologica) in un modello digitale dell’asset, portando a frutto una integrazione che si genera attraverso la catena del valore – dal costruttore al gestore dell’asset – o, in altri termini, lungo il ciclo di vita dell’asset – dal Beginning al Middle e End of Life. Potremo, quindi, decidere simulando a partire dalle leggi fisiche, note ai progettisti, e dai parametri tecnici, che il costruttore già definisce in fase di progetto, per poi arrivare al progressivo arricchimento del digital twin attraverso l’impiego di tecniche data-driven e con i dati di utilizzo dell’asset nella sua vita operativa. Se questo accadrà, a mio parere, potremo conseguire i benefici originati dall’essere sia ingegneri costruttori dell’asset sia ingegneri di manutenzione. Siamo di certo sulla frontiera tecnologica. Si inizia oggi a parlare di digital twin in ambito industriale. La ricerca sta contemporaneamente lavorando al fine di consolidare teorie ancora oggi non pienamente cristallizzate. Personalmente sono coinvolto, nel Manufacturing Group della School of Management del Politecnico di Milano e all’interno della comunità scientifica, a portare avanti tali tematiche in ambito di gestione delle operations e degli asset nel ciclo di vita. Sono quindi molto curioso perché mi interessa sapere come il digital twin troverà concretizzazione applicativa stabile in industria. In conclusione, non credo che stiamo parlando di fantascienza; ciò nondimeno, servirà del tempo per arrivare a piena realizzazione di un digital twin capace di supportare non solo la manutenzione, ma anche la gestione del ciclo di vita dell’asset, con decisioni di (ri)-configurazione degli asset fortemente correlate a decisioni di manutenzione2.
In futuro, questo editoriale potrà essere criticato o referenziato avendo esempi concreti nei contributi degli autori di articoli pubblicati nella rivista.
Note
1 M. Shafto, M. Conroy, R. Doyle, E. Glaessgen, C. Kemp, J. LeMoigne, L. Wang, DRAFT Modeling, Simulation, Information Technology & Processing Roadmap. Technology Area 11, 2010. M. Shafto, M. Conroy, R. Doyle, E. Glaessgen, C. Kemp, J. LeMoigne, L. Wang, Modeling, Simulation, Information Technology & Processing Roadmap. Technology Area 11, 2012.
2 Marco Macchi, Irene Roda, Elisa Negri, Luca Fumagalli. Exploring the role of Digital Twin for Asset Lifecycle Management, in IFAC-PapersOnLine, Volume 51, Issue 11, 2018, 790-795, ISSN: 2405-8963.
Elisa Negri, Luca Fumagalli, Marco Macchi, A Review of the Roles of Digital Twin in CPS-based Production Systems, in Proceedings 27th International Conference on Flexible Automation and Intelligent Manufacturing, FAIM2017, Volume 11, 939-948, 27-30 June 2017, Modena, Italy, (Eds.) Marcello Pellicciari, Margherita Peruzzini, ISSN: 2351-9789.
Marco Macchi, Direttore Manutenzione T&M
