Simulazione: i gemelli digitali entrano in fabbrica

In un contesto sempre più competitivo e interconnesso, tipico dell’Industria 4.0, sviluppare e iniziare a utilizzare un Digital Twin significa affidarsi a una nuova visione data-driven, capace di aiutare nel migliorare le performance, la flessibilità e la sostenibilità delle operazioni industriali trasformando le scelte possibili, ma delle quali non siamo certi, in opportunità concrete

di Claudio Giardini, Università di Bergamo

Partiamo dalla definizione: un Digital Twin (Gemello Digitale) di un sistema di produzione è una rappresentazione virtuale accurata e dinamica di un impianto produttivo, macchinario o processo industriale. La differenza rispetto a un più semplice simulatore è che questo modello digitale è alimentato costantemente da dati reali raccolti e permette, quindi, di simulare, analizzare e ottimizzare le operazioni in tempo reale o in scenari ipotetici, anche grazie alla sua integrazione con tecnologie quali IoT e Big Data.

Possibili impieghi

Monitoraggio in tempo reale dei processi produttivi

Il Digital Twin è in grado di acquisire dati continuamente da una rete di sensori IoT installati lungo la linea di produzione, su macchinari, impianti e sistemi ausiliari in conformità a quanto previsto dall’Industria 4.0. Queste informazioni – che possono includere temperature, vibrazioni, pressioni, consumi energetici, velocità, stato operativo ecc. – sono elaborate per monitorare costantemente lo stato del sistema.

In questo modo, è possibile rilevare tempestivamente anomalie nel comportamento delle macchine, anticipare guasti e pianificare interventi di manutenzione predittiva, riducendo i tempi di fermo imprevisti e migliorando di conseguenza l’affidabilità complessiva dell’impianto.

Ottimizzazione dei processi produttivi

Attraverso la simulazione e l’analisi dei dati operativi acquisiti, il Digital Twin consente di modellare e comprendere il comportamento effettivo del processo produttivo. Con queste informazioni diventa possibile identificare inefficienze nascoste, come colli di bottiglia, tempi morti o sovraccarichi di risorse, andando a migliorare il throughput. L’analisi dei flussi di lavoro consente di sperimentare virtualmente modifiche nella sequenza delle operazioni, nella disposizione delle risorse o nei parametri di processo, allo scopo di migliorare la produttività, ridurre gli sprechi e ottimizzare l’utilizzo degli impianti e del personale.

Simulazione e valutazione di scenari alternativi

Il Digital Twin, offrendo un ambiente virtuale controllato in cui è possibile testare ipotesi e strategie senza interferire con la produzione reale, permette di valutare gli effetti di modifiche nei turni di lavoro, integrazione di nuove macchine, introduzione di nuove logiche di controllo, oppure la reazione del sistema a eventi imprevisti (come guasti o variazioni nella domanda), anche confrontando scenari differenti. In questo modo si possono prendere decisioni più informate, riducendo i rischi legati a cambiamenti operativi e strategici, potendone valutare l’impatto prima di realizzarli in pratica.

Supporto al miglioramento della qualità

Analizzando in profondità i dati provenienti dalla produzione, il Digital Twin permette anche di studiare e identificare le correlazioni che vi sono tra i parametri di processo e la qualità del prodotto finale. In caso di difetti o scarti, il sistema può aiutare a risalire alle cause radice del problema, suggerendo azioni correttive efficaci. Inoltre, è possibile implementare algoritmi di controllo qualità in tempo reale, che monitorano continuamente le variabili critiche e segnalano eventuali deviazioni, contribuendo a mantenere alti standard qualitativi e a ridurre i costi legati a rilavorazioni o resi.

Formazione e addestramento degli operatori

Attraverso l’integrazione con tecnologie di simulazione immersiva, quali la realtà aumentata (AR) o la realtà virtuale (VR), il Digital Twin può essere utilizzato per “creare” ambienti di formazione realistici, dove gli operatori possono imparare a gestire impianti complessi, effettuare operazioni di manutenzione o affrontare situazioni anomale, senza correre rischi per la sicurezza e senza fermare la produzione reale. Un po’ come un simulatore di volo applicato in ambito industriale. Questo tipo di addestramento aumenta la competenza e la prontezza del personale, contribuendo a una gestione più efficiente e sicura del sistema produttivo.

Manutenzione predittiva

Nel contesto di una macchina per lo stampaggio a iniezione, ad esempio, il Digital Twin può essere utilizzato per raccogliere e analizzare in tempo reale una grande quantità di dati provenienti da sensori distribuiti sui componenti critici dell’impianto.

Chiaramente si hanno due vantaggi: da un lato si evitano costosi fermi macchina non pianificati, mentre dall’altro si ottimizza la gestione delle risorse di manutenzione, riducendo i costi legati a interventi non necessari o, per contro, troppo frequenti. In questo modo la gestione della manutenzione diventa quindi data-driven (ovvero guidata dai dati) e proattiva, favorendo la continuità e l’affidabilità produttiva.

Riduzione degli scarti e miglioramento della qualità

Questi sensori misurano parametri come vibrazioni anomale, variazioni di temperatura, rumori fuori norma o cicli di carico e scarico. Tali dati vengono elaborati da algoritmi di intelligenza artificiale e modelli statistici predittivi, che sono addestrati per riconoscere i segnali premonitori di possibili guasti meccanici, elettrici o idraulici. In questo modo, il Digital Twin è in grado di anticipare l’insorgere di problemi, suggerendo con largo anticipo interventi mirati di manutenzione.

Rimanendo nel settore dello stampaggio di materiali plastici, dove la qualità del prodotto finale dipende da un insieme delicato di variabili di processo (quali temperatura del materiale, pressione d’iniezione, velocità di raffreddamento ecc.), il Digital Twin può giocare un ruolo cruciale perché, grazie a un modello virtuale che replica fedelmente il comportamento del processo fisico, è possibile simulare l’effetto di diverse configurazioni operative senza dover intervenire sulla linea reale.

Si possono così esplorare in anticipo le combinazioni di parametri che portano a risultati ottimali, riducendo drasticamente il numero di pezzi non conformi. Il Digital Twin può inoltre contribuire a individuare le cause principali dei difetti, facilitando l’implementazione di azioni correttive efficaci e stabili. Il risultato è un miglioramento continuo della qualità, accompagnato da una riduzione degli scarti, dei costi di rilavorazione e del consumo di materie prime.

Progettazione e validazione di nuove linee produttive

È noto che quando si pianifica l’introduzione di una nuova linea di produzione, si devono prendere numerose decisioni strategiche che vanno dalla disposizione delle macchine all’organizzazione dei flussi materiali, dalla gestione degli operatori alla definizione della logica di controllo… e così via.

In questa fase, la realizzazione di un gemello digitale della futura linea, è possibile simulare con accuratezza il comportamento dell’intero sistema, testando diversi layout e configurazioni operative. Questo permette di valutare in anticipo le prestazioni attese in termini di produttività, efficienza, saturazione delle risorse, costi operativi e tempi di ciclo.

Sempre tramite un Digital Twin possono, inoltre, essere simulate condizioni eccezionali (guasti, variazioni di domanda, assenze di personale) per testare la resilienza e la flessibilità della linea, identificando preventivamente le criticità, evitando errori costosi e permettendo di ottimizzare la soluzione finale prima ancora che l’impianto venga fisicamente realizzato.

Sviluppo e implementazione

Per sviluppare e implementare in pratica un Digital Twin occorre seguire un percorso composta da diverse fasi come indicato di seguito. Per ciascuna fase sono riportati anche esempi pratici di cosa si può fare.

Installazione di componenti elettronici

Come detto, per realizzare un Digital Twin, devono essere raccolti dati in tempo reale dalla linea produttiva installando sensori IoT su macchine e processi, come ad esempio:

• Sensori di temperatura, per monitorare il riscaldamento dei macchinari.
• Sensori di vibrazione, per diagnosticare usura e guasti in motori e cuscinetti.
• Sensori di pressione e flusso, per controllare fluidi e gas nei processi industriali.
• Fotocellule e camere di visione, per controllare la qualità dei prodotti in linea.
• Encoder e tachimetri, per misurare velocità e posizione di componenti in movimento.
• PLC, per raccogliere dati dalle macchine e comunicarli al sistema.

Raccolta dei dati

I dati che è interessante raccogliere, a seconda delle esigenze, possono essere:

• Dati di produzione: numero di pezzi prodotti, scarti, tempi di ciclo ecc.
• Dati di processo: temperature, pressioni, velocità ecc.
• Dati di manutenzione: vibrazioni, usura, guasti ecc.
• Dati ambientali: umidità, polveri, condizioni atmosferiche ecc.

Questi dati, dopo essere stati raccolti, devono essere trasmessi a un sistema centrale, dove avverrà la memorizzazione e l’elaborazione. Avendo a disposizione differenti tipi di sorgenti, questo può avvenire tramite diverse soluzioni, quali:

• Reti industriali (es.: Modbus, OPC UA, Profinet), per connettere i sensori e i PLC.
• Gateway IoT, per inviare i dati al cloud o a un server locale.
• Database (SQL, NoSQL, Data Lakes), per archiviare i dati storici.

Trattamento e analisi dei dati

I dati memorizzati devono quindi essere trattati e analizzati por poterne estrarre informazioni utili. Questo avviene attraverso operazioni quali:

• Data Cleaning, per la rimozione di dati inconsistenti o errati.
• Data Aggregation, per arrivare a un’organizzazione dei dati che ne faciliti l’analisi e la visualizzazione.
• Machine Learning / AI, per la predizione di guasti, ottimizzazione della produzione ecc.
• Analisi statistica, per l’identificazione di trend e anomalie anche attraverso funzioni di regressione.

Gli strumenti più utilizzati sono, al momento:

• Python, per l’analisi dei dati;
• Big Data tools, per l’analisi di grandi volumi di dati;
• AI e Machine Learning, per analisi del tipo manutenzione predittiva e ottimizzazione.

Rappresentazione dei dati e creazione della dashboard

Creare una dashboard consente di visualizzare lo stato di una macchina, un impianto, una linea produttiva in tempo reale, riportando le caratteristiche principali sullo schermo di un computer, in modo da avere sotto forma grafica, tramite simboli e pittogrammi o tramite schemi e grafici, la situazione di quanto stiamo replicando, a colpo d’occhio. Per ottenere questo risultato si possono usare differenti rappresentazioni, come ad esempio:

• grafici e indicatori KPI (Key Performance Indicators), come ad esempio: velocità di produzione, tasso di scarti, temperatura macchinari ecc.
• mappe termiche, per identificare in modo molto semplice i punti critici nella linea;
• allarmi e notifiche, che avvertono l’utente in caso di anomalie.

Esistono vari strumenti particolarmente adatti per realizzare queste dashboard, a seconda che si vogliano visualizzare dati industriali, oppure si vogliano creare report dinamici e analisi avanzate, o si vogliano delle dashboard intuitive e interattive; oppure, ancora, si voglia realizzare il controllo in tempo reale dei sistemi di produzione.

Naturalmente raccogliere dati, trattarli e rappresentarli non basta: i dati vanno usati per migliorare la produzione, la qualità e la gestione della manutenzione, giusto per fare qualche esempio.

Ovvero i dati, comunque rappresentati, vanno letti, anche usando sistemi di AI, con lo scopo di realizzare piani di miglioramento. Monitorare tanto per monitorare, non serve a nulla. È solo l’uso intelligente del dato e della sua elaborazione che permette davvero di fare la differenza, potendo così sfruttare completamente le potenzialità fornite dall’uso di questi Digital Twin.

Realizzazione dei modelli di simulazione e modellazione 3D

Oltre a rappresentare i dati raccolti sotto forma di grafici e quant’altro come detto a riguardo delle dashboard, è sicuramente interessante, e in molti casi anche molto utile, realizzare una rappresentazione davvero virtuale ma realistica della linea produttiva per testare scenari e ottimizzare i processi.

Vi sono molti strumenti in grado di fare questo, permettendo di modellare sistemi produttivi e logistici, flussi produttivi, situazioni con colli di bottiglia, analizzare prestazioni ecc. La differenza, rispetto ai simulatori a eventi discreti, è che in questo caso, avendo realizzato la sensorizzazione del sistema produttivo e raccogliendo dati dalla linea in tempo reale, si può modellare l’impatto di eventuali modifiche nella velocità dei macchinari o nell’allocazione delle risorse, consentendo così di confrontare diverse configurazioni del sistema.

La duplicazione digitale di un sistema reale può avvenire non solo tramite strumenti software di simulazione, ma anche attraverso software di analisi statistica e di AI. Differenti strumenti software permettono di analizzare i dati realizzando modelli analitici predittivi, oppure di ottimizzare i parametri attraverso modelli probabilistici, o ancora di simulare dinamicamente sistemi fisici e di controllo, o infine di allenare sistemi di machine learning e intelligenza artificiale da utilizzare poi quali elementi predittivi.

Un’altra interessante applicazione dei Digital Twin è utilizzare le tecniche di Realtà Virtuale (VR) o Realtà Aumentata (AR) per poter “vedere” il comportamento di una macchina, di una linea o di un intero sistema produttivo in un ambiente immersivo e interattivo. In questo modo è possibile “esplorare” la linea produttiva testando, ad esempio, modifiche nel layout senza influenzare la produzione reale.

Ottimizzazione e affidabilità

Tutti gli aspetti positivi e le potenzialità fin qui descritte necessitano però di alcuni chiarimenti e considerazioni aggiuntive.

È vero: con un Digital Twin si possono provare differenti logiche di funzionamento di un sistema di produzione per vedere in anticipo cosa succede, anche senza toccare la produzione reale. Questo, come detto, permette di testare strategie di ottimizzazione, ridurre costi e minimizzare i rischi di cambiamenti improduttivi e così via.

Ma quando sono stati raccolti i dati, sono stati trattati ed elaborati, è stata realizzata una dashboard o è stato realizzato un modello simulativo del sistema, come si possono davvero confrontare diverse situazioni? Come si fa a definire il concetto di “migliore”? Come siamo sicuri che le simulazioni siano condotte con modelli affidabili? In altre parole, come si valida un modello simulativo?

Come confrontare le situazioni per identificare la migliore?

Per confrontare diverse strategie, è innanzitutto necessario definire metriche di performance e valutare più scenari simulando differenti configurazioni della produzione. Le fasi da realizzare possono essere così riassunte e descritte:

• Definire le variabili di controllo, ovvero cosa si vuole cambiare nella simulazione: velocità delle macchine, dimensione dei lotti, tempi di attrezzaggio, turni di lavoro, strategia di manutenzione, …
• Definire le metriche di confronto, ovvero i KPI, quali ad esempio:
  • l’efficienza della linea (quantità prodotta/tempo totale);
  • il throughput (numero di pezzi prodotti per unità di tempo);
  • il lead time (tempo medio di attraversamento di un prodotto nella linea);
  • il tasso di scarti / qualità (percentuale di pezzi difettosi);
  • l’uso delle risorse (percentuale di utilizzo delle macchine/operatori);
  • il costo per unità prodotta (costo energetico, materie prime, manodopera ecc.);
  • l’affidabilità (frequenza dei guasti, tempi di fermo macchina ecc.).
• Simulare più scenari, ovvero realizzare differenti simulazioni nelle quali sono via via introdotte modifiche rispetto alla situazione di riferimento, o alla situazione attuale:
  • Scenario A (baseline), che è la configurazione attuale del sistema.
  • Scenario B (modifica 1), ad esempio introducendo un aumento della velocità dei macchinari.
  • Scenario C (modifica 2), ad esempio introducendo un’ottimizzazione della manutenzione.
  • Scenario D (modifica 3), ad esempio considerando una variazione nella logistica dei materiali.
• Analizzare i risultati confrontando tra di loro i valori dei KPI scelti, ottenuti per i differenti scenari, oppure ricercando il miglior equilibrio tra produttività, costi e qualità… e così via. Se necessario, si può anche provare a ripetere il ciclo con nuovi parametri fintanto che si sia raggiunta la situazione migliore.

Ma cosa vuol dire “migliore”?

La risposta a questa domanda è banale: dipende dagli obiettivi dell’azienda.

Ma in pratica? Qualche idea può essere: massimizzare la produzione, minimizzare gli scarti, ottimizzare i costi energetici, ridurre i tempi di consegna, oppure anche un bilanciamento di più fattori, ricercando il migliore compromesso tra produttività, qualità e costi; fattori che, presi singolarmente, vorrebbero far muovere il sistema in direzioni tra di loro non sempre compatibili.

Ciò significa che la “funzione obiettivo” non può che essere basata su un’analisi costi-benefici contestualizzata alla realtà che stiamo analizzando, ovvero tenendo conto dei vincoli di quella particolare azienda.

Come validare un modello?

Validare un modello significa verificare che il modello stesso rifletta accuratamente la realtà e che le previsioni siano attendibili, ricordandosi che alcuni modelli sono deterministici, mentre la realtà è stocastica: attenzione ai modelli di regressione, quindi.

In pratica questa validazione può essere condotta nei seguenti modi:

• Confronto con dati reali, usando ad esempio dati storici, per verificare se i modelli sono accurati.
• Analisi di sensitività, introducendo piccole variazioni nella configurazione, o nei parametri, per verificare che i risultati si modifichino in maniera coerente e non diventino irrealistici.
• Test su un piccolo lotto, applicando quindi il concetto di “check” della ruota di Deming prima di stravolgere un sistema, verificando la fattibilità e la correttezza della previsione, se possibile, solo su una parte della linea reale.
• Crossvalidation con altri modelli, ovvero confrontando le previsioni di differenti modelli per testarne la coerenza come elemento di garanzia sulla correttezza del modello.
• Esperti del processo. È un po’ la prima e l’ultima spiaggia: quando non riesco, o non posso fare diversamente, confronto i risultati con il parere di ingegneri, tecnici e operatori per valutare se il modello rappresenta correttamente il processo reale.

Conclusioni

Secondo Axios, nel suo articolo “How digital twin technology is transforming the enterprise” del giugno 2025: “Un Digital Twin è molto più di un modello virtuale: è una potente interfaccia tra il mondo reale e quello digitale, che consente di simulare, analizzare e ottimizzare in tempo reale processi, prodotti e infrastrutture prima di apportare modifiche fisiche”.

Sviluppare e iniziare a utilizzare un Digital Twin significa affidarsi a una nuova visione data-driven, capace di aiutare nel migliorare le performance, la flessibilità e la sostenibilità delle operazioni industriali, trasformando le scelte possibili, ma delle quali non siamo certi, in opportunità concrete; supportando, quindi, decisioni strategiche più sicure. È, in definitiva, la chiave per passare da “reattività” a “proattività”, da “ipotesi” a “strategie validate”, in un contesto sempre più competitivo e interconnesso, tipico dell’Industria 4.0.

(Articolo tratto dalla rivista Plastix di marzo 2026)