AS_02_2021

Marzo 2021 Automazione e Strumentazione SCENARI primo piano 28 pare quella che viene definita Simulazione ad Agenti o Simulazione Agent Based, dove ven- gono simulati i comportamenti di agenti in grado di percepire cosa succede nell’ambiente in cui si opera e di adattarsi alle diverse situazioni analo- gamente a quanto farebbe un operatore umano. Le problematiche connesse all’evoluzione della simulazione con sistemi Intelligenti sono ben delineate nel White Paper “Intelligenza arti- ficiale. Tecnologie e applicazioni industriali” curato dal Gruppo Software di Anie Automa- zione. Lo studio prende atto del recente grande sviluppo di sistemi basati su metodi analitici pre- dittivi resi possibili dalla diffusa connettività e della enorme disponibilità di dati; tali sistemi si basano in generale su metodi di Machine Lear- ning dove sulla base di dati storici disponibili si sviluppano modelli data-driven di tipo statistico computazionale, o reti neurali artificiali, in grado di acquisire informazioni direttamente dai dati, senza modelli matematici costruiti con equazioni predeterminate. Lo studio considera poi una serie di punti deboli e di limiti insiti in queste tipolo- gie di modelli predittivi. Limitante è il fatto che l’accuratezza della capacità predittiva di questi modelli dipenda dalla qualità e dalla quantità dei dati disponibili, il che rende impossibile il loro utilizzo in caso di assenza di dati o di impianti nuovi che non possono avere uno ‘storico’. Un punto debole è la necessità di disporre di risorse appropriate in termini di competenze sia di pro- cesso sia di ‘data-science’; inoltre, resta il fatto che i modelli data-driven possono predire solo eventi che si siano già manifestati nel processo in oggetto e sui quali siano già disponibili dei dati, il che rende praticamente impossibile predire situazioni atipiche o malfunzionamenti partico- larmente rari. Per la costruzione di un modello di simulazione completo e versatile , la soluzione alle proble- matiche sopra esposte viene indicata dal White Paper nei seguenti passaggi: a) combinare metodi di simulazione tipo Machine Learning, o basati puramente su dati, con modelli di simulazione continua ‘ai principi primi’ o meglio modelli che interpretano i fenomeni chimico-fisici che avvengono all’in- terno del processo attraverso un set di equa- zioni matematiche predeterminate; b)creare uno strumento che permetta di combi- nare in modo agevole varie tipologie di modelli senza necessariamente scrivere codice o svilup- pare modelli nuovi, ma piuttosto avere la pos- sibilità di combinare modelli esistenti e testati ‘ai principi primi’ con una varietà di modelli data-driven che assumano un ruolo adattivo attraverso un set di parametri preselezionati; c) implementare le soluzioni sopra esposte in una piattaforma ‘low/zero coding’ che consenta la scelta e il set up del modello senza la necessità di risorse con conoscenze approfondite in termini di modellistica matematica o data processing; d) costruire uno strumento ‘IOT ready’, cioè che permetta facilmente l’integrazione con le più comuni piattaforme di IOT industriale con- sentendo una facile connettività con i dati di campo senza passaggi intermedi a complessi e ingombranti data base”. Una dimostrazione del concetto di Digital Twin nel corso di una fiera di settore