L’analisi predittiva può essere sfruttata insieme alla simulazione per valutare diverse architetture nelle fasi iniziali di sviluppo del prodotto, per capire quale tipo di architettura sia più idoneo alle esigenze del cliente. Si possono creare simulazioni 3D e integrarle con questi modelli architetturali iniziali. Si possono quindi aggiungere i dati dei test e vedere come questi si rapportano alle simulazioni, per migliorare i modelli e aumentare l’affidabilità dei sistemi

 

Jan Larsson, Senior Marketing Director EMEA di Siemens PLM Software.

I big data vengono considerati “un giacimento” da esplorare per estrarre informazioni e poter fare previsioni. Siamo passati dall’osservare dati che raccontano ciò che è successo, a comprendere perché qualcosa è successo, fino a poter prevedere cosa accadrà in futuro. E’ con queste parole che Jan Larsson, Senior Marketing Director EMEA di Siemens PLM Software , introduce le sue riflessioni in merito alle potenzialità che possono essere associate al big data in termini di capacità ingeneristiche.

L’analisi predittiva in ingegneria – continua Larsson – unisce simulazioni fisiche e data mining, modellazione statistica e apprendimento automatico, individuando schemi all’interno dei dati per costruire modelli che mostrano come funzionano i sistemi dai quali sono stati raccolti i dati stessi. Grazie a questi modelli è possibile scoprire ciò che i dati in vostro possesso rivelano su informazioni che ancora non possedete.

IoT e sensori stanno già trasformando i prodotti e, in questo contesto, estrarre informazioni dai prodotti è fondamentale per la loro manutenzione e per progettare i modelli successivi: ma non è questo l’unico aspetto dello sviluppo di prodotto nel quale l’analisi predittiva svolge un ruolo chiave.

In molti settori non esistono più prodotti esclusivamente meccanici, bensì dispositivi complessi che uniscono componenti meccanici ed elettrici e che operano in ambienti sempre più complessi. Questo comporta la necessità di progettare sistemi diversi e definire come questi interagiscono fra loro e con il mondo esterno. Da un lato bisogna gestire comandi elettromeccanici, dall’altro prevedere un design che tenga conto delle esigenze di raffreddamento dell’elettronica. In futuro, tutto ciò dovrà essere modellato all’interno di un sistema più grande. Ad esempio, i sistemi di controllo di un veicolo cominceranno a dialogare con altri veicoli e con le infrastrutture di gestione del traffico presenti lungo il tragitto.

A causa di questa crescente complessità, i test in fase di ingegnerizzazione vengono accompagnati sempre più spesso, e in alcuni casi rimpiazzati, da simulazioni che abbracciano più sistemi e che tengono conto di numerosi parametri fisici necessari per modellare i vari sistemi. Questo approccio è efficace anche in fase di progettazione e di test. La struttura fisica del prodotto o la collocazione del prodotto finito possono spesso rendere impossibile la raccolta di dati da un sensore fisico per verificare le prestazioni del prodotto. In questi casi un sensore virtuale simulato può generare informazioni aggiuntive a quelle raccolte dal dispositivo fisico e aumentare l’utilità del test.

Inoltre, le esigenze di resistenza, efficienza dei consumi o semplicemente maggiore efficienza in produzione possono portare all’introduzione di nuovi tipi di materiali e nuove tecniche produttive, invece di continuare ad affidarsi ai metodi già noti e consolidati. Le aziende che vantano decenni di esperienza con materiali tradizionali come acciaio e alluminio devono imparare a lavorare con nuovi materiali, ricorrendo spesso alla produzione additiva o a lavorazioni combinate additive e sottrattive (ad asportazione). Questo significa tornare a effettuare prove fisiche e correlare queste prove alle simulazioni per capire fenomeni basilari come il comportamento dei materiali in un determinato intervallo di temperature e l’impatto sulla progettazione del sistema.

Per rispondere a tutte queste sfide, le aziende dovranno integrare metodi di collaudo e metodi di simulazione, oltre a ricorrere in misura crescente alla simulazione e, ancor più, alla gestione dei dati, in modo da aumentare la velocità con cui viene svolto il lavoro di progettazione e ingegnerizzazione. Dovranno andare ben oltre la tracciabilità di requisiti, dati CAD e risultati dei test: i sistemi per la gestione dei dati dell’ufficio tecnico dovranno immagazzinare tutto il lavoro di ingegneria, incluse simulazioni e verifiche, e integrare i dati di prove, sensori e prestazioni.

Questo diventa ancora più importante con l’esplosione della personalizzazione di massa, che rende impossibile testare tutte le versioni e varianti di un prodotto in tutte i potenziali contesti ambientali. Bisogna invece essere in grado di sfruttare le simulazioni per ottenere una più ampia copertura di tutte le varianti e gli scenari di utilizzo.  In questo modo si può risalire a qualsiasi punto del ciclo di sviluppo e dimostrare che un componente è stato verificato con tutti i sistemi idonei e richiesti, scavando nella miniera di dati per vedere che cosa può aver causato un guasto e utilizzando l’analisi predittiva per prevedere come i prodotti si comporteranno in futuro.

L’approccio matematico dell’analisi dei big data è certamente utile. Ma quando si applica l’analisi predittiva all’area ingegneristica, serve un approccio che combini i dati dei test e i dati delle simulazioni fisiche in un unico database (non un solo tipo di parametri fisici, bensì diversi tipi). Gli ingegneri possono così disporre di grandi quantità di dati di prove e simulazioni e sfruttarli per creare metriche delle prestazioni.

L’analisi predittiva in ingegneria comprende anche l’esplorazione efficiente dello spazio progettuale effettuando molteplici simulazioni con diversi parametri e analizzando i dati ricavati in modo intelligente, per capire i parametri chiave e le loro interazioni reciproche. È così possibile ottimizzare un progetto per ottenere prestazioni robuste, insensibili a eventuali cambiamenti dell’ambiente circostante.

L’analisi predittiva può persino “entrare” nei prodotti, passando dal rilevamento delle condizioni alla loro previsione. I freni antibloccaggio, ad esempio, sono dotati di sensori che percepiscono quando l’auto comincia a slittare. In futuro, sistemi di controllo sofisticati potrebbero sfruttare telecamere a bordo per rilevare che un veicolo si sta avvicinando a una curva troppo velocemente per le condizioni della strada dovute alla pioggia, prevedendone lo sbandamento e quindi intervenendo prima che accada, in modo che l’auto possa affrontare la curva in sicurezza.

La quantità e la varietà dei dati disponibili consentono di effettuare analisi avanzate, ma la quantità di dati ha anche uno svantaggio: gli ingegneri rischiano di essere travolti dalle informazioni se non rendono i big data gestibili. Il numero di sensori installati in ogni genere di prodotti è destinato ad aumentare. La lettura dei dati di un motore aereo o le misure effettuate su un’auto su una pista di collaudo creano già enormi set di dati, troppo grandi per essere utilizzati nella loro forma grezza nelle simulazioni, perché l’elaborazione richiederebbe troppo tempo. Questa grande quantità di dati richiede un’analisi intelligente per condensare i flussi di dati che possano confluire in modo utile in una simulazione.

L’analisi predittiva è già oggi preziosa in ingegneria. Può essere sfruttata insieme alla simulazione per valutare diverse architetture nelle fasi iniziali di sviluppo del prodotto, per capire quale tipo di architettura sia più idoneo alle esigenze del cliente. Si possono creare simulazioni 3D e integrarle con questi modelli architetturali iniziali. Si possono quindi aggiungere i dati dei test e vedere come questi si rapportano alle simulazioni, per migliorare i modelli e aumentare l’affidabilità dei sistemi.

Con l’evoluzione degli strumenti software, sarà possibile simulare nuovi tipi di parametri fisici per aumentare la precisione dei modelli, simulare sistemi di grandi dimensioni e modelli più complessi e sfruttare i vantaggi di più strumenti analitici. Ulteriori benefici derivano dall’integrazione dell’analisi in altri strumenti. Raccogliendo le informazioni di queste simulazioni in un sistema informativo centrale, anche i team di lavoro esterni all’ufficio tecnico possono capire le scelte architetturali e sfruttare le informazioni per i loro processi.

Combinando i dati provenienti dai dispositivi con le informazioni sugli interventi in garanzia e sulla soddisfazione dei clienti, si può sfruttare l’analisi dei big data per capire il significato di diversi fattori nella progettazione di un dispositivo che, in ultima analisi, incidono sul successo commerciale. Facendo tutto questo in un ambiente PLM, si possono integrare diverse tipologie di dati in modo più connesso; man mano che i modelli, le simulazioni e i risultati dei test vengono aggiornati e arrivano nuove informazioni sul cliente, l’analisi può tenere conto di questi elementi per dare un quadro aggiornato della situazione.

Molte aziende sfruttano oggi una o più di queste opportunità. Per ottenere il massimo dall’analisi predittiva in ingegneria, è necessario però avere una visione più olistica. Se si riuniscono tutte le fonti di informazioni in un sistema più integrato nel quale si possono applicare tecnologie nuove ed emergenti, oltre agli strumenti già a vostra disposizione, si ricaverà un maggior valore e sarà possibile progettare con più sicurezza prodotti che operano con prestazioni adeguate in ambienti complessi.