SAP ha presentato una nuova soluzione per la gestione di "gemelli digitali" di apparati fisici. Ha messo così a frutto l'acquisizione di Fedem Technology avvenuta nel 2016: le tecnologie di simulazione avanzata di quest'ultima sono state combinate con quelle di SAP Leonardo in campo IoT, machine learning e analytics. Il risultato - SAP Predictive Engineering Insights - è una piattaforma cloud destinata ad applicazioni in stile Industry 4.0 come la manutenzione predittiva.

Predictive Engineering Insights permette in sintesi di definire, in cloud, un modello digitale funzionale - il digital twin - dell'oggetto fisico da monitorare. Nel mondo "reale", all'oggetto sono applicati vari sensori che rilevano i principali parametri fisici di funzionamento. Questi dati sono passati alla piattaforma cloud, dove alcuni algoritmi di simulazione e analisi degli elementi finiti calcolano forze, stress e usura dell'oggetto e ne visualizzano graficamente le condizioni attraverso un motore di rendering tridimensionale.

Qui sta il primo vantaggio di Predictive Engineering Insights: permette il monitoraggio da remoto dello stato di un oggetto fisico, come un macchinario, senza dover effettuare una ispezione sul posto. In realtà però i vantaggi principali della nuova soluzione sono legati, prevedibilmente, alla parte predittiva.


Gli algoritmi di simulazione possono infatti andare oltre la semplice resa della situazione al momento e prevedere, in base ai dati di funzionamento raccolti nel tempo, cosa succederà probabilmente in futuro. Inoltre è possibile eseguire simulazioni di come il comportamento dell'oggetto fisico potrebbe variare in funzione di diversi scenari di carico. Questo apre diverse possibilità di manutenzione predittiva e di ottimizzazione delle procedure di manutenzione. Non a caso Predictive Engineering Insights si può collegare direttamente ad altre soluzioni SAP di asset management come SAP Predictive Maintenance and Service e SAP Asset Intelligence Network.

L'obiettivo della nuova soluzione SAP è anche quello di aiutare nel miglioramento generico delle prestazioni degli oggetti monitorati. Avere un digital twin basato su dati reali raccolti dai sensori permette ad esempio di creare un circolo virtuoso con la parte di ricerca e sviluppo, che può migliorare i suoi progetti sfruttando la conoscenza derivata sia dall'analisi del comportamento effettivo dell'asset sia dalle simulazioni effettuate.