Progettazione e Implementazione di una Piattaforma Digital Twin in Tempo Reale per l’IoT Edge-Based

Abstract

Le tecnologie di Digital Twin sono sempre più adottate per monitorare asset fisici e supportare decisioni basate sui dati, ma molte piattaforme esistenti sono proprietarie, costose e difficili da estendere. Questa tesi presenta la progettazione e implementazione di una piattaforma Digital Twin in tempo reale per l'elaborazione e visualizzazione di dati IoT su edge. Il sistema è basato su un backend ad alte prestazioni sviluppato in Go, capace di acquisire flussi di sensori concorrenti, valutare logiche a regole configurabili dinamicamente e mantenere una cronologia di esecuzione verificabile. Il comportamento del sistema è definito tramite template JSON esterni, consentendo la configurazione a runtime di sensori, logiche di aggregazione e regole di validazione senza ricompilazione. La piattaforma integra un motore di espressioni estensibile con funzioni statistiche e di controllo dei processi industriali per il rilevamento deterministico di anomalie su dati time-series in streaming, con possibilità di estensione a ambienti esterni per machine learning avanzato e training online. La persistenza dei dati utilizza SQLite, scelto per portabilità e robustezza, combinato con strategie di write-behind e caching in memoria per sostenere elevati tassi di ingestione. Una dashboard web fornisce visualizzazione in tempo reale e storica tramite WebSocket, mentre un componente opzionale 3D mappa i dati dei sensori su modelli di edifici per migliorare la consapevolezza spaziale. La piattaforma è valutata con dataset sintetici e pubblici che simulano comportamenti realistici dei sensori; la valutazione si concentra su latenza di ingestione, throughput e correttezza e trasparenza dell'esecuzione delle regole in scenari Digital Twin su edge.

Digital Twin technologies are increasingly adopted to monitor physical assets and support data-driven decision-making, yet many existing platforms are proprietary, costly, and difficult to extend. This thesis presents the design and implementation of a real-time Digital Twin platform for edge-based IoT data processing and visualization. The system is built around a high-performance backend developed in Go, capable of ingesting concurrent sensor streams, evaluating dynamically configurable rule-based logic, and maintaining a fully auditable execution history. System behavior is defined through externally managed JSON templates, enabling runtime configuration of sensors, aggregation logic, and validation rules without recompilation. The platform integrates an extensible expression engine enriched with statistical and industrial process control functions to support deterministic anomaly detection on streaming time-series data, while permitting extension to external environments for advanced machine learning and online training. Data persistence is implemented using SQLite, selected for its portability and robustness, combined with optimized write-behind strategies and in-memory caching to sustain high ingestion rates. A lightweight web-based dashboard provides real-time and historical data visualization via WebSocket communication, while an optional 3D visualization component maps sensor data onto building models to enhance spatial awareness. The platform is evaluated using synthetic and publicly available datasets that simulate realistic sensor behavior; the evaluation focuses on ingestion latency, throughput, and the correctness and transparency of rule execution in edge-oriented Digital Twin scenarios.