Steeds meer bedrijven ontdekken de waarde van deze technologie. Ze gebruiken digital twins om kosten te besparen, stilstand te voorkomen en processen te optimaliseren. Maar wat is een digital twin precies? En hoe zorg je ervoor dat zo'n project daadwerkelijk oplevert wat je ervan verwacht?
Wat is een digital twin?
Een digital twin is een digitale representatie van een fysiek systeem. Dat klinkt simpel, maar wat is een fysiek systeem precies? Dat kan variëren van één enkele lager in één machine tot een complete supply chain. De overeenkomst: er is altijd een koppeling tussen de fysieke en de digitale wereld.
Die koppeling kan bestaan uit sensoren die trillingen, temperatuur of druk meten. Maar het kunnen ook gegevens zijn over materiaalstromen, productieaantallen of leveranciers. Het belangrijkste is dat de data voldoende informatie bevat om te begrijpen wat er in het echte systeem gebeurt.
Neem een assemblagelijn waar transportrobots (AVG’s) onderdelen naar verschillende werkstations brengen. Een digital twin van zo'n systeem verzamelt data over waar elke AVG zich bevindt, hoeveel batterij het nog heeft en welke route het volgt. Maar ook over de onderdelen die worden vervoerd en de voorraad in het magazijn.
Met al die informatie kun je in real time zien hoe het proces verloopt. Zijn er vertragingen? Ontstaan er knelpunten? Maar je kunt ook simuleren wat er gebeurt als je meer AVG’s toevoegt of een andere route kiest. Zo test je veranderingen digitaal voordat je ze in de praktijk doorvoert.
Verschillende twins voor verschillende doelen
Het grote misverstand over digital twins is dat er één universele oplossing zou bestaan. In werkelijkheid zijn er net zoveel varianten als er toepassingen zijn.
- Asset twins richten zich op afzonderlijke machines of componenten. Een digital twin van een motor verzamelt bijvoorbeeld data over trillingen, temperatuur en energieverbruik. Machine learning-algoritmes analyseren die gegevens om slijtage te voorspellen. Zo weet je wanneer onderhoud nodig is voordat er daadwerkelijk iets kapotgaat en voorkom je dat je onderdelen te vroeg vervangt.
- Systeemtwins kijken naar hele productieprocessen. Hier gaat het meer om materialenstromen, capaciteit en planning dan om de fysieke eigenschappen van afzonderlijke machines. Algoritmes optimaliseren routes, voorspellen wanneer nieuwe voorraad nodig is en identificeren knelpunten.
- Procestwins focussen op de supply chain. Het gaat hierbij om logistiek, levertijden en voorraadbeheer. Data komt uit ERP-systemen, transporteurs en leveranciers.
Het verschil zit in de details die wel en niet belangrijk zijn. Wil je een lager modelleren, dan vraagt dat om kennis van materiaalkunde en fysica. Een supply chain modelleren gaat over statistiek en logistiek. Te veel detail in het verkeerde model levert rompslomp op zonder toegevoegde waarde. Vergelijk het met de gestileerde spoorkaarten die op stations hangen: perfect voor reizigers die snel willen zien hoe ze van A naar B komen, maar onbruikbaar voor ProRail dat moet weten waar precies een schakelkast staat.
Hoe ziet een digital twin eruit?
Een veelgestelde vraag is of een digital twin altijd in 3D gemodelleerd moet worden. Het antwoord hangt af van je doelstelling. Voor het ontwerpen van nieuwe producten of het trainen van operators kan een 3D-omgeving waardevolle inzichten bieden. Je kunt dan virtueel assembleren, verschillende ontwerpen testen of personeel laten oefenen zonder risico's.
Maar voor veel toepassingen is 3D overbodig. Wil je een supply chain optimaliseren of energieverbruik voorspellen, dan heb je geen driedimensionale weergave nodig. Sterker nog, het kan afleiden van de werkelijke data-analyse.
Algoritmes en AI
Data verzamelen is één ding, er waarde uit halen is iets anders. Daar komen algoritmes en AI om de hoek kijken. Machine learning speelt een belangrijke rol in veel digital twin-toepassingen.
- Patroonherkenning helpt bij het identificeren van afwijkingen. Een algoritme leert hoe een gezonde machine klinkt, beweegt en de juiste temperatuur behoudt. Als die patronen veranderen, kan het systeem een waarschuwing geven voordat er problemen ontstaan.
- Voorspellende modellen gebruiken historische data om toekomstige gebeurtenissen te voorspellen. Wanneer heeft een pomp onderhoud nodig? Hoeveel energie gaat een gebouw morgen verbruiken? Op basis van patronen uit het verleden en actuele omstandigheden kunnen algoritmes redelijk nauwkeurige voorspellingen doen.
- Optimalisatie-algoritmes zoeken naar de beste oplossing binnen bepaalde beperkingen. Hoe stuur je AVG’s aan zodat er geen files ontstaan? Hoe plan je onderhoud zonder de productie stil te leggen? Deze algoritmes testen duizenden scenario's om de optimale oplossing te vinden.
De kracht van AI zit vooral in het verwerken van grote hoeveelheden data en het ontdekken van patronen die mensen zouden missen. Maar die algoritmes zijn alleen zo goed als de data waarop ze getraind zijn.
Digital twins succesvol inzetten
Een digital twin is geen tovermiddel. Succes hangt af van een aantal belangrijke voorwaarden.
In de eerste plaats moet data compleet en actueel zijn. Als informatie te laat of in de verkeerde volgorde binnenkomt, baseer je je beslissingen misschien op verouderde gegevens. Dat kan gevaarlijk zijn als je automatisch ingrijpt in processen.
Ook de observeerbaarheid is belangrijk. Dat is de mate waarin je iets kunt zeggen over wat er binnen een systeem gebeurt op basis van de data die je aan de buitenkant meet. Te weinig sensoren betekent te weinig inzicht. Te veel sensoren betekent veel ruis en hoge kosten.
Een digital twin moet daarnaast bewijzen dat hij de werkelijkheid goed weergeeft voordat je hem kunt gebruiken om niet-bestaande scenario's te simuleren. Dat vraagt tijd en praktijkdata om het model te valideren.
Data-eigenaarschap verdient ook aandacht. Sommige leveranciers bieden kant-en-klare digital twin-oplossingen. Dat is handig omdat je als organisatie het wiel niet opnieuw hoeft uit te vinden. Een nadeel kan zijn dat die leveranciers jouw data in hun systeem gevangen houden. Het is belangrijk om te zorgen dat je eigenaar blijft van je data, anders kun je die later moeilijk gebruiken voor andere toepassingen.
Ten slotte moet de organisatie er klaar voor zijn. Het implementeren van een digital twin betekent vaak veranderingen in processen en werkwijzen. Medewerkers moeten leren werken met nieuwe systemen en vertrouwen krijgen in de technologie.
De echte waarde van digital twins ligt in geleidelijke verbeteringen. Minder stilstand door voorspellend onderhoud. Lagere energiekosten door slimme regeling. Betere planning door inzicht in knelpunten.
Voor veel bedrijven is dat al meer dan genoeg om de investering terug te verdienen. De kunst is om realistische doelen te stellen en stap voor stap naar die doelen toe te werken. Digital twins zijn geen hype, maar ze zijn ook geen wondermiddel voor ieder vraagstuk. Ze zijn een krachtig hulpmiddel voor bedrijven die hun processen willen begrijpen en verbeteren.
Deze blogpost is een bijdrage van TMC, met hun data science-deskundigen helpen ze organisaties om hun besluitvormings- en voorspellend vermogen te verbeteren, voor de lezers van Data Expo. Meer inspiratie vind je op www.themembercompany.com of bezoek TMC tijdens Data Expo op stand #5 & #40.
