Auteur

Sebastian Schirber

Partner voor Data AI-
Artefact

Nog niet zo lang geleden was de term ‘digitale tweeling’ slechts een academisch concept. Tegenwoordig zijn digitale tweelingen echter in vrijwel elke sector te vinden: productie, detailhandel, energie, gezondheidszorg en nog veel meer… Ze bieden voordelen zoals een hogere productiviteit, een kortere time-to-market en een grotere klanttevredenheid. In feite heeft elke toepassing die te maken heeft met data inzichten en besluitvorming in de onderling verbonden wereld van fysieke objecten, processen of systemen van vandaag de dag te maken met de term ‘digitale tweeling’.

In grote lijnen zijn digitale tweelingen virtuele weergaven van objecten (een turbine, een auto, een persoon), processen (een toeleveringsketen of een productielijn) of complete systemen (een elektriciteitsnet, een ziekenhuis, een stad). Wat hebben ze gemeen? De onderliggende data op fysieke metingen uit de echte wereld.

Wat zijn digitale tweelingen precies? Wat doen ze?

Tegenwoordig zijn digitale tweelingen in alle sectoren van de industrie niet meer weg te denken, van productie tot detailhandel, de automobielsector, energie, gezondheidszorg, steden, onderzoek… en zo kunnen we nog wel even doorgaan. De toepassingen en gebruiksmogelijkheden van digitale tweelingen zijn zelfs nog breder: data en -visualisatie, efficiëntieverbetering, optimalisatie, scenarioanalyse, simulatie en het voorspellen van toekomstige situaties. Gezien dit brede scala aan sectoren en toepassingen is het niet verwonderlijk dat de term ‘digitale tweeling’ geen eenduidige definitie heeft en voor verschillende mensen verschillende dingen kan betekenen.

In dit artikel gaan we dieper in op de belangrijkste kenmerken van digitale tweelingen, zodat u deze beter begrijpt en met meer zelfvertrouwen aan toekomstige gesprekken kunt deelnemen. Daarnaast lichten we de verschillen toe tussen de twee archetypes van digitale tweelingen, die elk voortkomen uit verschillende data , modelleringsinspanningen, teamvaardigheden en toepassingsscenario’s.

Met deze kennis in het achterhoofd kunt u de voordelen van dit concept voor uw specifieke branche en toepassing gemakkelijker herkennen en benutten.

Digitale tweeling Archetype A: Visualisatie en analyse in een data

class="lazyload

Archetype A brengt ingevoerde data in beeld data biedt inzichten door gemeten data te analyseren. In andere sectoren en processen zou dit archetype meer in het algemeen kunnen worden omschreven als business intelligence, met het verschil dat de digitale tweeling doorgaans live data visualiseert. Sommige bedrijven noemen dit archetype eendata “.

Het belangrijkste voordeel van een data is dat opgeschoonde data één plek beschikbaar zijn, waardoor ze voor een breed audience toegankelijk zijn audience een totaalbeeld bieden van het betreffende object, proces of systeem. Transparantie en toegang tot opgeschoonde data, zonder AI geavanceerde machine learning-algoritmen, leveren gebruikers nog steeds een schat aan informatie en aanzienlijke waarde op. Extra waarde wordt gegenereerd door use cases zoals monitoring, probleemdetectie en waarschuwingen, en door menselijke interactie en feedback toe te voegen, zoals taakbeheer of het aanmaken van tickets, wordt de data onderdeel van een geïntegreerd workflowbeheersysteem. Meer geavanceerde toepassingen gebruiken de binnenkomende data voorspellende onderhoudsinzichten te bieden, waarbij wordt bepaald wanneer een apparaat of machine onderhoud nodig heeft en de onderhoudscyclus wordt aangepast op basis van de gemeten data.

Voorbeelden van een data voor visualisatie en analyse:

  • In de industrie: het bewakingsscherm van elke controlekamer, zoals het bedieningsscherm van een energiecentrale of een productielijn.

  • Op logistiek gebied: het in beeld brengen van de actuele voorraadniveaus in de gehele toeleveringsketen.

  • Wat de infrastructuur betreft: een overzicht van de huidige positie van alle treinen voor een spoorwegbeheerder of de positie van vliegtuigen voor een luchtverkeersleider.

De grootste uitdagingen bij het creëren van een krachtige data liggen in het combineren van de zakelijke kennis en technologische expertise van de gebruiker om de data tot stand te brengen. Met opgeschoonde en gecategoriseerde data beschreven in de vorige stap, is de belangrijkste succesfactor om vanuit het perspectief van de gebruiker te beginnen met een gebruikersgerichte ontwerpbenadering. Op basis van duidelijk gedefinieerde user stories ontwerpen we de grafische interface en leiden we de technische vereisten voor data af. Het vinden van de juiste balans tussen het visualiseren van de minimaal vereiste data het bieden van een compleet end-to-end beeld zorgt voor de juiste mate van duidelijkheid die inzicht en waarde creëert.

Digitale tweeling Archetype B: Simulaties via een dynamische tweeling

Archetype B, de ‘dynamische’ digitale tweeling, creëert een volledige digitale weergave van de werkelijkheid door op dynamische wijze informatie en data te genereren data alle locaties die voorheen niet gemeten werden. De dynamische digitale tweeling maakt gebruik van data in de data en genereert aanvullende informatie om een holistisch totaalbeeld te creëren van het gehele object, systeem of proces.

De kern van een dynamische digitale tweeling wordt gevormd door rekenmethoden die de leemtes kunnen opvullen waar geen data zijn. De methoden voor het genereren van aanvullende data divers en variëren van modellen op basis van fysische vergelijkingen die de volledige dynamiek van het systeem gedetailleerd weergeven, tot vereenvoudigde heuristieken, statistische relaties zoals parameterisaties, of geavanceerde AI machine learning-benaderingen. Deze methoden worden niet alleen gebruikt om de leemtes in de huidige toestand op te vullen, maar vormen ook de krachtige motor die dynamisch alternatieve toestandsuitkomsten genereert die worden gebruikt voor scenarioanalyse en optimalisatie, zoals beschreven in het gedeelte over gebruiksscenario's hieronder.

De grootste meerwaarde van dynamische digitale tweelingen ligt in de mogelijkheid om met behulp van hun dynamische rekenengine te onderzoeken en te begrijpen hoe de asset, het proces of het systeem op veranderingen reageert. Het doorrekenen van alternatieve scenario’s, het uitvoeren van wat-als-analyses en het inzicht krijgen in de impact van deze veranderingen op het systeem zijn krachtige toepassingen voor het verbeteren van productontwerp, het optimaliseren van bedrijfsvoering, het verbeteren van planning en het waarborgen van de leveringszekerheid. Enkele voorbeelden:

  • Voor een fabrikant van windturbines: het gebruik van de digitale tweeling om het ontwerp van de rotorbladen te verbeteren door de gevolgen van veranderingen in de vorm en positie van de bladen te beoordelen;

  • Voor een spoorwegmaatschappij: het gebruik van de digitale tweeling om realtime inzicht te krijgen in de bezettingsgraad en deze te optimaliseren door reizigers alternatieve reisroutes voor te stellen;

  • Voor een netbeheerder: het in kaart brengen van de gebieden waar vraag en aanbod van elektriciteit bestaan en hoe deze zich in de toekomst zullen ontwikkelen, om zo de juiste investeringsbeslissingen te kunnen nemen voor een toekomstbestendig net;

  • Wat de supply chain-processen betreft: volledig inzicht hebben in de voorraadniveaus en bestellingen optimaliseren op basis van de toekomstige vraag, doorlooptijden en houdbaarheidsdata van producten;

  • Voor een ziekenhuis: het gebruik van de digitale tweeling om inzicht te krijgen in de onderlinge verbanden tussen de beschikbaarheid van personeel, de huidige bezettingsgraad, de verwachte patiënteninstroom en geplande operaties, om zo de patiënten zo goed mogelijk van dienst te zijn en tegelijkertijd de kosten te beheersen.

Hoewel de voordelen van dynamische digitale tweelingen onomstreden zijn, ligt de grootste uitdaging voor een dynamische digitale tweeling in de verschillende methoden die de rekenkern van de digitale tweeling vormen. In veel gevallen zal een eenvoudige heuristiek of parametrisering de beste oplossing zijn; in andere gevallen zullen geavanceerdere statistische technieken, zoals machine learning, geschikter zijn. De meest nauwkeurige methode blijft het gebruik van fysische vergelijkingen om de leemtes op te vullen en te bepalen hoe het systeem op veranderingen zal reageren. De criteria om te beoordelen welke methode de juiste keuze is, hangen af van de beschikbaarheid van data het trainen en implementeren van modellen, use cases, de nauwkeurigheid van de output en de rekenkracht voor live berekeningen.

Aan de slag met een digitale tweeling

Een van de grootste uitdagingen bij het benutten van de waarde van digitale tweelingen is het vertalen van een zeer breed concept naar de praktijk om via een specifieke use case waarde te creëren. Drie aspecten zijn cruciaal in de beginfase van het traject naar digitale tweelingen:

  • Waarde-identificatie: Het kan lastig zijn om het concept van een digitale tweeling om te zetten in een praktisch toepassingsvoorbeeld. Begin niet met het theoretische concept van een digitale tweeling, maar ga uit van de zakelijke kant om mogelijke problemen of voordelen in kaart te brengen. Zodra de waarde van een bepaald vraagstuk duidelijk is vastgesteld, bepaal je welk archetype van een digitale tweeling het meest geschikt is om dat vraagstuk aan te pakken.

  • Toepassing binnen de organisatie: Stel user stories op over hoe de digitale tweeling in de praktijk zal worden gebruikt. Ontwikkel de gebruikersinterface en bekijk hoe de digitale tweeling in bestaande processen kan worden geïntegreerd, zodat de ontwikkelde oplossing daadwerkelijk wordt toegepast en tot echte waardecreatie leidt.

  • Technische afbakening: Bepaal de data en het technische leveringsplatform, inclusief de front-end. In het geval van een dynamische digitale tweeling moeten verschillende methoden worden geëvalueerd en moet op basis van complexiteit, nauwkeurigheid en data worden bepaald of een eenvoudige heuristiek volstaat, of een machine learning-aanpak geschikt is, of dat een volledig dynamisch fysisch model vereist is, bijvoorbeeld bij zeer schaarse data wanneer uitgebreide scenarioanalyses nodig zijn.

Hoewel de voordelen van dynamische digitale tweelingen onomstreden zijn, ligt de grootste uitdaging voor een dynamische digitale tweeling in de verschillende methoden die de rekenkern van de digitale tweeling vormen. In veel gevallen zal een eenvoudige heuristiek of parametrisering de beste oplossing zijn; in andere gevallen zullen geavanceerdere statistische technieken, zoals machine learning, geschikter zijn. De meest nauwkeurige methode blijft het gebruik van fysische vergelijkingen om de leemtes op te vullen en te bepalen hoe het systeem op veranderingen zal reageren. De criteria om te beoordelen welke methode de juiste keuze is, hangen af van de beschikbaarheid van data het trainen en implementeren van modellen, use cases, de nauwkeurigheid van de output en de rekenkracht voor live berekeningen.

Kort samengevat: creëer waarde uit fysieke data digitale tweelingen

Digitale tweelingen zijn uitgegroeid van een academisch concept tot een baanbrekend hulpmiddel dat met succes in diverse sectoren wordt ingezet. In de onderling verbonden wereld van fysieke metingen van vandaag bieden digitale tweelingen virtuele weergaven van fysieke objecten, processen of systemen om data inzichten en besluitvorming mogelijk te maken. Met twee belangrijke archetypen, (A) data voor visualisatie en analyse, en (B) dynamische tweelingen voor simulaties en scenario-analyse, zijn digitale tweelingen geschikt voor diverse toepassingen en sectoren. Naarmate bedrijven specifieke use cases identificeren, kunnen ze een concurrentievoordeel behalen door digitale tweelingen in te zetten om de productiviteit te verhogen, de bedrijfsvoering te optimaliseren en de planning te verbeteren.