Auteur

Sebastian Schirber

Partner Data & AI
Artefact Scandinavië

Nog niet zo lang geleden was de term "digitale tweeling" nog een academisch begrip. Maar vandaag zijn digital twins te vinden in bijna elke industrie: productie, retail, energie, gezondheidszorg en meer... met voordelen zoals verhoogde productiviteit, kortere time-to-market en verbeterde klanttevredenheid. In feite is elke use case gerelateerd aan data-gedreven inzichten en besluitvorming in de huidige onderling verbonden wereld van fysieke objecten, processen of systemen gerelateerd aan de term digital twin.

In grote lijnen zijn digitale tweelingen virtuele representaties van objecten (een turbine, een auto, een persoon), processen (toeleveringsketen of productielijn) of hele systemen (een elektriciteitsnet, een ziekenhuis, een stad). De gemeenschappelijke noemer? Hun onderliggende data verwijst naar fysieke en echte metingen.

Wat zijn digitale tweelingen precies? Wat doen ze?

Vandaag de dag doen digitale tweelingen hun intrede in elke hoek van de industrie, van productie tot detailhandel, auto-industrie, energie, gezondheidszorg, steden, onderzoek... de lijst gaat maar door. Use cases en toepassingen voor digital twins zijn zelfs nog breder: data monitoring en visualisatie, efficiëntieverbetering, optimalisatie, scenarioanalyse, simulatie, voorspelling van toekomstige toestanden. Met zo'n breed scala aan industrieën en toepassingen is het niet verwonderlijk dat de term "digital twin" geen duidelijke definitie heeft en voor verschillende mensen verschillende dingen kan betekenen.

In dit artikel geven we een overzicht van de belangrijkste kenmerken van digitale tweelingen, zodat je toekomstige conversaties beter kunt begrijpen en navigeren. We leggen ook de verschillen uit tussen de twee archetypes van digitale tweelingen, die elk worden gemotiveerd door verschillende data vereisten, modelleringsinspanningen, teamvaardigheden en use cases.

Gewapend met deze kennis zult u gemakkelijker de voordelen van dit concept voor uw specifieke branche en gebruikssituatie kunnen identificeren en benutten.

Digitale tweeling Archetype A: Visualisatie en analyse in een data tweeling.

class="img-responsive

Archetype A visualiseert opgenomen data en verschaft inzichten door gemeten data te analyseren. In andere industrieën en processen kan dit archetype meer algemeen omschreven worden als business intelligence, met de nuance dat de digitale twin meestal live data visualiseert. Sommige bedrijven verwijzen naar dit archetype als een "data twin".

Het belangrijkste voordeel van een data twin is de beschikbaarheid van opgeschoond data op een enkele locatie, waardoor het toegankelijk is voor een breed audience om een holistisch beeld te geven van het object, proces of systeem in kwestie. Transparantie en toegang tot schone data, zonder AI of geavanceerde machine learning algoritmes, biedt nog steeds een schat aan informatie en substantiële waarde voor gebruikers. Extra waarde wordt gegenereerd door use cases zoals monitoring, probleemdetectie en alarmering, en het toevoegen van menselijke interactie en feedback zoals taakbeheer of het aanmaken van tickets maakt de data twin onderdeel van een geïntegreerd workflow management systeem. Meer geavanceerde toepassingen gebruiken de binnenkomende data om inzicht te krijgen in voorspellend onderhoud, te bepalen wanneer een apparaat of machine onderhoud nodig heeft en de onderhoudscyclus aan te passen op basis van de gemeten data.

Voorbeelden van een visualisatie en analyse data twin:

  • Voor de industrie, het monitoringscherm van een operatiekamer, zoals het controlescherm van een elektriciteitscentrale of een productielijn.

  • Voor logistiek, de visualisatie van de huidige voorraadniveaus langs de hele toeleveringsketen.

  • Voor infrastructuur, een overzicht van de huidige positie van alle treinen voor een spoorwegnetwerkbeheerder of de positie van vliegtuigen voor een luchtverkeersleider.

De belangrijkste uitdagingen bij het maken van een krachtige data twin liggen in het combineren van de zakelijke kennis van de gebruiker en technologische expertise om de data twin te maken. Met opgeschoonde en gecategoriseerde input data zoals beschreven in de vorige stap, is de belangrijkste succesfactor om vanuit het gebruikersperspectief te beginnen met een gebruikersgerichte ontwerpbenadering. Op basis van duidelijk gedefinieerde gebruikersverhalen ontwerpen we de grafische interface en leiden we de technische vereisten af voor data beschikbaarheid. Het vinden van de juiste balans tussen het visualiseren van het minimaal vereiste data en 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 voorstelling van de werkelijkheid door dynamisch informatie te genereren en data op alle voorheen niet gemeten locaties. De dynamische digitale tweeling neemt data beschikbaar in de data tweeling en genereert bijkomende informatie om een holistische end-to-end view te creëren van het volledige object, systeem of proces.

De kern van een dynamische digitale tweeling zijn rekenmethodes die de lege plekken kunnen opvullen waar geen data beschikbaar is. Methoden voor het genereren van extra data zijn divers, variërend van modellen gebaseerd op fysische vergelijkingen die de volledige dynamica van het systeem in detail vastleggen, tot vereenvoudigde heuristieken, statistische relaties zoals parameterisaties, of geavanceerde AI en machine-learning benaderingen. Deze methoden worden niet alleen gebruikt om de lege plekken in de huidige toestand op te vullen, maar vormen de krachtige motor die dynamisch alternatieve toestandsoutputs genereert die worden gebruikt voor scenarioanalyse en optimalisatie, zoals beschreven in het gedeelte over gebruikssituaties hieronder.

De grootste waarde van dynamische digitale tweelingen ligt in de mogelijkheid om hun dynamische rekenmotor te gebruiken om te verkennen en te begrijpen hoe het bedrijfsmiddel, het proces of het systeem reageert op veranderingen. Het doorlopen van alternatieve scenario's, het uitvoeren van what-if analyses en het begrijpen van de impact van deze veranderingen op het systeem zijn krachtige use cases voor het verbeteren van productontwerp, het optimaliseren van operaties, het verbeteren van planning en het waarborgen van leveringszekerheid. Enkele voorbeelden:

  • Voor een fabrikant van windturbines: de digitale twin gebruiken om het ontwerp van de rotorbladen te verbeteren door de impact van het veranderen van de vorm en positie van de bladen te beoordelen;

  • Voor een spoorwegexploitant: de digitale tweeling gebruiken om live inzicht te krijgen in de bezettingsgraad van passagiers en de bezettingsgraad te optimaliseren door passagiers alternatieve reisroutes voor te stellen;

  • Voor een netwerkbeheerder is het identificeren van de gebieden van vraag en aanbod van elektriciteit en hoe deze in de toekomst zullen veranderen belangrijk om de juiste investeringsbeslissingen te nemen voor een toekomstbestendig netwerk;

  • Voor supply chain processen, volledig inzicht in voorraadniveaus en het optimaliseren van bestellingen op basis van toekomstige vraag, doorlooptijden en vervaldata van producten;

  • Voor een ziekenhuis kan de digitale tweeling worden gebruikt om inzicht te krijgen in de onderlinge afhankelijkheid tussen de beschikbaarheid van personeel, de huidige bezettingsgraad van patiënten, de verwachte instroom van patiënten en geplande operaties om patiënten zo goed mogelijk van dienst te zijn en tegelijkertijd de kosten te beheersen.

Hoewel de voordelen van dynamische digitale tweelingen onbetwist zijn, ligt de belangrijkste uitdaging voor een dynamische digitale tweeling in de verschillende methoden die de kern vormen van de rekenmotor van de digitale tweeling. In veel gevallen zal een eenvoudige heuristiek of parameterisatie de beste oplossing zijn; in andere gevallen zullen meer geavanceerde statistische technieken zoals machine learning geschikter zijn. De meest nauwkeurige methode blijft het gebruik van fysische vergelijkingen om de lege plekken in te vullen en te bepalen hoe het systeem zal reageren op veranderingen. Criteria om te beoordelen welke methode de juiste keuze is, hangen af van de beschikbaarheid van data voor het trainen en inzetten van modellen, de use cases, de mate van nauwkeurigheid van de output en de rekenkracht voor live berekeningen.

Hoe begin je met een digitale tweeling?

Een van de grootste uitdagingen bij het realiseren van de waarde van digital twins is het vertalen van een zeer breed concept naar de praktijk om waarde te creëren door middel van een specifieke use case. Drie aspecten zijn cruciaal in de vroege stadia van de digital twin reis:

  • Waardebepaling: Het vertalen van het concept van een digital twin naar een praktische use case kan moeilijk zijn. In plaats van te starten met het theoretische concept van een digitale twin, start vanuit de business om potentiële problemen of voordelen te identificeren. Eens de waarde van een bepaald probleem duidelijk geïdentificeerd is, beslis welk digitaal twin archetype het probleem op de juiste manier zal aanpakken.

  • Bedrijfsadoptie: Formuleer user stories over hoe de digital twin in de praktijk gebruikt zal worden. Ontwikkel de gebruikersinterface en bedenk hoe de digital twin kan worden geïmplementeerd in bestaande processen om ervoor te zorgen dat de ontwikkelde oplossing kan worden overgenomen en tot echte waardecreatie kan leiden.

  • Technische scoping: Definieer de data vereisten en het technische leveringsplatform, inclusief de front-end. Evalueer in het geval van een dynamische digitale twin verschillende methoden en beslis, op basis van complexiteit, nauwkeurigheid en data beschikbaarheid, of een eenvoudige heuristiek voldoende is, of een machine learning aanpak geschikt is, of dat een volledig dynamisch fysiek model nodig is, zoals in het geval van zeer schaarse data of de noodzaak voor uitgebreide scenarioanalyse.

Hoewel de voordelen van dynamische digitale tweelingen onbetwist zijn, ligt de belangrijkste uitdaging voor een dynamische digitale tweeling in de verschillende methoden die de kern vormen van de rekenmotor van de digitale tweeling. In veel gevallen zal een eenvoudige heuristiek of parameterisatie de beste oplossing zijn; in andere gevallen zullen meer geavanceerde statistische technieken zoals machine learning geschikter zijn. De meest nauwkeurige methode blijft het gebruik van fysische vergelijkingen om de lege plekken in te vullen en te bepalen hoe het systeem zal reageren op veranderingen. Criteria om te beoordelen welke methode de juiste keuze is, hangen af van de beschikbaarheid van data voor het trainen en inzetten van modellen, de use cases, de mate van nauwkeurigheid van de output en de rekenkracht voor live berekeningen.

Samengevat: Waarde creëren uit fysieke data via digitale tweelingen

Digitale tweelingen hebben zich ontwikkeld van een academisch concept tot een transformatief hulpmiddel dat met succes wordt ingezet in verschillende industrieën. In de huidige onderling verbonden wereld van fysieke metingen bieden digitale tweelingen virtuele representaties van fysieke objecten, processen of systemen om data-gestuurde inzichten en besluitvorming mogelijk te maken. Met twee belangrijke archetypes, (A) data tweelingen voor visualisatie en analyse, en (B) dynamische tweelingen voor simulaties en scenarioanalyse, richten digitale tweelingen zich op uiteenlopende toepassingen en industrieën. Naarmate bedrijven specifieke use cases identificeren, kunnen ze een concurrentievoordeel behalen door gebruik te maken van digitale tweelingen om de productiviteit te verhogen, activiteiten te optimaliseren en de planning te verbeteren.