Auteur

Image

Sebastian Schirber

Partner Data & AI
Artefact Scandinavië

Nog niet zo lang geleden was de term “digitale tweeling” nog slechts een academisch concept. Maar vandaag de dag zijn digital twins in bijna elke industrie te vinden: productie, detailhandel, energie, gezondheidszorg en meer... met voordelen als verhoogde productiviteit, kortere time-to-market en verbeterde klanttevredenheid. In feite is elke use case die te maken heeft met data-driven 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 weergaven 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. De gebruikssituaties 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 “digitale tweeling” 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 u toekomstige conversaties beter kunt begrijpen en navigeren. We leggen ook de verschillen uit tussen de twee archetypes van digitale tweelingen, die elk gemotiveerd worden door verschillende data vereisten, modelleringsinspanningen, teamvaardigheden en use cases.

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

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

Archetype A visualiseert opgenomen data en biedt inzichten door gemeten data te analyseren. In andere industrieën en processen zou dit archetype meer in het algemeen beschreven kunnen worden als bedrijfsinformatie, met de nuance dat de digitale tweeling 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 gereinigde data op één locatie, waardoor het toegankelijk is voor een brede 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 algoritmen voor machinaal leren, biedt nog steeds een schat aan informatie en aanzienlijke waarde voor gebruikers. Extra waarde wordt gegenereerd door use cases zoals monitoring, probleemdetectie en alarmering, en door menselijke interactie en feedback toe te voegen, zoals taakbeheer of het aanmaken van tickets, wordt de data twin onderdeel van een geïntegreerd workflow management systeem. Meer geavanceerde toepassingen gebruiken de binnenkomende data om inzicht te krijgen in voorspellend onderhoud, door te bepalen wanneer een apparaat of machine onderhouden moet worden en de onderhoudscyclus aan te passen op basis van de gemeten data.

Voorbeelden van een visualisatie en analyse data twin:

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

  • Voor logistiek, de visualisatie van de huidige voorraadniveaus in 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-tweeling liggen in het combineren van de zakelijke kennis van de gebruiker en technologische expertise om de data-tweeling te maken. Met opgeschoonde en gecategoriseerde data input 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 de beschikbaarheid van data. Het vinden van de juiste balans tussen het visualiseren van de 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 weergave van de werkelijkheid door dynamisch informatie en data te genereren op alle voorheen niet gemeten locaties. De dynamische digitale tweeling neemt de data die beschikbaar is in de data tweeling en genereert aanvullende informatie om een holistisch end-to-end beeld van het hele object, systeem of proces te creëren.

De kern van een dynamische digitale tweeling zijn berekeningsmethoden die de lege plekken kunnen opvullen waar geen data beschikbaar is. Methoden voor het genereren van extra data zijn divers en variëren 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 gebruikt worden 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 onderzoeken en te begrijpen hoe het bedrijfsmiddel, proces of systeem op veranderingen reageert. draaien alternatieve scenario's, uitvoeren 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 activiteiten, het verbeteren van planning en het garanderen van de leveringszekerheid. Enkele voorbeelden:

  • Voor een fabrikant van windturbines, De digitale tweeling gebruiken om het ontwerp van de rotorbladen te verbeteren door het effect van het veranderen van de vorm en positie van de bladen te beoordelen;

  • Voor een spoorwegexploitant, met behulp van de digitale tweeling live inzicht krijgen in de bezettingsgraad van passagiers en de bezettingsgraad optimaliseren door passagiers alternatieve reisroutes voor te stellen;

  • Voor een netbeheerder, Het identificeren van de gebieden van vraag en aanbod van elektriciteit en hoe deze in de toekomst zullen veranderen om de juiste investeringsbeslissingen te nemen voor een toekomstbestendig netwerk;

  • Voor toeleveringsketenprocessen, Volledige zichtbaarheid van voorraadniveaus en optimalisatie van bestellingen op basis van toekomstige vraag, doorlooptijden en vervaldata van producten;

  • Voor een ziekenhuis, Met behulp van de digitale tweeling krijgt u inzicht 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 onder controle te houden.

Hoewel de voordelen van dynamische digitale tweelingen onbetwist zijn, komt de belangrijkste uitdaging voor een dynamische digitale tweeling voort uit 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 machinaal leren 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, zullen afhangen van de beschikbaarheid van data voor het trainen en inzetten van modellen, de gebruikssituaties, het niveau van de uitvoernauwkeurigheid en de rekenkracht voor live berekeningen.

Hoe te beginnen 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 van cruciaal belang in de vroege stadia van de reis naar de digitale tweeling:

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

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

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

Hoewel de voordelen van dynamische digitale tweelingen onbetwist zijn, komt de belangrijkste uitdaging voor een dynamische digitale tweeling voort uit 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 machinaal leren 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, zullen afhangen van de beschikbaarheid van data voor het trainen en inzetten van modellen, de gebruikssituaties, het niveau van de uitvoernauwkeurigheid en de rekenkracht voor live berekeningen.

Samengevat: Waarde creëren uit fysieke data via digitale tweelingen

Digitale tweelingen zijn geëvolueerd 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-driven inzichten en besluitvorming mogelijk te maken. Met twee belangrijke archetypes, (A) data twins voor visualisatie en analyse, en (B) dynamische twins voor simulaties en scenarioanalyse, richten digitale tweelingen zich op diverse toepassingen en industrieën. Naarmate bedrijven specifieke use cases identificeren, kunnen ze een concurrentievoordeel behalen door digitale tweelingen te gebruiken om de productiviteit te verhogen, de activiteiten te optimaliseren en de planning te verbeteren.