Digitale tweelingen als basis voor betere beslissingen

Voor alle duidelijkheid, het concept achter digitale tweelingen is niet nieuw. Voor de maanmissies van de NASA in de jaren zestig en zeventig werden al exacte duplicaten gebruikt om complexe systemen te managen. Zo maakte NASA gebruik van gespiegelde systemen – de voorlopers van digitale tweelingen – om de Apollo 13-missie te redden toen die in de problemen kwam. Daarnaast gebruiken we al vele jaren CAD-modellen als een digitale representatie van het ontwerp- en engineeringproces.

Industrie 4.0 schept ruimte voor digitale tweelingen

Maar het is pas sinds de opmars van Industrie 4.0 dat digitale tweelingen echt in de schijnwerpers staan. Zo doken ze vorig jaar op in de top technologische trends van Gartner. Een tweetal jaar geleden werd ook het Digital Twin Consortium in het leven geroepen. Dat moet gebruikers helpen het maximum uit de technologie te halen. Het consortium definieert een digitale tweeling als een virtuele representatie van fysieke entiteiten en processen, die worden gesynchroniseerd met een specifieke frequentie. Digitale tweelingen gebruiken realtime en historische data om de stand van zaken in kaart te brengen en toekomstige ontwikkelingen te simuleren. Zo zorgen ze voor een beter inzicht in systemen en laten ze betere beslissingen en betere acties toe. Vaak vormen digitale tweelingen de fundering van slimme applicaties, waarbij ze continu sensordata capteren om de performantie te verhogen, fouten te voorspellen en toekomstige scenario’s uit te tekenen.

Prof. Frank Piller: “De meerwaarde zit dus niet zozeer in de digitale tweeling an sich. Zeker in productieomgevingen is het ook niet erg moeilijk om die te creëren. Daar capteren we immers al veel data van machines, componenten en assets. De kunst bestaat er vooral in met behulp van die digitale tweeling betere beslissingen te maken. Een mooi voorbeeld is Google Maps, dat gebaseerd is op een digitale reproductie van onze traditionele kaarten. Wat tools als Google Maps vooral interessant maakt, is dat de tool weet dat je ergens vast zal komen te zitten en dat je in één moeite alternatieve routes of zelfs alternatieve transportmodi voorgeschoteld krijgt. Google Maps kan zelfs uitdokteren waar een nieuwe weg wenselijk is om bottlenecks in de toekomst te vermijden. Dat alles wordt mogelijk gemaakt dankzij een replica van de infrastructuur in combinatie met live verkeersinformatie, inclusief de reacties van bestuurders. We moeten in feite streven naar een Google Maps voor onze productieomgeving, die ons predictieve informatie en dynamische suggesties voor alternatieve ‘routes’ biedt.”

Digitale tweelingen versus digitale schaduwen

Soms horen we ook wel spreken van ‘digitale schaduwen’. Frank Piller benadrukt dat digitale tweelingen en schaduwen weliswaar onlosmakelijk met elkaar verbonden zijn, maar niet helemaal dezelfde lading dekken. “Een digitale tweeling is de virtuele dubbelganger van een product, een machine, een proces of een complete faciliteit, die alle relevante data en simulatiemodellen bevat. Digitale schaduwen daarentegen, zijn taakspecifieke ‘subsets’ en voorzien de data die vereist is voor specifieke analyses en operationele beslissingen. Er bestaan digitale schaduwen voor brede analyses, zoals de optimalisering van de waardeketen, maar ook digitale schaduwen voor ‘mid-range’ analyses zoals de optimalisering van machineprocessen of voor diepgaande analyses zoals de optimalisering van snijmachines”, legt hij uit.

Hoewel digitale tweelingen en schaduwen op zich al erg krachtig zijn, geloven ze aan de RWTH Aachen University vooral in de combinatie van digitale tweelingen met domeinspecifieke kennis. Figuur 1 geeft weer hoe zo’n benadering binnen Industrie 4.0 er uit kan zien.
Prof. F. Piller: “We mogen niet vergeten dat er in productieomgevingen een schat aan menselijke kennis aanwezig is. Mensen zijn ook erg goed in het leggen van oorzakelijke verbanden en in het leren via ‘trial & error’. Dat kan informeel door intuïtief te experimenteren of formeel, bijvoorbeeld via Six Sigma-trajecten. Sommige medewerkers hoeven nog maar een stap in de fabriek te zetten en ze ruiken bij wijze van spreken al of alles goed zit. Die menselijke eigenschap mag je niet onderschatten. Alleen is die kennis niet schaalbaar en lastig te centraliseren. Wij geloven dat de kans op optimale beslissingen het grootst is met een slimme combinatie van die kennis en een digitale tweeling. Zo laat machine learning bij digitale tweelingen toe patronen te herkennen binnen de meest complexe systemen en kunnen op basis daarvan verbeteringsvoorstellen worden gegenereerd. Als we daar dan onze menselijke ervaring aan toevoegen, wordt het eindresultaat nog beter. Digitale tweelingen maken ook dat je minder afhangt van een trial & error-traject in een real-life omgeving. Dankzij simulatiemodellen kun je immers sneller en efficiënter leren.”

We kunnen ons ook afvragen wat het verschil is tussen digitale tweelingen en de traditionele simulatiemodellen.
Prof. F. Piller: “Vaak zijn de simulaties die we kennen gereduceerde modellen. Aangezien zij niet in real time werken, zijn ze vaak al gedateerd als je ze het aan het werk zet, zeker in erg dynamische omgevingen. Een digitale tweeling daarentegen krijgt continu updates. In feite kun je een traditionele simulatie vergelijken met een foto, terwijl een digitale tweeling eerder een video is. Bovendien kun je de resultaten die uit de digitale tweeling voortvloeien vlot opnieuw aan het systeem voeden, zodat de digitale tweeling steeds sterker in zijn schoenen zal staan bij het nemen van beslissingen. Het spreekt voor zich dat we in de volatiele wereld van vandaag meer hebben aan een digitale tweeling dan aan een simulatie.”

Hoe te beginnen aan digitale tweelingen?

Dat een digitale tweeling in heel wat omgevingen toegevoegde waarde kan bieden, mag intussen duidelijk zijn. Maar hoe beginnen we daar nu in de praktijk aan?
Prof. F. Piller: “Intussen zijn er tal van bedrijven die daarbij kunnen helpen. Uiteraard zal je keuze afhangen van de toepassing. Zo is er NAvVis, een spin-off van de Technische Universiteit van München. Dat bedrijf gebruikt een scanner om digitale tweelingen van brownfield omgevingen te maken. Zo’n tool is perfect om dimensies van assets goed te krijgen, maar natuurlijk weet je dan nog niet wat er in die assets gebeurt. De geavanceerde fabriek van BMW in Leipzig, bijvoorbeeld, creëert in haar productie digitale tweelingen op drie verschillende manieren. Als er nieuwe productiemachines worden aangekocht, moet de producent verplicht voor een digitale tweeling daarvan zorgen. Daarbij wordt nauw samengewerkt met de leveranciers. Voor oudere assets werd een emulatie gemaakt, gebaseerd op vergelijkbare machines waarvan al een digitale tweeling bestaat. Verder gebruikt BMW ook scanningapparatuur om een virtuele kopie van fysieke objecten te maken.”

De Duitse stad Dormagen maakt zelfs werk van een ‘Smart Industrial City’, waarbij alle fabrieken in kaart worden gebracht om de mobiliteit en de infrastructuur te optimaliseren. Daaraan worden bijvoorbeeld de regeling van de verkeerslichten, een mobiliteitsapp en digitale bouwaanvragen gekoppeld. Bijzonder is dat die digitale tweeling wordt gebouwd met behulp van gamingbedrijf Ubisoft. Dat was voor de stad niet alleen de voordeligste oplossing, ook kunnen niet-experts er makkelijk simulaties mee uitvoeren. Want uiteraard is het ook belangrijk dat de digitale tweeling praktisch is om mee te werken.
Siemens biedt bijvoorbeeld een ‘executable digital twin’ aan (zie figuur 2). Zo’n digitale tweeling maakt het mogelijk simulatiemodellen te gebruiken buiten de technisch zeer onderlegde R&D-afdeling. Die simulaties kunnen dan worden uitgevoerd door een medewerker of een machine via een beperkte set van specifieke API’s. Aan zo’n digitale tweeling zijn bijvoorbeeld ook dashboards gekoppeld, die voor snelle inzichten zorgen.

Het voorbeeld van de smart city geeft meteen aan dat we erg ver kunnen gaan met de ontwikkeling van digitale tweelingen. Maar natuurlijk kunnen we zulke zaken nooit ontwikkelen met louter de gegevens van interne systemen. “Bekijk dus welke data nog zinvol zijn, binnen je ecosysteem of daarbuiten (zie figuur 3). Zo kun je je digitale tweelingen nog beter voeden, bijvoorbeeld met data over het gedrag van gebruikers”, stelt prof. Piller.

Een mooi voorbeeld van hoe gebruikersdata optimaal kunnen worden benut, vinden we terug bij Choosy, het modemerk van Jessie Zeng, dat outfits ontwikkelt op basis van algoritmes. Dat noemen we predictieve innovatie.
Prof. F. Piller: “Een eerste algoritme scant Instagram om, op basis van wat mensen posten, te spotten wat op dat moment trendy is. Een tweede algoritme creëert vervolgens items die op die trends inspelen. En terwijl die items in beperkte oplage worden geproduceerd, zoekt algoritme nummer drie naar mensen die interesse hebben om die stuks te kopen. Op het moment dat de stukken blijken aan te slaan, kunnen de grote modemerken ze snel in hun collectie meenemen.”

Het businessmodel van de digitale tweeling

Prof. Frank Piller rondt af met enkele aanbevelingen om een succesvol businessmodel rond de digitale tweeling te bouwen. “Weet dat wat kan worden gemeten, ook steeds vaker zal worden gemeten. Het zal steeds uitdagender worden om door de bomen het bos te blijven zien. Je moet je vooral de vraag stellen hoe je met behulp van digitale tweelingen en schaduwen waardevolle visibiliteit voor je business kunt creëren”, adviseert hij. “Weet ook dat wat kan worden geconnecteerd, steeds vaker zal worden geconnecteerd. Hier moet je je vooral afvragen hoe je die connectiviteit optimaal kunt benutten door silo’s met (digital twin) data te connecteren. Want zoals aangehaald bestaat de moeilijkheid er niet zozeer in digitale tweelingen te maken, maar wel data zodanig te combineren dat ze een goede basis voor analyses vormen.”

Maar dé hamvraag die we ons moeten stellen, is wel wat de ‘taak’ van onze digitale tweeling wordt. Ideaal is als we bij het omschrijven van die taak een goede balans weten te vinden tussen de productiviteitswinst (OE/OEE) en de uitbouw van een nieuw businessmodel, dat meer wendbaarheid, flexibiliteit of customisering biedt. Dat zal zowel ons eigen bedrijf als onze klanten ten goede komen.
Prof. F. Piller: “Moet de digitale tweeling een nieuw businessmodel ondersteunen, dan positioneer je je wellicht best ook in een open ecosysteem. Overweeg innovatieve gezamenlijke ontwikkelingen in een gedeelde infrastructuur. Als je dat doet, is het misschien mogelijk binnen je industrie een innovatief platform of een innovatieve app te ontwikkelen. Denken we maar aan 365FarmNet, dat werd ontwikkeld als een open platform voor complementaire bedrijven, maar ook concurrenten. Binnen die oplossing deelt Claas Crop View bijvoorbeeld satellietbeelden met landbouwers, wat precisielandbouw voor iedereen toegankelijker maakt.”   

“Maar het allerbelangrijkste is dat hoe sterk we ook op digitalisering willen inzetten, we nooit mogen vergeten dat we uiteindelijk nog steeds in een fysieke wereld leven. Uiteindelijk zal het dan ook de meest zinvolle integratie en wisselwerking van de fysieke wereld en de digitale wereld zijn, die nieuwe businessmodellen drijft”, besluit prof. Frank Piller.
Foto: Prof. Frank Piller: “In feite kun je een traditionele simulatie vergelijken met een foto, terwijl een digitale tweeling eerder een video is.”