.svg)
Waarom digital twin datamodellering bepaalt of een twin werkt
De meeste aandacht bij digital twins gaat naar het model zelf: de 3D-weergave, de analytics, het dashboard. Daar gaat het zelden mis. Een twin gebouwd op goede simulatiesoftware geeft nog steeds de verkeerde antwoorden wanneer de data die hem voedt onvolledig of verouderd is.
Een twin put uit drie soorten systemen tegelijk. Hij haalt ontwerpdata, zoals de onderdelen en de stuklijst, uit PLM. Hij haalt order-, kosten- en voorraaddata uit ERP. En hij haalt live metingen, zoals temperatuur of trillingen, uit de sensoren op de machines. Elk van die systemen is gebouwd voor zijn eigen taak, met eigen dataformaten en een eigen verversingssnelheid.
Dat alles samenbrengen in één accuraat, actueel beeld is het moeilijke deel, en het is een dataprobleem voordat het een simulatieprobleem is. Hoe de data van de twin is gestructureerd, waar die vandaan komt en hoe vers die blijft, bepaalt of het model de werkelijkheid volgt of er langzaam van wegdrijft. Dat begint bij een onderscheid dat vaak vervaagt.
Wat is het verschil tussen een digital twin en een digital thread?
De digital thread is het verbonden dataverslag van een product over zijn hele levensduur, en de digital twin is het levende model dat bovenop dat verslag zit en het gebruikt om te simuleren en te voorspellen. De twee worden doorgaans door elkaar gehaald, maar ze doen verschillend werk, en het verschil doet er hier toe.
De één voedt de ander. Een twin zonder solide thread is een model dat op giswerk draait, omdat het geen betrouwbare historie of actuele toestand heeft om mee te werken. Voor de meeste fabrikanten is de eerste klus dan ook het verbinden van PLM, ERP en MES tot die thread, en de twin is wat de verbonden data omzet in iets bruikbaars. De twin behandelen als een scherm dat er aan het eind op wordt geschroefd, in plaats van als iets dat afhangt van goed georganiseerde data, is hoe kostbare twin-projecten uiteindelijk het verkeerde modelleren.
Wat betekent het eigenlijk om de data van een digital twin te modelleren?
Het betekent één structuur afspreken waar elk bronsysteem in voedt, zodat de twin één consistente beschrijving van een asset leest in plaats van een dozijn die niet op elkaar aansluiten. De formaatvraag komt vóór de simulatievraag.
Hier is de Asset Administration Shell, of AAS, de gangbare referentie geworden. AAS is een afgesproken, standaard manier om een industriële asset als digital twin te beschrijven. Hij wordt onderhouden door de Industrial Digital Twin Association en is gepubliceerd als internationale standaard, dus niet gebonden aan één leverancier. Een asset wordt beschreven via submodellen, waarbij elk submodel één deel van het beeld dekt: het typeplaatje, de documenten, de sensorhistorie of de stuklijst.
Een twin bouwen op een standaard als AAS geeft al die data één plek om te landen. Een ontwerpbestand uit PLM, een werkorder uit ERP en een sensormeting kunnen elk worden gemapt naar een gedefinieerd submodel met een afgesproken betekenis, in plaats van voor elke nieuwe machine handmatig aan elkaar te worden geknoopt. Dat is wat een twin voorbij één proef laat groeien, want de honderdste asset wordt op dezelfde manier beschreven als de eerste. AAS is nog volop in ontwikkeling, en niet elke asset heeft een volledige, live twin nodig, dus de verstandige eerste stap is het modelleren van de paar submodellen die echte beslissingen dragen.
Actuele data is wat een twin accuraat houdt
Een gedeeld datamodel geeft de twin zijn structuur. Dat model actueel houden, is wat afdrijven voorkomt. Een twin is nuttig omdat hij de asset toont zoals die nu is, niet zoals die was bij de data-export van gisteravond. Zodra zijn data achterloopt op de echte lijn, is elke voorspelling gebaseerd op een versie van de fabriek die al veranderd is.
Dit is de stille faalwijze achter veel twin-projecten. Een twin gevoed door geplande nachtelijke exports oogt overtuigend in een demo en wordt minder betrouwbaar in dagelijks gebruik, omdat het gat tussen model en machine per uur groeit. Event-driven updates dichten dat gat, zodat een verandering op de vloer de twin binnen seconden of minuten bereikt in plaats van de volgende dag. Realtime simulatiedata is ook wat verwante toepassingen zoals predictive maintenance laat werken, want een model dat een onderdeelstoring voorspelt, is maar zo goed als de versheid van de sensordata erachter.
.svg)
.svg)
.svg)
.svg)
.svg)
.svg)
