Wat staat in de weg van de evolutie en adoptie van digitale tweelingen?

Het enorme potentieel van digitale tweelingtechnologie – met de mogelijkheid om digitale replica’s van fysieke objecten, processen en omgevingen te creëren – heeft toepassingen die zich uitstrekken over verschillende industrieën, van het repliceren van gevaarlijke omgevingen tot het weergeven van ruimtevaartuigen voor remote trainingdoeleinden. Recent onderzoek van McKinsey suggereert dat het interesse zo diep is dat de wereldmarkt voor digitale tweelingen ongeveer 60% per jaar zal groeien in de komende vijf jaar en 73,5 miljard dollar zal bereiken in 2027. Het interesse is duidelijk aanwezig, maar heeft de adoptie echt gevolgd?

Het antwoord – het is ingewikkeld. Digitale tweelingtechnologie en haar use cases zijn enorm geëvolueerd, maar uitdagingen moeten worden aangepakt om digitale tweelingen op grote schaal te adopteren.

De evolutie van digitale tweelingen

De echte adoptie van digitale tweeling technologie is langzaam geweest omdat het, tot voor kort, ontbrak aan intelligentie om verder te gaan dan alleen het weergeven van een asset. Meer waardevol zou zijn de mogelijkheid om het gedrag van een asset nauwkeurig te simuleren, voorspellen en controleren. Digitale tweelingen waren ook maatwerk en ontbrak aan de mogelijkheid om wereldwijd te leren van het gedrag van soortgelijke assets. Hun inzichten waren geïsoleerd en niet altijd toepasbaar op bredere organisatorische behoeften, waardoor ze een forse investering waren met smalle rendementen.

Ondanks dit, zijn enkele vroege adopters van digitale tweelingen de fabricage-, detailhandel-, gezondheidszorg- en automotive-industrie, die in staat waren om nieuwe faciliteiten, configuraties en processen te testen in een gecontroleerde omgeving.

Met nieuwe AI-gedreven benaderingen, zullen we een snelle verschuiving zien van “digitale tweelingen” naar AI-gepowered “simulatie” en “agent” die de gebruikscases aanzienlijk zal verbreden en brede adoptie zal stimuleren. Laten we naar deze categorieën van gebruik kijken:

• Weergave – De vroege iteraties van digitale tweelingen waren eenvoudige digitale weergaven van assets, die niet bijzonder nuttig waren buiten enkele niche-gebruikscases voor het verbeteren van het ontwerp en de uitvoering van bepaalde taken. In wezen is dit de “replica”-staat van digitale tweelingtechnologie.
• Simulatie – Vandaag de dag evolueren digitale tweelingen van weergave naar simulatie, wat een bredere reeks gebruikscases ten goede komt. Simulatie betekent dat digitale tweelingen niet alleen de asset of omgeving weergeven, maar ook toekomstige scenario’s nauwkeurig simuleren. In deze fase kunnen ze leren van gegevens van andere soortgelijke processen om betekenisvolle inzichten te verkrijgen. Simulatie-tweelingen gebruiken AI-algoritmen om productie-resultaten te simuleren, optimale machine-instellingen aan te bevelen en productieteams te leiden naar verbeterde bedrijfsdoelstellingen in een productieomgeving.
• Agent – De volgende evolutie na simulatie zal agent zijn, die assets, processen en hele productieonderdelen in staat zal stellen om autonoom te plannen en te handelen. In deze fase zullen ze ook complexe beslissingen nemen en samenwerken met mensen om duurzamere productie te stimuleren. Dit is de digitale tweeling-agentfase.

Het verplaatsen tussen fasen vereist verschillende niveaus van ondersteunende technologie, en het is van cruciaal belang dat organisaties de juiste technologie-stack hebben om het maximale effect en rendement van digitale tweelingen te bereiken.

Grondleggende technologie voor digitale tweelingen

De juiste grondleggende technologie moet aanwezig zijn voordat men van weergave naar simulatie en uiteindelijk naar agent overgaat.

Als voorbeeld gebruiken we de fabricage-industrie opnieuw, organisaties die een digitale simulatie van een bepaald proces of fabrieksomgeving willen creëren, moeten betrouwbare online sensoren hebben. Deze sensoren voeden gegevens van de input en output op verschillende kritieke stadia van de reis om robuuste inzichten te verstrekken om een simulatie te informeren. Veel van deze gegevens zijn gemakkelijk beschikbaar, en we hebben procesfabrikanten gezien met kwalitatief hoogwaardige online metingen op de output (bijv. papier), maar er is meestal een lacune in meetgegevens voor de input (bijv. houtvezels die in papierpulpproductie worden gebruikt).

Om dit te omzeilen, moeten fabricageteams duidelijk definiëren welke simulatie ze proberen te bereiken en welke invoer, machines en systemen zijn betrokken, evenals de verschillende parameters van elke fase in het proces. Dit vereist waarschijnlijk het inschakelen van experts uit meerdere functies om ervoor te zorgen dat alle aspecten van het model zijn geaccounteerd, wat vervolgens zal helpen ervoor zorgen dat de gegevens robuust genoeg zijn om een simulatie te ondersteunen.

Connectiviteit en vergelijking

Digitale tweelingen die volledig geïsoleerd zijn, missen de kennis die kan worden opgedaan uit andere modellen in soortgelijke scenario’s. De modellen die bijdragen aan de digitale tweeling zelf moeten worden gevoed met gegevens van andere soortgelijke modellen en digitale tweelingen om te laten zien wat “uitstekend” of optimaal is op wereldwijd niveau, niet alleen binnen het lokale proces dat wordt onderzocht.

Als gevolg hiervan vereisen digitale tweelingen een grote cloud-component, anders riskeren organisaties het verlies van enigszins de volledige belofte van deze technologie.

De andere kant van de medaille is dat digitale tweelingen niet alleen mogen vertrouwen op cloudtechnologie, omdat de latentie van de cloud obstakels kan creëren voor factoren zoals het verzamelen van real-time gegevens en real-time instructies. Overweeg hoe zinloos het zou zijn om een simulatie te hebben die bedoeld is om machinefouten te voorkomen, alleen om de simulatie te laten detecteren dat een gebroken riem lang nadat het onderdeel heeft opgehouden goed te functioneren en de hele machine stil staat.

Om deze uitdagingen te overwinnen, kan het verstandig zijn om een component toe te voegen die edge-AI-geactiveerd is. Dit zorgt ervoor dat gegevens kunnen worden vastgelegd zo dicht mogelijk bij het proces dat wordt gesimuleerd.

Mogelijke pijn punten bij implementatie en beheer

Naast het hebben van de juiste technologie-stack en infrastructuur om de benodigde gegevens voor AI-gepowered simulatie-tweelingen te verzamelen, blijft vertrouwen een aanzienlijke belemmering voor implementatie. Taxichauffeurs in Londen kunnen de stadkaart en alle shortcuts kennen, maar GPS voorziet chauffeurs meestal van nauwkeurigere routes door verkeersgegevens te factoren. Op soortgelijke wijze hebben ingenieurs en fabricageprofessionals accurate en veilige simulaties nodig om volledig vertrouwen te krijgen in hun capaciteiten.

Het opbouwen van vertrouwen kost tijd, maar transparantie met de modellen en met de gegevens die de digitale tweelingen voeden, kan dit proces versnellen. Organisaties moeten strategisch nadenken over de mentaliteitsverandering die nodig is om teams te laten vertrouwen op de inzichten van deze krachtige technologie – of riskeer het missen van ROI.

De weg naar agent

Ondanks de belofte van digitale tweelingen, is de adoptie relatief langzaam geweest – tot voor kort. De introductie van AI-gepowered modellen kan digitale tweelingen van weergave naar simulatie brengen door inzichten van andere modellen te verbinden om unieke kennis op te bouwen.

Naarmate investeringen en vertrouwen toenemen, zullen digitale tweelingen uiteindelijk de agent-status bereiken en complexe beslissingen op zichzelf kunnen nemen. De echte waarde is nog niet ontsloten, maar digitale tweelingen hebben het potentieel om industrieën te transformeren, van fabricage tot gezondheidszorg tot detailhandel.