Digital twin: een populaire term met veel definities. Niet alles wat onder deze noemer door het leven gaat, is ook echt een Digital Twin volgens Cognizant. We praten met twee experts over wat er precies nodig is om een echte digital twin te bouwen, waarvoor zoiets dient, en wat de meerwaarde kan zijn voor een onderneming.
Iedereen praat vandaag over digital twins, maar wat houdt die technologie precies in? “De term wordt in verschillende sectoren enthousiast gebruikt”, beaamt Christophe Stas, Associate Director Life Sciences Manufacturing bij Cognizant. “Maar iedereen verstaat er iets anders onder.” Tijd dus voor een definitie. Cognizant licht de betekenis van digital twins toe binnen de Life sciences, benadrukt de werkelijke waarde ervan voor een organisatie en identificeert de kritieke factoren voor succesvolle implementatie.
Digital twins in de Life sciences zijn virtuele modellen die verbonden zijn met hun fysieke tegenhangers, en die het gedrag van biologische processen zoals celkweekgroei in een bioreactor nabootsen. Deze twins maken gebruik van realtime data-architecturen om de modellen te voeden met sensorgegevens, procesontwikkeling te voorspellen en optimale controleacties voor te stellen om de productieopbrengst te maximaliseren. In de meest geavanceerde implementatie kan een digital twin het fysieke proces rechtstreeks volautomatisch aansturen.
Verbinding met de echte wereld
Dr. Elisa Canzani, Data Science Lead bij Cognizant, verduidelijkt: “Een digital twin is een model dat afhankelijk is van sensoren om (bijna) realtime feedback of updates te geven over zijn fysieke tegenhanger. Veel organisaties verwarren een digitaal model met een digital twin. Wij zien de digital twin als een end-to-end connected reality die datastromen benut om een dynamische weergave van fysieke processen in realtime te bieden.”
Een digital twin is een model dat afhankelijk is van sensoren om realtime feedback of updates te geven over zijn fysieke tegenhanger
Dr. Elisa Canzani, Data Science Lead Cognizant
Dat onderscheid is belangrijk. De Digital Twin komt pas echt tot leven wanneer die in verbinding staat met het fysieke productieproces. Digital twins moeten volgens Cognizant worden verbonden met de fysieke sensoren en procescontroller om daadwerkelijke productiegegevens te gebruiken om de virtuele modellen te voeden. De digital twin kan op zijn beurt de productieparameters voorspellen en optimaliseren om de efficiëntie van het productieproces te verbeteren via een open of gesloten feedbacklus.
Van proces naar platform naar model en terug
Canzani verduidelijkt hoe zo’n systeem er abstract uitziet. “Batch data komen in realtime van sensoren in het productieproces, en worden op een betrouwbare en cyberveilige manier overgebracht naar een (edge- of cloudgebaseerd) analyseplatform. Digital twin-modellen verwerken en gebruiken dergelijke sensorgegevens om simulaties en optimalisatiescenario’s uit te werken en de ideale productieparameters voor te stellen.
Daarna gaat de communicatie in omgekeerde richting: als het model met de realtimegegevens een optimalisatie ziet, stroomt de optimale controleactie weer terug via het dataplatform naar het productieproces en zijn assets.” In een geavanceerde implementatie kan de digital twin dus de productie zelf volledig geautomatiseerd aansturen, maar als tussenstap kan de digital twin ook optimalisatiesuggesties aan menselijke operators geven.
“Een twin hoeft geen 3D-replica van de fysieke asset te zijn”, benadrukt Canzani. “De oplossing moet de procesdynamiek repliceren om deze te optimaliseren. 3D-modellen kunnen een uitgebreide representatie zijn, en bijdragen aan de gebruiksvriendelijkheid, maar de kern van digital twins bestaat uit machine learning, datagestuurde en mechanistische modellen.”
Cognizant zet sterk in op echte digital twins die op realtime streamingplatforms draaien. De focus ligt in eerste instantie op grote organisaties uit het domein van de Life sciences. Denk daarbij aan farmaceutische bedrijven, die met digital twins de complexe productie van geneesmiddelen kunnen optimaliseren.
Een model is nooit weggegooid
Aan de succesvolle implementatie van een digital twin zijn heel wat uitdagingen verbonden. De creatie van het model zelf, is niet de grootste. Stas: “Klanten hebben vaak al modellen gebouwd, of minstens een basisontwerp. Deze modellen moeten vervolgens aangepast worden of opnieuw geïmplementeerd om een realtime controle te kunnen garanderen. De communicatie moet automatisch en snel genoeg verlopen, en idealiter in beide richtingen.”
lees ook
Cognizant neemt Belcan over voor 1,3 miljard dollar
Canzani heeft nog een bedenking: “Soms hebben organisaties al een uitstekend model ontwikkeld, maar gebruikten ze daarvoor een afgesloten omgeving zoals een software van derden. Een gesloten ecosysteem levert problemen op, want dan wordt het moeilijk om de realtime-connectiviteit te voorzien met andere platforms en automatiseringssystemen.”
Organisaties die al een model hebben, maar geen echte digital twin, hebben hoe dan ook wel een basis om van te starten. “De ontwikkeling van zo’n model is nooit verloren tijd”, benadrukt Stas.
Systemen en mensen verbinden
Een groot deel van de complexiteit komt van de verbinding tussen verschillende teams die moeten samenwerken aan een end-to-end datastroom voor de digital twin. Een digital twin heeft een IT-component met een automatiseringsteam dat achter de data aangaat en een analytics-team dat het model bouwt. De data komen dan weer van de OT-omgeving. Al die bedrijfsdomeinen worden bevolkt door verschillende experts met verschillende prioriteiten en verwachtingen. Een succesvolle digital twin moet niet alleen de systemen verbinden, maar op zekere hoogte ook de mensen.
“Mensen moeten eerst communiceren om tot een gemeenschappelijk begrip te komen, en dan kan je de technologie verbinden”, aldus Canzani. “Een twin is een end-to-end-systeem, dat veel verschillende zaken moet connecteren. Veel organisaties zijn sterk in één van de drie belangrijke domeinen; productie, IT of analytics. Wanneer je de drie samenbrengt, ontstaat de echte meerwaarde.”
Herbruikbaar en schaalbaar
“Idealiter ontwikkel je een digital twin niet als een eenmalig project”, zegt Stas. “De oplossing kan schaalbaar en aanpasbaar zijn aan verschillende processen. Je bouwt de twin voor één productielijn, en wanneer je later een nieuw product introduceert kan je het raamwerk hergebruiken en de productie van de start optimaliseren met de twin.”
Idealiter ontwikkel je een digital twin niet als een eenmalig project
Christophe Stas, Associate Director Life Sciences Manufacturing Cognizant
Cognizant ontwikkelde met dat in het achterhoofd TwinOps. Dat is een platform dat bestaat uit bouwstenen voor data-ingestie, validatie, transformatie en opslag. Die bouwstenen kunnen na validatie hergebruikt worden, en zorgen voor een duurzame en schaalbare link tussen de data langs de ene kant en digital twins langs de andere. “TwinOps is naast een raamwerk met best practices, ook een op Python gebaseerd pakket van aanpasbare componenten en bouwstenen voor gestandaardiseerde, conforme en herhaaldelijke workflows”, verduidelijkt Canzani.
Brede kennis
Verder heeft Cognizant volgens Stas een goed begrip van de uitdagingen over alle domeinen die bij de implementatie van een digital twin betrokken zijn. “We weten waar de uitdagingen zijn en de flessenhalzen zich bevinden”, vertelt hij. “We kunnen goed inschatten of de investering zijn geld waard is, en wat een realistische businesscase inhoudt.”
Stas gaat verder: “Je hebt vendor-agnostische kennis nodig voor ee goede beoordeling van relevante technologieën, met een groot begrip van regels en standaarden, en natuurlijk cyberbeveiliging.”
Miljoenen waard
Een investering in een echte digital twin, zal zichzelf op lange termijn terugbetalen. Canzani: “Een digital twin kan de opbrengst van een proces met tien procent verbeteren. In de farmaceutische sector komt dat in sommige gevallen neer op een optimalisatie van 400 miljoen euro per jaar.”
Toch moet je niet meteen groot starten. “Het begin van ieder traject is een beoordeling van de maturiteit van de organisatie”, weet Canzani. “Daarbij gaan we opzoek naar een use case die al geavanceerd genoeg is, waarbij zowel data beschikbaar is als een goed begrip van de onderliggende processen om te modelleren met de digital twin.”
“Dan bouwen we een digital twin voor een eerste beperkte use case”, vervolgt Canzani. “We starten op kleine schaal maar bouwen de twin meteen met een architectuur die realtime gebruik en schaalbaarheid ondersteunt. De workflow moet geautomatiseerd en herhaalbaar zijn volgens de best practices van TwinOps.” Zo’n kleine uitrol zal al meteen meerwaarde creëren en tonen dat de investering het geld waard is. “Op basis van die eerste kleine maar volledige use case bouwen we vertrouwen op bij stakeholders om de haalbaarheid en potentie duidelijk te realiseren. Zo kunnen we het project opschalen en tegelijkertijd andere use cases uitrollen.”
Dit is een redactionele bijdrage, tot stand gekomen in nauwe samenwerking met Cognizant.